基于数据融合和挖掘技术的航海避碰决策系统

介绍了数据融合和数据挖掘技术,并把该技术应用于航海避碰决策系统中.建立了航海避碰决策系统的数据融合和数据挖掘综合处理的模型,并将基于多知识库的数据挖掘与信息融合技术与模糊神经网络数据挖掘技术相结合,利用模糊推理、神经网络技术和D-S证据理论实现目标识别,从而得到对于各目标类型的最终认识.     

航海避碰专家系统的设计与实现

介绍了航海避碰专家系统的设计与实现．该系统把产生式规则和面向对象的知识表示方法相结合，构造出系统的知识库，并相应地采用了基于消息驱动的双向推理技术，求出最佳避让行动方案．其中设计并实现了海图矢量搜索算法，以使系统不仅能避让动态目标船，而且还能避让各种危险的静态目标     

AIS技术在船舶碰避自动化中的应用

航海技术的发展使得碰避自动化也实现了同步提升,而在碰避自动化的研究中,需要加强对新航海技术的运用,切实提升碰避自动化的整体水平.本文从航海自动化的构成和碰避自动化的发展现状入手,分析了新航海技术不断发展的背景下对船舶碰避自动化的影响,指出传统碰避措施的缺陷,提出了应用AIS技术实现船舶碰避自动化的具体运用方法.     

结构健康监测中的数据融合技术

目的为了充分利用大型结构健康监测系统中来自不同时间与空间的多传感器信息资源，获得被测对象的一致性决策和估计任务。进而提高确诊率．方法从多传感器数据融合的概念、基本原理出发，探讨了数据融合技术在结构健康监测与诊断中应用的可行性，重点研究了基于人工智能的数据融合技术在结构健康监测及诊断中的应用方法．结果提出了小波概率神经网络数据融合损伤检测技术及其在结构损伤检测中的应用．结论基于多传感器数据融合的健康监测与诊断是可行的、有效的．     

基于BP神经网络控制的多机器人运动规划（1）

对多个机器人在简单环境中的运动的研究，利用多机器人控制的神经网络模型，将BP神经网络应用于机器人与障碍物，机器人与机器人之间的避碰行为控制，对机器人进行的行为设计．讨论了机器人训练神经网络及运动规划．实验结果表明了该方法的有效性。     

机器人避开多随机障碍物的路径规划遗传算法

针对当前路径规划中存在的诸多问题,提出了基于遗传算法的机器人避开多随机障碍物的路径规划方法。首先提出障碍物环境的神经网络模型,并利用该模型建立机器人动态避碰路径与神经网络输出的关系,将需规划路径的二维编码简化成一维编码,并把动态避碰要求和最短路径要求以及边界约束条件融合成一个适应度函数。通过对该算法进行实验仿真,证明该方法具有良好的动态避障性能,是有效和正确的。     

连续动作强化学习及其在机器人中的应用研究

讨论了连续动作的强化学习系统实现及学习方法。首先介绍了连续动作的强化学习系统的组成原理,讨论了采用神经网络实现强化学习系统的方法,然后,介绍了强化学习机制在智能机器人避碰行为学习系统中的应用,并给出了系统的仿真结果。仿真结果表明机器人具有较好的避碰能力。     

大数据助推高校决策能力现代化：时代契机、现实问题与实践方略

大数据作为一种治理资源和技术范式为高校决策提供了全新的视角和思维模型，为推动高校决策能力与决策体系的转型升级创造了条件。与此同时，高校决策主体、决策系统的运行以及决策流程所存在的罅隙与问题是大数据技术嵌入高校决策体系的掣肘因素。因此，在实践中需要根植高校决策者的数据思维，提升决策主体的数据素养；破除高校决策制度障碍，赋能扁平化组织系统；建构数据驱动决策模型，提升决策效能；强化高校数据挖掘能力，规范数据质量标准；构筑数据融合治理生态，促进决策的民主，从而推进高校决策能力的现代化。     

基于规则法的水下避碰专家系统

针对复杂环境中船舶实现自动避碰问题,设计了一种基于规则法的智能型专家系统,即水下避碰专家系统．该系统具有多元分层知识库体系结构,采用框架式知识表示方式,实现了水下避碰知识的表示、存储,避免了传统专家系统的“窄台阶”问题．应用模糊理论,分别建立了针对水下静止目标和运动目标的碰撞危险度模型,实现了定性推理与定量计算的结合．给出了水下会遇态势分类模型,总结了水下常见的多种会遇态势．结合所建立的系统模型给出水下多目标避碰仿真示例．仿真实验结果表明,系统能对各种水下避碰情况及时给出正确的避让方案．     

