多传感器信息融合技术.pptVIP

* * * * * * * * 神经网络是类型分析和函数逼近的常用方法，采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。 神经网络多传感器信息融合的实现，分三个重要步骤： 根据智能系统要求及传感器信息融合的形式，选择其拓扑结构； 各传感器的输入信息综合为一总体输入函数，通过神经网络与环境交互作用把环境的统计规律反映网络本身结构； 对传感器输出信息进行学习，确定权值的分配，进而对输入模式做出解释。 三、人工神经网络法 第二十八页，共47页 人工神经网络 神经元利用树突整合突触所接收到的外界信息，经轴突将神经冲动由细胞体传至其他神经元。神经网络使用大量的处理单元(即神经元)处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其它层上的神经元连接，采用并行结构和并行处理机制，具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。 第二十九页，共47页 典型的感知神经网络模型 图7 神经网络结构 第三十页，共47页 如果将数据融合划分为二级，并针对具体问题将处理功能赋予信息处理单元，可以用二层神经网络描述融合模型。 第一层神经元对应原始数据层融合。 第二层完成特征层融合，并根据前一层提取的特征，做出决策。 第三十一页，共47页 四、专家系统 专家系统是一个具有大量专门知识与经验的程序系统，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。专家系统具有如下特点： (1)启发性：专家系统能运用专家的知识和经验进行推理、判断和决策。 (2)灵活性：专家系统能不断地增长知识，修改原有知识，不断更新，不断充实和丰富系统内涵，完善系统功能。 第三十二页，共47页 一个典型的专家系统由知识库、推理器和接口三部分组成，如图所示。 知识库组织事实和规则。 推理器籍由知识库中有效的事实与规则，在用户输入的基础上给出结果。 接口是用户与专家系统间的沟通渠道，为用户提供直观方便的交互作用手段 第三十三页，共47页 五、聚类分析法 对于没有标示类别或没有明确特征的数据样本集，可以根据样本之间的某种相似程度进行分类，相似的归一类，不相似的归为另一类或另一些类，这种分类方法称为聚类分析，如图所示。 第三十四页，共47页 五、聚类分析法 聚类分析法试图根据传感数据的结构或相似性将数据集分为若干个子集。将相似数据集中在一起成为一些可识别的组，并从数据集中分离出来。众多的不同特征可用不同的聚类来表征。 第三十五页，共47页 进行聚类分析时，首先需要确定一种规则来确定数据集的分离原则，寻找各个类之间的相似性是常用的办法。对于两个给定的数据样本 和 ，几种常见的相似性度量如： 点积： 相似性比： 欧几里德距离： 第三十六页，共47页 在不规则粒子的测量中，人们并不关心粒子的直径究竟是多少，而是关心粒子的种类及其统计特性（平均直径、方差等）。聚类分析适于解决这类问题。 对于任意不规则粒子的情形，可以通过考察粒子在大小分布上的相似程度来进行粒子识别。 聚类分析算法能够挖掘数据中的新关系，可以用于目标识别和分类。 第三十七页，共47页 管道泄漏检测中的数据融合 医学咨询与诊断专家系统 多传感器数据融合技术的局限性 第四节 多传感器信息融合实例 第三十八页，共47页 管道泄漏检测中的数据融合 当管道发生泄漏时，由于管道内外的压差，泄漏处流体迅速流失，压力迅速下降，同时激发瞬态负压波沿管道向两端传播。在管道两端安装传感器拾取瞬态负压波信号可以实现管道的泄漏检测和定位，如图所示。 其中：a是负压波在管道中的传播速度；△t为两个检测点接收负压波的时间差；L为所检测的管道长度 。 第三十九页，共47页 式中：a表示负压波的传播速度，K为介质的体积弹性系数，ρ表示介质密度，E为管材的弹性系数，D为管道直径，e为管壁厚度， C1表示与管道工艺参数有关的修正系数。 负压波在管道中的传播速度受传送介质的弹性、密度、介质温度及管材等实际因素的影响，并不是一个常数，如下公式所示。显然，温度变化将影响传送介质的密度，负压波在管道中的传播速度不再是一个常数，为了准确地对泄漏点进行定位，需要利用温度信息校正负压波的传播速度。 第四十页，共47页 泄漏点的定位与管道两端获取负压波信号的时间差有关，提高泄漏点的定位精度，需要在负压波信号中准确捕捉泄漏发生的时间。 根据质量守恒定律，没有泄漏时进入管道的质量流量和流出管道的质量流量是相等的。如果进入流量大于流出流量，就可以判断管道沿线存在泄漏。对于装有流量计的管道，利用瞬时流量的对比有助于区分管道泄漏与正常工况。 第四十一页，共47页 第四十二页，共47页 右图所示是斯坦福大学建立的细