BP神经网络在信息融合技术中的应用
基于BP神经网络的多传感器数据融合方法
［摘要］多传感器数据融合是无线传感器网络中一个经常需要解决的问题。
该研究运用BP 神经网络设计了一个数据融合方法，探讨了其工作原理和实施步骤，并基于MATLAB 平台的BP 神经网络工具集和WSN 原始数据进行了模型训练和验证。
结果表明，BP 神经网络数据融合模型具有良好的决定系数和RMSE 值，具有一定的实用性。
［关键词］BP 神经网络；多传感器；数据融合［中图分类号］TP393［文章标识码］A［文章编号］1671-5136(2018)02-0130-02［收稿日期］［基金项目］［作者简介］1.引言在无线传感器网络（Wireless Sensor Network ，WSN ）中，各传感器采集了海量的数据。
由于各传感器节点能量和网络带宽都非常有限，因此如何在不降低数据应用有效性的前提下，尽可能地降低数据的冗余性，减少无效数据的传输，就成为一个必需解决的问题。
本文提出利用BP 神经网络模型，通过选取适当的神经网络节点及其数量，并选取相应的模型参数，实现多传感器节点之间的数据融合，从而提高WSN 的数据传输效率，提高传感器节点的生存周期。
2.相关工作许多研究者在应用神经网络技术开展无线传感器网络数据融合方面，开展了大量的研究工作，主要集中在以下两个领域。
一是应用神经网络针对WSN 中的能耗和数据传输负载等性能参数的改善开展设计和试验,并在提升WSN 生存周期和传输性能等方面取得了预期的效果[1-3][6]。
二是围绕数据处理的精度，通过调整神经网络的神经元节点数量和运行参数，构建整体性能较好的融合模型[4-5]。
文献[6]运用BP 神经网络对WSN 的数据融合技术进行了研究和探索，提出了BP 神经网络数据融合技术的工作步骤，并对参数性能进行了对比分析。
本文与该文献研究内容的主要区别在于针对多个传感器节点的原始数据，先开展奇异数据剔除和Max-min 标准化方法处理，并运用MATLAB 平台中的BP 神经网络工具开展了仿真实验。
BP神经网络的改进研究及应用中期报告
BP神经网络的改进研究及应用中期报告1. 引言BP神经网络作为一种典型的前向反馈神经网络，在模式分类、数据预测、信号处理等方面具有广泛应用，但是在实际应用中存在一些问题，例如训练速度慢、易陷入局部极小值等。
因此，本文旨在对BP神经网络的改进方法进行研究，并探讨其在实际应用中的应用情况。
2. BP神经网络的基本原理及存在的问题BP神经网络是一种多层前向反馈神经网络，由输入层、隐藏层和输出层组成，其中各层之间的神经元是全连接的。
BP神经网络的基本原理是通过反向传播算法来调整网络的权值和阈值，从而实现网络的训练和预测。
然而，BP神经网络存在一些问题，如下所述：（1）收敛速度慢。
BP神经网络的收敛速度取决于学习率、激活函数和误差函数等参数，且通常需要经过多次迭代才能达到收敛条件。
（2）容易陷入局部极小值。
BP神经网络的误差函数通常是非凸函数，存在多个局部极小值，因此网络容易陷入局部极小值，从而影响其预测精度。
（3）对于极端值的响应不够灵敏。
BP神经网络的激活函数通常是sigmoid函数，对于输入值较大或较小的数据，其响应不够灵敏。
3. BP神经网络的改进方法针对BP神经网络存在的问题，相关学者提出了一些改进方法，如下所述：（1）改进学习算法。
改进学习算法是提高BP神经网络收敛速度的重要方法。
常用的算法包括动量法、弹性反向传播算法等。
（2）改进激活函数。
针对BP神经网络对于极端值的响应不够灵敏的问题，研究人员提出了一系列激活函数，如RELU、Leaky RELU、ELU 等。
（3）改进误差函数。
改进误差函数是提高BP神经网络预测精度的重要方法。
常用的误差函数包括交叉熵函数、均方误差函数等。
（4）改进结构和参数。
改进结构和参数是提高BP神经网络预测和泛化能力的重要方法。
常用的方法包括增加网络层数、优化权值和阈值等。
4. BP神经网络的应用情况BP神经网络已广泛应用于模式分类、数据预测、信号处理等方面。
