CN117150440B - 一种基于信息不确定性的多源信息融合方法及装置 - Google Patents
一种基于信息不确定性的多源信息融合方法及装置 Download PDFInfo
- Publication number
- CN117150440B CN117150440B CN202311437906.5A CN202311437906A CN117150440B CN 117150440 B CN117150440 B CN 117150440B CN 202311437906 A CN202311437906 A CN 202311437906A CN 117150440 B CN117150440 B CN 117150440B
- Authority
- CN
- China
- Prior art keywords
- information
- uncertainty
- power set
- information source
- elements
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims description 13
- 238000012937 correction Methods 0.000 claims abstract description 74
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000005286 illumination Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 8
- 230000008030 elimination Effects 0.000 abstract 2
- 238000003379 elimination reaction Methods 0.000 abstract 2
- 238000011002 quantification Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 49
- 230000015654 memory Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书涉及数据处理技术领域，尤其涉及一种基于信息不确定性的多源信息融合方法及装置。包括，按照一定的规则处理采集的原始信息，并获取信息的隶属度和质量特征，并进行信息不确定性的量化和消除，信息不确定性的量化包括信息源不确定性和信息与目标元素相关度，信息不确定性消除包括不确定性修正因子的获取和对信息信度的修正，最后于融合消除不确定性后的多源信息，并计算多源信息融合历史正确率，实现信息质量的自适应更新和优化。通过本说明书实施例，实现多源信息不确定性的有效管理，提高多源信息融合的准确率。
Description
技术领域
本说明书涉及数据处理技术领域，尤其涉及一种基于信息不确定性的多源信息融合方法及装置。
背景技术
作为普适计算的核心技术之一，情景感知技术的主要任务是及时且准确地获取物理环境、用户行为以及时间等所需信息，来帮助系统做出正确的决策，进而为用户提供智能化的服务。作为情景感知系统中的关键一环，多源信息融合的准确率与系统的智能化水平息息相关。多源信息融合技术旨在将不同来源的信息进行融合与处理，得到更全面和准确的分析结果，从而为系统决策提供支持和参考。
在智慧司法、数字家庭、医疗诊断、交通管理等领域中，融合不同信息源的数据可以帮助决策者更全面地了解情况，做出更准确的判断和决策。但由于环境的高动态性、网络故障、不同标准的数据来源等因素，系统所获取的情景信息往往存在不确定性，这将降低多源数据融合的准确性，进而导致系统做出错误的决策，从而影响用户体验。
现在亟需一种基于信息不确定性的多源信息融合方法，从而解决现有技术中获取到的信息存在不确定性，导致多源数据融合的准确性低的问题。
发明内容
为解决现有技术中存在的问题，本说明书实施例提供了涉及一种基于信息不确定性的多源信息融合方法及装置，实现多源信息不确定性的有效管理，提高多源信息融合的准确率。
为了解决上述技术问题中的任意一种，本说明书的具体技术方案如下：
本说明书实施例提供了一种基于信息不确定性的多源信息融合方法，包括：
根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度，所述幂集中包括所述识别框架的全部元素；
根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度；
根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子，并利用所述第一不确定性修正因子对所述信息源对应幂集中各元素的初始信度进行第一修正，得到所述幂集中各元素的第一信度；
根据所述幂集中各元素的信度函数值和似然函数值构造所述幂集中各元素的信度区间，其中所述信度函数值和似然函数值是根据所述第一信度计算得到的；
根据所述识别框架中元素的信度区间以及预设的置信区间之间的相关度计算所述识别框架中各元素的第二不确定性修正因子，并利用所述第二不确定性修正因子对所述幂集中各元素的初始信度进行第二修正，得到所述幂集中各元素的第二信度；
使用D-S证据理论中的证据组合规则，对各信息源的幂集中各元素的第二信度进行融合，得到各信息源的识别框架中各元素对应的最终信度，并将所述最终信度最高的元素作为各信息源采集到的信息融合后的不确定性结果。
进一步地，所述识别框架中包括两个互斥元素的非空集合Θ={θ 1,θ 2}，所述幂集中包括22个元素，表示为2Θ={, {θ 1}, {θ 2}, {θ 1,θ 2}}。
进一步地，根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度的公式为：
；
其中，m k ()、m k ({θ 1})、m k ({θ 2})、m k ({θ 1,θ 2})分别表示第k个信息源对应的幂集2Θ中四个元素、{θ 1}、{θ 2}、{θ 1,θ 2}的初始信度，m k 表示第k个信息源，cqoc(m k )表示根据第k个信息源的信息质量计算的第k个信息源的综合信息质量，membership表示识别框架Θ={θ 1,θ 2}中元素θ 1的隶属度，1-membership表示识别框架Θ={θ 1,θ 2}中元素θ 2的隶属度。
