数据融合的方法及应用研究

介绍了数据融合的定义、融合层次、融合方法及其应用领域，特别是在军事上，机器人控制及图像处理上的应用。在此基础上，分析了数据融合的研究热点及发展趋势。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。     

多传感器信息融合方法综述

本文概述了在智能机器与系统领域多传感器信息融合的主要方法加权平均法,卡尔曼滤波法,贝叶斯估计,证据理论,产生式规则,模糊理论,神经网络及粗糙集理论,并指出了它们的不足及发展方向.     

基于信息融合的模式识别方法研究

将多特征多分类器的模式识别看作信息融合问题,提出了一种基于支持向量机理论的决策级信息融合模型,并讨论了基于该模型的识别精度以及学习样本数之间的关系.通过对ORL人脸图像库、CENPAMI手写体数字数据库这两类不同样本问题的识别实验表明,基于信息融合的模式识别方法可以取得较高的整体识别性能.     

多传感器信息融合在智能车中的应用研究

研究智能无人车采集的差异数据融合问题,提高融合后有效信息数量。针对智能无人车多传感器采集存在较大随机性,采集的信息在特征上存在较大差异,在后期融合过程中的差异容易造成信息冲突,导致有效信息丢失,融合后的有效数据量大幅减少。为了解决上述问题,提出一种自适应多传感数据信息融合算法,通过估计出数据信息的可融合程度,运用滤波技术提高其融合能力,增加融合后有效数据信息量。实验表明,该算法能够大幅提高多传感器差异信息融合率,增加有效信息数量,取得了不错的效果。     

一种多传感器数据融合方法及应用

多传感器信息融合方法是当今研究的关键技术，它产生于军事领域并得到极大的发展。运用这种高技术提高工业水平具有重大意义。基于此点提出一种多传感器数据融合方法，在统计意义下融合结果优于传统数字滤波方法，并应用于智能仪器仪表系统中。     

模糊神经网络信息融合方法在机器人避障中的应用

基于Takagi—Sugeno(T—S)模型的模糊神经网络不但具有模糊逻辑和神经网络两者的优点，又具有很好的学习能力。将基于T—S模型的模糊神经网络的信息融合算法应用在移动机器人的避障运动中，采用了多个超声测距传感器探测障碍物的距离和方向，经过模糊神经网络信息融合后，实现了机器人对障碍物和环境类型的识别以及无冲突的运动。实验表明：此方法能够使机器人安全避障。     

多传感器信息融合及在智能故障诊断中的应用

对多传感器信息融合进行了简要的综述,进而提出了信息融合的一般结构,结合智能故障诊断系统的特点,研究了基于信息融合技术的诊断系统结构。     

基于多传感器信息融合的控制系统研究

本文研究了多传感器组合系统的智能化数据融合方法。从数据处理算法、故障检测和系统可靠性等方面探讨了基于多传感器的控制系统,并提出了一种实用的数据处理算法和故障检测算法。     

自适应信息融合算法研究与应用

以组合导航系统为应用背景, 对基于自适应联合卡尔曼滤波的信息融合算法进行了研究, 将ARMA模型和自适应调节的信息分配因子应用于联合滤波中, 完成信息融合, 并以GPS/INS系统为例, 进行了半实物仿真, 结果表明, 该方法可有效抑制滤波发散, 并提高整个系统的精度和收敛速度.     

多传感器信息融合概述及其应用

多传感器数据融合广泛应用于自动目标识别、工业过程控制、遥感、医疗诊断、图像处理、模式识别等领域。介绍了多传感器信息融合技术的概念,对信息融合的算法进行了概述,提出了基于粗糙集理论的多源信息融合算法,最后对多传感器融合技术的研究动向进行了展望。     

基于信息融合的多智能体协作方法的研究与应用

将信息融合技术运用到多智能体系统中,利用信息融合方法对智能体得到的在空间上分布的其他智能体感知的局部信息进行融合,得到较完整的态势评估,以此来规划和协调多智能体系统的协作行为,提出了一种基于信息融合的多智能体协作方法。将该方法应用在机器人救援仿真系统中,结果表明该方法能够实现全局上的任务分解策略,有效提高了智能体协作能力。     

