CN117056827A - 一种基于时序ds理论的异步多模态目标级信息融合方法 - Google Patents

一种基于时序ds理论的异步多模态目标级信息融合方法 Download PDF

Info

Publication number
CN117056827A
CN117056827A CN202311034586.9A CN202311034586A CN117056827A CN 117056827 A CN117056827 A CN 117056827A CN 202311034586 A CN202311034586 A CN 202311034586A CN 117056827 A CN117056827 A CN 117056827A
Authority
CN
China
Prior art keywords
theory
sensors
fusion
time sequence
information
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
Application number
CN202311034586.9A
Other languages
English (en)
Inventor
黄学艺
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.)
Hefei Zhongke Automation Control System Co ltd
Original Assignee
Hefei Zhongke Automation Control System Co ltd
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 Hefei Zhongke Automation Control System Co ltd filed Critical Hefei Zhongke Automation Control System Co ltd
Priority to CN202311034586.9A priority Critical patent/CN117056827A/zh
Publication of CN117056827A publication Critical patent/CN117056827A/zh
Pending legal-status Critical Current

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
    • G06F18/241—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于时序DS理论的异步多模态目标级信息融合方法、设备及介质，包括输入传感器数据；对传感器数据进行数据预处理；利用DS证据理论所提供的证据组合方法，判断规则，实现多个传感器的信息融合。本发明改善了在不确定、模糊以及不完整的信息场景下，缩小了融合结果与实际的偏差、提高了调参的效率以及较优的计算结果。并且本发明充分考虑了信息的时序性和来源的多样性，同时利用了DS理论处理信息不确定性的优点，有效地提高了信息融合的效果。

