神经网络数据融合

定义与定位

神经网络数据融合属于多传感器数据融合中的人工智能类方法。它利用神经网络的大规模并行和分散处理信息能力，通过其学习算法从样本中获取知识并确定网络权值；在部分相似性/聚类方法中，可根据当前系统所接收样本的相似性确定分类标准，但监督回归或分类等情形则按损失和优化学习，并非所有神经网络权重学习的一般机制都是按样本相似性确定分类标准。由此可得到不确定性推理机制。

实现步骤

神经网络多传感器数据融合的实现分为三个主要步骤：

1. 根据智能系统要求及传感器数据融合的形式，选择其拓扑结构。
2. 各传感器的输入信息综合处理为一个总体输入函数，并将此函数映射定义为相关单元的映射函数，通过神经网络与环境的交互作用把环境的统计规律反映为网络本身结构。
3. 对传感器的输出信息进行学习、理解，确定权值的分配，完成数据融合，进而对输入模式做出解释，将输入数据向量转换成高层逻辑（符号）概念。

主要优点

基于神经网络方法的多传感器数据融合具有以下优点：

1. 自适应学习：基于数据的训练，能够学习如何完成任务；但学习仍依赖网络结构、归纳偏置、任务、数据分布、标签或训练目标等先验/约束，数据驱动不等于无需任何先验信息。
2. 自组织性：能够自动将来源于多传感器的数据进行归类。
3. 并行结构：能够同时适应硬件层的宏并行和芯片级的微并行，其具有的大规模并行信息处理能力使得系统信息处理速度很快。
4. 噪声滤波：反馈网络和自组织网络能降低输入信号的噪声。
5. 容错性：神经网络的分散、并行、交互处理能力，可以改善非本地信息的存储，提高其容错性。

传感器阵列到姿态估计的典型流程

在特征层数据融合中，可利用传感器数据估计手指姿态。其技术流程为：传感器原始数据（如手部佩戴柔性传感器采集的数据）输入深度学习模型，该模型完成“提取特征 + 决策”，通过神经网络结构将输入特征映射为输出结果，最终得到手指姿态估计值（如手部三维姿态模型，包含手指骨架点及坐标标注）。数据流向为：传感器原始数据 → 深度学习模型处理 → 手指姿态三维估计结果。

与其他人工智能类方法的比较

模糊逻辑推理将每个命题及推理算子赋予0～1间的实数值（模糊隶属度或真值度），使用多值逻辑推理法合并各传感器信息，需建立多传感器信息与算子及[0,1]区间的映射关系；模糊隶属度或真值度不是通常专家系统的确定因子，也不直接等同概率，应明确所用模糊逻辑语义与算子。产生式规则系统由产生式规则、总体数据库和控制机构三部分组成，其规则需人为产生，扩展性较差。神经网络方法则通过数据训练自动学习，但仍依赖网络结构、归纳偏置、任务、数据分布、标签或训练目标等先验/约束，具有自组织和并行处理优势。