CN112116019B - 一种多传感器Vine Copula异构信息决策融合方法 - Google Patents

一种多传感器Vine Copula异构信息决策融合方法 Download PDF

Info

Publication number
CN112116019B
CN112116019B CN202011030226.8A CN202011030226A CN112116019B CN 112116019 B CN112116019 B CN 112116019B CN 202011030226 A CN202011030226 A CN 202011030226A CN 112116019 B CN112116019 B CN 112116019B
Authority
CN
China
Prior art keywords
copula
vine
sensor
heterogeneous
fusion
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.)
Active
Application number
CN202011030226.8A
Other languages
English (en)
Other versions
CN112116019A (zh
Inventor
沈晓静
张美�
孟凡饮
刘海琪
张栩琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202011030226.8A priority Critical patent/CN112116019B/zh
Publication of CN112116019A publication Critical patent/CN112116019A/zh
Application granted granted Critical
Publication of CN112116019B publication Critical patent/CN112116019B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种多传感器Vine Copula异构信息决策融合方法，属于信息融合领域。提出了异构传感器Vine copula决策融合算法，通过特征提取和事件驱动的方式将不同类型的传感器数据统一到同一事件空间，基于数据特征和目标的先验信息，建立目标对应的事件集合；通过Vine copula对传感器数据特征事件之间的相关性进行建模。本发明能灵活构建异构信息融合特征事件之间的相关性，生成更准确的事件联合概率分布，提高异构传感器决策融合性能；数值分析表明提出的新方法对目标分类识别问题有更优的决策效果，可以更科学合理地融合异构传感器信息。

