决策融合算法在车辆类型判断中的应用

文章以运动目标分类为例,介绍了在无线传感网络中利用信息决策融合对两种车辆进行分类的过程.在单节点上采用最大似然分类器,并通过多节点的贝叶斯决策融合,然后对原有融合算法改进,在融合中加入了距离的影响.并利用真实的两种车辆的测试集数据进行实验,观察融合结果.实验表明,融合的结果与训练数据的数量有关,多节点的融合结果比单个节点的精确,并且加入距离信息后可以提高类型识别正确率.     

基于高斯隶属度的融合算法在改进Leach中的应用

无线传感器网络中节点采集的数据具有较高的冗余度,对数据进行融合处理后再传送到汇聚节点,能有效地降低能量消耗,延长网络生命周期.设计了一种基于高斯隶属函数的数据融合算法,并改进无线传感网络Leach协议,对传感器节点进行二级分簇,多跳通信延长网络生命周期.在一级簇头节点依据分布图法剔除疏失数据,进而利用高斯隶属函数求得权...     

D-S改进算法在数据融合中的应用

作为一种重要的处理不确定性问题的方法,D-S证据推理理论目前已经广泛应用于各种数据融合系统中。详细阐述了D-S证据理论的相关理论和证据组合原理;针对D-S证据理论存在的缺陷和不足,介绍了一种改进的证据组合方法;通过实例证明,该改进方法能够用于组合冲突比较大的多个证据,并提高融合的性能和可靠性。     

数据融合处理算法在ZigBee中的应用

在标准ZigBee协议中没有设计相关的数据融合规范,使其只能用在低数据冗余的应用场合。针对大规模网络,网络中的数据冗余度很大,网络中的数据冗余会引起节点频繁地争抢信道,网络时延增加甚至出现网络瘫痪。为了解决这个问题提出了两层数据融合方法：第一层设计了终端节点到路由节点之间的统计融合,第二层设计了路由节点到网关的神经网络数据融合。实验证明,数据融合有利于降低数据冗余、改善查询效率、降低能量消耗,也使ZigBee协议适合高数据冗余的应用场合。     

蚁群算法在传感器网络数据融合中的应用

研究无线传感器网络数据融合优化问题,采集数据过程节点间存在大量的冗余数据,需对数据进行融合,提高数据传输效率。为了更好地消除冗余数据,提出一种采用蚁群算法的传感器网络数据融合方法。通过建立传感器数据的传输初始路由,再用蚁群算法找到最佳数据路由,即数据传输最优传感器节点序列,从而实现数据融合。仿真结果表明,蚁群算法能够有效消除冗余数据,减少网络中数据传输量,降低传感器节点能量消耗,延长整个网络的寿命。     

基于云计算平台的CO2空间数据融合算法

为了对移动传感器网络采集到的时间、空间不确定的海量CO2浓度数据进行融合,首先对采集的CO2数据进行分析,把测试区域分成m×n个网格,分析从每个网格取一个有效值来表示CO2浓度分布。然后根据云计算强大的计算能力,提出组合云模型,设计普通云、繁殖云、视觉云和邻接云,以云内相对独立运行和云间相互作用形成分布式并行计算机制。接着改造蚁群家族,设计普通蚂蚁、繁殖蚂蚁、视觉蚂蚁和邻接蚂蚁。各类蚂蚁分配到不同的云朵中,并按自身的规则运行,各类蚂蚁彼此配合工作,实现信息素和最优解在云内部局部交换和通过云服务器在云朵之间全局交换相结合。最后模拟生成有关临安的11080个数据,利用Clounding V2模拟平台进行大量实验,实验表明算法在105次寻优后基本趋于稳定,寻优能力是单机算法的60倍左右,并且普通云、繁殖云、视觉云和邻接云中的蚂蚁数量比设为2∶2∶1∶1性能表现出最佳。     

信息融合在遥感图像识别中的应用

利用新发展起来的交叉科学－信息融合理论和方法改善多光谱遥感图象的处理和识别的精度是一个很好的途径。针对遥感识别的要求,提出了数据融合与图象分析结合的处理模式。并着重讨论了扩展统计融合法的理论和方法在遥感图像中目标识别中的应用,实验表明该方法是有效的,获得了较经典方法更好的结果。     

数据可视化在温度场模拟中的应用

针对当前铸造软件温度场饪拟中存在的问题,提出了温度场模拟可视化研究的必要性与迫切性;利用双线程结构将温度场模拟与数据可视化分开,实现数值计算与数据可视化的同步。开发了温度场模拟可视化组件,该组件也可应用于流场充型过程模拟。数据可视化技术在温度场模拟中的应用有效地提高温度场模拟过程的透明度和实时交互性,从而优化了铸造工艺及其参数。     

航迹融合算法在多传感器融合中的应用

研究寻的制导优化控制问题,针对传统单一传感器导引不能满足性能要求,提出采用多传感器复合制导.航迹融合是多传感器数据融合中一个非常重要的方面.由于公共过程噪声的原因,使在应用状态估计融合系统中,来自不同传感器的航迹估计误差未必有独立性,为了使航迹与航迹关联和融合,提出自适应航迹和协方差加权航迹融合的算法.通过仿真研究说明自适应航迹融合和协方差加权航迹融合的算法对多传感器数据融合技术有很明显的作用,数据融合效果好,为复合寻的制导优化设计提供了依据.     

