神經網絡的集成
　　1996年，Sollich和Krogh [6] 將神經網絡集成定義為：“神經網絡集成是用有限個神經網絡對同一個問題進行學習，集成在某輸入示例下的輸出由構成集成的各神經網絡在該示例下的輸出共同決定”。1996年，Gutta和Wechsler [7] 將神經網絡集成和判定樹相結合進行正面人臉識別，神經網絡的集成由BP網絡采用相對多數投票法構成，實驗結果表明，使用神經網絡集成不僅增加了系統的健壯性，還提高了識別率。


圖2：多種傳感器目標識別的融合結構


圖 3：HEBUT-II 型機器人


圖4：融合網絡決策層
　　集成的結構有并聯式，并聯式是指各個識別子系統都獨立地接受原始圖像并給出自己的識別結果，而后在相互獨立的識別結果基礎上得到最終的答案，并行集成的方法主要有投票的方法、貝葉斯方法和神經網絡合成方法。在并聯形式時各分類器是獨立設計的，組合的目的就是將各個單一分類器的結果以適當的方式綜合起來成為最終識別結果。以并聯形式組合時，各分類器提供的信息可以是分類類別，也可以是有關類別的度量信息（如距離或概率等）。
　　在實際應用中，由于各個獨立的神經網絡并不能保證錯誤不相關，因此，神經網絡集成的效果與理想值相比有一定的差距，但其提高泛化能力的作用仍相當明顯。


　　單個BP網絡（Back propagation fuzzy neural network）的建立
　　在多傳感器系統中，各傳感器提供的環境信息都具有一定程度的不確定性，對這些不確定信息的融合過程實質上是一個不確定性推理過程。由于模糊邏輯技術和神經網絡技術各自獨到的特點，將模糊技術和神經網絡有機結合組成模糊神經網絡控制系統，可實現模糊規則自動提取、模糊隸屬函數的自動生成及在線調節。因此本文在單個BP網絡的構建上采用了一種模糊神經網絡（Back propagation fuzzy neural network）的信息融合的構建方法，它不依賴于系統的精確數學模型且適用于復雜的系統和過程。單個BP網絡的學習機制上采用模糊學習的方法，這種學習方法的特點是學習過程用模糊量（隸屬度）進行測度，即輸入量是經過模糊化后的模糊量。對于兩輸入單輸出的模糊神經網絡，訓練集為（d1,T1），d1=（d11，d12），T1為期望輸出。若全部模糊量采用三角形隸屬函數（對于其他隸屬函數，同理），d1j ∈ [1,0]，權值∈[1,0]。采用的誤差信號為：  

（9）
　　學習的目的是使E 最小，但由于模糊系統的特殊性，即使所有Yi=Ti，也不會為零，因此，根據不同的要求，需要不同的停止迭代規則。對于多輸入多輸出（MIMO）的模糊規則可以分解為若干個多輸入單輸出（MISO）的模糊規則。
　　多個BP網絡的集成
　　如圖2所示，信號處理神經網絡用干對單個傳感器檢測到的信號進行處理，提取有用信息，作為融合神經網絡的輸入，融合神經網絡對得到的信息在一定的層次上進行融合處理，以得到更全面、更準確的信息。也就是所說，分別搭建識別各種障礙物的子網絡，以并行集成的方式把各個個體網絡組合起來，可以獲得一個高性能的識別系統。每一個單元BP網絡可以很好的做到圖像預處理、降維等特征提取。對于每一個傳感器的目標向量X的每一分量，可以對應BP神經網絡的每一個輸入，經過訓練集的數據學習應用測試集A、B測試，將結果作為集成網絡的輸入，利用Boosting方法生成集成網絡個體。
　　移動機器人多傳感器信息融合及對障礙物的識別
　　子網絡對障礙物的識別過程
　　如圖3 所示，在HEBUT-II型機器人（圖3所示）上有三大傳感器組，CCD攝像機、紅外傳感
器、超聲波測距傳感器。正如視覺給人類提供了70%以上的所需信息、為人類的正常生活和工作提供了必要保障一樣，視覺系統為移動機器人提供了大量的信息。給移動機器人配備視覺裝置（CCD攝像機結構），可以使移動機器人在行走時能夠識別其前方的障礙物，這對移動機器人實現智能化行駛具有重要意義。為了使移動機器人在一個不確定甚至是完全陌生的環境下實現自主式導航，關鍵在于視覺系統精確與否。超聲波傳感器以其價格低廉、硬件容易實現等優點，被廣泛用作測距傳感器，實現定位及環境建模。超聲波測距作為輔助視覺系統與其它視覺配合使用，可實現整個視覺功能。
　　圖像的形狀輪廓有多種表示方法,Dubois[8]等人首先提出使用一個以形心為基點,等旋轉角度間隔采樣的矢量序列近似描述圖形的邊界,該矢量的模由形心到各邊界點的直線距離決定,但該方法僅限于凸性圖形。Gupta[9]采用類似的徑向投影序列作為多層感知器的輸入分類特征,將等分角度間隔改為沿邊界各象素跟蹤的方法,較Dubois更為精確。本文采用以形心為基點,沿邊界各象素跟蹤的方法,由形心到各邊界點的直線距離構成邊心距序列,經歸一化后作為各輸入目標模式的分類特征。邊心距序列具有一些很重要的性質：周期性, 平移不變性, 旋轉不變性, 比例性。邊心距序列的上述特性使其可用于圖像識別。當物體的形狀通過用邊心距表示時，一個二維圖像就表示成了一個一維的曲線波形。我們可以用這個方法來對實驗中獲得的邊心距序列與參考波形作比較來識別平面圖像。
　　超聲波測距傳感器在有效測距范圍內有被測物的話，則在后一路超聲波束發出之前應當接收到前一路發回的反射波，否則認為前一路無被測物。因此按有效測距范圍可以估算出最短的脈沖間隔發送時間。為了減少超聲波束的影響，應用循環采集的方法，一次只有一個超聲波傳感器采集數據。超聲波系統被排列成3×3陣列，這樣，相對于整幅圖像的3×3個區域得到了相應的3×3個距離值。但是，物體的圖像可能只是占了整幅圖像的一部分，并且只需要估算9個距離值：相應于所抽取的8個特征點的8個距離值以及形心的距離值。本文的估算是基于特征點和形心與它們所在的區域的關系而采取的一種簡單方法：特征點的距離就估算為其所在區域的距離值。通過坐標轉換獲得了在攝像機坐標系統中的9個點的距離值。
　　紅外傳感器作為一種重要的被動傳感器,由于有許多獨特的優點,在目標檢測和跟蹤中具有重要的作用[10]。紅外傳感器不向空中輻射任何能量,只是通過接收目標輻射的熱能對目標進行探測和跟蹤的,因而不易被偵察或定位,具有較強的抗干擾能力;同時由于目標不可避免地要輻射熱量,從而又為使用紅外傳感器對目標探測和跟蹤創造了條件。在子網絡中采用文獻[11]提出的利用質心及質心偏移測量的紅外目標跟蹤方法，這種方法除具有能精確跟蹤目標的優點外,還具有測量模型是線性的特點,文獻[12]在強度分布未知情況下,利用文獻[13,14,15]的方法估計強度參數,再利用質心及質心位移對紅外目標進行精確跟蹤。


