各种融合方法.docx
现代方法间的集成遗传算法和模糊理论相结合模糊理论和神经网络理论相结合遗传算法和神经网络理论相结合遗传算法和模糊神经网络相结合经典方法与现代方法的结合模糊规律和Kalman滤波相结合小波变换和Kalman滤波相结合模糊理论和最小二乘法相结合小波变换和KaIman滤波相结合在实际中，不同的传感器数据采集系统采集的数据具有不同的辨别率，因而,需要解决多辨别率数据的融合技术和方法，以便更好地采用不同辨别率数据的互补信息，达到更佳的融合效果。Kalman滤波对非平稳信号具有较强的估量力量，能对信号全部的频率成分同时进行处理。同时，小波变换具有高辨别力，对高频重量采纳渐渐精细的时域和频域步长，可以聚焦到分析对象的任意细节。因此，小波变换与KaIman滤波结合可以取得良好的融合效果。模糊理论和最小二乘法相结合最小二乘法的准则是选取X使得估量性能指标（估量误差的平方和）达到最小。它是以误差理论为依据，在诸数据处理方法中，误差最小，精确性最好，并在处理数据过程中不需要知道数据的先验信息。因而，刘建书等人采用模糊理论中的相关性函数对多传感器的相互支持程度进行计算，应用基于最小二乘原理的数据融合方法，对支持程度高的传感器数据进行融合。仿真结果表明：相比同类融合方法，该方法获得的结果具有更高的精度。模糊规律和Kalman滤波相结合经典最优KaIman滤波理论对动态系统提出了严格的要求，即当观测几何信息和动力学模型及统计信息牢靠时，Kalman滤波计算性能较好。但在实践中很难满意这一条件，在使用不精确或错误的模型和噪声统计设计KaIman滤波器时会导致流波结果失真，甚至使滤波发散。为了解决此问题，产生了自适应KaIman滤波。Escamilla,AmbroSio等人提出了一种基于模糊规律的自适应Kalman滤波数据融合算法，该算法使用模糊规律调整Q和R的值使之可以更好地符合协方差的估量值。接着scamilia,AmbrosioPJ等人又将上述算法用来建立集中式、分布式和混合式的自适应KaIman滤波多传感器融合算法。此外，TaftiAD等人还提出了一种可用于实时处理的自适应Kalman滤波和模糊跟踪数据融合算法。近年来，模糊Kalman滤波算法在实际中得到了特别广泛的应用，例如：目标跟踪、图像处理以及组合导航等。遗传算法和神经网络理论相结合神经网络技术是模拟人类大脑而产生的一种信息处理技术,它使用大量的简洁处理单元（即神经元）处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其他层上的神经元联接，采纳并行结构和并行处理机制，因而，网络具有很强的容错性和自学习、自组织及自适应力量，能够模拟简单的非线性映射。因此，大量的工程实际应用中都将其与遗传算法结合起来使用，如用于片上系统的智能信息处理，优化集成电路板中金属层间介电质的参数设计以及处理和分析非线性地震数据等。遗传算法和模糊神经网络相结合模糊神经网络和单纯的模糊掌握与单纯的神经网络相比，具有更优的性能，但仍旧存在不足，因此，有讨论将遗传算法与模糊神经网络结合起来以取得更好的数据融合效果。例如：姜静等人先用遗传算法对模糊神经掌握器进行离线训练，然后，用BP算法对模糊神经掌握器进一步在线训练，仿真结果表明：模糊神经掌握器比模糊掌握器取得了更好的掌握效果。遗传算法和模糊理论相结合遗传算法是一种并行算法，能够较好地解决多参数的优化问题，并针对算法的特点采纳某些较新的算子,照实编码方式利对应的交叉算子与不全都变异技术的应用都保证遗传算法具有较好的性能并节约时间。此外，遗传算法所采纳的某些算子能更好地模拟模糊关系，可以使融合达到较高的精度。将其与模糊理论相结合可以在信息源的牢靠性、信息的冗余度、互补性以及进行融合的分级结构不确定的状况下，以近似最优的方式对传感器数据进行融合。因此，该方法渐渐成为目前的讨论热点之一。例如：ChoiJN等人提出一种基于分层公正竞争的并行遗传算法和信息粒化理论的混合优化模糊推理系统。此外，遗传模糊掌握还被用于策略问题的讨论。模糊理论和神经网络理论相结合神经网络具有大规模并行处理力量、自学习力量和自适应力量，其仿生特性使之能更有效地采用系统本身的信息,并能映射任意函数关系,但缺点是学问表达比较困难,学习速度慢。而模糊系统则采纳简洁的“假如则”规章，但自动生成和调整隶属度函数和模糊规章是个难题。两者相结合产生的模糊神经网络可以看作是一种不依靠于精确数学模型的函数估量器。它除具有神经网络的功能外，还能处理模糊信息，完成模糊推理功能。模糊神经网络的节点和参数均有明显的物理意义，初值比较简洁确定，采用学习算法可以使之很快收敛到要求的输入、输出关系，并且，参数的学习和调整比较简洁，性能优于单纯的模糊掌握和单纯的神经网络。模糊系统与神经网络的结合方式各种各样，目前的各种模糊神经网络，一般可分为两类：依据模糊数计算得到的模糊神经网络;以模糊规章的规律推理过程为基础而形成的模糊神经网络。第一类模糊神经网络，其结构沿袭一般的多层前向网络，但输入输出为模糊语言值，权值一般取模糊数或清楚数，所以，权值调整算法是依据模糊数的计算特点而改进的BP算法,主要用于模拟模糊规章集，进行近似推理。其次类模糊神经网络的输入输出为精确值，一般包括模糊化、推理和清楚化过程，此类网络由于规章表达形式的多样性和网络模拟方法的敏捷性而产生了各种结构和算法，主要用于时间序列猜测、多种信息融合等方面。近年来，国内外消失了大量关于模糊神经网络的讨论，如用于非线性模型的模糊神经网络混合辨识方法，用一种三层前反馈神经网络和Levenberg-Marquardt学习算法实现模糊系统的“假如则”规章等。模糊神经网络的优势使其广泛应用于掌握、模式识别、数据融合等领域，具有很大的进展前景。
