CN112149623B - 一种自适应多传感器信息融合系统、方法及存储介质 - Google Patents

一种自适应多传感器信息融合系统、方法及存储介质 Download PDF

Info

Publication number
CN112149623B
CN112149623B CN202011108308.XA CN202011108308A CN112149623B CN 112149623 B CN112149623 B CN 112149623B CN 202011108308 A CN202011108308 A CN 202011108308A CN 112149623 B CN112149623 B CN 112149623B
Authority
CN
China
Prior art keywords
fusion
fused
architecture
information data
data 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.)
Active
Application number
CN202011108308.XA
Other languages
English (en)
Other versions
CN112149623A (zh
Inventor
史伟
杨博
王志峰
计文平
孙志洁
李俊飞
肖洒
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.)
Third Research Institute Of China Electronics Technology Group Corp
Original Assignee
Third Research Institute Of China Electronics Technology Group Corp
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 Third Research Institute Of China Electronics Technology Group Corp filed Critical Third Research Institute Of China Electronics Technology Group Corp
Priority to CN202011108308.XA priority Critical patent/CN112149623B/zh
Publication of CN112149623A publication Critical patent/CN112149623A/zh
Application granted granted Critical
Publication of CN112149623B publication Critical patent/CN112149623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本方案公开了一种自适应多传感器信息融合架构选择方法，包括如下步骤：获取待融合信息数据集的融合特征值；依据所述融合特征值，利用分类决策树，选择适合所述待融合信息数据集的融合架构。通过选取合适的融合特征建立混合决策树模型，使得在已知试验条件的情况下，能够对所需采用的融合架构进行自动预测。从而提高了融合架构在不同试验条件下使用的自适应性和正确性，减少了人为决策带来的不确定性和局限性。

