神经网络还需要信号融合吗

❶ 神经网络可以进行信息融合吗

如果信息融合对应说的是多变量线性或非线性函数的话，神经网络是拿手的。

❷ 多传感器信息融合和神经网络(RBF)是什么关系

两者间不具有明显的关系，前者是一类需要解决的问题，即将处于不同层次或相同层次的传感器信息进行全局性或局部性的融合。(加权平均就是一种最简单的融合)。
神经网络(NN)是人工智能算法中的一种方法，其可以用于解决诸如多传感器信息融合这样的一类问题，其应用领域多种多样。
总而言之，两者间非必须的一种组合，但是两者相结合也是一种处理问题的方法。
RBF(radial
basis
functions)径向基网络也只是神经网络的一种类型，其是前馈型网络的一种。

❸ 神经网络算法和卡尔曼滤波可以同时应用于信息融合吗

可以的，可以预先用卡尔曼对信号进行滤波 ，去除一定的噪声 然后再进行样本神经网络训练，不过网络实际用时也需先进行卡尔曼滤波

❹ 人工神经网络的发展趋势

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。
神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。
下面主要就神经网络与小波分析、混沌、粗集理论、分形理论的融合进行分析。
与小波分析的结合
1981年，法国地质学家Morlet在寻求地质数据时，通过对Fourier变换与加窗Fourier变换的异同、特点及函数构造进行创造性的研究，首次提出了小波分析的概念，建立了以他的名字命名的Morlet小波。1986年以来由于YMeyer、S.Mallat及IDaubechies等的奠基工作，小波分析迅速发展成为一门新兴学科。Meyer所着的小波与算子，Daubechies所着的小波十讲是小波研究领域最权威的着作。
小波变换是对Fourier分析方法的突破。它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。小波分析相当于一个数学显微镜，具有放大、缩小和平移功能，通过检查不同放大倍数下的变化来研究信号的动态特性。因此，小波分析已成为地球物理、信号处理、图像处理、理论物理等诸多领域的强有力工具。
小波神经网络将小波变换良好的时频局域化特性和神经网络的自学习功能相结合，因而具有较强的逼近能力和容错能力。在结合方法上，可以将小波函数作为基函数构造神经网络形成小波网络，或者小波变换作为前馈神经网络的输入前置处理工具，即以小波变换的多分辨率特性对过程状态信号进行处理，实现信噪分离，并提取出对加工误差影响最大的状态特性，作为神经网络的输入。
小波神经网络在电机故障诊断、高压电网故障信号处理与保护研究、轴承等机械故障诊断以及许多方面都有应用，将小波神经网络用于感应伺服电机的智能控制，使该系统具有良好的跟踪控制性能，以及好的鲁棒性，利用小波包神经网络进行心血管疾病的智能诊断，小波层进行时频域的自适应特征提取，前向神经网络用来进行分类，正确分类率达到94%。
小波神经网络虽然应用于很多方面，但仍存在一些不足。从提取精度和小波变换实时性的要求出发，有必要根据实际情况构造一些适应应用需求的特殊小波基，以便在应用中取得更好的效果。另外，在应用中的实时性要求，也需要结合DSP的发展，开发专门的处理芯片，从而满足这方面的要求。
混沌神经网络
混沌第一个定义是上世纪70年代才被Li-Yorke第一次提出的。由于它具有广泛的应用价值，自它出现以来就受到各方面的普遍关注。混沌是一种确定的系统中出现的无规则的运动，混沌是存在于非线性系统中的一种较为普遍的现象，混沌运动具有遍历性、随机性等特点，能在一定的范围内按其自身规律不重复地遍历所有状态。混沌理论所决定的是非线性动力学混沌，目的是揭示貌似随机的现象背后可能隐藏的简单规律，以求发现一大类复杂问题普遍遵循的共同规律。
1990年Kaihara、T.Takabe和M.Toyoda等人根据生物神经元的混沌特性首次提出混沌神经网络模型，将混沌学引入神经网络中，使得人工神经网络具有混沌行为，更加接近实际的人脑神经网络，因而混沌神经网络被认为是可实现其真实世界计算的智能信息处理系统之一，成为神经网络的主要研究方向之一。
与常规的离散型Hopfield神经网络相比较，混沌神经网络具有更丰富的非线性动力学特性，主要表现如下：在神经网络中引入混沌动力学行为；混沌神经网络的同步特性；混沌神经网络的吸引子。
当神经网络实际应用中，网络输入发生较大变异时，应用网络的固有容错能力往往感到不足，经常会发生失忆现象。混沌神经网络动态记忆属于确定性动力学运动，记忆发生在混沌吸引子的轨迹上，通过不断地运动(回忆过程)一一联想到记忆模式，特别对于那些状态空间分布的较接近或者发生部分重叠的记忆模式，混沌神经网络总能通过动态联想记忆加以重现和辨识，而不发生混淆，这是混沌神经网络所特有的性能，它将大大改善Hopfield神经网络的记忆能力。混沌吸引子的吸引域存在，形成了混沌神经网络固有容错功能。这将对复杂的模式识别、图像处理等工程应用发挥重要作用。
