CN101984454B - 一种基于数据驱动的多源多特征信息融合方法 - Google Patents

Abstract

本发明涉及一种基于数据驱动的多源多特征信息融合方法。现有方法无法获取满意的跟踪结果。本发明方法的具体步骤是：首先提取基于模型的特征集，由模型的输出结果形成基于模型的特征信息；采用互信息原理的特征选取方法提取基于数据的特征集，选取特征集满足提取的特征选自谐波之外的声音信息和互信息最大两个条件；然后根据最终获取的特征数据的不同特性进行分类；最后采用改进的贝叶斯决策融合算法进行信息融合。本发明方法从数据出发寻求得到的特征信息与机理模型有效结合，为随后的信息融合提供了更充足全面的信息源，从而能够获得精度更高、适应性更强、鲁棒性更优的融合结果。

Description

一种基于数据驱动的多源多特征信息融合方法

技术领域

本发明属于信息技术领域，涉及数据驱动、特征提取、信息融合等技术，具体涉及一种基于数据驱动的多源多特征信息融合方法。

背景技术

为了对运动状态变化多端的目标有效识别与跟踪，传感器接收大量在线数据信息。以往依据先验信息、专家知识等建立相应机理模型实现目标识别与跟踪的诸多模型驱动方法已经越来越难以顺应复杂环境的技术需求。造成这一难题的主要原因是：在复杂环境下，很多时候难以建立表征目标运动状态的准确的机理模型，即便模型得以建立，由于模型存在复杂程度高、不确定性大等缺点，导致最终往往无法获取满意的跟踪结果。这时，传感器在过程中接收的大量关于目标运动的数据信息便凸显出其重要的价值。这些数据隐含着目标属性信息和运动状态信息，对目标类型的判定、机动性能的评测、运动状态的掌握等都极为有利，进而有助于促成最终良好的目标跟踪结果。

发明内容

本发明的目的就是针对现有技术的不足，提供了一种基于数据驱动的多源多特征信息融合方法。该方法弥补了传统模型驱动方法的不足，将数据驱动模块与模型驱动相结合进行信息融合，为最终实现有效的目标识别与跟踪提供了有利保证。

本发明为了避免仅依靠模型驱动方法建立的模型不准确，积极引入了数据驱动思想，在合理保留理论模型的基础上，从数据出发，在传感器存储的大量数据中筛选出包含有用信息的那部分数据，整合成不同用途的特征信息集。这些信息集弥补了模型信息缺失的部分，涵盖了模型中所不能表述的目标属性等信息，与基于模型的信息有机结合起来，协同作用。与此同时，在模型驱动部分，必要时可以根据先验信息建立多个备选状态模型，以便根据目标的变化切换至最佳适应模型，输出相应基于模型的信息。随后，对来自两大模块的信息采用合适的信息融合方法寻求融合结果，对结果进行综合评价后分别反馈给数据驱动和模型驱动两大模块，以便做到及时修正和优化。

本发明方法的具体方案包括以下步骤：

步骤(1)提取基于模型的特征集，由模型的输出结果形成基于模型的特征信息，该特征集是声音传感器阵列中提取到的声音信号中的谐波信息的振幅集合。具体分三步进行：①基频检测；②谐波检测；③振幅提取。该步骤方法是基于谐波共振模型提取得到该特征集，为现有成熟方法。

步骤(2)提取基于数据的特征集，本步骤中的特征集是有别于模型输出的新特征，具体提取方法是：采用互信息原理的特征选取方法，选取特征集时需同时满足两个条件：A.提取的特征选自谐波之外的声音信息；B.满足互信息最大；

所述的满足互信息最大是采用梯度上升优化策略，先将多维互信息分解成一维互信息，然后使多维互信息快速达到最大，具体是步骤是：①选取所有一维互信息中的最大值作为初始变量；②在除初始变量之外的特征中选取满足分解式下互信息最大这个条件的特征值；③重复进行步骤②直到选取到设定数目的特征；

步骤(3)根据从数据驱动模块和模型驱动模块最终获取的特征数据的不同特性，针对基于模型的特征集，选用第一分类器进行分类；针对基于数据的特征集，选用第二分类器对其进行分类；

步骤(4)信息融合，具体方法是采用改进的贝叶斯决策融合算法：

改进的贝叶斯决策融合算法中的最大后验决策准则如下：

$\underset{y}{\arg \max }p\left(y\right|x_m,x_d)\∝p\left(y\right|x_d)p\left(x_m\right|y{,x}_d)$

表示使条件概率p(y|x_m，x_d)最大的决策结果，其中y表示决策结果，x_m表示基于模型的特征集，x_d表示基于数据的特征集；后验概率p(y|x_d)从第二分类器的输出中得到，第一分类器的输出中给出了似然函数p(x_m|y)的值；实现融合所需的条件概率p(x_m|y，x_d)通过下式得到：

$\{p\left(x_m\right|y),x_d,x_m\}\→\hat{p}\left(x_m\right|y,x_d)$

其中→表示由前面信息推出后面结果，

是p(x_m|y，x_d)的估计值；

估计条件概率p(x_m|y，x_d)按如下步骤进行：

a.已知多维高斯分布能对基于模型的特征量的概率密度进行有效估计，当x_m为d维基于模型的特征向量，似然函数为：

$p\left(x_m\right|y)=\frac{1}{{\left(2\mathrm{\π}\right)}^{d/2}{\left|\mathrm{\Σ}\right|}^{1/2}}\exp (-\frac{1}{2}{(x_m-\mathrm{\μ})}^T{\mathrm{\Σ}}^{-1}(x_m-\mathrm{\μ}))$

其中μ和∑分别为均值向量和协方差矩阵，上式的熵记为：

$\mathrm{\ζ}=\ln \left(\sqrt{{\left(2\mathrm{\πe}\right)}^d\left|\mathrm{\Σ}\right|}\right)$

b.通过调节协方差矩阵∑降低p(x_m|y)的熵，然后估计条件概率p(x_m|y，x_d)，已知p(x_m|y)～N(μ，∑)，更新的协方差矩阵为：

∑^*＝(1-β)∑

其中β是调节因子；

调节p(x_m|y)的协方差矩阵∑即可估计得到条件概率p(x_m|y，x_d)，即

$\hat{p}\left(x_m\right|y,x_d)~N(\mathrm{\μ},{\mathrm{\Σ}}^{*})$

其中∑^*是更新的协方差矩阵，包含了x_m和x_d的相关性信息；

利用最大后验决策准则，即可得到特征信息融合结果。利用最大后验决策准则，得到特征信息融合结果。特征信息融合结果即为最终的全局决策，完成对地面车辆等的分类。

本发明方法在模型驱动的基础上融入数据驱动的思想，提取的两个特征集更全面地涵盖了声音信号中的不同辨识信息。由此为传统的车辆分类方法仅利用模型驱动，分类精度相对较低的不足提供了有效的解决方案，使地面车辆分类的精度较之前有明显提高。

本发明方法包含了数据驱动、模式识别及信息融合领域的相关技术，提出的基于数据驱动的多源多特征信息融合方法的综合模型主要包括数据驱动和模型驱动两大模块。本发明方法从数据出发寻求得到的特征信息与机理模型有效结合，为随后的信息融合提供了更充足全面的信息源，从而能够获得精度更高、适应性更强、鲁棒性更优的融合结果。

附图说明

图1为本发明方法的综合架构图。

具体实施方式

以下结合具体实施方式进一步说明本发明方法。

首先，简要概述地面车辆分类与跟踪这一应用场景的相关情况：

地面车辆在行驶过程中，声传感器阵列接收的声音信号可用于车辆分类和跟踪。车辆发声的来源可分为两个部分，即内部发声和外部作用发声。车辆内部，发动机的周期性运作产生了整个声音信号中的谐波信息，可由谐波共振模型加以描述；而外部作用发声来源复杂，路面摩擦、空气摩擦等都是构成声音信号的组成部分，它们很难以简单的模型加以近似。由此，声音信号中的这两个部分正好对应于图1所示的数据驱动和模型驱动模块，运用综合架构模型，方案分如下几步实现：

如图1，根据综合架构的思路，结合地面车辆分类与跟踪的应用场景，方案的实现包括以下各个步骤：

步骤1.提取基于模型的特征集，由模型的输出结果形成基于模型的特征信息，该特征集是声音传感器阵列中提取到的声音信号中的谐波信息的振幅集合。具体分三步进行：①基频检测；②谐波检测；③振幅提取。该步骤方法是基于谐波共振模型提取得到该特征集，为现有成熟方法。

步骤2.提取基于数据的特征集，即有别于模型输出的新特征，具体方法是：采用互信息原理的特征选取方法，选取特征集时需同时满足两个条件：第一，提取的特征选自除谐波之外的声音信息；第二，要满足互信息最大。

要使互信息最大化，这里采用梯度上升优化策略，先将多维互信息分解成一系列的一维互信息。在此基础上，使多维互信息快速达到最大的方法步骤如下：①选取所有一维互信息中的最大值作为初始变量；②在除初始变量之外的特征中选取满足分解式下互信息最大这个条件的特征值；③重复进行步骤②直到选取到足够数目的特征。

步骤3.形成中间决策，具体方法是：根据从数据驱动模块和模型驱动模块最终获取的特征数据的不同特性，针对基于模型的特征集，选用第一分类器进行分类；针对基于数据的特征集，选用第二分类器对其进行分类。

步骤4.信息融合，具体方法是采用改进的贝叶斯决策融合算法：

在本发明的技术方案里，最大后验决策准则写为如下形式：

$\underset{y}{\arg \max }p\left(y\right|x_m,x_d)\∝p\left(y\right|x_d)p\left(x_m\right|y{,x}_d)$

表示使条件概率p(y|x_m，x_d)最大的决策结果，其中y表示决策结果，x_m表示基于模型的特征集，x_d表示基于数据的特征集。后验概率p(y|x_d)从第二分类器的输出中得到，第一分类器的输出中给出了似然函数p(x_m|y)的值。为了实现融合，需要知道条件概率p(x_m|y，x_d)。即实现以下过程：

$\{p\left(x_m\right|y),x_d,x_m\}\→\hat{p}\left(x_m\right|y,x_d)$

其中→表示由左边的信息推出右边结果，

是p(x_m|y，x_d)的估计值。

估计条件概率p(x_m|y，x_d)按如下步骤进行：

1)已知多维高斯分布能对基于模型的特征量的概率密度进行有效估计，于是，当x_m为d维基于模型的特征向量，似然函数为：

$p\left(x_m\right|y)=\frac{1}{{\left(2\mathrm{\π}\right)}^{d/2}{\left|\mathrm{\Σ}\right|}^{1/2}}\exp (-\frac{1}{2}{(x_m-\mathrm{\μ})}^T{\mathrm{\Σ}}^{-1}(x_m-\mathrm{\μ}))$

其中μ和∑分别为均值向量和协方差矩阵，上式的熵记为：

$\mathrm{\ζ}=\ln \left(\sqrt{{\left(2\mathrm{\πe}\right)}^d\left|\mathrm{\Σ}\right|}\right)$

2)通过调节协方差矩阵∑降低p(x_m|y)的熵，然后估计条件概率p(x_m|y，x_d)，已知p(x_m|y)～N(μ，∑)。更新的协方差矩阵为：

∑^*＝(1-β)∑

其中β是调节因子。

所以，调节p(x_m|y)的协方差矩阵∑可以估计得条件概率p(x_m|y，x_d)，即

$\hat{p}\left(x_m\right|y,x_d)~N(\mathrm{\μ},{\mathrm{\Σ}}^{*})$

其中∑^*是更新的协方差矩阵，包含了x_m和x_d的相关性信息。

利用最大后验决策准则，得到特征信息融合结果。特征信息融合结果即为最终的全局决策，完成对地面车辆等的分类。

以下以五种陆地车辆分类问题为实例，详细阐述本具体实施方式。

五种车辆的类型号分别记为v1_t，v2_t，v3_w，v4_w，v5_w(其中下标为t的是轮式车辆，下标为w的为履带车辆)，它们在尺寸和重量上各不相同，均按照既定的路线行驶6圈，分布的传感器阵列用于采集复杂的声音信号。

首先对每秒的声信号采用Hanming窗进行傅里叶变换，得到351维的频域向量x，x作为这五种车辆的一组样本。特征提取时，两个特征集均取为21维。基于模型的特征集来自谐波共振模型；基于数据的特征集根据互信息原理提取。