Description

一种自适应多传感器信息融合系统、方法及存储介质
技术领域
本发明涉及多信息源数据融合技术领域，特别涉及一种自适应多传感器信息融合系统、方法及存储介质。
背景技术
依据对多源传感器信息处理方式的不同，常见的多源传感器信息融合系统的体系架构包括集中式、分布式和混合式等。如图1所示，集中式架构直接将各传感器探测到的原始情报(点迹)信息直接发送给融合中心，由融合中心直接进行点迹的配准、关联、融合、识别和评估。由于在原始情报层级下融合，因此集中式架构对资源的要求比较高，处理时延较长，但数据损失较少，融合精度较高。
如图2所示，分布式架构首先对各同源传感器进行一级融合，生成同类传感器关于目标的航迹信息，然后再对各传感器的航迹信息进行配准、关联、融合、识别和评估。由于对原始情报进行了分级融合处理，相对于集中式架构，分布式架构对资源的要求不高，处理时延较短，但数据损失较多。
混合式架构虽兼顾了集中式融合和分布式融合的优点，稳定性强。但混合式融合方式的结构比前两种融合方式的结构复杂，这样又加大了通信和计算上的代价。
因此，在面对具体的某次试验时，现有的方法是人们根据个人的经验来确定选用集中式、分布式或者混合架构，而根据个人经验选择的融合架构常常在试验中无法获得最优表现。
发明内容
本方案的一个目的在于提供一种自适应多传感器信息融合架构选择方法。通过“决策树”的认知模型，使用机器辅助人们进行决策，最大化模型的使用性能，减少对融合架构选择的不确定性。
本方案的另一个目的在于提供一种执行上述选择方法的装置。
本方案的第三个目的在于提供一种自适应多传感器信息融合方法。
本方案的第四个目的在于提供一种自适应多传感器融合系统。
本方案的第五个目的在于提供一种存储介质。
为达到上述目的，技术方案如下：
第一方面，提供一种自适应多传感器信息融合架构选择方法，包括如下步骤：
获取待融合信息数据集的融合特征值；
依据所述融合特征值，利用分类决策树，选择适合所述待融合信息数据集的融合架构类别；
其中，所述分类决策树由以下步骤构建：
分别提取预先获取的各待融合信息数据集的融合特征；
分别采用各融合架构类别对所述预先获取的各待融合信息数据集进行数据融合，选取融合效果最优的架构类别为该待融合信息数据集的最优融合架构类别；
基于所述预先获取的各待融合信息数据集的融合特征值构建分类决策树。
在一个优选地实施例中，所述融合架构类别包括分布式和集中式。
在一个优选地实施例中，所述选取融合效果最优的架构类别为该待融合信息数据集的最优融合架构类别进一步包括：
对每个待融合信息数据集分别进行分布式融合和集中式融合，通过多个评价指标加权值确定每个待融合信息数据集的最优融合架构类别。
在一个优选地实施例中，所述评价指标包括融合精度、处理时延、虚假航迹比例和综合识别概率中的一个或多个。
在一个优选地实施例中，所述融合特征包括传感器数量、传感器组合、资源条件、环境噪声和数据传输速率中的一个或多个。
第二方面，本方案提供一种自适应多传感器信息融合架构选择装置，该装置包括：
选择单元，获取待融合信息数据集的融合特征值；
依据所述融合特征值，利用分类决策树，选择适合所述待融合信息数据集的融合架构类别；
其中，所述分类决策树由以下步骤构建：
分别提取预先获取的各待融合信息数据集的融合特征；
分别采用各融合架构类别对所述预先获取的各待融合信息数据集进行数据融合，选取融合效果最优的架构类别为该待融合信息数据集的最优融合架构类别；
基于所述预先获取的各待融合信息数据集的融合特征值构建分类决策树。
第三方面，提供一种自适应多传感器信息融合方法，该方法包括：
执行上述任一项所述方法以确定适合待融合信息数据集的融合架构，并基于该融合架构对所述待融合信息数据集进行融合。
第四方面，提供一种自适应多传感器信息融合系统，该系统包括：
如上所述的自适应多传感器信息融合架构选择装置，用于确定适合待融合信息数据集的融合架构；以及
融合装置，用于基于该融合架构对所述待融合信息数据集进行融合。
第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一项所述方法的步骤。
本方案的有益效果如下：
本方案提出的自适应多传感器信息融合架构选择方法，通过选取合适的融合特征建立混合决策树模型，使得在已知试验条件的情况下，能够对所需采用的融合架构进行自动预测。从而提高了融合架构在不同试验条件下使用的自适应性和正确性，减少了人为决策带来的不确定性和局限性。
附图说明
为了更清楚地说明本方案的实施，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本方案的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为集中式融合架构示意图；
图2为分布式融合架构示意图；
图3为自适应多传感器融合架构选择方法流程图；
图4为自适应多传感器融合架构选择装置示意图；
图5为自适应多传感器信息数据融合系统示意图；
图6为实施例的决策树示意图。
具体实施方式
下面将结合附图对本方案的实施方式作进一步地详细描述。显然，所描述的实施例仅是本方案的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本方案中的实施例及实施例中的特征可以相互组合。
说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备，不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