进一步地，根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度进一步包括：
根据一个信息源的所述幂集中各元素的初始信度计算该信息源对应的邓熵，将所述邓熵作为该信息源的信息不确定性；
根据各信息源的幂集中各元素的初始信度分别计算任意两个信息源之间的Hellinger距离，将所述Hellinger距离作为对应的两个信息源中一个信息源与另一个信息源之间的信息源关联程度。
进一步地，根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子的公式为：
其中，RSIVC(m k )表示第k个信息源的幂集中各元素的第一不确定性修正因子，distance(m k )表示第k个信息源与其他信息源之间的信息源关联程度之和，Ed(m k )表示第k个信息源的信息不确定性。
进一步地，根据所述幂集中各元素的信度函数值和似然函数值构造所述幂集中各元素的信度区间进一步包括：
针对所述幂集中的一个元素，将该元素的信度函数值作为该元素的信度区间的下限值，将该元素的似然函数值作为该元素的信度区间的上限值。
进一步地，计算所述识别框架中元素的信度区间以及预设的置信区间之间的相关度的公式为：
；
其中，表示所述相关度，表示第i个信息源m i 中元素B的信度区间，B∈Θ，UI 0B =[d 1,d 2]，UI 0B 表示所述置信区间，d 1和d 2分别为所述置信区间的下限值和上限值，n表示所述识别框架中元素的个数，
表示第i个信息源的识别框架中的元素{A}的信度函数值，表示第i个信息源的识别框架中的元素{B}的信度函数值，表示第i个信息源的识别框架中的元素{A}的似然函数值，表示第i个信息源的识别框架中的元素{B}的似然函数值。
进一步地，根据所述识别框架中元素的信度区间以及预设的置信区间之间的相关度计算所述识别框架中各元素的第二不确定性修正因子的公式为：
；
其中，表示第i个信息源m i 中元素B的第二不确定性修正因子，M表示信息源的个数。
进一步地，利用所述第二不确定性修正因子对所述幂集中各元素的初始信度进行第二修正的公式为：
；
其中，m’’ k ()、m’’ k ({θ 1})、m’’ k ({θ 2})、m’’ k ({θ 1,θ 2})分别表示第k个信息源对应的幂集2Θ中四个元素、{θ 1}、{θ 2}、{θ 1,θ 2}的第二信度，m’ k ()、m’ k ({θ 1})、m’ k ({θ 2})、m’ k ({θ 1,θ 2})分别表示第k个信息源对应的幂集2Θ中四个元素、{θ 1}、{θ 2}、{θ 1,θ 2}的第一信度，sup({θ 1})表示元素{θ 1}的第二不确定性修正因子，sup({θ 2})表示元素{θ 2}的第二不确定性修正因子。
最后，本说明书实施例还提供了一种基于信息不确定性的多源信息融合装置，包括：
初始信度计算单元，用于根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度，所述幂集中包括所述识别框架的全部元素；
初始信度分析单元，用于根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度；
第一修正单元，用于根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子，并利用所述第一不确定性修正因子对所述信息源对应幂集中各元素的初始信度进行第一修正，得到所述幂集中各元素的第一信度；
信度区间计算单元，用于根据所述幂集中各元素的信度函数值和似然函数值构造所述幂集中各元素的信度区间，其中所述信度函数值和似然函数值是根据所述第一信度计算得到的；
第二修正单元，用于根据所述识别框架中元素的信度区间以及预设的置信区间之间的相关度计算所述识别框架中各元素的第二不确定性修正因子，并利用所述第二不确定性修正因子对所述幂集中各元素的初始信度进行第二修正，得到所述幂集中各元素的第二信度；
融合单元，用于使用D-S证据理论中的证据组合规则，对各信息源的幂集中各元素的第二信度进行融合，得到各信息源的识别框架中各元素对应的最终信度，并将所述最终信度最高的元素作为各信息源采集到的信息融合后的不确定性结果。
利用本说明书实施例，从信息源自身的不确定性和信息与其幂集中各元素之间的对应程度两方面综合度量信息的不确定性，并构造不确定性修正因子对信息的信度进行修正，从而消除信息的不确定性，确保多源信息融合后的可靠性，提高多源信息融合的准确性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书的一些实施例，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所示为本说明书实施例一种基于信息不确定性的多源信息融合方法的实施系统示意图；
图2所示为本说明书实施例一种基于信息不确定性的多源信息融合方法的流程示意图；
图3所示为本说明书实施例中计算信息源的信息不确定性和信息源关联程度的步骤；
图4所示为本说明书实施例一种基于信息不确定性的多源信息融合装置的结构示意图；
图5所示为本说明书实施例计算机设备的结构示意图。
【附图标记说明】：
101、终端；
102、服务器；
401、初始信度计算单元；
402、初始信度分析单元；
403、第一修正单元；
404、信度区间计算单元；
405、第二修正单元；
406、融合单元；
502、计算机设备；
504、处理器；
506、存储器；
508、驱动机构；
510、输入/输出模块；
512、输入设备；
514、输出设备；
516、呈现设备；
518、图形用户接口；
520、网络接口；
522、通信链路；
524、通信总线。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