Description

一种多传感器Vine Copula异构信息决策融合方法
技术领域
本发明涉及目标分类数据处理技术领域，具体为一种多传感器Vine Copula异构信息决策融合方法。
背景技术
异类传感器信息融合在探测目标的信息上具有更大的维度和时间范畴，能够充分利用多源异类数据的互补信息来提高信息质量，在目标跟踪和识别上具有可靠性的优势。在复杂空天对抗环境中，观测数据类型众多、观测维度高和质量差异大，融合难度大。技术瓶颈在于信息度量空间难以统一，特别是传感器之间的相关性难以提取，直接影响决策融合性能，难以满足目标分类和目标识别等方面的迫切需求。
异类融合的关键是获取传感器信息的相关性，但由于异类传感器的观测数据类型众多、观测维度和观测质量差异大，使得传感器之间的相关性获取极为困难，融合的效果难以保证。因此，加拿大科学院院士罗智泉等人提出了一种归一化的事件驱动融合技术[文献1：S.Roheda,H.Krim,Z.-Q.Luo,and T.W“Event driven fusion.”https://arxiv.org/pdf/1904.11520.pdf,2019.]，通过对极端相关性加权组合的方式来近似相关性，提升目标的检测融合效果，如图1所示。但是，当训练样本数据分布不均衡或者数据的相关性比较复杂时，此方法会降低融合决策的效果。
此方法的主要思想是：在确定乘积空间Ω的联合概率时，重要的是要考虑特征间相关性的程度：完全独立的特征产生极小的交互信息，对应最小互信息的联合分布应该被选择；特征间具有较高的相关性，则产生极大的互信息，应选择互信息最大的联合分布。这些显然是相关性的极端情况，并没有解决部分相关情况。确定部分相关特征之间的联合概率的近似方法是考虑联合概率最大化和最小化互信息的凸组合：
Figure GDA0003740931370000011
其中，ρ∈[0,1]是特征间相关性程度的伪测量。当特征是高度相关时，ρ≈1；当特征是彼此独立时，ρ＝0。ρ可以通过在训练数据上使用类似皮尔逊相关/距离相关的度量来计算特征之间的相关性来确定。
当选择联合概率分布作为边际概率的乘法时，两个随机变量之间的相互信息最小。因此，有：
Figure GDA0003740931370000021
在给定边际概率的情况下，最大化互信息的问题需要一些步骤。对于一些随机变量X和Y，对X和Y的边际概率分布进行条件处理，得到常数H(X)和H(Y)。两个随机变量之间互信息的最大化就等于它们的联合熵的最小化，已知联合熵是凹函数。
Figure GDA0003740931370000022
Figure GDA0003740931370000023
在给定边缘概率极小化联合熵采用文章[文献2：Murat Kocaoglu,AlexandrosG.Dimakis,Sriram Vishwanath,and Babak Hassibi,“Entropic causal inference”,CoRR,vol.abs/1611.04035,2016.]的最小贪婪算法。这里的主要思想是保持大概率质量完整，而不是把它们分解成更小的块。概率质量对联合熵的贡献只有在它被分割成更小的块时才会增加。即当0<p<1，并且a,b>0时，对于p＝a+b，有-p.log(p)≤-a.log(a)-b.log(b)。因此，保持大概率块不受给定边缘概率的影响，可以确保它们对联合熵的贡献最小。
术语解释：
异构传感器数据融合：把多个不同类传感器所提供的局部数据资源加以融合，采用数学优化决策消除多传感器信息之间可能存在的冗余和矛盾，实现优势互补，降低决策不确实性，获得被测对象的一致性解释与描述，从而提高系统决策和规划的反应速度和正确性，使系统获得更充分的信息。
(Vine Tree Structure):一个n维vine tree结构V＝(T1,T2,...,Tn-1)是n-1棵树的序列,且满足以下条件
1.T1是结点为N1，边缘集为E1的树，
2.当i＝2,3,...,n-1时,Ti的结点Ni＝Ei-1,边缘集为Ei,
3.如果树Ti中的两条边缘在树Ti中共享一个公共结点,它们将在树Ti+1中连接.
藤(vine)的每条边缘Ei由一些二元变量copula(pair-copula)组成.令e＝{a,b}∈Ei,a,b∈Ni,
Figure GDA0003740931370000024
r＝1,2,...,i-1,m∈e1∈...er-1∈e},则边缘e＝{a,b}的调节集为D(e)＝Ua∩Ub。
发明内容
针对上述问题，本发明的目的在于提供一种多传感器Vine Copula异构信息决策融合方法，能够提高异构传感器的融合性能，克服在复杂应用场景中，传感器观测数据类型众多、观测维度和质量差异大，融合难度大等问题。技术方案如下：
一种多传感器Vine Copula异构信息决策融合方法，包括以下步骤：
步骤1：输入传感器观测得到的特征数据、类标签和二元copula集合；
所述特征数据表示为：第j个特征向量中第k个传感器观测到特征为ujk；
所述类标签表示为：目标的第i类标签vi；
所述二元copula集合表示为：F＝{cs:s＝1,...,S}；cs为二元copula概率密度函数；