例如，在航空领域中，BP神经网络被用于飞机的故障诊断和健康管理；在金融领域中，BP神经网络被用于股票价格的预测和金融风险的评估；在医疗领域中，BP神经网络被用于疾病的诊断和药物的作用预测等。
基于BP神经网络的多传感器数据融合技术优化
基于BP神经网络的多传感器数据融合技术优化何拥军;曾文权;曾文英【摘要】传统的数据融合算法要求获得比较精确的对象数学模型，对于复杂的难于建立模型的场合无法适用。
为解决上述问题，提出了一种基于BP神经网络算法的多传感器数据融合方法，对对象的先验要求不高，具有较强的自适应能力。
仿真结果表明，采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度，效果良好。
%Traditional data fusion algorithms need precise malhematical model of objects,which is difficult for modeling complex situations. To address these problems, we propose a neural network algorithm based on BP multi-sensor data fusion method, the object of a priori less demanding, with a strong adaptive ability. Simulation results show that obtained using BP neural network to process sensor data fusion can greatly improve the stability of the sensor and is precision to good effect.【期刊名称】《微型机与应用》【年(卷),期】2011(030)022【总页数】4页(P52-54,58)【关键词】数据融合;神经网络;多传感器网络【作者】何拥军;曾文权;曾文英【作者单位】广东科学技术职业学院计算机工程技术学院,广东珠海519090;广东科学技术职业学院计算机工程技术学院,广东珠海519090;广东科学技术职业学院计算机工程技术学院,广东珠海519090【正文语种】中文【中图分类】TP391大多数无线传感器网络应用是由大量传感器节点构成的，共同完成信息收集、目标监视和感知环境的任务。
基于神经网络的多传感器信息融合技术在移动机器人中的应用
５ 长春 理 工 大 学 光 电工 程 学 院 ， 林 长 春 １０ １ ） ． 吉 ３０ ２
摘 要 ：基 于模 糊 神经 网络 的多传 感器 信 息融合 ， 出 了一种 简单 、 效 的分 区算 法来确 定 障 提 有 碍 物 的距 离和 方位 。采用 Ｂ Ｐ神 经 网络 对 障碍 物 环境 进 行分 类 以及 模 式识 别 ， 移 动机 器人 为
Ａｂ ｔａ ｔ ｓ ｒ ｃ ：Ｂａ ｅ ｅ ａ ｅ ｗｏｒ ｕ ｔ— ｅ ｏ ｕ ｉ ｔ ｕ ｉ ｎ，ｗｅ ｐｕｔｆ ｗａ ｄ ａ ｓｍｐｌ ｕ — ｒ ａ ｓ ｄ ｏｎ ｎ ｕｒ ｌｎ ｔ ｋ ｍ ｌｉｓ ｎｓ ｒ ｆ ｓｏｎ ｄａ ｅ ｆ ｓｏ ｏｒ ｒ ｉ ｅ ｓ ｂ ａ ｅ
３ ｅｈａ ｉａ ｃｏ ｙ，Ｊｌ Ｐｅｒ ｌｕ Ｃｏｒｏ ａ ｉｎ，Ｊｌ ３ ０ ０，Ｃｈｎ ．Ｍ ｃ ｎｃ ｌＦａ ｔｒ ｉ ｔｏｅ ｍ ｉ ｐ ｒ ｔｏ ｉｎ １ ２ ０ ｉ ｉａ； ４ Ｘｉｍ ｕＥｘ ｌｉ ｏ ｉｎＯｉ ｉｌ ｍｐ ｎ ． ｎ ｐｏｔ ｆＪｌ ｌ ｅｄＣｏ ａ ｙ，Ｓ ｎ ｙ ａ ３ ０ ０，Ｃｈｎ ｉ ｆ Ｏ ｇ ｕｎ １８ ０ ｉａ；
２ Ｄｅ ａ ｔ ｎｔｏ ｅ ｈ ｎ ｃ ｌ ｇｉ ｅ ｒｎ ，Ａｒ ｒ ｄ Ｔｅ ｈ ｉ ｕ ｎ ｔｔ ｅ ｏ ． ｐ ｒ ｍｅ ｆＭ ｃ ａ ｉａ Ｅｎ ｎ ｅ ｉ ｇ ｍｏ ｅ ｃ ｎ ｑ ｅ Ｉ ｓ ｉ ｆＰＬＡ ，Ｃｈ ｎ ｃ ｕ ３ １ ７ ｕｔ ａ ｇ ｈ ｎ １ ０ １ ，Ｃｈ ｎ ｉ ａ；
