第十九章多傳感器信息融合技術(shù)

1、第十九章多傳感器信息融合技術(shù)概述多傳感器問題的引入非關(guān)聯(lián)測試項目測量不同目標或?qū)ν荒繕说牟煌瑓?shù)進行獨立測量。多傳感器測試系統(tǒng)關(guān)聯(lián)的測試項目利用多個傳感器對同一目標的相同或不同項目進行測量，綜合測量結(jié)果用于分析目標特性。當檢測對象為多目標或快速機動目標時，單一傳感器測量困難。復(fù)雜的電磁環(huán)境使檢測的目標信號淹沒在大量噪聲及不相關(guān)信號與雜波中。當單一傳感器失效或傳感器的可靠性有待提高時采用多傳感器系統(tǒng)。環(huán)境復(fù)雜目標復(fù)雜可靠性為什么要采用多個傳感器測量同一目標參數(shù)？概述概述 傳感器數(shù)據(jù)融合的定義：對多種信息的獲取、表示及其內(nèi)在聯(lián)系進行綜合處理和優(yōu)化的技術(shù)。從多信息的視角進行處理及綜合，得到各種信息

2、的內(nèi)在聯(lián)系和規(guī)律，從而剔除無用的和錯誤的信息，保留正確的和有用的成分，最終實現(xiàn)信息的優(yōu)化。它為智能信息處理技術(shù)的研究提供了新的觀念。經(jīng)過融合后的傳感器信息具有以下特征：信息冗余性、信息互補性、信息實時性、信息獲取的低成本性。19.1 傳感器信息融合分類和結(jié)構(gòu) 19.1.1 傳感器信息融合分類可分為以下四類：組合、綜合、融合和相關(guān)。組合:由多個傳感器組合成平行或互補方式來獲得多組數(shù)據(jù)輸出的一種處理方法，是一種最基本的方式，涉及的問題有輸出方式的協(xié)調(diào)、綜合以及傳感器的選擇。在硬件這一級上應(yīng)用。綜合:信息優(yōu)化處理中的一種獲得明確信息的有效方法。例如使用兩個分開設(shè)置的攝像機同時拍攝到一個物體的不同側(cè)面

3、的兩幅圖像，綜合這兩幅圖像可以復(fù)原出一個準確的有立體感的物體的圖像。19.1 傳感器信息融合分類和結(jié)構(gòu) 融合:當將傳感器數(shù)據(jù)組之間進行相關(guān)或?qū)鞲衅鲾?shù)據(jù)與系統(tǒng)內(nèi)部的知識模型進行相關(guān)，而產(chǎn)生信息的一個新的表達式。相關(guān):通過處理傳感器信息獲得某些結(jié)果，不僅需要單項信息處理，而且需要通過相關(guān)來進行處理，獲悉傳感器數(shù)據(jù)組之間的關(guān)系，從而得到正確信息，剔除無用和錯誤的信息。相關(guān)處理的目的：對識別、預(yù)測、學習和記憶等過程的信息進行綜合和優(yōu)化。19.1 傳感器信息融合分類和結(jié)構(gòu) 19.1.2 信息融合的結(jié)構(gòu) 傳感器1傳感器2傳感器1輸入傳感器1輸出傳感器2輸入傳感器2輸出傳感器N傳感器N輸入最終結(jié)果串行融合

4、方式圖19-1 多傳感器信息融合的結(jié)構(gòu)形式信息融合的結(jié)構(gòu)分為串聯(lián)、并聯(lián)，如圖19-1所示。串行融合時，當前傳感器要接收前一級傳感器的輸出結(jié)果，每個傳感器既有接收處理信息的功能，又有信息融合的功能，各個傳感器的處理同前一級傳感器輸出的信息形式有很大關(guān)系。最后一個傳感器綜合了所有前級傳感器數(shù)出的信息，得到的輸出為串聯(lián)融合系統(tǒng)的結(jié)論。 19.1 傳感器信息融合分類和結(jié)構(gòu) 并行融合時，各個傳感器直接將各自的輸出信息傳輸?shù)絺鞲衅魅诤现行?，傳感器之間沒有影響，融合中心對各信息按適當?shù)姆椒ňC合處理后，輸出最終結(jié)果。還可將串行融合和并行融合方式結(jié)合組成混合融合方式，或總體串行局部并行，或總體并行局部串行。傳感

