基于模糊神经网络与粒子滤波的多传感器信息融合算法研究

研究神经网络和粒子滤波的相关理论和算法。针对CMAC网络的存储空间受限和泛化能力不高等问题，提出一种新的概念映射方法，并用B样条作基函数，结合模糊推理和信度分配算法，在输入维数高、量化间距小的情况下，减少物理存储空间，提高网络学习精度和泛化能力。在BP学习算法中，采用无约束最优化理论中的DFP算法，可保持优于梯度下降法的超线性收敛速度；只需一阶导数，无需矩阵求逆，计算量小，适于大残量问题，优于L-M算法；理论上保证Hesse矩阵的正定性，保持能量函数的下降性，保证搜索的高效性。此外，信赖域法的引入，又确保了算法的全局收敛和稳定性。针对粒子滤波因后验概率密度分布多峰性导致状态估计误差增大和常用重采样算法计算复杂的问题，提出拟测量误差的概念，以及基于拟测量误差的粒子滤波误差决策校正方法，提高粒子滤波估计精度，并提出分区重采样算法解决粒子滤波退化问题。最后将算法集成后应用于多传感器信息融合领域。