神經網絡的集成
　　1996年

，Sollich和Krogh [6] 將神經網絡集成定義為：“神shen經jing網wang絡luo集ji成cheng是shi用yong有you限xian個ge神shen經jing網wang絡luo對dui同tong一yi個ge問wen題ti進jin行xing學xue習xi，集ji成cheng在zai某mou輸shu入ru示shi例li下xia的de輸shu出chu由you構gou成cheng集ji成cheng的de各ge神shen經jing網wang絡luo在zai該gai示shi例li下xia的de輸shu出chu共gong同tong決jue定ding”。1996年，Gutta和Wechsler [7] 將神經網絡集成和判定樹相結合進行正麵人臉識別，神經網絡的集成由BP網絡采用相對多數投票法構成，實驗結果表明，使用神經網絡集成不僅增加了係統的健壯性，還提高了識別率。


圖2：多種傳感器目標識別的融合結構


圖 3：HEBUT-II 型機器人


圖4：融合網絡決策層
　　jichengdejiegouyoubinglianshi，binglianshishizhigegeshibiezixitongdoudulidijieshouyuanshituxiangbinggeichuzijideshibiejieguo，erhouzaixianghudulideshibiejieguojichushangdedaozuizhongdedaan，bingxingjichengdefangfazhuyaoyoutoupiaodefangfa

、beiyesifangfaheshenjingwangluohechengfangfa。zaibinglianxingshishigefenleiqishidulishejide
，zuhedemudejiushijianggegedanyifenleiqidejieguoyishidangdefangshizongheqilaichengweizuizhongshibiejieguo。yibinglianxingshizuheshi
，gefenleiqitigongdexinxikeyishifenleileibie，yekeyishiyouguanleibiededuliangxinxi（如距離或概率等）。
　　在zai實shi際ji應ying用yong中zhong，由you於yu各ge個ge獨du立li的de神shen經jing網wang絡luo並bing不bu能neng保bao證zheng錯cuo誤wu不bu相xiang關guan，因yin此ci
，神shen經jing網wang絡luo集ji成cheng的de效xiao果guo與yu理li想xiang值zhi相xiang比bi有you一yi定ding的de差cha距ju
，但dan其qi提ti高gao泛fan化hua能neng力li的de作zuo用yong仍reng相xiang當dang明ming顯xian。


　　單個BP網絡（Back propagation fuzzy neural network）的建立
　　在(zai)多(duo)傳(chuan)感(gan)器(qi)係(xi)統(tong)中(zhong)，各(ge)傳(chuan)感(gan)器(qi)提(ti)供(gong)的(de)環(huan)境(jing)信(xin)息(xi)都(dou)具(ju)有(you)一(yi)定(ding)程(cheng)度(du)的(de)不(bu)確(que)定(ding)性(xing)
，對(dui)這(zhe)些(xie)不(bu)確(que)定(ding)信(xin)息(xi)的(de)融(rong)合(he)過(guo)程(cheng)實(shi)質(zhi)上(shang)是(shi)一(yi)個(ge)不(bu)確(que)定(ding)性(xing)推(tui)理(li)過(guo)程(cheng)。由(you)於(yu)模(mo)糊(hu)邏(luo)輯(ji)技(ji)術(shu)和(he)神(shen)經(jing)網(wang)絡(luo)技(ji)術(shu)各(ge)自(zi)獨(du)到(dao)的(de)特(te)點(dian)，將(jiang)模(mo)糊(hu)技(ji)術(shu)和(he)神(shen)經(jing)網(wang)絡(luo)有(you)機(ji)結(jie)合(he)組(zu)成(cheng)模(mo)糊(hu)神(shen)經(jing)網(wang)絡(luo)控(kong)製(zhi)係(xi)統(tong)，可(ke)實(shi)現(xian)模(mo)糊(hu)規(gui)則(ze)自(zi)動(dong)提(ti)取(qu)、模糊隸屬函數的自動生成及在線調節。因此本文在單個BP網絡的構建上采用了一種模糊神經網絡（Back propagation fuzzy neural network）的信息融合的構建方法，它不依賴於係統的精確數學模型且適用於複雜的係統和過程。單個BP網絡的學習機製上采用模糊學習的方法，這種學習方法的特點是學習過程用模糊量（隸屬度）進行測度，即輸入量是經過模糊化後的模糊量。對於兩輸入單輸出的模糊神經網絡
，訓練集為（d1,T1），d1=（d11，d12）
，T1為期望輸出。若全部模糊量采用三角形隸屬函數（對於其他隸屬函數，同理），d1j ∈ [1,0]，權值∈[1,0]。采用的誤差信號為：  