第二步，根据不同特征集的数据特点，结合已有的研究成果，选用多变量高斯分类器对基于模型的特征集进行分类，形成一个中间决策；同时，选用支持向量机分类器对基于数据的特征集进行分类，形成另一个中间决策。

最后，根据本发明方法的步骤3采用改进的贝叶斯决策融合算法融合中间决策，得到最终分类结果。重复实验10次，平均分类精度如表1所示：

表1：各方法下10次实验的平均分类精度

可见，改进的贝叶斯决策融合算法的平均分类精度较其它各算法都有所提高。

本发明方法与传统方法仅基于模型特征集的分类结果比较：

表2：混淆矩阵(传统方法)

	v1t	v2t	v3w	v4w	v5w
						v1t	768	50	20	26	3
v2t	72	1592	134	196	121
						v3w	47	126	1805	341	258
v4w	21	91	141	825	101
						v5w	3	74	119	119	1016

表3：混淆矩阵(本发明方法)

	v1t	v2t	v3w	v4w	v5w
						v1t	772	61	17	14	3
v2t	21	1923	63	79	29
						v3w	23	70	2192	170	122
v4w	4	61	148	911	55
						v5w	0	42	120	60	1109

在分类混淆矩阵中，矩阵对角线上的为正确分类的样本数，对角线两旁则是错分样本数。从表2和表3两个混淆矩阵中，很显然地看到，本发明方法中正确分类的样本数比传统方法有显著的增多。

Claims (1)

1.一种基于数据驱动的多源多特征信息融合方法，其特征在于该方法的具体步骤是：

步骤(1)提取基于模型的特征集，由模型的输出结果形成基于模型的特征信息，本步骤中的特征集是声音传感器阵列中提取到的声音信号中的谐波信息的振幅集合；

步骤(2)提取基于数据的特征集，本步骤中的特征集是有别于模型输出的新特征，具体提取方法是：采用互信息原理的特征选取方法，选取特征集时需同时满足两个条件：A.提取的特征选自谐波之外的声音信息；B.满足互信息最大；

所述的满足互信息最大是采用梯度上升优化策略，先将多维互信息分解成一维互信息，然后使多维互信息快速达到最大，具体步骤是：①选取所有一维互信息中的最大值作为初始变量；②在除初始变量之外的特征中选取满足分解式下互信息最大这个条件的特征值；③重复进行步骤②直到选取到设定数目的特征；

步骤(3)根据从数据驱动模块和模型驱动模块最终获取的特征数据的不同特性，针对基于模型的特征集，选用第一分类器进行分类；针对基于数据的特征集，选用第二分类器对其进行分类；

步骤(4)信息融合，具体方法是采用改进的贝叶斯决策融合算法：

改进的贝叶斯决策融合算法中的最大后验决策准则如下：

表示使条件概率p(y|x_m，x_d)最大的决策结果，其中y表示决策结果，x_m表示基于模型的特征集，x_d表示基于数据的特征集；后验概率p(y|x_d)从第二分类器的输出中得到，第一分类器的输出中给出了似然函数p(x_m|y)的值；实现融合所需的条件概率p(x_m|y，x_d)通过下式得到：

 其中→表示由前面信息推出后面结果， 

是p(x_m|y，x_d)的估计值；

估计条件概率p(x_m|y，x_d)按如下步骤进行：

a.已知多维高斯分布能对基于模型的特征量的概率密度进行有效估计，当x_m为d维基于模型的特征向量，似然函数为：

其中μ和∑分别为均值向量和协方差矩阵，上式的熵记为：

b.通过调节协方差矩阵∑降低p(x_m|y)的熵，然后估计条件概率p(x_m|y，x_d)，已知p(x_m|y)～N(μ，∑)，更新的协方差矩阵为：

∑^*＝(1-β)∑

其中β是调节因子；

调节p(x_m|y)的协方差矩阵∑即可估计得到条件概率p(x_m|y，x_d)，即

其中∑^*是更新的协方差矩阵，包含了x_m和x_d的相关性信息；

利用最大后验决策准则，即可得到特征信息融合结果。

Images