多传感器信息融合技术就是将各种传感器进行多层次、多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释。在这个过程中要充分地利用多源数据进行合理支配与使用，而信息融合的最终目标则是基于各传感器获得的分离观测信息，通过对信息多级别、多方面组合导出更多有用信息。
绝大多数的融合技术都是在特定的应用领域上开展的。因此需要针对实际问题建立直观的融合准则，形成有效的融合方案。如果有了完善的融合理论和融合架构，就能避免融合选择的盲目性。
本方案提供了一种自适应多传感器融合架构选择方法，该方法基于混合决策树的自适应性，利用预先获取的各次试验数据作为样本数据建立分类决策树，基于已经建立的分类决策树，对新获取的待融合信息数据集拟选择的融合架构进行预测，选出在当前条件下适用的架构类别，从而完成对新获取的待融合的多传感器信息数据的融合。
结合图3，本方案提供的一种自适应多传感器信息融合架构选择方法，包括如下步骤：
S100，获取待融合信息数据集的融合特征值；
S200，依据所述融合特征值，利用分类决策树，选择适合所述待融合信息数据集的融合架构类别；
其中，所述分类决策树由以下步骤构建：
分别提取预先获取的各待融合信息数据集的融合特征；
分别采用各融合架构类别对所述预先获取的各待融合信息数据集进行数据融合，选取融合效果最优的架构类别为该待融合信息数据集的最优融合架构类别；
基于所述预先获取的各待融合信息数据集的融合特征值构建分类决策树。在一个实施例中，S200中分类决策树的构建进一步包括：对预先获取的每次试验数据，分别进行集中式融合和分布式融合，在获取了每次试验数据分别采用集中式融合和分布式融合的结果后，确定评价融合架构的考核指标及各指标的权重，考核指标的数量及内容可以根据具体的情况确定。
在一个实施例中，确定的考核指标包括融合精度、处理时延、虚假航迹比例和综合识别概率中的一个或多个。
在一个实施例中，所述融合特征包括传感器数量、传感器组合、资源条件、环境噪声和数据传输速率中的一个或多个。
本方案中，分类决策树的具体构建步骤包括：对预先获取的每次试验数据，分别进行集中式融合和分布式融合，在获取了每次试验数据分别采用集中式融合和分布式融合的结果后，确定评价融合架构的考核指标及各指标的权重；
根据确定的各个考核指标及指标权重，为每个试验样本确定一个融合架构的类别标签。
基于试验样本数据和为试验样本确定的类别标签，进行机器学习，构建分类决策树。
1.输入：
训练样本集D＝{(x1，y1)，(x2，y2)，………(xm，ym)}
其中，x表示每个样本的融合特征，y表示每个样本对应的类别标签；m为正整数；
2.迭代：
a.基于公式(1)和(2)选择信息增益最大的融合特征作为树的根节点；
其中，Ent(D)表示训练样本集D的信息熵，pk表示训练样本集D中第k类样本所占的比例(k＝1,2..|ζ|)，Dv表示在融合特征中特征值为ν的样本子集。
b.选出根节点的划分特征后，依据该融合特征的特征值进行划分，生成第一层分支，由于每个融合特征通常会有多个融合特征值，因此从根节点可以分出多个分支，形成多个第一层分支，而每个分支都会有一个分支节点，每个分支节点包含了对训练样本集D第一次划分之后的部分样本，形成了多个样本子集在每个第一层的分支节点上，基于该分支节点的样本子集，和未用于根节点划分的融合特征，利用公式(1)和(2)计算在该分支节点上信息增益最大的融合特征，然后用该融合特征的特征值对该第一层分支节点进行划分，生成第二层分支及第二层分支节点；依次类推，直到对分支节点标记为叶节点，用类别标签对叶节点进行标记。
3.输出：
输出基于训练样本构建的分类决策树模型。
由于构建的分类决策树是根据训练样本获得的，因此，不同的训练样本集就会获得不同的分类决策树。但依据本方案获得了分类决策树之后就可以利用模型的泛化能力，对所有在融合特征值范围内的数据融合架构进行预测。
比起神经网络训练的复杂性，本方案中依据小样本数据构建的分类决策树在训练和使用时，具有方便易用的特点。
如图4所示，本方案的第二个方面是提供一种自适应多传感器信息融合架构选择装置310，该装置包括：选择单元312。
选择单元312，用于获取待融合信息数据集的融合特征值；并依据所述融合特征值，利用分类决策树，选择适合所述待融合信息数据集的融合架构。
该装置还包括分类单元313，分类单元用于构建分类决策树，包括：
分别提取预先获取的各待融合信息数据集的融合特征；分别采用各融合架构类别对所述预先获取的各待融合信息数据集进行数据融合，选取融合效果最优的架构类别为该待融合信息数据集的最适合的融合架构类别；
基于所述预先获取的各待融合信息数据集的融合特征值构建分类决策树。
第三个方面是提供一种自适应多传感器信息融合方法，包括执行上述的各项选择方法以确定适合待融合信息数据集的融合架构，并基于该融合架构对所述待融合信息数据集进行融合。
如图5所示，本方案的第四个方面是提供一种自适应多传感器信息融合系统，该自适应多传感器信息融合系统300包括：
上述的用于确定适合待融合信息数据集的融合架构的自适应多传感器信息融合架构选择装置310以及基于该融合架构对所述待融合信息数据集进行融合的融合装置320。
在上述选择方法实施方式的基础上，本方案的第五个方面是进一步提供一种计算机可读存储介质。该计算机可读存储介质用于实现上述选择方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本实施例中的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本方案操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如JAvA、C++等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
