搜档网
当前位置:搜档网 › 基于D_S证据理论和BP神经网络的多传感器信息融合

基于D_S证据理论和BP神经网络的多传感器信息融合

基于D_S证据理论和BP神经网络的多传感器信息融合
基于D_S证据理论和BP神经网络的多传感器信息融合

22

基于D-S证据理论和BP神经网络的多传感器信息融合

付家才,万 遂

(黑龙江科技学院电气与信息工程学院 哈尔滨,150027)

摘 要:针对多传感器信息融合的基本可信度分配在实际应用中难以解决的问题,提出了一种基于D-S证据

理论与BP网络相结合的多传感器信息融合的改进方法。该方法充分发挥BP神经网络自学习、自适应和容错的能力,利用BP神经网络处理证据理论的基本可信度问题,再利用D-S证据理论来处理不精确、模糊的信息。最后通过一个实例证明了该方法的有效性。

关键词:D-S证据理论;BP神经网络;信息融合

Abstract: Based on multisensor information fusion for the basic probability assignment in the practical application problem difficult to solve, This paper presents a method of multisensor information fusion based on BP neural network and DS evidence theory. The method can give full play to self-study of BP neural network, self-adapting and fault-tolerant ability, And also it use D-S’s Evidence to deal with the inaccuracy and fuzzy information. Finally, an example shows the effectiveness of the method.

Key words: D-S evidence theory ; BP neural network ; Information fusion

中图分类号:TP242 文献标识码:B 文章编号:1001-9227(2011)01-0022-03

收稿日期:2010-07-16

作者简介:付家才(1954-),男,教授,硕士生导师,主要从事电气自动化方面研究工作。

0 引 言

多传感器信息融合就是把分布在不同位置,处于不同状态的多个同类或不同类型传感器所提供的局部不完整观察量加以综合,消除多传感器信息之间可能存在的冗余和矛盾,利用信息互补,降低不确定性,以形成对系统环境相对完整一致的感知描述,从而提高智能系统决策、规划

的科学性,反应的快速性和正确性,降低其决策风险[1]

D-S证据理论具有比较强的理论基础,既能处理随机性所导致的不确定性,又能处理模糊性所导致的不确定性。它不采用概率而是采用信任函数作为度量,通过对事件的概率加以约束以建立信任函数而不需要说明精确的难以获得的概率,如果把约束限制为严格的概率,那就是概率论。但是D-S证据理论应用的一个难点就是基本可信度的分配,这需要相关领域专家的经验和知识,有时这是难以实现的。本文采用神经网络来解决基本可信度分配这个难点,利用神经网络的泛化能力得到证据对待辨识目标的基本可信度的分配,再利用D-S证据理论对其进行融合,得到最后的识别结果。

1 D-S证据理论

1.1 D-S理论的基本概念

设U表示X所有可能取值的一个论域集合,且所有在

U内的元素间是互不相容的,则称U为X的一个识别框架[2]

定义1:设U为一识别框架,则函数m:2U

→[0,1]满足下列条件:

(1)

(2)

则称m (A )为A的基本概率赋值。

m (A )表示对命题A的精确信任程度,表示了对A的直接支持。

定义2:设U为一识别框架,m:2U

→[0,1]是U上的基本

概率赋值,定义函数BEL:2U

→[0,1]为:

(1)

称该函数是U上的信任函数。

式(1)表示A的所有子集的可能性度量之和,即表示对A的总信任,信任函数表示对假设的信任程度估计的悲观估计,从而可知,BEL (U )=1。

定义3:若识别框架U的一个子集A,具有m(A)>0,则

__

称A为信任函数BEL的焦元,的信任度来度量。

定义4:设U是一识别框架,定义PL:2U

→[0,1]为:

(2)

PL称为似真度函数[2]

实际上PL(A)表示不否定A的信任度,是所有与A相交的集合的基本概率赋值之和,即似真度函数表示假设对信任程度估计的乐观估计。这样信任度和似真度就概括了证据对具体的命题A的关系。他们之间的关系如图1所示。

图1 证据区间示意图

1.2 Dempst合成法则

基于D-S证据理论和BP神经网络的多传感器信息融合 付家才,等

《自动化与仪器仪表》2011年第1期(总第153期)23

证据理论中的组合规则提供了组合两个证据和多个

证据的规则。设m1、m2是相同鉴别框架2U

上的两个相互独立的基本概率赋值,焦元分别为A1,…,Ak和B1,…,Br,又

设:

(3)

则其组合后的概率赋值函数m:2U

→[0,1]对于所有基本概率赋值的非空集A,

有:

(4)

