DE102020110028A1

DE102020110028A1 - Datenvorverarbeitungsverfahren und -Vorrichtung für Datenfusion

Info

Publication number: DE102020110028A1
Application number: DE102020110028.0A
Authority: DE
Inventors: Zhaohui Gao; XingHuan Sun; Bin Liang
Original assignee: Jiangsu Liangdong Information Tech Co Ltd; Jiangsu Liangdong Information Technology Co Ltd
Current assignee: Jiangsu Liangdong Information Tech Co Ltd; Jiangsu Liangdong Information Technology Co Ltd
Priority date: 2019-04-12
Filing date: 2020-04-09
Publication date: 2020-10-15
Also published as: NL2025323B1; CN109766958A; NL2025323A; CN109766958B

Abstract

Die vorliegende Anmeldung betrifft das Gebiet der Datenfusionstechnologie und offenbart Vorverarbeitungsverfahren und -vorrichtung für Datenfusion. Bei dem Verfahren werden die von Sensoren in zwei verschiedenen Arten gemessenen Daten willkürlich ermittelt und die von den Sensoren der zwei verschiedenen Arten gemessenen Daten werden jeweils als Zieldaten bzw. Referenzdaten eingestellt. Anhand der Zieldaten und der Referenzdaten werden Merkmale der Zieldaten und Merkmale der Referenzdaten ermittelt. Anschließend werden eine Zielmerkmalbeschreibungsmenge und eine Referenzmerkmalbeschreibungsmenge ermittelt. Dann wird anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten ermittelt. Schließlich wird anhand der Ähnlichkeit bestimmt, ob die Ähnlichkeit größer als ein vorbestimmenter kritischer Schwellenwert ist, und somit wird bestimmt, ob die Zieldaten und die Referenzdaten fusioniert werden können. Im Vergleich zu dem Stand der Technik wird gemäß dem Verfahren der vorliegenden Anmeldung die Effizienz der Datenfusion erhöht.

Description

TECHNISCHES GEBIET
Die Erfindung betrifft das Gebiet der Datenfusionstechnologie, insbesondere betrifft Datenvorverarbeitungsverfahren und -vorrichtung für Datenfusion.
STAND DER TECHNIK
Ein Multisensorsystem bezieht sich auf die Ermittelung umfassender und vollständiger Informationen über eine gewisse objektive Tatsache unter Verwendung von mehreren Sensoren. Z.B. in Autobahnanwendungsszenarien, wenn die objektive Tatsache bezüglich des Verkehrsflusses analysiert werden muss, wird normalerweise durch Anordnen eines geomagnetischen Sensors und eines Lichtsensors eine realzeitige Messung durchgeführt, anschließend erfolgt eine Analyse aufgrund der durch eine Messung erhältlichen Daten, um Information über den Verkehrsfluss zu Ermitteln. Für das Multisensorsystem, die ermittelten Daten sind verschieden und komplex; Daten, bereitgestellt von Sensoren unterschiedlicher Arten, besitzen unterschiedliche Merkmale. Für unterschiedliche Analyseanforderungen wird normalerweise Datenfusionstechnologie zur Erhöhung der Glaubwürdigkeit und der Ausnutzung der Daten verwendet, um die jeweiligen Sensoren und die von diesen gemessenen Daten rational zu kontrollieren und zu fusionieren.
Zusätzlich zu der Beurteilung der Authentizität der Daten besteht der Kernpunkt der Datenfusionstechnologie noch in der Bestmmung der Gewichte der jeweiligen Sensordaten. Im Stand der Technik wird deshalb vor der Datenfusion in der Regel ein Vorverarbeitungsverfharen verwendet, um Messdaten vorzuverarbeiten. In einem geläufigen Datenvorverarbeitungsverfahren werden die Gewichte der Messdaten der jeweiligen Sensoren während der Datenfusion durch das Berechnen von Messvarianzen der Sensoren bestimmt, somit wird eine Datenfusion ermöglicht.
Im Studieprozess für die vorliegende Anmeldung hat der Anmelder gefunden, dass beim Datenvorverarbeitungsverfahren im Stand der Technik vor einer Datenfusion Gewichte der jeweiligen Sensormessdaten im Multisensorsystem ausgerechnet werden, somit anhand der Gewichte alle Sensordaten fusioniert werden. In praktischer Anwendung besitzen verschiedene Sensordaten im Multisensorsystem unterschiedliche Merkmale. Wenn eine objektive Tatsache analysiert werden muss, ist eine Datenfusion für alle Sensormessdaten wohl nicht notwendig. Beim Datenvorverarbeitungsverfahren im Stand der Technik ist es nicht festlegbar, Daten von welchen Sensoren fusionierbar sind, Daten von welchen Sensoren unfusionierbar sind; hingegen werden dabei alle Sensormessdaten fusioniert, was die Rechenmenge erhöht und die Effizienz der Datenfusion verringert.
OFFENBARUNG DER ERFINDUNG
Um die Probleme, dass das Datenvorverarbeitungsverfahren im Stand der Technik die Effizienz der Datenfusion verringert und als Folge ein Fehler zwischen dem Ergebnis aus der Datenfusion und einem tatsächlich geforderten Ergebnis entsteht, zu lösen, werden in der vorliegenden Anmeldung durch folgende Ausführungsbeispiele Datenvorverarbeitungsverfahren und -vorrichtung für Datenfusion offenbart.
Gemäß einem ersten Aspekt der vorliegenden Anmeldung wird ein Datenvorverarbeitungsverfahren für Datenfusion offenbart, umfassend:

Ermitteln von ersten Messdaten, die von Sensoren verschiedener Arten gemessene Daten umfassen;
Willkürliches Ermitteln der von den Sensoren in zwei verschiedenen Arten gemessenen Daten anhand der ersten Messdaten und Einstellen der von den Sensoren in zwei verschiedenen Arten gemessenen Daten jeweils als Zieldaten bzw. Referenzdaten;
Ermitteln von Merkmalen der Zieldaten anhand der Zieldaten, und Ermitteln von Merkmalen der Referenzdaten anhand der Referenzdaten;
Ermitteln einer Zielmerkmalbeschreibungsmenge anhand der Merkmale der Zieldaten, und Ermitteln einer Referenzmerkmalbeschreibungsmenge anhand der Merkmale der Referenzdaten, wobei die Zielmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Zieldatenmerkmale beschreibt, die Referenzmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Referenzdatenmerkmale beschreibt;

Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge;
Bestimmen anhand der Ähnlichkeit, ob die Ähnlichkeit größer als ein vorbestimmenter kritischer Schwellenwert ist; falls ein Ergebnis der Bestimmung ja ist, wird bestimmt, dass die Zieldaten und die Referenzdaten fusionierbar sind; falls ein Ergebnis der Bestimmung nein ist, wird bestimmt, dass die Zieldaten und die Referenzdaten nicht fusionierbar sind.
Optianal umfasst das Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsm enge:

Erstellen eines Merkmalsähnlichkeitsmodells anhand der Merkmale der Zieldaten und der Merkmale der Referenzdaten, welches zum Kennzeichnen einer Ähnlichkeit zwischen den Zieldatenmerkmalen und den Referenzdatenmerkmalen dient;
Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Zielmerkmalbeschreibungsmenge, der Referenzmerkmalbeschreibungsmenge und des Merkmalsähnlichkeitsmodells.

Optional wird die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten durch folgende Formel ermittelt: $S f (a, b) = \frac{f (A \cap B)}{f (A \cap B) + α f (A - B) + β f (B - A)}, α \geq 0, β \geq 0;$
wobei Sf(a,b) die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten repräsentiert, a die Merkmale der Zieldaten repräsentiert, b die Merkmale der Referenzdaten repräsentiert, A die Zielmerkmalbeschreibungsmenge repräsentiert, B die Referenzmerkmalbeschreibungsmenge repräsentiert, f(A∩B) die Anzahl von Zuständen, die sowohl zur Zielmerkmalbeschreibungsmenge als auch zur Referenzmerkmalbeschreibungsmenge gehören, repräsentiert, f(A-B) die Anzahl von Zuständen, die zur Zielmerkmalbeschreibungsmenge jedoch nicht zur Referenzmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert, f(B-A) die Anzahl von Zuständen, die zur Referenzmerkmalbeschreibungsmenge jedoch nicht zur Zielmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert, α einen Aufmerksamkeitsgrad für die Referenzdatenmerkmale repräsentiert, β einen Aufmerksamkeitsgrad für die Zieldatenmerkmale repräsentiert.
Optional umfasst das Verfahren vor dem Ermitteln der ersten Messdaten ferner:

Ermitteln von Anfangsmessdaten, die von allen Sensoren gemessene Anfangsdaten umfassen, wobei die allen Sensoren Sensoren verschiedener Arten umfassen, und wobei jede Art mehrere Sensoren umfasst;
Auswerten der Anfangsmessdaten zum Ermitteln eines Auswertungswerts der Anfangsmessdaten;
für Sensoren derelben Art, Erstellen einer Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten,
Ermitteln eines Sensors mit einem höheren Vertrauensgrad von Sensoren derelben Art anhand der Vertrauensgradmatrix, und Einstellen des Auswertungswerts der Anfangsmessdaten des Sensors mit einem höheren Vertrauensgrad als die ersten Messdaten.

