典型文献
基于PSO优化BP神经网络的多传感器数据融合
文献摘要：
针对室内环境监测中单一传感器测量数据精度低、可靠性差的问题,提出一种基于粒子群(particleswarm optimization,PSO)优化BP神经网络多传感器数据融合算法.首先使用防脉冲干扰平均滤波算法来消除检测数据中的异常数据和噪声数据.其次,利用卡尔曼滤波算法对多同类传感器进行数据级融合,有效地降低因噪声干扰导致的测量误差,为异质传感器进行决策级融合提供最佳数据.最后,采用PSO优化BP神经网络算法进行决策级融合.实验结果表明,基于PSO优化BP神经网络多传感器数据融合算法对测试样本的平均绝对百分比误差(mean absolute percentage error,MAPE)和拟合度(r2)均优于BP神经网络和自适应加权(adaptive weighted,AW)优化BP神经网络,且运行时间比BP神经网络以及AW-BP神经网络分别短69.31％、50.36％.经验证,基于PSO优化BP神经网络多传感器数据融合算法具有更高的融合精度,同时缩短了算法的运行时间.
文献关键词：
多传感器数据融合;卡尔曼滤波;环境监测;粒子群;BP神经网络
中图分类号：
作者姓名：
朱菊香;谷卫;罗丹悦;潘斐;张赵良
作者机构：
无锡学院轨道交通学院,江苏无锡214105;南京信息工程大学自动化学院,江苏南京210000
文献出处：
引用格式：
[1]朱菊香;谷卫;罗丹悦;潘斐;张赵良-.基于PSO优化BP神经网络的多传感器数据融合)[J].中国测试,2022(08):94-100
A类：
particleswarm
B类：
PSO,多传感器数据融合,室内环境,环境监测,一传,传感器测量,测量数据,数据精度,optimization,融合算法,脉冲干扰,平均滤波,检测数据,异常数据,噪声数据,卡尔曼滤波算法,类传,数据级融合,噪声干扰,测量误差,决策级融合,神经网络算法,平均绝对百分比误差,mean,absolute,percentage,error,MAPE,拟合度,r2,自适应加权,adaptive,weighted,AW,运行时间比,融合精度
AB值：
0.284055
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