Description

一种基于时序DS理论的异步多模态目标级信息融合方法
技术领域
本发明涉及信息处理技术领域，特别是一种基于时序DS理论的异步多模态目标级信息融合方法、设备及介质。
背景技术
DS(Dempster-Shafer)证据理论是由Dempster于1967年首先提出，之后再由他的学生Shafer进行完善而得到的一种不确定性推理计算方法。该方法得到了各个领域的广泛应用。但是DS证据理论在实际应用过程中也存在着一些不足：传统融合规则无法解决的证据冲突问题。DS理论的主要作用是Dempster合成规则，即将多个主体(可以是不同的人的预测、不同的传感器的数据、不同的分类器的输出结果等等)相融合。
目前现有的目标融合算法主要有三种，分别为：(1)对于单传感器的情况，由于没有多余传感器进行融合，直接使用传感器观测值作为融合目标；(2)对于多传感器的情况，需要根据传感器特性进行人工调参，对于不同传感器分配不同的权重进行融合效率较低；(3)通过联合数据关联滤波器(JPDAF)进行目标融合。然而，相关技术中的目标融合算法在不确定、模糊以及不完整的信息场景下，会导致融合结果与实际偏差较大、通过人工调参降低效率以及计算结果较差等问题，亟需进行改善。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的基于时序DS理论的信息融合方法存在的问题，提出了本发明。
因此，本发明所要解决的问题在于如何提供一种基于时序DS理论的异步多模态目标级信息融合方法。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种基于时序DS理论的异步多模态目标级信息融合方法，其包括输入传感器数据。
对传感器数据进行数据预处理。
利用DS证据理论所提供的证据组合方法，判断规则，实现多个传感器的信息融合。
作为本发明所述基于时序DS理论的信息融合方法的一种优选方案，其中：所述对传感器数据进行数据预处理包括对不同传感器在不同的状态下进行相应的权值分配。
作为本发明所述基于时序DS理论的信息融合方法的一种优选方案，其中：所述对不同传感器在不同的状态下进行相应的权值分配包括基本概率分配和组合规则；
所述基本概率分配通过如下公式表示：
在识别框架Θ上的基本概率分配为一个2Θ→[0,1]的函数m，称为mass函数，并满足：
m(φ)＝0，
其中，当m(A)>0时，A为焦元，m(A)＝0表示对A的信任程度。
所述组合规则包括：通过DS证据理论合成规则，对于上的两个mass函数m1，m2的Dempster合成通过如下公式表示：
其中，对于假设A，合成的mass函数位所有相交有A的就两个假设进行两个mass函数计算后乘积的和，再除以归一化系数K，通过如下公式表示：
作为本发明所述基于时序DS理论的信息融合方法的一种优选方案，其中：所述组合规则还包括，对于n个mass函数的Dempster合成通过如下公式表示：
其中，归一化系数K通过如下公式表示：
其中，1-K反映了证据的冲突程度。
作为本发明所述基于时序DS理论的信息融合方法的一种优选方案，其中：所述判断规则包括：设满足
其中，若m(A1)-m(A2)>ε1，m(Θ)<ε2，m(A1)>m(Θ)，则A1为判决结果，ε1，ε2为预先设定的门限，Θ为不确定集合。
作为本发明所述基于时序DS理论的信息融合方法的一种优选方案，其中：所述利用DS证据理论所提供的证据组合方法，判断规则，实现多个传感器的信息融合包括如下步骤：
获取基于融合目标得到的多个传感器的共同关联对象；
计算所述共同关联对象的冲突系数；
判断冲突系数，得出融合结果。
作为本发明所述基于时序DS理论的信息融合方法的一种优选方案，其中：所述判断冲突系数包括如下内容：
若所述冲突系数小于或等于所述预设阈值，则利用预设DS证据理论计算多个传感器的权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值，并将所述融合观测值作为融合结果；
若所述冲突系数大于预设阈值，则将多个传感器的视觉观测值中的最小视觉观测值作为所述融合结果。
作为本发明所述基于时序DS理论的信息融合方法的一种优选方案，其中：所述利用预设DS证据理论计算所述多个传感器的权重，包括如下步骤：
根据多个传感器的目标特性确定证据理论的证据体和焦元个数；
根据多个传感器的目标特性分配所述证据体的概率；
基于所述预设DS证据理论，根据证据体的概率和焦元个数计算组合基本概率，并将组合基本概率作为所述多个传感器的权重。
第二方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述方法的任一步骤。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述方法的任一步骤。
本发明有益效果为改善了在不确定、模糊以及不完整的信息场景下，缩小了融合结果与实际的偏差、提高了调参的效率以及较优的计算结果。并且本发明充分考虑了信息的时序性和来源的多样性，同时利用了DS理论处理信息不确定性的优点，有效地提高了信息融合的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为基于时序DS理论的信息融合方法的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明第一个实施例，该实施例提供了一种基于时序DS理论的异步多模态目标级信息融合方法，包括：
S1、从不同模态的传感器或数据源获取信息并进行预处理。
S2、时序化处理并基于DS理论构建信念函数。
