基于神经网络和滤波理论的信息融合算法研究

近年来,多传感器信息融合理论及应用技术研究得到了快速的发展,已经成为一个重要的研究领域。其中,神经网络、模糊推理、Kalman滤波、粒子滤波等信息融合算法一直是国内外研究的热点。针对不同的实际应用需求,将这些方法和理论有机融合,是目前研究的一种趋势。本文在分析、研究目前主要融合算法的基础上,对BP(Back propagation Network)神经网络、Kalman滤波和粒子滤波等多传感器信息融合算法进行了改进和完善。 首先,针对BP网络学习算法易陷入局部极小值、收敛速度慢的缺陷,提出了基于DFP(Davidon-Fletcher-Powell)和信赖域的BP网络学习算法,该方法兼顾了DFP在算法收敛速度、处理大残量问题以及信赖域法在保证全局最优性和解决数值不稳定问题方面的优越性,由于DFP算法是最优化理论中一类典型的拟牛顿法,具有超线性收敛速度。因此,采用DFP算法代替传统的梯度下降法进行BP网络学习,既保证了高效搜索和超线性的收敛速度,又减少了计算量,并且适于处理大残量问题,同时,在BP学习中引入信赖域法,又确保了算法的全局收敛性和稳定性,使算法更为实用。 其次,针对大规模样本聚类的时间复杂度过高和聚类结果对经验参数设置的依赖性过强的问题,本文提出一种基于密度网格可变参数的自扩展聚类算法(PASCDU,a Parameter-Adjustable Self-expanded Clustering algorithm based on Density Units),算法先将数据空间分割成相同大小的网格单元,再将样本归一化后映射到相应的网格单元中,然后从指定密度较大的网格单元向周围扩展,直到其平均密度达到指定的下限或可扩展的聚类边界为止。聚类过程中,通过下限密度和均值密度来限制聚类间的过度扩展,如果有效样本的比率低于阈值,则自适应调整扩展密度并重新聚类。然后,将其与模糊神经网络有机融合,提出了基于该聚类算法的模糊神经网络学习算法,利用聚类算法从样本中提取规则数目,并将其应用于模糊神经网络建模,缩短了模糊神经网络的运算时间,提高了整个系统的效率。 第三,考虑到虽然粒子滤波通过蒙特卡罗模拟来实现递推贝叶斯估计,在非线性非高斯系统中体现了良好的特性;但粒子滤波存在粒子退化现象的缺陷,针对这一问题,提出了一种新的重要性重采样算法,即分区重采样算法,其主要思想是根据多项式重采样与分层重采样算法的特点,把随机数区间划分成若干个区,每个区内的随机数任意排列,而区与区之间按升序排列。与目前常用的其它重采样算法相比,该方法提高了粒子滤波的平均性能。 最后,针对基于Kalman滤波的神经网络学习算法适于含有较大噪声的样本的学习,但不能进行批处理操作、学习精度也不是很高的问题,本文提出了基于Kalman滤波的改进的BP网络学习算法,其主要思想是:首先在时间更新部分,通过其他学习算法给出预测权值的更新量,然后利用这个结果修改Kalman滤波增益表达式,获得了一套新的时间更新和测量更新计算公式,缓解了维数灾难和大量计算性问题,增强了神经网络的鲁棒性和抗干扰能力,同时采用批处理方式进行神经网络的学习,大大提高了神经网络的学习效率。 仿真实验结果验证了本文提出的上述几类算法的有效性和可行性。