圖5：幾種障礙物的識別率比較

　　融合網絡決策
　　如圖4所示，子網絡1、2對同一目標有了各自的識別結果，利用集成網絡與融合決策網絡對障礙物進行判別。神經網絡集成作為一種新興的神經計算方法,具有比單一神經網絡系統更強的泛化能力，實際上就是利用神經網絡集成強的泛化能力對原始數據集進行類似于平滑去噪等作用的加工,使其包含更多的有助于預測的信息。經過集成與融合的多傳感器系統能完善地、精確地反映環境特征，消除信息的不確定性，提高傳感器的可靠性。
　　通過子網絡1、2對同一目標的識別，利用圖4融合決策網絡進行集成、決策，這樣可以得到一系列的值。如表1所示。
　　實驗結果分析
　　仿真實驗利用VC++6.0編程,BP網的輸入節點17個，輸出節點為4個，隱含層節點是16個，要識別的障礙物有球體、長方體、正三棱錐、圓柱體。當移動機器人移動時，超聲波發射器每隔一個固定的時間段就發射一次超聲波。當移動機器人進行到適當的位置時，采樣就開始了。在取樣過程中，小車繞著障礙物轉，每隔10°取樣一次。神經網絡用這些訓練數據來進行離線訓練。在測試中，設計兩組測試數據來驗證系統的有效性。仿真中用到的這些數據集如表1所示：移動機器人以0.45m/s的速度前進，識別率（Identify Ratio，簡稱IR）列于圖中。集成的BP網的識別率分別為：91.82%，92.08%，92.37%，93.91%和92.94%，93.35%，93.98%，94.5% (圖5中以實芯的框圖表示) 。當實驗次數增加時，識別率還會提高。但從我們的仿真中已可看出，本方法是實用而有效的，移動機器人可以實時地識別出障礙物類型。
　　在文獻[16]中利用了單個多層BP網絡對障礙物進行識別，同樣要識別的障礙物有正三棱錐、長方體、圓柱體、球體，應用了相同的訓練集合測試集
。論文中實驗結果單個BP網的識別率分別為：85%，80%，85%，100%和84%，80%，87%，100%。(圖5中以虛芯的框圖表示) 。
　　雖然在文獻[16]中對個別物體（比如球體）的識別率達到了100%，這正是單個網絡對簡單物體識別的優勢所在。對一些復雜的目標，特別是在實際的復雜環境中，集成的BP網絡將體現出較強的識別能力和較高的準確性。由這些數據可以看出集成的BP網絡要比單個多層BP網絡識別的精度高很多，識別的精確度也更科學。
　　結論
　　總之，利用本文提出的多種傳感器目標識別的融合結構，建立了兩個多層BP處理網絡，來處理CCD攝像機和超聲波測距傳感器的信號、紅外傳感器和超聲波測距傳感器的信號。從實驗結果分析和比較可以證明基于神經網絡集成的多傳感器融合信號識別要比單個網絡有更高的健壯性，識別能力也更高，這樣給機器人對陌生環境的辨識和決策提供了更有力的科學依據。