在(4)式中,若k≠1,则m确定一个基本概率赋值,若

k=1,则认为m1和m2矛盾,不能对基本概率赋值进行组合。

同样多个证据(假设有n个)

的组合规则为:

(5)

2 利用B-P网络进行基本可信度分配2.1 BP网络的基本理论

BP网络是一种单向传播的多层前向网络,一般由三层及三层以上的神经网络构成,包括输入层、中间层(隐层)和输出层。BP网络采用有教师学习训练方法。当学习样本提供给网络,输入模式将从输入层经中间层向输出层传播,输出层的各神经元将输出对应输入模式的网络响应,并将希望输出与实际输出的误差反传给输入层,此误差信号作为修正各单位权值的依据,随着学习过程的不断进行,使实际输出不断逼近希望输出。一个典型的三层前馈BP网络是由三层前向网络(前馈网络)组成,即一个输入层、一个隐含层、一个输出层,其网络的拓补结构如图

2所示[3]

图2 BP网络的拓扑结构

2.2 基本可信度的分配

只要利用三层的BP网络,就可以任意精度逼近任何非线性连续函数,并且三层BP网络可以完成任意的n维空

间到m维的映射[4]

设有M个传感器用于N个待识目标。把M个传感器的测量数据经过相应的信号处理,提取出m个特征向量,这样

就形成了m输入n输出的BP网络,并且由于logsigmoid函

数的输出量在(0,1)之间,所以BP网络的神经元采用logsigmoid函数将网络输出限定到(0,1)区间上。这样只要提供足够多的样本模式,把m个特征向量作为输入,利用Matlab7神经网络工具箱对其进行训练学习,就可以得到n个(0,1)上的输出,将这n个输出经过归一化处理,分别作为这n个待识目标的基本可信度分配BPA。

3 仿真实验

下面举一个多传感器信息融合的例子来说明D-S证据理论与BP网络联合应用的有效性。设O1表示战斗机,O2表示多用途或地面攻击机,O3表示轰炸机,O4表示预警机,O5表示其他飞行器,目标识别框架为U={O1 O2 O3 O4 O5},系统使用ESM,IR和EO三种传感器。

本文利用三个BP神经网络分别对ESM,IR和EO三种传感器的探测结果进行基本可信度分配。首先利用数据库中代表性的样本数据对这三个BP神经网络进行训练,直到网络误差满足E{E0=0.001},然后将每一组的ESM,IR和EO的数据输入到网络,得到基本可信度分配,如表1所示。

表1 由三种传感器确定的基本概率赋值

然后按Dempster组合规则对mESM(.)和mIR(.)组合得到ESM和IR传感器关于目标识别的基本概率赋值,组合情况如表2所示。

表2 mESM(.)和mIR(.)组合情况

其中Φ表示空集,由表2可得mESM(.)和mIR(.)这两批证据的不一致因子K1为

(6)

于是将ESM和IR

融合后的基本概率赋值为

(7)

同理得:

24

再同理,将ESM、IR和EO三个传感器融合后的基本概

率赋值为:

将上述融合结果总结于表3中。

表3 融合结果

由表3可以看出,通过融合,不确定性的基本概率赋值函数下降到0.009。当采用基于基本概率赋值的决策方法时,可决策目标为O1,即目标是战斗机。

4 结 论

本文探讨了一种可以弥补D-S证据理论在多传感器信息融合过程中不足的改进方法。该方法充分发挥了BP神经网络的自适应、泛化等能力,以及D-S证据理论处理模糊信息和进行不精确推理的能力。从实验中可以看出利用该方法能达到理想的信息融合效果。

参考文献

[1]胡玉兰,范晓静.基于D-S证据理论改进方法的目标识别[C].第

27届控制会议,2008:16-18.

何 友,王国宏等.多传感器信息融合及应用[M].北京:电子工

业出版社,2000:12-15.

成蓬勃,袁福科等.改进BP网络算法在配电网故障诊断中的应

用研究[J].继电器,2007:5-6.

阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华

大学出版社,2000,23(12):25-28.