需要说明的是，本说明书的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本说明书的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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、装置、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。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示为本说明书实施例一种基于信息不确定性的多源信息融合方法的实施系统示意图，可以包括：多个终端101以及至少一个服务器102，终端101和服务器102之间通过网络进行通信，网络可以包括局域网(Local Area Network，简称为LAN)、广域网(WideArea Network，简称为WAN)、因特网或其组合，并连接至网站、用户设备(例如计算设备)和后端系统。终端101可以为传感器或数据采集系统，用于采集数据，在本说明书实施例中，多个传感器可以部署在同一空间内的多个不同数据采集点处，然后各传感器将采集到的数据发送给服务器102，服务器102对多个传感器的采集到的数据不确定性进行融合，得到最终确定的结果。例如，多个传感器用于采集室内温度，部署在室内的不同位置处，但因为多个传感器部署的位置不同，采集的结果也不同，现有技术很难根据多个传感器采集到的温度值判断目前室内的温度的高低情况。本说明书实施例所述的基于信息不确定性的多源信息融合方法可以实现该目的。
可选地，服务器102可以是云计算系统的节点(图中未显示)，或者每个服务器102可以是单独的云计算系统，包括由网络互连并作为分布式处理系统工作的多台计算机。
此外，需要说明的是，图1所示的仅仅是本公开提供的一种应用环境，在实际应用中，还可以包括其他应用场景，例如智慧司法、数字家庭、医疗诊断、交通管理等领域，对基于多个信息源采集到的信息不确定性对多源信息进行融合，得到最终确定性的结果。本说明书不做限制。
为了解决现有技术中存在的问题，本说明书实施例提供了一种基于信息不确定性的多源信息融合方法，实现多源信息不确定性的有效管理，提高多源信息融合的准确率。图2所示为本说明书实施例一种基于信息不确定性的多源信息融合方法的流程示意图。在本图中描述了对多源信息进行融合的过程，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图2所示，可以由服务器102执行，所述方法可以包括：
步骤201：根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度，所述幂集中包括所述识别框架的全部元素；
步骤202：根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度；
步骤203：根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子，并利用所述第一不确定性修正因子对所述信息源对应幂集中各元素的初始信度进行第一修正，得到所述幂集中各元素的第一信度；
步骤204：根据所述幂集中各元素的信度函数值和似然函数值构造所述幂集中各元素的信度区间，其中所述信度函数值和似然函数值是根据所述第一信度计算得到的；
步骤205：根据所述识别框架中元素的信度区间以及预设的置信区间之间的相关度计算所述识别框架中各元素的第二不确定性修正因子，并利用所述第二不确定性修正因子对所述幂集中各元素的初始信度进行第二修正，得到所述幂集中各元素的第二信度；
步骤206：使用D-S证据理论中的证据组合规则，对各信息源的幂集中各元素的第二信度进行融合，得到各信息源的识别框架中各元素对应的最终信度，并将所述最终信度最高的元素作为各信息源采集到的信息融合后的不确定性结果。
通过本说明书实施例的方法，从信息源自身的不确定性和信息与其幂集中各元素之间的对应程度两方面综合度量信息的不确定性，并构造不确定性修正因子对信息的信度进行修正，从而消除信息的不确定性，确保多源信息融合后的可靠性，提高多源信息融合的准确性。
普适计算：表示要求计算设备在不完全依赖服务请求的前提下主动提供智能计算服务，强调以人为中心，即“融入到人们的日常生活中，而技术本身从人们的视线中消失”，在普适计算模式下，用户能够随时随地获取数字化服务。
情景感知技术：主要任务是及时且准确地获取所需信息，以协助系统做出正确的决策，进而为用户提供智能化的服务。
情景感知系统：利用情景感知技术，根据当前情景信息向用户提供与其任务相关的信息或服务的系统。
信息质量（Quality of Context，QoC）：传感器收集到的情景信息与当前环境及情景信息使用者需求的一致程度。QoC参数是对QoC的定量化描述，常用的参数有可靠性（reliability）、更新度（up-to-dateness）、正确性（correctness）、完整性（completeness）和重要性程度（significance）等。
隶属函数：表示元素x对模糊集A的隶属程度，隶属函数的取值为[0,1]，越接近1表明元素x对模糊集A的隶属程度越高。
Dempster-Shafer（D-S）证据理论：一种基于概率论的推理框架，用于处理不完备信息和不确定性问题。
识别框架：包括n个互斥元素的非空集合Θ={θ 1,θ 2,... ,θ n }。
幂集：包括2n个元素，表示为2Θ={, {θ 1}, {θ 2}, ... , {θ n }, {θ 1,θ 2}, {θ 1,θ 2,...,θ n-1}, ... , Θ}。
本说明书实施例的识别框架中包括两个互斥元素的非空集合Θ={θ 1,θ 2}，所述幂集中包括22个元素，表示为2Θ={, {θ 1}, {θ 2}, {θ 1,θ 2}}。
似然函数值：对于识别框架Θ，似然函数值用来表示不反对命题的程度。
信度函数值：对于识别框架Θ，信度函数用来表示给予命题的最大支持程度。
在本说明书实施例中，首先实时采集实体的不同属性信息或同一属性的不同来源信息，作为原始信息，然后将采集到的原始信息存储在数据库中，便于后续的融合计算。
然后根据不同场景的需求，设置一个阈值或区间，将采集到的原始信息进行二分类，判断不同来源的信息是否存在不确定性问题，得到识别框架Θ={θ 1,θ 2}，其中元素θ 1可以用1表示，表示存在不确定性，元素θ 2可以用0表示，表示不存在不确定性。示例性地，例如采集光照强度，当采集的光照强度信息在[300,500]范围内时，光照强度正常，用“1”表示，否则，光照强度异常，用“0”表示，当多个传感器的信息相同时，那么所获得的多源信息不存在不确定性，否则存在不确定性，此时识别框架为 Θ={0,1}，幂集2Θ={, {0}, {1}, {0,1}}，预处理后的情景信息为一个仅由“0”和“1”组成的M×N维矩阵，其中M为信息源的个数，N为每个信息源所获取的情景信息的个数。