机器人多传感器信息融合研究综述

多传感器信息融合是一门新兴的技术,在机器人领域有着广阔的应用前景。综述并分析了多传感器信息融合技术在工业机器人、机器手爪、飞行机器人、移动机器人、爬行机器人和水下机器人中应用的研究现状,从机器人传感器的研制、融合算法、多传感器管理和信息融合仿生机理等方面总结了机器人多传感器信息融合的发展趋势。     

无线传感器网络节点分布式信息融合算法研究

节省能耗和延长网络寿命是无线传感器网络研究的核心课题之一,国内外在节点放置、路由策略方面有大量研究,通过密度控制、分级簇等路由算法减少数据冗余。通过信息融合算法减少有效数据传输量是延长网络节点寿命的有效途径,并就此进行具体研究,提出了三种典型的分布式信息融合算法,即系数加权融合、无反馈的Kalman融合滤波及有反馈的Kalman融合滤波,并对其在805.12.4/ZigBee温度测量网络应用层协议中进行实现,最后通过运算数据结果对三种算法进行了比较分析及有效性、局限性总结。     

RS-RBF信息融合在瓦斯监测中的应用研究

针对煤矿单传感器和低层次的多传感器数据处理的单一、不确定性较高的缺点,在对监测信息进行分析、处理、维数压缩后,利用基于粗糙集理论与神经网络相结合的多传感器信息融合技术实现对瓦斯灾害信息的特征提取。通过对瓦斯灾害的辨识分析,获得更准确、更可靠的瓦斯状态信息,极大地提高了瓦斯监测系统的性能,为获得瓦斯灾害变化的一般规律和准确、及时地发布预测信息提供先进的理论和技术支持。     

基于多传感器信息融合城市车辆导航定位

针对全球定位系统信号易受城市复杂的环境干扰,接收不可靠、航位推算只能进行短时间高精度导航、地图匹配仅可在拐弯处才能提供与地图精度相当的修正信息、城区车辆导航存在“盲区”问题,研制了采用蓝牙技术的新型路标传感器,研究了基于自适应联合卡尔曼滤波算法的多传感器信息融合技术。大量的试验研究表明：采用该信息融合技术后,城区车辆导航定位精度达到10m以内,符合高精度导航定位要求。     

多传感器信息融合技术及其在机器人中的应用

多传感器信息融合技术是近年发展起来的一门新兴技术,在机器人领域有着广阔的应用前景。通过融合多个传感器提供的冗余、互补或更实时的信息,可以获得系统所需的更准确和更精确的信息。主要论述了多传感器信息融合的一般方法,并对其在机器人领域的应用进行了介绍。最后指出多传感器信息融合技术在微传感器、智能传感器和自适应融合等方面的发展方向。     

基于信息熵的D-S证据理论及其在传感器融合中的应用

从证据本身和证据之间的相互关系两个方面分析了证据的可信度及相应在融合过程中获得的权重.引入了证据信息熵的概念,并给出了从证据本身确定可信度的方法.为了从证据之间的相互关系考察证据的可信度,给出了描述证据间相互支持的模糊关系矩阵,并依此来影响各传感器对于融合数据的重要性.实验验证了所提方法的有效性和鲁棒性.     

基于SVM的信息融合新方法*

利用SVM对大规模数据进行训练时,需要占用很大的内存空间,甚至会因内存不够而无法训练。为此,提出了将大规模数据分块求解,然后将分块求解的结果进行信息融合的新方法。首先训练得到各模块的支持向量,将所有支持向量进行融合,得到决策模型和一组支持向量。当有新的数据加入时,将其作为一个子模块,训练得到该模块的支持向量,与原模型中获得的支持向量进行融合,训练得到新的决策模型。利用KDDCUP99数据进行实验,结果表明该方法的测试精度与在所有数据集上训练的精度相当,花费时间少,适用于增量学习。