.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
传感器数据具有时空动态特性，导致融合时难以有效学习多源传感器数据间的深层关联，且无法适应数据冲突特性，从而影响融合效果。因此，提出一种基于改进RBF网络算法的动态融合方法。基于扩展卡尔曼滤波和粒子滤波，对多源传感器数据进行提取和归一化处理，生成适合RBF神经网络的格式，以提高融合精度和可靠性。为适应传感器数据的时变和环境影响，利用径向基函数（RBF）神经网络的动态特性，通过高斯激活函数处理输入数据，并引入遗传算法优化RBF网络，通过迭代交叉和变异操作搜索全局最优参数，增强网络性能，实现多源数据深层关联的深度理解和全面分析。最终采用优化后的RBF网络实现多传感器数据的动态融合。实验验证表明，该方法融合的数据通过可视化页面清晰展示，为后续流程提供良好基础；在智能家庭实验中，算法融合结果使智能感知度、交互流畅度和稳定性均保持高水平，验证了该方法的高效融合效果，可为智能管理领域的发展提供有效可靠的数据支持。
