基于神经网络的信息融合算法研究

论文摘要

近年来,多传感器信息融合理论及应用技术研究得到了快速的发展,已经成为一个重要的研究领域。其中,神经网络、模糊推理、贝叶斯理论、聚类分析算法等信息融合算法一直是国内外研究的热点。针对不同的实际应用需求,将这些方法和理论有机融合,是目前研究的一种趋势。本文在分析研究目前主要融合算法的基础上,对BP神经网络模糊推理等多传感器信息融合算法进行了改进和完善。首先,针对BP网络学习算法易陷入局部极小值、收敛速度慢的缺陷,给出了基于Levenberg-Marquardt的改进的LMBP学习算法,并对改进的方法在Matlab上进行了实现。其次,针对大规模样本聚类的时间复杂度过高和聚类结果对经验参数设置的依赖性过强的问题,本文给出一种基于密度网格可变参数的自扩展聚类算法,算法先将数据空间分割成相同大小的网格单元,再将样本归一化后映射到相应的网格单元中,然后从指定密度较大的网格单元向周围扩展直到其平均密度达到指定的下限或可扩展的聚类边界为止。聚类过程中,通过下限密度和均值密度来限制聚类间的过度扩展,如果有效样本的比率低于阈值则自适应调整扩展密度并重新聚类。然后,将其与模糊神经网络有机融合,给出了基于该聚类算法的模糊神经网络学习算法,利用聚类算法从样本中提取规则数目,并将其应用于模糊神经网络建模,缩短了模糊神经网络的运算时间,提高了整个系统的效率。最后,对基于改进的LMBP学习算法的信息融合技术进行了仿真实验。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的目的和意义
• 1.2 国内外研究的现状
• 1.2.1 神经网络的研究现状
• 1.2.2 信息融合的研究现状
• 1.3 本文研究的主要内容和章节安排
• 第2章 信息融合的理论和算法研究
• 2.1 引言
• 2.2 信息融合的基本原理和优势
• 2.3 信息融合的算法研究
• 2.3.1 Bayes理论
• 2.3.2 聚类算法
• 2.3.3 模糊判决法
• 2.3.4 神经网络
• 2.4 神经网络的算法研究
• 2.4.1 人工神经网络
• 2.4.2 BP网络学习算法及存在的问题分析
• 2.4.3 LMBP网络学习算法及存在的问题分析
• 2.4.4 改进的LMBP学习算法
• 2.4.5 改进的LMBP学习算法的步骤
• 2.4.6 改进的LMBP学习算法在Matlab上的实现
• 2.5 模糊推理与神经网络相结合的算法
• 2.5.1 模糊识别过程
• 2.5.2 模型的结构
• 2.5.3 应用神经网络进行模糊处理的过程
• 2.5.4 应用改进的LMBP算法调节网络参数
• 2.6 本章小结
• 第3章 自扩展聚类算法及在模糊BP网络中的应用
• 3.1 引言
• 3.2 自组织聚类的算法分析
• 3.3 基于密度网格可变参数的自扩展聚类算法
• 3.3.1 基于密度单元的自扩展聚类算法
• 3.3.2 改进的基于密度网格可变参数的自扩展聚类算法（PASCDU）
• 3.3.3 SECDU算法和PASCDU算法的实验结果对比
• 3.4 PASCDU算法在模糊BP网络中的应用
• 3.4.1 模糊BP神经网络的结构设计
• 3.4.2 模糊BP神经网络的参数确定
• 3.4.3 模糊BP神经网络的学习算法
• 3.4.4 PASCDU算法在模糊BP网络中的应用
• 3.5 本章小结
• 第4章 仿真实验
• 4.1 改进的LMBP神经网络算法在信息融合中的应用
• 4.1.1 单一神经网络和神经网络组的实验
• 4.1.2 单一神经网络和神经网络组的收敛比较
• 4.1.3 用改进的LMBP算法的神经网络进行信息融合
• 4.2 本章小结
• 结论
• 参考文献
• 致谢
• 个人简历