5、器1傳感器1輸入傳感器2傳感器2輸入傳感器3傳感器3輸入信息融合中心最終結(jié)果b) 并行融合方式圖19-1 多傳感器信息融合的結(jié)構(gòu)形式19.1 傳感器信息融合分類和結(jié)構(gòu) 19.1.3 信息融合的關(guān)鍵技術(shù) 包括數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)相關(guān)、數(shù)據(jù)庫和融合推理的減少融合損失。1）數(shù)據(jù)轉(zhuǎn)換：多傳感器輸出的數(shù)據(jù)形式、環(huán)境描述等都不一樣，信息融合中心處理這些不同信息的關(guān)鍵即是把這些數(shù)據(jù)轉(zhuǎn)換成相同形式，然后進行相關(guān)處理。2）數(shù)據(jù)相關(guān)：數(shù)據(jù)相關(guān)的核心問題是克服傳感器測量的不精確性，保持數(shù)據(jù)的一致性。因此，應(yīng)控制和降低相關(guān)計算的復(fù)雜性，開發(fā)相關(guān)處理、融合處理和系統(tǒng)模擬的算法和模型。19.1 傳感器信息融合分類和結(jié)構(gòu) 3）態(tài)

6、勢數(shù)據(jù)庫：態(tài)勢數(shù)據(jù)庫可分為實時數(shù)據(jù)庫和非實時數(shù)據(jù)庫。實時數(shù)據(jù)庫的作用是把當前各傳感器的觀測結(jié)果及時提供給信息融合中心，同時也存儲融合處理的最終態(tài)勢/決策分析結(jié)果和中間結(jié)果。非實時數(shù)據(jù)庫存儲各傳感器的歷史數(shù)據(jù)、相關(guān)目標和環(huán)境的輔助信息以及融合計算的歷史信息。態(tài)勢數(shù)據(jù)庫要求容量大、搜索快、開放互連性好，具有良好的用戶接口。4）融合計算：涉及到以下問題，對多傳感器的相關(guān)觀測結(jié)果進行驗證、分析、補充、取舍、修改和狀態(tài)跟蹤估計；對新發(fā)現(xiàn)的不相關(guān)觀測結(jié)果進行分析和綜合；生成綜合態(tài)勢，并實時地根據(jù)對傳感器觀測結(jié)果通過數(shù)據(jù)融合計算，對綜合態(tài)勢進行修改；態(tài)勢決策分析。19.2.1 數(shù)據(jù)融合處理的一般過程19.2

7、 傳感器信息融合的一般方法 1目標狀態(tài)估計集中式數(shù)據(jù)融合結(jié)構(gòu)分布式數(shù)據(jù)融合結(jié)構(gòu)綜合式數(shù)據(jù)融合結(jié)構(gòu)2目標身份估計數(shù)據(jù)級數(shù)據(jù)融合結(jié)構(gòu)特征級數(shù)據(jù)融合結(jié)構(gòu)決策級數(shù)據(jù)融合結(jié)構(gòu)19.2 傳感器信息融合的一般方法 目標狀態(tài)估計集中式數(shù)據(jù)融合結(jié)構(gòu)19.2 傳感器信息融合的一般方法 目標狀態(tài)估計分布式數(shù)據(jù)融合結(jié)構(gòu)19.2 傳感器信息融合的一般方法 目標身份估計數(shù)據(jù)級數(shù)據(jù)融合結(jié)構(gòu)19.2 傳感器信息融合的一般方法 目標身份估計特征級數(shù)據(jù)融合結(jié)構(gòu)19.2 傳感器信息融合的一般方法 目標身份估計決策級數(shù)據(jù)融合結(jié)構(gòu)19.2 傳感器信息融合的一般方法 人工智能假設(shè)檢驗法Bayes估計法聚類分析模式識別數(shù)據(jù)融合算法按技術(shù)原

