红外光谱数据融合对美味牛肝菌产地鉴别.pdf

D-S证据理论的融合思想主要体现在待识别对象的多个证据的基本概率分配函数通过某种规则融合在一起，求出所有证据的总支持程度，证据理论给出了多源数据的组合规则

数据融合matlab代码 TristanHuang 个人介绍 2019届毕业研究生-黄美川 :e-mail: 联系方式： :laptop: 个人主页： :octopus: Github： 硕士期间主要工作 读研期间，除了完成既有课程之外，也积极参与到实验室的项目开发中。 1.定位结果的手机终端显示 主要是完成定位结果在手机上的实时显示任务，场景主要有工控新楼 5 楼，新楼 511 室内和教九 526 装修前。 2.免时钟同步、交互式声信号室内定位系统 利用 BeepBeep 原理，建立一种免时钟同步的声信号室内定位系统。具体的原理可以参看实验室往届师兄的毕业论文（文祥计、林峰）。系统主要分为两部分，一部分是声信号信标节点（Android 系统的 smartphone 或者 树莓派），另一部分是待定位目标，即用户的手机。目前需要工作在同一局域网下。 由于适应比赛场地多楼层的需要，将节点网络设置成了两组，与用户交互的信标节点分别是 5 号点和 10 号点，该定位算法需要预知每个点与这两个点之间的距离，需要在实验前测量好并输入进去。楼层的切换导致交互节点的切换，楼层的判别由手机上的气压计变动所决定，在实验前，需设置好各楼层的气压值。

为满足复杂环境下目标敌我属性识别能力,提出了一种基于模糊神经网络(FNN :Fuzzy Neural Net- works)和证据理论的新敌我识别方法。该方法利用模糊神经网络和证据理论信息的处理能力,将敌我识别器(IFF :Identification Friend-or-Foe)、电子支援措施(ESM :Electronic Warfare Support Measure)、雷达及红外获取的信息融合,进行敌我识别。仿真结果表明,该方法的识别能力明显优于单一模糊神经网络分类器,识别率达0.994,同时具有

数据融合matlab代码多模式精神工作量评估信号处理 此存储库包含用于处理生理多模态信号和从中提取特征的代码，如在SMC 2020上发表的题为“使用多传感器融合进行体育活动期间运动伪像-鲁棒性精神工作量评估”的论文中所述 预处理代码 这些是在matlab中实现的。 使用的信号：呼吸，心电图，血容量脉冲，皮肤电React和温度。 呼吸： 用于数据收集的设备：Bioharness 3 从18Hz到6Hz的数据下采样 使用IIR滤波器的低通滤波（<2Hz） 心电图（ECG） 用于数据收集的设备：Bioharness 3 使用五阶IIR滤波器的带通滤波（5Hz-25Hz） 使用基于能量的QRS检测算法提取RR系列（使用MHRV工具箱） 血容量脉冲（BVP） 使用Empatica E4收集的数据 使用五阶IIR滤波器的带通滤波（8Hz-30Hz） 皮肤电React（GSR） 使用Empatica E4收集的数据 下采样至4Hz 随后是分离相成分和补品成分 使用带五阶IIR滤波器的带通滤波器（0.1Hz-1Hz）完成 皮肤温度 使用Empatica E4收集的数据 带有40阶FIR滤波器的低通滤波

数据融合matlab代码CoSpace：从高光谱-多光谱对应中学习常见子空间 洪丹凤，横田直人，乔瑟琳·尚努索，朱孝祥 此工具箱中的代码实现。 更具体地，其详细如下。 引文 如果此代码对您的研究有用且有帮助，请引用论文。 @article{hong2019cospace, title = {Co{S}pace: Common Subspace Learning from Hyperspectral-Multispectral Correspondences}, author = {D. Hong and N. Yokoya and J. Chanussot and X. Zhu}, journal = {IEEE Trans. Geosci. Remote Sens.}, volume = {57}, number = {7}, pages = {4349--4359}, year = {2019}, publisher = {IEEE} } 系统特定说明 该代码已在Windows 10计算机上的Matlab R2016a或更高版本中进行了测试。 如何使用它？ 直接运行demo.m来复

给出一种新的神经网络——粗神经网络结构, 并给出了基于粗神经网络的多传感器数据融合
模型, 阐述了用于数据融合的粗神经网络的结构和训练方法。分析和仿真结果表明, 新模型不仅能解决
传统模型所能解决的问题, 而且能解决传感器输出为二值或一个范围的多传感器数据融合问题。

D-S证据理论作为一种不确定推理方法，已经广泛用于数据融合和目标识别领域。但是D-S 证据合成公式存在不足之处，使证据理论的应用受到了一定的限制。鉴于此，Yager 对合成公式作了改进，但改进后的合成公式又存在着新的问题。文[2]，[3]，[4]针对Yager 合成公式进行了一些改进。综合比较了以上几种合成公式，并对文[4]的合成公式进行了一些修正，使其满足结合律，提高了计算效率。

针对配电网故障信息出现异常尤其是不可识别异常而导致误判的问题，提出了一种基于网络树状图和改进D-S证据理论的配电网故障定位新方法。该方法的突出优点在于使用多源信息进行故障定位，可避免因单源信息发生异常导致的误判。首先提出了一种新的基于网络树状图的搜索算法，该算法利用配电网故障时产生的故障指示器信息、配变报警信息和电话投诉信息建立相应的网络树状图，并通过搜索网络树状图进行故障初步定位。然后利用改进D-S证据理论将每种故障信息的定位结果进行信息融合，得到最终的定位结果。实例结果表明所提方法有效、可行，可以解决故障信息出现不可识别异常时的定位问题。

数据融合matlab代码MNIST-NET10 这种复杂的异构融合由两个异构集合FS1和FS2组成： 可以使用以下代码构建＃FS1（CapsNet | MCDNN | DropConnect_2 | CapsNet | MCDNN | DropConnect_1 | DropConnect_2 | Network3 | Dropconnect_2）： 预先训练的CapsNet可从以下网站下载： MCDNN网络是从以下站点获得的： 具有数据增强功能的Network3（请参阅Network3.py） 具有数据增强功能的DropConnect（请参阅DropConnect.py） 可以使用以下代码构建＃FS2（ECOC | PrE | MLP→LS | MLP）： CapsNet作为来自以下方面的数据转换器： 所需的代码（在Matlab中）可从以下位置获得： 可以从以下链接下载本文：