ｇ ｄ ｎ ｏｓｔｏｎ ｎｇ ｕｉ ｅ ａ ｄ ｐ ｉｉ ｉ ． Ｋｅ ｒ ｙ ｗｏ ｄｓ：ｍｏｂ ｌ ｏｂ ｔ ｉｅ ｒ ｏ ；ｍｕ ｔ— ｅ ｓ ｔ ｕｓｏ ｌｉｓ ｎ ｏｒｄａ ａ ｆ ｉ ｎ；ｎｅ ｒ ｌｎ ｔ ｕ ａ ｅ ｗｏｒ ｓ ｋ．
BP网络的原理与应用
BP网络的原理与应用1. 简介BP神经网络，即反向传播神经网络（Back Propagation Neural Network），是一种常见的人工神经网络模型，广泛应用于模式识别、分类、预测等领域。
它通过训练数据进行反向传播的方式来调整神经网络的权重和偏置，从而实现对输入数据的学习和预测。
2. 原理BP神经网络由输入层、隐藏层和输出层构成，每层由多个神经元组成。
其中，输入层接收外界输入的数据，隐藏层进行信号的处理和转换，最终输出层给出模型的预测结果。
BP网络的训练过程主要由两个阶段组成：前向传播和反向传播。
2.1 前向传播在前向传播阶段，输入数据经过一次性的计算和传递，从输入层逐层向前，最终记录到输出层的神经元中。
具体步骤如下： 1. 将输入数据传递给输入层神经元，每个神经元计算输入数据与其对应权重和偏置的乘积之和。
2. 将计算结果经过激活函数（如Sigmoid函数）进行处理，得到隐藏层神经元的输出。
3. 重复以上步骤，将隐藏层的输出作为下一层的输入，直到传递到输出层。
2.2 反向传播在反向传播阶段，根据训练数据与实际输出之间的差距，计算输出误差，并根据误差大小调整权重和偏置，以达到提高网络性能的目的。
具体步骤如下： 1. 计算输出层的误差，即实际输出与训练数据的差值。
2. 通过链式法则逐层计算隐藏层的误差，以及权重和偏置的调整值。
3. 更新每个神经元的权重和偏置，通过选择合适的优化算法（如梯度下降法）进行调整。
4. 重复以上步骤，通过多次迭代，不断减小预测误差和损失函数，提高网络的精确度和泛化能力。
3. 应用BP神经网络广泛应用于许多领域，如图像识别、语音识别、文本分类、金融预测等。
下面列举一些常见的应用场景：•图像识别：通过训练大量图像数据，可以实现对不同物体、人脸等的自动识别和分类。
•语音识别：通过训练大量语音数据，可以实现对语音信号的识别和转换，用于语音助手、智能家居等。
•文本分类：通过训练大量文本数据，可以实现对文本内容的分类和情感分析，用于垃圾邮件过滤、情感识别等。
基于BP神经网络的压力传感器数据融合研究
关键词 ： 压力传感器； 数据融合 ；Ｐ神经网络 ； 目 Ｂ 非 标参量 中图分 类 号 ：Ｐ １ 文 献标 志码 ： 文章 编 号 ：０ ０— ６ ２ ２ １ ）４— ０ ７— ５ Ｔ ２２ Ａ １０ ０ ８ （ ０ ２ ０ ０ ０ ０
Ｋｅ ｒ ｓ ｐｅｓｒ ｅ ｓｒ ｄ ｔ ｆｓ ｎ Ｂ ｅｒｌ ｅｗ ｒ ； ｏ —ｂｅｔ ｎｐｒｍｅ ｒ ｙｗｏ ｄ ： ｒｓｕｅｓｎｏ ； ａ ｉ ； Ｐ ｎｕａ ｎ ｔｏｋ ｎ ｎｏｊｃｉ ａａ ｔ ａｕ ｏ ｏ ｅ
０ 引言
目前 ， 压力 传 感 器 通 常 采 用 压 阻式 传 感 器 。其
Ａｂｔａ ｔ Ｔ ｅ ｏｔｕ ｆｐｅｓｒ ｓｎｏ ｓｅｓｙ ａ ｅｔｄ ｂ ｏ —ｂｅｔ ｎ ｐ ｒｍ ｔ ｓ ｕｈ ａ ｓ ｃ ： ｈ ｕｐ ｔｏ ｒｓｕｅ ｅ ｓｒｉ ａｉ ｆ ｃ ｙ ｎ ｎｏｊｃ ｏ ａａ ｅ ｒ，ｓｃ ｓ ｒ ｌ ｆ ｅ ｉ ｅ
ｅ ｖｒ ｎ ｎ ｅ ｅ ａ ｕ ｅ ，ｖ ｌａ ｅｆｕｃｕ ｔｏ ｎｄ Ｓ ｎ，ｗｈ ｃ ｅ ｕ ｔ ｏ ｔ ｅ ｒ ｄ ｅ ｎ ｆｔ ｅ ａ ｃ ｒ ｃ ． ｎ ｉｏ ｍｅ ｔｔｍｐ ｒ ｔ ｒ ｓ ｏｔｇ ｌ ｔ ａｉｎ ａ Ｏ ｏ ｉｈ ｒ ｓ ｌｓ ｔ ｈ ｅ ｕｃ ｍｅ ｔｏ ｈ ｃ ｕ ａ ｙ Ｂｙ ｕ ｉ ｇ ＢＰ ｎ ｕ ａ ｅｗｏ ｋ，ｔ ａ ｇ ｔｐ ｒ ｍｅｅ ｓ，ｐ ｅ ｓ ｅ ａ ｄ ｔ ｍｐ ｒ ｔ ｒ ｓｎ ｅ ｒ ｌｎ ｔ ｒ ｗｏ ｔｒ ｅ ａ ａ ｔ ｒ ｒ ｓｕｒ ｎ ｅ ｅ ａ ｕ ｅ，ａ ｅ ｍａ ｅ ｔ ｏ ｔ ｅ ｄ ｔ ｒ ｄ ｏ ｄ ｈ ａ ａ ｃ ｍｂｎａｉｎ ｔ ｅ ｃ ｈｅ ｓ ｎｓｔｖｔ ｆｃ ｏ ｓ ｉ ｔｒｅ ｅ ｃ ．