專利名稱：結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種信息處理技術(shù)領(lǐng)域的方法，具體的說，涉及的是一種結(jié) 合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法。
背景技術(shù)：
多傳感器信息融合指的是把在不同位置的多個同類或者不同類傳感器所提 供的局部環(huán)境的不完整信息加以綜合，消除傳感器間可能存在的冗余或者矛盾信 息，將這些信息加以互補從而降低不確定性，以形成對系統(tǒng)環(huán)境的相對完整一致 的感知描述，從而提高智能系統(tǒng)的決策、規(guī)劃、反應(yīng)的快速性和正確性，降低決 策風(fēng)險。近年來，越來越多的智能系統(tǒng)在各種不確定的環(huán)境中工作，越來越復(fù)雜 的傳感器被智能系統(tǒng)使用，多傳感器信息融合的研究成為國內(nèi)外研究的熱點。各 種不同的多傳感器信息融合方法被相繼提出。
經(jīng)對現(xiàn)有技術(shù)的文獻檢索發(fā)現(xiàn)，文章Multisensor fusion using Hopfield neural network in INS/SMGS integrated system, Signal Processing, Vol-2， 2002: 1199 - 1202 (INS/SMGS集成系統(tǒng)中使用Hopfield神經(jīng)網(wǎng)絡(luò)的多傳感 器融合，信號處理)提出了使用Hopfiled神經(jīng)網(wǎng)絡(luò)進行多傳感器信息融合的方法。 但是該方法在傳感器數(shù)據(jù)量大的情況下需要收集大量的訓(xùn)練樣本并且需要大量 的訓(xùn)練時間來調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)以供實際使用。因此，該方法無法應(yīng)用于大規(guī) 模的傳感器系統(tǒng)中。

發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有技術(shù)的不足，提供一種結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信 息融合方法，使其利用粗糙集對傳感器信息進行約簡，將約簡后的信息作為神經(jīng) 網(wǎng)絡(luò)的輸入。本發(fā)明不僅充分利用了神經(jīng)網(wǎng)絡(luò)算法的實用性，而且通過粗糙集約 簡避免了傳感器信息量過大對神經(jīng)網(wǎng)絡(luò)算法造成的性能下降。本發(fā)明避免了現(xiàn)有 技術(shù)的問題，可以防止數(shù)據(jù)量大的應(yīng)用中訓(xùn)練樣本要求過高以及訓(xùn)練時間過長的
情況，從而可以應(yīng)用于各種大規(guī)模的傳感器信息融合系統(tǒng)。
本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，包括訓(xùn)練和融合兩個階段，融合階段之 前必須完成訓(xùn)練階段的所有步驟。
所述的訓(xùn)練階段，包括以下步驟
A、 建立訓(xùn)練樣本，并建立決策表。
B、 求決策表的分辨矩陣。
C、 根據(jù)分辨矩陣，采用分辨函數(shù)的方法，求出決策表的所有約簡。
D、 為每一個約簡建立神經(jīng)網(wǎng)絡(luò)，并將約簡的信息作為輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)。
所述的融合階段，包括以下步驟-
A、 采集傳感器信息。
B、 根據(jù)訓(xùn)練階段求出的所有約簡，將信息重新組合。
C、 把每一個約簡對應(yīng)的信息輸入其相應(yīng)的神經(jīng)網(wǎng)絡(luò)。
D、 把各神經(jīng)網(wǎng)絡(luò)的輸出加權(quán)平均，得到最終的輸出。
所述的建立訓(xùn)練樣本，即選取典型的輸入-輸出對作為樣本集合供訓(xùn)練使用。 所述的輸入-輸出對是指傳感器信息輸入與期望傳感器融合結(jié)果即決策的對應(yīng)。 樣本選取的數(shù)目與問題規(guī)模有關(guān)， 一般應(yīng)大于輸入信息維數(shù)的兩倍。例如，有20 個傳感器，則輸入信息維數(shù)為20，選取的樣本至少為40個。
所述的建立決策表，是指以每個訓(xùn)練樣本為行向量，以輸入和輸出為列向 量，建立傳感器信息輸入與決策的對照表，在計算機中以矩陣形式存儲。例如， 有10個傳感器，選取了50個樣本，則決策表為50X11的矩陣。
所述求決策表的分辨矩陣，是指對于一個n行的決策表，建立一個nXn的
矩陣,其X行y列的元素為決策表中X與y行的值不同的列號的集合。具體實現(xiàn)如下:
令A(yù)為決策表列號的集合，U表示決策表行號的集合，決策表對應(yīng)的矩陣為F， F(x,y)表示決策表中x行y列對應(yīng)的值。貝U,分辨矩陣D的元素D(x, y)定義
