融合SVM与BMPM的网络异常检测方法

为了解决传统网络异常检测方法中存在虚警率高等问题,提出了一种基于BP人工神经网络融合两种分类器SVM与BMPM的分布式网络异常检测模型及其融合方法。由于SVM和BMPM算法在同一种网络攻击类型上检测精度不同,通过采用BP人工神经网络吸取二者的优点,建立一个融合的异常检测模型,并在KDD99数据集上对该模型进行验证。实验结果表明,该异常检测模型可以明显降低网络异常检测的虚警率,并提高检测精度。     

粒子群优化SVM在气体定量分析中的应用

针对机动车尾气排放CO气体的定量分析中,支持向量机建模的参数难以确定、光谱数据计算量过大等问题,提出了一种自适应变异粒子群优化的支持向量机方法,对浓度范围在0.5%~8%的20组不同浓度的CO气体进行定量分析。通过对汽车尾气中CO气体的初始数据进行优化,再将优化的核函数带入支持向量机进行浓度的回归分析,将结果与BP神经网络模型回归效果作对比,实验表明：粒子群寻优得到的最优参数c=39.3152,g=0.17855;BP神经网络的适应度值在迭代60次之后趋于稳定,SVM建模时间约为BP网络的1/30,且SVM预测精度明显高于BP网络。相比与BP网络,SVM更适合处理气体定量分析问题。     

支持向量机与证据理论在信息融合中的结合

在多传感器信息融合中,DS证据理论是一种重要方法,但是它的基石基本概率分配(BPA)一般不易确定,从而使它的优势难以得到发挥。支持向量机(SVM)是建立在统计学习理论之上的一种新型学习算法,但SVM的硬判决输出却不便于进行多传感器信息融合。为便于信息融合,本文提出了一种具有BPA输出的二类SVM,通过分析Platt概率输出模型的实质与不足提出利用SVM精度下限对其进行加权处理来得到证据理论的BPA方法,实现了SVM与DS证据理论在信息融合中的结合。仿真结果表明通过本文方法可以实现多传感器的信息融合并大大降低了融合识别的误差率。     

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。     

基于SVM的多Agent信息融合算法

支持向量机(SVM)是一种基于结构风险最小化原理、具有很高泛化性能的学习算法,为小样本、非线性、高维数一类信息融合问题的建模提供了一种有效的途径.本文将Mobile Agent运用到信息融合系统中,对信息融合系统中原有OODA模型进行改进,提出了一种基于SVM的Mobile Agent信息融合模型及算法.相关实验表明,本文中的训练算法可达到更为满意的分类效果,并且可以得到较高的分类精度.     

不等精度数据融合的最优权值与参数估计方法

对测量数据进行融合处理是提高数据处理精度的一个十分有效的方法。本文使用引入加权因子的方法,对不等精度测量数据融合处理的最优加权与参数估计的问题进行了研究。对于线性回归模型,从理论上证明了,最优融合权值由数据的精度唯一确定,这与经典的Gauss-Markov定理是一致的;对于非线性回归模型,在理论上获得了最优融合权值的计算方法,给出了实际数据融合处理的最优权值与参数估计算法,并且证明了非线性模型的不等精度数据融合的最优权值,不但与数据本身精度相关联,而且与模型的结构、模型的导数相关联,则在此时经典Gauss-Markov定理不再成立。通过算例进行对比验证,证明了所提方法的有效性。     

多传感器信息融合Wiener滤波器和平滑器

应用现代时间序列分析方法,基于ARMA新息模型和增广状态空间模型,应用标量加权最优融合准则,对于带白色和有色观测噪声的ARMA信号,提出了多传感器分布式最优信息融合Wiener滤波器和平滑器,其中给出了计算局部平滑误差方差和互协方差的计算公式,它们可被用于计算最优加权系数。同单传感器情形相比,可提高平滑器的精度。一个三传感器目标跟踪系统的仿真例子说明其有效性。     

基于多模型航迹质量的融合算法

如何确定最优加权因子是加权航迹融合算法中一个值得深入研究的问题。通过提出多模型航迹质量(Track Quality with Multiple Model, TQMM)的概念,并给出一种带信息反馈的加权航迹融合算法,来解决多传感器跟踪同一目标时的权值最优分配问题。系统引入反馈机制,利用多模型航迹质量确定权值,能够精确地更新权值,从而实时有效地进行目标跟踪。仿真结果表明,与已有的加权融合算法相比,该算法具有更好的跟踪性能,特别是在融合系统传感器观测精度相差较大的情况下,算法的跟踪效果更为突出;并且,随着传感器数目的增加,系统的跟踪精度逐步提高,但当传感器增加到一定数目时,系统的融合精度并没有得到明显的改善。     

基于多模型数据融合算法的木材干燥过程建模

提出了一种适合木材干燥过程建模的多模型数据融合算法,通过该方法构建了数据融合模型。分别用BP神经网络和动态递归网络建立了木材干燥基准模型,利用自适应加权算法对两模型输出进行融合,通过实验干燥数据仿真表明:融合后的木材含水率预测值的方差为0.125 3,高于任何一个单独模型的预测精度。     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著;从传感器信息融合的角度看,神经网络就是一个融合系统;通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求.     

