网络多信道多源信息融合技术的改进研究

由于D-S融合算法采用的证据合成规则无法有效处理证据冲突问题,并且BP神经网络融合算法在样本波动情况下需要再次训练完成融合,容易出现局部最小值问题。因此,融合D-S融合算法和BP神经网络融合算法,提出基于上下文权值的多信道多源信息复合融合算法,其先基于检测数据的上下文,采用D-S融合算法和BP神经网络融合算法,对对应上下文内的数据进行融合处理,获取的融合结果被设置相应的权值,再将多个并行融合结果进行加权汇总,得到最终的融合结果,并同设置的阀值实施对比,获取最终的判决结果。实验结果说明,所提算法可有效处理证据冲突的融合问题,具有较高的准确性,融合效果佳。     

网络多信道多源信息融合技术的改进研究（英文）

由于D-S融合算法采用的证据合成规则无法有效处理证据冲突问题,并且BP神经网络融合算法在样本波动情况下需要再次训练完成融合,容易出现局部最小值问题。因此,融合D-S融合算法和BP神经网络融合算法,提出基于上下文权值的多信道多源信息复合融合算法,其先基于检测数据的上下文,采用D-S融合算法和BP神经网络融合算法,对对应上下文内的数据进行融合处理,获取的融合结果被设置相应的权值,再将多个并行融合结果进行加权汇总,得到最终的融合结果,并同设置的阀值实施对比,获取最终的判决结果。实验结果说明,所提算法可有效处理证据冲突的融合问题,具有较高的准确性,融合效果佳。     

基于人工蜂群算法的物联网数据融合技术研究

为减少物联网系统关键技术无线传感器网络中传感器节点的通信量,降低能量消耗,设计了一种基于人工蜂群算法优化BP神经网络的数据融合算法(BPABC).阐述了物联网系统的分层体系结构和关键技术、人工蜂群算法,重点介绍了人工蜂群算法优化BP神经网络的数据融合方法,通过神经网络提取无线传感器网络网内原始数据中的少量特征,然后将特征信息发送给汇聚节点,从而提高数据收集效率,延长了网络使用寿命.仿真实验测试表明,与LEACH和BPGA算法相比,该算法可以有效减少网络通信量,降低节点能耗.     

基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究

针对单一传感器对滚动轴承故障信息的识别具有不确定性的缺陷,提出了基于BP神经网络与D?S证据理论的多传感器信息融合的方法。将BP神经网络的输出结果进行归一化处理作为各焦元的基本概率分配,轴承的5种故障类型作为系统的识别框架,根据Dempster合成法则进行决策级融合。试验结果表明,利用该方法对轴承的内圈磨损、外圈磨损、滚珠磨损等故障进行试验诊断,提高了故障诊断的准确率,验证了该方法的可行性。     

一种基于证据理论的多源信息融合管道泄漏诊断

受强背景噪声、复杂工况以及传感器自身缺陷等因素的影响,单传感器管道泄漏检测方法存在诊断精度差和识别不确定性的问题。结合无线传感器网络技术和信息融合技术,提出一种基于D-S证据理论的多传感器数据融合的泄漏诊断算法。该方法依据分簇的网络结构模型,分别将簇内不同节点上多种传感器的多个测量周期的诊断信息作为独立证据体,采用分布式数据融合结构和修正证据合成法则,逐级进行单传感器时域、单节点空域以及多节点空域的融合,最后通过决策法则输出结果。实验结果表明,该方法降低了识别的不确定性,有效提高了管道泄漏诊断的精度。     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

基于神经网络的传感器信息融合和综合在刀具状态监测中的应用

本文给出了传感器信息融合和综合的定义和特点,说明了多层前向神经网络的结构及BP算法,并着重用两个实例分别叙述了基于神经网络的传感器信息融合和综合法在刀具状态监测系统中的应用。     

应用于智能机器人的多传感系统研究

研究并设计了一种应用于智能机器人的多传感系统,介绍了D S证据理论和多传感器数据融合技术,阐述了智能机器人系统的硬件结构和所用传感器类型,介绍了系统所用D S证据理论的数据融合过程.     

多传感器信息融合在液压系统智能故障诊断中的应用

针对采矿工程机械液压系统故障诊断方法存在的局限性，提出了一种基于多传感器信息融合的智能故障诊断方尊。该方法采用模糊神经网络融合诊断中心作为故障诊断的执行机构，算法上采用BP算法。通过一实例论证了在液压系统故障诊断中采用多传感器信息融合故障诊断方法比采用单传感器信息故障诊断方法更具有准确性和可靠性。     

基于多传感器数据融合的液压泵故障诊断研究

将D—S证据理论应用于多传感器数据融合，提出了多传感器数据融合一般化方法，并将其应用于液压泵故障诊断。通过数据融合诊断结果与单传感器诊断结果的比较，证明多传感器数据融合能明显提高故障诊断的准确率。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于多探头源数据融合的焊缝缺陷识别

当今的无损检测领域中,缺陷性质的识别是检测的难点,为此研究了一种基于多探头源数据融合的焊缝缺陷识别新方法.该方法通过对多探头信息的融合,提高了检测结果的可靠性及缺陷识别的准确性.选用两个不同入射角度的斜探头对含有气孔、夹渣、裂纹、未焊透和未熔合五类典型焊接缺陷的焊件分别进行了检测,提取缺陷的超声回波信号特征,构建基于特征层和决策层两级融合的多探头源缺陷智能识别分类器,实现五类焊缝缺陷的多源数据融合识别.在特征融合层采用了BP神经网络作为特征融合器,并利用其融合输出构建每个探头源的基本概率分布函数及其对每类缺陷的基本概率赋值.在决策融合层利用D-S证据理论,合并每个探头源的基本概率分布函数,实现缺陷的融合智能识别.结果表明,该方法融合了多探头源的互补信息,有效的提高了缺陷的识别率,有助于焊缝质量的评定.     

基于EWT与改进D-S证据理论的燃气调压器故障诊断

针对传统单一燃气调压器故障诊断模型存在诊断精度较低和结果误判别率高等问题,提出一种经验小波变换(EWT)与改进D-S证据理论结合的故障诊断方法,对燃气调压器故障状态进行诊断。使用EWT对传感器采集数据进行预处理并计算各分量能量熵,将其作为以广义回归神经网络、Elman神经网络和灰关联熵分析3种模型为基础构建的混合诊断模型的输入变量。根据D-S证据理论建立3个模型的基本信度函数,实现故障信息的决策融合,并引入证据关联系数法对证据体决策重要度和冲突问题加权修正。实验结果表明：EWT与改进D-S证据理论模型的故障诊断准确率达95.0%,在平均误差、均方误差、最大误差百分比等方面均优于单一的广义回归神经网网络、Elman神经网络和灰关联熵分析模型。     

Application of neuro-fuzzy techniques in oil pipeline ultrasonic nondestructive testing

This paper presents a novel approach to the problem of nondestructive pipeline testing using ultrasonic imaging. The identification of the flaw type and its dimensions are the most important problems in the pipeline inspection. Unlike typical methods, a decision based neural network is used for the detection of flaws. We train a generalized regression neural network to determine the dimensions of the corrosions and generate the whole image of both the internal and external walls of the oil pipeline. As an improvement to the detection algorithm, we introduce fuzzy decision-based neural network algorithms for the detection and classification of the corrosions. The simulation and experimental systems results show that these new methods outperform the existing methods.     

基于神经网络及数据融合的管道缺陷定量识别

分析了管道缺陷的特征参数与漏磁信号的关系，研究显示管道缺陷的深度和长度分别与漏磁信号的幅值和宽度呈近似线性关系。将实际漏磁信号预处理以消除传感器提离值不同带来的影响，然后用已训练好的BP神经网络进行了管道缺陷的定量识别，识别结果的误差〈10％，完全满足实际检测要求。分别用加权平均和自适应加权平均两种方法将轴向和径向漏磁信号进行信号级融合，融合后基于BP神经网络的缺陷定量识别的精度和可靠性得到了明显提高，其中加权平均法更优。     

基于BP神经网络的瓷绝缘子振动声学检测结果分类

为便于对采用振动声学法检测瓷绝缘子的数据进行判读评估,提出了采用BP神经网络对检测结果进行分类的方法。使用Matlab编程语言编制BP神经网络分类代码,用已分类的三组检测数据对神经网络进行训练。通过对128组检测结果进行分类比较,分类的平均准确率达到93.5%。证实BP神经网络对振动声学法检测绝缘子的检测结果分类的有效性和实用性。     

BP神经网络在流量比值控制系统中的应用

针对在PCT-2型过程控制装置进行流量比值控制时,PID参数难以整定的问题,提出了一种基于神经网络自适应的PID流量比值控制方法.该算法利用BP神经网络的非线性表示能力,通过系统的自学习来实现具有最佳组合的PID控制.这种方案达到了在线实时控制的目的.实验表明:在流量比值控制系统中,基于BP神经网络的PID控制算法比普通PID控制算法具有更好的动态性能和鲁棒性,能取得很好的控制效果.     

基于优化VMD和BP神经网络液压管路故障诊断研究北大核心

针对航空发动机液压管路故障信号易受噪声干扰、管路故障诊断准确率不高等问题,提出基于优化变分模态分解和BP神经网络的故障诊断方法。利用遗传算法自适应确定变分模态分解K、α的最优参数,然后采用优化后的变分模态分解方法对航空液压管路的振动信号进行分解,最后将故障特征明显的故障分量输入BP神经网络模型中进行训练和分类。结果表明:提出的基于变分模态分解与BP神经网络的航空液压管路故障诊断方法能够精准识别出航空液压管路多种不同的故障状态。