然后计算识别框架Θ={θ 1,θ 2}中各元素的隶属度。可以根据信息类型选择相应的隶属度函数。示例性地，元素“1”所需的隶属函数必须满足这样的条件：越接近阈值区间的中值，隶属度越高；越远离阈值区间的中值，隶属度就越低，因此，在该实施例中选择了两边低、中间高的高斯隶属函数，得到元素“1”的隶属度membership。
然后计算各信息源的信息质量以量化所获取的信息的质量，在该实施例中选择可靠性、更新度、正确性参数，所选参数分别表征信息源的可靠程度、信息在时间上的新旧程度和数据本身的准确程度，从信息源的外部特征和数据的内部特征等多个角度体现信息的综合质量。
本说明书实施例根据处理后的数据计算信息的质量参数，并根据不同场景的需求动态自适应调整不同参数的权重，比如选择可靠性（reliability）、更新度（up_to_ dateness）、正确性（correctness）三个参数，设置其权值分别为1/3，则信息的综合信息质量如公式（1）所示：cqoc(m k )=( reliability(m k )+up_to_dateness(m k )+ correctness(m k ))/3 （1）
其中，cqoc(m k )表示第k个信息源m k 对应的综合信息质量，reliability(m k ) 示第k个信息源m k 对应的可靠性，up_to_dateness(m k )表示第k个信息源m k 对应的更新度，correctness(m k )表示第k个信息源m k 对应的正确性。
然后根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度。具体地，根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度的公式为（2）：
（2）
其中，m k ()、m k ({θ 1})、m k ({θ 2})、m k ({θ 1,θ 2})分别表示第k个信息源对应的幂集2Θ中四个元素、{θ 1}、{θ 2}、{θ 1,θ 2}的初始信度，m k 表示第k个信息源，cqoc(m k )表示根据第k个信息源的信息质量计算的第k个信息源的综合信息质量，membership表示识别框架Θ={θ 1,θ 2}中元素θ 1的隶属度，1-membership表示识别框架Θ={θ 1,θ 2}中元素θ 2的隶属度。
然后根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度。
具体地，如图3所示，根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度进一步包括：
步骤301：根据一个信息源的所述幂集中各元素的初始信度计算该信息源对应的邓熵，将所述邓熵作为该信息源的信息不确定性；
在本步骤中，使用邓熵量化信息源的信息不确定的公式为（3）：
（3）
其中，Ed(m k )表示第k个信息源的信息不确定性，m k (A)表示第k个信息源m k 的幂集中元素{A}的初始信度，|A|表示元素{A}的基数。
步骤302：根据各信息源的幂集中各元素的初始信度分别计算任意两个信息源之间的Hellinger距离，将所述Hellinger距离作为对应的两个信息源中一个信息源与另一个信息源之间的信息源关联程度。
在本步骤中，根据各信息源的幂集中各元素的初始信度分别计算任意两个信息源之间的Hellinger距离的公式为（4）：
（4）
其中，dis(m i ,m j )表示信息源m i 和信息源m j 之间的Hellinger距离。
然后根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子。具体地，根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子的公式为（5）：
（5）
其中，RSIVC(m k )表示第k个信息源的幂集中各元素的第一不确定性修正因子，distance(m k )表示第k个信息源与其他信息源之间的信息源关联程度之和，Ed(m k )表示第k个信息源的信息不确定性。
然后利用所述第一不确定性修正因子对所述信息源对应幂集中各元素的初始信度进行第一修正。具体地，第一修正的公式为（6）：m’ k ({A})=RSIVC(m k )×m k ({A}) （6）
其中，m’ k ({A})表示第k个信息源对应的幂集2Θ中元素{A}的第一信度，m k ({A})表示第k个信息源对应的幂集2Θ中元素{A}的初始信度。
然后根据所述幂集中各元素的信度函数值和似然函数值构造所述幂集中各元素的信度区间。
具体地，信度函数值的计算公式为（7）：
（7）
其中，Bel(A)表示信息源的幂集中的元素{A}的信度函数值。
似然函数值的计算公式为（8）：
（8）
其中，Pl(A)表示信息源的幂集中的元素{A}的似然函数值，表示对元素{A}在对应的幂集中取反。
针对所述幂集中的一个元素，将该元素的信度函数值作为该元素的信度区间的下限值，将该元素的似然函数值作为该元素的信度区间的上限值。具体地，如公式（9）所示：
（9）
其中，表示第i个信息源m i 中元素A的信度区间。
然后计算所述识别框架中元素的信度区间以及预设的置信区间之间的相关度，其中，计算所述识别框架中元素的信度区间以及预设的置信区间之间的相关度的公式为（10）：
（10）
其中，表示所述相关度，表示第i个信息源m i 中元素B的信度区间，B∈Θ，UI 0B =[d 1,d 2]，UI 0B 表示所述置信区间，d 1和d 2分别为所述置信区间的下限值和上限值，n表示所述识别框架中元素的个数，表示第i个信息源的识别框架中的元素{A}的信度函数值，表示第i个信息源的识别框架中的元素{B}的信度函数值，表示第i个信息源的识别框架中的元素{A}的似然函数值，表示第i个信息源的识别框架中的元素{B}的似然函数值。
然后根据所述识别框架中元素的信度区间以及预设的置信区间之间的相关度计算所述识别框架中各元素的第二不确定性修正因子，具体地，其公式为（11）：
