一种基于深度迁移网络的多传感器数据融合方法技术

本发明专利技术公开了一种基于深度迁移网络的多传感器数据融合方法，包括以下步骤：对获取的多个传感器的源域数据和目标域数据进行数据预处理；构建训练数据和测试数据；使用深度神经网络训练特征编码网络和分类器；计算每个编码网络的最大均值误差损失及对应的分类损失，计算所有分类器对目标域样本输出之间的不一致的损失，优化数据分类、最大均值差异和分类器输出产生的总体损失，获得整体损失函数；将目标域测试数据输入到各个编码网络中提取特征，输出最终的数据融合结果。本发明专利技术融合方法有效利用不同位置传感器冗余和互补的信息，获得稳定的融合结果和较高的诊断精度。同时，可有效减少测试数据和训练数据的分布差异。有效减少测试数据和训练数据的分布差异。有效减少测试数据和训练数据的分布差异。

【技术实现步骤摘要】
一种基于深度迁移网络的多传感器数据融合方法


[0001]本专利技术涉及数据融合技术，尤其涉及一种基于深度迁移网络的多传感器数据融合方法。

技术介绍

[0002]随着当今科学技术的不断进步，高新技术在许多重型设备中得到了应用。一方面极大地改善了设备的各种性能；另一方面显著的增加了设备的技术和结构复杂性，给设备的诊断带来的严峻的挑战。这成为了当前研究的热点问题。如何将多个传感器的数据进行完美融合就成为众学者需要考虑的问题。
[0003]传感器数据融合分为三个层次：数据层、特征层和决策层。目前，针对传感器数据融合的方法通常有：1、经典估计方法，如卡尔曼滤波、最大似然估计等；2、经典传统方法，如D
‑
S证据理论、叶贝斯估计等；3、现代信息论方法，如聚类分析、熵理论；4、现代人工智能，如神经网络、遗传算法、模糊逻辑等。
[0004]但现有的融合方法都存在一定的缺陷：
[0005]1.数据层融合直接在原始数据层面进行融合，可以尽可能多地保留原始数据信息。但是数据层融和方法需要处理的数据量较大，处理效率低。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移网络的多传感器数据融合方法，其特征在于，包括以下步骤：1)对获取的多个传感器的源域数据和目标域数据进行数据预处理；所述数据预处理包括去噪和剔除异常值；2)根据源域数据和目标域数据构建训练数据和测试数据；3)使用深度神经网络训练特征编码网络和分类器，对来自多个传感器的经过预处理的源域数据和目标域数据进行特征提取；用于特征提取的编码网络由卷积神经网络的卷积层、归一化层、池化层和全连接层组成；分类层的Softmax对源域数据进行分类；针对多个传感器有多个源域数据，利用源域标签数据训练多个对应的编码网络和分类器；4)引入迁移学习中的最大均值差异MMD，使用变换函数再生核希尔伯特空间，使得源域和目标域的特征分布差异减小；5)对经过MMD优化后的分类模型，使用最小化分类器对目标域数据输出两两之差的绝对值之和，使得同一目标域样本在不同的分类器网络取得相同结果；6)计算每个编码网络的最大均值误差损失及对应的分类损失，计算所有分类器对目标域样本输出之间的不一致的损失，优化数据分类、最大均值差异和分类器输出产生的总体损失，获得整体损失函数；根据整体损失函数，使损失达到最小；7)将目标域测试数据输入到各个编码网络中提取特征，并采用对应的分类器获得多个分类器的概率输出，输出最终的数据融合结果。2.根据权利要求1所述的基于深度迁移网络的多传感器数据融合方法，其特征在于，所述步骤1)数据预处理中采用能量算子消除噪声影响，利用狄克逊准则去除异常值。3.根据权利要求1所述的基于深度迁移网络的多传感器数据融合方法，其特征在于，所述步骤2)中，分类的损失函数采用交叉熵损失计算：其中，N是对应的源域编码网络数目，对应于第j个源域数据集的第i个样本，表示源域x
s
的分类器的交叉损失函数，J表示权值约束项，对应于第j个源域数据集的第i个样本的标签；G
j
对应于第j个编码网络，C
j
对应于第j个特征编码...

【专利技术属性】
技术研发人员：岂兴明，李良才，宋振国，孙锋，刘江鹓，
申请(专利权)人：中国舰船研究设计中心，
类型：发明
国别省市：