秉銘B(tài)TL15A3傳感器數據加權融合

秉銘B(tài)TL15A3傳感器數據加權融合BTL7-P511-M0150-B-S32

BTL7-P511-M0150-B-S32多傳感器數據加權融合問題,提出了一種基于權值的數據加權融合方法。通過分析融合權重對融合精度的影響,確定了數據加權融合的權值分配原則;通過對能夠反映傳感器實際測量精度的實測數據進行統(tǒng)計分析,構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,結果表明:所提算法能夠較好地解決多傳感器數據加權融合問題,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。結果表明,本文開發(fā)的融合算法能夠對目標進行穩(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個壓力傳感器構建了數據手套并穿戴于人手，分別測量人類在抓取行為中手指關節(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網絡對此多模態(tài)信息進行融合，構建人類抓握特征學習模型，實現抓取物體的精準識別．分別針對關節(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，結果表明了基于多傳感器的多模態(tài)信息融合能夠實現18種物品的精準識別． 

秉銘B(tài)TL15A3傳感器數據加權融合BTL7-P511-M0150-B-S32

BTL7-P511-M0150-B-S32多傳感器水質數據融合領域,證據理論是有效的數據融合方法之一,但基本概率分配一般不易確定,從而使數據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理論和新型模糊支持向量機相結合的數據融合方法,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,并結合證據理論進行海河水質數據融合。通過證據理論分別結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