Ｔｈ ｉ ｌｔｏ ｅ ｕ ｔｓ ｏ ｈ ｔｔ ｕ ｉ ｎ ｏ ｏ ｉ ｔｏ ｏ ｒ ｄｕ ｅ ｔ ｅ ｉ ｉ ｏ ｒ ｓ —ｎ ｅｆ ｒ ｎ ｅ ｉ ｙ ｅ ｓｍｕ ａｉ ｎ ｒ ｓ ｌ ｈ ｗｓ ｔ ａ ｈｅ ｆ ｓｏ ｆ ＢＰ ｅ ａ ｅｗｏ ｋ ｉ ｒ ｖ ｓｔ ｅ ａ ｃ ｒ ｃ ｎ ｔ ｂ ｌ ｙ ｏ ｅ ｓ ｒ ｎ ｅ ｉ ｅ ｈ ａｉ ｉｙ ａ ｄ ｆ ａ ｉｉｉｙｏ ｎ ｕｒ ｌｎ ｔ ｒ ｍｐ ｏ ｅ ｈ ｃ ｕ ａ ｙａ ｄ ｓａ ｉｉ ｆｓ ｎ ｏ ，ａ ｄ ｖ ｒｆ ｓｔ ｅ ｖ ｌｄ ｔ ｎ ｅ ｓｂ ｌｔ ｆ ｔ ｉ ｔ ｉ ｔ ｏ ｈ ｓｍｅｈ ｄ．
基于BP神经网络的压力传感器数据融合
作 者 简介 ： 章
慧 （９ Ｏ ） 女 ， 士 ， １７一 ， 硕 副教 授 ， 究 方 向 ： 算 机 网 络 、 行 数 据处 理 、 据 挖 掘 理 论． 研 计 银 数
５ ６
湖南工 程学 院学报
Ａ 一 Ｍａ ｛ ） ｘ口
２１ ０ １年
压力传蒜器 ｎ ｌ ＋ 温度传感器ｎ ｌ ＋ 敷 据 璜赴
理
值 的方 法 ， 传感器 输 出电压 值进 行预 处理 ， 对 然后 采
用 Ｂ Ｐ神经 网络 方 法 对 数 据 进 行 融 合 处 理 ． 用对 并
比试 验结果 表 明 ， 方 法 能 有效 的提 高 压 力传 感器 此
的检测 性能 ．
影 响压力 传感 器 的交叉灵 敏 度 的主要 因素是 温
度 ， 文 应 用 Ｂ 神 经 网 络 进 行 多 传 感 器 的 数 据 融 本 Ｐ
合来 减小 温度 对压 力 传 感 器 的影 响 ． 系统 由传 感 此 器部 分 、 据预 处理 部 分 和 神 经 网络 数 据 融合 部 分 数
响 ， 时甚至 受多 个非 目标 参量 的影 响 ， 成传感 器 有 造 性 能不 稳定 ， 测量 准确度 低． 因此 为 了改善传 感器 的 输 出特性 ， 而 提 高 系 统 的 性 能 ， 须 消 除 各 种 非 从 必 目标 参量 的影 响． 针对 温度 、 噪声 和 电 源 波动 等 多种 环 境 因 素对 压力 传感 器输 出电压 值 的影 响 这一 问题 ， 了提 高 为 压力传 感器 的稳定 性 ， 消除 温度 、 噪声 对传感 器输 入
特性 很容 易受 温度 、 声 和 电 源波 动 等 多 种 环境 因 噪
素 的 影 响 ， 静 态 特 性 不 仅 受 某 一 个 环 境 参 量 的 影 其
BP神经网络的研究分析及改进应用
BP神经网络的研究分析及改进应用一、本文概述本文旨在对BP（反向传播）神经网络进行深入的研究分析，并探讨其在实际应用中的改进策略。
BP神经网络作为领域的重要分支，已经在模式识别、预测分析、自适应控制等多个领域展现出强大的应用潜力。
然而，随着数据规模的扩大和应用场景的复杂化，传统的BP 神经网络也暴露出诸如训练速度慢、易陷入局部最优解、泛化能力弱等问题。
因此，本文希望通过理论分析和实证研究，提出针对性的改进方法，以提升BP神经网络的性能，进一步拓展其应用范围。
本文将首先回顾BP神经网络的基本原理和发展历程，分析其在现有应用中的优势和局限。
接着，从算法优化、网络结构设计和硬件加速等方面探讨改进BP神经网络的途径。
算法优化方面，将研究如何结合现代优化理论，如遗传算法、粒子群优化等，改进BP神经网络的权值更新规则和训练策略。
网络结构设计方面，将探讨如何通过增加隐藏层、调整神经元连接方式等方式提升网络的复杂度和表达能力。
硬件加速方面，将研究如何利用专用硬件（如神经网络处理器、图形处理器等）提高BP神经网络的训练速度和推理效率。
本文将通过具体的应用案例，验证所提出改进方法的有效性。
这些案例将涵盖不同领域的数据集，旨在全面评估改进BP神经网络在不同场景下的表现。
通过本文的研究，我们期望能够为BP神经网络的发展和应用提供新的思路和方法，推动其在领域的更广泛应用。
二、BP神经网络的基本原理BP神经网络，即反向传播神经网络，是一种基于误差反向传播算法的多层前馈网络。
它的基本原理主要包括两个过程：前向传播和反向传播。
