CN112949472A - 一种基于多传感器信息融合的协同感知方法 - Google Patents
一种基于多传感器信息融合的协同感知方法 Download PDFInfo
- Publication number
- CN112949472A CN112949472A CN202110222114.0A CN202110222114A CN112949472A CN 112949472 A CN112949472 A CN 112949472A CN 202110222114 A CN202110222114 A CN 202110222114A CN 112949472 A CN112949472 A CN 112949472A
- Authority
- CN
- China
- Prior art keywords
- cooperative
- signals
- information
- method based
- learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 230000008447 perception Effects 0.000 claims abstract description 18
- 238000011160 research Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000000691 measurement method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims description 16
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 10
- 230000001149 cognitive effect Effects 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000004438 eyesight Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000018109 developmental process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000036992 cognitive tasks Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/24155—Bayesian classification
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种基于多传感器信息融合的协同感知方法，包括以下步骤：步骤一、模拟信号，并建立信号模型，同时将信号传输至各个节点；步骤二、各个传感器节点分类识别该信号，并将信号进行分类，将分类后的信号传输至不同的处理器中；步骤三、计算机节点可信度，提供复杂制造环境下的协同控制与决策；本发明通过设置面向开放环境的自适应感知，针对应用场景变换易导致智能系统性能急剧下降问题，发展适应能力强的层次化网络结构、可连续学习的机器学习策略及一般性效能度量方法，突破无监督学习、经验记忆利用、内隐知识发现与引导及注意力选择等难点，研究基于跨媒体的人类常识知识形成的机器学习新方法。
Description
技术领域
本发明属于人工智能技术领域，具体涉及一种基于多传感器信息融合的协同感知方法。
背景技术
人工智能亦称智械、机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。该词也指出研究这样的智能系统是否能够实现，以及如何实现。人工智能于一般教材中的定义领域是“智能主体的研究与设计”，智能主体指一个可以观察周遭环境并作出行动以达致目标的系统。约翰·麦卡锡于1955年的定义是“制造智能机器的科学与工程”。安德里亚斯·卡普兰和迈克尔·海恩莱因将人工智能定义为“系统正确解释外部数据，从这些数据中学习，并利用这些知识通过灵活适应实现特定目标和任务的能力”。人工智能的研究是高度技术性和专业的，各分支领域都是深入且各不相通的，因而涉及范围极广。聚焦人工智能重大科学前沿问题，以突破人工智能基础机理、模型和算法瓶颈为重点，重点布局可能引发人工智能范式变革的新一代人工智能基础理论研究，为人工智能持续发展与深度应用，提供强大科学储备项目面向重大科学前沿和原始创新，申请者应针对研究目标明确应用需求背景，凝练核心科学问题，提出能够形成本方向具有国际影响力的可验证系统(包括验证数据库、验证环境和验证结果等)，鼓励代码开源和数据共享，但是现有传感器信息融合的协同感知存在以下问题：
一、现有传感器信息融合的协同感知，面向开放环境应用场景变换易导致智能系统性能急剧下降；
二、此外现有传感器信息融合的协同感知，不方便面向离散制造业和流程工业中复杂多维度人机物协同；
三、最后现有传感器信息融合的协同感知，不方便在针对无人系统自主智能精准感知与操控。
发明内容