混沌神经网络受到关注的另一个原因是混沌存在于生物体真实神经元及神经网络中，并且起到一定的作用，动物学的电生理实验已证实了这一点。
混沌神经网络由于其复杂的动力学特性，在动态联想记忆、系统优化、信息处理、人工智能等领域受到人们极大的关注。针对混沌神经网络具有联想记忆功能，但其搜索过程不稳定，提出了一种控制方法可以对混沌神经网络中的混沌现象进行控制。研究了混沌神经网络在组合优化问题中的应用。
为了更好的应用混沌神经网络的动力学特性，并对其存在的混沌现象进行有效的控制，仍需要对混沌神经网络的结构进行进一步的改进和调整，以及混沌神经网络算法的进一步研究。
基于粗集理论
粗糙集(Rough Sets)理论是1982年由波兰华沙理工大学教授Z.Pawlak首先提出，它是一个分析数据的数学理论，研究不完整数据、不精确知识的表达、学习、归纳等方法。粗糙集理论是一种新的处理模糊和不确定性知识的数学工具，其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。目前，粗糙集理论已被成功应用于机器学习、决策分析、过程控制、模式识别与数据挖掘等领域。
粗集和神经网络的共同点是都能在自然环境下很好的工作，但是，粗集理论方法模拟人类的抽象逻辑思维，而神经网络方法模拟形象直觉思维，因而二者又具有不同特点。粗集理论方法以各种更接近人们对事物的描述方式的定性、定量或者混合性信息为输入，输入空间与输出空间的映射关系是通过简单的决策表简化得到的，它考虑知识表达中不同属性的重要性确定哪些知识是冗余的，哪些知识是有用的，神经网络则是利用非线性映射的思想和并行处理的方法，用神经网络本身结构表达输入与输出关联知识的隐函数编码。
在粗集理论方法和神经网络方法处理信息中，两者存在很大的两个区别：其一是神经网络处理信息一般不能将输入信息空间维数简化，当输入信息空间维数较大时，网络不仅结构复杂，而且训练时间也很长；而粗集方法却能通过发现数据间的关系，不仅可以去掉冗余输入信息，而且可以简化输入信息的表达空间维数。其二是粗集方法在实际问题的处理中对噪声较敏感，因而用无噪声的训练样本学习推理的结果在有噪声的环境中应用效果不佳。而神经网络方法有较好的抑制噪声干扰的能力。
因此将两者结合起来，用粗集方法先对信息进行预处理，即把粗集网络作为前置系统，再根据粗集方法预处理后的信息结构，构成神经网络信息处理系统。通过二者的结合，不但可减少信息表达的属性数量，减小神经网络构成系统的复杂性，而且具有较强的容错及抗干扰能力，为处理不确定、不完整信息提供了一条强有力的途径。
目前粗集与神经网络的结合已应用于语音识别、专家系统、数据挖掘、故障诊断等领域，将神经网络和粗集用于声源位置的自动识别，将神经网络和粗集用于专家系统的知识获取中，取得比传统专家系统更好的效果，其中粗集进行不确定和不精确数据的处理，神经网络进行分类工作。
虽然粗集与神经网络的结合已应用于许多领域的研究，为使这一方法发挥更大的作用还需考虑如下问题：模拟人类抽象逻辑思维的粗集理论方法和模拟形象直觉思维的神经网络方法更加有效的结合；二者集成的软件和硬件平台的开发，提高其实用性。
与分形理论的结合
自从美国哈佛大学数学系教授Benoit B. Mandelbrot于20世纪70年代中期引入分形这一概念，分形几何学(Fractal geometry)已经发展成为科学的方法论--分形理论，且被誉为开创了20世纪数学重要阶段。现已被广泛应用于自然科学和社会科学的几乎所有领域，成为现今国际上许多学科的前沿研究课题之一。
由于在许多学科中的迅速发展，分形已成为一门描述自然界中许多不规则事物的规律性的学科。它已被广泛应用在生物学、地球地理学、天文学、计算机图形学等各个领域。
用分形理论来解释自然界中那些不规则、不稳定和具有高度复杂结构的现象，可以收到显着的效果，而将神经网络与分形理论相结合，充分利用神经网络非线性映射、计算能力、自适应等优点，可以取得更好的效果。
分形神经网络的应用领域有图像识别、图像编码、图像压缩，以及机械设备系统的故障诊断等。分形图像压缩/解压缩方法有着高压缩率和低遗失率的优点，但运算能力不强，由于神经网络具有并行运算的特点，将神经网络用于分形图像压缩/解压缩中，提高了原有方法的运算能力。将神经网络与分形相结合用于果实形状的识别，首先利用分形得到几种水果轮廓数据的不规则性，然后利用3层神经网络对这些数据进行辨识，继而对其不规则性进行评价。
分形神经网络已取得了许多应用，但仍有些问题值得进一步研究：分形维数的物理意义；分形的计算机仿真和实际应用研究。随着研究的不断深入，分形神经网络必将得到不断的完善，并取得更好的应用效果。?