步骤2：用非参数的核密度估计法计算不同类标签下的边际概率密度fk(ujk|vi)；
步骤3：用经验概率积分变换计算不同类标签下的边际累积分布函数；
Figure GDA0003740931370000031
其中，Pi(uj)为第vi类，第j个特征向量中所有传感器观测到的特征的边际累积分布函数；
步骤4：用顺序最大生成树算法确定好Vine结构，在给定的二元copula集合和相应的R-Vine藤结构下，通过极大似然估计法计算相应的copula参数
Figure GDA0003740931370000032
Figure GDA0003740931370000033
其中，J为训练集特征向量的个数；c为参数集为
Figure GDA0003740931370000034
二元变量为
Figure GDA0003740931370000035
的二元copula函数；
Figure GDA0003740931370000036
为copula函数的参数集；e＝{a,b}，a,b∈[1,2,...,K]是所选R-Vinetree中的一个连接对，
Figure GDA0003740931370000037
uD(e)＝{ut|t∈D(e)}；
步骤5：通过AIC准则选定最优的copula函数c*；
Figure GDA0003740931370000038
步骤6：计算不同类标签下的似然函数值L(u|vi)；
Figure GDA0003740931370000039
其中，J为训练集特征向量的个数，K为传感器的总数量；ci为类标签vi对应的copula密度函数，
Figure GDA00037409313700000310
为copula模型中相应的参数集；
步骤7：计算先验乘似然的值L(u|vi)π(vi)，将最大值对应的标签判定为检测目标的类标签。
进一步的，所述步骤4中藤结构为C-Vine时，对应的C-Vine Copula异构信息融合方法的实施步骤中，改变Vine Copula异构信息融合方法中步骤4的藤结构以及步骤6中似然函数的计算方式，
定义
Figure GDA0003740931370000041
其中，
Figure GDA0003740931370000042
为给定
Figure GDA0003740931370000043
下up的条件边际累计分布函数，
Figure GDA0003740931370000044
为给定
Figure GDA0003740931370000045
下uq的条件边际累计分布函数，其中{p,q}，p,q∈[1,2,...,K]是所选C-Vine tree中的一个连接对，
Figure GDA0003740931370000046
为copula的参数集，
Figure GDA0003740931370000047
为二元变量分别为
Figure GDA0003740931370000048
和
Figure GDA0003740931370000049
且参数集为
Figure GDA00037409313700000410
的二元copula概率密度函数；∶＝表示∶＝的后一项简写为∶＝的前一项；
则步骤6中C-Vine copula异构传感器融合算法的似然函数L(u|vi)为：
Figure GDA00037409313700000411
由上述定义可知，cm,(m+n)|1,...,(m-1)是参数为
Figure GDA00037409313700000412
二元变量为F(um|u1,...,u(m-1))和F(u(m+n)|u1,...,u(m-1))的二元copula概率密度函数。
更进一步的，所述步骤4中藤结构为D-Vine时，对应的D-Vine Copula异构信息融合方法的实施步骤中，改变Vine Copula异构信息融合的方法步骤中的步骤4的藤结构以及步骤6中似然函数L(u|vi)的计算方式；
令
Figure GDA00037409313700000413
其中，
Figure GDA00037409313700000414
为给定
Figure GDA00037409313700000415
下up的条件边际累计分布函数，
Figure GDA00037409313700000416
为给定
Figure GDA00037409313700000417
下uq的条件边际累计分布函数，其中{p,q}，p,q∈[1,2,...,K]是所选D-Vine tree中的一个连接对，
Figure GDA00037409313700000418
为copula的参数集，
Figure GDA00037409313700000419
为二元变量分别为
Figure GDA00037409313700000420
和
Figure GDA00037409313700000421
且参数集为
Figure GDA00037409313700000422
的二元copula概率密度函数；∶＝表示∶＝的后一项简写为∶＝的前一项；
则步骤6中D-Vine copula异构传感器融合算法的似然函数L(u|vi)为：
Figure GDA0003740931370000051