所述的約簡，具體實現(xiàn)如下-若集合BGA為滿足
的極小子集，貝IJB為A的一個約簡。
所述的根據(jù)分辨矩陣，采用分辨函數(shù)的方法，求出決策表的所有約簡，具體
實現(xiàn)如下
<formula>formula see original document page 7</formula>
決策表的每一個約簡對應(yīng)于化簡后分辨函數(shù)的析取項。例如，分辨函數(shù)化簡 結(jié)果為-
<formula>formula see original document page 7</formula>
則，決策表有兩個約簡(a, W與化,d}。
所述的為每一個約簡，建立神經(jīng)網(wǎng)絡(luò)，是指將每一個約簡對應(yīng)的信息與決
策組合成新的訓(xùn)練樣本，并根據(jù)這個決策的輸入-輸出建立對應(yīng)的神經(jīng)網(wǎng)絡(luò)。例 如，對于前述決策表的兩個約簡，應(yīng)該建立兩個神經(jīng)網(wǎng)絡(luò)。第一個神經(jīng)網(wǎng)絡(luò)對應(yīng)
于抽取a，b傳感器信息作為輸入的情況，而第二個神經(jīng)網(wǎng)絡(luò)對應(yīng)于抽取b， d傳感 器作為輸入的情況。
所述的將約簡的信息作為輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)，是指將約簡的信息輸入神經(jīng) 網(wǎng)絡(luò)，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出和決策之間的差異，調(diào)整神經(jīng)網(wǎng)絡(luò)的各項參數(shù)值，直 至對于所有的樣本而言，這種差異小于某個閾值。
所述的融合階段，是指利用訓(xùn)練階段建立的神經(jīng)網(wǎng)絡(luò)，對多傳感器采集的
信息進行融合，從而得出決策的過程。
其中，所述的采集傳感器信息，是指利用傳感器從外界環(huán)境采集信息，并 傳輸?shù)接嬎銠C中，供后面的步驟使用。
所述的根據(jù)訓(xùn)練階段求出的所有約簡，將信息重新組合，是指對訓(xùn)練階段 求出的每一個約簡，抽取出包含在約簡集合中的元素對應(yīng)的傳感器信息，將這些 信息重新組合為信息的向量。例如，傳感器a， b， C， d采集到的信息分別為1，
2， 3， 4;訓(xùn)練階段求出的一個約簡為(a， b}，則重新組合后的信息為(l， 2)。 所述的把每一個約簡對應(yīng)的信息輸入其相應(yīng)的神經(jīng)網(wǎng)絡(luò)，是指將上一步中
重新組合的信息輸入到對應(yīng)的神經(jīng)網(wǎng)絡(luò)中。例如，前述重新組合的信息為(l， 2)，
而神經(jīng)網(wǎng)絡(luò)NNl對應(yīng)約簡(a， b}，則將(l， 2)作為輸入送入NN1。
所述的把各神經(jīng)網(wǎng)絡(luò)的輸出加權(quán)平均，得到最終的輸出，是指為每一個神
經(jīng)網(wǎng)絡(luò)賦予權(quán)值，例如全部賦值為l，對他們的輸出求加權(quán)平均，這個平均值則
為多傳感器信息融合的結(jié)果。
本發(fā)明提出的結(jié)合粗糙集理論和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法，對傳統(tǒng)
采用神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法進行了改進，防止了傳感器信息過多時帶
來的訓(xùn)練時間過長的缺點。為不同的信息集合建立不同的神經(jīng)網(wǎng)絡(luò)也有利于根據(jù)
不同的數(shù)據(jù)特點建立最適應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，從而提高決策的準(zhǔn)確度。本發(fā)明的
方法可以廣泛地應(yīng)用于各種傳感器融合的系統(tǒng)。在傳感器數(shù)目龐大，傳感器信息
量大的情況下，使用本發(fā)明的方法進行傳感器信息融合可以節(jié)約訓(xùn)練時間，減少
信息融合系統(tǒng)開發(fā)到投入實際使用的周期。


圖l是本發(fā)明方法邏輯圖。
圖2是本發(fā)明的一個實施例的數(shù)據(jù)流圖。
具體實施例方式
下面結(jié)合附圖對本發(fā)明的實施例作詳細(xì)說明本實施例在以本發(fā)明技術(shù)方案
為前提下進行實施，給出了詳細(xì)的實施方式和具體的操作過程，但本發(fā)明的保護 范圍不限于下述的實施例。
如圖1所示，建立訓(xùn)練樣本，即選取典型的輸入-輸出對作為樣本集合供訓(xùn)練 使用。樣本選取的數(shù)目與問題規(guī)模有關(guān)， 一般應(yīng)大于輸入信息維數(shù)的兩倍。例如，
