CN101110106A - 结合粗糙集和神经网络的多传感器信息融合方法 - Google Patents
结合粗糙集和神经网络的多传感器信息融合方法 Download PDFInfo
- Publication number
- CN101110106A CN101110106A CNA2007100423082A CN200710042308A CN101110106A CN 101110106 A CN101110106 A CN 101110106A CN A2007100423082 A CNA2007100423082 A CN A2007100423082A CN 200710042308 A CN200710042308 A CN 200710042308A CN 101110106 A CN101110106 A CN 101110106A
- Authority
- CN
- China
- Prior art keywords
- neural network
- information
- yojan
- training
- sensor information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
一种结合粗糙集和神经网络的多传感器信息融合方法,属于信息融合技术领域。本发明包括训练和融合阶段,训练阶段为:A.建立训练样本,并建立决策表;B.求决策表的分辨矩阵;C.根据分辨矩阵,采用分辨函数的方法,求出决策表的所有约简;D.为每一个约简,建立神经网络,并将约简的信息作为输入训练神经网络。融合阶段为:A.采集传感器信息;B.根据训练阶段求出的所有约简,将信息重新组合;C.把每一个约简对应的信息输入其相应的神经网络;D.把各神经网络的输出加权平均,得到最终的输出。本发明通过利用粗糙集理论对传感器信息进行约简,能够避免传感器数据量过大带来的训练样本大以及训练时间长的问题。
Description
技术领域
本发明涉及的是一种信息处理技术领域的方法,具体的说,涉及的是一种结合粗糙集和神经网络的多传感器信息融合方法。
背景技术
多传感器信息融合指的是把在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,消除传感器间可能存在的冗余或者矛盾信息,将这些信息加以互补从而降低不确定性,以形成对系统环境的相对完整一致的感知描述,从而提高智能系统的决策、规划、反应的快速性和正确性,降低决策风险。近年来,越来越多的智能系统在各种不确定的环境中工作,越来越复杂的传感器被智能系统使用,多传感器信息融合的研究成为国内外研究的热点。各种不同的多传感器信息融合方法被相继提出。
经对现有技术的文献检索发现,文章Multisensor fusion using Hopfieldneural network in INS/SMGS integrated system,Signal Processing,Vol.2,2002:1199-1202(INS/SMGS集成系统中使用Hopfield神经网络的多传感器融合,信号处理)提出了使用Hopfiled神经网络进行多传感器信息融合的方法。但是该方法在传感器数据量大的情况下需要收集大量的训练样本并且需要大量的训练时间来调整神经网络的参数以供实际使用。因此,该方法无法应用于大规模的传感器系统中。
发明内容
本发明针对现有技术的不足,提供一种结合粗糙集和神经网络的多传感器信息融合方法,使其利用粗糙集对传感器信息进行约简,将约简后的信息作为神经网络的输入。本发明不仅充分利用了神经网络算法的实用性,而且通过粗糙集约简避免了传感器信息量过大对神经网络算法造成的性能下降。本发明避免了现有技术的问题,可以防止数据量大的应用中训练样本要求过高以及训练时间过长的情况,从而可以应用于各种大规模的传感器信息融合系统。
本发明是通过以下技术方案实现的,包括训练和融合两个阶段,融合阶段之前必须完成训练阶段的所有步骤。
所述的训练阶段,包括以下步骤:
A、建立训练样本,并建立决策表。
B、求决策表的分辨矩阵。
C、根据分辨矩阵,采用分辨函数的方法,求出决策表的所有约简。
D、为每一个约简建立神经网络,并将约简的信息作为输入训练神经网络。
所述的融合阶段,包括以下步骤:
A、采集传感器信息。
B、根据训练阶段求出的所有约简,将信息重新组合。
C、把每一个约简对应的信息输入其相应的神经网络。
D、把各神经网络的输出加权平均,得到最终的输出。
所述的建立训练样本,即选取典型的输入-输出对作为样本集合供训练使用。所述的输入-输出对是指:传感器信息输入与期望传感器融合结果即决策的对应。样本选取的数目与问题规模有关,一般应大于输入信息维数的两倍。例如,有20个传感器,则输入信息维数为20,选取的样本至少为40个。