Optional umfasst das Auswerten der Anfangsmessdaten zum Ermitteln des Auswertungswerts der Anfangsmessdaten:

Einstellen von durch einen Zielsensor gemessenen Anfangsdaten als Zielanfangsdaten anhand der Anfangsmessdaten, wobei der Zielsensor einer beliebiger der allen Sensoren ist und die Zielanfangsdaten Daten, die durch den Zielsensor mehrmals gemessen sind, umfassen;
Ermitteln von Einmaligen-Zielanfangsdaten des Zielsensors anhand der Zielanfangsdaten und Teilen der Einmaligen-Zielanfangsdaten in ungerade Anfangsdaten und gerade Anfangsdaten;
Ermitteln eines Durchschnittswerts und einer Standardabweichung der ungeraden Anfangsdaten anhand der ungeraden Anfangsdaten, und Ermitteln eines Durchschnittswerts und einer Standardabweichung der geraden Anfangsdaten anhand der geraden Anfangsdaten;
Ermitteln eines lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten anhand des Durchschnittswerts und der Standardabweichung der ungeraden Anfangsdaten und des Durchschnittswerts und der Standardabweichung der geraden Anfangsdaten, wobei das lokale Fusionsergebnis einen Durchschnittswerts-Fusionswert und einen Standardabweichungs-Fusionswert umfasst;
Ermitteln eines Auswertungswerts der Zielanfangsdaten anhand des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten;
Ermitteln eines Auswertungswerts der Anfangsmessdaten, der Auswertungswerte aller Anfangsmessdaten umfasst.

Optional umfasst das Ermitteln des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten anhand des Durchschnittswerts und der Standardabweichung der ungeraden Anfangsdaten und des Durchschnittswerts und der Standardabweichung der geraden Anfangsdaten:
Ermitteln des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten durch folgende Formeln: $\begin{array}{l} \hat{x} = \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{1} + \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{2}; \\ \hat{σ} = \sqrt{\frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}}}; \end{array}$
wobei x̂ den Durchschnittswerts-Fusionswert repräsentiert, σ̂ den Standardabweichungs-Fusionswert repräsentiert, x̅₁ einen Durchschnittswert der ungeraden Anfangsdaten repräsentiert, x̅₂ einen Durchschnittswert der geraden Anfangsdaten repräsentiert, σ₁ eine Standardabweichung der ungeraden Anfangsdaten repräsentiert, σ₂ eine Standardabweichung der geraden Anfangsdaten repräsentiert.
Optional umfasst für Sensoren derelben Art das Erstellen einer Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten:

für Sensoren derelben Art, Ermitteln eines Auswertungswerts der Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten;
Ermitteln eines Vertrauensabstands zwischen den Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten der Sensoren derelben Art;

Erstellen der Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Vertrauensabstands.
Gemäß einem zweiten Aspekt der vorliegenden Anmeldung wird eine Datenvorverarbeitungsvorrichtung für Datenfusion offenbart, umfassend:

ein erstes Datenermittelungsmodul zum Ermitteln von ersten Messdaten, die von Sensoren verschiedener Arten gemessene Daten umfassen;
ein zweites Datenermittelungsmodul zum willkürlichen Ermitteln der von Sensoren in zwei verschiedenen Arten gemessenen Daten anhand der ersten Messdaten und Einstellen der von den Sensoren in zwei verschiedenen Arten gemessenen Daten jeweils als Zieldaten bzw. Referenzdaten;
ein Merkmalermittelungsmodul zum Ermitteln von Merkmalen der Zieldaten anhand der Zieldaten, und zum Ermitteln von Merkmalen der Referenzdaten anhand der Referenzdaten;
ein Merkmalbeschreibungsmenge-Ermittelungsmodul zum Ermitteln einer Zielmerkmalbeschreibungsmenge anhand der Merkmale der Zieldaten, und zum Ermitteln einer Referenzmerkmalbeschreibungsmenge anhand der Merkmale der Referenzdaten, wobei die Zielmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Zieldatenmerkmale beschreibt, die Referenzmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Referenzdatenmerkmale beschreibt;
ein Ähnlichkeitsermittelungsmodul zum Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsm enge;
ein Bestimmungsmodul zum Bestimmen, anhand der Ähnlichkeit, ob die Ähnlichkeit größer als ein vorbestimmenter kritischer Schwellenwert ist; falls ein Ergebnis der Bestimmung ja ist, wird bestimmt, dass die Zieldaten und die Referenzdaten fusionierbar sind; falls ein Ergebnis der Bestimmung nein ist, wird bestimmt, dass die Zieldaten und die Referenzdaten nicht fusionierbar sind.

Optional umfasst das Ähnlichkeitsermittelungsmodul:

eine Modellerstellungseinheit zum Erstellen eines Merkmalsähnlichkeitsmodells anhand der Merkmale der Zieldaten und der Merkmale der Referenzdaten, welches zum Kennzeichnen einer Ähnlichkeit zwischen den Zieldatenmerkmalen und den Referenzdatenmerkmalen dient;
eine Ähnlichkeitsermittelungseinheit zum Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Zielmerkmalbeschreibungsmenge, der Referenzmerkmalbeschreibungsmenge und des Merkmalsähnlichkeitsmodells.

Optional umfasst die Vorrichtung ferner:

ein Anfangsdatenermittelungsmodul zum Ermitteln von Anfangsmessdaten, die von allen Sensoren gemessene Anfangsdaten sind, wobei die allen Sensoren Sensoren verschiedener Arten umfassen, und wobei jede Art mehrere Sensoren umfasst;
ein Auswertungsmodul zum Auswerten der Anfangsmessdaten zum Ermitteln eines Auswertungswerts der Anfangsmessdaten;
ein Vertrauensgradmatrix-Erstellungsmodul, für Sensoren derelben Art, zum Erstellen einer Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten;
ein erstes Dateneinstellungsmodul zum Ermitteln eines Sensors mit einem höheren Vertrauensgrad von Sensoren derelben Art anhand der Vertrauensgradmatrix, und zum Einstellen des Auswertungswerts der Anfangsmessdaten des Sensors mit einem höheren Vertrauensgrad als die ersten Messdaten.

Optional wird das Ähnlichkeitsermittelungsmodul ferner zum Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten durch folgende Formel verwendet: $S f (a, b) = \frac{f (A \cap B)}{f (A \cap B) + α f (A - B) + β f (B - A)}, α \geq 0, β \geq 0;$
wobei Sf(a,b) die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten repräsentiert, a die Merkmale der Zieldaten repräsentiert, b die Merkmale der Referenzdaten repräsentiert, A die Zielmerkmalbeschreibungsmenge repräsentiert, B die Referenzmerkmalbeschreibungsmenge repräsentiert, f(A∩B) die Anzahl von Zuständen, die sowohl zur Zielmerkmalbeschreibungsmenge als auch zur Referenzmerkmalbeschreibungsmenge gehören, repräsentiert, f(A-B) die Anzahl von Zuständen, die zur Zielmerkmalbeschreibungsmenge jedoch nicht zur Referenzmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert, f(B-A) die Anzahl von Zuständen, die zur Referenzmerkmalbeschreibungsmenge jedoch nicht zur Zielmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert, α einen Aufmerksamkeitsgrad für die Referenzdatenmerkmale repräsentiert, β einen Aufmerksamkeitsgrad für die Zieldatenmerkmale repräsentiert.
Optional umfasst das Auswertungsmodul:

ein Zielanfangsdateneinstellungseinheit zum Einstellen von durch einen Zielsensor gemessenen Anfangsdaten als Zielanfangsdaten anhand der Anfangsmessdaten, wobei der Zielsensor einer beliebiger der allen Sensoren ist und die Zielanfangsdaten Daten, die durch den Zielsensor mehrmals gemessen sind, umfassen;
eine Einmaligen-Zielanfangsdaten-Ermittelungseinheit zum Ermitteln von Einmaligen-Zielanfangsdaten des Zielsensors anhand der Zielanfangsdaten und Teilen der Einmaligen-Zielanfangsdaten in ungerade Anfangsdaten und gerade Anfangsdaten;
eine erste Recheneinheit zum Ermitteln eines Durchschnittswerts und einer Standardabweichung der ungeraden Anfangsdaten anhand der ungeraden Anfangsdaten, und zum Ermitteln eines Durchschnittswerts und einer Standardabweichung der geraden Anfangsdaten anhand der geraden Anfangsdaten; eine lokales-Fusionsergebnis-Ermittelungseinheit zum Ermitteln eines lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten anhand des Durchschnittswerts und der Standardabweichung der ungeraden Anfangsdaten und des Durchschnittswerts und der Standardabweichung der geraden Anfangsdaten, wobei das lokale Fusionsergebnis einen Durchschnittswerts-Fusionswert und einen Standardabweichungs-Fusionswert umfasst;
eine erste Auswertungswertsermittelungseinheit zum Ermitteln eines Auswertungswerts der Zielanfangsdaten anhand des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten;
eine zweite Auswertungswertsermittelungseinheit zum Ermitteln eines Auswertungswerts der Anfangsmessdaten, wobei der Auswertungswert der Anfangsmessdaten Auswertungswerte aller Anfangsmessdaten umfasst.

Optional dient die lokales-Fusionsergebnis-Ermittelungseinheit noch zum Ermitteln eines lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten durch folgende Formeln: $\begin{array}{l} \hat{x} = \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{1} + \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{2}; \\ \hat{σ} = \sqrt{\frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}}}; \end{array}$
wobei x̂ den Durchschnittswerts-Fusionswert repräsentiert, σ̂ den Standardabweichungs-Fusionswert repräsentiert, x̅₁ einen Durchschnittswert der ungeraden Anfangsdaten repräsentiert, x̅₂ einen Durchschnittswert der geraden Anfangsdaten repräsentiert, σ₁ eine Standardabweichung der ungeraden Anfangsdaten repräsentiert, σ₂ eine Standardabweichung der geraden Anfangsdaten repräsentiert.
Optional umfasst das Vertrauensgradmatrix-Erstellungsmodul:

eine dritte Auswertungswertsermittelungseinheit, für Sensoren derelben Art, zum Ermitteln eines Auswertungswerts der Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten;
eine Vertrauensabstandsermittelungseinheit zum Ermitteln eines Vertrauensabstands zwischen den Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten der Sensoren derelben Art;
eine Vertrauensgradmatrixerstellungseinheit zum Erstellen der Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Vertrauensabstands.

Die vorliegende Anmeldung offenbart Vorverarbeitungsverfahren und -vorrichtung für Datenfusion. Bei dem Verfahren werden die von Sensoren in zwei verschiedenen Arten gemessenen Daten willkürlich ermittelt und die von den Sensoren der zwei verschiedenen Arten gemessenen Daten werden jeweils als Zieldaten bzw. Referenzdaten eingestellt. Anhand der Zieldaten und der Referenzdaten werden Merkmale der Zieldaten und Merkmale der Referenzdaten ermittelt. Anschließend werden eine Zielmerkmalbeschreibungsmenge und eine Referenzmerkmalbeschreibungsmenge ermittelt. Dann wird anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten ermittelt. Schließlich wird anhand der Ähnlichkeit bestimmt, ob die Ähnlichkeit größer als ein vorbestimmenter kritischer Schwellenwert ist, und somit wird bestimmt, ob die Zieldaten und die Referenzdaten fusioniert werden können.
Beim Datenvorverarbeitungsverfahren im Stand der Technik ist es vor einer Datenfusion nicht festlegbar, Daten von welchen Sensoren fusionierbar sind, Daten von welchen Sensoren unfusionierbar sind; hingegen werden dabei alle Sensormessdaten fusioniert, was während der Datenfusion die Rechenmenge erhöht und die Effizienz der Datenfusion verringert. Im Vergleich zu dem Stand der Technik können das/die in der vorliegende Anmeldung offenbarte Datenvorverarbeitungsverfahren und -vorrichtung aufgrund der Merkmale der Sensormessdaten die Ähnlichkeit zwischen den Sensormessdaten auf der Merkmalsebene Ermitteln und somit anhand der Ähnlichkeit bestimmen, ob Messdaten von irgend zwei Sensoren fusioniert werden können. In praktischer Anwendung kann das in der vorliegenden Anmeldung offenbarte Datenvorverarbeitungsverfahren für ein Multisensorsystem vor einer Datenfusion bestimmen, Messdaten von welchen Sensoren fusionierbar sind. Somit können während einer Datenfusion Messdaten der Sensoren gezielt fusioniert werden, die Rechenmenge wird reduziert und die Effizienz der Datenfusion wird erhöht.
Figurenliste
Um die technischen Lösungen der vorliegenden Erfindung deutlicher zu veranschaulichen, werden die in den Ausführungsbeispielen verwendeten Zeichnungen nachstehend kurz eingeführt. Es ist offensichtlich, dass für den Fachmann andere relevante Zeichnungen auch von diesen Zeichungen ohne erfinderisches Verlangen erhalten werden können.

1 zeigt eine schematische Darstellung des Arbeitsablaufs eines in einem erfindungsgemäßen Ausführungsbeispiel offenbarten Datenvorverarbeitungsverfahrens für Datenfusion;
2 zeigt eine schematische Darstellung der Struktur einer in einem erfindungsgemäßen Ausführungsbeispiel offenbarten Datenvorverarbeitungsvorrichtung für Datenfusion.

AUSFÜHRUNGSFORMEN DER ERFINDUNG
Um die Probleme, dass das Datenvorverarbeitungsverfahren im Stand der Technik die Effizienz der Datenfusion verringert und als Folge ein Fehler zwischen dem Ergebnis aus der Datenfusion und einem tatsächlich geforderten Ergebnis entsteht, zu lösen, werden in der vorliegenden Anmeldung durch folgende Ausführungsbeispiele Datenvorverarbeitungsverfahren und -vorrichtung für Datenfusion offenbart.
Unter Verweis auf die schematische Darstellung des Arbeitsablaufs in 1 offenbart ein erstes Ausführungsbeispiel der vorliegenden Anmeldung ein Datenvorverarbeitungsverfahrens für Datenfusion, umfassend:

Schritt S11, Ermitteln von ersten Messdaten, die von Sensoren verschiedener Arten gemessene Daten umfassen.

Schritt S12, willkürliches Ermitteln der von den Sensoren in zwei verschiedenen Arten gemessenen Daten anhand der ersten Messdaten und Einstellen der von den Sensoren in zwei verschiedenen Arten gemessenen Daten jeweils als Zieldaten bzw. Referenzdaten.
Schritt S13, Ermitteln von Merkmalen der Zieldaten anhand der Zieldaten, und Ermitteln von Merkmalen der Referenzdaten anhand der Referenzdaten.
Schritt S14, Ermitteln einer Zielmerkmalbeschreibungsmenge anhand der Merkmale der Zieldaten, und Ermitteln einer Referenzmerkmalbeschreibungsmenge anhand der Merkmale der Referenzdaten, wobei die Zielmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Zieldatenmerkmale beschreibt, die Referenzmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Referenzdatenmerkmale beschreibt.
Menschen haben unterschiedliche Erkenntnisse über komplexe objektive Gegenstände, und daher unterscheiden sich auch die Abstraktionen der entsprechenden objektiven Gegenstände. Es ist unvermeidlich, dass Wissenselemente auftreten werden, die nicht mit „Definition“ und „Unvollständigkeit“ übereinstimmen, was schließlich zu dem Problem führt, dass durch Daten ausgeführte Beschreibungen für eine objektive Tatsache oder für ein Attribut davon inkonsistent sind. Dabei bezieht das Wissenselement sich auf eine Wissenseinheit, die nicht weiter segmentiert werden kann und einen vollständigen Wissensausdruck aufweist. Um zu bestimmen, ob die von zwei beliebigen Sensoren gemessenen Daten fusioniert werden können, wird eine Wissenelementbank gemäß dem in der vorliegenden Anmeldung offenbarten Datenvorverarbeitungsverfahren durch Ermitteln der Merkmale der Zieldaten und der Merkmale der Referenzdaten erstellt. Des Weiterhin wird bestimmt, ob die Zieldaten und die Referenzdaten auf einer Merkmalsebene identisch beschrieben sind, sodass während einer Datenfusion die verwendeten Daten auf einer Merkmalebene identisch beschrieben sind. Z.B. während einer Verarbeitung der Messdaten eines Lichtsensors, weil der Lichtsensor hauptsächlich zum Messen eines Schattenparameters und eines Helligkeitsparameters verwendet ist, können für die vom Lichtsensor gemessenen Daten Schatten und Helligkeit als Merkmale der Messdaten des Lichtsensors dienen; Daten betreffend den Schatten und Daten betreffend die Helligkeit werden als eine Merkmalbeschreibungsmenge verwendet, indem aus den Messdaten relevante Daten zum Beschreiben des Schattens und relevante Daten zum Beschreiben der Helligkeit extrahiert werden.
Schritt S15, Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge.
Schritt S16, Bestimmen anhand der Ähnlichkeit, ob die Ähnlichkeit größer als ein vorbestimmenter kritischer Schwellenwert ist; falls ein Ergebnis der Bestimmung ja ist, wird bestimmt, dass die Zieldaten und die Referenzdaten fusionierbar sind; falls ein Ergebnis der Bestimmung nein ist, wird bestimmt, dass die Zieldaten und die Referenzdaten nicht fusionierbar sind.
Um umfassende und vollständige Informationen über eine Umgebung oder einen objektiven Gegenstand zu erhalten, kann ein Multisensorsystem mehrere Arten von Sensoren enthalten, beispielsweise enthält ein Multisensorsystem für eine Autobahn üblicherweise einen Infrarotsensor, einen Ultraschallsensor, einen piezoelektrischen Sensor, einen Lichtsensor, einen geomagnetischen Sensor und dgl. Für eine bestimmte Analyseanforderung wie z.B. für eine Analyseanforderung vom Verkehrsfluss genügt es, dass während einer Datenfusion Messdaten des Lichtsensors sowie des geomagnetischen Sensors fusioniert werden. Beim Datenvorverarbeitungsverfahren im Stand der Technik ist es vor einer Datenfusion nicht festlegbar, Daten von welchen Sensoren fusionierbar sind, Daten von welchen Sensoren unfusionierbar sind; hingegen werden dabei alle Sensormessdaten fusioniert, was die Rechenmenge erhöht und die Effizienz der Datenfusion verringert. Im Vergleich zu dem Stand der Technik können das/die in der vorliegende Anmeldung offenbarte Datenvorverarbeitungsverfahren und -vorrichtung aufgrund der Merkmale der Sensormessdaten die Ähnlichkeit zwischen den Sensormessdaten Ermitteln und somit anhand der Ähnlichkeit bestimmen, ob Messdaten von irgend zwei Sensoren fusioniert werden können. In praktischer Anwendung kann das in der vorliegenden Anmeldung offenbarte Datenvorverarbeitungsverfahren für ein Multisensorsystem vor einer Datenfusion bestimmen, Messdaten von welchen Sensoren fusionierbar sind. Somit können während einer Datenfusion Messdaten der Sensoren gezielt fusioniert werden, die Rechenmenge wird reduziert und die Effizienz der Datenfusion wird erhöht.
Des Weiteren umfasst das Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsm enge:
Erstellen eines Merkmalsähnlichkeitsmodells anhand der Merkmale der Zieldaten und der Merkmale der Referenzdaten, welches zum Kennzeichnen einer Ähnlichkeit zwischen den Zieldatenmerkmalen und den Referenzdatenmerkmalen dient.
Ein objektiver Gegenstand oder ein System kann als ein Modell m abstrahiert werden, und durch eine Studie über die gemeinsame Form des Wissensausdrucks des Modells m kann das Modell m als ein Wissenselement Km ausgedrückt werden. Angenommen, dass Nm ein Begriffname eines objektiven Gegenstands oder eines Systems ist, wobei es dabei im Wesen um eine Menge von Vokabularen mit einer gleichen Bedeutung oder ähnlichen Bedeutungen geht. Am ist eine Menge zum Beschreiben von Attributen der Merkmale des objektiven Gegenstands und wie diese Attribute beschrieben werden, und wird in eine Menge von qualitativen Beschreibungen von Zuständen und eine Menge von quantitativen Beschreibungen von messbaren Zuständen eingeteilt. Rm ist eine Menge zum Beschreiben einer Verknüpfungsbeziehung zwichen Attributen. γ ∈ Rm steht für eine Mapping-Beziehung am Am × Am. Relevante Beziehungen können in qualitative und quantitative relevante Beziehungen eingeteilt werden. Durch eine Zusammenfassung gemeinsamer Merkmale der relevanten Beziehungen kann ein Beziehungswissenelementmodell abstrahiert werden. Das mit dem Modell m korrespondierende Wissenelement Km kann so ausgedrückt werden: Km= (Nm, Am, Rm).
Offensichtlich sind die folgenden Attribute gemäß der Definition einer Ähnlichkeitsfunktion Sf des Wissenselements erhältlich:
Sf (x, y)∈[0,1];

Sf (x, y)=0, wenn und nur wenn x und y irrelevant sind; und
Sf (x, y)=1, wenn und nur wenn x und y gleich sind, and Sf (x, y)=Sf (y, x).

Hierbei repräsentieren x und y jeweils unterschiedliche Wissenselemente und können als die Merkmale der Zieldaten und die Merkmale der Referenzdaten, wie oben offenbart in dieser Anmeldung, verstanden werden.
Aus den obigen Definitionen ist zu ersehen, dass es sehr bequem ist, die Ähnlichkeit unter Verwendung eines geometrischen Prinzips zu berechnen. Wegen der Symmetrie eines geometrischen Ähnlichkeitsmodells ist es nicht geeignet für einen Vergleich von vielen objektiven Gegenständen mit asymmetrischen Merkmalen im wirklichen Leben. Die Anwendungen eines Ähnlichkeitsvergleichsmodells für asymmetrische Merkmale sind breiter und auf der Grundlage eines Merkmalähnlichkeitsmodells werden die Forschungen im Hinblick auf die erweiterten Anwendungen des Ähnlichkeitsmodells kontinuierlich weiterentwickelt. In der vorliegenden Anmeldung wird ein Merkmalähnlichkeitsmodell verwendet. Das Modell zählt Merkmale eines objektiven Gegenstands in eine Mengeform, durch Definieren einer den Merkmalelementen entsprechenden Funktion wird eine Ähnlichkeit von Merkmalmengen gwonnen, somit wird die Änlichkeit von Zieldaten und den Referenzdaten auf der Merkmalebene gekennzeichnet.
Anhand der Zielmerkmalbeschreibungsmenge, der Referenzmerkmalbeschreibungsmenge und des Merkmalsähnlichkeitsmodells wird eine Ähnlichkeit zwischen den Zieldaten und den Referenzdaten ermittelt.
Des Weiteren wird die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten durch folgende Formel ermittelt: $S f (a, b) = \frac{f (A \cap B)}{f (A \cap B) + α f (A - B) + β f (B - A)}, α \geq 0, β \geq 0;$
wobei Sf(a,b) die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten repräsentiert, a die Merkmale der Zieldaten repräsentiert, b die Merkmale der Referenzdaten repräsentiert, A die Zielmerkmalbeschreibungsmenge repräsentiert, B die Referenzmerkmalbeschreibungsmenge repräsentiert, f(A∩B) die Anzahl von Zuständen, die sowohl zur Zielmerkmalbeschreibungsmenge als auch zur Referenzmerkmalbeschreibungsmenge gehören, repräsentiert, f(A-B) die Anzahl von Zuständen, die zur Zielmerkmalbeschreibungsmenge jedoch nicht zur Referenzmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert, f(B-A) die Anzahl von Zuständen, die zur Referenzmerkmalbeschreibungsmenge jedoch nicht zur Zielmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert, α einen Aufmerksamkeitsgrad für die Referenzdatenmerkmale repräsentiert, β einen Aufmerksamkeitsgrad für die Zieldatenmerkmale repräsentiert. Der Aufmerksamkeitsgrad ist ein gemäß den tatsächlichen Anwendungssituationen vorbestimmenter Wert. Wenn für eine bestimmte Analyseanforderung bestimmt wird, welche Messdaten fusioniert werden können, repräsentiert der Aufmerksamkeitsgrad die Wichtigkeitsgrade verschiedener Sensormessdaten. Beispielsweise, für die Analyseanforderung vom Verkehrsfluss bei der Bestimmung der Ähnlichkeit der Messdaten von einem Lichtsensor und einem geomagnetischen Sensor, wenn nach der Ansicht eines Bedieners die Messdaten des Lichtsensors wichtiger für die Verkehrsflussanalyse sind, kann der Aufmerksamkeitsgrad für die Messdatenmerkmale des Lichtsensors vorab manuell relativ groß eingestellt werden und der Aufmerksamkeitsgrad für die Messdatenmerkmale des geomagnetischen Sensors relativ klein eingestellt werden.
In praktischen Anwendungen ist jede objektive Tatsache ein mehrdimensionaler Komplex mit einer Vielzahl von Merkmalen. Zur Berechnung einer Ähnlichkeit eines objektiven Gegenstands mit mehrdimensionalen komplexen Merkmalen kann eine lineare Gewichtung mittels des Merkmalähnlichkeitsmodells für jedes Merkmal durchgeführt werden, um ein synthetisches Multimerkmalähnlichkeitsmodell des objektiven Gegenstands zu berechnen. Angenommen, dass die Zieldaten n Merkmale aufweisen, wird die Ähnlichkeit zwischen einem i-ten Merkmal der Zieldaten und den Referenzdaten als Sf_i (a, b) berechnet, somit ist die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten: $S f (a, b) = \sum_{i = 1}^{n} {\bar{ω}}_{i} \cdot S f_{i} (a, b);$
wobei ω̅_i, das Gewicht des i-ten Merkmals repräsentiert und je nach tatsächlicher Anwendungssituation vorbestimment werden kann.
Bei der Bestimmung der Größe der Ähnlichkeit wird ein kritischer Schwellenwert µ eingestellt, und 0<µ< 1. Wenn Sf(a,b)> µ, zeigt dies an, dass es eine große Wahrscheinlichkeit gibt, dass die Zieldaten und die Referenzdaten die Messdaten eines gleichen Objekts sind und somit die Zieldaten und die Referenzdaten fusioniert werden können. Wenn Sf(a,b)<µ, zeigt dies an, dass die Zieldaten und die Referenzdaten nicht die Messdaten eines gleichen Objekts sind und somit die Zieldaten und die Referenzdaten nicht fusioniert werden können. Konkreterweise wird der kritische Schwellenwert µ gemäß dem Anforderungsgrad für die Ähnlichkeit in tatsächlichen Anwendungen eingestellt. Z.B. wenn die Anforderung an die Ähnlichkeit relativ hoch ist, kann der kritische Schwellenwert µ auf 0,8 eingestellt werden; im Falle von einer relativ niedrigen Ähnlichkeit kann der kritische Schwellenwert µ angemessen kleiner eingestellt werden.
Die Sensoren werden während eines Datenerfassungsprozesses leicht von der Umgebung gestört. Daher weisen die von den Sensoren gemessenen Daten normalerweise Abweichungen auf, was die Exaktheit und Stabilität während der Datenfusion beeinträchtigt. Daher werden bei dem in der vorliegenden Anmeldung offenbarten Datenvorverarbeitungsverfahren zur Erhöhung der Exaktheit der ersten Messdaten Fehler, vor dem Ermitteln der ersten Messdaten, aus den durch den Sensor gemessenen Anfangsdaten entfernt.
Des Weiteren umfasst das Verfahren vor dem Ermitteln der ersten Messdaten ferner:

Ermitteln von Anfangsmessdaten, die von allen Sensoren gemessene Anfangsdaten umfassen, wobei die allen Sensoren Sensoren verschiedener Arten umfassen, und wobei jede Art mehrere Sensoren umfasst.

Auswerten der Anfangsmessdaten zum Ermitteln eines Auswertungswerts der Anfangsmessdaten.
Für Sensoren derelben Art, Erstellen einer Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten.
Ermitteln eines Sensors mit einem höheren Vertrauensgrad von Sensoren derelben Art anhand der Vertrauensgradmatrix, und Einstellen des Auswertungswerts der Anfangsmessdaten des Sensors mit einem höheren Vertrauensgrad als die ersten Messdaten.
Des Weiteren umfasst das Auswerten der Anfangsmessdaten zum Ermitteln des Auswertungswerts der Anfangsmessdaten:

Einstellen von durch einen Zielsensor gemessenen Anfangsdaten als Zielanfangsdaten anhand der Anfangsmessdaten, wobei der Zielsensor einer beliebiger der allen Sensoren ist und die Zielanfangsdaten Daten, die durch den Zielsensor mehrmals gemessen sind, umfassen.

Ermitteln von Einmaligen-Zielanfangsdaten des Zielsensors anhand der Zielanfangsdaten und Teilen der Einmaligen-Zielanfangsdaten in ungerade Anfangsdaten und gerade Anfangsdaten.
Teilen der Einmaligen-Zielanfangsdaten in ungerade Anfangsdaten und gerade Anfangsdaten, wobei die ungeraden Anfangsdaten x₁₁ x₁₂,···,x_1t
1,···, x_1T
1 sind und insgesamt T₁ Daten umfassen, die geraden Anfangsdaten x₂₁, x₂₂, ···, x_2t
2,..., x_2T
2 sind und insgesamt T₂ Daten umfassen.
Ermitteln eines Durchschnittswerts und einer Standardabweichung der ungeraden Anfangsdaten anhand der ungeraden Anfangsdaten, und Ermitteln eines Durchschnittswerts und einer Standardabweichung der geraden Anfangsdaten anhand der geraden Anfangsdaten.
Konkreterweise wird durch die folgende Formel der Durchschnittswert der ungeraden Anfangsdaten ermittelt: ${\bar{x}}_{1} = \frac{1}{T_{1}} \sum_{t_{1} = 1}^{T_{1}} x_{1 f_{1}} .$
Dabei repräsentiert t₁ in den ungeraden Anfangsdaten t₁ -te Daten, und t₁ ∈ [1,T₁].
Durch die folgende Formel wird der Durchschnittswert der geraden Anfangsdaten ermittelt: ${\bar{x}}_{2} = \frac{1}{T_{2}} \sum_{t_{2} = 1}^{T_{2}} x_{2 f_{2}} .$
Dabei repräsentiert t₂ in den ungeraden Anfangsdaten t₂ -te Daten, und t₂ ∈ [1,T₂].
Durch die folgende Formel wird die Standardabweichung der ungeraden Anfangsdaten ermittelt: $σ_{1} = \sqrt{\frac{1}{T_{1} - 1} {\sum_{t_{1} = 1}^{T_{1}} (x_{1 t_{1}} - {\bar{x}}_{1})}^{2}} .$
Durch die folgende Formel wird die Standardabweichung der geraden Anfangsdaten ermittelt: $σ_{2} = \sqrt{\frac{1}{T_{2} - 1} {\sum_{t_{2} = 1}^{T_{2}} (x_{2 t_{2}} - {\bar{x}}_{2})}^{2}} .$
Ermitteln eines lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten anhand des Durchschnittswerts und der Standardabweichung der ungeraden Anfangsdaten und des Durchschnittswerts und der Standardabweichung der geraden Anfangsdaten, wobei das lokale Fusionsergebnis einen Durchschnittswerts-Fusionswert und einen Standardabweichungs-Fusionswert umfasst;
Ermitteln eines Auswertungswerts der Zielanfangsdaten anhand des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten;
Ermitteln eines Auswertungswerts der Anfangsmessdaten, der Auswertungswerte aller Anfangsmessdaten umfasst.
Des Weiteren umfasst das Ermitteln des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten anhand des Durchschnittswerts und der Standardabweichung der ungeraden Anfangsdaten und des Durchschnittswerts und der Standardabweichung der geraden Anfangsdaten:
Ermitteln des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten durch folgende Formeln: $\begin{array}{l} \hat{x} = \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{1} + \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{2}; \\ \hat{σ} = \sqrt{\frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}}}; \end{array}$
wobei x̂ den Durchschnittswerts-Fusionswert repräsentiert, σ̂ den Standardabweichungs-Fusionswert repräsentiert, x̅₁ einen Durchschnittswert der ungeraden Anfangsdaten repräsentiert, x̅₂ einen Durchschnittswert der geraden Anfangsdaten repräsentiert, σ₁ eine Standardabweichung der ungeraden Anfangsdaten repräsentiert, σ₂ eine Standardabweichung der geraden Anfangsdaten repräsentiert.
Konkreterweise lautet die Formel zur Ableitung des Durchschnittswerts-Fusionswerts x̂: $\hat{x} = \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} [\begin{matrix} 1 & 1 \end{matrix}] (\begin{matrix} σ_{1}^{- 2} & 0 \\ 0 & σ_{2}^{- 2} \end{matrix}) (\frac{{\bar{x}}_{2}}{{\bar{x}}_{1}}) = \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{1} + \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{2} .$
Dabei ist [1 1] eine Matrix mit einer Zelle und zwei Spalten.
Die Formel zur Ableitung des Standardabweichungs-Fusionswerts x̂ lautet: $\hat{σ} = \sqrt{{([\begin{matrix} 1 & 1 \end{matrix}] (\begin{matrix} σ_{1}^{- 2} & 0 \\ 0 & σ_{2}^{- 2} \end{matrix}) (\begin{matrix} 1 \\ 1 \end{matrix}))}^{- 1}} = \sqrt{\frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}}} .$
Anhand des Standardabweichungs-Fusionswerts ist ein Varienz-Fusionswert σ̂²leicht zu gewonnen. ${\hat{σ}}^{2} = \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} .$
Anhand des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten ist der ermittelte Auswertungswert der Zielanfangsdaten: $\hat{X} = [{\hat{x}}_{1}, {\hat{x}}_{2}, \dots {\hat{x}}_{j}, \dots, {\hat{x}}_{m}] .$
Dabei repräsentiert X den Auswertungswert der Zielanfangsdaten, x̅₁ repräsentiert den Durchschnittswerts-Fusionswert der vom Zielsensor zum j-ten Mal gemessenen Anfangsdaten, und der Zielsensor misst insgesamt m-mal.
Zur Erhöhung der Exaktheit der Anfangsmessdaten, werden einmalig gemessene Messdaten eines einzelnen Sensors teilweise fusioniert, um eine Fehlerentfernung für die einmalig gemessenen Messdaten zu ermöglichen; anschließend wird der Auswertungswert der Anfangsmessdaten ermittelt und eine Fehlerentfernung für alle Sensoranfangsmessdaten wird realisiert.
Da unterschiedliche Sensoren bei einer Datenerfassung unter unterschiedlichen Störungen leiden, ist die Glaubwürdigkeit der davon gemessenen Daten auch unterschiedlich. Dasselbe Problem gilt auch für Sensoren derselben Art. Um die Messdaten mit einer relativ hohen Glaubwürdigkeit herauszufiltern, wird anschließend für Sensoren derserlben Art eine Vertrauensgradmatrix der Messdaten durch Berechnen eines Vertrauensabstands zwischen den Sensoren erstellt, und dann wird durch die Vertrauensgradmatrix bestimmt, unter Sensoren derselben Art Daten gemessen von welchen Sensoren eine relativ hohe Glaubwürdigkeit haben.
Des Weiteren umfasst, für Sensoren derelben Art, das Erstellen einer Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten:

für Sensoren derelben Art, Ermitteln eines Auswertungswerts der Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten.

Ermitteln eines Vertrauensabstands zwischen den Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten der Sensoren derelben Art.
Konkreterweise, angenommen, dass ein Sensor E und ein Sensor F Senoren derselben Art sind, ist der Auswertungswert der Anfangsmessdaten des Sensors E somit X̂_E, der Standardabweichungs-Fusionswert ist σ̂_E; der Auswertungswert der Anfangsmessdaten des Sensors F ist X̂_F , der Standardabweichungs-Fusionswert ist σ̂_F. Der Vertrauensabstand d_EF zwischen den beiden Sensoren ergibt sich durch folgende Formel: $\begin{matrix} d_{E F} = 2 \int_{{\hat{X}}_{E}}^{{\hat{X}}_{F}} P_{E} (X) d_{X} = 2 \int_{{\hat{X}}_{E}}^{{\hat{X}}_{F}} \frac{1}{\sqrt{2 π} {\hat{σ}}_{E}} exp [- \frac{1}{2} (\frac{\hat{X} - {\hat{X}}_{E}}{{\hat{σ}}_{E}})] d_{X} \\ = 2 \int_{{\hat{X}}_{E}}^{| \frac{{\hat{X}}_{F} - {\hat{X}}_{E}}{{\hat{σ}}_{E}} |} \frac{1}{\sqrt{2 π}} exp [- \frac{{\hat{X}}^{2}}{2}] d_{X} = 2 | \frac{{\hat{X}}_{F} - {\hat{X}}_{E}}{{\hat{σ}}_{E}} | - 1 \end{matrix}$
Dabei wird P_E(X) als eine Wahrscheinlichkeitsdichtefunktion von X̂_E definiert, und $P_{E} (X) = \frac{1}{\sqrt{2 π} {\hat{σ}}_{E}} exp [- \frac{1}{2} (\frac{\hat{X} - {\hat{X}}_{E}}{{\hat{σ}}_{E}})] .$
X̂ repräsentiert einen Mittelwert der Anfangsmessdaten-Auswertungswerte aller Sensoren. exp repräsentiert eine Exponentialfunktionsoperation, die eine natürliche Konstante e als Basiszahl nutzt.
Erstellen der Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Vertrauensabstands.
Angenommen, dass es K Sensoren von einer Art gibt; d.h. K Sensoren messen dasselbe Objekt, anhand des ermittelten Vertrauensabstands wird eine Vertrauensgradmatrix D erstellt, dargestellt wie folgt: $D = [\begin{matrix} d_{11} & d_{12} & \dots & d_{1 K} \\ d_{21} & d_{22} & \dots & d_{2 K} \\ ⋮ & ⋮ & \dots & ⋮ \\ d_{K 1} & d_{K 2} & \dots & d_{K K} \end{matrix}] .$
In Kombination mit den vorgenannten K Sensoren derselben Art wird der Sensor E als der E-te Sensor festgesetzt. Elemente auf der E-ten Zeile der obigen erstellten Vertrauensgradmatrix D repräsentieren Vertrauensabstände von dem E-ten Sensor und allen anderen Sensoren. Eine Summe der Elemente auf dieser Zeile wird ermittelt. Wenn die Summe der Elemente auf dieser Zeile größer als die Summe der Elemente auf einer anderen Zeile ist, zeigt dies an, dass den vom dem E-ten Sensor gemessenen Daten durch die meisten Sensoren vertraut wird, wobei die Glaubwirkigkeit der von dem E-ten Sensor gemessenen Daten relativ höher ist. Umgekehrt, zeigt es an, dass den vom dem E-ten Sensor gemessenen Daten nicht durch die meisten Sensoren vertraut wird, wobei die Wahrscheinlichkeit, dass die von dem E-ten Sensor gemessenen Daten wahre Daten sind, relativ klein ist. Konkreterweise, wenn für die Vertrauensgradmatrix festgelegt wird, ob unter Sensoren derselben Art die von einem Sensor gemessenen Daten einen relativ höheren Vertrauensgrad aufweist, kann bei Bedarf in praktischer Anwendung für Sensoren dieser Art bestimmt werden, die von wie vielen Sensoren gemessenen Daten schließlich fusioniert werden müssen. Zum Beispiel gibt es zehn Sensoren von gleicher Art. Wenn während einer anschließenden Datenfusion nur die Messdaten von fünf Sensoren fusioniert werden müssen, können dabei aus zehn Zeilen der Vertrauensgradmatrix nur fünf Zeillen, bei denen die Elementsumme relativ größer ist, ausgewählt werden und die von den fünf Zeillen repräsentierten Sensoren werden als Sensoren mit einem relativ hohen Vertrauensgrad verwendet.
Die vorliegende Anmeldung offenbart ein Datenvorverarbeitungsverfahren für Datenfusion, Fehlerdaten werden unter Verwendung eines Datenstufe-Fehlerentfernungs-Algorithmus auf Basis eines Vertrauensabstands entfernt, und dann werden auf der Merkmalebene Sensormessdaten mit identischen Beschreibungen basierend auf eines Merkmalstufe-Vereinheitlichungs-Algorithmus von Wissenslementen gewonnen, sodass während einer Datenfusion Messdaten der Sensoren gezielt fusioniert werden können, die Rechenmenge reduziert wird und die Effizienz der Datenfusionstechnologie erhöht wird.
Folgend ist ein Ausführungsbeispiel für die in der vorliegenden Anmeldung offenbarten Vorrichtung und sie ist verwendbar zur Durchführung des erfindungsgemäßen Verfahrensausführungsbeispiels. Für die in dem erfindungsgemäßen Vorrichtungsausführungsbeispiel nicht offenbarten Einzelheiten, bitte verweisen sie auf das erfindungsgemäße Verfahrensausführungsbeispiel.
Dementsprechend offenbart ein weiteres Ausführungsbeispiel der vorliegenden Anmeldung unter Verweis auf die schematische Darstellung der Struktur in 2 eine Datenvorverarbeitungsvorrichtung für Datenfusion, umfassend:

Ein erstes Datenermittelungsmodul 10 zum Ermitteln von ersten Messdaten, die von Sensoren verschiedener Arten gemessene Daten umfassen.

