多传感器信息融合的算法比较

龙源期刊网多传感器信息融合的算法比较作者：张明玉来源：《中国新技术新产品》2009年第14期摘要:神经网络技术已经越来越多的应用于传感器的信息融合,但是由于传统的神经网络结构对于计算大学习样本,需要的隐结点数很大,导致训练的时间很长,性能下降。本文提出了一种阵列神经网络的结构模型,通过将传统神经网络中的中间隐层用子网络代替,不同的信息分配到不同的子网络中,然后再进入融合层进行融合,从而克服了传统神经网络计算大容量样本的缺点。本文还结合测量压力的多传感器系统,通过比较阵列神经网络和传统神经网络对信息融合的效果和速率来研究阵列神經网络的作用。关键词:信息融合;阵列神经网络;多传感器;神经网络1引言从上世纪80年代以来,神经网络的研究成为了西方各国研究的热点,神经网络的相关技术也广泛的应用与模型和算法中,尤其是在传感器设计领域,神经网络技术赋予了传感器新的智能,提高了其处理和融合信息的速度,神经网络技术根据不同的传感器类型也发展出不同的神经网络算法,阵列神经网络就是一种专门应用于多传感器信息融合的神经网络算法,并已成为当前多传感器信息融合研究的热点。2多传感器与多传感器信息融合多传感器信息融合指的是将不同位置的多个同类或者不同类传感器所提供的局部环境的不完整信息加以综合,同时消除传感器间可能存在的冗余或者矛盾信息,并将这些信息通过互补来减少其不确定性,从而形成对系统环境的相对完整相同感知描述,从而提高智能系统的决策、规划、反应的快速性和正确性,来降低决策的风险(1)。随着各种不确定的环境运用不同的的智能系统,这些智能系统相应的传感器也越来越复杂,多传感器信息融合也越来越成为科学研究的热点。多传感器信息融合可以提供完整而又系统的信息,并可以极大的提高测控系统的精确性。多传感器信息融合技术通过提取对象的有用信息龙源期刊网以形成被测对象信息的全面和完整的描述,来把多个传感器检测到的信息进行分析和集成,是目前测控系统中传感器发展的一个重要方向。3传统神经网络与阵列神经网络3.1传统神经网络多传感器的信息融合一般具有两种方法:第一是传感器的集成化(即阵列技术);第二是利用程序算法进行信息融合。这些算法包括人工神经网络、贝叶斯方法和D-S证据理论等。其中神经网络由于可以使用很高的精确度来表征复杂的问题,而且比较容易实现,所以神经网络被广泛地应用于多传感器信息融合中。利用神经网络的多传感器的信息融合结构如图1所示。传器信息和决策分别作为神经网络的输入和输出。经过一段时间的训练,神经网络便可以逼近传感器信息与决策之间的复杂的非线性关系。但是,如果传感器的数据量很大时,传统神经网络的训练时间会变得很长,从而导致性能的大幅下降,传统神经网络通常采用的是三层感知器模型和BP算法,但这种传统网络结构对于大学习样本,需要的隐结点数很大,甚至需要更多的隐层。针对以上缺点,笔者提出了一种阵列神经网络结构,它可以实现神经网络的非线性逼近能力,同时又能提高信息融合能力。3.2阵列神经网络传统神经网络一般由输入层、中间隐层和融合层(输出层)构成,隐层由一些平等的结点组成,而阵列神经网络由输入层、中间子网络和融合层构成,子网络又为一个小型的神经网络。阵列神经网络利用中间子网络来代替中间隐层,是考虑到多传感器系统需要测量多个参数,另外不同参数之间主次也不同。为了实现网络功能上的分配,促使各子网络相互协调配合,这样它就和后面的融合层一起,不仅实现了网络的非线性逼近能力,而且提高了网络分化信息和融合信息的能力。多传感器信息融合的基础是各种传感器的输出信息之间有一定的关联性和互补性。关联性保证信息融合内容的一致性,关联性越大融合系统的容错性能越好;互补性保证信息融合的有效性,互补性越大,信息融合越有效,且能降低融合过程的计算量。子网络可以依据输入信息的特点使输入结点形成一定的结构,从而实现了信息的分化,也就是说,要把不同的信息分配到不同的子网络中,然后再进入融合层进行融合,这样就有效的使用了信息之间的互补性和关联性的特点,充分的提高了信息融合的有效性及速度。对于子网络结构,因为阵列网络已具有多层网络,并且具有非线性逼近能力,那么子网络仅由一层结点构成即可,结点数可以相对较少,这样就可以使隐结点实现一定的分布。从上述分析可以看出,阵列神经网络简化网络结构应包括两个方面:第一,减少连接权数目;第二,减少隐结点数目。这样就可以使网络融合的过程大幅降低,从而简化了运算。根据阵列神经网络设计的网络结构,如图2所示:龙源期刊网研究对象及实例分析本文所研究的对象是一个测量压力的多传感器系统,对其利用阵列神经网络来进行信息融合,消除工作温度和供电电源波动对压力传感器测量的影响。压力传感器输出电压U受工作温度T和供电电源波动γ的影响,即U是P、T、γ的多值函数:U=f(P、T、γ)(1)在(1)式中,U为压力传感器输出电压;P为被测压力;T为工作温度;γ为供电电源波动。所以,通过多传感器系统和神经阵列网络对其进行信息融合,可以提高压力传感器测量的精度。