所述的建立决策表,是指:以每个训练样本为行向量,以输入和输出为列向量,建立传感器信息输入与决策的对照表,在计算机中以矩阵形式存储。例如,有10个传感器,选取了50个样本,则决策表为50×11的矩阵。
所述求决策表的分辨矩阵,是指:对于一个n行的决策表,建立一个n×n的矩阵,其x行y列的元素为决策表中x与y行的值不同的列号的集合。具体实现如下:
令A为决策表列号的集合,U表示决策表行号的集合,决策表对应的矩阵为F,F(x,y)表示决策表中x行y列对应的值。则,分辨矩阵D的元素D(x,y)定义
D(x,y)={a∈A|F(x,a)≠F(y,a)}
所述的约简,具体实现如下:
若集合BA为满足:
B∩D(x,y)≠φ,D(x,y)≠φ的极小子集,则B为A的一个约简。
所述的根据分辨矩阵,采用分辨函数的方法,求出决策表的所有约简,具体实现如下:
设D(x,y)={d1,d2,d3,...,dk},令
∑D(x,y)=d1∨d2∨d3∨...∨dk则,分辨函数定义为:
决策表的每一个约简对应于化简后分辨函数的析取项。例如,分辨函数化简结果为:
Δ=ab∨bd则,决策表有两个约简{a,b}与{b,d}。
所述的为每一个约简,建立神经网络,是指:将每一个约简对应的信息与决策组合成新的训练样本,并根据这个决策的输入-输出建立对应的神经网络。例如,对于前述决策表的两个约简,应该建立两个神经网络。第一个神经网络对应于抽取a,b传感器信息作为输入的情况,而第二个神经网络对应于抽取b,d传感器作为输入的情况。
所述的将约简的信息作为输入训练神经网络,是指:将约简的信息输入神经网络,根据神经网络的输出和决策之间的差异,调整神经网络的各项参数值,直至对于所有的样本而言,这种差异小于某个阈值。
所述的融合阶段,是指:利用训练阶段建立的神经网络,对多传感器采集的信息进行融合,从而得出决策的过程。
其中,所述的采集传感器信息,是指:利用传感器从外界环境采集信息,并传输到计算机中,供后面的步骤使用。
所述的根据训练阶段求出的所有约简,将信息重新组合,是指:对训练阶段求出的每一个约简,抽取出包含在约简集合中的元素对应的传感器信息,将这些信息重新组合为信息的向量。例如,传感器a,b,c,d采集到的信息分别为:1,2,3,4;训练阶段求出的一个约简为{a,b},则重新组合后的信息为(1,2)。
所述的把每一个约简对应的信息输入其相应的神经网络,是指:将上一步中重新组合的信息输入到对应的神经网络中。例如,前述重新组合的信息为(1,2),而神经网络NN1对应约简{a,b},则将(1,2)作为输入送入NN1。
所述的把各神经网络的输出加权平均,得到最终的输出,是指:为每一个神经网络赋予权值,例如全部赋值为1,对他们的输出求加权平均,这个平均值则为多传感器信息融合的结果。
本发明提出的结合粗糙集理论和神经网络的多传感器信息融合方法,对传统采用神经网络的多传感器信息融合方法进行了改进,防止了传感器信息过多时带来的训练时间过长的缺点。为不同的信息集合建立不同的神经网络也有利于根据不同的数据特点建立最适应的神经网络模型,从而提高决策的准确度。本发明的方法可以广泛地应用于各种传感器融合的系统。在传感器数目庞大,传感器信息量大的情况下,使用本发明的方法进行传感器信息融合可以节约训练时间,减少信息融合系统开发到投入实际使用的周期。
附图说明
图1是本发明方法逻辑图。
图2是本发明的一个实施例的数据流图。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,建立训练样本,即选取典型的输入-输出对作为样本集合供训练使用。样本选取的数目与问题规模有关,一般应大于输入信息维数的两倍。例如,有20个传感器,则输入信息维数为20,选取的样本至少为40个。接下来建立决策表,即以每个训练样本为行向量,以输入和输出为列向量,建立传感器信息输入与决策的对照表,在计算机中以矩阵形式存储。例如,有10个传感器,选取了50个样本,则决策表为50×11的矩阵。接下来求决策表的分辨矩阵,即对于一个n行的决策表,建立一个n×n的矩阵,其x行y列的元素为决策表中x与y行的值不同的列号的集合。根据分辨矩阵,采用分辨函数的方法,求出决策表的所有约简。为每一个约简,建立神经网络,并将约简的信息作为输入训练神经网络。这样,便完成了训练过程。其结果为得到每一种约简对应的神经网络模型。融合阶段根据训练阶段求出的所有约简以及传感器采集的信息重新组合信息,即对训练阶段求出的每一个约简,抽取出包含在约简集合中的元素对应的传感器信息,将这些信息重新组合为信息的向量。例如,传感器a,b,c,d采集到的信息分别为:1,2,3,4;训练阶段求出的一个约简为{a,b},则重新组合后的信息为(1,2)。接下来把每一个约简对应的信息输入其相应的神经网络,是指:将上一步中重新组合的信息输入到对应的神经网络中。例如,前述重新组合的信息为(1,2),而神经网络NN1对应约简{a,b},则将(1,2)作为输入送入NN1。该实施例中,神经网络的输入维数从4减少到了2,因此样本的采集成本和训练时间将减少约50%。最后,把各神经网络的输出加权平均,得到最终的输出,即为每一个神经网络赋予权值,例如全部赋值为1,对他们的输出求加权平均,这个平均值则为多传感器信息融合的结果。这个结果作为决策输出即完成多传感器信息融合。