由述定义可知，cn,(m+n)|(n+1),...,(n+m-1)是参数集为
Figure GDA0003740931370000052
二元变量为F(un|u(n+1),...,u(n+m-1))和F(u(m+n)|u(n+1),...,u(n+m-1))的二元copula概率密度函数。
本发明的有益效果是：
1)本发明提出一种目标分类决策问题中异构特征相关性构建的Vine copula融合算法，以克服在复杂应用场景中，传感器观测数据类型众多、观测维度和质量差异大，融合难度大等问题，特别是异构传感器之间的相关性难以获取问题。
2)本发明创新性地通过特征提取和事件驱动的方式将不同类型的传感器数据统一到同一事件空间，基于数据特征和目标的先验信息，建立目标对应的事件集合；通过Vinecopula对传感器数据特征事件之间的相关性进行建模，生成更准确的事件联合概率分布，提高异构传感器的融合性能。
3)本发明提供了一种目标分类问题的异构信息融合的方法，支持科学合理地进行算法等效测试试验设计；可应用于目标分类问题，分类算法测试试验设计过程中，属于目标分类算法测试评估中的基础性问题之一。
附图说明
图1为文献1事件驱动融合方法框图。
图2为本发明目标分类问题中R-Vine Copula异构传感器信息融合的算法的流程图。
图3为本发明的异构传感器信息融合算法的结构框架。
图4为本发明实施例子中的数据来源。
图5为本发明实施例子中目标分类在R-Vine、C-Vine、D-Vine结构下的ROC曲线。
图6本发明实施例子中目标分类的ROC曲线。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。如图2所示，本发明目标分类问题中R-Vine Copula异构传感器信息融合的算法的流程图，方法步骤具体如下：
步骤1：输入传感器观测得到的特征数据、类标签和二元copula集合；
所述特征数据表示为：第j个特征向量中第k个传感器观测到特征为ujk；
所述类标签表示为：目标的第i类标签vi；
所述二元copula集合表示为：F＝{cs:n＝1,...,S}；cs为二元copula概率密度函数；
步骤2：用非参数的核密度估计法计算不同类标签下的边际概率密度fk(ujk|vi)；
步骤3：用经验概率积分变换计算不同类标签下的边际累积分布函数；
Figure GDA0003740931370000061
其中，Pi(uj)为第vi类第j个特征向量中所有传感器观测到的特征的边际累积分布函数；
步骤4：用顺序最大生成树算法确定好Vine结构，在给定的二元copula集合和相应的R-Vine藤结构下，通过极大似然估计法计算相应的copula参数
Figure GDA0003740931370000062
Figure GDA0003740931370000063
其中，J为训练集特征向量的个数；c为参数集为
Figure GDA0003740931370000064
二元变量为
Figure GDA0003740931370000065
的二元copula函数；
Figure GDA0003740931370000066
为copula函数的参数集；e＝{a,b}，a,b∈[1,2,...,K]是所选R-Vinetree中的一个连接对，
Figure GDA0003740931370000067
uD(e)＝{ut|t∈D(e)}。
步骤5：通过AIC准则选定最优的copula函数c*；
Figure GDA0003740931370000068
步骤6：计算不同类标签下的似然函数值L(u|vi)；
Figure GDA0003740931370000069
其中，J为训练集特征向量的个数，K为传感器的总数量；ci为类标签vi对应的copula密度函数，
Figure GDA00037409313700000610
为copula模型中相应的参数集；
步骤7：计算先验乘似然的值L(u|vi)π(vi)，将最大值对应的标签判定为检测目标的类标签。
C-Vine和D-Vine是R-Vine中特殊的藤结构。当步骤4中藤结构为C-Vine时，对应的C-Vine Copula异构信息融合方法的实施步骤中，改变Vine Copula异构信息融合方法中步骤4的藤结构以及步骤6中似然函数的计算方式，
令
Figure GDA00037409313700000611
其中，
Figure GDA00037409313700000612
为给定
Figure GDA00037409313700000613
下up的条件边际累计分布函数，
Figure GDA00037409313700000614
为给定
Figure GDA00037409313700000615
下uq的条件边际累计分布函数，其中{p,q}，p,q∈[1,2,...,K]是所选C-Vine tree中的一个连接对，
Figure GDA0003740931370000071
为copula的参数集，
Figure GDA0003740931370000072
为二元变量分别为
Figure GDA0003740931370000073
和
Figure GDA0003740931370000074