❺ 神经网络可以进行信息融合吗

传感器是一种能把物理量或化学量转变成便于利用的电信号的器件。目前对于信息融合有多种不同的定义。其中美国国防部JDL（Joint Directors of Laboratories）的定义为：把来自许多传感器和信息源的数据和信息加以联合（Association）、相关（Combination）、组合（Correlation），以获得精确的位置估计（Position Estimation）和身份估计（Identity Estimation），以及对战场情况威胁及其重要程度进行适时的完整评价。学者Edward Waltz和James Llinas的定义为：是一种多层次的、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计，以及完整、及时的态势评估（situation assessment）和威胁估计

最广泛的定义是指把来自多传感器的数据和信息，根据既定的规则，分析、结合为一个全面的情报，并在此基础上为用户提供需求信息，诸如：决策、任务和航迹等。

信息融合最初是针对多传感器系统中多源异构信息的处理和集成而开展的一个研究领域，随着多传感器系统的广泛应用，便出现了多传感器信息的处理和使用问题，多传感器数据融合技术应运而生，它是利用计算机技术对按时序获得的若干传感器的观测信息，以及数据库和知识库的信息，在一定准则下加以自动汇集、相关、分析、综合为一种表示形式，以完成所需要的估计和决策任务所进行的信息处理过程。

由于多传感器信息的冗余性、互补性、时效性和低代价，使得多传感器信息融合系统克服了单一传感器的局限，从而具有较强的鲁棒性和较高的置信度。

数据融合由多传感器融合问题发展而来，目前已不局限于传感器数据的融合，目前的数据融合技术不仅涵盖了声、光、电等物理层的处理，而且涉及了数据库、网页、视频、资讯、自然语言等较高层次的信息整合。