本发明要解决的技术问题是克服现有的缺陷，提供一种基于多传感器信息融合的协同感知方法，以解决上述背景技术中提出的面向开放环境应用场景变换易导致智能系统性能急剧下降的问题。
为实现上述目的，本发明提供如下技术方案：一种基于多传感器信息融合的协同感知方法，包括以下步骤：
步骤一、模拟信号，并建立信号模型，同时将信号传输至各个节点；
步骤二、各个传感器节点分类识别该信号，并将信号进行分类，将分类后的信号传输至不同的处理器中；
步骤三、计算机节点可信度，提供复杂制造环境下的协同控制与决策；
步骤四、计算节点可靠性，跨媒体内容管理、跨模态医疗分析等重大需求，实现可回溯、可解释的类人跨媒体智能推理系统；
步骤五、对计算出的函数进行加密处理，认知任务下的场景主动感知技术；
步骤六、建立智能基础支撑体系角度；
步骤七、进行下一次协同决策。
优选的，所述步骤一，包括协同管理单元、故障诊断单元、信息判断单元、信息推理单元、信息融合单元、感知学习单元和多源异构信息协同决策单元，信号输入端用于连接多源异构传感器节点模型，信号输出端连接多源异构信息协同决策单元，协同管理单元用于对各个单元间的合作进行管理，通过对传感器设备的信息采集与分析的任务进行分解，向各功能单元分配任务，并根据任务执行情况对各单元提出的协同请求进行回应；故障诊断单元用于实现故障的诊断任务；信息判断单元用于实现诊断所需信息的判断，接受信息融合部中其它单元提出的判断请求，进行信息的判断，并将判断结果反馈给提出的判断请求的单元；信息推理单元用于实现不确定信息的推理，根据概率模型，应用贝叶斯网络推理公式计算各有向弧对应事件发生的后验概率，并提供给多源异构信息协同决策单元作为推理诊断的依据，针对应用场景变换易导致智能系统性能急剧下降问题，发展适应能力强的层次化网络结构、可连续学习的机器学习策略及一般性效能度量方法，突破无监督学习、经验记忆利用、内隐知识发现与引导及注意力。
优选的，所述步骤二，各个传感器节点分类识别该信号，并将信号进行分类，将分类后的信号传输至不同的处理器中，研究基于跨媒体的人类常识知识形成的机器学习新方法，并在常识知识支持下对跨媒体数据进行自底向上的深度抽象和归纳，有效管控不确定性的自顶向下演绎和推理，建立符号逻辑推理、归纳学习和直觉顿悟相互协调补充的新模型和方法，针对人类经济活动、人机对抗等非完全信息条件下的博弈特点，结合机器学习、控制论、博弈论等领域进展，研究不确定复杂环境下的动力学机制，将对抗学习、强化学习与动态博弈论进行融合。
优选的，所述步骤三，面向离散制造业和流程工业中复杂多维度人机物协同问题，研究跨层、跨域的分布式网络化协同控制方法，突破人机物三元协同决策与优化理论，实现人机物的虚实融合与动态调度，探索无人加工生产线的重构及人机共融智能交互等。
优选的，所述步骤四，利用贝叶斯公式将节点的可靠性分解为节点的互信度与可信度，从节点的监测结果相互支持、节点监测结果的不确定性、节点的历史分类正确率、节点接收目标信号的信噪比和环境影响等方面分别对节点的互信度和可信度进行了推导和建模，该模型涵盖了影响节点可靠性的各种因素，并对各种因素进行了合理分析和量化，实现了高可靠性的智能辅助决策。
优选的，所述步骤五，包括函数加密生成装置，通过函数加密生成装置对函数进行加密，输入的随机种子和原始密钥，根据原始密钥生成R轮迭代计算所需的轮密钥，其中R轮迭代计算所需的轮密钥包括第r轮的轮密钥，R表示生成加密函数所需的迭代计算的轮数，R是正整数并且1≤r≤R；通过使用随机数产生器并且根据随机种子生成R轮迭代计算所需的仿射扩张掩码和R轮迭代计算所需的随机干扰数据，其中仿射扩张掩码用于将m比特数据仿射地变换成n比特数据，m和n是预设正整数，n>m，R轮迭代计算所需的仿射扩张掩码包括第r轮的仿射扩张掩码，并且R轮迭代计算所需的随机干扰数据包括第r轮的随机干扰数据以此完成对函数的加密。
优选的，所述步骤六，建立智能基础支撑体系角度使新型感知器件与芯片可以模拟生物视、听、触、嗅等感知通道的信号处理和信息加工机理，研制新型感知器件、芯片以及相应的神经网络感知信息表示、处理、分析和识别算法模型，开发功能类似生物、性能超越生物的感知系统并实现功能验证，神经网络处理器关键标准与验证芯片设计支持训练和推理的神经网络计算指令集，制定神经网络表示与压缩标准，在此基础上开发高效基础算法库和接口标准，实现配套开发工具链，建立开放的、不依赖于具体芯片实现方式的芯片平台标准，实现软硬件系统接口的统一化，实现支持上述指令集、算法库、标准及开发接口的验证芯片和示例应用。
优选的，所述步骤七，计算结束，回到步骤一开始下一次计算。
优选的，所述利用贝叶斯公式ε＝∑^n*εili(Iai+Ibi+Ici)/∑^n*li(Iai+Ibi+Ici)×100％，采用对称分量法，按照每一段线路各相流经的电量，计算出各自的三相不平衡度，然后以每一档线路的长度为加权，计算出整条线路的三相负荷统计不平衡度，式中：下标i＝1.2...n，下标a、b和c分别表示变压器的三相，ε为线路的三相负荷统计不平衡度；εi为线路每一档线路的三相负荷不平衡度；li为线路每一档线路的长度；Iai,Ibi,Ici分别为线路每一档线路的各相电流大小。
