文档介绍：神经网络方法
由NordriDesign提供

人工神经网络与信息融合的结合
利用神经网络实现信息融合技术，具有很多优越性:
(1)神经网络的信息存储在网络的连接权值和连接结构上，使神经网络方法
由NordriDesign提供

人工神经网络与信息融合的结合
利用神经网络实现信息融合技术，具有很多优越性:
(1)神经网络的信息存储在网络的连接权值和连接结构上，使得传感器的信息表示具有统一的形式，便于管理和建立知识库;
(2)神经网络可增加信息处理的容错性，当某个信源的数据出现差错时，神经网络的容错功能可以使系统正常工作，并输出可靠的信息;
(3)神经网络的自学****和自组织功能，使系统能适应环境的不断变化以及输入数据的不确定性;
(4)神经网络的并行结构和并行处理机制。使得信息处理速度快，能够满足信息的实时处理要求。
8
神经网络实例
火灾探测是一种特殊类型的信号检测，由传感器采集的火情参数一方面具有不确定性，另一方面其不仅随火灾特征而变化，也可能随环境变化和存在噪声等而有所改变，而且这种变化往往与火灾参数变化特征基本相似，容易引起误报。
因此近年来出现了复合火灾探测器，即采用多通道传感器获得多个信号参数如温度、烟雾等经过处理后判断火灾情况，然而如何由多种信号分析合成得到最终的判断结果，并能适应各种不同环境情况的有效算法还亟待研究。
9
神经网络实例(续)
10
局部决策
鉴于不同火情下多传感器系统测试的多个火情信息具有很大的相关不确定性，如：
明火条件下伴随着温度和烟雾信号的急剧增大同时湿度的下降；
阴燃火发生时则往往伴随着烟雾的增大同时温度和湿度的基本稳定；
而一些典型的干扰信号如厨房内是烟雾、温度、湿度信号同时增大；
因此分布式检测系统首先对一种传感器采集的单一信号进行局部决策，再送入融合中心根据其关联性得出最终决策。
11
局部决策
局部决策采用单传感器探测的分析算法，如速率持续法，即通过检测信号的变化速率是否持续超过一定数值来判别火情。
设采样信号原始序列为
式中，分别为温度、烟雾和温度采样信号。
12
局部决策
定义一累加函数为多次累加相邻采样值的差值之和
则局部决策结果为
式中，为单位阶跃函数，、分别为温度、烟雾或湿度信号的决策结果和局部报警门限。
13
局部决策
当局部决策结果中的任一个输出为1时，则表示温度、烟雾或湿度信号中有一种出现非平稳变化，即提请数据融合中心对所有信息进行融合处理，得出最终判别。这样一方面可由局部决策器分别实现各信号的预处理、标准化并滤除噪声，减轻了融合中心的数据处理工作，具有并行分块处理的优点；另一方面当局部决策结果中至少有一个为报警输出1时，就进行后级数据融合，否则不送融合中心。这样既可以最大限度的采集火情信息，并在早期识别火灾隐患，又可减少对具有非显著火灾特征信息的计算处理，降低误报警。
14
基于神经网络的融合算法
湿度信号为归一化值，取值范围为0-1；输出层的两个单元为明火判决和阴燃火判决系数，取值为0-1；输入层与阴层之间为七个神经元的隐藏。输入层与隐层之间的权值矩阵为，隐层与输入层之间的权值矩阵为。
采用BP算法，执行过程如下：
1）首先确定训练模式对并对网络进行初始化，模式对由输入信号和导师信号构成，分别对应网络的输入层和输出层。输入层信号根据多传感器对标准试验火和各种环境条件下的测试信号经预处理整合后确定，导师信号
即上述已知条件下定义的明火和阴燃火判决结果，由此我们确定了54个训练模式对，判决表1为其中的示例。
15
基于神经网络的融合算法
2）对网络进行训练，对于给定的每组训练模式输入，先由Sigmoid函数计算各隐层单元的输出
式中，为第个隐层的净输入
网络输出为
16
基于神经网络的融合算法
再将网络输出与导师信号进行比较，计算其均方根误差
最后由误差反传算法，调整网络权值和，直到使
满足误差精度要求。
17
仿真结果
利用上述BP算法，即可将学****信号的多重信息判决关系转换到神经网络的连接权矩阵中，实现了数据融合过程，从而可自适应地根据输入的各种情况给出接近期望值的结果，系统由训练状态转移到工作状态。
18
仿真结果
19
感谢您的关注