多传感器数据融合.pptVIP

13.3.3基于神经网络数据融合神经网络 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或效应细胞。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。13.3.3基于神经网络数据融合常用的人工神经元模型（PE模型）典型的多级前馈感知模型13.3.3基于神经网络数据融合神经网络的结构、功能特点和强大的非线性处理能力，恰好满足了多源信息融合技术处理的要求，人工神经网络以其泛化能力强、稳定性高、容错性好、快速有效的优势，在数据融合中的应用日益受到重视。如果将数据融合划分为三级，并针对具体问题将处理功能赋予信息处理单元，可以用三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。对于目标识别，输出就是目标识别结论及其置信度；对于跟踪问题，输出就是目标轨迹及误差。输出层对应决策融合，决策层的输入输出都应该为软决策及对应决策的置信度。融合模型的全并行结构对应神经网络的跨层连接。决策信息处理单元组的输出可以作为原始数据层数据融合单元组的输入，对应数据融合模型的层间反馈。数据融合模型的内环路对应前向神经网络中层内的自反馈结构。不论在数据融合的哪个层次，同层各个信息处理单元组或同一信息处理单元组的各个信息处理单元之间或多或少地存在联系。13.3.3基于神经网络数据融合人工神经网络信息融合具有如下性能：(1)神经网络的信息统一存储在网络的连接权值和连接结构上，使得多源信息的表示具有统一的形式，便于管理和建立知识库。(2)神经网络可增加信息处理的容错性，当某个传感器出现故障或检测失效时，神经网络的容错功能可以使融合系统正常工作，并输出可靠的信息。(3)神经网络具有自学习和自组织功能，能适应工作环境的不断变化和信息的不确定性对融合系统的要求。(4)神经网络采用并行结构和并行处理机制，信息处理速度快，能够满足信息融合的实时处理要求。 13.4多传感器数据融合的应用13.4.1人体对气温的感受13.4.2多传感器数据融合技术的局限性13.4.1人体对气温的感受布尔逻辑温度表示温度信息模糊表示湿度信息模糊表示13.4.1人体对气温的感受13.4.2数据融合技术的局限性多传感器数据融合结果并不能代替单一高精度传感器测量结果。多个传感器的组合可以增强系统的健壮性，但这些传感器并不一定能检测到系统所感兴趣的目标特征。例如列车运行过程中，列车的载重情况、运行速度、振动特性等对诊断列车轮系工作状态提供了有价值的信息，但这些数据却无法直接给出轴瓦的工作温度。采用一个温度传感器直接测量温度要简单易行得多。13.4.2数据融合技术的局限性数据融合处理不可能修正预处理或单个传感器处理时的错误。数据融合处理不能弥补处理过程中造成的信息损失。当信号的特征没有被正确提取时，数据融合得到的结论肯定是错误的，数据融合不可能修正这些特征。例如在管道泄漏检测中，如果负压波信号中泄漏发生的时间特征点没有准确获得，泄漏定位的准确性就没有保证，其它的技术措施如时间对准、流量平衡等都不可能改变这种结果。143.4.2数据融合技术的局限性数据融合过程中希望能用一种简单的方式来描述传感器性能。传感器模型的不准确将导致融合结果错误，这种错误在后续处理中也是无法修复的。例如利用光吸收机理测量粉尘时，没有办法建立粒子尺寸、构成、浓度等与光吸收特性关系的数学模型，而是利用现场标定的方法确定光吸收程度与粉尘浓度之间的关系，这种相对关系用任何融合技术都无法改变。用模型来准确描述传感器的性能是非常困难的。13.4.2数据融合技术的局限性由于数据来源不同，一种单一的融合算法可能难以实现预想的融合效果，往往需要综合各门学科的多种技术，如信号处理，图像处理，模式识别，统计估计，自动推理理论和人工智能等。对于给定的数据如何选择合适算法来进行有效的信息融合是数据融合技术发展所面临的挑战。13.4.2数据融合技术的局限性并未形成基本的理论框架和有效的广义融合模型及算法，绝大部分工作都是围绕特定应用领域内的具体问题来展开的。也就是说，目前对数据融合问题的研究都是根据问题的种类，各自建立直观融合准则，并在此基础上形成所谓最佳融合方案。充分反映了数据融合技术所固有的面向对象的特点，难以构建完整的理论体系。这妨碍了人们对数据融合技术的深入认识，使数据融合系统的设计带有一定