Ein zweites Datenermittelungsmodul 20 zum willkürlichen Ermitteln der von Sensoren in zwei verschiedenen Arten gemessenen Daten anhand der ersten Messdaten und Einstellen der von den Sensoren in zwei verschiedenen Arten gemessenen Daten jeweils als Zieldaten bzw. Referenzdaten.
Ein Merkmalermittelungsmodul 30 zum Ermitteln von Merkmalen der Zieldaten anhand der Zieldaten, und zum Ermitteln von Merkmalen der Referenzdaten anhand der Referenzdaten.
ein Merkmalbeschreibungsmenge-Ermittelungsmodul 40 zum Ermitteln einer Zielmerkmalbeschreibungsmenge anhand der Merkmale der Zieldaten, und zum Ermitteln einer Referenzmerkmalbeschreibungsmenge anhand der Merkmale der Referenzdaten, wobei die Zielmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Zieldatenmerkmale beschreibt, die Referenzmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Referenzdatenmerkmale beschreibt.
Ein Ähnlichkeitsermittelungsmodul 50 zum Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsm enge.
Ein Bestimmungsmodul 60 zum Bestimmen, anhand der Ähnlichkeit, ob die Ähnlichkeit größer als ein vorbestimmenter kritischer Schwellenwert ist; falls ein Ergebnis der Bestimmung ja ist, wird bestimmt, dass die Zieldaten und die Referenzdaten fusionierbar sind; falls ein Ergebnis der Bestimmung nein ist, wird bestimmt, dass die Zieldaten und die Referenzdaten nicht fusionierbar sind.
Des Weiteren umfasst das Ähnlichkeitsermittelungsmodul:

Eine Modellerstellungseinheit zum Erstellen eines Merkmalsähnlichkeitsmodells anhand der Merkmale der Zieldaten und der Merkmale der Referenzdaten, welches zum Kennzeichnen einer Ähnlichkeit zwischen den Zieldatenmerkmalen und den Referenzdatenmerkmalen dient;

Eine Ähnlichkeitsermittelungseinheit zum Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Zielmerkmalbeschreibungsmenge, der Referenzmerkmalbeschreibungsmenge und des Merkmalsähnlichkeitsmodells.
Des Weiteren umfasst die Vorrichtung ferner:

Ein Anfangsdatenermittelungsmodul zum Ermitteln von Anfangsmessdaten, die von allen Sensoren gemessene Anfangsdaten sind, wobei die allen Sensoren Sensoren verschiedener Arten umfassen, und wobei jede Art mehrere Sensoren umfasst.

Ein Auswertungsmodul zum Auswerten der Anfangsmessdaten zum Ermitteln eines Auswertungswerts der Anfangsmessdaten;
Ein Vertrauensgradmatrix-Erstellungsmodul, für Sensoren derelben Art, zum Erstellen einer Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten.
Ein erstes Dateneinstellungsmodul zum Ermitteln eines Sensors mit einem höheren Vertrauensgrad von Sensoren derelben Art anhand der Vertrauensgradmatrix, und zum Einstellen des Auswertungswerts der Anfangsmessdaten des Sensors mit einem höheren Vertrauensgrad als die ersten Messdaten.
Des Weiteren wird das Ähnlichkeitsermittelungsmodul ferner zum Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten durch folgende Formel verwendet: $S f (a, b) = \frac{f (A \cap B)}{f (A \cap B) + α f (A - B) + β f (B - A)}, α \geq 0, β \geq 0;$
wobei Sf(a,b) die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten repräsentiert, a die Merkmale der Zieldaten repräsentiert, b die Merkmale der Referenzdaten repräsentiert, A die Zielmerkmalbeschreibungsmenge repräsentiert, B die Referenzmerkmalbeschreibungsmenge repräsentiert, f(A∩B) die Anzahl von Zuständen, die sowohl zur Zielmerkmalbeschreibungsmenge als auch zur Referenzmerkmalbeschreibungsmenge gehören, repräsentiert, f(A-B) die Anzahl von Zuständen, die zur Zielmerkmalbeschreibungsmenge jedoch nicht zur Referenzmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert, f(B-A) die Anzahl von Zuständen, die zur Referenzmerkmalbeschreibungsmenge jedoch nicht zur Zielmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert, α einen Aufmerksamkeitsgrad für die Referenzdatenmerkmale repräsentiert, β einen Aufmerksamkeitsgrad für die Zieldatenmerkmale repräsentiert.
Des Weiteren umfasst das Auswertungsmodul:

Des Weiteren dient die lokales-Fusionsergebnis-Ermittelungseinheit noch zum Ermitteln eines lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten durch folgende Formeln: $\hat{x} = \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{1} + \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{2};$
$\hat{σ} = \sqrt{\frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}}};$
wobei x̂ den Durchschnittswerts-Fusionswert repräsentiert, σ̂ den Standardabweichungs-Fusionswert repräsentiert, x̅₁ einen Durchschnittswert der ungeraden Anfangsdaten repräsentiert, x̅₂ einen Durchschnittswert der geraden Anfangsdaten repräsentiert, σ₁ eine Standardabweichung der ungeraden Anfangsdaten repräsentiert, σ₂ eine Standardabweichung der geraden Anfangsdaten repräsentiert.
Des Weiteren umfasst das Vertrauensgradmatrix-Erstellungsmodul:

In Kombination mit den obigen konkreten Ausführungsformen und beispielhaften Ausführungsbeispielen wird die vorliegende Anmeldung ausführlich beschrieben, aber diese Beschreibungen dürfen nicht als Einschränkungen für die vorliegende Anmeldung verstanden werden. Der Fachmann auf dem Gebiet versteht, dass ohne Abweichung von der/dem erfindungsgemäßen Idee sowie Umfang verschiedene äquivalente Ersetzungen, Modifikationen oder Verbesserungen für die technischen Lösungen der vorliegenden Anmeldung und für deren Ausführungsformen durchführbar sind und diese alle unter dem Umfang der vorliegenden Anmeldung fallen. Der Schutzbereich der vorliegenden Anmeldung beruht auf dem beigefügten Anspruchsatz.