如图2所示,实施例由五个传感器信息作为输入,经过求解分辨矩阵和分辨函数,得出实施例所有的约简为{1,2},{2,3,4},{1,4}。对三个约简分别建立神经网络1,2,3。训练完毕之后,对于五个传感器采集的信息,重新组合,将传感器1,2的信息输入神经网络1,将传感器2,3,4的信息输入神经网络2,将传感器1,4的信息输入神经网络3。三个神经网络的输出,加权平均后便得到最终的决策输出。该实施例中,输入维数分别减少了3/5,2/5,3/5,故训练时间减少越40%,所以可以防止数据量大的应用中训练样本要求过高以及训练时间过长的情况,能应用于各种大规模的传感器信息融合系统。
Claims (10)
1.一种结合粗糙集和神经网络的多传感器信息融合方法,其特征在于,包括训练和融合两个阶段:
所述训练阶段,包括以下步骤:
A、建立训练样本,并建立决策表;
B、求决策表的分辨矩阵;
C、根据分辨矩阵,采用分辨函数的方法,求出决策表的所有约简;
D、为每一个约简建立神经网络,并将约简的信息作为输入训练神经网络;
所述融合阶段,包括以下步骤:
A、采集传感器信息;
B、根据训练阶段求出的所有约简,将信息重新组合;
C、把每一个约简对应的信息输入其相应的神经网络;
D、把各神经网络的输出加权平均,得到最终的输出。
2.根据权利要求1所述的结合粗糙集和神经网络的多传感器信息融合方法,其特征是,所述建立训练样本,是指选取典型的输入-输出对作为样本集合供训练使用,其中所述的输入-输出对是指:传感器信息输入与期望传感器融合结果即决策的对应,样本选取的数目大于输入信息维数的两倍。
3.根据权利要求1所述的结合粗糙集和神经网络的多传感器信息融合方法,其特征是,所述建立决策表,是指:以每个训练样本为行向量,以输入和输出为列向量,建立传感器信息输入与决策的对照表,在计算机中以矩阵形式存储。
4.根据权利要求1所述的结合粗糙集和神经网络的多传感器信息融合方法,其特征是,所述求决策表的分辨矩阵,是指:对于一个n行的决策表,建立一个n×n的矩阵,其x行y列的元素为决策表中x与y行的值不同的列号的集合,具体实现如下:令A为决策表列号的集合,U表示决策表行号的集合,决策表对应的矩阵为F,F(x,y)表示决策表中x行y列对应的值,则,分辨矩阵D的元素D(x,y)定义为:
D(x,y)={α∈A|F(x,α)≠F(y,α)}。
5.根据权利要求1所述的结合粗糙集和神经网络的多传感器信息融合方法,其特征是,所述约简,具体实现如下:
若集合BA为满足:
B∩D(x,y)≠φ,D(x,y)≠φ的极小子集,则B为A的一个约简。
6.根据权利要求1所述的结合粗糙集和神经网络的多传感器信息融合方法,其特征是,所述根据分辨矩阵,采用分辨函数的方法,求出决策表的所有约简,具体实现如下:
设D(x,y)={d1, d2,d3,…,dk},令
∑D(x,y)=d1∨d2∨d3∨…∨dk
则,分辨函数定义为:
决策表的每一个约简对应于化简后分辨函数的析取项,分辨函数化简结果为:
Δ=αb∨bd
则,决策表有两个约简{a,b}与{b,d}。
7.根据权利要求1所述的结合粗糙集和神经网络的多传感器信息融合方法,其特征是,所述为每一个约简建立神经网络,是指:将每一个约简对应的信息与决策组合成新的训练样本,并根据这个决策的输入-输出建立对应的神经网络。
8.根据权利要求1所述的结合粗糙集和神经网络的多传感器信息融合方法,其特征是,所述的将约简的信息作为输入训练神经网络,是指:将约简的信息输入神经网络,根据神经网络的输出和决策之间的差异,调整神经网络的各项参数值,直至对于所有的样本而言,这种差异小于某个阈值。
9.根据权利要求1所述的结合粗糙集和神经网络的多传感器信息融合方法,其特征是,所述的采集传感器信息,是指利用传感器从外界环境采集信息,并传输到计算机中,供后面的步骤使用。