传感器信息融合的目标P′(多传感器系统输出压力)仅仅是被测压力P的单值函数,仅为消除工作温度和电源波动这两个非目标参量的影响。在这一系统中,压力传感器用来测量压力P,温度传感器测量工作温度T,电流传感器测量电源波动γ,它们的输出分别为电压U、UT、UI,将UI(电流传感器输出电压)转换成电源波动γ,即γ=|ΔUT|/UT(2)在(2)式中,γ为电源波动;ΔUT为温度传感器输出电压差;UT为温度传感器输出电压。这样神经网络的输入量为U、UT、γ,而输出量为压力P'。根据上述要求,必须对神经网络进行训练,网络训练样本必须由三维标定实验数据提供,同时要对这些数据进行归一化处理,并建立神经网络输入输出标准样本库。4.2研究方法根据上述对研究对象的实例分析,神经网络的结构如图3所示,考虑到压力是目标参量,为主要研究部分,而温度和电源波动是非目标参量,为辅助研究部分,所以由2个子网络构成了中间隐层,分别代表主要和辅助研究部分。U对应子网络1,UT和γ对应子网络2。根据参考文献[2]的内容,BP算法网络训练过程如下:(1)网络初始化。随机设定连接权值向量与阈值向量的初始值。设定隐节点数,步长及动量项因子;(2)提供输入样本数据;(3)计算隐层单元输出值。隐层单元输出值采用S型函数;(4)计算输出单元的输出值。输出值仍采用S型函数;(5)计算输出层和隐层训练误差;(6)修正权值;(7)对阵列网络,根据网络结构即子网络分布令某龙源期刊网些连接权值为零;(8)判断均方误差e是否满足给定允许偏差ε(本例中ε=10-3)。当满足时,转向(9),否则转向(6)、(7)和(8)。(9)结束训练。4.3结果分析分别对传统网络结构和阵列网络结构进行训练,并计算表1中测试样本(标*者),表2和表3分别是比较结果。(1)利用神经网络进行信息融合效果是非常好的。融合前,由工作温度和电源变化引起的压力传感器输出电压的相对波动值为:αP=max|Δy|/yFS(3)式中,αP为输出电压相对波动值;max|Δy|为传感器输出电压的绝对波动值;yFS为满量程压力标定值。yFS=100.12mV为传感器满量程输出电压(即在T=21.5℃时,传感器的输出电压值)。根据表4,当P=5.0×104Pa,T从21.5℃升到70℃,γ由3%变为-3%时,则max|Δy|=100.12-78.57=21.55mV,αP=21%。融合后,压力融合值的相对波动值为:αP=max|ΔP|/PFS(4)在(4)式中,PFS=5.0(×104Pa)为满量程压力标定值;max|ΔP|=0.200(×104Pa)由表3),αP=4%。可见,经过神经网络信息融合后,多传感器输出稳定性大为提高,神经网络进行信息融合是非常有效的。(2)结果显示,阵列网络结构融合效果稍好一些。传统网络结构当学习样本增加时,要求增加隐结点数,而阵列网络结构却因充分利用输入信息间的关联性和冗余性,可相对减少隐结点数和连接权数,从而减少融合时间。可以想象当学习样本巨大时,阵列神经网络在网络结构,信息融合效果和融合速度上会占优势。(3)在融合效果相同的情况下,阵列网络结构的平均训练次数为传统网络结构的5倍,其融合速度要比传统网络结构快许多。5结论。神经网络以很强的非线性拟合能力及自适应、泛化功能、高度并行处理等特点在智能传感器领域得到了越来越广泛的应用,赋予了传感器更多的智能。算法的不断改进、与其它人工智能方法结合和在高新领域的广泛应用是人工神经网络在提高智能传感器系统水平的主龙源期刊网要特点。本文提出的阵列神经网络进行传感器信息融合的结构模型,针对多传感器信息融合的特點,用子网络实现信息的分化与融合,不仅对神经网络的结构设计有一定意义,而且从理论到实例说明了该方法确能改善神经网络信息融合的效果和速度。注释(1)谷立臣.多传感器信息融合中的关联特性研究[J].机械工程学报,2000(4):53.参考文献[1]袁曾任.人工神经元网络及其应用[M].北京:清华大学出版社,1999.[2]刘君华.智能传感器系统[M].西安:西安电子科技大学出版社,1999.[3]HallDL,LlinasJ.Anintroductiontomultisensordatafusion[J].IEEE,1997,85(1):6223.[4]谷立臣.多传感器信息融合中的关联特性研究[J].机械工程学报,2000(4):53257.[4]罗四维.人工神经网络建造[M].北京:中国铁道出版社,1998:1-2[5]王永庆.人工智能的原理与方法[M].西安:西安交通大学出版社,2002:435～441[6]朱庆保.最佳拟合与神经网络相结合实现传感器特性线性化[J].控制理论与应用,2003,20(1):66-69[7]庄哲民.基于神经网络的气体传感器故障诊断[J].工业仪表与自动化装置,2002(4):54～55[8]贾振元.杨兴,武丹等.超磁致伸缩执行器及其在流体控制元件中的应用[J].机床与液压.