BP神经网络在巡逻机器人多传感器数据融合中的应用

针对传统危化品仓库固定式监控器中监控范围小、报警准确率低的特点,研究了一款危化品仓库巡逻机器人,采用以拉依达准则改善BP神经网络融合性能的多传感器数据融合方法,通过采集泄露危化品浓度、仓库内环境温度和湿度等数据,在对数据进行拉依达去噪、归一化后利用BP神经网络进行融合输出.样机试验结果表明,该方法可有效提升危化品仓库巡逻机器人对空间环境的把握度,大幅度提高报警的准确性和可靠性,同时具备良好的传感器扩展性.     

基于多传感器数据融合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观测范围。采用自适应加权融合估算法配合智能判别技术,增强了系统报警输出的灵敏度和可靠性,使系统达到了实现提前预警的目的。     

基于神经网络的传感器数据融合处理

为消除压力传感器在实际应用中输出数据受非目标参量(温度、供电电压波动)的影响提出了采用BP神经网络技术对其进行数据融合处理.研究结果表明,利用神经网络实现压力传感器数据融合对消除非目标参量对传感器输出的影响是有效的.     

神经网络的多传感器数据融合基于新算法在障碍物识别中的应用

本文提出了一种用于自主式移动机器人的障碍物类型识别的数据融合新方法，有两种不同的神经网络－小脑模型联接控制器和多层前向网分别来自ＣＣＤ摄象机的二维图象和来自超声测距系统的距离信息进行数据融合。     

基于BP神经网络的数据融合方法

数据融合技术是一种用途广泛的数字信号及信息处理方法,它通过对大量的数据进行处理提纯,得到一组直观有效的数据,为进一步处理和判断控制提供精确的数据依据。本文通过分析比较,验证了BP神经网络数据融合方法在发动机的多套冗余数据融合处理中的可行性和效果。实践表明:神经网络BP算法数据融合方法可有效提高数据的可信度。     

基于BP神经网络的压力传感器静态特性数据融合

针对压力传感器在实际应用中受非目标参量(温度)的影响而导致其输出数据不仅仅与目标参量(压力)有关,提出了采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对压力传感器输出的影响。研究结果表明,利用神经网络实现传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

无线传感器网络中基于神经网络的数据融合模型

数据融合技术通过减少传感器节点间的数据通信量,可以有效地节省传感器节点能耗,延长无线传感器网络的寿命.提出了独特的基于神经网络的数据融合模型(NNBA),该模型巧妙地将无线传感器网络的分簇层次结构与神经网络的层次结构相结合,将每个簇设计为一个三层感知器神经网络模型,通过神经网络方法从采集到的大量原始数据中提取特征数据,然后将特征数据发送给汇聚节点.以森林火灾实时监测网为应用实例,设计神经元模型及功能函数,并给出NNBA模型的仿真测试结果.     

基于WNN的BP算法的多传感器数据融合研究

小波神经网络（WNN）是将小波理论和神经网络理论结合起来的一种神经网络,有较强的函数学习能力和推广能力及广阔的应用前景。采用基于WNN的BP权值平衡算法对多传感器测量的结果进行特征级的数据融合,融合结果提供给决策级判断。该融合算法避免了BP网络收敛速度慢,易产生局部最优解等缺点,提高了学习的速度、精度。仿真结果表明了该方法的有效性。     

数据融合技术在火灾自动探测中的应用研究

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观测范围;采用自适应加权融合估算法,增强了系统报警输出的灵敏度和可靠性,达到了实现提前预警的目的.     

基于BP神经网络数据融合的瓦斯监测系统

井下瓦斯监测系统为多传感器监测系统,它通过不同功能、不同精度、不同位置的传感器,对所需要的被测量进行多方位、多角度的测量。但是,目前对于多传感器所测的数据还没有一种通用的、行之有效的处理方法,井下瓦斯浓度的监测很难作到实时、精确。因此,文章提出了一种基于BP神经网络数据融合的瓦斯监测系统的设计方案,该方案采用改进的BP神经网络算法对多传感器数据进行融合,并采用两级融合的方式对数据进行处理,以得到井下环境特征。仿真结果表明,基于BP神经网络数据融合的瓦斯监测系统具有较高的测量精度,极大地提高了数据采集的可靠性、全面性和有效性。     

火灾探测的模糊神经网络数据融合算法

为提高火灾报警系统的正确率,提出一种多传感器火灾探测系统的数据融合算法.采用模糊神经网络建立了数据融合决策模型,并用改进的BP算法对网络进行学习和训练,自动调整模糊系统参数.根据国家标准试验火数据进行网络训练,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.与其他方法探测结果进行比较,体现了所设计的算法的优越性.     

数据融合技术在智能建筑火灾探测中的应用研究

针对目前智能建筑火灾探测的复杂性,采用离子感烟探测器、光电感烟探测器、温度探测器、火焰探测器来探测复杂的火灾场地,使用BP神经网络和基于D-S证据理论的多传感器数据融合技术对探测到的数据进行处理和仿真。从仿真结果可以看出,数据融合技术能提高火灾识别率,降低火灾误报率     

正态分布的贝叶斯网络火灾数据融合预警研究

近年来,WSN网络应用趋向于网内节点数量增多、模块功能多样、应用环境复杂,由此基于WSN的火灾监测预警系统容易因节点故障出现数据融合异常的现象.为提高火灾数据融合精度,本文引入高斯模型,通过对不同节点间同类信息融合形成的熵值,表示融合结果的不确定性,以鉴定融合效果.由此推理出了一种正态分布的贝叶斯网络算法.在仿真实验中,将3种常用火灾传感器探测信息融合,分析改进后的静态、动态贝叶斯网络特点.用FDS平台模拟火灾场景,实验得到探测信息离散区间与发生率.再以BayesiaLab计算输出节点的条件概率.最后通过VisualC 离散化选取探测阈值下限的判定依据,实现全网信息融合,作出正确、快速的报警反应.     

基于多传感器大轴径测量系统的特征层数据融合

根据大轴径高精度测量要求,采用三组滚轮的多传感器同时对大轴径进行测量,将多传感器数据融合技术应用于大轴径测量系统中;数据融合方法可以避免单一传感器的局限性,充分利用不同时间和空间的测量数据信息,大大提高测量系统的性能和效率;建立了大轴径测量系统的数据融合系统模型,提出了将BP神经网络应用于大轴径测量系统的特征层数据融合,并进行了融合系统的仿真实验;研究结果表明,该方法能得到准确的测量结果,达到了系统对测试精度的要求.     

基于多传感器数据融合的智能机器人设计

提出一种基于多传感器数据融合技术的智能机器人系统设计，介绍了系统所选用的激光、超声、红外、光敏等传感器的类型．阐述了系统的硬件结构与软件设计及D—S数据融合算法。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制（GPC）相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络“黑箱”的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。     

基于符号神经网络的数据溶合系统的研究

本文介绍一种把多个神经网络和符号推理结合在一起用于移动式机器人多传感器数据溶合的新技术。用该技术实现的系统不仅能够准确定位，而且可以增强机器人的应变能力。