且参数集为
Figure GDA0003740931370000075
的二元copula概率密度函数。
则步骤6中C-Vine copula异构传感器融合算法的似然函数L(u|vi)为：
Figure GDA0003740931370000076
由上述定义可知，cm,(m+n)|1,...,(m-1)是参数集为
Figure GDA0003740931370000077
二元变量为F(um|u1,...,u(m-1))和F(u(m+n)|u1,...,u(m-1))的二元copula概率密度函数。
当步骤4中藤结构为D-Vine时，对应的D-Vine Copula异构信息融合方法的实施步骤中，改变Vine Copula异构信息融合的方法步骤中的步骤4的藤结构以及步骤6中似然函数L(u|vi)的计算方式；
则步骤6中D-Vine copula异构传感器融合算法的似然函数L(u|vi)为：
Figure GDA0003740931370000078
由上述定义可知，cn,(m+n)|(n+1),...,(n+m-1)是参数集为
Figure GDA0003740931370000079
二元变量为F(un|u(n+1),...,u(n+m-1))，和F(u(m+n)|u(n+1),...,u(n+m-1))的二元copula概率密度函数。
本发明提出异构传感器Vine copula融合决策算法，该方法通过特征提取和事件驱动的方式将不同类型的传感器数据统一到同一事件空间，基于数据特征和目标的先验信息，建立目标对应的事件集合；通过Vine copula对传感器数据特征事件之间的相关性进行建模，生成更准确的事件联合概率分布，提高异构传感器的融合性能，多源异构传感器信息事件驱动统一优化决策融合的数据框架如下图3。主要包括：特征提取层、事件描述层和融合决策层。
特征层主要根据传感器特点反映出的多侧面、深层次信息，选取不同数学模型、优化准则、解算结构、系统参数和预处理过程等对数据预处理获取特征信息，着重采用和研究CNN，RNN等深度学习特征提取和表征方法。
事件层是异构传感器信息统一优化融合的基础，主要是把不同特征统一到统一事件空间。具体地，假定由训练集中第j个特征向量的第i个传感器观测到的特征为
Figure GDA00037409313700000710
特
Figure GDA00037409313700000711
的第t个事件为
Figure GDA00037409313700000712
且
Figure GDA00037409313700000713
是一组互斥的事件集，则由特征
Figure GDA00037409313700000714
生成的概率空间可定义为：
Figure GDA00037409313700000715
其中
Figure GDA00037409313700000716
是
Figure GDA00037409313700000717
的Borel sigma代数,并且可以认为是描述特征
Figure GDA00037409313700000718
的所有可能的事件集。把包含在乘积空间
Figure GDA00037409313700000719
Figure GDA0003740931370000081
中的一些事件的组合定义为我们的目标o∈σB(Φ)。例如,在二维情况下，目标可以是ε1∈σB(Φ1)和ε2∈σB(Φ2)的组合，相应的乘积空间为Φ＝Φ1×Φ2，组合事件的目标可以为o1＝ε1∧ε2或者o2＝ε1∨ε2。这样就把不同的特征数据统一到了同一事件空间，其中Li(i＝1,...N)为第i个传感器观测到的特征总数。
融合层的方法决定了多源高维数据传感器信息融合的整体性能，其中的关键数学问题是获取传感器的相关性，但数据类型差异大使其获取极为困难，这里本发明主要采用R-vine Copula构建高维事件数据之间的相关性，用最新发展的高维MCMC抽样技术推断相关参数。具体地，假设我们有一个共有J个特征向量的训练集，联合特征向量为
Figure GDA0003740931370000082
Figure GDA0003740931370000083
其中[J]＝[1,2,...,J]，
Figure GDA0003740931370000084
为第j个特征向量中第i个传感器观测得到的特征向量，为记号简便省去特征向量上标，记为
Figure GDA0003740931370000085
Figure GDA0003740931370000086
根据贝叶斯定理，在给定观测的联合特征向量
Figure GDA0003740931370000087
的条件下类标签vi的后验概率密度
Figure GDA0003740931370000088
为
Figure GDA0003740931370000089
其中
Figure GDA00037409313700000810
我们采用R-Vine copula方法建模估计为：
Figure GDA00037409313700000811
其中fk(ujk|vi)为边际概率密度，
Figure GDA00037409313700000812