优选的，所述博弈，研究开放、动态、复杂环境下的大规模群体协作的组织架构、行为模式和激励机制，建立可表达、可计算、可调控的复合式激励算法，探索个体贡献汇聚成群体智能的涌现机理和演化规律，突破面向全局目标的群体智能演进方法和时空敏感的群体智能协同决策，研究不确定性、脆弱性和开放性条件下的任务建模、环境建模和人类行为建模，发展人在回路的机器学习方法及混合增强智能评价方法，把人对复杂问题分析与响应的高级认知机制与机器智能系统紧密耦合，有效避免由于人工智能技术的局限性引发的决策风险和系统失控。
与现有技术相比，本发明提供了一种基于多传感器信息融合的协同感知方法，具备以下有益效果：
1、本发明通过设置面向开放环境的自适应感知，针对应用场景变换易导致智能系统性能急剧下降问题，发展适应能力强的层次化网络结构、可连续学习的机器学习策略及一般性效能度量方法，突破无监督学习、经验记忆利用、内隐知识发现与引导及注意力选择等难点，研究基于跨媒体的人类常识知识形成的机器学习新方法，并在常识知识支持下对跨媒体数据进行自底向上的深度抽象和归纳，有效管控不确定性的自顶向下演绎和推理，建立符号逻辑推理、归纳学习和直觉顿悟相互协调补充的新模型和方法，支持跨媒体知识的不一致性分析，针对人类经济活动、人机对抗等非完全信息条件下的博弈特点，结合机器学习、控制论、博弈论等领域进展，研究不确定复杂环境下的动力学机制，将对抗学习、强化学习与动态博弈论进行融合，博弈；
2、本发明通过设置人在回路的混合增强智能，研究不确定性、脆弱性和开放性条件下的任务建模、环境建模和人类行为建模，发展人在回路的机器学习方法及混合增强智能评价方法，把人对复杂问题分析与响应的高级认知机制与机器智能系统紧密耦合，有效避免由于人工智能技术的局限性引发的决策风险和系统失控；
3、本发明通过设置认知任务下的场景主动感知技术，针对复杂环境中的自主定位、目标搜寻、场景分析和解释等认知要求，研究自然场景的主动视觉感知、三维环境动态建模和定位技术；研究复杂场景中声学环境探测与基于听觉反馈机理的言语主动感知技术；研究视听觉协同的从自然场景主动发现新目标及其属性知识的认知技术；
4、本发明通过设置人机协同软硬件技术研究，研究构造软硬件一体化的人机协同技术平台，研究适应真实世界情境理解与协同决策的模型与方法；研究人机协同中混合人类直觉、经验、行为的新型学习方法；研究环境和情景的自然理解、大规模知识的处理技术等；
5、本发明通过设置无人系统自主智能精准感知与操控，针对海、陆、空、天无人平台等自主智能发展需求，研究无约束环境、资源受限条件下的基于多传感器信息融合的协同感知方法；研究复杂场景下多源异构感知对象快速精准的分割、检测、定位、跟踪和识别方法；研究大范围场景地图构建、自主定位、透彻感知与动态认知等语义建模和理解方法等；研究复杂环境下面向多任务的协同、柔顺、精准操控方法。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制，在附图中：
图1为本发明提出的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种基于多传感器信息融合的协同感知方法，包括以下步骤：
步骤一、模拟信号，并建立信号模型，同时将信号传输至各个节点；
步骤二、各个传感器节点分类识别该信号，并将信号进行分类，将分类后的信号传输至不同的处理器中；
步骤三、计算机节点可信度，提供复杂制造环境下的协同控制与决策；
步骤四、计算节点可靠性，跨媒体内容管理、跨模态医疗分析等重大需求，实现可回溯、可解释的类人跨媒体智能推理系统；
步骤五、对计算出的函数进行加密处理，认知任务下的场景主动感知技术；
步骤六、建立智能基础支撑体系角度；
步骤七、进行下一次协同决策。
本发明中，优选的，所述步骤一，包括协同管理单元、故障诊断单元、信息判断单元、信息推理单元、信息融合单元、感知学习单元和多源异构信息协同决策单元，信号输入端用于连接多源异构传感器节点模型，信号输出端连接多源异构信息协同决策单元，协同管理单元用于对各个单元间的合作进行管理，通过对传感器设备的信息采集与分析的任务进行分解，向各功能单元分配任务，并根据任务执行情况对各单元提出的协同请求进行回应；故障诊断单元用于实现故障的诊断任务；信息判断单元用于实现诊断所需信息的判断，接受信息融合部中其它单元提出的判断请求，进行信息的判断，并将判断结果反馈给提出的判断请求的单元；信息推理单元用于实现不确定信息的推理，根据概率模型，应用贝叶斯网络推理公式计算各有向弧对应事件发生的后验概率，并提供给多源异构信息协同决策单元作为推理诊断的依据，针对应用场景变换易导致智能系统性能急剧下降问题，发展适应能力强的层次化网络结构、可连续学习的机器学习策略及一般性效能度量方法，突破无监督学习、经验记忆利用、内隐知识发现与引导及注意力，本发明通过设置面向开放环境的自适应感知，针对应用场景变换易导致智能系统性能急剧下降问题，发展适应能力强的层次化网络结构、可连续学习的机器学习策略及一般性效能度量方法，突破无监督学习、经验记忆利用、内隐知识发现与引导及注意力选择等难点，研究基于跨媒体的人类常识知识形成的机器学习新方法，并在常识知识支持下对跨媒体数据进行自底向上的深度抽象和归纳，有效管控不确定性的自顶向下演绎和推理，建立符号逻辑推理、归纳学习和直觉顿悟相互协调补充的新模型和方法，支持跨媒体知识的不一致性分析，针对人类经济活动、人机对抗等非完全信息条件下的博弈特点，结合机器学习、控制论、博弈论等领域进展，研究不确定复杂环境下的动力学机制，将对抗学习、强化学习与动态博弈论进行融合，博弈。