前向传播过程中，输入信号从输入层开始，通过隐藏层，最终到达输出层。
在每一层，每个神经元的输出都是其输入与权重的加权和，再经过激活函数的转换得到。
这个过程主要是将输入的信息逐层传递，直到得到网络的输出结果。
然而，由于网络初始权重的随机性，初次前向传播得到的结果往往与实际期望的输出存在误差。
这时就需要进行反向传播过程。
基于神经网络融合技术的BP算法研究
基于神经网络融合技术的BP算法研究［摘要］BP神经网络方法数据可并行处理，该方法处理信息能力强，自身具有学习、联想和记忆的能力，避免了传统方法的局限性与专家评价的主观随意性，以及由于数据来源的单一导致的评价模型与评价对象之间不客观的简化；但它也存在网络的训练时间过长、易陷入局部极小值、完全不能训练等缺点。
本文提出的神经网络融合技术算法是利用主成分分析法、粒子群算法与BP算法相融合，克服了BP算法的训练时间长、易陷入局部极小值的缺点，并在模型的确定和收敛性上给出了理论证明。
［关键词］BP算法；主成分分析；粒子群1ＢＰ神经网络1.1 ＢＰ算法基本思想ＢＰ神经网络是一种多层前馈型神经网络，因其梯度的调整方法采用的是反向传播（BａｃｋPｒｏｐａｇａｔｉｏｎ），因此称为ＢＰ神经网络。
Ｒｕｍｅｌｈａｒｔ［１］等学者１９８６年提出了误差反向传播（ＢＰ）权重调整算法。
ＢＰ算法是一种有导师学习算法，算法的基本思想是，由正向的计算传播与误差的反向传播构成了学习过程中信息传递的过程，并通过不断调整权重使输出值逐渐接近于期望值。
正向传播过程中，样本信息由输入层传入，经过各隐含层的逐层处理后，最终传向输出层。
如果输出层的实际输出值与期望值不相符，则计算输出值与期望值之间的误差，然后转入误差的反向传播阶段。
误差的反向传播过程是以某种形式将输出的信号误差通过各隐含层逐层传播至输入层，并将误差分摊给各层中所有节点，从而得到各层节点的误差信号，将其作为权重调整的依据。
调整后再重新进行正向传播计算处理，不断重复，直至网络输出误差减小到限定范围之内。
权重调整的过程也就是网络的学习训练过程。
1.2 ＢＰ算法的优缺点ＢＰ神经网络算法数据可并行处理，该方法处理信息能力强，自身具有学习、联想和记忆的能力，避免了传统方法的局限性与专家评价的主观随意性，以及由于数据来源的单一导致的评价模型与评价对象之间不客观的简化。
同时，ＢＰ神经网络方法具有很好的模型组织形式和计算机工作平台，是评价技术的发展前进的方向。
特征融合与BP神经网络结合的刀具磨损预测
特征融合与BP神经网络结合的刀具磨损预测1. 刀具磨损预测简介随着制造业的发展，刀具磨损问题日益受到关注。
刀具磨损不仅会导致生产效率降低，还可能导致产品质量下降和设备损坏。
对刀具磨损进行准确预测具有重要意义，传统的刀具磨损预测方法主要基于经验公式和统计分析，但这些方法往往不能很好地适应复杂的实际工况。
特征融合技术和BP神经网络逐渐成为刀具磨损预测领域的研究热点。
特征融合技术是一种将多个原始特征进行整合和优化的方法，以提高模型的预测性能。
在刀具磨损预测中，特征融合技术可以通过引入更多的相关特征来提高模型的预测准确性。
可以通过对刀具材料的硬度、切削温度等属性进行特征提取和融合，从而更全面地反映刀具磨损的特征。
它通过模拟人脑神经元之间的连接和信息传递过程，实现对复杂非线性关系的建模。
在刀具磨损预测中，BP神经网络可以通过对大量的训练数据进行学习和拟合，从而建立一个能够准确预测刀具磨损的模型。
本文档将介绍如何利用特征融合技术和BP神经网络结合进行刀具磨损预测，并给出相关的实验结果和分析。
通过对这两种技术的深入研究，我们可以为制造业提供一种更加准确、可靠的刀具磨损预测方法，从而降低生产成本、提高生产效率和产品质量。
1.1 研究背景刀具磨损是制造业中一个重要的问题，对于提高生产效率、降低成本和延长设备使用寿命具有重要意义。
随着科学技术的不断发展，越来越多的研究者开始关注刀具磨损预测问题，并尝试采用各种方法进行预测。
常用的刀具磨损预测方法包括：经验公式法、统计分析法、机器学习法等。