下面结合图6，对本方案的选择方法进行详细说明。
一.构建分类决策树
1.构建训练样本集
对于多传感器信息源，融合架构的性能主要受传感器的数量、传感器的组合方式、计算/通信资源、环境噪声和数据传输速率等融合特征的影响，因此，如表2所示，每个样本可以用传感器数量、传感器组合、资源条件、环境噪声、数据传输速率这些融合特征及每个样本的编号，和每个样本的类别标签进行表示。
其中，样本的各融合特征的特征值取值情况如下：
传感器数量的取值范围：{较少，较多}，较少为少于7个，较多为大于7个；
传感器组合的取值范围：{[雷达，光电，声震]，[声震，光电]，[声震]}；
资源条件的取值范围：{高性能，一般性能，低性能}；
环境噪声的取值范围：{低，高}，小于35dB为低，大于35dB为高；
数据传输速率的取值范围：{快，慢}；
样本的编号用正整数表示，从1～M；
对每个样本分别进行集中式融合或分布式融合，基于融合结果，使用融合精度，处理时延，虚假航迹比例和综合识别概率四个指标的综合加权值对融合过程及结果进行评价，确定每个样本的标签，四个评价指标的权重如表1所示。
表1
指标 融合精度 处理时延 虚假航迹比例 综合识别概率
权重 0.25 0.35 0.2 0.2
根据四个指标及其权重，确定每个样本的标签，每个样本的融合特征值及每个样本的类别标签情况如表2所示。
表2
编号 传感器数量 传感器组合 资源条件 环境噪声 数据传输速率 类别标签
1 较少 雷光声 高性能 低 慢 集中式
2 较多 声光 一般性能 高 快 分布式
3 较少 雷光声 高性能 低 慢 集中式
4 较多 声光 一般性能 高 快 分布式
5 较少 雷光声 一般性能 高 快 集中式
6 较多 声震 低性能 高 快 分布式
7 较少 声光 高性能 高 慢 集中式
8 较少 雷光声 高性能 低 慢 集中式
9 较多 声光 一般性能 高 快 分布式
10 较少 雷光声 高性能 低 慢 集中式
11 较多 声光 一般性能 低 快 分布式
12 较少 雷光声 低性能 高 快 集中式
13 较多 声震 低性能 高 快 分布式
14 较少 声光 一般性能 高 慢 集中式
15 较少 雷光声 高性能 低 慢 集中式
16 较多 声光 一般性能 高 快 分布式
17 较少 雷光声 高性能 低 慢 集中式
18 较多 声光 一般性能 高 快 分布式
19 较少 雷光声 一般性能 高 快 集中式
20 较多 声震 低性能 高 快 分布式
2.基于获取的训练样本集，构建分类决策树
A.输入：
训练样本集D＝{(x1，y1)，(x2，y2)，………(xm，ym)}；
其中，x表示每个样本的融合特征，y表示每个样本对应的类别标签；
x的取值范围：{传感器数量，传感器组合，资源条件，环境噪声，数据传输速率}；
y的取值范围：{集中式，分布式}；
m为正整数；
B.迭代：
i.基于公式(1)和(2)选择信息增益最大的融合特征作为树的根节点；
其中，Ent(D)表示训练样本集D的信息熵，pk表示训练样本集D中第k类样本所占的比例(k＝1,2..|ζ|)，Dv表示在融合特征中特征值为ν的样本子集。
根据表2和公式(1)及公式(2)对每个融合特征的信息增益进行计算，
Gain(D,传感器数量)＝0.707，
Gain(D,传感器组合)＝0.636，
Gain(D,资源条件)＝0.586，
Gain(D,环境噪声)＝0.523，
Gain(D,数据传输速率)＝0.419，
经过计算，以传感器数量这个融合特征的信息增益最大，因此将传感器数量作为根节点的划分特征，
ii.依据传感器数量的特征值进行划分分类，生成第一层分支，由于传感器数量的特征值为较多和较少，因此从根节点分出2个分支，2个分支的节点分别为第一层第一分支节点和第一层第二分支节点，第一层第一分支节点的样本为第一样本子集，第一层第二分支节点的样本为第二样本子集，例如，在表2中，传感器数量较多的分支节点的样本包括{2，4，6，9，11，13，16，17，20}，则第一层第一分支节点的第一样本子集中包含9个样本，以这9个样本和可用的融合特征集合{传感器组合，资源条件，环境噪声和数据传输速率}，基于第一样本子集，计算出在第一层第一分支节点的4个可用的融合特征的信息增益，
Gain(D较多,传感器组合)＝0.684，
Gain(D较多,资源条件)＝0.523，
Gain(D较多,环境噪声)＝0.471，
Gain(D较多,数据传输速率)＝0.357，
经计算，传感器组合的信息增益最大，因此将传感器组合作为第一层第一分支节点的划分特征，用传感器组合的特征值对传感器组合节点进行划分，得到第二层分支和第二层分支节点，在用雷光声特征值对传感器组合进行划分时，由于在第一样本子集中，传感器组合特征值为雷光声的样本数为零，因此将该分支节点标记为叶节点，并对叶节点进行类别标记，标记的标签由D较多样本集中样本最多的类别决定，在D较多的9个样本中，类别为“分布式”的样本为9个，数量最多因此该叶节点标记的类别标签为分布式。类似地，对其他分支节点进行上述操作，最终得到如图6所示的分类决策树。
如果在一个节点上，有多个特征的信息增益相同，都是最大增益，则可任选其中之一作为划分特征，类似的进行上述操作，得到决策树。
3.输出：
输出基于训练样本构建的分类决策树。
二.基于新获取的多传感器信息数据集，对拟使用的融合架构进行预测，最终选择合适的融合架构。
在新的试验中，输入新获取的传感器数量，传感器组合，资源条件，环境噪声和数据传输速率，从根节点开始，按照每条边的划分特征值可以获得一条从根节点到叶节点的路径，该叶节点即为此次试验采用的融合架构。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (6)