本发明中，优选的，所述步骤二，各个传感器节点分类识别该信号，并将信号进行分类，将分类后的信号传输至不同的处理器中，研究基于跨媒体的人类常识知识形成的机器学习新方法，并在常识知识支持下对跨媒体数据进行自底向上的深度抽象和归纳，有效管控不确定性的自顶向下演绎和推理，建立符号逻辑推理、归纳学习和直觉顿悟相互协调补充的新模型和方法，针对人类经济活动、人机对抗等非完全信息条件下的博弈特点，结合机器学习、控制论、博弈论等领域进展，研究不确定复杂环境下的动力学机制，将对抗学习、强化学习与动态博弈论进行融合，本发明通过设置人在回路的混合增强智能，研究不确定性、脆弱性和开放性条件下的任务建模、环境建模和人类行为建模，发展人在回路的机器学习方法及混合增强智能评价方法，把人对复杂问题分析与响应的高级认知机制与机器智能系统紧密耦合，有效避免由于人工智能技术的局限性引发的决策风险和系统失控。
本发明中，优选的，所述步骤三，面向离散制造业和流程工业中复杂多维度人机物协同问题，研究跨层、跨域的分布式网络化协同控制方法，突破人机物三元协同决策与优化理论，实现人机物的虚实融合与动态调度，探索无人加工生产线的重构及人机共融智能交互等，本发明通过设置认知任务下的场景主动感知技术，针对复杂环境中的自主定位、目标搜寻、场景分析和解释等认知要求，研究自然场景的主动视觉感知、三维环境动态建模和定位技术；研究复杂场景中声学环境探测与基于听觉反馈机理的言语主动感知技术；研究视听觉协同的从自然场景主动发现新目标及其属性知识的认知技术。
本发明中，优选的，所述步骤四，利用贝叶斯公式将节点的可靠性分解为节点的互信度与可信度，从节点的监测结果相互支持、节点监测结果的不确定性、节点的历史分类正确率、节点接收目标信号的信噪比和环境影响等方面分别对节点的互信度和可信度进行了推导和建模，该模型涵盖了影响节点可靠性的各种因素，并对各种因素进行了合理分析和量化，实现了高可靠性的智能辅助决策，本发明通过设置人机协同软硬件技术研究，研究构造软硬件一体化的人机协同技术平台，研究适应真实世界情境理解与协同决策的模型与方法；研究人机协同中混合人类直觉、经验、行为的新型学习方法；研究环境和情景的自然理解、大规模知识的处理技术等。
本发明中，优选的，所述步骤五，包括函数加密生成装置，通过函数加密生成装置对函数进行加密，输入的随机种子和原始密钥，根据原始密钥生成R轮迭代计算所需的轮密钥，其中R轮迭代计算所需的轮密钥包括第r轮的轮密钥，R表示生成加密函数所需的迭代计算的轮数，R是正整数并且1≤r≤R；通过使用随机数产生器并且根据随机种子生成R轮迭代计算所需的仿射扩张掩码和R轮迭代计算所需的随机干扰数据，其中仿射扩张掩码用于将m比特数据仿射地变换成n比特数据，m和n是预设正整数，n>m，R轮迭代计算所需的仿射扩张掩码包括第r轮的仿射扩张掩码，并且R轮迭代计算所需的随机干扰数据包括第r轮的随机干扰数据以此完成对函数的加密。
本发明中，优选的，所述步骤六，建立智能基础支撑体系角度使新型感知器件与芯片可以模拟生物视、听、触、嗅等感知通道的信号处理和信息加工机理，研制新型感知器件、芯片以及相应的神经网络感知信息表示、处理、分析和识别算法模型，开发功能类似生物、性能超越生物的感知系统并实现功能验证，神经网络处理器关键标准与验证芯片设计支持训练和推理的神经网络计算指令集，制定神经网络表示与压缩标准，在此基础上开发高效基础算法库和接口标准，实现配套开发工具链，建立开放的、不依赖于具体芯片实现方式的芯片平台标准，实现软硬件系统接口的统一化，实现支持上述指令集、算法库、标准及开发接口的验证芯片和示例应用。
本发明中，优选的，所述步骤七，计算结束，回到步骤一开始下一次计算。
本发明中，优选的，所述利用贝叶斯公式ε＝∑^n*εili(Iai+Ibi+Ici)/∑^n*li(Iai+Ibi+Ici)×100％，采用对称分量法，按照每一段线路各相流经的电量，计算出各自的三相不平衡度，然后以每一档线路的长度为加权，计算出整条线路的三相负荷统计不平衡度，式中：下标i＝1.2...n，下标a、b和c分别表示变压器的三相，ε为线路的三相负荷统计不平衡度；εi为线路每一档线路的三相负荷不平衡度；li为线路每一档线路的长度；Iai,Ibi,Ici分别为线路每一档线路的各相电流大小。