[2][3][4](上接第21页)

快了控制反应速度。3 计算误差分析

虽然作者用上述原理和方法在球阀流量控制工程中取得较好效果,但从理论上讲,过流面积与角度转换的误差确实存在。如,球阀旋转导致流线变化,过流面积为椭圆只是接近事实的假设等。从应用的效果看,基本反映了球阀的旋转角度与过流面积的非线性关系,加上PID算法的跟踪特性和PID参数调试确定方法,理论误差被模糊地处理在PID参数整定方面,实际误差可忽略不计。4 工程实例

控制模型:图3为CO2热泵系统控制模型。左边部分是以压缩机为动力的CO2跨临界循环。在吸热交换器中制冷,在放热交换器中烧制热水。通过控制右部电动调节球阀,控制热水出口温度。

图3

PID算式:当温度低于目标值时,水流量大,应减小调节阀开度;温度高于目标值时,水流量小,应加大调节阀开度。故PID算式如下。

S(t) = S(t-1)-ΔS(t)

ΔS(t) = q0e(t)+q1e(t-1)+q2e(t-2) (4)e(t) = T(t)–T0

q0 = Kp(1+T/Ti+Td/T)q1 = -Kp(1+2Td/T)

q2 = Kp Td /T

ΔS(min)≤ΔS(t)≤ΔS(max)其中:S(t)为过流面积,T(t)为实测水温,T0为目标水温,Kp为比例系数,Ti为积分系数,Td为微分系数,T为计算时段,ΔS(max)和ΔS(min)为增量限值。

控制效果:过流面积分出6个区间,温度偏差分出3个区间,加上超调抑制处理,得到较好PID过程控制效果。如图5对比所示。

图4

上图为热泵起动时的控制效果。我们也做了来水压力和流量干扰测试。温度偏差3度内的干饶,1分钟内控稳;温度偏差5度内的干饶,1分半钟内控稳。5 小 结

本文是对工程应用中解决问题的方法总结,错误在所难免,请发现指正。球阀角度与过流面积非线性必须处理,否则在调控制的同时带入周期性干扰。随热水出水口高度上升,进出口水压差下降,PID控制稳定点的过流面积有所增大。当过流面积大于整定的门槛值,进水管道泵运行增压。

参考文献

[1] 夏德今,翁贻方.自动控制原理[M].北京:机械工业出版社,2003.

基于D-S证据理论和BP神经网络的多传感器信息融合 付家才,等

bp神经网络详解

学习是神经网络一种最重要也最令人注目的特点。在神经网络的发展进程中,学习算法的研究有着十分重要的地位。目前,人们所提出的神经网络模型都是和学习算法相应的。所以,有时人们并不去祈求对模型和算法进行严格的定义或区分。有的模型可以有多种算法.而有的算法可能可用于多种模型。不过,有时人们也称算法为模型。 自从40年代Hebb提出的学习规则以来,人们相继提出了各种各样的学习算法。其中以在1986年Rumelhart等提出的误差反向传播法,即BP(error BackPropagation)法影响最为广泛。直到今天,BP算法仍然是自动控制上最重要、应用最多的有效算法。 1.2.1 神经网络的学习机理和机构 在神经网络中,对外部环境提供的模式样本进行学习训练,并能存储这种模式,则称为感知器;对外部环境有适应能力,能自动提取外部环境变化特征,则称为认知器。 神经网络在学习中,一般分为有教师和无教师学习两种。感知器采用有教师信号进行学习,而认知器则采用无教师信号学习的。在主要神经网络如BP网络,Hopfield网络,ART网络和Kohonen网络中;BP网络和Hopfield网络是需要教师信号才能进行学习的;而ART网络和 Kohonen网络则无需教师信号就可以学习。所谓教师信号,就是在神经网络学习中由外部提供的模式样本信号。 一、感知器的学习结构 感知器的学习是神经网络最典型的学习。 目前,在控制上应用的是多层前馈网络,这是一种感知器模型,学习算法是BP法,故是有教师学习算法。 一个有教师的学习系统可以用图1—7表示。这种学习系统分成三个部分:输入部,训练部和输出部。 图1-7 神经网络学习系统框图

BP神经网络详细讲解

PS:这篇介绍神经网络是很详细的,有一步一步的推导公式!神经网络是DL(深度学习)的基础。 如果对神经网络已经有所了解,可以直接跳到“三、BP算法的执行步骤“ 部分,算法框架清晰明了。 另外,如果对NN 很感兴趣,也可以参阅最后两篇参考博文,也很不错! 学习是神经网络一种最重要也最令人注目的特点。在神经网络的发展进程中,学习算法的研究有着十分重要的地位。目前,人们所提出的神经网络模型都是和学习算法相应的。所以,有时人们并不去祈求对模型和算法进行严格的定义或区分。有的模型可以有多种算法.而有的算法可能可用于多种模型。不过,有时人们也称算法为模型。 自从40年代Hebb提出的学习规则以来,人们相继提出了各种各样的学习算法。其中以在1986年Rumelhart等提出的误差反向传播法,即BP(error BackPropagation)法影响最为广泛。直到今天,BP算法仍然是自动控制上最重要、应用最多的有效算法。 1.2.1 神经网络的学习机理和机构 在神经网络中,对外部环境提供的模式样本进行学习训练,并能存储这种模式,则称为感知器;对外部环境有适应能力,能自动提取外部环境变化特征,则称为认知器。 神经网络在学习中,一般分为有教师和无教师学习两种。感知器采用有教师信号进行学习,而认知器则采用无教师信号学习的。在主要神经网络如BP网络,Hopfield网络,ART网络和Kohonen 网络中;BP网络和Hopfield网络是需要教师信号才能进行学习的;而ART网络和Kohonen网络则无需教师信号就可以学习。所谓教师信号,就是在神经网络学习中由外部提供的模式样本信号。 一、感知器的学习结构 感知器的学习是神经网络最典型的学习。 目前,在控制上应用的是多层前馈网络,这是一种感知器模型,学习算法是BP法,故是有教师学习算法。 一个有教师的学习系统可以用图1—7表示。这种学习系统分成三个部分:输入部,训练部和输出部。