这些方法在一定程度上可以实现对刀具磨损的预测，但由于受到刀具材质、加工参数、表面粗糙度等因素的影响，预测结果往往存在较大的误差。
如何提高刀具磨损预测的准确性和可靠性成为了一个亟待解决的问题。
特征融合是一种将多个相关特征组合在一起的方法，可以有效地提高模型的预测性能。
具有较强的拟合能力。
将特征融合与BP神经网络结合，可以充分利用两者的优势，提高刀具磨损预测的准确性和鲁棒性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
BP神经网络信息融合技术中的应用宋志英辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）摘要：主要介绍了组合导航系统中GPS/INS(卫星导航定位/惯性系统制导)中的传感器信息融合方法,并提出了多源图像融合制导的思想与方法.本文指出比较有应用前景的信息融合研究方法是基于模糊逻辑、小波分析等方法。
为此提出了引入Elman神经网络,描述了它的状态估计的设计方法。
,进而用Matlab程序实现神经网络的训练过程。
关键词:多传感器；组合导航；信息融合；BP神经网络；卡尔曼滤波1. 引言全球定位系统(GPS)是一种高精度的全球实时的卫星导航定位系统, 它是当前应用最为广泛的卫星导航定位系统，使用方便、成本低廉，操作简便。
但它存在着动态响应能力较差, 易受外界信号干扰、动态环境中可靠性差以及数据输出频率低及等及完善性较差的缺点。
惯性导航系统(INS)由于工作的完全自主性,成为目前航行体上的主要导航设备之一,但存在着误差会随时间增大的缺点。
为克服这些缺点,根据INS和GPS导航功能优势互补的特点,以适当的方法将两者组合起来提高系统的整体导航精度。
GPS接收机在惯导位置和速度信息的辅助下,也将改善捕获、跟踪和再捕获的能力,并在卫星分布条件差或可见星少的情况下导航精度不致下降过大[1]。
由于优点显著,GPS/INS组合系统被一致认为是飞行载体最理想的组合导航系统,GPS和INS数据融合算法中最常用的工具是卡尔曼滤波器[2],但是在使用卡尔曼滤波器时,尚有许多问题有待解决,如处理速度等。
本文设计了实现车载GPS／INS组合导航系统最优综合的联合卡尔曼滤波器，并给出了滤波算法。
提出了一种自适应联合卡尔曼滤波器结构及其算法，并应用于GPS／INS组合导航系统的最优综合校正中。
因此，将GPS的长期高精度特性与INS的短期高精度特性进行有机结合，使两者的组合起到优势互补的作用。
2. INS/GPS组合系统模糊推理规则由于GPS/INS的系统误差以及外界干扰的影响，因此，组合导航系统模型的系统误差和量测噪声事先是未知的或难以精确确定的信号。
模糊推理（如图1所示）是以模糊逻辑为基础模拟人的思维并进行知识处理，模糊系统的隶属度函数等设计参数依靠经验进行。
通常，卡尔曼滤波器用于解决导航系统的参数估计问题，它可以从被噪声污染的观测值中实时地估计出系统的状态。
但是，实际系统是一个复杂的非线性系统模型，难以用精确的数学模型描述。
由于惯性元器件、GPS接收机输出数据误差的不确定性，系统噪声和量测噪声是事先未知或不能确定的信号。
因此，使用卡尔曼滤波进行导航参数的估计时，系统参数估计的精度及可靠性受到很大的限制。
模糊聚类多用于图像融合与图像边缘检测.聚类是按照一定的标准对用一组参数表示的样本群进行分类的过程.其中比较常用的是模糊c-均值聚类算法.模糊聚类的过程,也就是样本中的特征参数被融合、样本按标准被分类的过程.当选定一种相似性度量、差别检验以及停止规则后,就可得到一种特定的聚类分析算法.一般来讲,相似性度量的定义、聚类算法的选择、数据的排列方位,甚至输入数据的次序,都可能影响聚类的结果.因此,在使用聚类分析法时,应对其有效性和可重复性进行分析,已形成有意义的属性聚类结果.3. Elman神经网络进行状态估计方法的设计由于卡尔曼滤波的运算时间与组合系统阶次的三次方成正比，所以当组合系统阶次较高时，滤波器会失去实时性。
本文采用多种参量融合技术，对惯性元器件加速度计采集的信号进行模糊化处理，确定初始的模糊规则集。