本发明中，优选的，所述博弈，研究开放、动态、复杂环境下的大规模群体协作的组织架构、行为模式和激励机制，建立可表达、可计算、可调控的复合式激励算法，探索个体贡献汇聚成群体智能的涌现机理和演化规律，突破面向全局目标的群体智能演进方法和时空敏感的群体智能协同决策，研究不确定性、脆弱性和开放性条件下的任务建模、环境建模和人类行为建模，发展人在回路的机器学习方法及混合增强智能评价方法，把人对复杂问题分析与响应的高级认知机制与机器智能系统紧密耦合，有效避免由于人工智能技术的局限性引发的决策风险和系统失控，本发明通过设置无人系统自主智能精准感知与操控，针对海、陆、空、天无人平台等自主智能发展需求，研究无约束环境、资源受限条件下的基于多传感器信息融合的协同感知方法；研究复杂场景下多源异构感知对象快速精准的分割、检测、定位、跟踪和识别方法；研究大范围场景地图构建、自主定位、透彻感知与动态认知等语义建模和理解方法等；研究复杂环境下面向多任务的协同、柔顺、精准操控方法。
本发明的工作原理及使用流程：使用时，模拟信号，并建立信号模型，同时将信号传输至各个节点，各个传感器节点分类识别该信号，并将信号进行分类，将分类后的信号传输至不同的处理器中，计算机节点可信度，提供复杂制造环境下的协同控制与决策，计算节点可靠性，跨媒体内容管理、跨模态医疗分析等重大需求，实现可回溯、可解释的类人跨媒体智能推理系统，对计算出的函数进行加密处理，认知任务下的场景主动感知技术，建立智能基础支撑体系角度，进行下一次协同决策。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于多传感器信息融合的协同感知方法，其特征在于：包括以下步骤：
步骤一、模拟信号，并建立信号模型，同时将信号传输至各个节点；
步骤二、各个传感器节点分类识别该信号，并将信号进行分类，将分类后的信号传输至不同的处理器中；
步骤三、计算机节点可信度，提供复杂制造环境下的协同控制与决策；
步骤四、计算节点可靠性，跨媒体内容管理、跨模态医疗分析等重大需求，实现可回溯、可解释的类人跨媒体智能推理系统；
步骤五、对计算出的函数进行加密处理，认知任务下的场景主动感知技术；
步骤六、建立智能基础支撑体系角度；
步骤七、进行下一次协同决策。
2.根据权利要求1所述的一种基于多传感器信息融合的协同感知方法，其特征在于：所述步骤一，包括协同管理单元、故障诊断单元、信息判断单元、信息推理单元、信息融合单元、感知学习单元和多源异构信息协同决策单元，信号输入端用于连接多源异构传感器节点模型，信号输出端连接多源异构信息协同决策单元，协同管理单元用于对各个单元间的合作进行管理，通过对传感器设备的信息采集与分析的任务进行分解，向各功能单元分配任务，并根据任务执行情况对各单元提出的协同请求进行回应；故障诊断单元用于实现故障的诊断任务；信息判断单元用于实现诊断所需信息的判断，接受信息融合部中其它单元提出的判断请求，进行信息的判断，并将判断结果反馈给提出的判断请求的单元；信息推理单元用于实现不确定信息的推理，根据概率模型，应用贝叶斯网络推理公式计算各有向弧对应事件发生的后验概率，并提供给多源异构信息协同决策单元作为推理诊断的依据，针对应用场景变换易导致智能系统性能急剧下降问题，发展适应能力强的层次化网络结构、可连续学习的机器学习策略及一般性效能度量方法，突破无监督学习、经验记忆利用、内隐知识发现与引导及注意力。
3.根据权利要求1所述的一种基于多传感器信息融合的协同感知方法，其特征在于：所述步骤二，各个传感器节点分类识别该信号，并将信号进行分类，将分类后的信号传输至不同的处理器中，研究基于跨媒体的人类常识知识形成的机器学习新方法，并在常识知识支持下对跨媒体数据进行自底向上的深度抽象和归纳，有效管控不确定性的自顶向下演绎和推理，建立符号逻辑推理、归纳学习和直觉顿悟相互协调补充的新模型和方法，针对人类经济活动、人机对抗等非完全信息条件下的博弈特点，结合机器学习、控制论、博弈论等领域进展，研究不确定复杂环境下的动力学机制，将对抗学习、强化学习与动态博弈论进行融合。
4.根据权利要求1所述的一种基于多传感器信息融合的协同感知方法，其特征在于：所述步骤三，面向离散制造业和流程工业中复杂多维度人机物协同问题，研究跨层、跨域的分布式网络化协同控制方法，突破人机物三元协同决策与优化理论，实现人机物的虚实融合与动态调度，探索无人加工生产线的重构及人机共融智能交互等。
5.根据权利要求1所述的一种基于多传感器信息融合的协同感知方法，其特征在于：所述步骤四，利用贝叶斯公式将节点的可靠性分解为节点的互信度与可信度，从节点的监测结果相互支持、节点监测结果的不确定性、节点的历史分类正确率、节点接收目标信号的信噪比和环境影响等方面分别对节点的互信度和可信度进行了推导和建模，该模型涵盖了影响节点可靠性的各种因素，并对各种因素进行了合理分析和量化，实现了高可靠性的智能辅助决策。
6.根据权利要求3所述的一种基于多传感器信息融合的协同感知方法，其特征在于：所述步骤五，包括函数加密生成装置，通过函数加密生成装置对函数进行加密，输入的随机种子和原始密钥，根据原始密钥生成R轮迭代计算所需的轮密钥，其中R轮迭代计算所需的轮密钥包括第r轮的轮密钥，R表示生成加密函数所需的迭代计算的轮数，R是正整数并且1≤r≤R；通过使用随机数产生器并且根据随机种子生成R轮迭代计算所需的仿射扩张掩码和R轮迭代计算所需的随机干扰数据，其中仿射扩张掩码用于将m比特数据仿射地变换成n比特数据，m和n是预设正整数，n>m，R轮迭代计算所需的仿射扩张掩码包括第r轮的仿射扩张掩码，并且R轮迭代计算所需的随机干扰数据包括第r轮的随机干扰数据以此完成对函数的加密。
