神经网络数据融合特征提取,神经网络 信息融合

神经网络可以进行信息融合吗

传感器是一种能把物理量或化学量转变成便于利用的电信号的器件。目前对于信息融合有多种不同的定义。

其中美国国防部JDL（Joint Directors of Laboratories）的定义为：把来自许多传感器和信息源的数据和信息加以联合（Association）、相关（Combination）、组合（Correlation），以获得精确的位置估计（Position Estimation）和身份估计（Identity Estimation），以及对战场情况威胁及其重要程度进行适时的完整评价。

学者Edward Waltz和James Llinas的定义为：是一种多层次的、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计，以及完整、及时的态势评估（situation assessment）和威胁估计最广泛的定义是指把来自多传感器的数据和信息，根据既定的规则，分析、结合为一个全面的情报，并在此基础上为用户提供需求信息，诸如：决策、任务和航迹等。

信息融合最初是针对多传感器系统中多源异构信息的处理和集成而开展的一个研究领域，随着多传感器系统的广泛应用，便出现了多传感器信息的处理和使用问题，多传感器数据融合技术应运而生，它是利用计算机技术对按时序获得的若干传感器的观测信息，以及数据库和知识库的信息，在一定准则下加以自动汇集、相关、分析、综合为一种表示形式，以完成所需要的估计和决策任务所进行的信息处理过程。

由于多传感器信息的冗余性、互补性、时效性和低代价，使得多传感器信息融合系统克服了单一传感器的局限，从而具有较强的鲁棒性和较高的置信度。

数据融合由多传感器融合问题发展而来，目前已不局限于传感器数据的融合，目前的数据融合技术不仅涵盖了声、光、电等物理层的处理，而且涉及了数据库、网页、视频、资讯、自然语言等较高层次的信息整合。

谷歌人工智能写作项目：神经网络伪原创

下面这个题目

可靠传递：通过无线网络与互联网的融合，将物体信息实时准确地传递给用户；全面感知：利用RFID,传感器，二维码随时随地的获取物体的信息；智能处理：利用云计算、数据挖掘和模糊识别等人工智能技术，对海量的数据和信息进行分析和处理，对物体实施智能化的控制；互联网：即广域网、局域网及单机按照一定的通信协议组成的国际计算机网络，互联网是指将两台或者两台以上的计算机终端、客户算、服务端通过信息技术手段互相连接在一起的结果好文案。

此题答案：A。

高分求翻译 80

电网electric network电力系统Power System 暂态稳定仿真Transient Stability Simulation 暂态稳定Transient Stability神经网络Neural network 信息融合information amalgamation人工神经网络Artifical Neural Network 3机系统模型tri-generator model特征量Characteristics Currently, the transient stability problem in power system is one of the main problems to solve for keeping electric network stability, and there are mainly two analysis methods of the transient stability of current electric network: "time domain simulation method" and "direct method"，to some extent, they both have drawbacks. In this paper, the author introduced a method named "Artifical Neural Network (ANN)information amalgamation"，and applied it in estimation of transient stability in power system.Firsly, the author discussed the characters of the technology of information amalgamation, reviewed the traditional transient stability estimation and its advantages and disadvantages，put forward an estimation model of the transient stability in power system based on ANN. Then, the author constructed a tri-generator model with MATLAB software, and ran the transient stability simulation in order to gain the sample for information amalgamation analysis as follows. Finally, the author constructed ANN with Neural Network Toolbox in MATLAB simulation software. Under given network cases, it can construct information amalgamation model and get the results of information amalgamation for analysis of transient stability, and also can compare the results got by this method with that of traditional methods (such as time domain simulation method). Keywords: Characteristics Information amalgamation, Artifical neural network, Transient stability analysis of power system。

信息融合的模型

近20 年来，人们提出了多种信息融合模型.其共同点或中心思想是在信息融合过程中进行多级处理.现有系统模型大致可以分为两大类：a）功能型模型，主要根据节点顺序构建； b）数据型模型，主要根据数据提取加以构建.在20 世纪80 年代，比较典型的功能型模型主要有U K情报环、Boyd控制回路（OODA 环） ；典型的数据型模型则有JDL 模型. 20 世纪90年代又发展了瀑布模型和Dasarathy模型. 1999 年Mark Bedworth 综合几种模型，提出了一种新的混合模型。

下面简单对上述典型模型介绍。情报环情报处理包括信息处理和信息融合。

已有许多情报原则，包括： 中心控制避免情报被复制；实时性确保情报实时应用 ；系统地开发保证系统输出被适当应用 ；保证情报源和处理方式的客观性；信息可达性；情报需求改变时，能够做出响应； 保护信息源不受破坏；对处理过程和情报收集策略不断回顾，随时加以修正. 这些也是该模型的优点，而缺点是应用范围有限。