对于任何一种神经网络而言，首先得有网络的学习（即训练），只有训练后的神经网络才能够发挥它的作用。
而在实际中训练数据的获取是比较困难的，但又很关键。
由于在恶劣环境或信号干扰较大的情况下对目标状态的真实位置（如纬度、精度、高度）、速度（东向、北向、天向）等并不能精确测定，都是通过各类导航传感器获得有关观测量进行状态的估计，从而获得相应导航的各种参数值。
然后我们都是通过这些观测量进行组合状态的最优估计。
我们可以设想：对同一状态参量（即X固定不变），给予不同量测噪声集V（ik）（注：这些量测噪声特性如其协方差的值应当在组合导航系统所能允许噪声最大值的范围类进行均匀选取），i代表的是噪声集个数，k代表的是采样的周期，因此，通过量测方程就可以获得对应的量测的值集Zi(k)。
然后对这些量测值用卡尔曼滤波法进行状态的最优估计，来获得系统相应的状态的估计值，于是就把获得的这些状态估计值的期望值作为导航参数的真实值，并且作为Elman神经网络的期望输出样本，把测量值作为网络的输入样本，对网络就可以进行训练。
通过神经网络进行训练，根据输入输出样本自动设计和调整模糊系统的设计参数，从而实现对INS/GPS组合系统导航参数的最优估计，由试验结果可以看出该算法的顽健性和实时性大大优于传统的卡尔曼滤波方法。
上述原理可用图2所示方框图来说明。
小波变换的多尺度和多分辨率特性可在信息融合中起到数据融合、特征提取的作用。
小波变换亦成为图像融合算法研究的焦点[3~6],在对可见光图像和红外图像融合研究中已有不少工作.为此,本文假设性的提出了一种基于小波变换的图像融合/匹配方法.经过融合的图像具有更多的特征信息,在此基础上进行景象匹配或目标识别,将得到更高的匹配概率和识别率,从而可以提高GPS/INS导航定位的精度.图 2 Elman神经网络状态估计原理图4. GPS/INS组合系统数据融合算法结构人工神经网络是由大量简单的称为神经元的处理单元以某种拓朴结构广泛地相互连接而成的非线性动力学系统,它是在对以人脑为代表的生物神经系统的组成结构和行为特征进行研究的基础上提出的[7]。
图3中给出了GPS/INS组合导航定位系统的卡尔曼滤波实现方案。
行驶方向信息、速度信息、转弯信息由速度陀螺和里程仪给出,推算定位模块的输出信息和GPS的定位信息进行数据融合,通过卡尔曼滤波给出状态量的估计,然后对推算定位进行校正,作为系统的输出。
图 3 BP/GA辅助卡尔曼滤波混合算法模型BP神经网络是由大量简单的神经元按一定的结构互连而成的非线性动力系统(见图4),是对人体大脑信息处理机制的某种简化、抽象和模拟。
标准的BP网络训练算法可分为信息的正向传播和误差的反向传播两步训练过程[8],正向传播是输入信号从输入层经隐层传向输出层,若输出层得到了期望的输出,则学习算法结束;否则,转至反向传播。
rq输入层 隐含层 输出层图 4 BP 网络模型结构5. 神经网络的训练过程本文利用MATLAB 的神经网络工具箱提供的函数对动态虚拟基准站的神经网络进行训练。
按照MATLAB 神经网络的规则,隐层神经网络的决策函数采用sigmoid 型变换函数tansig,输出层采用线性函数purelin,那么整个网络的输出就可以取任意值[9]。
在对神经网络进行初始化时,按照规则输入值中应包括输入值的最大值和最小值,这样才能保证得到最佳的初始值。
采用上述神经网络模型进行仿真实验,当输入值为:GPS 测量值纬度是43.904 415 277 7(°),经度是125.317 487 500 0(°),期望值纬度是43.904 464 555 7(°),经度是125.318 125 693 2(°),这时数据融合后的坐标为:λ=43.904 517 949 1, L =125.31 760 053 7根据期望值计算出经度与纬度的误差为:X ∆=0.000 052 2671, Y ∆=0.000 055 3037由实验得到纬度误差平均值为:11ni i n λ=∆∑×1852.189×60=9.145 947 287 9 m 经度误差平均值为:11ni i L n =∆∑×1 852.189×60=8.808 512 865 4 m 本文以GPS/INS 组合系统中的信息融合技术的融合结构与融合方法为对象进行了综述和讨论.