本科毕业论文---基于bp神经网络的字符识别算法的实现正文

一、原始依据(包括设计或论文的工作基础、研究条件、应用环境、工作目 的等。) 工作基础:了解C++的基本概念和语法,熟练使用Visual C++6.0软件。 研究条件:BP神经网络的基本原理以及图像处理的基本常识。 应用环境:基于BP神经网络的图片图像文件中的字符识别。 工作目的:掌握基于Visual C++6.0应用程序的开发。 了解人工智能的基本概念并掌握神经网络算法的基本原理。 掌握Visual C++6.0中的图片处理的基本过程。 二、参考文献 [1]人工智能原理及其应用,王万森,电子工业出版社,2007. [2]VC++深入详解,孙鑫,电子工业出版社,2006. [3]人工神经网络原理, 马锐,机械工业出版社,2010. [4]Visual C++数字图像处理典型案例详解,沈晶,机械工业出版社,2012. [5]Application of Image Processing to the Characterization of Nanostructures Manuel F. M. Costa,Reviews on Advanced Materials Science,2004. 三、设计(研究)内容和要求(包括设计或研究内容、主要指标与技术参数,并根据课题性质对学生提出具体要求。) 1、掌握C++的基本概念和语法。 2、掌握二维神经网络的基本原理。了解BP神经网络的基本概念。 3、完成Visual C++中对于图像的灰度、二值化等预处理。 4、完成基于样本的神经网络的训练以及图像中数字的识别,并对其性能进 行统计和总结,分析其中的不足。 指导教师(签字) 年月日 审题小组组长(签字) 年月日

BP神经网络详细讲解

PS:这篇介绍神经网络就是很详细得,有一步一步得推导公式!神经网络就是DL(深度学习)得基础。 如果对神经网络已经有所了解,可以直接跳到“三、BP算法得执行步骤“ 部分,算法框架清晰明了。 另外,如果对NN 很感兴趣,也可以参阅最后两篇参考博文,也很不错! 学习就是神经网络一种最重要也最令人注目得特点。在神经网络得发展进程中,学习算法得研究有着十分重要得地位。目前,人们所提出得神经网络模型都就是与学习算法相应得。所以,有时人们并不去祈求对模型与算法进行严格得定义或区分。有得模型可以有多种算法.而有得算法可能可用于多种模型。不过,有时人们也称算法为模型。 自从40年代Hebb提出得学习规则以来,人们相继提出了各种各样得学习算法。其中以在1986年Rumelhart等提出得误差反向传播法,即BP(error BackPropagation)法影响最为广泛。直到今天,BP算法仍然就是自动控制上最重要、应用最多得有效算法。 1.2.1 神经网络得学习机理与机构 在神经网络中,对外部环境提供得模式样本进行学习训练,并能存储这种模式,则称为感知器;对外部环境有适应能力,能自动提取外部环境变化特征,则称为认知器。 神经网络在学习中,一般分为有教师与无教师学习两种。感知器采用有教师信号进行学习,而认知器则采用无教师信号学习得。在主要神经网络如BP网络,Hopfield网络,ART网络与Kohonen 网络中;BP网络与Hopfield网络就是需要教师信号才能进行学习得;而ART网络与Kohonen网络则无需教师信号就可以学习。所谓教师信号,就就是在神经网络学习中由外部提供得模式样本信号。 一、感知器得学习结构 感知器得学习就是神经网络最典型得学习。 目前,在控制上应用得就是多层前馈网络,这就是一种感知器模型,学习算法就是BP法,故就是有教师学习算法。 一个有教师得学习系统可以用图1—7表示。这种学习系统分成三个部分:输入部,训练部与输出部。

相关主题