无线充电体域网基于边际效用的网络资源分配方法

射频能量采集技术可以从根本上解决电池容量对无线体域网生存期的限制,为了提高网络资源分配的效率以及公平性,提出一种基于边际效用理论的网络资源分配方法。首先,设计传感器节点的效用函数,将节点所能获得的吞吐量映射成QoS满意的等级;然后,以最大化网络中全部传感器节点整体效用为目标,将多高效、公平的网络资源分配问题构建成效用最大化问题;最后,通过对偶分解方法求得该问题的最优解。仿真结果表明,与总吞吐量最大化和sigmoid效用最大化方法相比,所提出的方法在获得较高系统整体吞吐量的同时,确保了传感器节点个体获得吞吐量的公平性。     

基于WSN的数据融合在水质监测中的研究

多传感器数据融合是一种数据处理方法,可以对来自多个传感器的数据进行多方面、多层次的处理,从而产生更有意义的信息,而这种信息是单一传感器难以获得的。通过在水质监测应用背景下研究基于WSN的数据融合,提出了一种针对水质监测的两级数据融合模型：处理传感器所采集到的监测数据时,对于同类型的数据采用自适应加权理论进行第一级数据融合;对于不同类型的数据采用模糊综合评价理论进行第二级数据融合。对巢湖流域水样监测的实验结果表明,这种采用自适应加权理论和模糊综合评价理论相结合的数据融合模型,能够有效降低监测网络的数据传输量,降低监测数据的误差,提高水质状态监测的可信度。     

基于证据理论和混淆矩阵的传感器可靠性评估

在信息融合系统中,各传感器提供的信息不一定完全可靠,在融合前有必要对传感器的可靠性进行评估,进而对其提供的信息进行预处理。基于证据理论,在传感器混淆矩阵的基础上定义了后验概率向量,通过分析后验概率向量与传感器输出证据之间的关系对传感器可靠性进行评估;然后利用传感器的可靠性因子对证据进行折扣运算,实现对信息的预处理;最后利用Dempster组合规则进行融合。基于证据理论的融合识别算例表明,所提出的方法综合利用了传感器的先验信息和动态输出,可以较好地反映传感器的性能,并能够有效降低可靠性传感器的影响,具有较好的融合效果。     

数据融合技术中Dempster-Shafer证据理论的应用

介绍了多传感器数据融合技术中的Dempster-Shafer证据理论法的应用.多传感器系统中包括声传感器、振动传感器、磁传感器和红外传感器.此系统对同类、异类传感器的信号采集、预处理,及数据的预处理结果用概率的形式表示,数据融合在此多传感器系统中的作用是采用Dempster-Sharer证据理论法进行融合,利用多传感器的互补与冗余信息,提高整个传感器系统的有效性.     

证据理论应用于多传感器融合不确定性分析

对多传感器数据融合中的不确定性,采用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论作为基本工具进行了分析研究,并针对该理论的不足采用了修正的合成规则,通过实例运算表明该方法能够对传感器所提供的不一致证据进行纵使,并使组合结果更加直观。     

多传感器信息融合基本原理及应用

全面系统地阐述了多传感器信息融合技术的信息融合理论、模型、算法和应用,并对目前信息融合在机器人、故障诊断、图像处理等领域的应用现状进行了剖析。信息融合技术虽然发展迅速。但由于信息融合技术理论尚待完善,在融合算法、融合模型以及关联的二义性等方面还存在问题。信息融合理论在多传感器分布检测、异类多传感器融合以及建立信息融合数据库和知识库等方面将有进一步发展。     

基于证据理论的多传感器加权融合

多传感器数据融合多基于证据理论进行加权,但识别框架确定和基本可信度分配是关键.本文简述了证据理论并分析了总均方误差最小意义下加权融合的缺点,在引入抽象传感器的基础上,根据M函数的区间覆盖次数进行基本可信度分配,确定对历史数据和各个传感器的支持度,然后进行加权融合.仿真表明,这种基于证据理论的多传感器加权融合方法只需要很少的先验信息,但具有较好的融合效果和鲁棒性.     

基于模糊集合的证据理论信息融合方法

针对证据理论应用中基本概率分配函数(mass函数)和多传感器信息融合中各传感器测量数据的可靠程度均难以确定的问题,提出了一种基于模糊集合的证据理论信息融合方法.该方法首先利用模糊理论中的相关性函数来计算多传感器的相互支持程度;然后由隶属函数得到每个传感器提供信息的可信度;再将各传感器的支持度和可信度转化成基本概率分配函数即mass函数;最后利用证据理论对多传感器信息进行融合.仿真结果表明,该方法获得的结果具有更高的精度和可靠性.     

利用模糊推理的证据理论信息融合算法

证据理论具有比较强的理论基础,能处理随机性或模糊性所导致的不确定性。但证据理论应用中基本概率分配函数（mass函数）难以确定,针对这一问题,提出了一种基于模糊推理的证据理论信息融合算法。该方法利用模糊理论中的高斯隶属度函数来获得模糊观测下具有概率特性的似然函数,并且由此似然函数得到每个传感器提供信息的可信度;再将各传感器的可信度转化成基本概率赋值函数即mass函数;最后利用证据理论对多传感器信息进行融合。对目标识别的仿真试验表明该方法获得的结果比直接结果具有更高的精度和可靠性。     

用D-S证据理论实现多传感器信息融合的一种改进算法

阐述了基于D-S证据理论的多传感器信息融合算法,提供一种基于D-S理论的改进方法以解决融合信息的相关性问题.用滑觉和热觉传感器作实验,对该方法的有效性进行了验证.     