U K 情报环把信息处理作为一个环状结构来描述. 它包括4 个阶段：a) 采集，包括传感器和人工信息源等的初始情报数据；b) 整理，关联并集合相关的情报报告，在此阶段会进行一些数据合并和压缩处理，并将得到的结果进行简单的打包，以便在融合的下一阶段使用；c) 评估，在该阶段融合并分析情报数据，同时分析者还直接给情报采集分派任务；d）分发，在此阶段把融合情报发送给用户通常是军事指挥官，以便决策行动，包括下一步的采集工作。

JDL 模型1984 年，美国国防部成立了数据融合联合指挥实验室，该实验室提出了他们的JDL 模型，经过逐步改进和推广使用，该模型已成为美国国防信息融合系统的一种实际标准。

JDL模型把数据融合分为3 级：第1 级为目标优化、定位和识别目标；第2 级处理为态势评估，根据第 1 级处理提供的信息构建态势图；第3 级处理为威胁评估，根据可能采取的行动来解释第2 级处理结果,并分析采取各种行动的优缺点. 过程优化实际是一个反复过程，可以称为第4 级，它在整个融合过程中监控系统性能，识别增加潜在的信息源，以及传感器的最优部署。

其他的辅助支持系统包括数据管理系统存储和检索预处理数据和人机界面等。Boyd控制环Boyd 控制环OODA 环，即观测、定向、决策、执行环，它首先应用于军事指挥处理，已经大量应用于信息融合。

可以看出，Boyd 控制回路使得问题的反馈迭代特性显得十分明显。

它包括4 个处理阶段：a) 观测，获取目标信息，相当于JDL 的第1 级和情报环的采集阶段； b) 定向，确定大方向，认清态势，相当于JDL 的第2 级和第3 级，以及情报环的采集和整理阶段；c) 决策，制定反应计划，相当于JDL 的第4 级过程优化和情报环的分发行为，还有诸如后勤管理和计划编制等；d) 行动，执行计划，和上述模型都不相同的是，只有该环节在实用中考虑了决策效能问题。

OODA 环的优点是它使各个阶段构成了一个闭环，表明了数据融合的循环性。

可以看出，随着融合阶段不断递进，传递到下一级融合阶段的数据量不断减少. 但是OO DA 模型的不足之处在于，决策和执行阶段对OODA 环的其它阶段的影响能力欠缺，并且各个阶段也是顺序执行的。

扩展OODA模型扩展OODA 模型是加拿大的洛克西德马丁公司开发的一种信息融合系统结构。

该种结构已经在加拿大哈利法克斯导弹护卫舰上使用. 该模型综合了上述各种模型的优点，同时又给并发和可能相互影响的信息融合过程提供了一种机理. 用于决策的数据融合系统被分解为一组有意义的高层功能集合例如图4 给出的由N 个功能单元构成的集合，这些功能按照构成OODA 模型的观测、形势分析、决策和执行4 个阶段进行检测评估。

每个功能还可以依照OODA 的各个阶段进一步分解和评估. 图4 中标出的节点表示各个功能都与那几个OODA 阶段相关. 例如：功能A 和N 在每个阶段都有分解和评估，而功能B 和C 只与OODA 的部分或单个阶段有关. 该模型具有较好的特性，即环境只在观测阶段给各个功能提供信息输入，而各个功能都依照执行阶段的功能行事。

此外，观测、定向和决策阶段的功能仅直接按顺序影响其下各自一阶段的功能，而执行阶段不仅影响环境，而且直接影响OODA 模型中其它各个阶段的瀑布模型。

Dasarathy模型Dasarathy 模型包括有5 个融合级别，如下表所示。综上可以看到，瀑布模型对底层功能作了明确区分，JDL 模型对中层功能划分清楚，而Boyd 回路则详细解释了高层处理。

情报环涵盖了所有处理级别，但是并没有详细描述。而Dasarathy 模型是根据融合任务或功能加以构建，因此可以有效地描述各级融合行为。

输入 输出 描述 数据 数据 数据级融合 数据 特征 特征选择和特征提取 特征 特征 特征级融合 特征 决策 模式识别和模式处理 决策 决策 决策级融合 混合模型混合模型综合了情报环的循环特性和Boyd 控制回路的反馈迭代特性，同时应用了瀑布模型中的定义，每个定义又都与JDL 和Dasarathy 模型的每个级别相联系. 在混合模型中可以很清楚地看到反馈. 该模型保留了Boyd 控制回路结构，从而明确了信息融合处理中的循环特性，模型中4 个主要处理任务的描述取得了较好的重现精度. 另外，在模型中也较为容易地查找融合行为的发生位置。