（9）
　　學習的目的是使E 最小，但由於模糊係統的特殊性，即使所有Yi=Ti，也不會為零，因此，根據不同的要求，需要不同的停止迭代規則。對於多輸入多輸出（MIMO）的模糊規則可以分解為若幹個多輸入單輸出（MISO）的模糊規則。
　　多個BP網絡的集成
　　如圖2suoshi，xinhaochulishenjingwangluoyongganduidangechuanganqijiancedaodexinhaojinxingchuli，tiquyouyongxinxi，zuoweirongheshenjingwangluodeshuru，rongheshenjingwangluoduidedaodexinxizaiyidingdecengcishangjinxingronghechuli，yidedaogengquanmian、gengzhunquedexinxi。yejiushisuoshuo
，fenbiedajianshibiegezhongzhangaiwudeziwangluo，yibingxingjichengdefangshibagegegetiwangluozuheqilai
，keyihuodeyigegaoxingnengdeshibiexitong。meiyigedanyuanBP網絡可以很好的做到圖像預處理、降維等特征提取。對於每一個傳感器的目標向量X的每一分量，可以對應BP神經網絡的每一個輸入，經過訓練集的數據學習應用測試集A
、B測試，將結果作為集成網絡的輸入
，利用Boosting方法生成集成網絡個體。
　　移動機器人多傳感器信息融合及對障礙物的識別
　　子網絡對障礙物的識別過程
　　如圖3 所示，在HEBUT-II型機器人（圖3所示）上有三大傳感器組
，CCD攝像機、紅外傳感
器
、超聲波測距傳感器。正如視覺給人類提供了70%以上的所需信息、為人類的正常生活和工作提供了必要保障一樣，視覺係統為移動機器人提供了大量的信息。給移動機器人配備視覺裝置（CCD攝像機結構），可ke以yi使shi移yi動dong機ji器qi人ren在zai行xing走zou時shi能neng夠gou識shi別bie其qi前qian方fang的de障zhang礙ai物wu，這zhe對dui移yi動dong機ji器qi人ren實shi現xian智zhi能neng化hua行xing駛shi具ju有you重zhong要yao意yi義yi。為wei了le使shi移yi動dong機ji器qi人ren在zai一yi個ge不bu確que定ding甚shen至zhi是shi完wan全quan陌mo生sheng的de環huan境jing下xia實shi現xian自zi主zhu式shi導dao航hang，關guan鍵jian在zai於yu視shi覺jiao係xi統tong精jing確que與yu否fou。超chao聲sheng波bo傳chuan感gan器qi以yi其qi價jia格ge低di廉lian
、硬ying件jian容rong易yi實shi現xian等deng優you點dian，被bei廣guang泛fan用yong作zuo測ce距ju傳chuan感gan器qi，實shi現xian定ding位wei及ji環huan境jing建jian模mo。超chao聲sheng波bo測ce距ju作zuo為wei輔fu助zhu視shi覺jiao係xi統tong與yu其qi它ta視shi覺jiao配pei合he使shi用yong，可ke實shi現xian整zheng個ge視shi覺jiao功gong能neng。
