基于时空关联性的温室环境多传感器数据融合

为满足温室环境测控系统中传感器数据需具有鲁棒性的要求,提出一种基于时空关联性的温室环境多传感器数据融合算法。利用时间预测算法对环境数据的时间相关性进行预测,利用同质和异质传感器的特点对环境参数进行空间相似性预测。利用改进型支持度函数算法对基于时空关联性的预测值进行数据融合,并对数据融合的效果进行验证。结果表明,时间相关性、空间相似性预测算法的预测效果较好,且以时空预测值为输入变量时,改进型支持度函数的数据融合算法能够有效地将环境数据预处理的时空关联性预测值赋予动态的加权值,并且其数据融合结果优于平均值算法、传统支持度函数算法,数据融合产生的最优估计值更能真实地反映温室环境的变化,具有可靠性和准确性。     

基于神经网络和证据理论融合的水电机组振动故障诊断研究

以D em pster-Shafer证据理论为基础,提出了一种神经网络局部初步诊断与证据理论融合决策诊断相结合的水电机组振动故障诊断方法,通过故障征兆信息的有效组合,从不同侧面对水电机组振动故障进行了初步诊断,对每一个子神经网络的输出结果归一化处理后,作为此证据下各种状态的基本概率分配函数,再用证据组合理论融合各个证据信息,得出最终的诊断结果。仿真试验结果表明,诊断结论的可信度显著提高,不确定性明显减少,证明了该诊断方法是有效的。     

环境监测中多传感器数据融合研究

[目的]针对环境监测中单一传感器测量数据精度低、可靠程度低的问题,本文提出在无线传感网络监测系统中,通过改进自适应加权融合算法并利用模糊神经网络算法实现多传感器数据融合,来提高环境监测的准确性。[方法]基于多传感器同一时段采集的数据,先采用欧式距离及相关函数改进的自适应加权算法进行同质传感器数据融合,再设计模糊神经网络分类器把异质传感器的数据转化为环境质量等级信息。[结果]仿真实验显示出本文提出的同质传感器数据融合算法融合精度较高于其他几种算法、模糊神经网络算法通过对350组训练样本的学习后能够对96%的验证样本的环境等级进行正确分类且预测曲线基本可以拟合实际输出。[结论]本文的同质传感器数据融合算法提高了数据融合精度,异质传感器数据融合算法能够对整体环境质量得出较可靠的评价。     

日光温室无线传感器多数据融合技术研究

无线传感器网络中采集的监测数据存在着较大的冗余和误差,影响数据的可靠性,然而由于温室环境具有空间大且温场分布受多种参数影响大等特点,在采集监测和控制中对数据的准确性要求比较高。为实现北方日光温室实时数据融合,提高实时数据精度,以沈阳农业大学北山试验基地一栋日光温室的实时采集数据为例,提出一种数据融合方法,通过无线传感器实时采集温室数据,利用格拉布斯判定准则进行数据预处理,并应用自适应加权平均算法对数据进行融合试验。试验结果表明:格拉布斯判定准则能够有效的剔除粗大误差,与原始采集数据相对比剔除误差后数据精度提高8%;与应用传统平均数据融合算法处理数据结果对比自适应加权平均数据融合能够明显的提高数据精度,融合后数据精度被提高6%。针对北方日光温室环境,采用无线传感器多数据融合方法,克服了对每个传感器采集的信息分别处理时的不确定性和不稳定性,经融合处理后结果能够提高温室环境监测的精确度,可全面准确的描述温室实时环境,为温室环境控制提供更加精准的基础数据,控制后使温室环境的温度、湿度、光照强度等主要参数达到相对理想的条件。     

基于D—S证据理论的管道多传感器数据融合

为了保证管道检测的准确度与可信度,通常需要采用多种检测技术即多传感器对同一部位进行检测,但检测的数据量大繁冗,需要进行融合与处理。利用D—S（Dempster—Sharer）证据理论,建立了应用于管道多传感器数据融合的流程模型,阐明了数据的融合流程。算例中根据各个不同传感器对不同缺陷的检测置信度,利用D—S证据理论对检测数据进行有效融合,最后根据D—S规则对缺陷类型进行判定。结果表明：在检测过程中利用D—S进行数据融合,保留置信度高的数据,可以得到更明确的判决结果,舍弃干扰数据,节省存储空间,有利于数据存储,实现长距离智能检测。（图2,表2,参11）     