具体的，对传感器数据进行数据预处理包括对不同传感器在不同的状态下进行相应的权值分配。
进一步的，对不同传感器在不同的状态下进行相应的权值分配包括基本概率分配和组合规则。
其中，基本概率分配通过如下公式表示：
在识别框架Θ上的基本概率分配为一个2Θ→[0,1]的函数m，称为mass函数，并满足：
m(φ)＝0，
其中，当m(A)>0时，A为焦元，m(A)＝0表示对A的信任程度。
进一步的，组合规则包括：通过DS证据理论合成规则，对于上的两个mass函数m1，m2的Dempster合成通过如下公式表示：
其中，对于假设A，合成的mass函数位所有相交有A的就两个假设进行两个mass函数计算后乘积的和，再除以归一化系数K，通过如下公式表示：
此外，对于n个mass函数的Dempster合成通过如下公式表示：
其中，归一化系数K通过如下公式表示：
其中，1-K反映了证据的冲突程度。
S3、将不同模态的信念函数进行融合。
进一步的，S3包括如下步骤：
S3.1获取基于融合目标得到的多个传感器的共同关联对象。
S3.2计算共同关联对象的冲突系数。
S3.3判断冲突系数，得出融合结果。
具体的，判断规则包括：设满足
其中，若m(A1)-m(A2)>ε1，m(Θ)<ε2，m(A1)>m(Θ)，则A1为判决结果，ε1，ε2为预先设定的门限，Θ为不确定集合。
进一步的，对于判断冲突系数，包括，
若所述冲突系数小于或等于预设阈值，则利用预设DS证据理论计算多个传感器的权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值，并将融合观测值作为融合结果；
若冲突系数大于预设阈值，则将多个传感器的视觉观测值中的最小视觉观测值作为融合结果。
进一步的，可以将冲突系数分为中等冲突系数和高度系数。
具体的，中等冲突系数处理方式为：如果冲突系数在预设阈值和另一个设定阈值(称为高级阈值)之间，可以采用一种介于DS证据理论融合和最小值法之间的策略。具体来说，引入一种冲突缓解机制，例如，基于各个传感器的历史表现或信任度调整它们的权重，或者对冲突较大的传感器观测值施加一种“惩罚”机制，降低其在决策中的影响。预设阈值设为0.3。这意味着，当冲突系数小于或等于0.3时，冲突是可以接受的，可以使用预设的DS证据理论进行信息融合。
具体的，高度冲突系数处理方式为：如果冲突系数超过高级阈值，这意味着不同传感器之间的观测结果存在高度不一致或冲突，此时仅仅采用最小观测值可能过于保守。在这种情况下，引入一种更为复杂的冲突处理机制，例如基于模糊逻辑、神经网络或其他机器学习方法来处理这种高度冲突的情况。这样的方法可能需要更多的计算资源，但可能提供更好的冲突处理结果。高级阈值设为0.6。这意味着，当冲突系数在0.3和0.6之间时，可认为冲突程度中等，需要使用一种介于DS证据理论和最小值法之间的策略进行信息融合；当冲突系数大于0.6时，冲突程度较大，需要使用更复杂的冲突处理机制进行信息融合。将预设阈值设为0.3，高级阈值设为0.6是因为0.3和0.6都是介于0和1之间的数字，可以很直观地表示冲突程度的不同级别：0.3表示较低的冲突，0.6表示较高的冲突。这两个阈值将冲突程度分为三个级别，也即，冲突系数在0.3和0.6、冲突系数大于0.6和冲突系数小于或等于0.3，这使得处理策略可以更灵活地适应不同程度的冲突。此外，设置0.3作为预设阈值可以保证在冲突程度较低时，使用基于DS证据理论的融合策略，这是比较安全的策略；设置0.6作为高级阈值可以保证在冲突程度较高时，采取更为谨慎的处理策略，如最小值法或其他更复杂的冲突处理机制。
其中，利用预设DS证据理论计算所述多个传感器的权重，包括如下步骤：
根据多个传感器的目标特性确定证据理论的证据体和焦元个数；
根据多个传感器的目标特性分配所述证据体的概率；
基于预设DS证据理论，根据证据体的概率和焦元个数计算组合基本概率，并将组合基本概率作为所述多个传感器的权重。
S4基于融合后的信念函数，生成目标级的信息。
本实施例还提供一种计算机设备，适用于基于时序DS理论的信息融合方法的情况，包括：
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的电力台区户变关系识别方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的基于时序DS理论的信息融合方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例2
参照图1，为本发明第二个实施例，在第一个实施例的基础之上，一种基于时序DS理论的异步多模态目标级信息融合方法还包括信任函数(Belief Function)、似然函数(plausibility Function)和信任区间。
其中，信任函数Bel:2u→[0,1]
表示A的全部子集的基本概率分配函数之和。
进一步的，似然函数
需要说明的是，似然函数表示不否认A的信任度，是所有与A相交的子集的基本概率分配之和。
更进一步的，信任区间[Bel(A)，pl(A)]表示命题A的信任区间，Bel(A)表示信任函数为下限，pl(A)表示似真函数为上限。如(0.25,0.85),表示A为真有0.25的信任度，A为假有0.15的信任度，A不确定度为0.6。
需要说明的是，本发明所述方法适用于所有信息融合，也包括多模态融合Multimodal Fusion(也称多源信息融合Multi-source Information Fusion，多传感器融合(Multi-sensor Fusion)。具体的，多模态融合是指综合来自两个或多个模态的信息以进行预测的过程。在预测的过程中，单个模态通常不能包含产生精确预测结果所需的全部有效信息，多模态融合过程结合了来自两个或多个模态的信息，实现信息补充，拓宽输入数据所包含信息的覆盖范围，提升预测结果的精度，提高预测模型的鲁棒性。