基于WPNN与数据融合的损伤检测方法

目的 为了有效利用结构健康监测系统中的多源传感器数据信息，对复杂结构的健康状况进行诊断进而提高确诊率．方法 利用概率神经网络(PNN)的贝叶斯推理与诊断能力及多传感器数据融合原理，将神经网络与数据融合有机结合，使两者优势互补，提出了复杂结构损伤检测技术及其在多层框架结构中损伤检测及诊断中的应用．结果 提出了基于小波概率神经网络(WPNN)与数据融合的损伤检测方法．结论 基于WPNN与数据融合的损伤检测方法是可行的、有效的．     

一种挖掘概念漂移数据流的模糊积分集成分类方法

针对隐含概念漂移和噪声的数据流,提出一种基于模糊积分融合的数据流分类方法(fuzzy integral ensemble classifiers for mining data streams, FI-MDS)。将模糊积分融合方法与集成综合技术有效结合起来,首先通过基分类器对识别样例进行分类得到决策剖面,然后再用模糊积分融合方法得到最终的分类结果,同时引入动态权值更新以提高算法的适应性。实验结果表明,与传统的数据流分类算法相比,该方法提高了概念漂移的检测精度,有效地解决了数据流中复杂分类问题,具有良好的分类性和健壮性。     

数据挖掘在员工考评管理信息系统中的应用

针对企业员工综合考评管理信息系统的设计需求,提出了一种基于RBF径向基神经网络的数据挖掘方法,着重讲述了该挖掘方法的构造方案及其在员工考评管理信息系统中的应用。方案首先对员工＂德能勤绩＂数据仓库进行提炼,抽取形成考评数据挖掘库,然后应用RBF神经网络从大量的员工数据中挖掘有用信息,实现对员工的考评细分,为企业的管理决策提供有力支持。实际应用情况表明了方案的科学性和有效性。     

基于神经网络数据融合技术的诊断系统的研究

神经网络数据融合技术的诊断系统是以电机振动信号和电流、电压信号为研究对象的,对采集到的3类信号进行实时处理,运用神经网络对数据进行局部诊断,再利用数据融合技术对故障信号进行全局分析融合,从而达到对电机故障类型的准确判断。通过运行表明,应用在故障诊断中的神经网络数据融合技术是一种故障识别率高、方便灵活而且诊断精度高的故障诊断方法。     

基于多传感器数据融合的加工质量预测技术

多传感器数据融合技术已受到广泛关注．它的理论和方法已被应用到许多研究领域。基于多传感器数据融合技术,通过分析影响加工质量的多种因素．综合考虑铣削过程主轴电机电流信号、工件振动信号、主轴转速、进给速度、切削深度、切削宽度、顺,逆铣及刀具直径8种因素。以这8种因素作为神经网络输人,进行信息融合,以加工尺寸误差作为目标输出,建立了RBF神经网络加工尺寸误差智能预测模型。     

数据挖掘算法的一种实现方法

从数据挖掘和数据仓库的基本概念入手 ,简要介绍了数据挖掘和数据仓库的特点和其研究的现实意义。然后介绍了模糊理论 ,由于模糊理论贴近于人们的自然思维习惯 ,所以 ,可把它应用到数据挖掘中 ,这样更加有利于解决现实问题 ,更好地在数据仓库中实现信息的挖掘。并且 ,以一个商品查询系统为例 ,对基于模糊理论的数据仓库中数据挖掘的算法给出了其实现方法。结果证明这是可行的 ,并具有一定的现实意义。     

基于神经网络融合的目标识别技术研究

采用人工神经网络和数据融合技术设计了一种图像识别分类器.采用单层感知机网络、BP网络、径向基网络对汽车目标的特征数据进行识别,最后分别运用多数投票、平均Bayes、专家委员会三种融合算法把对各网络识别结果进行融合,得出最终判别结果.仿真结果证明了融合分类器用于图像目标识别/分类的有效性和可行性.     

基于数据融合的日光温室传感器布设

针对北方日光温室内环境监测传感器的布设问题,设计了基于神经网络、分批估计理论与自适应加权平均融合算法的日光温室传感器布设方案.利用11个监测点采集到的温室内西红柿生长环境温度和湿度数据,在运用BP神经网络进行缺失值补全的基础上,结合分批估计理论和自适应加权平均融合算法进行多传感器数据融合.通过对比融合值与原始数据的相对误差,选择最佳传感器数据,以此为基础确定最优传感器布设区域.结果表明,相对于算数平均融合与自适应加权平均融合,基于分批估计的自适应加权平均融合方法可以更合理地反应多传感器数据特征.     

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.     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

CFNN在多传感器图像数据融合中的应用

提出一种补偿模糊理论和神经网络的混合系统(CFNN),并将其应用于多传感器数据融合,力图以此提高多传感器图像数据融合算法的性能.CFNN混合系统引入了模糊神经元,使网络既能适当调整输入、输出模糊隶属函数,又能借助于补偿逻辑算法动态地优化模糊推理,大大提高了网络的容错性、稳定性和训练速度.文中介绍了图像数据融合的数学模型,并详细阐述了CFNN图像数据融合算法.仿真实验证明,CFNN图像融合算法能显著提高图像数据融合质量.