温室控制系统多传感器数据融合方法的设计

为了减少温室控制系统中的数据处理量,提出了一种温室控制系统多传感器数据融合方法。采用狄克逊准则对采集节点多点测温将采集到的每组数据进行较大误差剔除,然后基于算数平均值法对余下数据融合处理后发送到协调器节点,最后采用自适应加权融合算法对协调器节点数据进行最终融合处理。结果表明,该方法相比其他算法更能反映温室真实环境状况,融合效果更好,使控制系统更稳定。     

智能化故障诊断技术的研究与应用

智能化故障诊断技术的关键是基于数据预处理方法的故障模式识别理论,其中数据预处理方法主要有小波分析、主成分分析和粗糙集理论等,故障模式识别理论主要有专家系统故障诊断法、模糊故障诊断法、灰色模型故障诊断法、神经网络故障诊断法、信息融合故障诊断法和基于范例推理的故障诊断法等.本文对各类故障模式识别方法的诊断原理、特点及其应用进行了比较和分析,并指出了故障诊断技术的发展趋势.     

地面多传感器数据融合算法分析与软件实现

对地面多传感器的探测特性和工作原理进行了描述,再与数据融合算法中的理论相结合,分析研究了广泛使用的目标身份的识别算法贝叶斯推理与D-S证据理论,就地面传感器固有的特性进行比较,另外对地面目标跟着经常使用的模糊数据关联的算法、动态多因子方法以及联合概率数据的关联算法、最近邻域法于理论上进行了简单的分析。再与地面传感器检测特征结合对此类算法进行了比较,分析其优缺点。于普遍使用算法的基础上,改进了模糊数据关联的算法。     

信息融合技术

融合（Fusion）的概念开始出现于70年代初期,当时称之为多源相关、多源合成、多传感器混合或数据融合（Data Fusion）,现在多称之为信息融合（Information Fusion）或数据融合。融合是指采集并集成各种信息源、多媒体和多格式信息,从而生成完整、准确、及时和有效的综合信息过程。数据融合技术结合多传感器的数据和辅助数据库的相关信息以获得比单个传感器更精确、更明确的推理结果。经过融合的多传感器信息具有以下特征：信息的冗余性、互补性、协同性、实时性以及低成本性。     

机器学习算法与3σ定律在智慧温室数据预处理中的应用

为了有效解决在极端环境下智慧温室内部分传感器不工作导致产生缺失值及数据准确性的问题.以智慧温室传感器采集的数据为研究对象,利用多种机器学习算法进行数据插补,同时利用3σ定律和数据融合对插补后的数据集进行预处理,提高了数据集的完整性与准确性.为技术人员进一步分析、处理数据,实现智慧温室精确控制提供了更加准确可靠的数据源.     

基于数据融合算法的土壤环境监测系统设计

利用Zig Bee技术和GPRS技术相结合的方式,构建农田环境监控系统的总体结构,系统利用Zig Bee无线传感器网络采集土壤环境数据。为解决多传感器监测数据融合精度低的问题,提出了一种改进型的分批估计自适应加权融合算法,首先对单个传感节点一段时间内所采集的数据根据容许函数的阈值剔除误差较大的数据,然后对该传感器的数据进行分批估计得出该节点某一段时间内的最优估计值,得到该区域所有传感节点最优估计值后,依据权值最优分配原则对每组传感器数据进行组内自适应加权融合,从而计算得到该时刻土壤的环境精确值。试验验证了系统采集到的数据准确可靠,改进算法数据融合易于实现,融合值相对误差值更低,稳健性更好。     

基于小波降噪和自适应加权法的温室数据融合

针对温室环境信息多节点数据采集中存在误差大、冲突多和冗余等问题,提出一种基于小波降噪和自适应加权的多传感器数据融合算法.通过小波降噪对采集的数据进行处理,使其具有良好的光滑度和稳定性;利用自适应加权算法对多传感器数据进行融合,得到测量数据的最优估计值.实例验证结果表明,采用所提算法可以有效降低原始数据中存在的噪声和冗余,得到方差较小的数据融合值,可以提高测量数据的准确性和降低数据的传输量;具备良好的稳健性,能够实现对温室环境信息的可靠性和一致性描述.     

基于小波变换的图像融合方法研究

采用小波变换的多分辨率分析技术进行图像融合,将图像信息分解成低频和高频两部分,通过融合算法,将图像数据重构成一幅信息完整的新图像.仿真实验表明,采用本算法融合后的图像更符合客观实际,图像数据信息丰富.     

基于多传感器数据融合的温室温湿度控制系统设计

介绍了1种基于多传感器数据融合的温室温湿度控制系统的设计,包括系统组成、多传感器数据融合算法的设计以及具体实现。本系统利用改进的拉依达准则剔除异常值,再通过自适应加权平均算法对温湿度分别进行数据融合,根据融合后的温湿度数据确定控制策略,调整温室环境参数,提高了系统的精确度和可靠性。     

基于多数据融合+BP神经网络的农业温室大棚环境监控系统的研究

研究了一种基于多数据融合+BP神经网络的农业温室大棚监控系统。在大棚内部设置多点传感器，避免单个传感器测量不准确的问题，通过加权平均算法进行数据融合，再结合BP神经网络对参数的变化趋势进行判断，最终得到决策后的控制策略。本研究实现了更为精准的大棚环境参数预测，多数据融合后的参数更准确，再进行神经网络的训练，获得各参数变化的趋势，为农业温室大棚提供良好的植株生长环境。     

基于多数据融合的山林防火系统

针对陕北山林火灾探测系统中的缺陷,本文提出了运用多传感器数据融合技术开展山林火情探测,并进行了仿真结果验证,以实现对火情的提前预警。采用温湿度传感器、CO浓度传感器、烟雾传感器和土地墒情传感器采集山林的环境数据,对同一时间采集的数据进行方差计算处理,再使用BP神经网络和模糊处理的方式对预处理后的方差值进行数据融合,最终得到该时某点山林的着火概率,运用无线传输设备及时通知管理人员采取措施。陕北山林实地模拟测试表明,该系统可以有效监测到山林的数据情况,能准确监测火情的大小并对着火点进行林间定位,为陕北山区森林提供了一种可执行的监测方案。     

基于农业物联网的农作物生长监测数据融合研究

针对农业无线传感器网络数据融合精度低、传感器节点能量有限的问题,结合农作物生长环境监测的特点,提出了一种适用于农作物生长监测数据融合的架构和算法。将无线传感器网络划分成多个固定层级,减少数据传输量并逐层降低误差。仿真试验结果表明,该算法融合结果比算术平均法和单一自适应加权算法更接近真实值。该算法能够减少数据传输量,且具有很好的可拓展性。     

基于小波变换的图像融合算法

图像融合技术的研究目的就是综合不同类型的传感器所获取的图像信息,通过对多幅图像间冗余数据的处理提高图像的可靠性和可观察性,通过对多幅图像间互补信息的处理提高图像的效果。提出了一种基于小波的融合算法,该算法基于小波图像的能量集中在低频子带、细节体现在高频子带的特点,在低频部分对小波系数采用基于局部能量的加权融合方法处理,高频部分采用基于边缘信息的加权算法进行融合。结果表明:所采用的方法避免了图像融合过程中因平均化而出现的模糊现象,融合后的图像内容更加清晰,更容易识别。实践证明,基于小波变换的图像融合可以取得良好的结果和较快的处理速度。     

航空发动机磨损故障的智能融合诊断

运用了4种最常用的滑油分析技术——铁谱分析、光谱分析、颗粒计数分析及理化指标分析，同时结合发动机试车台监测数据，提出了运用神经网络和D—S证据理论对发动机试车状态进行融合诊断的方法。首先依据各种分析方法的标准磨损界限值，将原始数据进行了预处理，转换成故障征兆的布尔值；其次，建立了各子神经网络的拓扑结构。并依据专家经验建立各子系统的输入征兆与故障论域的映射关系，由此获得了各子神经网络的训练样本，对各网络成功训练后。利用神经网络实现各子网络的诊断并得到了中间诊断结果；然后，将每种方法的神经网络诊断结果作为各故障模式的基本概率分配值，利用改进的D—S证据理论。实现了对神经网络诊断结果的融合，由此获得了最终的融合诊断结果，最后，通过算例证明了该方法的有效性。     

基于VMD和KFCM的轴承故障诊断方法优化与研究

针对机械设备轴承故障振动信号具有强噪声、非线性、非平稳特性并致使故障特征信息难以提取的问题.提出了一种利用变分模态分解(Variational Mode Decomposition, VMD)和改进模糊聚类算法相结合的机械故障诊断新方法.首先,对采集的故障数据采用VMD和奇异值分解方法进行预处理,去除异常值及噪声;然后,采用核模糊C均值聚类(Kernel-based Fuzzy C-Means clustering, KFCM)算法来进行不同故障类型数据划分,通过计算分类系数、平均模糊熵和海明贴近度对其分类性能进行评估;最后,利用粒子群算法(PSO)对KFCM训练状态的参数进行优化.通过仿真分析和实验数据验证,该方法不仅表现出更优的分类性能,能精确、稳定进行故障识别,而且只需要少量样本数据进行训练,从而使诊断的工作量和诊断时间大为减少,为大型旋转机械设备在线故障诊断提供了理论依据.