为第vi类，第j个特征向量中所有传感器观测到的特征的边际累积分布函数，ci是类标签vi对应的copula密度函数，
Figure GDA00037409313700000813
表示copula模型中相应的参数集。采用非参数的核密度估计对fk(ujk|vI)进行估计，通过经验概率积分变换(EPIT)来确定Pk(·)的估计值：
Figure GDA00037409313700000814
通过极大似然估计法求出相应地copula参数集
Figure GDA00037409313700000815
Figure GDA00037409313700000816
其中(a,b),a,b∈[1,2,...,K]是所选R-Vine tree中的一个连通对，为记号简便，这里省略了条件的边际累积分布函数的条件变量。
本实施例具体描述本发明所提出的目标分类问题中R-Vine copula异构传感器融合算法用于分析多目标场景下目标分类准确度的比较，并进行了模拟试验。
问题描述：采用仿真模拟雷达传感器和图像传感器对同一目标的观测，如图4所示，生成由不同速度、距离、位移和长宽比组合而成的3类目标的训练集和测试集。
数据来源：本实施例采用仿真模拟雷达传感器和图像传感器对同一目标的观测，生成由不同速度、距离、位移和长宽比组合而成的3类目标的训练集和测试集。令v,r,d,ar分别表示速度、距离、位移和长宽比，特征上的事件定义为
v1:0≤v1≤vlow, v2:vup≤v2≤vmax
r1:0＜r1≤rlow, r2:rlow＜r2
ar1:0≤ar1≤arlow, ar2:arlow≤ar2≤arup
d1:0≤d1≤dlow, d2:dup≤d2≤dmax
其中vlow,vup,vmax,rlow,arlow,arup,dlow,dmax是速度、距离、长宽比和位移设置的阈值。3类目标o1,o2,o3为这些事件的组合，即
o1:{r1∨(v2∧(dlow∨ar1))}
o2:{v1∨(r2∧d1)∨ar2}
Figure GDA0003740931370000091
雷达传感器生成速度和距离的特征样本，图像传感器生成长宽比和位移的特征样本。在例子中，目标可以是飞机、卫星或车辆等。图4是异构传感器R-Vine copula融合算法对雷达信息和图像传感器信息进行融合的示例。
算法实施：基于上述目标的定义，可以看作是一个三分类问题，类别1：o1，类别2：o2，类别3:既不属于o1也不属于o2。根据R-Vine copula融合算法，我们首先在训练集上利用核密度估计分别计算三类标签下4种特征的边际概率密度，再利用经验概率变换分别计算每一个特征下的累积分布函数，在给定copula集合和Vine结构的条件下用极大似然估计法求得对应二元copula的参数集，根据AIC最小值标准对每一类的分类模型选定最优的copula集合，此时分类的模型训练完成。带入测试集，同样执行算法的1，2步后，结合每类已训练好的最优copula函数计算不同标签下的似然函数值，这里我们假定先验概率是相等的，故根据贝叶斯决策知，似然函数值最大对应的类别判定为测试目标的标签。
效果分析：表1显示了不同方法在数据集上实现的分类性能(50次均值的结果)。
表1不同方法在数据集上实现的分类性能
Figure GDA0003740931370000092
Figure GDA0003740931370000101
可以看出对于C-Vine copula融合算法，D-Vine copula融合算法，Event DrivenFusion方法、忽略相关性的融合方法以及相关系数分别为Spearman相关系数，Kendall相关系数，Chi-Spearman检验，和Kappa系数的融合方法，在数据相关性的刻画上，R-Vinecopula融合算法能够给出更准确的特征事件的联合概率分布，具有更高的分类正确率。
标准：对于目标多分类问题，本实施例采用分类正确率和ROC(ReceiverOperating Characteristic接收机工作特性曲线)曲线的AUC(Area Under the Curve曲线下面积)值判定目标多分类的效果。
标准说明：分类正确率计算方式为
Figure GDA0003740931370000102
Ntest为所有测试集中目标类别正确分类的总和，N为测试集的总数。ROC曲线为FPR与TPR之间的关系曲线。x轴为假阳性率(FPR)：在所有的负样本中，分类器预测错误的比例。y轴为真阳性率(TPR)：在所有的正样本中，分类器预测正确的比例。
在ROC曲线和相应AUC值性能准则下，图5给出了上述目标分类的ROC曲线均值和对应的AUC均值。
图5可看出可以看出在这3种Vine copula在均值的ROC和AUC值上，R-Vine copula显示出更高的分类性能。由图6可看出，在上述的方法中，R-Vine copula融合算法给出了更高的ROC曲线和相应的AUC值，融合性能更好，可能的原因是此模型是针对特征事件的相关性进行训练的，R-Vine copula能更好的刻画异类传感器之间的相关性，对于数据的分布并不敏感，因此当数据分布不均衡时，R-Vine copula融合算法具有更好的鲁棒性。