❻ 信息融合的模型

近20 年来，人们提出了多种信息融合模型.其共同点或中心思想是在信息融合过程中进行多级处理.现有系统模型大致可以分为两大类：a）功能型模型，主要根据节点顺序构建； b）数据型模型，主要根据数据提取加以构建.在20 世纪80 年代，比较典型的功能型模型主要有U K情报环、Boyd控制回路（OODA 环） ；典型的数据型模型则有JDL 模型. 20 世纪90年代又发展了瀑布模型和Dasarathy模型. 1999 年Mark Bedworth 综合几种模型，提出了一种新的混合模型。下面简单对上述典型模型介绍。
情报环
情报处理包括信息处理和信息融合。已有许多情报原则，包括： 中心控制避免情报被复制；实时性确保情报实时应用 ；系统地开发保证系统输出被适当应用 ；保证情报源和处理方式的客观性；信息可达性；情报需求改变时，能够做出响应； 保护信息源不受破坏；对处理过程和情报收集策略不断回顾，随时加以修正. 这些也是该模型的优点，而缺点是应用范围有限。U K 情报环把信息处理作为一个环状结构来描述. 它包括4 个阶段：a) 采集，包括传感器和人工信息源等的初始情报数据；b) 整理，关联并集合相关的情报报告，在此阶段会进行一些数据合并和压缩处理，并将得到的结果进行简单的打包，以便在融合的下一阶段使用；c) 评估，在该阶段融合并分析情报数据，同时分析者还直接给情报采集分派任务；d）分发，在此阶段把融合情报发送给用户通常是军事指挥官，以便决策行动，包括下一步的采集工作。
JDL 模型
1984 年，美国国防部成立了数据融合联合指挥实验室，该实验室提出了他们的JDL 模型，经过逐步改进和推广使用，该模型已成为美国国防信息融合系统的一种实际标准。JDL模型把数据融合分为3 级：第1 级为目标优化、定位和识别目标；第2 级处理为态势评估，根据第 1 级处理提供的信息构建态势图；第3 级处理为威胁评估，根据可能采取的行动来解释第2 级处理结果,并分析采取各种行动的优缺点. 过程优化实际是一个反复过程，可以称为第4 级，它在整个融合过程中监控系统性能，识别增加潜在的信息源，以及传感器的最优部署。其他的辅助支持系统包括数据管理系统存储和检索预处理数据和人机界面等。
Boyd控制环
Boyd 控制环OODA 环，即观测、定向、决策、执行环，它首先应用于军事指挥处理，已经大量应用于信息融合。可以看出，Boyd 控制回路使得问题的反馈迭代特性显得十分明显。它包括4 个处理阶段：a) 观测，获取目标信息，相当于JDL 的第1 级和情报环的采集阶段； b) 定向，确定大方向，认清态势，相当于JDL 的第2 级和第3 级，以及情报环的采集和整理阶段；c) 决策，制定反应计划，相当于JDL 的第4 级过程优化和情报环的分发行为，还有诸如后勤管理和计划编制等；d) 行动，执行计划，和上述模型都不相同的是，只有该环节在实用中考虑了决策效能问题。OODA 环的优点是它使各个阶段构成了一个闭环，表明了数据融合的循环性。可以看出，随着融合阶段不断递进，传递到下一级融合阶段的数据量不断减少. 但是OO DA 模型的不足之处在于，决策和执行阶段对OODA 环的其它阶段的影响能力欠缺，并且各个阶段也是顺序执行的。
扩展OODA模型
扩展OODA 模型是加拿大的洛克西德马丁公司开发的一种信息融合系统结构。该种结构已经在加拿大哈利法克斯导弹护卫舰上使用. 该模型综合了上述各种模型的优点，同时又给并发和可能相互影响的信息融合过程提供了一种机理. 用于决策的数据融合系统被分解为一组有意义的高层功能集合例如图4 给出的由N 个功能单元构成的集合，这些功能按照构成OODA 模型的观测、形势分析、决策和执行4 个阶段进行检测评估。每个功能还可以依照OODA 的各个阶段进一步分解和评估. 图4 中标出的节点表示各个功能都与那几个OODA 阶段相关. 例如：功能A 和N 在每个阶段都有分解和评估，而功能B 和C 只与OODA 的部分或单个阶段有关. 该模型具有较好的特性，即环境只在观测阶段给各个功能提供信息输入，而各个功能都依照执行阶段的功能行事。此外，观测、定向和决策阶段的功能仅直接按顺序影响其下各自一阶段的功能，而执行阶段不仅影响环境，而且直接影响OODA 模型中其它各个阶段的瀑布模型。
Dasarathy模型
Dasarathy 模型包括有5 个融合级别，如下表所示。综上可以看到，瀑布模型对底层功能作了明确区分，JDL 模型对中层功能划分清楚，而Boyd 回路则详细解释了高层处理。情报环涵盖了所有处理级别，但是并没有详细描述。而Dasarathy 模型是根据融合任务或功能加以构建，因此可以有效地描述各级融合行为。 输入 输出 描述 数据 数据 数据级融合 数据 特征 特征选择和特征提取 特征 特征 特征级融合 特征 决策 模式识别和模式处理 决策 决策 决策级融合 混合模型
混合模型综合了情报环的循环特性和Boyd 控制回路的反馈迭代特性，同时应用了瀑布模型中的定义，每个定义又都与JDL 和Dasarathy 模型的每个级别相联系. 在混合模型中可以很清楚地看到反馈. 该模型保留了Boyd 控制回路结构，从而明确了信息融合处理中的循环特性，模型中4 个主要处理任务的描述取得了较好的重现精度. 另外，在模型中也较为容易地查找融合行为的发生位置。主要算法