有20個傳感器，則輸入信息維數(shù)為20，選取的樣本至少為40個。接下來建立決策 表，即以每個訓(xùn)練樣本為行向量，以輸入和輸出為列向量，建立傳感器信息輸入 與決策的對照表，在計算機中以矩陣形式存儲。例如，有10個傳感器，選取了50 個樣本，則決策表為50X11的矩陣。接下來求決策表的分辨矩陣，即對于一個n 行的決策表，建立一個nXn的矩陣，其x行y列的元素為決策表中x與y行的值不同 的列號的集合。根據(jù)分辨矩陣，采用分辨函數(shù)的方法，求出決策表的所有約簡。為每一個約簡，建立神經(jīng)網(wǎng)絡(luò)，并將約簡的信息作為輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)。這樣， 便完成了訓(xùn)練過程。其結(jié)果為得到每一種約簡對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。融合階段根 據(jù)訓(xùn)練階段求出的所有約簡以及傳感器采集的信息重新組合信息，即對訓(xùn)練階段 求出的每一個約簡，抽取出包含在約簡集合中的元素對應(yīng)的傳感器信息，將這些 信息重新組合為信息的向量。例如，傳感器a， b， c， d采集到的信息分別為1， 2， 3， 4;訓(xùn)練階段求出的一個約簡為(a， b}，則重新組合后的信息為(l， 2)。
接下來把每一個約簡對應(yīng)的信息輸入其相應(yīng)的神經(jīng)網(wǎng)絡(luò)，是指將上一步中重新
組合的信息輸入到對應(yīng)的神經(jīng)網(wǎng)絡(luò)中。例如，前述重新組合的信息為(l， 2)，而 神經(jīng)網(wǎng)絡(luò)NNl對應(yīng)約簡(a, b}，則將(l， 2)作為輸入送入NN1。該實施例中，神經(jīng) 網(wǎng)絡(luò)的輸入維數(shù)從4減少到了2，因此樣本的采集成本和訓(xùn)練時間將減少約50%。 最后，把各神經(jīng)網(wǎng)絡(luò)的輸出加權(quán)平均，得到最終的輸出，即為每一個神經(jīng)網(wǎng)絡(luò)賦 予權(quán)值，例如全部賦值為l，對他們的輸出求加權(quán)平均，這個平均值則為多傳感 器信息融合的結(jié)果。這個結(jié)果作為決策輸出即完成多傳感器信息融合。
如圖2所示，實施例由五個傳感器信息作為輸入，經(jīng)過求解分辨矩陣和分辨 函數(shù)，得出實施例所有的約簡為U, 2}， {2， 3， 4}， {1， 4}。對三個約簡分別 建立神經(jīng)網(wǎng)絡(luò)l， 2， 3。訓(xùn)練完畢之后，對于五個傳感器采集的信息，重新組合， 將傳感器l， 2的信息輸入神經(jīng)網(wǎng)絡(luò)1，將傳感器2， 3， 4的信息輸入神經(jīng)網(wǎng)絡(luò)2， 將傳感器l， 4的信息輸入神經(jīng)網(wǎng)絡(luò)3。三個神經(jīng)網(wǎng)絡(luò)的輸出，加權(quán)平均后便得到 最終的決策輸出。該實施例中，輸入維數(shù)分別減少了3/5， 2/5， 3/5，故訓(xùn)練時 間減少越40%，所以可以防止數(shù)據(jù)量大的應(yīng)用中訓(xùn)練樣本要求過高以及訓(xùn)練時間 過長的情況，能應(yīng)用于各種大規(guī)模的傳感器信息融合系統(tǒng)。
權(quán)利要求
1.一種結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法，其特征在于，包括訓(xùn)練和融合兩個階段所述訓(xùn)練階段，包括以下步驟A、建立訓(xùn)練樣本，并建立決策表；B、求決策表的分辨矩陣；C、根據(jù)分辨矩陣，采用分辨函數(shù)的方法，求出決策表的所有約簡；D、為每一個約簡建立神經(jīng)網(wǎng)絡(luò)，并將約簡的信息作為輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)；所述融合階段，包括以下步驟A、采集傳感器信息；B、根據(jù)訓(xùn)練階段求出的所有約簡，將信息重新組合；C、把每一個約簡對應(yīng)的信息輸入其相應(yīng)的神經(jīng)網(wǎng)絡(luò)；D、把各神經(jīng)網(wǎng)絡(luò)的輸出加權(quán)平均，得到最終的輸出。
2. 根據(jù)權(quán)利要求1所述的結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法， 其特征是，所述建立訓(xùn)練樣本，是指選取典型的輸入-輸出對作為樣本集合供訓(xùn) 練使用，其中所述的輸入-輸出對是指傳感器信息輸入與期望傳感器融合結(jié)果 即決策的對應(yīng)，樣本選取的數(shù)目大于輸入信息維數(shù)的兩倍。
3. 根據(jù)權(quán)利要求l所述的結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法， 其特征是，所述建立決策表，是指以每個訓(xùn)練樣本為行向量，以輸入和輸出為 列向量，建立傳感器信息輸入與決策的對照表，在計算機中以矩陣形式存儲。
4. 根據(jù)權(quán)利要求l所述的結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法， 其特征是，所述求決策表的分辨矩陣，是指對于一個n行的決策表，建立一個n Xn的矩陣，其x行y列的元素為決策表中x與y行的值不同的列號的集合，具體實 現(xiàn)如下令A(yù)為決策表列號的集合，U表示決策表行號的集合，決策表對應(yīng)的矩陣 為F， F(x，y)表示決策表中x行y列對應(yīng)的值，貝U，分辨矩陣D的元素D(x， y)定義 為
5. 根據(jù)權(quán)利要求l所述的結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法， 其特征是，所述約簡，具體實現(xiàn)如下若集合BG4為滿足的極小子集，貝IJB為A的一個約簡。
6. 根據(jù)權(quán)利要求l所述的結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法， 其特征是，所述根據(jù)分辨矩陣，采用分辨函數(shù)的方法，求出決策表的所有約簡， 具體實現(xiàn)如下設(shè)i O, y〕 = (dp rf2, ..., ，令則，分辨函數(shù)定義為-j= n決策表的每一個約簡對應(yīng)于化簡后分辨函數(shù)的析取項，分辨函數(shù)化簡結(jié)果為A = afc V則，決策表有兩個約簡(a， W與(b， d}。
7.根據(jù)權(quán)利要求l所述的結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法， 其特征是，所述為每一個約簡建立神經(jīng)網(wǎng)絡(luò)，是指將每一個約簡對應(yīng)的信息與 決策組合成新的訓(xùn)練樣本，并根據(jù)這個決策的輸入-輸出建立對應(yīng)的神經(jīng)網(wǎng)絡(luò)。
8.根據(jù)權(quán)利要求l所述的結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法，其特征是，所述的將約簡的信息作為輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)，是指將約簡的信息輸入祌經(jīng)網(wǎng)絡(luò)，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出和決策之間的差異，調(diào)整神經(jīng)網(wǎng)絡(luò)的各項參數(shù) 值，直至對于所有的樣本而言，這種差異小于某個閾值。
9.根據(jù)權(quán)利要求l所述的結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法，其特征是，所述的采集傳感器信息，是指利用傳感器從外界環(huán)境采集信息，并傳。
10.根據(jù)權(quán)利要求l所述的結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方 法，其特征是，所述的根據(jù)訓(xùn)練階段求出的所有約簡，將信息重新組合，是指 對訓(xùn)練階段求出的每一個約簡，抽取出包含在約簡集合中的元素對應(yīng)的傳感器信 息，將這些信息重新組合為信息的向量。
全文摘要
一種結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合方法，屬于信息融合技術(shù)領(lǐng)域。本發(fā)明包括訓(xùn)練和融合階段，訓(xùn)練階段為A.建立訓(xùn)練樣本，并建立決策表；B.求決策表的分辨矩陣；C.根據(jù)分辨矩陣，采用分辨函數(shù)的方法，求出決策表的所有約簡；D.為每一個約簡，建立神經(jīng)網(wǎng)絡(luò)，并將約簡的信息作為輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)。融合階段為A.采集傳感器信息；B.根據(jù)訓(xùn)練階段求出的所有約簡，將信息重新組合；C.把每一個約簡對應(yīng)的信息輸入其相應(yīng)的神經(jīng)網(wǎng)絡(luò)；D.把各神經(jīng)網(wǎng)絡(luò)的輸出加權(quán)平均，得到最終的輸出。本發(fā)明通過利用粗糙集理論對傳感器信息進行約簡，能夠避免傳感器數(shù)據(jù)量過大帶來的訓(xùn)練樣本大以及訓(xùn)練時間長的問題。
文檔編號G06N3/00GK101110106SQ200710042308
公開日2008年1月23日 申請日期2007年6月21日 優(yōu)先權(quán)日2007年6月21日
發(fā)明者王加俊, 申瑞民, 晶 金, 剛 陳, 陳清華 申請人:上海交通大學(xué)