Claims (3)

1.一种多传感器Vine Copula异构信息决策融合方法，其特征在于，包括以下步骤：
步骤1：构建多源异构传感器信息事件驱动统一优化决策融合的数据框架，包括：特征层、事件描述层和融合层；
所述特征层根据传感器特点反映出的多侧面、深层次信息，选取不同数学模型、优化准则、解算结构、系统参数和预处理过程对数据预处理获取特征数据；
所述事件层把不同特征统一到同一事件空间，获取各特征的事件集合和相应的类标签；
所述融合层采用R-vine Copula构建事件集合中高维事件数据之间的相关性；
输入传感器观测得到的特征数据、类标签和二元copula集合；
所述传感器包括雷达传感器和图像传感器；
所述特征数据表示为：第j个特征向量中第k个传感器观测到特征为ujk；
所述类标签表示为：目标的第i类标签vi；
所述二元copula集合表示为：F＝{cs：s＝1，...，S}；cs为二元copula概率密度函数；
步骤2：用非参数的核密度估计法计算不同类标签下的边际概率密度fk(ujk|vi)；
步骤3：用经验概率积分变换计算不同类标签下的边际累积分布函数；
Figure FDA0003740931360000011
其中，Pi(uj)为第vi类第j个特征向量中所有传感器观测到的特征的边际累积分布函数；
步骤4：用顺序最大生成树算法确定好Vine结构，在给定的二元copula集合和相应的R-Vine藤结构下，通过极大似然估计法计算相应的copula参数
Figure FDA0003740931360000012
Figure FDA0003740931360000013
其中，J为训练集特征向量的个数；c为参数集为
Figure FDA0003740931360000014
二元变量为
Figure FDA0003740931360000015
的二元copula函数；
Figure FDA0003740931360000016
为copula函数的参数集；e＝{a，b}，a，b∈[1，2，...，K]是所选R-Vine tree中的一个连接对，
Figure FDA0003740931360000017
uD(e)＝{ut|t∈D(e)}；
步骤5：通过AIC准则选定最优的copula函数c*；
Figure FDA0003740931360000018
步骤6：计算不同类标签下的似然函数值L(u|vi)；
Figure FDA0003740931360000019
其中，J为训练集特征向量的个数，K为传感器的总数量；ci为类标签vi对应的copula密度函数，
Figure FDA0003740931360000021
为copula模型中相应的参数集；
步骤7：计算先验乘似然的值L(u|vi)π(vi)，将最大值对应的标签判定为检测目标的类标签。
2.根据权利要求1所述的多传感器Vine Copula异构信息决策融合方法，其特征在于，所述步骤4中藤结构为C-Vine时，对应的C-Vine Copula异构信息融合方法的实施步骤中，改变Vine Copula异构信息融合方法中步骤4的藤结构以及步骤6中似然函数的计算方式，令
Figure FDA0003740931360000022
其中，
Figure FDA0003740931360000023
为给定
Figure FDA0003740931360000024
下up的条件边际累计分布函数，
Figure FDA0003740931360000025
为给定
Figure FDA0003740931360000026
下uq的条件边际累计分布函数，其中{p，q}，p，q∈[1，2，...，K]是所选C-Vine tree中的一个连接对，
Figure FDA0003740931360000027
为copula的参数集，
Figure FDA0003740931360000028
为二元变量分别为
Figure FDA0003740931360000029
和
Figure FDA00037409313600000210
且参数集为
Figure FDA00037409313600000211
的二元copula概率密度函数；：＝表示：＝的后一项简写为：＝的前一项；
且步骤6中C-Vine copula异构传感器融合算法的似然函数L(u|vi)为：
Figure FDA00037409313600000212
由上述定义可知，cm，(m+n)|1，...，(m-1)是参数集为
Figure FDA00037409313600000213
二元变量为F(um|u1，...，u(m-1))和F(u(m+n)|u1，...，u(m-1))的二元copula概率密度函数。
3.根据权利要求1所述的多传感器Vine Copula异构信息决策融合方法，其特征在于，所述步骤4中藤结构为D-Vine时，对应的D-Vine Copula异构信息融合方法的实施步骤中，改变Vine Copula异构信息融合的方法步骤中的步骤4的藤结构以及步骤6中似然函数L(u|vi)的计算方式；
令
Figure FDA00037409313600000214
其中，
Figure FDA00037409313600000215
为给定
Figure FDA00037409313600000216
下up的条件边际累计分布函数，
Figure FDA00037409313600000217
为给定
Figure FDA00037409313600000218
下uq的条件边际累计分布函数，其中{p，q}，p，q∈[1，2，...，K]是所选D-Vine tree中的一个连接对，
Figure FDA00037409313600000219
为copula的参数集，
Figure FDA00037409313600000220
为二元变量分别为
Figure FDA0003740931360000031
和
Figure FDA0003740931360000032
且参数集为
Figure FDA0003740931360000033
的二元copula概率密度函数；：＝表示：＝的后一项简写为：＝的前一项；
则步骤6中D-Vine copula异构传感器融合算法的似然函数L(u|vi)为：
Figure FDA0003740931360000034
由上述定义可知，cn，(m+n)|(n+1)，...，(n+m-1)是参数集为
Figure FDA0003740931360000035
二元变量为F(un|u(n+1)，...，u(n+m-1))，和F(u(m+n)|u(n+1)，...，u(n+m-1))的二元copula概率密度函数。
CN202011030226.8A 2020-09-27 2020-09-27 一种多传感器Vine Copula异构信息决策融合方法 Active CN112116019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011030226.8A CN112116019B (zh) 2020-09-27 2020-09-27 一种多传感器Vine Copula异构信息决策融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011030226.8A CN112116019B (zh) 2020-09-27 2020-09-27 一种多传感器Vine Copula异构信息决策融合方法

