基于神经网络的数据融合技术的新进展(4)

基于神经网络的数据融合技术的进展

506北京理工大学学报第23卷　

经元数量自适应地增加,这样可以避免死节点和对不同类别的近似向量的误分类Λ基于改进后的CPN网络的特征层数据融合目标识别系统如图4所示Λ应用CPN的目的:一是进行多传感器数据特征层的融合;二是将其作为目标的模式识别器

Λ

同标准差的数据用以模拟3个传感器的数据样本Λ另一类数据是由航天二院的目标与环境光学特征国防重点实验室提供的外场目标数据Λ图5与表1给出了利用300组仿真数据和240幅外场图像对CPN的特征层融合效果的比较

Λ

课题组利用两类数据对CPN特征层融合效果进行了实验研究Λ器仿真数据Λ首先产生具有机数据点,一个特征向量样本,形成若干个类域,类域的数目代表多传感器目标的类别数Λ分别产生若干组具有不同标准差的数据,其中数据组的数目代表多传感器的数目,而不同的标准差代表各个传感器的不同噪声Λ这里产生3组不　　

网络类型

CPNSCPNBPN

图5　CPN的特征层融合识别和单传感器的识别性能比较

Fig.5　Contrastofidentificationcapabilityof

CPNbasedfusionandsinglesensor

图中横坐标为实验次数,纵坐标为识别率Λ实验中使用的3个传感器标准差的范围分别为0101～0120,0101～0130,0101～0160Λ

表1　三类神经网络的实验比较

Tab.1　Experimentresultofthreedifferentneuralnetworks

训练数据

正确分类 %

981391179715

测试数据

拒分 %

117510117

训练次数

拒分 %

018510215

Kohonen40080012000

Outstar33016012000

误分 %

0313018

正确分类 %

961789129313

误分 %

215518412

训练时间 s

7186165412

　　CPN为改进的CPN网络,SCPN为标准的CPN网络,BPN为后向传播神经网络

　　仿真实验结果表明,改进后的CPN融合识别性能比标准的CPN和BPN有改善,其学习速度和抗

噪能力都明显好于BPNΛ可见,利用基于CPN的多传感器数据融合目标识别方法是一种更加有效的融合识别途径Λ

由于神经网络的工作原理和结构特点决定了它特别适合于进行特征层的数据融合,故大多数的研究和应用都是针对特征层的数据融合进行的Λ相对于神经网络在特征层融合上的应用,在决策层融合上的应用则刚开始ΛChair和Varahney提出过一种感知型的神经网络结构用来融合统计独立的多信源判决结果[6]ΛThomopoulos等人应用神经网络解决传感器信息融合检测问题[7]ΛRobertJ.提出了一种基于LMS准则且性能接近最优参数检测器的神经网络模型,用来融合二值假设判决[8]Λ

融合识别问题中,往往无法获得数据类别的先验知识,因此必须利用非监督学习算法和自组织聚类网络解决此类问题Λ由Carpenter和Grossberg提

3　神经网络在决策级融合上的应用

决策级融合是一种高层次融合,它直接融合各个传感器由观测数据所得出的判断,其结果可为检测、控制和决策提供依据Λ决策层融合的优点是对传感器的依赖性小,能有效地反映环境或目标各个侧面的不同类型的信息;抗干扰能力强、容错性好、具有很高的灵活性,且系统对信息传输带宽要求较低Λ