Claims

Datenvorverarbeitungsverfahren für Datenfusion, dadurch gekennzeichnet, umfassend: Ermitteln von ersten Messdaten, die von Sensoren verschiedener Arten gemessene Daten umfassen; Willkürliches Ermitteln der von den Sensoren in zwei verschiedenen Arten gemessenen Daten anhand der ersten Messdaten und Einstellen der von den Sensoren in zwei verschiedenen Arten gemessenen Daten jeweils als Zieldaten bzw. Referenzdaten; Ermitteln von Merkmalen der Zieldaten anhand der Zieldaten, und Ermitteln von Merkmalen der Referenzdaten anhand der Referenzdaten; Ermitteln einer Zielmerkmalbeschreibungsmenge anhand der Merkmale der Zieldaten, und Ermitteln einer Referenzmerkmalbeschreibungsmenge anhand der Merkmale der Referenzdaten, wobei die Zielmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Zieldatenmerkmale beschreibt, und wobei die Referenzmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Referenzdatenmerkmale beschreibt; Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge; Bestimmen anhand der Ähnlichkeit, ob die Ähnlichkeit größer als ein vorbestimmenter kritischer Schwellenwert ist; falls ein Ergebnis der Bestimmung ja ist, wird bestimmt, dass die Zieldaten und die Referenzdaten fusionierbar sind; falls ein Ergebnis der Bestimmung nein ist, wird bestimmt, dass die Zieldaten und die Referenzdaten nicht fusionierbar sind.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge umfasst: Erstellen eines Merkmalsähnlichkeitsmodells anhand der Merkmale der Zieldaten und der Merkmale der Referenzdaten, welches zum Kennzeichnen einer Ähnlichkeit zwischen den Zieldatenmerkmalen und den Referenzdatenmerkmalen dient; Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Zielmerkmalbeschreibungsmenge, der Referenzmerkmalbeschreibungsmenge und des Merkmalsähnlichkeitsmodells.
. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten durch folgende Formel ermittelt wird: $S f (a, b) = \frac{f (A \cap B)}{f (A \cap B) + α f (A - B) + β f (B - A)}, α \geq 0, β \geq 0$
wobei Sf(a,b) die Ähnlichkeit zwischen den Zieldaten und den Referenzdaten repräsentiert; a die Merkmale der Zieldaten repräsentiert, b die Merkmale der Referenzdaten repräsentiert; A die Zielmerkmalbeschreibungsmenge repräsentiert; B die Referenzmerkmalbeschreibungsmenge repräsentiert; f(A∩B) die Anzahl von Zuständen repräsentiert, die sowohl zur Zielmerkmalbeschreibungsmenge als auch zur Referenzmerkmalbeschreibungsmenge gehören; f(A-B) die Anzahl von Zuständen, die zur Zielmerkmalbeschreibungsmenge jedoch nicht zur Referenzmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert; f(B-A) die Anzahl von Zuständen, die zur Referenzmerkmalbeschreibungsmenge jedoch nicht zur Zielmerkmalbeschreibungsmenge gehören, in der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsmenge repräsentiert; α einen Aufmerksamkeitsgrad für die Referenzdatenmerkmale repräsentiert; β einen Aufmerksamkeitsgrad für die Zieldatenmerkmale repräsentiert.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Verfahren vor dem Ermitteln der ersten Messdaten ferner umfasst: Ermitteln von Anfangsmessdaten, die von allen Sensoren gemessene Anfangsdaten umfassen, wobei die allen Sensoren Sensoren verschiedener Arten umfassen, und wobei jede Art mehrere Sensoren umfasst; Auswerten der Anfangsmessdaten zum Ermitteln eines Auswertungswerts der Anfangsmessdaten; für Sensoren derelben Art, Erstellen einer Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten, Ermitteln eines Sensors mit einem höheren Vertrauensgrad von Sensoren derelben Art anhand der Vertrauensgradmatrix, und Einstellen des Auswertungswerts der Anfangsmessdaten des Sensors mit einem höheren Vertrauensgrad als die ersten Messdaten.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass das Auswerten der Anfangsmessdaten zum Ermitteln des Auswertungswerts der Anfangsmessdaten umfasst: Einstellen von durch einen Zielsensor gemessenen Anfangsdaten als Zielanfangsdaten anhand der Anfangsmessdaten, wobei der Zielsensor einer beliebiger der allen Sensoren ist und die Zielanfangsdaten Daten, die durch den Zielsensor mehrmals gemessen sind, umfassen; Ermitteln von Einmaligen-Zielanfangsdaten des Zielsensors anhand der Zielanfangsdaten und Teilen der Einmaligen-Zielanfangsdaten in ungerade Anfangsdaten und gerade Anfangsdaten; Ermitteln eines Durchschnittswerts und einer Standardabweichung der ungeraden Anfangsdaten anhand der ungeraden Anfangsdaten, und Ermitteln eines Durchschnittswerts und einer Standardabweichung der geraden Anfangsdaten anhand der geraden Anfangsdaten; Ermitteln eines lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten anhand des Durchschnittswerts und der Standardabweichung der ungeraden Anfangsdaten und des Durchschnittswerts und der Standardabweichung der geraden Anfangsdaten, wobei das lokale Fusionsergebnis einen Durchschnittswerts-Fusionswert und einen Standardabweichungs-Fusionswert umfasst; Ermitteln eines Auswertungswerts der Zielanfangsdaten anhand des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten; Ermitteln eines Auswertungswerts der Anfangsmessdaten, der Auswertungswerte aller Anfangsmessdaten umfasst.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass das Ermitteln des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten anhand des Durchschnittswerts und der Standardabweichung der ungeraden Anfangsdaten und des Durchschnittswerts und der Standardabweichung der geraden Anfangsdaten umfasst: Ermitteln des lokalen Fusionsergebnisses der Einmaligen-Zielanfangsdaten durch folgende Formeln: $\hat{x} = \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{1} + \frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}} {\bar{x}}_{2};$
$\hat{σ} = \sqrt{\frac{σ_{1}^{2} \cdot σ_{2}^{2}}{σ_{1}^{2} + σ_{2}^{2}}};$
wobei x̂ den Durchschnittswerts-Fusionswert repräsentiert, σ̂ den Standardabweichungs-Fusionswert repräsentiert, x̅₁ einen Durchschnittswert der ungeraden Anfangsdaten repräsentiert, x̅₂ einen Durchschnittswert der geraden Anfangsdaten repräsentiert, σ₁ eine Standardabweichung der ungeraden Anfangsdaten repräsentiert, σ₂ eine Standardabweichung der geraden Anfangsdaten repräsentiert.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass für Sensoren derelben Art, das Erstellen einer Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten umfasst: für Sensoren derelben Art, Ermitteln eines Auswertungswerts der Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten; Ermitteln eines Vertrauensabstands zwischen den Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten der Sensoren derelben Art; Erstellen der Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Vertrauensabstands.
Datenvorverarbeitungsvorrichtung für Datenfusion, dadurch gekennzeichnet, umfassend: ein erstes Datenermittelungsmodul zum Ermitteln von ersten Messdaten, die von Sensoren verschiedener Arten gemessene Daten umfassen; ein zweites Datenermittelungsmodul zum willkürlichen Ermitteln der von Sensoren in zwei verschiedenen Arten gemessenen Daten anhand der ersten Messdaten und Einstellen der von den Sensoren in zwei verschiedenen Arten gemessenen Daten jeweils als Zieldaten bzw. Referenzdaten; ein Merkmalermittelungsmodul zum Ermitteln von Merkmalen der Zieldaten anhand der Zieldaten, und zum Ermitteln von Merkmalen der Referenzdaten anhand der Referenzdaten; ein Merkmalbeschreibungsmenge-Ermittelungsmodul zum Ermitteln einer Zielmerkmalbeschreibungsmenge anhand der Merkmale der Zieldaten, und zum Ermitteln einer Referenzmerkmalbeschreibungsmenge anhand der Merkmale der Referenzdaten, wobei die Zielmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Zieldatenmerkmale beschreibt, und wobei die Referenzmerkmalbeschreibungsmenge eine Zustandsmenge ist, die die Referenzdatenmerkmale beschreibt; ein Ähnlichkeitsermittelungsmodul zum Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Merkmale der Zieldaten, der Merkmale der Referenzdaten, der Zielmerkmalbeschreibungsmenge und der Referenzmerkmalbeschreibungsm enge; ein Bestimmungsmodul zum Bestimmen, anhand der Ähnlichkeit, ob die Ähnlichkeit größer als ein vorbestimmenter kritischer Schwellenwert ist; falls ein Ergebnis der Bestimmung ja ist, wird bestimmt, dass die Zieldaten und die Referenzdaten fusionierbar sind; falls ein Ergebnis der Bestimmung nein ist, wird bestimmt, dass die Zieldaten und die Referenzdaten nicht fusionierbar sind.
Vorrichtung nach Anspruch 8, dadurch gekennzeichnet, dass das Ähnlichkeitsermittelungsmodul umfasst: eine Modellerstellungseinheit zum Erstellen eines Merkmalsähnlichkeitsmodells anhand der Merkmale der Zieldaten und der Merkmale der Referenzdaten, welches zum Kennzeichnen einer Ähnlichkeit zwischen den Zieldatenmerkmalen und den Referenzdatenmerkmalen dient; eine Ähnlichkeitsermittelungseinheit zum Ermitteln einer Ähnlichkeit zwischen den Zieldaten und den Referenzdaten anhand der Zielmerkmalbeschreibungsmenge, der Referenzmerkmalbeschreibungsmenge und des Merkmalsähnlichkeitsmodells.
Vorrichtung nach Anspruch 8, dadurch gekennzeichnet, dass die Vorrichtung ferner umfasst: ein Anfangsdatenermittelungsmodul zum Ermitteln von Anfangsmessdaten, die von allen Sensoren gemessene Anfangsdaten sind, wobei die allen Sensoren Sensoren verschiedener Arten umfassen, und wobei jede Art mehrere Sensoren umfasst; ein Auswertungsmodul zum Auswerten der Anfangsmessdaten zum Ermitteln eines Auswertungswerts der Anfangsmessdaten; ein Vertrauensgradmatrix-Erstellungsmodul, für Sensoren derelben Art, zum Erstellen einer Vertrauensgradmatrix von Anfangsmessdaten der Sensoren derelben Art anhand des Auswertungswerts der Anfangsmessdaten; ein erstes Dateneinstellungsmodul zum Ermitteln eines Sensors mit einem höheren Vertrauensgrad von Sensoren derelben Art anhand der Vertrauensgradmatrix, und zum Einstellen des Auswertungswerts der Anfangsmessdaten des Sensors mit einem höheren Vertrauensgrad als die ersten Messdaten.