综上所述,比较有前景的信息融合研究方法是基于模糊逻辑、小波分析、神经网络等人工智能的新方法,以及这些新方法与传统的随机类方法相结合的随机—人工智能的信息融合方法.参考文献[1]黄伟.采用卡尔曼滤波器的GPS/INS组合系统模拟仿真[J].导航,1994,4(2):57-69.[2]吴秋平.GPS/惯性组合导航系统研究进展[J].导航,1998,8(4):1-10.[3] Burl PJ, A Delson E H. Merging images Though Pattern De-composition. SPIE Applications Of DigitalImage Processing[4] Toed A,Van Ruyven LJ. Merge Thermal And Visual ImagesBy A Contrast Pyramid. Optical Engineering,1989,28:789~792[5] Toed A. Multiscale Contrast Enhancement With ApplicationsTo Image Fusion. Optical Engineering,1992,31:1026~1031[6] Ranchin T, Wald L. Efficient Data Fusion Using WaveletTransform: The Case Of SPOT Satellite Images.SPIE Mathe-matical Imaging, 1993,2034:171~176[7] 朱坚民.基于神经网络的测量模型的建立及检验[J].光学精密工程,2000,8(4):389-393.[8] RumelhartD.E. Learning representation by back-propaga-ting errors[J]. Nature, 1986, 323(9): 533-536.[9]楼顺天.基于MATLAB的系统分析与设计-神经网络[M].西安:西安电子科技大学出版社,1998.BP neural network’s application in the information fusiontechnologySong ZhiyingLiaoning Technical University of Surveying and Mapping and Geographic Sciences, Fuxin,Liaoning (123000)AbstractMainly introduced the sensor information fusion method in integrated navigation system GPS/INS (satellite navigation/inertial tracking), and proposed the multiple source image fusion thought and method. This article pointed out that the prospect information fusion research technique is based on fuzzy logic, wavelet analysis method etc. Therefore it introduces the Elman neural network, described its design method of the state estimation, and then realizes the neural network training process with the Matlab procedure.Keywords: Multi-sensors; Integrated navigation; Information fusion; BP neural network; Kalman filtering。