7.根据权利要求1所述的一种基于多传感器信息融合的协同感知方法，其特征在于：所述步骤六，建立智能基础支撑体系角度使新型感知器件与芯片可以模拟生物视、听、触、嗅等感知通道的信号处理和信息加工机理，研制新型感知器件、芯片以及相应的神经网络感知信息表示、处理、分析和识别算法模型，开发功能类似生物、性能超越生物的感知系统并实现功能验证，神经网络处理器关键标准与验证芯片设计支持训练和推理的神经网络计算指令集，制定神经网络表示与压缩标准，在此基础上开发高效基础算法库和接口标准，实现配套开发工具链，建立开放的、不依赖于具体芯片实现方式的芯片平台标准，实现软硬件系统接口的统一化，实现支持上述指令集、算法库、标准及开发接口的验证芯片和示例应用。
8.根据权利要求1所述的一种基于多传感器信息融合的协同感知方法，其特征在于：所述步骤七，计算结束，回到步骤一开始下一次计算。
9.根据权利要求5所述的一种基于多传感器信息融合的协同感知方法，其特征在于：所述利用贝叶斯公式ε＝∑^n*εili(Iai+Ibi+Ici)/∑^n*li(Iai+Ibi+Ici)×100％，采用对称分量法，按照每一段线路各相流经的电量，计算出各自的三相不平衡度，然后以每一档线路的长度为加权，计算出整条线路的三相负荷统计不平衡度，式中：下标i＝1.2...n，下标a、b和c分别表示变压器的三相，ε为线路的三相负荷统计不平衡度；εi为线路每一档线路的三相负荷不平衡度；li为线路每一档线路的长度；Iai,Ibi,Ici分别为线路每一档线路的各相电流大小。
10.根据权利要求3所述的一种基于多传感器信息融合的协同感知方法，其特征在于：所述博弈，研究开放、动态、复杂环境下的大规模群体协作的组织架构、行为模式和激励机制，建立可表达、可计算、可调控的复合式激励算法，探索个体贡献汇聚成群体智能的涌现机理和演化规律，突破面向全局目标的群体智能演进方法和时空敏感的群体智能协同决策，研究不确定性、脆弱性和开放性条件下的任务建模、环境建模和人类行为建模，发展人在回路的机器学习方法及混合增强智能评价方法，把人对复杂问题分析与响应的高级认知机制与机器智能系统紧密耦合，有效避免由于人工智能技术的局限性引发的决策风险和系统失控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110222114.0A CN112949472A (zh) | 2021-02-28 | 2021-02-28 | 一种基于多传感器信息融合的协同感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110222114.0A CN112949472A (zh) | 2021-02-28 | 2021-02-28 | 一种基于多传感器信息融合的协同感知方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112949472A true CN112949472A (zh) | 2021-06-11 |
Family
ID=76246748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110222114.0A Pending CN112949472A (zh) | 2021-02-28 | 2021-02-28 | 一种基于多传感器信息融合的协同感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949472A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113804332A (zh) * | 2021-09-16 | 2021-12-17 | 浙江衡玖医疗器械有限责任公司 | 基于超声成像系统的温感元件阵列故障诊断方法及其应用 |
| CN114692777A (zh) * | 2022-04-13 | 2022-07-01 | 山东浪潮科学研究院有限公司 | 一种基于多传感器和微型机器学习的智慧农业管理方法 |
| CN115150439A (zh) * | 2022-09-02 | 2022-10-04 | 北京电科智芯科技有限公司 | 感知数据的解析方法、系统及存储介质、电子设备 |
| CN115630288A (zh) * | 2022-12-20 | 2023-01-20 | 中国电子科技集团公司第十四研究所 | 一种多源特征多层次综合识别处理架构 |
| CN117171409A (zh) * | 2023-11-02 | 2023-12-05 | 南通透灵信息科技有限公司 | 基于mes系统的生产可视化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105372534A (zh) * | 2015-12-04 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种多传感器多参量信息智能融合系统 |
