基于多传感器数据融合技术的烧结矿碱度预报模型的研究

烧结矿碱度的测量是钢铁工业中的关键和难点,况且又容易受到烧结几乎每一个操作环节的影响。据此提出利用BP神经网络进行多传感器数据融合的烧结矿碱度的预报模型。通过对现场实际数据进行仿真,表明该方法鲁棒性强,准确性高,泛化能力广,具有很强的实用性和推广价值。     

基于多传感器数据融合技术的应用研究

复杂系统的多传感器数据融合是一门新兴的技术,它通过对来自多个传感器的数据进行多级别、多方面、多层次的处理从而产生出单个传感器所不能获得的更有意义的信息.数据融合在军事领域和民用领域都有很大的发展和应用前景.该文提出了一种基于神经网络融合算法的多传感器数据融合技术,对所采用的数据融合技术用于烧结终点预测进行了详细介绍.通过仿真结果证明,该方法鲁棒性强,准确性高,泛化能力广,具有很强的实用性和推广价值.     

基于BP神经网络的烧结矿化学成分预报模型与仿真

烧结矿化学成分的测量是钢铁工业中的关键和难点,并且容易受到烧结几乎每一个操作环节的影响。本文利用BP神经网络建立烧结矿化学成分的预报模型。通过对现场实际数据进行仿真,表明该方法鲁棒性强,准确性高,泛化能力广,具有很强的实用性和推广价值。     

多传感器信息融合技术

系统地介绍了多传感器信息融合技术的理论、模型和应用,并对多传感器信息融合的几种主要算法进行了全面的阐述和归纳,指出了信息融合研究中存在的主要问题,最后对信息融合技术的未来研究方向进行了展望。     

多传感器网络信息数据融合技术研究

本文提出了多传感器网络信息数据融合技术。通过多传感器探测节点向目标主机发送探测信息,并将返回信息输入到经过大量产生式规则训练和学习的BP神经网络中,得到目标主机属性信息。然后,通过D-S证据推理对属性信息进行信任度融合处理,得到目标主机上可能存在的漏洞分布及漏洞存在的可能性,为进一步的主机安全性能评估打下基础。     

基于信息融合技术的多传感器系统

本文介绍了使用了多种传感器技术，并采用数据融合技术进行指挥控制的船载火炮指挥控制系统的设计；文中自尊心的论述了各传感器的构成及工作原理，并介绍了信息融合技术及其应用。     

多传感器数据融合技术研究进展

多传感器数据融合是信息领域一个前景广阔的研究方向.由于单一的数据融合算法具有一定的局限性,将2种或2种以上的数据融合算法进行优势集成已逐渐成为数据融合领域的研究热点.介绍了数据级、特征级和决策级融合3种数据融合方式的主要特点、方法及应用,归纳了常用的数据融合方法,并重点阐述了几种多传感器数据融合集成算法的研究进展,简单介绍了多传感器数据融合技术的应用.     

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。     

基于BP神经网络的多传感器数据融合技术优化

传统的数据融合算法要求获得比较精确的对象数学模型,对于复杂的难于建立模型的场合无法适用。为解决上述问题,提出了一种基于BP神经网络算法的多传感器数据融合方法,对对象的先验要求不高,具有较强的自适应能力。仿真结果表明,采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度,效果良好。     

基于模糊熵的多传感器加权融合算法

针对目前多传感器数据融合时,各传感器的权值难以确定的问题,结合模糊理论,提出一种基于模糊熵的多传感器加权融合算法.该算法不需要任何的环境先验信息和传感器参数信息,根据各个传感器的当前有效量测数据的模糊程度不同,通过求取实时有效量测集合的模糊熵来确定该传感器在融合时的权值.仿真实验证明:该算法具有很好的环境适应能力,可以在一定程度上提高量测精度.     

粗神经网络及其在数据融合中的应用

给出一种新的神经网络－－粗神经网络结构,并给出了基于粗神经网络的多传感器数据融合模型,阐述了用于数据融合的粗神经网络的结构和训练方法。分析和仿真结果表明,新模型不仅能解决传统模型所能解决的问题,而且能解决传感器输出为二值或一个范围的多传感器数据融合问题。     

基于知识与AW-ESN融合的烧结过程FeO含量预测

氧化亚铁(FeO)含量是衡量烧结矿强度和还原性的重要指标, 烧结过程FeO含量的实时准确预测对于提升烧结质量、优化烧结工艺具有重要意义. 然而烧结过程热状态参数缺失、过程参数波动频繁给FeO含量的高精度预测带来巨大的挑战, 为此, 提出一种基于知识与变权重回声状态网络融合(Fusion of data-knowledge and adaptive weight echo state network, DK-AWESN)的烧结过程FeO含量预测方法. 首先, 针对烧结过程热状态参数缺失的问题, 建立烧结料层最高温度分布模型, 实现基于料层温度分布特征的FeO含量等级划分; 其次, 针对烧结过程参数波动频繁的问题, 提出基于核函数高维映射的多尺度数据配准方法, 有效抑制离群点的影响, 提升建模数据的质量; 最后, 针对烧结过程数据驱动模型缺乏机理认知致使模型预测精度不高的问题, 将过程数据中提取得到的FeO含量等级知识与AW-ESN (Adaptive weight echo state network)结合, 建立DK-AWESN模型, 有效提升复杂工况下FeO含量的预测精度. 现场工业数据试验表明, 所提方法能实时准确地预测烧结过程FeO含量, 为烧结过程的智能化调控提供实时有效的FeO含量反馈信息.     

基于信息融合的概率矩阵分解链路预测方法

作为一种典型的网络大数据,社交信息网络如微博、Tweeter等,不仅包含用户间复杂的网络结构,而且包含大量用户所发表的微博/Tweet信息.现有链路预测算法大多只利用单方面的网络拓扑信息或非拓扑信息,仍然缺乏有效融合社交信息网络中拓扑与非拓扑信息的链路预测方法.为此,从社交信息网络中用户的主题角度出发,提出一种融合主题相似信息的链路预测方法.首先基于用户文本内容抽取用户的主题表示,并定义用户间的主题相似度;然后基于用户主题相似度,构建了一种用户主题相似稀疏网络;进一步将用户主题相似网络与用户间关注/被关注网络融合在统一的概率矩阵分解框架下,通过学习获得用户的潜在特征表示和网络链路参数;最终在此概率矩阵分解框架下,基于用户的潜在特征表示和链路参数计算得到用户间的链路可能性.所提出的模型提供了一种融合多种网络信息的通用策略和学习方法.实验在包含网络结构与文本信息的4组微博与推特数据集中显示,所提出的融合概率矩阵分解链路方法相比其他链路预测方法更有效.     

基于信息融合的雷达发射设备故障快速诊断研究

利用单一信息对雷达发射设备进行故障检测和诊断时，可靠性和准确性低。针对雷达发射设备器件温度反映发射机工作性能明显的特点，提出了基于电传感器和温度传感器等多传感器信息融合的快速故障诊断方法。给出了故障诊断中信息融合的模型和算法，讨论了多传感器信息融合的雷达发射设备故障快速诊断系统的组成和简单工作原理。在提高复杂电子装备故障诊断可靠性和准确性上提供了一条有效途径。     

无损检测中基于模糊逻辑的多传感器数据融合

模糊逻辑在多传感器数据融合中得到广泛的应用，但是基于模糊逻辑的多传感器数据融合在无损检测中的应用还是一个崭新的课题，本文给出了一种新的用于无损检测数据融合的模糊逻辑结构，并且给出了隶度函数以及运算符的定义，最后给出了例子阐明了这种结构在无损检测中的应用。     

基于正交基神经网络算法的多传感器数据融合方法

为了改善多个同类传感器检测目标参数的性能,提出了一种基于递推最小二乘法的多传感器数据融合的正交基神经网络算法,用基于递推最小二乘法的神经网络算法对各传感器的量测数据进行处理,并用神经网络输出结果的平均值来实现多传感器的数据融合.为了验证算法的有效性,给出了多传感器数据融合的仿真实例.研究结果表明,基于递推最小二乘法的多传感器数据融合的正交基神经网络算法是有效的.