多傳感器數(shù)據(jù)融合技術在火災探測中的應用研究.pdf

1、傳統(tǒng)的探測方法大多通過采集單一的火災特征參數(shù)信息進行判斷和識別，但由于干擾因素多，其誤報率一直比較高。針對火災信號的非結構性特點而提出的基于智能信息處理方法的火災探測系統(tǒng)具有自學習和自適應能力，已成為現(xiàn)在火災探測技術的研究方向。
　　 本文以重慶市森林健康監(jiān)測系統(tǒng)開發(fā)課題為背景，結合縉云山森林特點，提出了兩種基于數(shù)據(jù)融合技術的火災探測二級融合系統(tǒng)?；贐P神經網絡和證據(jù)理論的二級數(shù)據(jù)融合系統(tǒng)和基于證據(jù)理論的二級數(shù)據(jù)融合系統(tǒng)。兩種

2、融合系統(tǒng)的提出是基于兩種不同的融合思想，第一種融合系統(tǒng)的提出是基于利用神經網絡解決非線性結構性問題的考慮；第二種融合系統(tǒng)的提出是基于降維和統(tǒng)計的思想。
　　 在構建二級融合系統(tǒng)之前，本文對神經網絡和證據(jù)理論的基礎理論進行了深入的研究。由于BP神經網絡是目前最成熟，訓練精度高且泛化結果令人滿意，也是應用最多的一種網絡，所以本文試圖選用BP神經網絡來解決非線性結構問題。但是由于傳統(tǒng)的BP學習算法存在收斂速度緩慢、易陷入局部極小等缺陷

3、，筆者在綜合學習了多種改進的學習算法的基礎上，結合應用背景，采用基于L-M的改進學習算法來實現(xiàn)對神經網絡的學習訓練，并且通過仿真實驗表明，采用改進后的學習算法收斂速度有了很大的提高。一直以來，對于D-S證據(jù)理論的研究主要集中在以下三個方面：①基本概率賦值函數(shù)的構造；②高沖突證據(jù)的融合規(guī)則；③證據(jù)合成過程中的組合爆炸問題。結合應用背景本文著重研究了前兩點，在實際應用中，基本概率賦值函數(shù)的構造還比較困難，缺乏一般性的理論指導，本文結合實際應