进一步的，传统的DS理论信息融合方法通常假设所有的信息源都是同步的，即所有的数据都在同一时间点可用。然而，本发明考虑了现实中常见的异步情况，即数据可能在不同的时间点产生。本发明提出了一种新的方法来处理这种异步情况，使得信息融合方法能够应对更复杂、更真实的情况。
更进一步的，传统的DS理论信息融合方法通常只处理单一模态的数据，或者假设所有的模态数据都可以被统一处理。然而，本发明明确考虑了数据可能来自不同的模态，每种模态可能有其自身的特性和问题。本发明提出了一种新的方法来处理这种多模态情况，使得信息融合方法能够更好地利用各种模态的信息，提高信息融合的效果。
最后，传统的DS理论信息融合方法通常只关注在信念函数级别的信息融合，即融合各个信息源的信念函数。然而，本发明进一步提出了一种生成目标级信息的方法，使得信息融合的结果不仅限于信念函数，还可以生成对应于具体目标的信息。这种目标级信息可能更直观、更易于理解和使用。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于时序DS理论的异步多模态目标级信息融合方法，其特征在于：包括，
从不同模态的传感器或数据源获取信息并进行预处理；
时序化处理并基于DS理论构建信念函数；
将不同模态的信念函数进行融合；
基于融合后的信念函数，生成目标级的信息。
2.如权利要求1所述的基于时序DS理论的信息融合方法，其特征在于：所述从不同模态的传感器或数据源获取信息包括以下步骤：
确定信息源；
选择合适的传感器或数据接口；
设定数据采集参数并进行数据采集；
所述对传感器数据进行数据预处理包括如下步骤：
数据清洗；
数据标准化；
通过PCA进行特征提取；
对不同传感器在不同的状态下进行相应的权值分配。
3.如权利要求2所述的基于时序DS理论的信息融合方法，其特征在于：所述对不同传感器在不同的状态下进行相应的权值分配包括基本概率分配和组合规则；
所述基本概率分配通过如下公式表示：
在识别框架Θ上的基本概率分配为一个2Θ→[0,1]的函数m，称为mass函数，并满足：
m(φ)＝0，
其中，当m(A)>0时，A为焦元，m(A)＝0表示对A的信任程度。
所述组合规则包括：通过DS证据理论合成规则，对于上的两个mass函数m1，m2的Dempster合成通过如下公式表示：
其中，对于假设A，合成的mass函数位所有相交有A的就两个假设进行两个mass函数计算后乘积的和，再除以归一化系数K，通过如下公式表示：
4.如权利要求3所述的基于时序DS理论的信息融合方法，其特征在于：所述组合规则还包括，对于n个mass函数的Dempster合成通过如下公式表示：
其中，归一化系数K通过如下公式表示：
其中，1-K反映了证据的冲突程度。
5.如权利要求4所述的基于时序DS理论的信息融合方法，其特征在于：所述判断规则包括：设满足
其中，若m(A1)-m(A2)>ε1，m(Θ)<ε2，m(A1)>m(Θ)，则A1为判决结果，ε1，ε2为预先设定的门限，Θ为不确定集合。
6.如权利要求5所述的基于时序DS理论的信息融合方法，其特征在于：所述利用DS证据理论所提供的证据组合方法，判断规则，实现多个传感器的信息融合包括如下步骤：
获取基于融合目标得到的多个传感器的共同关联对象；
计算所述共同关联对象的冲突系数；
判断冲突系数，得出融合结果。
7.如权利要求6所述的基于时序DS理论的信息融合方法，其特征在于：所述判断冲突系数包括如下内容：
若所述冲突系数小于或等于所述预设阈值，则利用预设DS证据理论计算多个传感器的权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值，并将所述融合观测值作为融合结果；
若所述冲突系数大于预设阈值，则将多个传感器的视觉观测值中的最小视觉观测值作为所述融合结果。
8.如权利要求7所述的一种基于时序DS理论的异步多模态目标级信息融合方法，其特征在于：所述利用预设DS证据理论计算所述多个传感器的权重，包括如下步骤：
根据多个传感器的目标特性确定证据理论的证据体和焦元个数；
根据多个传感器的目标特性分配所述证据体的概率；
基于所述预设DS证据理论，根据证据体的概率和焦元个数计算组合基本概率，并将组合基本概率作为所述多个传感器的权重。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～8任一所述方法的步骤。
10.一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：所述计算机程序被处理器执行时实现权利要求1～8任一所述方法的步骤。
CN202311034586.9A 2023-08-15 2023-08-15 一种基于时序ds理论的异步多模态目标级信息融合方法 Pending CN117056827A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311034586.9A CN117056827A (zh) 2023-08-15 2023-08-15 一种基于时序ds理论的异步多模态目标级信息融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311034586.9A CN117056827A (zh) 2023-08-15 2023-08-15 一种基于时序ds理论的异步多模态目标级信息融合方法

