CN101984454B - 一种基于数据驱动的多源多特征信息融合方法 - Google Patents
一种基于数据驱动的多源多特征信息融合方法 Download PDFInfo
- Publication number
- CN101984454B CN101984454B CN2010105559610A CN201010555961A CN101984454B CN 101984454 B CN101984454 B CN 101984454B CN 2010105559610 A CN2010105559610 A CN 2010105559610A CN 201010555961 A CN201010555961 A CN 201010555961A CN 101984454 B CN101984454 B CN 101984454B
- Authority
- CN
- China
- Prior art keywords
- information
- model
- characteristic
- data
- feature set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
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
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:
表示使条件概率p(y|xm,xd)最大的决策结果,其中y表示决策结果,xm表示基于模型的特征集,xd表示基于数据的特征集;后验概率p(y|xd)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(xm|y)的值;实现融合所需的条件概率p(xm|y,xd)通过下式得到:
估计条件概率p(xm|y,xd)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xm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(xm|y)的熵,然后估计条件概率p(xm|y,xd),已知p(xm|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(xm|y)的协方差矩阵∑即可估计得到条件概率p(xm|y,xd),即
其中∑*是更新的协方差矩阵,包含了xm和xd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:
表示使条件概率p(y|xm,xd)最大的决策结果,其中y表示决策结果,xm表示基于模型的特征集,xd表示基于数据的特征集。后验概率p(y|xd)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(xm|y)的值。为了实现融合,需要知道条件概率p(xm|y,xd)。即实现以下过程:
估计条件概率p(xm|y,xd)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xm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:
2)通过调节协方差矩阵∑降低p(xm|y)的熵,然后估计条件概率p(xm|y,xd),已知p(xm|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(xm|y)的协方差矩阵∑可以估计得条件概率p(xm|y,xd),即
其中∑*是更新的协方差矩阵,包含了xm和xd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v1t,v2t,v3w,v4w,v5w(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|xm,xd)最大的决策结果,其中y表示决策结果,xm表示基于模型的特征集,xd表示基于数据的特征集;后验概率p(y|xd)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(xm|y)的值;实现融合所需的条件概率p(xm|y,xd)通过下式得到:
估计条件概率p(xm|y,xd)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xm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(xm|y)的熵,然后估计条件概率p(xm|y,xd),已知p(xm|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(xm|y)的协方差矩阵∑即可估计得到条件概率p(xm|y,xd),即
其中∑*是更新的协方差矩阵,包含了xm和xd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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105559610A CN101984454B (zh) | 2010-11-19 | 2010-11-19 | 一种基于数据驱动的多源多特征信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105559610A CN101984454B (zh) | 2010-11-19 | 2010-11-19 | 一种基于数据驱动的多源多特征信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101984454A CN101984454A (zh) | 2011-03-09 |
CN101984454B true CN101984454B (zh) | 2012-11-07 |
Family
ID=43641624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105559610A Expired - Fee Related CN101984454B (zh) | 2010-11-19 | 2010-11-19 | 一种基于数据驱动的多源多特征信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101984454B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8930300B2 (en) * | 2011-03-31 | 2015-01-06 | Qualcomm Incorporated | Systems, methods, and apparatuses for classifying user activity using temporal combining in a mobile device |
