基于神经网络的数据融合技术的进展

　第4期倪国强等:基于神经网络的数据融合技术的新进展507

出的二代ART(ART2)网络因具有好的网络性能而受到广泛的关注Λ它是具有实质意义的自组织网络,可以在未知数据类别和类别数的情况下实现自组织聚类Λ但是,ART2网络的神经动力学过程复杂,收敛速度慢,并且其中一系列工作参数需要根据经验人为设定ΛDIGNET网络是Thompoulos等人于1991年提出的一种新的自组织聚类网络[9]Λ同上述网络比较,其特点是无需数据类别和类别数的先验知识,并具有比较简单的神经动力学过程和较高的抗噪声干扰能力Λ文献[10]中对ART2网络和DIGNET网络做了详细的对比Λ

,因此系,ΛnP1,P2,…,PnP=[d1P1,d2P2,…,dnPn],这里d1,

d2,…,dn为各个分类器的输出模式对应的井深值Λ

由于DIGNET网络概念较复杂,请读者参见文献[9]Λ本课题组提出的基于DIGNET网络决策层融合的结构如图6所示Λ

取,然后应用多个这些DIGNET网络是系统的分类器Λ与一般的网络不同,DIGNET网

最后将综合向量输入到DIGNET网络进行决策层数据融合Λ该DIGNET网络既作为系统的融合中心又是一个综合分类器Λ图7给出了DIGNET

的仿真

(a)融合分类和单传感器的分类结果(b)融合系统的容错性能

图7　DIGNET网络仿真实验结果

Fig.7　ExperimenalresultsofDIGNET

实验结果Λ

　　实验中用的3个传感器的标准差分别为0101～0115,0101～0125,0101～3100Λ从图7b仿真结果可以看出,基于DIGNET网络的决策层数据融合系统是可行的,融合系统的目标正确识别率较单传感器的目标正确识别率均有所提高,并且系统表现出良好的容错性Λ

路图像会发生平移、扭曲、旋转等差异,甚至各图像的视场也不尽相同,因此需对融合数据进行必要的前期处理Λ多维数据的并行处理为神经网络并行性能的发挥提供了舞台Λ

1988年美国加州大学伯克利分校的Chua与Yang提出了细胞神经网络CNN(cellularneural

[11]

network)Λ由于其在二维图像的初级加工等领域的重要作用,现已形成了一个新的学科分支ΛCNN网络是一种局部连接网络,拓扑结构比其它互连模型简单得多Λ此网络是正反馈系统,可保证良好的输出特性,提高网络的误差容限,降低硬件实现时对元件精度的要求,而且还具有空间不变性Λ正是由于这

4　神经网络在融合前级处理上的应用

从各传感器获得的信息,由于传感器自身误差、环境变化、大气扰动以及传感器规格不同等因素会造成信息畸变和失配Λ对于图像融合来说,两路或多