| CN106663387A (zh) * | 2014-09-18 | 2017-05-10 | 华为国际有限公司 | 加密函数和解密函数生成方法、加密和解密方法以及相关装置 |
| US20180239991A1 (en) * | 2015-05-15 | 2018-08-23 | Airfusion, Inc. | Portable apparatus and method for decision support for real time automated multisensor data fusion and analysis |
-
2021
- 2021-02-28 CN CN202110222114.0A patent/CN112949472A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106663387A (zh) * | 2014-09-18 | 2017-05-10 | 华为国际有限公司 | 加密函数和解密函数生成方法、加密和解密方法以及相关装置 |
| US20180239991A1 (en) * | 2015-05-15 | 2018-08-23 | Airfusion, Inc. | Portable apparatus and method for decision support for real time automated multisensor data fusion and analysis |
| CN105372534A (zh) * | 2015-12-04 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种多传感器多参量信息智能融合系统 |
Non-Patent Citations (1)
| Title |
|---|
| 战略前沿技术: "科技创新2030—"新一代人工智能" 重大项目2018年度项目申报指南", 《搜狐，HTTPS://WWW.SOHU.COM/A/259628770_465915》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113804332A (zh) * | 2021-09-16 | 2021-12-17 | 浙江衡玖医疗器械有限责任公司 | 基于超声成像系统的温感元件阵列故障诊断方法及其应用 |
| CN113804332B (zh) * | 2021-09-16 | 2024-06-04 | 浙江衡玖医疗器械有限责任公司 | 基于超声成像系统的温感元件阵列故障诊断方法及其应用 |
| CN114692777A (zh) * | 2022-04-13 | 2022-07-01 | 山东浪潮科学研究院有限公司 | 一种基于多传感器和微型机器学习的智慧农业管理方法 |
| CN115150439A (zh) * | 2022-09-02 | 2022-10-04 | 北京电科智芯科技有限公司 | 感知数据的解析方法、系统及存储介质、电子设备 |
| CN115150439B (zh) * | 2022-09-02 | 2023-01-24 | 北京电科智芯科技有限公司 | 感知数据的解析方法、系统及存储介质、电子设备 |
| CN115630288A (zh) * | 2022-12-20 | 2023-01-20 | 中国电子科技集团公司第十四研究所 | 一种多源特征多层次综合识别处理架构 |
| CN117171409A (zh) * | 2023-11-02 | 2023-12-05 | 南通透灵信息科技有限公司 | 基于mes系统的生产可视化方法 |
| CN117171409B (zh) * | 2023-11-02 | 2023-12-26 | 南通透灵信息科技有限公司 | 基于mes系统的生产可视化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949472A (zh) | 一种基于多传感器信息融合的协同感知方法 | |
| Wan et al. | Artificial intelligence for cloud-assisted smart factory | |
| Cao et al. | Multiobjective evolution of the explainable fuzzy rough neural network with gene expression programming | |
| Windarto et al. | Implementation of artificial intelligence in predicting the value of Indonesian oil and gas exports with BP algorithm | |
| Ali et al. | Type-2 fuzzy ontology-based semantic knowledge for collision avoidance of autonomous underwater vehicles | |
