论文部分内容阅读
自上世纪七十年代美国研究声纳信号理解系统后，数据融合技术作为一门新兴的交叉学科产生并迅速发展起来了。多传感器数据融合就是对来自多个传感器的观测数据进行多方面、多层次的综合处理。然而，当今世界的飞速发展对数据融合技术提出了更高的要求，众多学者纷纷投入研究不完备信息系统的数据融合技术，并使之成为该领域新的研究方向。
粗糙集(Rough Set)理论是上世纪八十年代波兰数学家Z.Pawlak提出的一种用于不确定知识分析的数学工具。其主要思想是在保持分类能力不变的情况下，利用等价类，通过属性约简和决策规则提取，从而达到简化知识的目的。而通过大量神经元互相连接而成的人工神经网络(Artificial Neural Network，ANN)是数据处理领域的又一个重要方法。它是模仿生物神经系统而发展起来的，具有非线性映射能力、自适应学习能力和容错能力。
本文以目标识别为背景，基于互补的思想，将变精度粗糙集和CPN神经网络相结合，构造出基于变精度粗集-CPN网络的数据融合模型，并用于多传感器信息系统中的不完备数据处理。所做的主要工作如下：
从经典粗糙集入手，介绍了粗糙集理论的基本概念及其在数据融合中的应用，并利用区分矩阵进行属性约简，得到决策规则。接着，引入多数包含关系对粗糙集模型进行拓展，定义了一种变精度粗糙集模型，对传统的区分矩阵进行了改进，得到一种新的变精度粗集下的区分矩阵，并进行属性约简。然后，针对多源数据具有高维的特点和BP网络在解决此类问题中的缺陷，我们学习了CPN网络的结构，并研究了该网络的学习算法。最后，在分析粗糙集和神经网络优缺点的基础上，研究了基于变精度粗糙集理论和CPN网络相结合的数据融合方法：先利用变精度粗糙集对多源数据进行属性约简，得到决策规则后输入至CPN网络进行训练。从而大大缩减了CPN网络的输入规模，提高了整个融合系统的效率。