CN102254184B (zh) * | 2011-07-18 | 2013-01-02 | 华中科技大学 | 一种多物理域特征信息融合方法 |
CN103942768B (zh) | 2013-01-18 | 2017-05-24 | 诺基亚技术有限公司 | 图像融合的方法和装置 |
CN104833357A (zh) * | 2015-04-16 | 2015-08-12 | 中国科学院光电研究院 | 一种多系统多模型混合交互式信息融合定位方法 |
CN107203259B (zh) * | 2016-03-18 | 2020-04-24 | 意法半导体公司 | 用于使用单和/或多传感器数据融合确定移动设备使用者的概率性内容感知的方法和装置 |
CN109344741A (zh) * | 2018-09-11 | 2019-02-15 | 中国科学技术大学 | 一种基于振动信号的地形分类方法 |
CN110313918A (zh) * | 2019-07-17 | 2019-10-11 | 军事科学院系统工程研究院军需工程技术研究所 | 一种基于足底压力的步态相位识别方法及系统 |
CN111911483B (zh) * | 2020-07-16 | 2021-10-01 | 山东大学 | 基于数字孪生的液压系统融合型故障诊断预测方法 |
CN113191332B (zh) * | 2021-05-27 | 2023-06-27 | 安阳工学院 | 一种基于深度学习置信度估计的目标检测方法及装置 |
CN113780364A (zh) * | 2021-08-18 | 2021-12-10 | 西安电子科技大学 | 一种模型与数据联合驱动的sar图像目标识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1619593A (zh) * | 2004-12-09 | 2005-05-25 | 上海交通大学 | 基于多特征信息融合的视频运动目标自适应跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7747044B2 (en) * | 2006-01-20 | 2010-06-29 | The Johns Hopkins University | Fusing multimodal biometrics with quality estimates via a bayesian belief network |
-
2010
- 2010-11-19 CN CN2010105559610A patent/CN101984454B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1619593A (zh) * | 2004-12-09 | 2005-05-25 | 上海交通大学 | 基于多特征信息融合的视频运动目标自适应跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101984454A (zh) | 2011-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101984454B (zh) | 一种基于数据驱动的多源多特征信息融合方法 | |
CN103020643B (zh) | 基于提取核特征早期预测多变量时间序列类别的分类方法 | |
CN106096616A (zh) | 一种基于深度学习的磁共振影像特征提取及分类方法 | |
CN103810704B (zh) | 基于支持向量机和判别随机场的sar图像变化检测方法 | |
CN110414554A (zh) | 一种基于多模型改进的Stacking集成学习鱼类识别方法 | |
CN102324046A (zh) | 结合主动学习的四分类器协同训练方法 | |
CN105843919A (zh) | 一种基于多特征融合与聚类集成的移动对象轨迹聚类方法 | |
CN105389583A (zh) | 图像分类器的生成方法、图像分类方法和装置 | |
CN102169545A (zh) | 一种高分辨率遥感图像的变化检测方法 | |
Pellegrini | Densely connected CNNs for bird audio detection | |
CN103366365A (zh) | 基于人工免疫多目标聚类的sar图像变化检测方法 | |
CN103984746B (zh) | 基于半监督分类与区域距离测度的sar图像识别方法 | |
CN103605990A (zh) | 基于图聚类标签传播的集成多分类器融合分类方法和系统 | |
CN102663681B (zh) | 基于排序k-均值算法的灰度图像分割方法 | |
CN110852369B (zh) | 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法 | |
CN107423761B (zh) | 基于特征选择和机器学习的轨道机车节能优化操纵方法 | |
CN104616016A (zh) | 一种全局与局部特征相结合的纹理特征描述方法 | |
CN111553482A (zh) | 机器学习模型超参数的调优方法 | |
CN108090507A (zh) | 一种基于集成方法的医疗影像纹理特征处理方法 | |
Rota et al. | On automated Flow Cytometric analysis for MRD estimation of Acute Lymphoblastic Leukaemia: A comparison among different approaches | |
CN109859467B (zh) | 一种交通模型中环境影响因子的挖掘分析方法 | |
CN107908927A (zh) | 基于改进PSO和ELM的疾病‑lncRNA关系预测方法 | |
CN113033637B (zh) | 一种基于岩石物理样本增强的集成学习岩相预测方法 | |
Viswanathan | Data driven analysis of usage and driving parameters that affect fuel consumption of heavy vehicles | |
CN116413786A (zh) | 一种地震波异常初至修正方法、装置和相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121107 Termination date: 20141119 |
|
EXPY | Termination of patent right or utility model |