| Pulgar-Rubio et al. | MEFASD-BD: multi-objective evolutionary fuzzy algorithm for subgroup discovery in big data environments-a mapreduce solution | |
| Banerjee et al. | A decade of the Z-numbers | |
| CN112307622A (zh) | 一种用于计算机生成兵力的自主规划系统及规划方法 | |
| Xu et al. | Bipolar fuzzy Petri nets for knowledge representation and acquisition considering non-cooperative behaviors | |
| Moghdani et al. | An improved volleyball premier league algorithm based on sine cosine algorithm for global optimization problem | |
| Yin et al. | Dynamic data mining of sensor data | |
| Hu et al. | An optimization strategy for weighted extreme learning machine based on PSO | |
| Agarwal et al. | A hybrid genetic algorithm and particle swarm optimization with type-2 fuzzy sets for generating systems of systems architectures | |
| Jiang et al. | Modeling, reasoning, and application of fuzzy Petri net model: a survey | |
| Hu et al. | On Transforming Reinforcement Learning With Transformers: The Development Trajectory | |
| Michel et al. | Weak interaction and strong interaction in agent based simulations | |
| Zhu et al. | Tri-HGNN: Learning triple policies fused hierarchical graph neural networks for pedestrian trajectory prediction | |
| Kim et al. | Transient Stability Assessment Using Deep Transfer Learning | |
| Zhang et al. | A bilevel task allocation method for heterogeneous multi-UUV recovery system | |
| Wu et al. | A novel trajectory generator based on a constrained GAN and a latent variables predictor | |
| Chang et al. | A survey of group intelligence optimization algorithms | |
| Yang et al. | Neural Information Processing: 27th International Conference, ICONIP 2020, Bangkok, Thailand, November 23–27, 2020, Proceedings, Part II | |
| EL KHAOUAT¹ et al. | A systematic literature review on prediction models in microgrids | |
| Shi et al. | Fuzzy Petri Nets for Knowledge Representation, Acquisition and Reasoning | |
| Caudell et al. | eLoom and Flatland: specification, simulation and visualization engines for the study of arbitrary hierarchical neural architectures |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |