基于神經(jīng)網(wǎng)絡(luò)和濾波理論的信息融合算法研究.pdf

1、近年來，多傳感器信息融合理論及應(yīng)用技術(shù)研究得到了快速的發(fā)展，已經(jīng)成為一個重要的研究領(lǐng)域。其中，神經(jīng)網(wǎng)絡(luò)、模糊推理、Kalman濾波、粒子濾波等信息融合算法一直是國內(nèi)外研究的熱點。針對不同的實際應(yīng)用需求，將這些方法和理論有機融合，是目前研究的一種趨勢。本文在分析、研究目前主要融合算法的基礎(chǔ)上，對BP（BackpropagationNetwork）神經(jīng)網(wǎng)絡(luò)、Kalman濾波和粒子濾波等多傳感器信息融合算法進行了改進和完善。
　　首先，

2、針對BP網(wǎng)絡(luò)學(xué)習(xí)算法易陷入局部極小值、收斂速度慢的缺陷，提出了基于DFP（Davidon-Fletcher-Powell）和信賴域的BP網(wǎng)絡(luò)學(xué)習(xí)算法，該方法兼顧了DFP在算法收斂速度、處理大殘量問題以及信賴域法在保證全局最優(yōu)性和解決數(shù)值不穩(wěn)定問題方面的優(yōu)越性，由于DFP算法是最優(yōu)化理論中一類典型的擬牛頓法，具有超線性收斂速度。因此，采用DFP算法代替?zhèn)鹘y(tǒng)的梯度下降法進行BP網(wǎng)絡(luò)學(xué)習(xí)，既保證了高效搜索和超線性的收斂速度，又減少了計算量，并

3、且適于處理大殘量問題，同時，在BP學(xué)習(xí)中引入信賴域法，又確保了算法的全局收斂性和穩(wěn)定性，使算法更為實用。
　　其次，針對大規(guī)模樣本聚類的時間復(fù)雜度過高和聚類結(jié)果對經(jīng)驗參數(shù)設(shè)置的依賴性過強的問題，本文提出一種基于密度網(wǎng)格可變參數(shù)的自擴展聚類算法（PASCDU，aParameter-AdjustableSelf-expandedClusteringalgorithmbasedonDensityUnits），算法先將數(shù)據(jù)空間分割成相同大

4、小的網(wǎng)格單元，再將樣本歸一化后映射到相應(yīng)的網(wǎng)格單元中，然后從指定密度較大的網(wǎng)格單元向周圍擴展，直到其平均密度達到指定的下限或可擴展的聚類邊界為止。聚類過程中，通過下限密度和均值密度來限制聚類間的過度擴展，如果有效樣本的比率低于閾值，則自適應(yīng)調(diào)整擴展密度并重新聚類。然后，將其與模糊神經(jīng)網(wǎng)絡(luò)有機融合，提出了基于該聚類算法的模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，利用聚類算法從樣本中提取規(guī)則數(shù)目，并將其應(yīng)用于模糊神經(jīng)網(wǎng)絡(luò)建模，縮短了模糊神經(jīng)網(wǎng)絡(luò)的運算時間，提高

5、了整個系統(tǒng)的效率。
　　第三，考慮到雖然粒子濾波通過蒙特卡羅模擬來實現(xiàn)遞推貝葉斯估計，在非線性非高斯系統(tǒng)中體現(xiàn)了良好的特性；但粒子濾波存在粒子退化現(xiàn)象的缺陷，針對這一問題，提出了一種新的重要性重采樣算法，即分區(qū)重采樣算法，其主要思想是根據(jù)多項式重采樣與分層重采樣算法的特點，把隨機數(shù)區(qū)間劃分成若干個區(qū)，每個區(qū)內(nèi)的隨機數(shù)任意排列，而區(qū)與區(qū)之間按升序排列。與目前常用的其它重采樣算法相比，該方法提高了粒子濾波的平均性能。
　　最后，

6、針對基于Kalman濾波的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法適于含有較大噪聲的樣本的學(xué)習(xí)，但不能進行批處理操作、學(xué)習(xí)精度也不是很高的問題，本文提出了基于Kalman濾波的改進的BP網(wǎng)絡(luò)學(xué)習(xí)算法，其主要思想是：首先在時間更新部分，通過其他學(xué)習(xí)算法給出預(yù)測權(quán)值的更新量，然后利用這個結(jié)果修改Kalman濾波增益表達式，獲得了一套新的時間更新和測量更新計算公式，緩解了維數(shù)災(zāi)難和大量計算性問題，增強了神經(jīng)網(wǎng)絡(luò)的魯棒性和抗干擾能力，同時采用批處理方式進行神經(jīng)網(wǎng)絡(luò)的學(xué)