Publications (2)

Publication Number Publication Date
CN112116019A CN112116019A (zh) 2020-12-22
CN112116019B true CN112116019B (zh) 2022-09-02

Family

ID=73797824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011030226.8A Active CN112116019B (zh) 2020-09-27 2020-09-27 一种多传感器Vine Copula异构信息决策融合方法

Country Status (1)

Country Link
CN (1) CN112116019B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298265B (zh) * 2021-05-22 2024-01-09 西北工业大学 一种基于深度学习的异构传感器潜在相关性学习方法
CN113902056B (zh) * 2021-10-20 2022-04-19 四川大学 基于Copula理论的多维异构信息融合识别方法
CN114708478B (zh) * 2022-06-06 2022-09-02 季华实验室 事件相机与标准相机的数据融合方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101538366A (zh) * 2009-04-28 2009-09-23 四川大学 聚芳硫醚酰亚胺类聚合物及其制备方法
CN109165455A (zh) * 2018-09-04 2019-01-08 南京大学 基于互信息和vine copula的水文相依结构建模方法
CN111637045A (zh) * 2020-05-09 2020-09-08 哈尔滨工程大学 一种海洋平台空气压缩机故障诊断方法
CN111709438A (zh) * 2020-04-29 2020-09-25 南京云智控产业技术研究院有限公司 一种异构传感器信息融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10793150B2 (en) * 2018-09-14 2020-10-06 Wipro Limited Method and device for controlling vehicle based on neighboring vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101538366A (zh) * 2009-04-28 2009-09-23 四川大学 聚芳硫醚酰亚胺类聚合物及其制备方法
CN109165455A (zh) * 2018-09-04 2019-01-08 南京大学 基于互信息和vine copula的水文相依结构建模方法
CN111709438A (zh) * 2020-04-29 2020-09-25 南京云智控产业技术研究院有限公司 一种异构传感器信息融合方法
CN111637045A (zh) * 2020-05-09 2020-09-08 哈尔滨工程大学 一种海洋平台空气压缩机故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A coalitional game for distributed estimation wireless sensor network;Hao he 等;《2013 IEEE international conference on Acoustics，speech and signal processing》;20131021;第4575-4577页 *
Fusion of deep neural network for activity recognition： A regular Vine copula Based Approach;Shan Zhang deng;《2019 22th international conference on information fusion》;20200227;第1-6页 *

Also Published As

Publication number Publication date
CN112116019A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN112116019B (zh) 一种多传感器Vine Copula异构信息决策融合方法
Sharifzadeh et al. Ship classification in SAR images using a new hybrid CNN–MLP classifier
Waldner et al. Needle in a haystack: Mapping rare and infrequent crops using satellite imagery and data balancing methods
CN110852245B (zh) 基于离散属性bnt的双偏振气象雷达降水粒子分类方法
Li Research on radar signal recognition based on automatic machine learning
Liu et al. An improved InceptionV3 network for obscured ship classification in remote sensing images
Ni et al. DNN-based PolSAR image classification on noisy labels
CN107423771B (zh) 一种两时相遥感图像变化检测方法
Qadir et al. Active learning with Bayesian CNN using the BALD method for Hyperspectral Image Classification
CN112528554A (zh) 一种适于多发多源火箭试验数据的数据融合方法及系统
Habibi et al. Classification of polarimetric SAR data based on object-based multiple classifiers for urban land-cover
CN116681927A (zh) 结合深度学习模型和传统分类器的用于PolSAR数据的分类方法及系统
CN113902975B (zh) 一种用于sar舰船检测的场景感知数据增强方法
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
Sun et al. Feature space fusion classification of remote sensing image based on ant colony optimisation algorithm
Zhuangzhuang et al. Adaptive learning rate CNN for SAR ATR
Patel et al. Rice variety classification & yield prediction using semantic segmentation of agro-morphological characteristics
Thilagavathi et al. Classification of Remotely Sensed Images using Supervised Methods
Khalil et al. Evaluation of oversampling strategies in machine learning for space debris detection
Wu et al. An unsupervised change detection approach for remote sensing image using principal component analysis and genetic algorithm
CN115953584B (zh) 一种具有可学习稀疏性的端到端目标检测方法及系统
Goodwin et al. Learning Robust Representations for Automatic Target Recognition
Goodwin et al. Learning Robust Representations for Automatic Target Recognition: FY18 Line-Supported Information, Computation & Exploitation Program
Rudra et al. Hybrid Feature Selection with Parallel Multi-Class Support Vector Machine for Land Use Classification.
Tolkkinen Estimating the performance of a multiradar tracker using machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant