针对数控机床主轴故障诊断中标记样本量小的问题,提出了一种基于多传感器的迁移学习的故障诊断方法。首先,采集安装在数控机床主轴上的多个三轴加速度传感器采集的原始振动信号,并将信号转换成图像的变换方法得到输入。其次,比较了TrAdaBoost迁移算法和基于CNN网络迁移模型算法。最后,针对CNN网络迁移模型,用目标类替换输出层,并用最优网络提取较低层次的特征,对更高层次的神经网络进行微调。实验结果表明,该方法能够正确识别机床主轴状态,具有很好的故障检测能力。

针对现有智能灯光控制系统的高能耗以及无法准确确定人体的静止状态等问题,在多传感器采集的基础上,提出一种将BP神经网络与改进遗传算法相结合的多信息融合算法用于智能灯光控制系统中。通过改进遗传算法获得一组次优解,用作训练BP神经网络初始权值和阈值。通过仿真将这里算法与遗传算法优化的BP神经网络算法、BP神经网络、遗传算法进行比较,以验证融合算法的优越性。仿真结果表明,该算法在收敛性、网络能耗和网络时延等方面都有较大改善,平均收敛时间为4.11s,检测精度为100%,具有一定的实用性。这项研究为智能灯光控制系统的发展提供了一定的参考。

针对目前方法进行汽车制动主动控制时,存在控制时间长、丢包率高以及控制的误差大的问题,提出多传感器融合的自动驾驶汽车制动主动控制。该方法首先建立了数据的支撑裕矩阵,通过多传感器融合算法对汽车的传感器监测信息进行融合处理。依据融合后的信息设计控制器,使用自适应遗传算法优化控制器参数。最后将监测信息输入优化的控制器中实现汽车制动主动控制。仿真测试结果表明,运用该方法主动控制自动驾驶汽车进行制动的时间较短且丢包率较低。

多传感器数据融合技术的理论和方法已经被应用到很多领域。认识多传感器数据融合技术的算法，了解其应用领域，分析数据融合技术关键问题和发展方向，有助于开展对数据融合技术广泛深入地研究和实践。

经纬仪是一个比较复杂的多传感器系统.多传感器信息融合是把多种传感器集中于一个统一的感知系统(这个感知系统就是多传感器信息融合系统)中,从而有机地综合利用多个传感器的数据和信息,以便获得对周围环境的更多或更准确可靠的认识.多传感器信息融合技术在经纬仪系统中的应用,可以提高仪器的可靠性和自动化程度,以及仪器的跟踪精度和实时输出精度.

针对线结构光多传感器三维轮廓测量系统中多传感器坐标系统一误差及线结构光带特征平面方程求解误差的校正问题,应用一种可进行特征点多分辨率提取的平面靶标,选择两传感器共同测量范围内部分特征点作为参考点,应用迭代求解最近临点算法,求解两标定坐标系精确统一的参数,实现多传感器测量系统中两坐标系统一误差的校正.提出了一种带参数的线结构光带图像特征点亚像素提取算法,通过参数设置改变线结构光带特征平面的位置,对线结构光带特征平面方程求解误差进行校正.实验结果表明,误差校正算法精度高、重复性好,确保测量系统可以获得复杂型面物体高精度的截面测量配准数据.

设计并实现了一种基于FPGA和多光电鼠标的高精度机器人里程计。多个PS／2光电鼠标传感器测量位移数据。利用FPGA解析PS／2协议并完成数据融合，得出高精度机器人里程计结果。针对传统Luo一致性数据融合算法的缺陷进行改进，并通过归一化特征值加权法得到每个传感器测量值被系统综合支持的程度，完成多传感器测量数据融合。实验结果表明：该数据算法计算步骤固定，方便在FPGA上实现；该里程计在有异常数据干扰情况下，能够达到较高的测量精度。

由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态。提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析。结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势。

针对移动机器人单传感器数据短时丢失、定位精度低、传感器频率异步等问题,采用激光雷达、IMU、轮式里程计获取定位信息,提出基于扩展卡尔曼滤波和互补融合的组合数据融合方法。先通过S-G滤波算法对初始定位数据进行预处理,利用扩展卡尔曼滤波融合算法实现IMU和轮式里程计传感器的定位数据融合,得到融合数据1;再利用互补融合算法将融合数据1和激光雷达进行融合得到融合定位数据2。其中融合数据1对激光雷达进行实时补正,解决频率异步的位移偏差,从而明显提高定位精度。最后采用Gazebo仿真平台,搭建移动机器人模型以及设置传感器的基本参数,验证算法的有效性和稳定性。实验结果表明:数据融合算法提高了非线性传感器的定位精度和稳定性,并且平均定位误差在8 cm内。

将D—S证据理论应用于多传感器数据融合，提出了多传感器数据融合一般化方法，并将其应用于液压泵故障诊断。通过数据融合诊断结果与单传感器诊断结果的比较，证明多传感器数据融合能明显提高故障诊断的准确率。