Publications (1)

Publication Number Publication Date
CN117056827A true CN117056827A (zh) 2023-11-14

Family

ID=88668840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311034586.9A Pending CN117056827A (zh) 2023-08-15 2023-08-15 一种基于时序ds理论的异步多模态目标级信息融合方法

Country Status (1)

Country Link
CN (1) CN117056827A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763793A (zh) * 2018-06-01 2018-11-06 电子科技大学 一种加权模糊型d-s证据理论框架
CN110796194A (zh) * 2019-10-29 2020-02-14 中国人民解放军国防科技大学 一种用于多传感器信息的目标检测结果融合判定方法
CN112721939A (zh) * 2021-01-15 2021-04-30 南京航空航天大学 一种基于多传感器融合的驾驶员制动意图识别方法
CN114648052A (zh) * 2020-12-18 2022-06-21 武汉智行者科技有限公司 一种基于ds证据理论的多传感器信息融合算法
CN114936601A (zh) * 2022-05-27 2022-08-23 杭州电子科技大学 一种基于加权特征融合的多传感器信息融合方法
CN115270930A (zh) * 2022-06-30 2022-11-01 重庆长安汽车股份有限公司 基于ds证据理论的目标融合方法、装置、车辆及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763793A (zh) * 2018-06-01 2018-11-06 电子科技大学 一种加权模糊型d-s证据理论框架
CN110796194A (zh) * 2019-10-29 2020-02-14 中国人民解放军国防科技大学 一种用于多传感器信息的目标检测结果融合判定方法
CN114648052A (zh) * 2020-12-18 2022-06-21 武汉智行者科技有限公司 一种基于ds证据理论的多传感器信息融合算法
CN112721939A (zh) * 2021-01-15 2021-04-30 南京航空航天大学 一种基于多传感器融合的驾驶员制动意图识别方法
CN114936601A (zh) * 2022-05-27 2022-08-23 杭州电子科技大学 一种基于加权特征融合的多传感器信息融合方法
CN115270930A (zh) * 2022-06-30 2022-11-01 重庆长安汽车股份有限公司 基于ds证据理论的目标融合方法、装置、车辆及介质

Similar Documents

Publication Publication Date Title
US10803385B2 (en) Device including battery
US20180137329A1 (en) User authentication method using fingerprint image and method of generating coded model for user authentication
US11537901B2 (en) System and method for unsupervised domain adaptation with mixup training
Chella et al. Perceptual anchoring via conceptual spaces
Stern et al. Optimal consensus intuitive hand gesture vocabulary design
CN110287775B (zh) 手掌图像裁剪方法、装置、计算机设备及存储介质
CN111832468A (zh) 基于生物识别的手势识别方法、装置、计算机设备及介质
CN112883149A (zh) 一种自然语言处理方法以及装置
JP6771105B2 (ja) フィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムおよびその動作方法。
CN110119746B (zh) 一种特征识别方法及装置、计算机可读存储介质
WO2023231753A1 (zh) 一种神经网络的训练方法、数据的处理方法以及设备
CN112633463A (zh) 用于建模序列数据中长期依赖性的双重递归神经网络架构
US20210133424A1 (en) Anti-spoofing method and apparatus for biometric recognition
WO2023051215A1 (zh) 注视点获取方法、装置、电子设备及可读存储介质
EP4318322A1 (en) Data processing method and related device
CN117056827A (zh) 一种基于时序ds理论的异步多模态目标级信息融合方法
CN112863654B (zh) 一种心脏冠脉血管的自动化命名方法及装置
CN116168053B (zh) 息肉分割模型的训练方法、息肉分割方法及相关装置
CN110298944B (zh) 静脉解锁方法和静脉解锁装置
de Campos Souza et al. Evolving fuzzy neural classifier that integrates uncertainty from human-expert feedback
CN116263617A (zh) 手部自由度的修正方法、装置、设备及存储介质
Durugkar et al. Wasserstein distance maximizing intrinsic control
CN115661890A (zh) 模型训练方法、人脸识别方法、装置、设备及介质
CN115019359A (zh) 一种云用户身份识别任务分配与并行处理方法
AU2005255410A1 (en) System and method for feature identification in digital images based on rule extraction

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