主要算法多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类,随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规则等；而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。

可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。

主要方法加权平均法信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。

卡尔曼滤波法卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。

如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。

但是，采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重的问题，比如： (1）在组合信息大量冗余的情况下，计算量将以滤波器维数的三次方剧增，实时性不能满足； (2）传感器子系统的增加使故障随之增加，在某一系统出现故障而没有来得及被检测出时，故障会污染整个系统，使可靠性降低。

多贝叶斯估计法贝叶斯估计为数据融合提供了一种手段，是融合静态环境中多传感器高层信息的常用方法。

它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进行融合，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。

多贝叶斯估计将每一个传感器作为一个贝叶斯估计，将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提供整个环境的一个特征描述。

证据推理方法证据推理是贝叶斯推理的扩充，其3个基本要点是：基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的，分三级。

第1级为目标合成，其作用是把来自独立传感器的观测结果合成为一个总的输出结果（D); 第2级为推断，其作用是获得传感器的观测结果并进行推断，将传感器观测结果扩展成目标报告。

这种推理的基础是：一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告；第3级为更新，各种传感器一般都存在随机误差,所以，在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。

因此，在推理和多传感器合成之前，要先组合（更新）传感器的观测数据。产生式规则采用符号表示目标特征和相应传感器信息之间的联系，与每一个规则相联系的置信因子表示它的不确定性程度。

当在同一个逻辑推理过程中，2个或多个规则形成一个联合规则时，可以产生融合。

应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关，如果系统中引入新的传感器，需要加入相应的附加规则。

模糊逻辑是多值逻辑，通过指定一个0到1之间的实数表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。

如果采用某种系统化的方法对融合过程中的不确定性进行推理建模，则可以产生一致性模糊推理。

与概率统计方法相比，逻辑推理存在许多优点，它在一定程度上克服了概率论所面临的问题，它对信息的表示和处理更加接近人类的思维方式，它一般比较适合于在高层次上的应用（如决策），但是，逻辑推理本身还不够成熟和系统化。

此外，由于逻辑推理对信息的描述存在很大的主观因素，所以，信息的表示和处理缺乏客观性。

模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑，模糊逻辑是一种多值逻辑，隶属度可视为一个数据真值的不精确表示。

在MSF过程中，存在的不确定性可以直接用模糊逻辑表示，然后，使用多值逻辑推理，根据模糊集合理论的各种演算对各种命题进行合并，进而实现数据融合。

神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器数据融合技术处理的要求。

在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性,对这些不确定信息的融合过程实际上是一个不确定性推理过程。

神经网络根据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时，可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。

利用神经网络的信号处理能力和自动推理功能，即实现了多传感器数据融合。常用的数据融合方法及特性如表1所示。

通常使用的方法依具体的应用而定，并且，由于各种方法之间的互补性，实际上，常将2种或2种以上的方法组合进行多传感器数据融合。

表1　常用的数据融合方法比较[15]融合方法运行环境信息类型信息表示不确定性融合技术适用范围加权平均动态冗余原始读数值加权平均低层数据融合卡尔曼滤波动态冗余概率分布高斯噪声系统模型滤波低层数据融合贝叶斯估计静态冗余概率分布高斯噪声贝叶斯估计高层数据融合统计决策理论静态冗余概率分布高斯噪声极值决策高层数据融合证据推理静态冗余互补命题逻辑推理高层数据融合模糊推理静态冗余互补命题隶属度逻辑推理高层数据融合神经元网络动/静态冗余互补神经元输入学习误差神经元网络低/高层产生式规则动/静态冗余互补命题置信因子逻辑推理高层数据融合。

agv中的关键技术不包括哪个

不包括运动技术。两个关键技术，他们是：1、定位于导航，2、AGV调度。AGV作为自动化物流装备水平最高的产品，它的应用领域范围很广泛。

国内AGV市场这两年发展迅猛，导航算法、传感器、调度系统这些差距都在逐渐缩小，而稳定性这方面经过产品不断迭代、技术方面也有所进步。

agv中的关键技术：（1）导引及定位技术作为AGV技术研究的核心部分，导引及定位技术的优劣将直接关系着AGV的性能稳定性、自动化程度及应用实用性。（2）路径规划和任务调度技术第一，行驶路径规划。