多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类,随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规则等；而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。
主要方法
加权平均法信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。
卡尔曼滤波法卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。但是，采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重的问题，比如： (1）在组合信息大量冗余的情况下，计算量将以滤波器维数的三次方剧增，实时性不能满足； (2）传感器子系统的增加使故障随之增加，在某一系统出现故障而没有来得及被检测出时，故障会污染整个系统，使可靠性降低。
多贝叶斯估计法贝叶斯估计为数据融合提供了一种手段，是融合静态环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进行融合，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计，将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提供整个环境的一个特征描述。
证据推理方法证据推理是贝叶斯推理的扩充，其3个基本要点是：基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的，分三级。第1级为目标合成，其作用是把来自独立传感器的观测结果合成为一个总的输出结果（D); 第2级为推断，其作用是获得传感器的观测结果并进行推断，将传感器观测结果扩展成目标报告。这种推理的基础是：一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告；第3级为更新，各种传感器一般都存在随机误差,所以，在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。因此，在推理和多传感器合成之前，要先组合（更新）传感器的观测数据。
产生式规则采用符号表示目标特征和相应传感器信息之间的联系，与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中，2个或多个规则形成一个联合规则时，可以产生融合。应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关，如果系统中引入新的传感器，需要加入相应的附加规则。
模糊逻辑是多值逻辑，通过指定一个0到1之间的实数表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行推理建模，则可以产生一致性模糊推理。与概率统计方法相比，逻辑推理存在许多优点，它在一定程度上克服了概率论所面临的问题，它对信息的表示和处理更加接近人类的思维方式，它一般比较适合于在高层次上的应用（如决策），但是，逻辑推理本身还不够成熟和系统化。此外，由于逻辑推理对信息的描述存在很大的主观因素，所以，信息的表示和处理缺乏客观性。模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑，模糊逻辑是一种多值逻辑，隶属度可视为一个数据真值的不精确表示。在MSF过程中，存在的不确定性可以直接用模糊逻辑表示，然后，使用多值逻辑推理，根据模糊集合理论的各种演算对各种命题进行合并，进而实现数据融合。
神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器数据融合技术处理的要求。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性,对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时，可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能，即实现了多传感器数据融合。
常用的数据融合方法及特性如表1所示。通常使用的方法依具体的应用而定，并且，由于各种方法之间的互补性，实际上，常将2种或2种以上的方法组合进行多传感器数据融合。
表1常用的数据融合方法比较[15]
融合方法
运行环境
信息类型
信息表示
不确定性
融合技术
适用范围
加权平均
动态
冗余
原始读数值
加权平均
低层数据融合
卡尔曼滤波
动态
冗余
概率分布
高斯噪声
系统模型滤波
低层数据融合
贝叶斯估计
静态
冗余
概率分布
高斯噪声
贝叶斯估计
高层数据融合
统计决策理论
静态
冗余
概率分布
高斯噪声
极值决策
高层数据融合
证据推理
静态
冗余互补
命题
逻辑推理
高层数据融合
模糊推理
静态
冗余互补
命题
隶属度
逻辑推理
高层数据融合
神经元网络
动/静态
冗余互补
神经元输入
学习误差
神经元网络
低/高层
产生式规则
动/静态
冗余互补
命题
置信因子
逻辑推理
高层数据融合