（11）
其中，表示第i个信息源m i 中元素B的第二不确定性修正因子，M表示信息源的个数。
然后利用所述第二不确定性修正因子对所述幂集中各元素的初始信度进行第二修正，具体地，其公式为（12）：
（12）
其中，m’’ k ()、m’’ k ({θ 1})、m’’ k ({θ 2})、m’’ k ({θ 1,θ 2})分别表示第k个信息源对应的幂集2Θ中四个元∅、{θ 1}、{θ 2}、{θ 1,θ 2}的第二信度，m’ k ()、m’ k ({θ 1})、m’ k ({θ 2})、m’ k ({θ 1,θ 2})分别表示第k个信息源对应的幂集2Θ中四个元素、{θ 1}、{θ 2}、{θ 1,θ 2}的第一信度。
然后使用D-S证据理论中的证据组合规则，如公式（13）所示，首先将两个信息源m i 和m j 的识别框架Θ={θ 1,θ 2}中对应元素的第二信度m’’ i ({θ 1})和m’’ j ({θ 1})进行融合以及m’’ i ({θ 2})和m’’ j ({θ 2})进行融合，得到融合后的信度，例如，然后使用融合后的信度与下一个证据源的第二信度进行融合，以此类推，来自M个信息源的信息共需要融合M-1次，得到识别框架Θ={θ 1,θ 2}中两个元素的最终信度。最后选择信度最高的元素作为最终结果。例如Θ={0,1}，元素{0}表示光照强度异常，元素{1}表示光照强度正常，若元素{0}的最终信度大于元素{1}的最终信度，则表示多源信息融合后的光照强度为正常。
（13）
其中，m(A)表示识别框架中元素{A}的最终信度，B和C均为幂集中的元素，m 1(B)表示第一个信息源的幂集中元素{B}对应的第二信度，m 2(C)表示第二个信息源的幂集中元素{C}对应的第二信度。
公式（13）中的K的公式为（14）：
（14）
然后对融合的结果进行存储，在本说明书的一些其他实施例中，为了提高融合结果的正确性，还可以对公式（1）中各信息源的正确性（correctness）进行优化，具体地：针对一个信息源，可以计算历史融合结果的正确率，例如针对训练数据，判断融合的结果和实际设定的结果是否相同，若相同则表示融合正确，反之表示融合错误。以时间序列为计算基础，例如每隔1小时获取各信息源的信息并进行融合，根据一共融合的次数和融合错误的次数计算融合结果的正确率。
具体地，对信息源的正确性（correctness）进行优化的公式为（15）：
（15）
其中，correctness(i)表示第i次融合后得到的该信息源的正确性，N unequ 表示(i)表示前面i次融合中融合结果为错误的总数量。
得到第i次融合后该信息源的正确性correctness(i)之后，在第i+1次融合时，使用第i次融合后得到的正确性correctness(i)替换公式（1）中的该信息源的正确性，实现基于信息不确定性的多源信息融合方法的自适应调节。
基于同一发明构思，本说明书实施例还提供了一种基于信息不确定性的多源信息融合装置，如图4所示，包括：
初始信度计算单元401，用于根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度，所述幂集中包括所述识别框架的全部元素；
初始信度分析单元402，用于根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度；
第一修正单元403，用于根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子，并利用所述第一不确定性修正因子对所述信息源对应幂集中各元素的初始信度进行第一修正，得到所述幂集中各元素的第一信度；
信度区间计算单元404，用于根据所述幂集中各元素的信度函数值和似然函数值构造所述幂集中各元素的信度区间，其中所述信度函数值和似然函数值是根据所述第一信度计算得到的；
第二修正单元405，用于根据所述识别框架中元素的信度区间以及预设的置信区间之间的相关度计算所述识别框架中各元素的第二不确定性修正因子，并利用所述第二不确定性修正因子对所述幂集中各元素的初始信度进行第二修正，得到所述幂集中各元素的第二信度；
融合单元406，用于使用D-S证据理论中的证据组合规则，对各信息源的幂集中各元素的第二信度进行融合，得到各信息源的识别框架中各元素对应的最终信度，并将所述最终信度最高的元素作为各信息源采集到的信息融合后的不确定性结果。
通过上述装置所取得的有益效果与上述方法所取得的有益效果一致，本说明书实施例不做赘述。
如图5所示，为本文实施例提供的一种计算机设备，本文中的装置可以为本实施例中的计算机设备，执行上述本文的方法，所述计算机设备502可以包括一个或多个处理器504，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备502还可以包括任何存储器506，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器506可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备502的固定或可移除部件。在一种情况下，当处理器504执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备502可以执行相关联指令的任一操作。计算机设备502还包括用于与任何存储器交互的一个或多个驱动机构508，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备502还可以包括输入/输出模块510（I/O），其用于接收各种输入(经由输入设备512)和用于提供各种输出(经由输出设备514)。一个具体输出机构可以包括呈现设备516和相关联的图形用户接口(GUI)518。在其他实施例中，还可以不包括输入/输出模块510（I/O）、输入设备512以及输出设备514，仅作为网络中的一台计算机设备。计算机设备502还可以包括一个或多个网络接口520，其用于经由一个或多个通信链路522与其他设备交换数据。一个或多个通信总线524将上文所描述的部件耦合在一起。
