论文摘要
随着科学技术的日新月异,各种传感器技术层出不穷。为了满足不断增多的现实需求,传感器系统变得越来越复杂。传统的系统比较简单,通常从单一传感器获取信息。即使采用多传感器也只是从多个侧面单独地反映目标信息。现代的大多数系统比较复杂,需要同时处理来自多个信号源的信息。所以要对多传感器的观测信息依据某种优化准则进行组合使用,弥补单一传感器获取信息的片面性。并且,通过多传感器信息的互补与去噪,能提高信息的准确性,容错性和全面性。因此,研究多传感器数据融合技术很有必要。多传感器数据融合是处理多源数据的技术,是一种多层次、多方面的处理过程。本文先对多传感器数据融合的基本理论进行了概述,介绍了数据融合的分类和模型。然后,从数据级融合和决策级融合两个层面进行了融合算法的理论研究和实验论证。在数据级融合上,研究了自适应加权融合算法的原理,存在的噪声和融合精度问题,并对其进行了实验仿真。在决策级融合上,研究了BP神经网络的基本原理,网络设计分析及存在的问题,并对其进行玻璃的质量预测实验。同时,研究了D-S证据理论的基本原理,组合规则及存在的问题,并对其进行玻璃的质量预测实验。在数据级融合研究中,利用融合精度跟融合次数和传感器个数相关的特点,提出了阶梯式动态加权融合算法。通过实验对比得出该算法比自适应加权融合算法具有更高的准确性。在决策级融合研究中,利用BP神经网络来解决可信度分配问题和D-S证据理论来决策融合,得出基于BP神经网络和D-S证据理论的改进算法,并对其进行玻璃的质量预测实验。实验证明该算法提高了玻璃的质量预测能力。最后,将改进的多传感器数据融合算法应用到玻璃生产过程可视化系统中,并进行了初步分析与设计。
论文目录
相关论文文献
标签：多传感器数据融合论文; 自适应加权融合论文; 决策级融合论文; 质量预测论文;