New approach to information fusion steady-state Kalman filtering

By the modern time series analysis method, based on the autoregressive moving average (ARMA) innovation model, a unified and general information fusion steady-state Kalman filtering approach is presented for the general multisensor systems with different local dynamic models and correlated noises. It can handle the filtering, smoothing, and prediction fusion problems for state or signal. The optimal fusion rule weighted by matrices is re-derived as a weighted least squares (WLS) fuser, and is reviewed. An optimal fusion rule weighted by diagonal matrices is presented, which is equivalent to the optimal fusion rule weighted by scalars for components, and it realizes a decoupled fusion. The new algorithms of the steady-state Kalman estimator gains are presented. In order to compute the optimal weights, the formulas of computing the cross-covariances among local estimation errors by Lyapunov equations are presented. The exponential convergence of the iterative solution of Lyapunov equation is proved. It is proved that the optimal fusion estimators under three weighted fusion rules are locally optimal, but are globally suboptimal. The proposed steady-state Kalman fusers can reduce the on-line computational burden, and are suitable for real-time applications. A simulation example for the 3-sensor steady-state Kalman tracking fusion estimators shows their effectiveness and correctness, and gives the accuracy comparison of the fusion rules.     

标量及对角阵加权的序贯估计融合算法研究

针对多传感器分布式估计融合系统,在最小化估计误差的协方差矩阵迹的准则下,采用标量加权及对角阵加权融合方法,提出了估计误差相关条件下的序贯处理式最优估计融合Kalman滤波器。该融合滤波器以两传感器估计融合算法为基础,对传感器采集信息依次进行融合计算,得到多传感器融合结果。比较两种算法与局部滤波器的估计精度,并进行了仿真。仿真结果表明了基于加权估计融合的序贯处理算法的可行性和有效性。     

运用异质传感器信息融合的移动机器人自定位

采用单类、单一传感器很难获得移动机器人的准确定位.为此,运用异质传感器信息融合来提高定位精度.首先,建立机器人运动方程和CCD摄像机观测模型.然后,利用扩展卡尔曼滤波器进行状态估计,选择Q,R矩阵抑制系统的模型噪声和量测噪声,并实现移动机器人的自定位.接着,建立超声波传感器的观测模型,获得机器人的自定位信息.最后,运用BP神经网络,将两种自定位信息进行融合,实现两类传感器的优缺点互补.仿真实验表明,运用异质传感器信息融合能明显地提高移动机器人的自定位精度.     

基于Kalman滤波的自回归滑动平均信号信息融合Wiener滤波器

应用Kalman滤波方法,在按矩阵加权线性最小方差最优信息融合规则下,提出了带白色观测噪声的多通道ARMA信号的多传感器信息融合Wiener滤波器.它可统一处理信息融合滤波、平滑和预报问题.为了计算最优加权阵,提出了计算局部滤波误差互协方差阵的公式.同单传感器情形相比,可提高估计精度.一个带三传感器的目标跟踪系统的仿真例子说明了其有效性.     

神经网络集成融合模型研究及应用

针对专家系统等单一模型解决发动机故障诊断存在的算法复杂度高、诊断准确率低等问题，提出了BP神经网络集成与DS证据推理相融合的神经集成融合模型，不仅实现了发动机不同部位的专家经验与实际观测数据的特征级融合，还实现了多个模型的优势互补。通过对该方法和传统的专家系统方法比较得出，神经网络集成融合方法提高了7.1%的诊断准确率。     

基于非分离小波的多模态医学图像融合算法*

针对传统可分离小波医学图像融合过程中存在部分边缘丢失和纹理信息模糊的问题,根据CT/MRI图像内容的互补性,提出整合及突出图像细节的医学图像融合算法。该算法在非分离小波分解框架下,对反映图像近似内容的低频分量采用区域信息熵加权融合规则,对反映图像细节特征的高频分量提出了区域亮度细节占优加权的融合规则;最后通过非分离小波逆变换重构融合图像。实验结果表明,该算法能在保留源图像信息的情况下增强融合图像的细节及亮度信息。     

基于Riccati方程的自校正解耦融合Kalman滤波器

对于带未知噪声方差的多传感器系统,用相关方法给出了噪声方差的在线估值器,进而基于Riccati方程和按分量标量加权最优融合规则,提出了自校正分量解耦信息融合Kalman滤波器.用动态误差系统分析方法证明了自校正融合Kalman滤波器按实现收敛于最优融合Kalman滤波器,因而具有渐近最优性.一个3传感器跟踪系统的仿真例子说明了其有效性.     

一种权系数两级自调整的融合定位精度提高方法

在分布式传感器网络节点定位技术中,使用数据融合方法以提高探测系统的检测与定位精度正成为研究的热点。提出了一种应用于分布式传感器网络中的数据融合定位算法,通过对各个传感器节点的定位信息的加权求和来进行数据融合,用来提高探测系统目标定位的精度。该算法采用两级自适应调整得到最优加权因子,首先利用线性最小均方差（LMSE）算法得到权系数的初始值,然后利用训练节点和递归最小二乘（RLS）算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真,仿真结果表明：相比单节点定位,提出的融合算法的定位精度有约1—2个数量级的提高。