行驶路径规划是指解决AGV从出发点到目标点的路径问题，即“如何去”的问题。

现阶段国内外已经有大量的人工智能算法被应用于AGV行驶路径规划中，如蚁群算法、遗传算法、图论法、虚拟力法、神经网络和AI算法等。第二，作业任务调度。

作业任务调度是指根据当前作业的请求对任务进行处理，包括对基于一定规则的任务进行排序并安排合适的AGV处理任务等。

需要综合考虑各个AGV的任务执行次数、电能供应时间、工作与空闲时间等多个因素，以达到资源的合理应用和最优分配。第三，多机协调工作。

多机协调工作是指如何有效利用多个AGV共同完成某一复杂任务，并解决过程中可能出现的系统冲突、资源竞争和死锁等一系列问题。

现在常用的多机协调方法包括分布式协调控制法、道路交通规则控制法、基于多智能体理论控制法和基于Petri网理论的多机器人控制法。

（3）运动控制技术不同的车轮机构和布局有着不同的转向和控制方式，现阶段AGV的转向驱动方式包括如下两种：两轮差速驱动转向方式，即将两独立驱动轮同轴平行地固定于车体中部。

其它的自由万向轮其支撑作用，控制器通过调节两驱动轮的转速和转向，可以实现任意转弯半径的转向；操舵轮控制转向方式，即通过控制操舵轮的偏航角实现转弯，其存在最小转弯半径的限制。

控制系统通过安装在驱动轴上的编码器反馈来组成一个闭环系统，目前基于两轮差速驱动的AGV路径跟踪方法主要有：PID控制法、最优预测控制法、专家系统控制法、神经网络控制法和模糊控制法。

（4）信息融合技术信息融合是指利用多源信息的关联组合，充分识别、分析、估计和调度数据，完成下达决策和精确处理信息的任务，并对周围环境、战况等进行适度的估计。

目前，在导引领域研究和应用的信息融合技术主要有Kalman滤波、贝叶斯估计法与D-S证据推理等，其中以Kalman滤波最广。

Kalman滤波具有良好的实时性，但它是建立在严格的数学模型的基础上，当导引模型存在较大建模误差或者系统特性发生变化时往往会导致滤波发散。

为提高滤波算法的鲁棒性和自适应能力，可针对AGV的导引要求与特点，研究适当的自适应Kalman滤波算法、鲁棒滤波算法或智能滤波（如模糊推理、神经网络、专家系统）方法等。

多传感器信息融合和神经网络(RBF)是什么关系?

两者间不具有明显的关系，前者是一类需要解决的问题，即将处于不同层次或相同层次的传感器信息进行全局性或局部性的融合。（加权平均就是一种最简单的融合）。

神经网络（NN）是人工智能算法中的一种方法，其可以用于解决诸如多传感器信息融合这样的一类问题，其应用领域多种多样。总而言之，两者间非必须的一种组合，但是两者相结合也是一种处理问题的方法。

RBF(radial basis functions)径向基网络也只是神经网络的一种类型，其是前馈型网络的一种。

数据融合技术的用途

随着系统的复杂性日益提高，依靠单个传感器对物理量进行监测显然限制颇多。

因此在故障诊断系统中使用多传感器技术行多种特征量的监测(如振动、温度、压力、流量等)，并对这些传感器的信息进行融合，以提高故障定位的准确性和可靠性。

此外，人工的观测也是故障诊断的重要信息源．但是．这一信息来源往往由于不便量化或不够精确而被人们所忽略。信息融合技术的出现为解决这些问题提供了有力的工具．为故障诊断的发展和应用开辟了广阔的前景。

通过信息融合将多个传感器检测的信息与人工观测事实进行科学、合理的综合处理．可以提高状态监测和故障诊断智能化程度。

信息融合是利用计算机技术将来自多个传感器或多源的观测信息进行分析、综合处理．从而得出决策和估计任务所需的信息的处理过程。

另一种说法是信息融合就是数据融合．但其内涵更广泛、更确切、更合理，也更具有概括性．不仅包括数据，而且包括了信号和知识，由于习惯上的原因，很多文献仍使用数据融合。

信息融合的基本原理是：充分利用传感器资源．通过对各种传感器及人工观测信息的合理支配与使用．将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则或算法组合来，产生对观测对象的一致性解释和描述。

其目标是基于各传感器检测信息分解人工观测信息．通过对信息的优化组合来导出更多的有效信息。复杂工业过程控制是数据融合应用的一个重要领域。

通过时间序列分析、频率分析、小波分析，从传感器获取的信号模式中提取出特征数据，同时，将所提取的特征数据输入神经网络模式识别器，神经网络模式识别器进行特征级数据融合，以识别出系统的特征数据，并输入到模糊专家系统进行决策级融合。

专家系统推理时，从知识库和数据库中取出领域规则和参数，与特征数据进行匹配（融合）。最后，决策出被测系统的运行状态、设备工作状况和故障。

神经网络可以进行信息融合吗

神经网络可以进行信息融合吗