通信链路522可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路522可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本说明书实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
本说明书实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行上述方法。
应理解，在本说明书的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本说明书实施例的实施过程构成任何限定。
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本说明书中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本说明书中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本说明书的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本说明书所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本说明书实施例方案的目的。
另外，在本说明书各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本说明书的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本说明书各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中应用了具体实施例对本说明书的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本说明书的方法及其核心思想；同时，对于本领域的一般技术人员，依据本说明书的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本说明书的限制。
Claims (8)
1.一种基于信息不确定性的多源信息融合方法，其特征在于， 包括：
根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度，所述幂集中包括所述识别框架的全部元素，所述信息源采集到的信息包括光照强度或室内温度；
根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度；
根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子，并利用所述第一不确定性修正因子对所述信息源对应幂集中各元素的初始信度进行第一修正，得到所述幂集中各元素的第一信度；
根据所述幂集中各元素的信度函数值和似然函数值构造所述幂集中各元素的信度区间，其中所述信度函数值和似然函数值是根据所述第一信度计算得到的；
根据所述识别框架中元素的信度区间以及预设的置信区间之间的相关度计算所述识别框架中各元素的第二不确定性修正因子，并利用所述第二不确定性修正因子对所述幂集中各元素的初始信度进行第二修正，得到所述幂集中各元素的第二信度；
使用D-S证据理论中的证据组合规则，对各信息源的幂集中各元素的第二信度进行融合，得到各信息源的识别框架中各元素对应的最终信度，并将所述最终信度最高的元素作为各信息源采集到的信息融合后的不确定性结果，当所述信息源采集到的信息包括所述室内温度时，所述信息融合后的不确定性结果为室内温度的高低情况；当所述信息源采集到的信息包括光照强度时，所述信息融合后的不确定性结果为光照强度正常或光照强度异常；
所述识别框架中包括两个互斥元素的非空集合Θ={θ 1, θ 2}，所述幂集中包括22个元素，表示为2Θ={, {θ 1}, {θ 2}, {θ 1, θ 2}}；
根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度的公式为：
；
其中，m k ()、m k ({θ 1})、m k ({θ 2})、m k ({θ 1, θ 2})分别表示第k个信息源对应的幂集2Θ中四个元素、{θ 1}、{θ 2}、{θ 1, θ 2}的初始信度，m k 表示第k个信息源，cqoc(m k )表示根据第k个信息源的信息质量计算的第k个信息源的综合信息质量，membership表示识别框架Θ={θ 1,θ 2}中元素θ 1的隶属度，1-membership表示识别框架Θ={θ 1, θ 2}中元素θ 2的隶属度。
2.根据权利要求1所述的方法，其特征在于，根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度进一步包括：
根据一个信息源的所述幂集中各元素的初始信度计算该信息源对应的邓熵，将所述邓熵作为该信息源的信息不确定性；
根据各信息源的幂集中各元素的初始信度分别计算任意两个信息源之间的Hellinger距离，将所述Hellinger距离作为对应的两个信息源中一个信息源与另一个信息源之间的信息源关联程度。
3.根据权利要求1所述的方法，其特征在于，根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子的公式为：
；
其中，RSIVC(m k )表示第k个信息源的幂集中各元素的第一不确定性修正因子，distance(m k )表示第k个信息源与其他信息源之间的信息源关联程度之和，Ed(m k )表示第k个信息源的信息不确定性。
4.根据权利要求1所述的方法，其特征在于，根据所述幂集中各元素的信度函数值和似然函数值构造所述幂集中各元素的信度区间进一步包括：
针对所述幂集中的一个元素，将该元素的信度函数值作为该元素的信度区间的下限值，将该元素的似然函数值作为该元素的信度区间的上限值。
5.根据权利要求1所述的方法，其特征在于，计算所述识别框架中元素的信度区间以及预设的置信区间之间的相关度的公式为：
；