Optimal Selection of Uncertain Actions by Maximizing Expected Utility

A new means of action selection via utility fusion is introduced as an alternative to both sensor fusion and command fusion. Distributed asynchronous behaviors indicate the utility of various possible states and their associated uncertainty. A centralized arbiter then combines these utilities and probabilities to determine the optimal action based on the maximization of expected utility. The construction of a utility map allows the system being controlled to be modeled and compensated for; experimental results verify that this approach improves performance.     

A novel multimodal fusion network based on a joint-coding model for lane line segmentation

There has recently been growing interest in utilizing multimodal sensors to achieve robust lane line segmentation. In this paper, we introduce a novel multimodal fusion architecture from an information theory perspective, and demonstrate its practical utility using Light Detection and Ranging (LiDAR) camera fusion networks. In particular, we develop a multimodal fusion network as a joint coding model, where each single node, layer, and pipeline is represented as a communication channel, and forward propagation equates to information transmission in the channel. This enables us to qualitatively and quantitatively analyze the effect of different fusion approaches. We argue that an optimal fusion architecture is related to essential capacity and allocation based on the source and channel models. To test this multimodal fusion hypothesis, we progressively formulate a series of multimodal models based on our proposed fusion methods and evaluate them on benchmark KITTI and the A2D2 datasets. Our optimal fusion network achieves 85%+ lane line accuracy and 98.7%+ overall accuracy. We conclude that the performance gap with state-of-the-art models demonstrates the potential of our fusion architecture to serve as a new benchmark resource for the multimodal deep learning community.     

数据融合算法的评估

任何一项技术的进步与其评估技术的发展密切相关,数据融合技术也是一样;随着融合理论的发展,提出了多种融合算法,但是目前尚未形成一个普遍公认的算法评估体系和标准;针对这一问题,提出了一种融合算法评估方法,利用该方法对采用Bayes理论和D—S证据理论进行目标身份识别的结果进行了定量分析,结果证明该方法具有可行性,可以对融合算法进行定量评估。     

基于粗集理论的证据加权组合方法及其应用

对于证据理论中不同来源的证据具有不同的重要性,在信息融合过程中,若能把不同重要性的证据准确表达出来就可以提高融合精度.为此,提出了一种基于粗集理论的加权证据多源信息融合方法,在证据理论中引入证据权的概念,根据粗集理论和证据理论的基本关系,利用粗集理论进行不同信息源证据权的发现.应用柴油机状态评估实例进行验证,研究表明,该方法避免了传统证据理论的主观因素影响,能有效提高融合结果的准确性,并且融合过程更有逻辑性.     

一种改进的证据算法及其在信息融合中的应用

阐述了基于证据理论的信息融合算法,提供了一种证据理论的改进方法以解决D-S算法在实现过程中存在的失效问题.并通过多传感器信息融合实验,对该方法的有效性进行了验证.     

直觉模糊信息环境下考虑后悔规避的决策方法

针对属性值为直觉模糊信息、属性权重和自然状态发生概率完全未知的多属性决策问题,考虑决策者的心理行为,提出一种基于后悔理论和证据理论的多属性决策方法。该方法首先运用证据理论计算各自然状态发生的概率;然后基于得到的区间模糊矩阵、[t-]分布估计以及得分函数矩阵确定属性信息的效用值,进而依据后悔理论得到各种自然状态下的感知效用矩阵;通过加权算术平均计算综合感知效用矩阵,并依据方案综合感知效用的大小确定方案优劣排序。通过对游戏的选择开发实例验证提出的决策方法的可行性与有效性。     

D-S证据理论在多平台协同数据融合中的应用

为解决多平台协同数据融合问题,采用基于D-S证据理论的数据融合方法,分析了该理论在多平台协同数据融合中的应用原理,并将此方法运用于舰船类型的识别。通过MATLAB仿真计算对D-S方法在多平台协同数据融合和单平台数据融合中的应用进行了比较,验证了该理论在多平台协同数据融合中的有效性和实用性。     

基于D-S理论的多源水质监测数据融合处理

该文简要地论述了基于D-S理论的多传感器数据融合算法及融合结果的目标判定原则,并以水质监测数据为研究对象,对长江口区域水质状况进行评估实验,比较了融合前后的实验结果,分析存在的问题及相应的解决办法,论证了D-S理论用于水质监测数据融合处理的可行性。     

故障诊断的信息融合方法

对基于信息融合的故障诊断方法进行综述．首先简要阐述信息融合的基本概念以及信息融合与故障诊断的关系;然后介绍贝叶斯定理融合故障诊断、模糊融合故障诊断、证据理论融合故障诊断、神经网络融合故障诊断和集成信息融合故障诊断方法的诊断原理与步骤。并分析其特点和局限性;最后给出了信息融合故障诊断研究的若干发展方向．     

基于D-S证据理论的多平台协同数据融合

对D-S证据理论用于多平台协同数据融合进行了分析，提出了多平台协同数据融合的设计思想和结构，将其用于舰船类型的识别。通过MATLAB仿真，证明了多平台协同数据融合降低了识别结果的不确定性，比传统的单平台数据融合效果好，验证了这一理论在多平台协同数据融合中的有效性和正确性。