10.根据权利要求1所述的结合粗糙集和神经网络的多传感器信息融合方法,其特征是,所述的根据训练阶段求出的所有约简,将信息重新组合,是指:对训练阶段求出的每一个约简,抽取出包含在约简集合中的元素对应的传感器信息,将这些信息重新组合为信息的向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007100423082A CN101110106A (zh) | 2007-06-21 | 2007-06-21 | 结合粗糙集和神经网络的多传感器信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007100423082A CN101110106A (zh) | 2007-06-21 | 2007-06-21 | 结合粗糙集和神经网络的多传感器信息融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101110106A true CN101110106A (zh) | 2008-01-23 |
Family
ID=39042172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007100423082A Pending CN101110106A (zh) | 2007-06-21 | 2007-06-21 | 结合粗糙集和神经网络的多传感器信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101110106A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564B (zh) * | 2008-04-08 | 2010-06-09 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN101963983A (zh) * | 2010-09-28 | 2011-02-02 | 江苏瑞蚨通软件科技有限公司(中外合资) | 一种粗集优化神经网络的数据挖掘方法 |
CN102254227A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种物联网多传感器的基于粗糙集的bp神经网络融合的方法 |
CN102254224A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统 |
CN102255965A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种基于粗糙集bp神经网络的多传感器融合物联网试验平台 |
CN101430309B (zh) * | 2008-11-14 | 2012-03-21 | 西安建筑科技大学 | 基于粗糙集—rbf神经网络的环境质量评价方法 |
CN102496062A (zh) * | 2011-12-08 | 2012-06-13 | 山东建筑大学 | 一种基于Spiking神经网络的人员信息融合方法 |
CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
CN103778479A (zh) * | 2014-01-10 | 2014-05-07 | 国网上海市电力公司 | 自适应信息容错保护方法 |
CN110764464A (zh) * | 2019-11-12 | 2020-02-07 | 红河学院 | 一种基于能耗优化的数控机床控制方法及数控机床 |
-
2007
- 2007-06-21 CN CNA2007100423082A patent/CN101110106A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564B (zh) * | 2008-04-08 | 2010-06-09 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN101430309B (zh) * | 2008-11-14 | 2012-03-21 | 西安建筑科技大学 | 基于粗糙集—rbf神经网络的环境质量评价方法 |
CN101963983A (zh) * | 2010-09-28 | 2011-02-02 | 江苏瑞蚨通软件科技有限公司(中外合资) | 一种粗集优化神经网络的数据挖掘方法 |
CN102254227A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种物联网多传感器的基于粗糙集的bp神经网络融合的方法 |
CN102254224A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统 |