其中，表示所述相关度，表示第i个信息源m i 中元素B的信度区间， B∈Θ，UI 0B =[d 1, d 2]，UI 0B 表示所述置信区间，d 1和 d 2分别为所述置信区间的下限值和上限值，n表示所述识别框架中元素的个数，表示第i个信息源的识别框架中的元素{A}的信度函数值，表示第i个信息源的识别框架中的元素{B}的信度函数值，表示第i个信息源的识别框架中的元素{A}的似然函数值，表示第i个信息源的识别框架中的元素{B}的似然函数值。
6.根据权利要求5所述的方法，其特征在于，根据所述识别框架中元素的信度区间以及预设的置信区间之间的相关度计算所述识别框架中各元素的第二不确定性修正因子的公式为：
；
其中，表示第i个信息源m i 中元素B的第二不确定性修正因子，M表示信息源的个数。
7.根据权利要求6所述的方法，其特征在于，利用所述第二不确定性修正因子对所述幂集中各元素的初始信度进行第二修正的公式为：
；
其中，m’’ k ()、m’’ k ({θ 1})、m’’ k ({θ 2})、m’’ k ({θ 1, θ 2})分别表示第k个信息源对应的幂集2Θ中四个元素、{θ 1}、{θ 2}、{θ 1, θ 2}的第二信度，m’ k ()、m’ k ({θ 1})、m’ k ({θ 2})、m’ k ({θ 1, θ 2})分别表示第k个信息源对应的幂集2Θ中四个元素、{θ 1}、{θ 2}、{θ 1, θ 2}的第一信度，sup({θ 1})表示元素{θ 1}的第二不确定性修正因子，sup({θ 2})表示元素{θ 2}的第二不确定性修正因子。
8.一种基于信息不确定性的多源信息融合装置，其特征在于，包括：
初始信度计算单元，用于根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度，所述幂集中包括所述识别框架的全部元素，所述信息源采集到的信息包括光照强度或室内温度；
初始信度分析单元，用于根据所述信息源对应的幂集中各元素的初始信度计算所述信息源的信息不确定性和信息源关联程度；
第一修正单元，用于根据所述信息不确定性和信息源关联程度计算所述信息源的幂集中各元素的第一不确定性修正因子，并利用所述第一不确定性修正因子对所述信息源对应幂集中各元素的初始信度进行第一修正，得到所述幂集中各元素的第一信度；
信度区间计算单元，用于根据所述幂集中各元素的信度函数值和似然函数值构造所述幂集中各元素的信度区间，其中所述信度函数值和似然函数值是根据所述第一信度计算得到的；
第二修正单元，用于根据所述识别框架中元素的信度区间以及预设的置信区间之间的相关度计算所述识别框架中各元素的第二不确定性修正因子，并利用所述第二不确定性修正因子对所述幂集中各元素的初始信度进行第二修正，得到所述幂集中各元素的第二信度；
融合单元，用于使用D-S证据理论中的证据组合规则，对各信息源的幂集中各元素的第二信度进行融合，得到各信息源的识别框架中各元素对应的最终信度，并将所述最终信度最高的元素作为各信息源采集到的信息融合后的不确定性结果，当所述信息源采集到的信息包括所述室内温度时，所述信息融合后的不确定性结果为室内温度的高低情况；当所述信息源采集到的信息包括光照强度时，所述信息融合后的不确定性结果为光照强度正常或光照强度异常；
所述识别框架中包括两个互斥元素的非空集合Θ={θ 1, θ 2}，所述幂集中包括22个元素，表示为2Θ={, {θ 1}, {θ 2}, {θ 1, θ 2}}；
根据各信息源采集到的信息对应的识别框架中各元素的隶属度和各信息源的信息质量分别计算各信息源对应的识别框架的幂集中各元素的初始信度的公式为：
；
其中，
m k ()、m k ({θ 1})、m k ({θ 2})、m k ({θ 1, θ 2})分别表示第k个信息源对应的幂集2Θ中四个元素、{θ 1}、{θ 2}、{θ 1, θ 2}的初始信度，m k 表示第k个信息源，cqoc(m k )表示根据第k个信息源的信息质量计算的第k个信息源的综合信息质量，membership表示识别框架Θ={θ 1, θ 2}中元素θ 1的隶属度，1-membership表示识别框架Θ={θ 1, θ 2}中元素θ 2的隶属度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311437906.5A CN117150440B (zh) | 2023-11-01 | 2023-11-01 | 一种基于信息不确定性的多源信息融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311437906.5A CN117150440B (zh) | 2023-11-01 | 2023-11-01 | 一种基于信息不确定性的多源信息融合方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117150440A CN117150440A (zh) | 2023-12-01 |
| CN117150440B true CN117150440B (zh) | 2024-02-06 |
Family
ID=88897315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311437906.5A Active CN117150440B (zh) | 2023-11-01 | 2023-11-01 | 一种基于信息不确定性的多源信息融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150440B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038651A (zh) * | 2016-02-03 | 2017-08-11 | 中国电力科学研究院 | 一种综合评价的信息融合方法 |
| CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
| WO2020147265A1 (zh) * | 2019-01-14 | 2020-07-23 | 南京信息工程大学 | 一种基于多源信息融合的移动电子商务推荐方法和系统 |
| CN111625775A (zh) * | 2020-05-28 | 2020-09-04 | 河南大学 | 基于Hellinger距离和信度熵的加权冲突证据融合方法 |
| CN113128625A (zh) * | 2021-05-13 | 2021-07-16 | 重庆大学 | 信度熵和基于其测量信息不确定性的冲突数据融合方法 |
| CN113139619A (zh) * | 2021-05-13 | 2021-07-20 | 重庆大学 | 一种通过分配基本信度来管理冲突数据证据的融合方法 |
-
2023
- 2023-11-01 CN CN202311437906.5A patent/CN117150440B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038651A (zh) * | 2016-02-03 | 2017-08-11 | 中国电力科学研究院 | 一种综合评价的信息融合方法 |
| CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
| WO2020147265A1 (zh) * | 2019-01-14 | 2020-07-23 | 南京信息工程大学 | 一种基于多源信息融合的移动电子商务推荐方法和系统 |
| CN111625775A (zh) * | 2020-05-28 | 2020-09-04 | 河南大学 | 基于Hellinger距离和信度熵的加权冲突证据融合方法 |
| CN113128625A (zh) * | 2021-05-13 | 2021-07-16 | 重庆大学 | 信度熵和基于其测量信息不确定性的冲突数据融合方法 |
| CN113139619A (zh) * | 2021-05-13 | 2021-07-20 | 重庆大学 | 一种通过分配基本信度来管理冲突数据证据的融合方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多源信息融合技术的采空区稳定性评价;董宪久;;矿业研究与开发(10);全文 * |
| 多传感器信息融合目标识别系统设计;韩芬;;电子制作(16);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117150440A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2016033990A1 (zh) | 生成检测模型的方法和设备、用于检测目标的方法和设备 | |
| US20180219895A1 (en) | Method and system for learning representations of network flow traffic | |
| CN114787832A (zh) | 联邦机器学习的方法和服务器 | |
| WO2020165589A1 (en) | Identifying valid medical data for facilitating accurate medical diagnosis | |
| CN113900844B (zh) | 一种基于服务码级别的故障根因定位方法、系统及存储介质 | |
| CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
| US10885593B2 (en) | Hybrid classification system | |
| US20160063078A1 (en) | Automatic identification and tracking of log entry schemas changes | |
| CN114141385A (zh) | 一种用于传染病的预警方法、系统和可读存储介质 | |
| US11586955B2 (en) | Ontology and rule based adjudication | |
| US12015517B2 (en) | Root cause analysis for operational issues using a rules mining algorithm | |
| CN113192586A (zh) | 基于区块链的智慧医疗档案共享方法及医疗大数据系统 | |
| CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
| CN116743555A (zh) | 一种鲁棒多模态网络运维故障检测方法、系统及产品 | |
| Zhang et al. | A new combination method based on Pearson coefficient and information entropy for multi-sensor data fusion | |
| CN117150440B (zh) | 一种基于信息不确定性的多源信息融合方法及装置 | |
| CN112949745B (zh) | 多源数据的融合处理方法、装置、电子设备及存储介质 | |
| Pedrosa et al. | Assessing clinical applicability of covid-19 detection in chest radiography with deep learning | |
| CN112613494B (zh) | 基于深度对抗网络的电力线路监控异常识别方法及系统 | |
| EP3844921A1 (en) | Rule generation for network data | |
| US20230409422A1 (en) | Systems and Methods for Anomaly Detection in Multi-Modal Data Streams | |
| CN105446707B (zh) | 一种数据转换方法 | |
| CN116633758A (zh) | 基于全异构元对比学习模型的网络故障预测方法及系统 | |
| CN116049642A (zh) | 一种故障诊断方法、系统、电子设备及计算机存储介质 | |
| CN109657907A (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 |
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 |