神经网络在多目标跟踪融合中的应用研究通过鉴定

江苏科技大学电子信息学院主持研究的“神经网络在多目标跟踪融合中的应用研究”项目通过了成果鉴定。多传感器数据融合是一项新的技术。多传感器多目标跟踪是多传感器数据融合中的一个典型应用。其主要包括三大部分：数据配准、数据（航迹）关联和目标状态估计，通常有分布式、集中式、混合式等结构。目前，多传感器多目标跟踪融合是一个热门的研究课题，在国防和民用领域具有重要的应用价值。     

神经网络在梁体结构计算中的应用

力学中反问题对于确保结构的安全使用和维修具有重要的意义，应用ＢＰ神经网络对梁体结构中的反问题进行了一些研究，并用Ｂ 对简支梁的葆载进行了预测。     

多传感器数据融合技术在智能压力检测中的应用

传感器之间大都相互影响，存在交叉干扰，这将直接导致传感器稳定性下降，以及测量精度降低等。提出一种基于神经网络的多传感器数据融合技术处理方法，并将其应用到智能压力检测系统中。通过对融合前后的数据进行比较分析，表明该方法大大降低了交叉干扰，有效提高了测量精度，达到了预期效果。     

计算机在堰流和闸孔出流流量计算中的应用

介绍了计算机在堰流和闸孔出流流量计算的基本原理和程序流程图,在工程管理和工程设计中有推广应用价值。     

神经网络技术在数据融合中的应用

在分析产生式系统与神经网络特点的基础上,介绍了一种如何将规则库转换为神经网络形式以及利用神经网络的学习能力和并行处理能力改善产生式系统的性能的方法．给出了一个在数据融合中应用该方法对雷达进行分类的例子．     

基于神经网络的多传感器信息融合

将传统神经网络结构的中间隐层用子网络代替,提出了一种陈列神经网络进行信息融合的结构模型,针对传感器信息融俣的特点,用子网络实现信息的分化与融合,不仅对神经网络的结构设计有一定意义,而且从理论到实便说明了这种方法确能改善神经网络信息融合的效果和速度。     

假设检验中Neyman-Pearson准则的神经网络实现新算法

假设检验中Neyman-Pearson准则是一种基于似然比的信号检测、识别、分类方法。神经网络是实现这种准则的优选方案,但是传统的最小平方学习算法,如BP算法等,往往不能取得全局最优解。针对一种非最小平方学习算法,提出了一种概率分配原则,并给出了一种Neyman-Pearson准则的神经网络实现新算法。对新算法在假设检验中的应用进行了仿真验证。结果表明新算法具有更小的误差,更加适用于Neyman-Pearson准则。     

神经网络数据融合在位移传感系统中的应用

温度漂移误差是位移传感系统的主要误差之一.为了提高位移传感器输出的精度与稳定性,可以把位移传感器的输出与温度传感器的输出进行数据融合.提出一种基于RBF网络(径向基函数神经网络)的多传感器数据融合方法,把位移传感器和温度传感器的输出送入融合中心,通过RBF网络的学习训练,得到稳定的位移输出.实验表明:在相同的温度波动情况下,位移传感器的输出稳定性比原来提高了约4倍.该方法在位移传感系统减小温度漂移的应用中十分有效.     

基于模糊神经网络融合技术的智能火灾预警系统

根据当今火灾探测的现状和实现火灾早期探测的需求,将多传感器数据融合技术应用在火灾预警系统中.选择多个传感器对火灾过程的多参数进行监测,特别对火灾发生初期产生的异常信息进行全面监控,弥补了采用单一传感器的不足,扩展了时间上和空间上的监测范围.系统采用基于模糊神经网络多传感器融合技术,增强了系统报警输出的灵敏度和可靠性,实现了提前预警的目的.     

曲线拟合技术在全天公交流量计算中的应用

本文利用曲线拟合技术找到了一种解决公交流量计算时各线路全天流量难以计算困难的有效方法。在丹东市公交规划的实践中使用取得了较好的效果。     

变结构神经网络模型的BP算法及其应用研究

神经网络模型是一种非常有效的数据处理工具,但是存在结构确定困难的缺点.针对神经网络算法的这种缺点,提出了变结构神经网络模型.此模型增加了神经网络隐节点的决策变量,并对此决策变量进行松弛.在采用BP梯度算法确定神经网络结构的同时,确定网络参数.由于电缆的状态监测是时序数据,将此模型应用于电缆的状态监测过程中,能体现出较好的适应性.     

变结构模糊神经网络在信息融合中的应用

针对多传感器信息融合方法的复杂性和多样性问题,依据智能融合理论,采用模糊逻辑和神经网络技术,提出了一种用于机器人多传感器信息融合的变结构模糊神经网络方法,并对其进行仿真．仿真结果表明,该融合算法的有效性是一种比较实用的融合方法．     

基于神经网络模型的信息融合技术

介绍了信息融合概念以及在信息融合领域中常见的BP神经网络和在此基础上发展而来的模糊神经网络和混沌神经网络,指出利用神经网络技术与信息融合技术相结合进行分析研究具有较大的拓展空间,信息融合的神经网络适用于更广泛的领域.     

神经网络在交通系统中的应用

在简要介绍神经网络原理的基础上，分析了采用神经网络解决交通系统中空车调度及交通流预测的原理及方法。讨论了两方面内容：一方面采用神经网络以达到空车走行公里数最少的优化目标；另一方面，采用神经网络精确地预测交通流，以减少交通拥挤和堵塞。     

基于神经网络的ERT系统流型辨识的研究

在两相流测量问题的研究中,流型的准确识别是其他流动参数准确测量的基础,因此,得到比较高的流型辨识率是研究目的.本文在12电极电阻成像的基础上,采用模糊聚类对ERT系统中的测量电压数据进行模糊化,然后以模糊化后的数据作为BP神经网络的输入,在BP神经网络中,对该模糊化后的测量电压数据进行反复学习训练,来实现对两相流四种流型的辨识.通过实验仿真,四种流型的平均识别率达到了89.4%,提高了流型识别的准确率.     

B样条模糊神经网络在信息融合中的应用

针对多传感器信息融合方法的复杂性和多样性问题,依据智能融合理论,采用模糊逻辑和神经网络技术,提出了一种用于机器人多传感器信息融合的B样条模糊神经网络方法,并对其进行仿真,实验结果表明,该融合算法具有较强的学习能力和抗干扰能力,是一种比较实用的融合方法。     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

Neural Network Based Algorithm and Simulation of Information Fusion in the Coal Mine

The concepts of information fusion and the basic principles of neural networks are introduced. Neural net-works were introduced as a way of building an information fusion model in a coal mine monitoring system. This assures the accurate transmission of the multi-sensor information that comes from the coal mine monitoring systems. The in-formation fusion mode was analyzed. An algorithm was designed based on this analysis and some simulation results were given. Finally,conclusions that could provide auxiliary decision making information to the coal mine dispatching officers were presented.     

人工神经网络法在地铁环控热负荷计算中的应用

首次提出了采用神经网络来模拟计算地铁车站热负荷,编制了工程实用软件,分别采用美国SES程序和自编程序对国内两条地铁线路进行了模拟计算。结果表明：提出的神经网络方法简捷、快速,所编制的软件正确、可靠。本研究为地铁早期计划阶段环控热负荷计算提供一种新思路。