8、理分類濾波跟蹤 19.2.2 信息融合方法19.2 傳感器信息融合的一般方法 傳感器信息的不確定性傳感器輸出不可能包含被測量全部、完整的信息噪聲破壞可靠度精度目標因素19.2 傳感器信息融合的一般方法 19.2 傳感器信息融合的一般方法 最常用的信息融合方法有三類：嵌入約束法、證據(jù)組合法和人工神經(jīng)網(wǎng)絡(luò)法。1 嵌入約束法由多種傳感器所獲得的被測對象的多組數(shù)據(jù)按照某種映射關(guān)系形成的像，信息融合就是通過像求解原像，即對客觀環(huán)境加以了解。19.2 傳感器信息融合的一般方法用數(shù)學語言描述就是，所有傳感器的全部信息，也只能描述環(huán)境的某些方面的特征，而具有這些特征的環(huán)境卻有很多，要使一組數(shù)據(jù)對應(yīng)惟一的環(huán)境(

9、即上述映射為一一映射)，就必須對映射的原像和映射本身加約束條件，使問題能有惟一的解。嵌入約束法最基本的方法有Bayes估計和卡爾曼濾波。Bayes統(tǒng)計理論在考慮可靠度情況下傳感器測量需要解決的一個關(guān)鍵問題：真值和測量值?？疾煲粋€隨機試驗，在該試驗中n個互不相容的事件A1，A2，An必然會發(fā)生一個，且只能發(fā)生一個，用P（Ai）表示Ai發(fā)生的概率，則有：設(shè)利用一傳感器對A事件的發(fā)生進行檢測，檢測結(jié)果為B，則Ai為真值，B為測量值。19.2 傳感器信息融合的一般方法 先驗知識：P(A1) 、 P(A2) 、 P(An) 表示事件A1，A2，An發(fā)生的概率，這是試驗前的知識稱為“先驗知識”。Bayes

10、統(tǒng)計理論認為，人們在檢驗前后對某事件的發(fā)生情況的估計是不同，而且一次檢驗結(jié)果不同對人們的最終估計的影響是不同的。19.2 傳感器信息融合的一般方法 后驗知識：由于一次檢驗結(jié)果B的出現(xiàn)，改變了人們對事件A1，A2，An發(fā)生情況的認識，這是試驗后的知識稱為“后驗知識”。檢驗后事件A1，A2，An發(fā)生的概率表現(xiàn)為條件概率：顯然有：19.2 傳感器信息融合的一般方法 Bayes估計是檢驗過程中對先驗知識向后驗知識的不斷修正。條件概率公式：或全概率概率公式：其中Ai為對樣本空間的一個劃分，即Ai為互斥事件且19.2 傳感器信息融合的一般方法 Bayes公式： 對一組互斥事件Ai，i=1，2，n，在一次測

11、量結(jié)果為B時，Ai發(fā)生的概率為：利用Bayes統(tǒng)計理論進行測量數(shù)據(jù)融合：充分利用了測量對象的先驗信息。是根據(jù)一次測量結(jié)果對先驗概率到后驗概率的修正。19.2 傳感器信息融合的一般方法 基于Bayes估計的身份識別方法假設(shè)由n個傳感器對一未知目標參數(shù)進行測量，每一傳感器根據(jù)測量結(jié)果利用一定算法給出一個關(guān)于目標的身份說明。設(shè)A1，A2，An為n個互斥的窮舉目標，Bi為第j個傳感器給出的目標身份說明，且Ai滿足：則：19.2 傳感器信息融合的一般方法 基于Bayes統(tǒng)計的目標識別融合模型19.2 傳感器信息融合的一般方法 基于Bayes統(tǒng)計的目標識別融合的一般步驟：獲得每個傳感器單元輸出的目標身份說

12、明B1，B2，Bn；計算每個傳感器單元對不同目標的身份說明的不確定性即 ；i=1,2,n19.2 傳感器信息融合的一般方法 計算目標身份的融合概率：如果B1，B2，Bn相互獨立，則：目標識別決策（判據(jù)），尋找極大似然估計19.2 傳感器信息融合的一般方法 舉例計算某醫(yī)院采用以下兩種設(shè)備檢驗?zāi)撤N疾病，設(shè)備1對該疾病的漏診率為0.1，誤診率為0.25；設(shè)備2對該疾病的漏診率為0.2，誤診率為0.1。已知人群中該疾病的發(fā)病率為0.05。分析分別利用兩臺設(shè)備和同時使用兩臺設(shè)備時檢驗結(jié)果的概率。19.2 傳感器信息融合的一般方法 方法思路傳感器A傳感器C傳感器B融合結(jié)果融合算法關(guān) 系矩 陣置 信距 離矩

13、 陣最佳融合數(shù)數(shù) 據(jù)選 擇19.2 傳感器信息融合的一般方法 基本理論和方法置信距離和置信距離矩陣利用多個傳感器測量某參數(shù)的過程中有兩個隨機變量，一是被測參數(shù)，二是每個傳感器的輸出Xi，i=1，2，m。一般認為它們服從正態(tài)分布，用xi表示第i個測量值的一次測量輸出，它是隨機變量Xi的一次取樣。設(shè)：19.2 傳感器信息融合的一般方法 為對傳感器輸出數(shù)據(jù)進行選擇，必須對其可靠性進行估計，為此定義各數(shù)據(jù)間的置信距離。用Xi、Xj表示第i個和第j個傳感器的輸出，則其一次讀數(shù)xi和xj之間的置信距離定義為：19.2 傳感器信息融合的一般方法 若Xi、Xj服從正態(tài)分布，則上式中：故可知：當 時，當 時，1

14、9.2 傳感器信息融合的一般方法 置信距離矩陣：對m個傳感器的一次測量數(shù)據(jù)，利用上述方法可以分別計算任意兩個傳感器數(shù)據(jù)之間的置信距離得到一個 m X m 矩陣。19.2 傳感器信息融合的一般方法 根據(jù)具體問題選擇合適的臨界值 由 對數(shù)據(jù)的可靠性進行判定。由此得到一個二值矩陣，稱為關(guān)系矩陣。19.2 傳感器信息融合的一般方法 設(shè)被測參數(shù) ，第k個傳感器的測量數(shù)據(jù) ，經(jīng)過刪選，選擇l個數(shù)據(jù)作為最佳融合數(shù)。融合結(jié)果 為：19.2 傳感器信息融合的一般方法 基于Bayes估計的數(shù)據(jù)融合一般步驟計算m個傳感器數(shù)據(jù)的置信距離矩陣，為簡化計算，當測試數(shù)據(jù)服從正態(tài)分布時可利用誤差函數(shù)計算置信距離。19.2 傳

15、感器信息融合的一般方法 選擇合適的距離臨界值，由置信距離矩陣產(chǎn)生關(guān)系矩陣。由關(guān)系矩陣對多傳感器數(shù)據(jù)進行選擇，產(chǎn)生最佳融合數(shù)。19.2 傳感器信息融合的一般方法 將 、 和最佳融合數(shù)對應(yīng)的 、 代入Bayes融合估計公式求的參數(shù)估計值。19.2 傳感器信息融合的一般方法 傳感器編號12345678方差25.7323.8124.9525.7535.6521.3323.9422.96測量值848.1850.5851.9849.9854.6849.3848.0848.3利用8個傳感器對一個恒溫槽的溫度進行測量，已知恒溫槽溫度滿足正態(tài)分布，其中 =850.50， =4.50258個傳感器的測量結(jié)果如下：

16、舉例計算19.2 傳感器信息融合的一般方法 19.2 傳感器信息融合的一般方法 卡爾曼濾波(KF)用于實時融合動態(tài)的低層次冗余傳感器數(shù)據(jù)，該方法用測量模型的統(tǒng)計特性，遞推決定統(tǒng)計意義下最優(yōu)融合數(shù)據(jù)合計。KF的遞推特性使系統(tǒng)數(shù)據(jù)處理不需大量的數(shù)據(jù)存儲和計算。19.2 傳感器信息融合的一般方法 KF分為分散卡爾曼濾波(DKF)和擴展卡爾曼濾波 (EKF)。DKF可實現(xiàn)多傳感器數(shù)據(jù)融合完全分散化，其優(yōu)點為每個傳感器節(jié)點失效不會導(dǎo)致整個系統(tǒng)失效。EKF的優(yōu)點是可有效克服數(shù)據(jù)處理不穩(wěn)定性或系統(tǒng)模型線性程度的誤差對融合過程產(chǎn)生的影響。嵌入約束法傳感器信息融合的最基本方法之一，但其缺點在于需要對多源數(shù)據(jù)的整

17、體物理規(guī)律有較好的了解，才能準確地獲得p(d|f)，但需要預(yù)知先驗分布p(f)。19.2 傳感器信息融合的一般方法 2 證據(jù)組合法基本思想：完成某項智能任務(wù)是依據(jù)有關(guān)環(huán)境某方面的信息做出幾種可能的決策，而多傳感器數(shù)據(jù)信息在一定程度上反映環(huán)境這方面的情況。因此，分析每一數(shù)據(jù)作為支持某種決策證據(jù)的支持程度，并將不同傳感器數(shù)據(jù)的支持程度進行組合。并將分析得出現(xiàn)有組合證據(jù)支持程度最大的決策作為信息融合的結(jié)果。19.2 傳感器信息融合的一般方法 證據(jù)組合法是對完成某一任務(wù)的需要而處理多種傳感器的數(shù)據(jù)信息。完成某項智能任務(wù)，實際是做出某項行動決策。它先對單個傳感器數(shù)據(jù)信息每種可能決策的支持程度給出度量(即

18、數(shù)據(jù)信息作為證據(jù)對決策的支持程度)，再尋找一種證據(jù)組合方法或規(guī)則。在已知兩個不同傳感器數(shù)據(jù)(即證據(jù))對決策的分別支持程度時，通過反復(fù)運用組合規(guī)則，最終得出全體數(shù)據(jù)信息的聯(lián)合體對某決策總的支持程度。得到最大證據(jù)支持決策，即信息融合的結(jié)果。19.2 傳感器信息融合的一般方法 利用證據(jù)組合進行數(shù)據(jù)融合的關(guān)鍵在于： 選擇合適的數(shù)學方法描述證據(jù)、決策和支持程度等概念；建立快速、可靠并且便于實現(xiàn)的通用證據(jù)組合算法結(jié)構(gòu)。證據(jù)組合法較嵌入約束法有以下優(yōu)點：(1)對多種傳感器數(shù)據(jù)間的物理關(guān)系不必準確了解，即無須準確地建立多種傳感器數(shù)據(jù)體的模型；(2)通用性好，可以建立一種獨立于各類具體信息融合問題背景形式的證據(jù)

19、組合方法，有利于設(shè)計通用的信息融合軟、硬件產(chǎn)品；(3)人為的先驗知識可以視同數(shù)據(jù)信息一樣，賦予對決策的支持程度，參與證據(jù)組合運算。常用證據(jù)組合方法有概率統(tǒng)計方法和Dempster- Shafer證據(jù)推理。概率統(tǒng)計方法假設(shè)一組隨機向量 分別表示n個不同傳感器得到的數(shù)據(jù)信息，根據(jù)每一個數(shù)據(jù) 可對所完成的任務(wù)做出一決策 。 的概率分布為 ， 為該分布函數(shù)中的未知參數(shù)，若參數(shù)已知時，則 的概率分布就完全確定。用非負函數(shù) 表示當分布參數(shù)確定為 時，第i個信息源采取決策 時所造成的損失函數(shù)。在實際問題中， 是未知的，因此當?shù)玫?時，并不能直接從損失函數(shù)中定出最優(yōu)決策。19.2 傳感器信息融合的一般方法 1

20、9.2 傳感器信息融合的一般方法 先由 做出 的一個估計，記為 ，再由損失函數(shù) 決定出損失最小的決策。其中利用 估計 的估計量 有很多種方法。概率統(tǒng)計方法適用于分布式傳感器目標識別和跟蹤信息融合問題。Dempster-Shafer證據(jù)推理(簡稱D-S推理)D-S證據(jù)推理是Bayes推理的擴充，在多傳感器目標識別、軍事指揮和防御方向得到了廣泛的應(yīng)用。一個完整的推理系統(tǒng)需要用幾個不同推理級來確保精確的可信度表示。19.2 傳感器信息融合的一般方法 D-S推理的結(jié)構(gòu)自上而下可分為三級：第一級為目標合成，其作用十八來自幾個獨立傳感器的觀測結(jié)果合成一個總的輸出結(jié)果；第二級為推斷，其作用是獲取傳感器的觀測

21、結(jié)果并進行推斷，將傳感器的觀測結(jié)果擴展成為目標報告;第三級為更新，由于傳感器存在隨機誤差，在時間上充分獨立的來自同一傳感器的一組連續(xù)報告，比任何單一報告都可靠，因此在進行推斷和多傳感器合成之前要更新傳感器的觀測信息。19.2 傳感器信息融合的一般方法 下面介紹一下D-S推理的原理。假設(shè)F為所有可能證據(jù)所構(gòu)成的有限集，f為集合F中的某個元素即某個證據(jù)。首先引入信任函數(shù) 0，1表示每個證據(jù)的信任程度：從上式可知，信任函數(shù)是概率概念的推廣，因為從概率論的知識出發(fā)，上式應(yīng)取等號。19.2 傳感器信息融合的一般方法 進一步可得： 引入基礎(chǔ)概率分配函數(shù)m(f)0，1 由基礎(chǔ)概率分配函數(shù)定義與之相對應(yīng)的信任

22、函數(shù)：19.2 傳感器信息融合的一般方法 當利用N個傳感器檢測環(huán)境M個特征時，每一個特征為F中的一個元素。第i個傳感器在第k-1時刻所獲得的包括k-1時刻前關(guān)于第j個特征的所有證據(jù)，用基礎(chǔ)概率分配函數(shù) 表示，其中 。第i個傳感器在第k時刻所獲得的關(guān)于第j個特征的新證據(jù)用基礎(chǔ)概率分配函數(shù)表示 。由 和 可獲得第i個傳感器在第k時刻關(guān)于第j個特征的聯(lián)合證據(jù) 。類似地，利用證據(jù)組合算法，由 和 可獲得在k時刻關(guān)于第j個特征的第i個傳感器和第i+1個傳感器的聯(lián)合證據(jù) 。19.2 傳感器信息融合的一般方法 如此遞推下去，可獲得所有N個傳感器在k時刻對j特征的信任函數(shù)，信任度最大的即為信息融合過程最終判定

23、的環(huán)境特征。D-S證據(jù)推理優(yōu)點： 算法確定后，無論是靜態(tài)還是時變的動態(tài)證據(jù)組合，其具體的證據(jù)組合算法都有一共同的算法結(jié)構(gòu)。缺點： 當對象或環(huán)境的識別特征數(shù)增加時，證據(jù)組合的計算量會以指數(shù)速度增長。19.2 傳感器信息融合的一般方法 人工神經(jīng)網(wǎng)絡(luò)法神經(jīng)網(wǎng)絡(luò)是由數(shù)個至數(shù)十億個被稱為神經(jīng)元的細胞（組成我們大腦的微小細胞）所組成，它們以不同方式連接而型成網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)就是嘗試模擬這種生物學上的體系結(jié)構(gòu)及其操作用于信息處理技術(shù)。人工神經(jīng)網(wǎng)絡(luò)是利用多個簡單計算模型有機構(gòu)成一個計算網(wǎng)絡(luò)用以實現(xiàn)一個復(fù)雜的規(guī)則。神經(jīng)網(wǎng)絡(luò)技術(shù)的主要用途？利用一定數(shù)據(jù)在一定誤差下逼近一個解析式未知的函數(shù)。利用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)空

24、間的線性或非線性劃分，以此實現(xiàn)目標分類。神經(jīng)網(wǎng)絡(luò)的實現(xiàn)是基于數(shù)據(jù)的，最終的規(guī)則對用戶是透明的。19.2 傳感器信息融合的一般方法 19.2 傳感器信息融合的一般方法 由上圖可得：19.2 傳感器信息融合的一般方法 19.2 傳感器信息融合的一般方法 決定神經(jīng)網(wǎng)絡(luò)性能的幾個因素：神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)：包括神經(jīng)網(wǎng)絡(luò)的層數(shù)、每層神經(jīng)元數(shù)量；每層神經(jīng)元的作用函數(shù)；神經(jīng)網(wǎng)絡(luò)訓練的目標函數(shù)和學習算法；神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初始值；神經(jīng)網(wǎng)絡(luò)的訓練數(shù)據(jù)。19.2 傳感器信息融合的一般方法 神經(jīng)網(wǎng)絡(luò)的應(yīng)用步驟：神經(jīng)網(wǎng)絡(luò)的設(shè)計，包括確定網(wǎng)絡(luò)結(jié)構(gòu)、作用函數(shù)和學習算法；神經(jīng)網(wǎng)絡(luò)初始化；利用實驗方法獲得神經(jīng)網(wǎng)絡(luò)的訓練數(shù)據(jù)和

25、測試數(shù)據(jù)；利用實驗數(shù)據(jù)對網(wǎng)絡(luò)進行訓練和測試；利用訓練后的網(wǎng)絡(luò)處理相關(guān)的輸入信息。19.2 傳感器信息融合的一般方法 感知器神經(jīng)網(wǎng)絡(luò)特點：網(wǎng)絡(luò)結(jié)構(gòu)上可以為單層或多層的前向網(wǎng)絡(luò)結(jié)構(gòu)；作用函數(shù)為階躍函數(shù)，因此輸出為二值變量；利用輸入和誤差簡單計算權(quán)值和閾值調(diào)整量，學習算法很簡單；一般用于解決較為簡單的線性分類問題。19.2 傳感器信息融合的一般方法 19.2 傳感器信息融合的一般方法 基于神經(jīng)網(wǎng)絡(luò)的傳感器信息融合特點如下：具有統(tǒng)一的內(nèi)部知識表示形式，通過學習算法可將網(wǎng)絡(luò)獲得的傳感器信息進行融合，獲得相應(yīng)網(wǎng)絡(luò)的參數(shù)，并且可將知識規(guī)則轉(zhuǎn)換成數(shù)字形式，便于建立知識庫；利用外部環(huán)境的信息，便于實現(xiàn)知識自動獲取及并行聯(lián)想推理；能夠?qū)⒉淮_定環(huán)境的復(fù)雜關(guān)系，經(jīng)過學習推理，融合為系統(tǒng)能理解的準確信號；由于神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理信息能力，使得系統(tǒng)信息處理速度