模糊数据融合算法在煤矿安全系统中的应用

采用多传感器对煤矿井内的温度和通风量进行监测,基于模糊系统理论,提出一种应用多传感器模糊数据融合的融合检测方法,将多个传感器所获取的信息模糊化,经过融合中心的合成运算和决策规则,获取矿井温度和通风量状态的精确估计。     

多传感器数据融合在Lonworks总线下的实现

介绍了分布式多传感器数据融合理论，主要包括：分站预决策和融合方法，融合后误警概率和检测概率的算法，以智能小区中火灾报警为对象，研究了如何在Lonworks总线下用Neuron芯片对数据进行压缩，传输和融合，最后对分布式多传感器融合的结果和单一传感器的结果进行了比较。     

基于最小二乘法的冗余信息数据融合算法实现

为了有效融合多传感器冗余系统量测信息,使状态的估计值更接近于状态的真实值,实现高精度和高可靠性的状态估计,采取了基于最优加权的最小二乘算法、有限窗加权的最小二乘算法和自学习加权最小二乘算法,分别对多传感器实测数据进行融合处理,融合后数据的方差大幅度降低,估计精度显著提高。并与传统的最小二乘算法进行了仿真对比,结果表明,这3种方法较最小二乘算法融合精度更高,其中,自学习加权的最小二乘融合算法既考虑了历史数据的作用,又考虑了环境噪声和新的采样值的影响,增强了对噪声检测的敏感性,估计效果较好。     

多传感器数据融合技术及其应用

多传感器数据融合技术是一门新兴前沿技术。近年来,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。主要论述了多传感器数据融合的基本概念、工作原理、数据融合特点与结构、数据融合方法及其应用领域,并总结了当前数据融合研究中存在的主要问题及其发展趋势。     

多来源数据的概率融合方法

在数据融合过程中，针对数据来源相互独立，而数据融合目的是要对研究对象进行总体类型判别的问题，通过对数据获取过程的统计分析，给出了一种建立在极大似然思想基础上的概率融合方法，该方法较好地解决了当测量数据具有不同特征时，数据所含信息的融合问题，并且具有计算简便的特点。     

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.     

基于QDPSO-BP网络的多传感器融合算法

多传感器数据融合的理论和方法已经被应用到许多领域。但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。基于量子空间的粒子群(QDPSO)算法训练的BP神经网络具有较好的稳定性和收敛性,将其运用于多传感器的数据融合,在仿真中取得了比常规算法更高的精度,控制策略制定准确、可靠,是一种较有潜力的多传感器数据融合方法。     

一种数据融合算法评估平台

传感器的多样性、战场环境的复杂性给数据融合算法的选择带来了困难,针对这种情况,介绍了一种多传感器数据融合算法测试平台,对融合算法进行了定量分析评估,为融合算法的选择使用提供了一种参考。     

Simulation and sensor data fusion for machine learning application

The performance of machine learning algorithms depends to a large extent on the amount and the quality of data available for training. Simulations are most often used as test-beds for assessing the performance of trained models on simulated environment before deployment in real-world. They can also be used for data annotation, i.e, assigning labels to observed data, providing thus background knowledge for domain experts. We want to integrate this knowledge into the machine learning process and, at the same time, use the simulation as an additional data source. Therefore, we present a framework that allows for the combination of real-world observations and simulation data at two levels, namely the data or the model level. At the data level, observations and simulation data are integrated to form an enriched data set for learning. At the model level, the models learned from observed and simulated data separately are combined using an ensemble technique. Based on the trade-off between model bias and variance, an automatic selection of the appropriate fusion level is proposed. Our framework is validated using two case studies of very different types. The first is an industry 4.0 use case consisting of monitoring a milling process in real-time. The second is an application in astroparticle physics for background suppression.     

数据融合在车牌字符识别中的应用

将D-S证据理论引入车牌字符识别,结合神经网络容错能力强、能够自适应学习等优点,对待识别字符进行统计和结构等多方面的特征提取后,分别经过神经网络分类器得到相应的结果,并应用D-S证据理论对各种结果进行数据融合,从而实现了字符各方面特征的优势互补,进一步提高了字符识别的成功率。     

基于多速率传感器数据融合技术的最小二乘估计

将多速率传感器数据融合技术与传统最小二乘估计方法相结合,可以得到一种基于多速率传感器数据融合技术的最小二乘估计新方法。它通过有效地融合各个传感器的观测数据,最终获得了基于全局测量信息的在极小化估计误差方差的迹的准则下最优的无偏参数估计结果。针对具体应用实例,计算机仿真不仅说明了这种方法的实用性,而且进一步验证了其有效性。