CN102255965A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种基于粗糙集bp神经网络的多传感器融合物联网试验平台 |
CN102496062A (zh) * | 2011-12-08 | 2012-06-13 | 山东建筑大学 | 一种基于Spiking神经网络的人员信息融合方法 |
CN102496062B (zh) * | 2011-12-08 | 2013-11-20 | 山东建筑大学 | 一种基于Spiking神经网络的人员信息融合方法 |
CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
CN103226741B (zh) * | 2013-05-10 | 2016-04-06 | 天津大学 | 城市供水管网爆管预测方法 |
CN103778479A (zh) * | 2014-01-10 | 2014-05-07 | 国网上海市电力公司 | 自适应信息容错保护方法 |
CN110764464A (zh) * | 2019-11-12 | 2020-02-07 | 红河学院 | 一种基于能耗优化的数控机床控制方法及数控机床 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101110106A (zh) | 结合粗糙集和神经网络的多传感器信息融合方法 | |
CN108255649B (zh) | 一种基于建模仿真协同分析的诊断策略设计方法 | |
CN102736980B (zh) | 一种面向Java程序的随机测试用例生成方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CA2545933A1 (en) | Complex computation across heterogenous computer systems | |
CN107317725A (zh) | 一种区块链的可视化方法及系统 | |
JP2007527157A (ja) | 信号に含まれるノイズ効果を分離するための装置および方法 | |
CN102332011B (zh) | 一种在轨航天器有效数据选取方法 | |
Zheng et al. | Fault diagnosis system of bridge crane equipment based on fault tree and Bayesian network | |
CN105389480A (zh) | 多类不平衡基因组学数据迭代集成特征选择方法及系统 | |
CN104573621A (zh) | 基于Chebyshev神经网络的动态手势学习和识别方法 | |
CN103226728B (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
CN110119397B (zh) | 一种同时实现数据异常检测及数据压缩的深度学习方法 | |
CN109254532A (zh) | 一种面向通信时滞的多智能体分布式合作故障检测方法 | |
CN110059765B (zh) | 一种矿物智能识别分类系统与方法 | |
CN102496061A (zh) | 基于主动学习的神经网络样本选择方法及其装置 | |
Hwang et al. | Detection and correction method of erroneous data using quantile pattern and LSTM | |
CN103389704B (zh) | 基于Petri网控制流程建模的创建石膏砌块成型生产线方法 | |
CN103106313B (zh) | 轧后件顺序重构方法 | |
CN109379713B (zh) | 基于集成极限学习机和主成分分析的楼层预测方法 | |
Wang et al. | Integration of heterogeneous classifiers based on choquet fuzzy integral | |
CN110309578A (zh) | 一种基于计算机数据处理的经济数据拟合系统及方法 | |
CN112884348A (zh) | 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 | |
CN114021469A (zh) | 一种基于混合序列网络进行一段炉过程监测的方法 | |
CN106022374A (zh) | 一种对历史流程数据进行分类的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |