钢板无损检测中基于模糊神经网络的参数识别

钢板表面缺陷自动分类系统是近年来的研究热点之一，为了解决多无损检测源数据融合法检测缺陷尺寸的问题，给出了一种适用于多传感器数据融合的模糊神经网络模型，并对该模型的结构特点及实现进行了详细讨论，初步试验结果表明，此模型在一定程度上解决了从不同无损检测源所测值对钢板缺陷进行有效定量分析这一问题，它在无损检测中的应用表明该模型解决了传统模型中存在一些问题，同时表明该模型也可应用到其它许多领域。     

多传感器融合技术在应变检测中的应用

论述了多传感器数据融合的基本工作原理和过程;针对大跨度屋顶结构应变检测系统的特点,给出了基于多传感器认识模型的模糊逻辑法及其融合计算方法,可有效地提高应变检测系统的抗干扰能力,以便在出现应变异常时予以诊断识别异常类型,保证应变异常检测的可靠性和准确性.     

基于模糊逻辑的多传感器数据融合方法研究

针时当前工业环境下温湿度采集和多传感器数据融合的特点和需求,文章提出了一种基于模糊逻辑的多传感器数据融合方法,该方法能够消除错误数据对判别当前环境下温湿度状态的影响.文章首先介绍了温湿度检测系统的硬件构成,然后以模糊集理论为基础,研究了传感器数据的模糊转换,最后给出了基于模糊综合评判的多传感器数据融合方法.试验结果表明,本系统具有很强的实用性和智能性.     

基于信息融合的模型小车ANN避障控制

本文将模糊逻辑、神经网络和传感器融合技术结合起来，用于移动机器人的避障控制研究，利用多个非摄像类的超声波和红外线传感器探测环境信息，采用多传感器融合技术进行传感器信号处理，并且探讨了模糊聚类和神经网络系统在机器人系统中的避障控制能力，给出了虚拟环境一的计算机仿真结果。     

基于模糊逻辑应用于反馈结构的多传感器航迹融合的研究

在分布式多传感器信息融合系统中，反馈结构可用来提高局部节点的跟踪性能，进而提高全局航迹的融合精度。模糊逻辑应用于对多个航迹的位置偏差、速度偏差和加速度偏差进行模糊化、模糊逻辑推理及去模糊等，提出了关于模糊逻辑应用于反馈结构的多传感器航迹融合的方法。     

阵列脉冲涡流腐蚀缺陷成像检测技术研究

脉冲涡流是近几年迅速发展起来的一种无损检测新技术,其宽频谱的激励方式在大面积复杂结构的检测中可获得较多的缺陷信息,因而成为目前航空无损检测领域的一个研究热点;研究了阵列脉冲涡流腐蚀缺陷成像检测的原理,设计了腐蚀缺陷检测的软硬件,重点介绍了硬件中的阵列探头结构设计和软件中的多传感器数据融合设计,最后给出了成像检测结果,实验结果表明该方法具有成像速度快、成像模式多样的优点,非常适合应用于对大面积结构中腐蚀缺陷的成像检测.     

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。     

顺序结构多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中的多目标跟踪问题，本文运用模糊理论提出了一种多传感器模糊联合概率数据互联算法。该算法首先应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度；然后运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法，并提出了顺序处理结构的多传感器模糊联合概率数据互联算法的状态估
估计模型；最后给出了该算法与经典的多传感器联合概率数据互联算法的仿真比较。仿真结果表明，本文算法的综合性能更优越。     

基于模糊逻辑应用于反馈结构的多传感器航迹融合的研究

在分布式多传感器信息融合系统中,反馈结构可用来提高局部节点的跟踪性能,进而提高全局航迹的融合精度.模糊逻辑应用于对多个航迹的位置偏差、速度偏差和加速度偏差进行模糊化、模糊逻辑推理及去模糊等,提出了关于模糊逻辑应用于反馈结构的多传感器航迹融合的方法.     

基于模糊逻辑应用于反馈结构的多传感器航迹融合的研究

在分布式多传感器信息融合系统中,反馈结构可用来提高局部节点的跟踪性能,进而提高全局航迹的融合精度.模糊逻辑应用于对多个航迹的位置偏差、速度偏差和加速度偏差进行模糊化、模糊逻辑推理及去模糊等,提出了关于模糊逻辑应用于反馈结构的多传感器航迹融合的方法.     

基于模糊逻辑的自适应卡尔曼滤波在GPS/INS组合导航中的应用

提出了一种利用模糊逻辑控制器来在线调节卡尔曼滤波器的自适应数据融合方法,并着重研究了其在GPS/INS组合导航中的应用．根据位置误差系数和卡尔曼滤波器的新息的统计信息，采用模糊逻辑控制器对卡尔曼滤波器进行连续修正，将卡尔曼滤波器调整到最优状态，从而提高组合导航系统的精度．仿真结果证明这种方法比标准卡尔曼滤波具有更高的精度．     

Type-2 fuzzy logic-based classifier fusion for support vector machines

As a machine-learning tool, support vector machines (SVMs) have been gaining popularity due to their promising performance. However, the generalization abilities of SVMs often rely on whether the selected kernel functions are suitable for real classification data. To lessen the sensitivity of different kernels in SVMs classification and improve SVMs generalization ability, this paper proposes a fuzzy fusion model to combine multiple SVMs classifiers. To better handle uncertainties existing in real classification data and in the membership functions (MFs) in the traditional type-1 fuzzy logic system (FLS), we apply interval type-2 fuzzy sets to construct a type-2 SVMs fusion FLS. This type-2 fusion architecture takes considerations of the classification results from individual SVMs classifiers and generates the combined classification decision as the output. Besides the distances of data examples to SVMs hyperplanes, the type-2 fuzzy SVMs fusion system also considers the accuracy information of individual SVMs. Our experiments show that the type-2 based SVM fusion classifiers outperform individual SVM classifiers in most cases. The experiments also show that the type-2 fuzzy logic-based SVMs fusion model is better than the type-1 based SVM fusion model in general.     

Information fusion in data association applications

There is a limitation to process data fusion by means of traditional deterministic or probabilistic data association algorithm of multisensor data fusion (MSDF). Those methods for data association do not adequately account for quantitative and qualitative information in an automated fashion. Fuzzy logic offers an enabling technology for automated quantitative and qualitative information in the data fusion process. We propose the fusion system architecture, called fuzzy gating approach, coordinating both quantitative and qualitative information which is realized using a fuzzy-based reasoning approach. This approach is composed of two stages in cascade. The first stage implements available quantitative information, namely target range, azimuth, and elevation angle, to form a subset of statistically likely target solutions via fuzzy validation. The second stage of the fuzzy similarity utilizes available qualitative information, namely infrared image area and brightness, to form another subset of returns. Finally the fuzzy gating approach was tested in a dense clutter environment. Results of test show that performance of fuzzy gating approach is superior to JPDA based on a Bayesian approach. Moreover, adding qualitative information to the tracking algorithm can improve tracker performance effectively.     

环绕智能环境多模态数据融合技术研究

针对环绕智能环境中感知数据类型不同、格式多样问题,设计了基于XML的数据表示方法。其次,提出数据级和决策级相结合的数据融合架构,解决了环绕智能环境数据存在的异质、弱关联问题。最后,设计实现了基于加权自适应和模糊逻辑的数据融合算法,并应用于环绕智能环境监测,实验证明本技术可有效抑止传感器精度差异及噪声等因素导致的感知数据漂移问题,提高了系统决策的准确性。     

多传感器数据融合中基于模糊逻辑和神经网络的传感器管理

在多传感器数据融合系统中,传感器的管理包括两个方面的问题,一是如何优化分配现有的传感器去更好地实现融合任务;二是如何消除外界环境变化或者某些传感器出现故障时带来的影响,针对这些问题,本文在给出多传感器数据融合系统矩阵表示的前提下,提出了一种基于模糊逻辑和神经网络的传感器管理方法。分析表明该方法较好地解决了多传感数据融合系统中传感器管理问题。     

信息融合技术在INS/GPS/TAN/SMN四组合系统中的应用

主要介绍了组合导航系统中多传感器信息融合技术的国内外发展状况,对INS/GPS/T AN/SMN(惯性系统/卫星导航系统/地形辅助导航/景象匹配导航)组合系统中的多传感器信息 融合的层次结构与融合方法,首次提出INS/GPS/TAN/SMN组合导航系统信息融合的层次结构 ,并提出了多源图像融合制导的思想与方法．本文指出比较有应用前景的信息融合研究方法 是基于模糊逻辑、小波分析、神经网络等人工智能的新方法,以及这些新方法与传统的随机 类方法相结合的随机 人工智能的信息融合方法．     

模糊逻辑自适应卡尔曼滤波技术 在GPS/ INS 组合导航系统中的仿真研

提出利用模糊逻辑自适应控制器(FLAC)调整扩展卡尔曼滤波器(KALMAN)的方法，该方法应用于CPS／INS信号融合。FLAC通过监视残差是否为零均值白噪音，然后根据模糊规则调整滤波器的指数加权，从而使滤波器不断执行最优估计。通过仿真与常规扩展卡尔曼滤波器相比较，其性能优于常规扩展卡尔曼滤波器。     

Application of Fuzzy Logic to Vehicle Classification Algorithm in Loop/Piezo‐Sensor Fusion Systems

Individual vehicle information, especially, vehicle classification data play a key role in Advanced Traffic Management and Information Systems (ATMIS). In inductive loop and piezo‐sensor fusion systems, traffic data such as the vehicle length and the distance between axles are used for vehicle classification. However, classification errors often occur in distinguishing passenger cars from small trucks and in distinguishing medium‐sized trucks from small trucks. It is mainly attributed to the fact that they are similar in lengths and have similar inter‐axle distances. To improve the performance in vehicle classification, we develop a new algorithm using a fuzzy logic. Vehicle weight and speed are used as the inputs to the fuzzy logic block. The output of the fuzzy logic block is a weighting factor to modify the calculated vehicle length. Experimental results show that the developed algorithm significantly improves the classification performance.