《表1 几种数据融合方法之间的比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多源振动信号融合方法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Kohonen特征图是一种神经网络，近年来在多源信号融合中有很多应用。Allouche[48]在威胁评估（高级信号融合功能）时，在稳定分配给具有操纵行为的移动实体的威胁值。为此，使用了一种特殊类型的神经网络，即Kohonen自组织图，以便从运动实体的运动学中提取一些重要特征。基于融合提取的特征来计算其前进方向。Chan等人[49]在处理多源振动信号时建立了约束的Kohonen网络（CKN），并开发了其算法。CKN的主要思想是在某些子空间中约束网络的权重向量，以使Wlwanted信息（如系统状态变量的权重）被权重向量归零，同时对所需的信息（如故障）进行分类。方浩等人[50]针对传统航迹关联算法的缺陷，提出一种改进的Kohonen神经网络航迹关联算法。他们通过给每个竞争层神经元加上一个合适的阈值，有效避免了常规的Kohonen神经网络因初始权值选择不合适而容易造成坏死神经元的问题。进一步设计了自组织竞争神经网络学习规则，将多传感器在同一时刻的信号进行自组织聚类融合，从而实现测量数据的有效关联。表1对这几种振动信号融合方法进行了简单的比较。