1.一种自适应多传感器信息融合架构选择方法，其特征在于，包括如下步骤：
获取待融合信息数据集的融合特征值；
依据所述融合特征值，利用分类决策树，选择适合所述待融合信息数据集的融合架构类别；
其中，所述分类决策树由以下步骤构建：
分别提取预先获取的各待融合信息数据集的融合特征值；
分别采用各融合架构类别对所述预先获取的各待融合信息数据集进行数据融合，选取融合效果最优的架构类别为该待融合信息数据集的最优融合架构类别；
基于所述预先获取的各待融合信息数据集的融合特征值构建分类决策树；
所述选取融合效果最优的架构类别为该待融合信息数据集的最优融合架构类别进一步包括：
对每个待融合信息数据集分别进行分布式融合和集中式融合，通过多个评价指标加权值确定每个待融合信息数据集的最优融合架构类别；
所述评价指标包括融合精度、处理时延、虚假航迹比例和综合识别概率；
所述融合特征值包括传感器数量、传感器组合、资源条件、环境噪声和数据传输速率。
2.根据权利要求1所述的方法，其特征在于，所述融合架构类别包括分布式和集中式。
3.一种使用如权利要求1至2任一项所述方法的自适应多传感器信息融合架构选择装置，其特征在于，该装置包括：
选择单元，用于获取待融合信息数据集的融合特征值；
依据所述融合特征值，利用分类决策树，选择适合所述待融合信息数据集的融合架构类别；
其中，所述分类决策树由以下步骤构建：
分别提取预先获取的各待融合信息数据集的融合特征值；
分别采用各融合架构类别对所述预先获取的各待融合信息数据集进行数据融合，选取融合效果最优的架构类别为该待融合信息数据集的最优融合架构类别；
基于所述预先获取的各待融合信息数据集的融合特征值构建分类决策树。
4.一种自适应多传感器信息融合方法，其特征在于，执行如权利要求1至2任一项所述方法以确定适合待融合信息数据集的融合架构，并基于该融合架构对所述待融合信息数据集进行融合。
5.一种自适应多传感器信息融合系统，其特征在于，包括：
如权利要求3所述的自适应多传感器信息融合架构选择装置，用于确定适合待融合信息数据集的融合架构；以及融合装置，用于基于该融合架构对所述待融合信息数据集进行融合。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至2任一项所述方法的步骤。
CN202011108308.XA 2020-10-16 2020-10-16 一种自适应多传感器信息融合系统、方法及存储介质 Active CN112149623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011108308.XA CN112149623B (zh) 2020-10-16 2020-10-16 一种自适应多传感器信息融合系统、方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011108308.XA CN112149623B (zh) 2020-10-16 2020-10-16 一种自适应多传感器信息融合系统、方法及存储介质

Publications (2)

Publication Number Publication Date
CN112149623A CN112149623A (zh) 2020-12-29
CN112149623B true CN112149623B (zh) 2023-09-08

Family

ID=73952158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011108308.XA Active CN112149623B (zh) 2020-10-16 2020-10-16 一种自适应多传感器信息融合系统、方法及存储介质

Country Status (1)

Country Link
CN (1) CN112149623B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633706A (zh) * 2023-11-30 2024-03-01 众悦(威海)信息技术有限公司 一种用于信息系统数据融合的数据处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5123057A (en) * 1989-07-28 1992-06-16 Massachusetts Institute Of Technology Model based pattern recognition
CN101465071A (zh) * 2009-01-08 2009-06-24 上海交通大学 多平台目标跟踪与分布交互仿真系统
CN105825239A (zh) * 2016-03-31 2016-08-03 中国科学院电子学研究所 基于稀疏表示的多传感器航迹融合方法
CN110084771A (zh) * 2019-03-11 2019-08-02 中北大学 一种基于集值映射的双模态红外图像分块多算法优化融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10991156B2 (en) * 2018-12-05 2021-04-27 Sri International Multi-modal data fusion for enhanced 3D perception for platforms

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5123057A (en) * 1989-07-28 1992-06-16 Massachusetts Institute Of Technology Model based pattern recognition
CN101465071A (zh) * 2009-01-08 2009-06-24 上海交通大学 多平台目标跟踪与分布交互仿真系统
CN105825239A (zh) * 2016-03-31 2016-08-03 中国科学院电子学研究所 基于稀疏表示的多传感器航迹融合方法
CN110084771A (zh) * 2019-03-11 2019-08-02 中北大学 一种基于集值映射的双模态红外图像分块多算法优化融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
伊万·卡达.自适应传感器融合.情报指挥控制系统与仿真技术.1997,35-41. *

Also Published As

Publication number Publication date
CN112149623A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN111914156B (zh) 自适应标签感知的图卷积网络跨模态检索方法、系统
CN110309514A (zh) 一种语义识别方法及装置
CN110168535A (zh) 一种信息处理方法及终端、计算机存储介质
CN111542841A (zh) 一种内容识别的系统和方法
CN113254785B (zh) 推荐模型训练方法、推荐方法和相关设备
CN110633667B (zh) 一种基于多任务随机森林的动作预测方法
CN112015896B (zh) 基于人工智能的情感分类方法、以及装置
CN116089873A (zh) 模型训练方法、数据分类分级方法、装置、设备及介质
CN113948157B (zh) 化学反应分类方法、装置、电子设备及存储介质
CN112100377A (zh) 文本分类方法、装置、计算机设备和存储介质
Pecori et al. Incremental learning of fuzzy decision trees for streaming data classification
CN103957116A (zh) 一种云故障数据的决策方法及系统
KR20210066545A (ko) 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
CN112214595A (zh) 类别确定方法、装置、设备及介质
CN112819024A (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
CN115759748A (zh) 风险检测模型生成方法和装置、风险个体识别方法和装置
CN112149623B (zh) 一种自适应多传感器信息融合系统、方法及存储介质
CN110019751A (zh) 机器学习模型修改和自然语言处理
CN112463964B (zh) 文本分类及模型训练方法、装置、设备及存储介质
CN114398482A (zh) 一种词典构造方法、装置、电子设备及存储介质
KR20190082453A (ko) 기계학습 모델링을 위한 신규 학습 콘텐츠 분석 방법, 장치 및 컴퓨터 프로그램
CN114429140A (zh) 一种基于相关图信息进行因果推断的案由认定方法及系统
CN112417260B (zh) 本地化推荐方法、装置及存储介质
US11144832B2 (en) System and method for determining optimal solution in a swarm of solutions using swarm intelligence
CN115186096A (zh) 针对特定类型分词的识别方法、装置、介质及电子设备

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