一種乏信息多傳感器神經(jīng)網(wǎng)絡-熵測量不確定度評定方法
【專利摘要】本發(fā)明涉及一種用于乏信息條件下多傳感器測量數(shù)據(jù)的神經(jīng)網(wǎng)絡-熵測量不確定度評定方法，屬于計量測試領域，其特征在于：其中包含下列步驟：(1)利用RBF建立乏信息條件下多傳感器數(shù)據(jù)融合模型，得到反映測量過程的融合序列；(2)使用最大熵原理處理已獲得的融合序列，依次求得融合序列的概率密度函數(shù)；(3)利用得到的概率密度函數(shù)進行真值與區(qū)間估計，實現(xiàn)乏信息測量不確定度評定。上述方法允許測量數(shù)據(jù)樣本量少、概率分布未知，且能充分利用被測量的已有信息，實現(xiàn)測量不確定度的有效評定。
【專利說明】一種乏信息多傳感器神經(jīng)網(wǎng)絡-熵測量不確定度評定方法
【技術領域】
[0001]本發(fā)明屬于計量測試領域，涉及一種乏信息多傳感器神經(jīng)網(wǎng)絡-熵測量不確定度評定方法。
【背景技術】
[0002]多傳感器測量不確定度評定包含兩個關鍵技術:一是多傳感器數(shù)據(jù)融合技術；二是融合序列不確定度的有效評定技術。數(shù)據(jù)融合技術是指在數(shù)據(jù)處理中有機地融合多個傳感器的測量信息，更加合理地對測量結果進行估計。不確定度的有效評定技術是指充分利用已有信息對測量數(shù)據(jù)的測量不確定度進行評定。這兩個關鍵技術在計量測試、精密儀器、航空航天、環(huán)境監(jiān)測等領域具有廣泛應用。
[0003]數(shù)據(jù)融合技術在國內(nèi)外已成為備受關注的關鍵技術，出現(xiàn)了許多熱門研究方向，許多學者致力于多傳感器故障檢測、結構損傷檢測、遙感圖像融合、機動目標跟蹤、航跡關聯(lián)、目標定位、態(tài)勢評估與威脅估計以及非軍事領域中的研究，研究方法主要包括SVM、自適應加權、D-S證據(jù)理論、遺傳算法、神經(jīng)網(wǎng)絡等。對于融合序列的評估，測量不確定度是一個較為直觀有效的參數(shù)，它體現(xiàn)了測量過程的不確定性。根據(jù)GUM(測量不確定度評定指南)，測量不確定度的評定主要分為基于統(tǒng)計理論的A類與先驗信息的B類評定。然而，A類評定依據(jù)的大數(shù)定律和中心極限定理以及B類評定的假定正態(tài)分布的條件在某些乏信息情況下是不成立的。乏信息是指測量數(shù)據(jù)較少，測量概率分布未知，趨勢項模糊等情況。為了解決乏信息條件下的測量不確定度評定問題，學者們進行了許多相關的研究。近些年，應用較為廣泛的方法有蒙特卡洛方法和自助法。除此之外，依據(jù)先驗知識的貝葉斯理論、高階矩分析等也有應用。以上幾種方法在解決乏信息條件下不確定度評定的共同點在于先驗知識的使用，測量量被指定一個確定的概率密度函數(shù)，以及此函數(shù)的均值與方差。然而，測量量的分布信息并非總是精確知道或者遵從假定的分布。如果一直假定分布是精確已知的，這是不準確的。針對這些問題，本發(fā)明結合神經(jīng)網(wǎng)絡理論和最大熵法的優(yōu)點，提出一種神經(jīng)網(wǎng)絡-熵方法，應用于乏信息條件下多傳感器測量不確定度評定。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于:提供一種乏信息多傳感器神經(jīng)網(wǎng)絡-熵測量不確定度評定方法，針對乏信息多傳感器測量數(shù)據(jù)樣本量少、測量數(shù)據(jù)概率分布未知的特點，首先利用神經(jīng)網(wǎng)絡建立了一種描述乏信息測量數(shù)據(jù)融合模型，得到反應測量過程的融合序列；然后依據(jù)最大熵原理獲取測量數(shù)據(jù)概率密度函數(shù)，得到總體的分布信息；最后依據(jù)概率密度函數(shù)，進行真值與區(qū)間估計，有效地實現(xiàn)測量不確定度評定。
[0005]本發(fā)明的技術解決方案:一種乏信息多傳感器神經(jīng)網(wǎng)絡-熵測量不確定度評定方法，由以下步驟實現(xiàn):
[0006](I)多傳感器數(shù)據(jù)融合；
[0007](2)多傳感器最大熵評定；[0008](3)真值與區(qū)間估計；
[0009]其中，步驟(1)所述的多傳感器數(shù)據(jù)融合，具體實現(xiàn)過程如下:
[0010]利用RBF建立多傳感器測量模型，計算加權系數(shù)，利用加權函數(shù)描述融合函數(shù)，以實現(xiàn)乏信息多傳感器數(shù)據(jù)融合。RBF神經(jīng)網(wǎng)絡是一種兩層前傳網(wǎng)絡，建立基于RBF神經(jīng)網(wǎng)絡的多傳感器數(shù)據(jù)融合模型，主要包括隱層設置、基函數(shù)中心選取與學習訓練三個部分。
[0011]隱層執(zhí)行的是一種固定不變的非線性變換,實現(xiàn)f:X = (X1, x2,…，xn} — Z = {z}的非線性映射，即輸入層X經(jīng)過隱層得到輸出層Z。
[0012]利用灰聚類算法確定基函數(shù)中心，基本步驟是:第一步，先計算特征向量的灰色絕對關聯(lián)度；第二步，根據(jù)要求，設定合適的臨界值，實現(xiàn)特征向量的灰聚類；第三步，計算每一類中特征向量的均值向量，作為基函數(shù)中心。
[0013]神經(jīng)網(wǎng)絡的學習是根據(jù)訓練樣本，確定隱層節(jié)點權值；神經(jīng)網(wǎng)絡的訓練是尋找合適的權值使輸出誤差平方和最小。
[0014]訓練學習結束后，輸入所求樣本數(shù)據(jù)，即可得到多傳感器RBF數(shù)據(jù)融合序列。
[0015]其中，步驟(2)所述的多傳感器最大熵評定，具體實現(xiàn)過程如下:
[0016]最大熵方法通過計算樣本的各階矩，獲得基于樣本信息的概率密度函數(shù)的最優(yōu)估計。首先，熵的定義為:
【權利要求】
1.一種乏信息多傳感器神經(jīng)網(wǎng)絡-熵測量不確定度評定方法，其特征在于，該方法包括如下步驟: 步驟(I)、多傳感器數(shù)據(jù)融合； 步驟(2)、多傳感器最大熵評定； 步驟(3)、真值與區(qū)間估計。 步驟(I)中所述的多傳感器數(shù)據(jù)融合，具體實現(xiàn)過程如下: 利用RBF建立多傳感器測量模型，計算加權系數(shù)，利用加權函數(shù)描述融合函數(shù)，以實現(xiàn)乏信息多傳感器數(shù)據(jù)融合。建立的基于RBF神經(jīng)網(wǎng)絡的多傳感器數(shù)據(jù)融合模型，主要包括隱層設置、基函數(shù)中心選取與學習訓練三個部分，訓練學習結束后，輸入所求樣本數(shù)據(jù)，即可得到多傳感器數(shù)據(jù)融合序列。 步驟(2)中所述的多傳感器最大熵評定，具體實現(xiàn)過程如下: 利用拉格朗日乘子法求出第i階原點矩和最大熵概率密度函數(shù)關于拉格朗日乘子的表達式，根據(jù)最大熵的約束條件和所求的第i階原點矩，可以求出拉格朗日乘子，即可求出步驟(I)中得到的融合序列的最大熵概率密度函數(shù)。 步驟(3)中所述的真值與區(qū)間估計，具體實現(xiàn)過程如下: 由步驟(2)中所求到的概率密度函數(shù)估計測量真值，根據(jù)已知的顯著性水平求出置信水平，在置信水平下對測量真值進行區(qū)間估計。其測量真值的估計區(qū)間長度即為測量不確定度。
【文檔編號】G06F19/00GK104008304SQ201410255077
【公開日】2014年8月27日 申請日期:2014年6月10日 優(yōu)先權日:2014年6月10日
【發(fā)明者】王中宇, 姚貞建, 王倩 申請人:北京航空航天大學