模糊数据融合在多传感器环境监测中的应用

文章提出了一种应用多传感器模糊数据融合技术的信息检测方法。该方法采用多传感器监测被测环境的温度、湿度和通风量等参量,将多个传感器所获取的多元信息模糊化后,经过融合中心的合成运算和决策规则的运用,获取被监测环境状态参数的精确估计,最终用于信息决策。实验结果表明,该方法能有效地提高环境状态监测的准确率,增加状态监测的置信度,提高监测系统的性能。     

多传感器模糊信息融合在煤矿安全中的应用

我国在矿井安全监测系统中,常采用单只传感器来实现对井下工作环境安全性的监测。为了克服单只传感器无法准确判断是否有危险发生,基于模糊集系统理论,提出一种应用多传感器模糊信息融合的监测方法,将监测设备的多只传感器所获得的信息模糊化,再将其融合,从而获取设备精确的状态估计。该方法充分利用了传感器提供的多种信息,提高了系统的识别率。实验结果表明:多传感器信息融合的识别准确率高于单传感器。因而,多传感器模糊信息融合是一种有潜力的新方法。     

多传感特征融合的空调送风温度模糊PID控制方法

为了在不降低室内环境舒适度的前提下减少空调能耗，需要对空调送风温度进行合理控制，提出多传感特征融合的空调送风温度模糊PID控制方法。在分析空调系统结构的基础上，建立多传感器采集拓扑网络，通过欧氏距离构建相似性矩阵，获取不同传感器的支持度，使用加权自适应算法对多传感特征信息进行融合，得到室内环境温度控制信息。利用自适应模糊PID算法，以误差和误差变化率作为室内环境温度的模糊控制规则参数调整依据，通过均方差得到风机转速控制数值，以此实现快速调整和精准控制空调送风温度。测试实验表明，所提方法响应速度快、超调小、成本低，可有有效为空调节能降耗提供基础理论支撑。     

模糊数据融合算法在设备状态监测中的应用

在对设备进行状态监测时,常采用传感器固定阈值检测法实现对设备的故障监测。为了克服该种方法所引起的信息损失问题,基于模糊集系统理论,提出一种应用多传感器模糊数据融合的融合监测方法,将监测设备的多个传感器所获取的信息模糊化,再将其融合,从而获取设备精确的状态估计。实验表明:该方法优于传统的设备故障监测方法。     

一种基于模糊神经网络的融合故障诊断方法

通过构造模糊神经网络分类器，将基于模糊神经网络的数据融合方法引入到故障诊断中。通过在机组中设置温度传感器测量冷却介质进口温差、定子温度、冷却介质出口温差等模拟量，并求出各传感器对故障的隶属度，然后通过基于信息融合故障诊断算法确定故障原因，并且通过单传感器与多传感器融合结果的对比表明，多传感器数据融合诊断比单个传感器具有更高的准确性。     

一种运用模糊处理技术的多参量火警预报系统

阐述了一种新型多参量模糊处理火警预报系统。该系统利用多传感器对火情发生时特有的温度、烟雾和火光三个主要参量进行综合监测，以微控制器为处理核心，将所得到的多路信息利用模糊技术加以融合和推理，再根据具体的环境因素做出相应的判断。这种采用多传感器集成、多参量融合模糊技术的设计很好地解决了报警灵敏度和误报率之间的矛盾。     

基于NB-loT环境监测的多传感器数据融合技术

为了有效的对环境质量进行综合评价,结合窄带物联网(NO-loT)技术和传感器技术构建的环境监测系统,对采集的温度、湿度、甲醛、粉尘(PM2.5)和总挥发有机化合物(TVOC)等环境因素进行多传感器数据融合研究,采用两级并联型融合方式对环境质量进行评价,融合前对采集的数据进行中值滤波剔除因外界干扰产生的异常数据。其次利用卡尔曼滤波算法对多组同类传感器数据融合,得到最佳的同类传感器值。最后运用模糊综合评价法将上一级融合后的各异类传感器进行决策层融合,其中的权重值由熵值法确定,隶属度函数采用高斯型,运用上述算法分别对不同环境场景进行测试。仿真结果表明通过多传感器数据融合能够获取更加丰富且有效的环境信息,消除单因子传感器对环境质量评价的简单性和局限性,提高整体 环境质量评价的可靠性与准确性。     

模糊控制技术在智能轮椅避障中的应用

本文简单介绍了超声传感器的工作原理。并用多个超声波传感器来获取环境信息,得到障碍物的距离和方向的信息,然后基于模糊控制技术对这些信息进行数据融合,从而实现智能轮椅的安全避障。     

模糊集理论在多传感器信息融合中的应用

在多传感器信息融合系统中,融合系统处理的信息本质具有模糊性,而模糊集理论具有处理模糊问题和模糊推理的优势,因此,模糊集理论已被广泛应用在多传感器信息融合领域。描述的信息融合方法中,通过引入隶属函数的概念,对传感器的测量值进行模糊化处理;利用模糊综合评判原理把传感器的信息融合问题转化为模糊综合评判过程。通过仿真实验验证,这种信息融合方法计算量小、信息融合精度高。     

基于D-S融合的电子电路故障诊断研究

根据电子电路故障元件诊断的不确定性问题,给出了多传感器D-S信息融合实现电路故障诊断的方法。通过检测电路工作时电子元件的温度和关键点电压两方面数据信息,得出两传感器对各待诊断元件的信度函数分配。再利用D-S联合规则结合模糊逻辑理论,得到融合后的信度函数分配,从而确定故障元件。实验结果说明:多传感器融合算法具有较高的准确率。     

应用模糊数据融合实现电子电路的故障诊断

本针模糊数据融合技术引入电子电路故障诊断之中，通过测试电子电路中的被诊断元件的工作温度和工作电压两个物理量，得出两传感器对各待诊断元件的故障隶属度，在对隶属度值进行数据融合的基础上，确定故障元件，并通过单传感器诊断结果与融合诊断结果比较，说明多传器融合的优越性。     

自适应模糊[C]均值聚类的数据融合算法

针对基于改进模糊聚类的数据融合算法存在融合不精确、融合可信度较低等不足,为了解决多个同质传感器在无先验知识的情况下对同一个目标的某一特征进行测量的数据融合问题,提出了一种自适应模糊[C]均值聚类的数据融合算法,主要是把自适应模糊[C]均值聚类应用到数据融合中。该算法首先在改进的模糊聚类中通过引入自适应系数以发现不同形状和大小的聚类子集,使得融合结果更精确;其次将卡尔曼滤波原理和基于多层感知机的神经网络预测法应用到误差协方差估计中,提高了融合可信度。实验结果表明,与7种经典数据融合算法进行对比,该算法在4个模拟数据集与真实数据集上融合结果较好,特别在判别函数与融合误差方面优势更为明显。     

基于模糊算法的矿井通风量与温度监测

设计了矿井通风量与温度在线监测系统,结构简单,运行稳定,可行性高。其数据处理采用模糊融合算法,经实验分析证实该算法提高了数据的置信程度,对以往的监测方式有很大改善,有推广价值。     

基于数据融合的农业温室温度模糊PID控制方法的研究

针对设施农业中的温度控制具有大惯性、大滞后和参数分布性的特点,本文采用多传感器数据融合的方法对温度参数进行优化计算,利用模糊PID控制方法设计温度控制系统。仿真结果表明,在相同的条件下,基于数据融合的模糊PID算法可以提高控制的精度及鲁棒性,同时可以达到节能效果。     

基于模糊神经网络的煤层冲击地压预测模型研究

煤层冲击地压是煤矿重大灾害之一。冲击地压的发生是由多方面因素造成的,具有模糊性、动态性,表现为一个复杂的非线性动力学过程,这使得冲击地压预测系统的数据处理不能按照常规的线性系统法进行处理。文章提出了多源信息融合的模糊神经元网络算法,且基于势场拓扑层次聚类融合FCM算法的聚类思想,将模糊集合理论引入神经元网络,构成基于多判据信息融合的模糊神经元网络模型,并对该网络进行了优化。通过仿真试验,验证了该模型的有效性。     

基于ARM9的粮情监测子系统设计

传统的以8位单片机为控制核心的粮情监测系统存在测试功能少,可靠性低,系统升级困难,维护费用高等问题。提出了一种基于ARM9的模块化的嵌入式粮情监测子系统,实现了测温、测重、通风等功能的在线远程监测与控制,提高了现有粮情监测系统的可靠性,且易于通过网络进行系统维护和软件升级。为网络化多功能粮情监控集成技术和系统研究开发提供了一个信息采集和融合的子模块。     

电子部件故障诊断的Dempster-Shafer信息融合算法

针对电路故障元件诊断的不确定性问题,给出了光电雷达电子部件故障定位的多传感器Dempster-Shafer(DS)信息融合方法.通过测试电路中的被诊断元件的工作温度和工作电压,得出了DS证据理论中两传感器对各待诊断元件的信度函数分配,再分别利用利用模糊规则和DS联合规则得到融合后的信度函数分配,从而确定故障元件.单传感器诊断与融合诊断的结果比较说明多传感器融合算法具有较高的准确性,而模糊融合算法与DS算法的结果比较则说明DS算法在故障诊断方面更具有优越性.     

Area temperature system monitoring and computing based on adaptive fuzzy logic in wireless sensor networks

The many subfields in the wireless sensor networking literature include data fusion, data aggregation, remote environmental monitoring, sensing (temperature, pressure speed) and various military applications. The distance between sensor nodes can be measured by a Received Signal Strength Indicator (RSSI). This study proposes both average and adaptive fuzzy logic algorithms for computing temperature in a monitored area. The main advantages of these methods are their simplicity and accuracy and better than the standard Manadni fuzzy logic method. Finally, comparison of the two methods in terms of root mean square error shows that the adaptive fuzzy logical algorithm with RSSI is better than average fuzzy logical algorithm for computing monitoring area temperature.