　　圖像的形狀輪廓有多種表示方法,Dubois[8]等人首先提出使用一個以形心為基點,等旋轉角度間隔采樣的矢量序列近似描述圖形的邊界,該矢量的模由形心到各邊界點的直線距離決定,但該方法僅限於凸性圖形。Gupta[9]采用類似的徑向投影序列作為多層感知器的輸入分類特征,將等分角度間隔改為沿邊界各象素跟蹤的方法,較Dubois更為精確。本文采用以形心為基點,沿邊界各象素跟蹤的方法,由形心到各邊界點的直線距離構成邊心距序列,經歸一化後作為各輸入目標模式的分類特征。邊心距序列具有一些很重要的性質：周期性, 平移不變性, 旋轉不變性, 比(bi)例(li)性(xing)。邊(bian)心(xin)距(ju)序(xu)列(lie)的(de)上(shang)述(shu)特(te)性(xing)使(shi)其(qi)可(ke)用(yong)於(yu)圖(tu)像(xiang)識(shi)別(bie)。當(dang)物(wu)體(ti)的(de)形(xing)狀(zhuang)通(tong)過(guo)用(yong)邊(bian)心(xin)距(ju)表(biao)示(shi)時(shi)，一(yi)個(ge)二(er)維(wei)圖(tu)像(xiang)就(jiu)表(biao)示(shi)成(cheng)了(le)一(yi)個(ge)一(yi)維(wei)的(de)曲(qu)線(xian)波(bo)形(xing)。我(wo)們(men)可(ke)以(yi)用(yong)這(zhe)個(ge)方(fang)法(fa)來(lai)對(dui)實(shi)驗(yan)中(zhong)獲(huo)得(de)的(de)邊(bian)心(xin)距(ju)序(xu)列(lie)與(yu)參(can)考(kao)波(bo)形(xing)作(zuo)比(bi)較(jiao)來(lai)識(shi)別(bie)平(ping)麵(mian)圖(tu)像(xiang)。
　　超chao聲sheng波bo測ce距ju傳chuan感gan器qi在zai有you效xiao測ce距ju範fan圍wei內nei有you被bei測ce物wu的de話hua，則ze在zai後hou一yi路lu超chao聲sheng波bo束shu發fa出chu之zhi前qian應ying當dang接jie收shou到dao前qian一yi路lu發fa回hui的de反fan射she波bo，否fou則ze認ren為wei前qian一yi路lu無wu被bei測ce物wu。因yin此ci按an有you效xiao測ce距ju範fan圍wei可ke以yi估gu算suan出chu最zui短duan的de脈mai衝chong間jian隔ge發fa送song時shi間jian。為wei了le減jian少shao超chao聲sheng波bo束shu的de影ying響xiang，應ying用yong循xun環huan采cai集ji的de方fang法fa
，一yi次ci隻zhi有you一yi個ge超chao聲sheng波bo傳chuan感gan器qi采cai集ji數shu據ju。超chao聲sheng波bo係xi統tong被bei排pai列lie成cheng3×3陣列，這樣，相對於整幅圖像的3×3個區域得到了相應的3×3個距離值。但是，物體的圖像可能隻是占了整幅圖像的一部分，並且隻需要估算9個距離值：相應於所抽取的8個特征點的8個距離值以及形心的距離值。本文的估算是基於特征點和形心與它們所在的區域的關係而采取的一種簡單方法：特征點的距離就估算為其所在區域的距離值。通過坐標轉換獲得了在攝像機坐標係統中的9個點的距離值。
　　紅外傳感器作為一種重要的被動傳感器,由於有許多獨特的優點,在目標檢測和跟蹤中具有重要的作用[10]。紅外傳感器不向空中輻射任何能量,隻是通過接收目標輻射的熱能對目標進行探測和跟蹤的,因而不易被偵察或定位,具有較強的抗幹擾能力;同時由於目標不可避免地要輻射熱量,從而又為使用紅外傳感器對目標探測和跟蹤創造了條件。在子網絡中采用文獻[11]提出的利用質心及質心偏移測量的紅外目標跟蹤方法，這種方法除具有能精確跟蹤目標的優點外,還具有測量模型是線性的特點,文獻[12]在強度分布未知情況下,利用文獻[13,14,15]的方法估計強度參數,再利用質心及質心位移對紅外目標進行精確跟蹤。


圖5：幾種障礙物的識別率比較

　　融合網絡決策
　　如圖4所示，子網絡1、2對同一目標有了各自的識別結果，利用集成網絡與融合決策網絡對障礙物進行判別。神經網絡集成作為一種新興的神經計算方法,具有比單一神經網絡係統更強的泛化能力，實際上就是利用神經網絡集成強的泛化能力對原始數據集進行類似於平滑去噪等作用的加工,使其包含更多的有助於預測的信息。經過集成與融合的多傳感器係統能完善地、精確地反映環境特征，消除信息的不確定性，提高傳感器的可靠性。
　　通過子網絡1、2對同一目標的識別，利用圖4融合決策網絡進行集成、決策，這樣可以得到一係列的值。如表1所示。
　　實驗結果分析
　　仿真實驗利用VC++6.0編程,BP網的輸入節點17個
，輸出節點為4個
，隱含層節點是16個，要識別的障礙物有球體
、長方體、正三棱錐
、yuanzhuti。dangyidongjiqirenyidongshi，chaoshengbofasheqimeigeyigegudingdeshijianduanjiufasheyicichaoshengbo。dangyidongjiqirenjinxingdaoshidangdeweizhishi

，caiyangjiukaishile。zaiquyangguochengzhong，xiaocheraozhezhangaiwuzhuan
，meige10°取qu樣yang一yi次ci。神shen經jing網wang絡luo用yong這zhe些xie訓xun練lian數shu據ju來lai進jin行xing離li線xian訓xun練lian。在zai測ce試shi中zhong
，設she計ji兩liang組zu測ce試shi數shu據ju來lai驗yan證zheng係xi統tong的de有you效xiao性xing。仿fang真zhen中zhong用yong到dao的de這zhe些xie數shu據ju集ji如ru表biao1所示：移動機器人以0.45m/s的速度前進，識別率（Identify Ratio，簡稱IR）列於圖中。集成的BP網的識別率分別為：91.82%
，92.08%
，92.37%，93.91%和92.94%
，93.35%
，93.98%，94.5% (圖5中以實芯的框圖表示) 。當(dang)實(shi)驗(yan)次(ci)數(shu)增(zeng)加(jia)時(shi)，識(shi)別(bie)率(lv)還(hai)會(hui)提(ti)高(gao)。但(dan)從(cong)我(wo)們(men)的(de)仿(fang)真(zhen)中(zhong)已(yi)可(ke)看(kan)出(chu)，本(ben)方(fang)法(fa)是(shi)實(shi)用(yong)而(er)有(you)效(xiao)的(de)，移(yi)動(dong)機(ji)器(qi)人(ren)可(ke)以(yi)實(shi)時(shi)地(di)識(shi)別(bie)出(chu)障(zhang)礙(ai)物(wu)類(lei)型(xing)。
　　在文獻[16]中利用了單個多層BP網絡對障礙物進行識別，同樣要識別的障礙物有正三棱錐、長方體、圓柱體、球體，應用了相同的訓練集合測試集
。論文中實驗結果單個BP網的識別率分別為：85%，80%，85%
，100%和84%，80%，87%
，100%。(圖5中以虛芯的框圖表示) 。
　　雖然在文獻[16]中對個別物體（比如球體）的識別率達到了100%，這正是單個網絡對簡單物體識別的優勢所在。對一些複雜的目標
，特別是在實際的複雜環境中
，集成的BP網絡將體現出較強的識別能力和較高的準確性。由這些數據可以看出集成的BP網絡要比單個多層BP網絡識別的精度高很多
，識別的精確度也更科學。
　　結論
　　總之
，利用本文提出的多種傳感器目標識別的融合結構，建立了兩個多層BP處理網絡，來處理CCD攝像機和超聲波測距傳感器的信號、hongwaichuanganqihechaoshengbocejuchuanganqidexinhao。congshiyanjieguofenxihebijiaokeyizhengmingjiyushenjingwangluojichengdeduochuanganqironghexinhaoshibieyaobidangewangluoyougenggaodejianzhuangxing，shibienengliyegenggao
，zheyanggeijiqirenduimoshenghuanjingdebianshihejuecetigonglegengyoulidekexueyiju。