專利名稱：一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的bp神經(jīng)網(wǎng)絡(luò)融合的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及物聯(lián)網(wǎng)多傳感器融合算法，尤其涉及一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)融合的方法。
背景技術(shù)：
在實際物聯(lián)網(wǎng)系統(tǒng)中常使用多傳感器對多種特征量進(jìn)行監(jiān)測(如振動、溫度、濕度、壓力、流量等)，并對這些傳感器的信息進(jìn)行融合，得到目標(biāo)的一致性解釋與描述。其核心是選擇合適的融合算法，要求具有魯棒性、并行處理的能力，還要保證運算速度和給定的精度。而人工神經(jīng)網(wǎng)絡(luò)是由大量的基本神經(jīng)元相互連接而成，能夠進(jìn)行分布式并行處理和非線性轉(zhuǎn)換，具有強(qiáng)大的學(xué)習(xí)和總結(jié)歸納的功能，處理速度快，數(shù)據(jù)存儲空間小的優(yōu)點，恰恰能滿足多傳感器系統(tǒng)對融合算法的要求。運用神經(jīng)網(wǎng)絡(luò)作為數(shù)據(jù)融合模型時，網(wǎng)絡(luò)的輸入信息是多傳感器對目標(biāo)的各種測量參數(shù)，網(wǎng)絡(luò)的輸出是對目標(biāo)的模式識別、或分類結(jié)果、 或其它響應(yīng)結(jié)果。但是，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在融合方面也具有一定的局限性，它不具備對輸入樣本空間的預(yù)處理功能。當(dāng)輸入特征量維數(shù)較大時，神經(jīng)網(wǎng)絡(luò)不僅結(jié)構(gòu)復(fù)雜，訓(xùn)練時間大大延長， 而且實時性也不好。
發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)融合的方法，可以精簡網(wǎng)絡(luò)結(jié)構(gòu)，加快網(wǎng)絡(luò)收斂速度，提高系統(tǒng)的實時性。為實現(xiàn)上述目的，本發(fā)明通過以下技術(shù)方案實現(xiàn)一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)融合的方法，1、對原始訓(xùn)練樣本進(jìn)行離散化，得出決策表；2、利用粗糙集的屬性重要度的啟發(fā)式算法對決策表進(jìn)行約簡，消除相同的樣本， 得出約簡決策表；3、約簡決策表的各樣本的特征向量輸入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，依次更新權(quán)值和閾值， 直到滿足給定的精度要求為止；4、再用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對同一個樣本集中未經(jīng)訓(xùn)練的樣本子集進(jìn)行測試， 得出識別結(jié)果。采用本發(fā)明的技術(shù)方案，將粗糙集引入到神經(jīng)網(wǎng)絡(luò)的融合模型中，利用粗糙集屬性約簡而不改變分類能力的特點和神經(jīng)網(wǎng)絡(luò)并行處理能力以及強(qiáng)大的容錯能力的優(yōu)點，先對輸入特征量進(jìn)行降維操作，消除冗余屬性，再經(jīng)由神經(jīng)網(wǎng)絡(luò)訓(xùn)練，達(dá)到精簡網(wǎng)絡(luò)結(jié)構(gòu)，加快網(wǎng)絡(luò)收斂速度，提高實時性的目的。
下面根據(jù)實施例和附圖對本發(fā)明作進(jìn)一步詳細(xì)說明。圖1為本發(fā)明實施例一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)融合的方法的訓(xùn)練使用原始決策表；圖2為本發(fā)明實施例一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)融合的方法的訓(xùn)練使用簡化決策表；圖3為本發(fā)明實施例一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)融合的方法的原始決策表檢驗誤差曲線；圖4為本發(fā)明實施例一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)融合的方法的粗糙集約簡后檢驗誤差曲線。
具體實施例方式以發(fā)表在“Popular Science”上的CTR(Car Test Results)數(shù)據(jù)庫為例，用上小節(jié)提出的融合算法驗證增加粗糙集預(yù)處理后的BP網(wǎng)絡(luò)的識別效果。該數(shù)據(jù)庫條件屬性有 9個，分別用xl，x2，…，x9表示；決策屬性只有一個，用y表示，見表1。其中各列屬性含義如下xl :size, overall length ；x2 number of cylinders ；x3-presence of a turbocharger ；x4 :type of fuel system ；x5 :engine displacement ；x6 !compression ratio ；x7 :power ；x8 :type of transmission ；x9 :weight,y :mileage。各個屬性值含義為c compact ；s :subcompact ；sm small ；y :yes ； η :ηο ；E :EFI ；B :2_BBL ； m :medium ； ma manual ；h :high ；he :heavy ； 1 light ；lo: low; a:auto。樣本總數(shù)為21個，按7 3的比例將樣本集分為訓(xùn)練樣本和檢驗樣本，即前15種作為訓(xùn)練樣本，后6種作為檢驗樣本。1 離散化 Discretization由于粗糙集只能對離散數(shù)據(jù)處理，所以需要先對連續(xù)型知識庫進(jìn)行離散化。離散算法種類很多，有等間距法、等頻率法、經(jīng)驗分割法，聚類法、貪心算法以及改進(jìn)的貪心算法等。表1中的屬性值均為邏輯型離散變量，使用matlab處理時只需將其數(shù)字化即可。針對第一列屬性，用數(shù)字1代替c，數(shù)字0代替S。用同樣的方法處理其他屬性列，最后得到?jīng)Q策表2。
表 1 CTR database
權(quán)利要求
1. 一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)融合的方法，其特征在于a.對原始訓(xùn)練樣本進(jìn)行離散化，得出決策表；b.利用粗糙集的屬性重要度的啟發(fā)式算法對決策表進(jìn)行約簡，消除相同的樣本，得出約簡決策表；c.約簡決策表的各樣本的特征向量輸入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，依次更新權(quán)值和閾值，直到滿足給定的精度要求為止；d.再用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對同一個樣本集中未經(jīng)訓(xùn)練的樣本子集進(jìn)行測試，得出識別結(jié)果。
全文摘要
本發(fā)明公開一種物聯(lián)網(wǎng)多傳感器的基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)融合的方法，首先使用粗糙集對樣本空間依屬性重要度進(jìn)行啟發(fā)式約簡，消除相同的樣本后得到約簡的決策表，然后在該決策表上用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練直到收斂。采用本發(fā)明的技術(shù)方案，可以達(dá)到精簡網(wǎng)絡(luò)結(jié)構(gòu)，加快網(wǎng)絡(luò)收斂速度，提高系統(tǒng)實時性的效果。
文檔編號G06N3/08GK102254227SQ20111018782
公開日2011年11月23日 申請日期2011年7月6日 優(yōu)先權(quán)日2011年7月6日
發(fā)明者李偉, 楊恒, 林曉, 王翊 申請人:無錫泛太科技有限公司