秉銘B(tài)TL15A3傳感器數(shù)據(jù)加權(quán)融合BTL7-P511-M0150-B-S32

BTL7-P511-M0150-B-S32多傳感器數(shù)據(jù)加權(quán)融合問題,提出了一種基于權(quán)值的數(shù)據(jù)加權(quán)融合方法。通過分析融合權(quán)重對融合精度的影響,確定了數(shù)據(jù)加權(quán)融合的權(quán)值分配原則;通過對能夠反映傳感器實際測量精度的實測數(shù)據(jù)進行統(tǒng)計分析,構(gòu)建了傳感器實際工作狀態(tài)下的近似測量精度計算模型,?；诘湫退憷?對所提算法進行驗證,結(jié)果表明:所提算法能夠較好地解決多傳感器數(shù)據(jù)加權(quán)融合問題,具有一定的理論意義和較好的應用價值。輔助系統(tǒng)中使用攝像頭和毫米波雷達融合的方案可以進一步提升感知結(jié)果的魯棒性,擴展系統(tǒng)的使用場景,。本文以滿足在微控制器中使用的1R1V(1 Radar 1 Vision)融合算法為設(shè)計目標,先后完成了卡爾曼濾波模塊,、Munkres匹配算法模塊及其它融合輔助模塊的開發(fā)。之后在仿真環(huán)境中搭建了測試場景,對1R1V融合算法的效果進行了測試。結(jié)果表明,本文開發(fā)的融合算法能夠?qū)δ繕诉M行穩(wěn)定的跟蹤,大的速度跟蹤誤差小于0.02 m/s,大的位置跟蹤誤差小于0.11 m,。 基于柔性可穿戴傳感器及多模態(tài)信息融合,，研究人類的抓握特征學習及抓取物體識別，探索人類在抓取行為中所依賴的感知信息的使用．利用10個可拉伸傳感器,、14個溫度傳感器及78個壓力傳感器構(gòu)建了數(shù)據(jù)手套并穿戴于人手,，分別測量人類在抓取行為中手指關(guān)節(jié)的彎曲角度、抓取物體的溫度及壓力分布信息,，并在時間及空間序列上建立了跨模態(tài)信息表征,，同時使用深度卷積神經(jīng)網(wǎng)絡對此多模態(tài)信息進行融合，構(gòu)建人類抓握特征學習模型,，實現(xiàn)抓取物體的精準識別．分別針對關(guān)節(jié)角度特征,、溫度特征及壓力信息特征進行了融合實驗及有效性分析，結(jié)果表明了基于多傳感器的多模態(tài)信息融合能夠?qū)崿F(xiàn)18種物品的精準識別． 

秉銘B(tài)TL15A3傳感器數(shù)據(jù)加權(quán)融合BTL7-P511-M0150-B-S32

BTL7-P511-M0150-B-S32多傳感器水質(zhì)數(shù)據(jù)融合領(lǐng)域,證據(jù)理論是有效的數(shù)據(jù)融合方法之一,但基本概率分配一般不易確定,從而使數(shù)據(jù)融合能力難以有效發(fā)揮,。支持向量機是統(tǒng)計學習理論之上的高級分類算法,具有普適性和全局優(yōu)化等特點,但輸出的基本概率分配有待進一步提高,。提出了一種基于證據(jù)理論和新型模糊支持向量機相結(jié)合的數(shù)據(jù)融合方法,通過建立基于分類超平面距離的模糊隸屬度,訓練模糊支持向量機提高傳統(tǒng)支持向量機的基本概率分配,并結(jié)合證據(jù)理論進行海河水質(zhì)數(shù)據(jù)融合。通過證據(jù)理論分別結(jié)合支持向量機和模糊綜合評價法與上述方法進行對比實驗,經(jīng)精度,、平均百分誤差,、均方根誤差等指標驗證,精度提高10. 5%,表明所提方法是一種可靠的多傳感器的水質(zhì)融合方法,較其他方法具有更高的融合精度。 

 BTL7-E501-M0650-P-S32
BTL7-S563-M0300-B-S32
BTL7-S575-M0325-B-KA05
BTL2-GS10-0118-A
BTL7-E500-M0500-K-K02
BTL7-E570-M0500-K-K02
BTL5-A11-M0330-J-DEXB-K05
BTL5-H122-M0850-P-S94
BTL2-GS10-0178-A
BTL7-E570-M0330-K-SR32
BTL7-P511-M0150-B-KA02
BTL7-P511-M0150-B-S32