本发明专利技术涉及一种基于数据驱动的多源多特征信息融合方法。现有方法无法获取满意的跟踪结果。本发明专利技术方法的具体步骤是：首先提取基于模型的特征集，由模型的输出结果形成基于模型的特征信息；采用互信息原理的特征选取方法提取基于数据的特征集，选取特征集满足提取的特征选自谐波之外的声音信息和互信息最大两个条件；然后根据最终获取的特征数据的不同特性进行分类；最后采用改进的贝叶斯决策融合算法进行信息融合。本发明专利技术方法从数据出发寻求得到的特征信息与机理模型有效结合，为随后的信息融合提供了更充足全面的信息源，从而能够获得精度更高、适应性更强、鲁棒性更优的融合结果。
【技术实现步骤摘要】
本专利技术属于信息
，涉及数据驱动、特征提取、信息融合等技术，具体涉及 。
技术介绍
为了对运动状态变化多端的目标有效识别与跟踪，传感器接收大量在线数据信 息。以往依据先验信息、专家知识等建立相应机理模型实现目标识别与跟踪的诸多模型驱 动方法已经越来越难以顺应复杂环境的技术需求。造成这一难题的主要原因是在复杂环 境下，很多时候难以建立表征目标运动状态的准确的机理模型，即便模型得以建立，由于模 型存在复杂程度高、不确定性大等缺点，导致最终往往无法获取满意的跟踪结果。这时，传 感器在过程中接收的大量关于目标运动的数据信息便凸显出其重要的价值。这些数据隐含 着目标属性信息和运动状态信息，对目标类型的判定、机动性能的评测、运动状态的掌握等 都极为有利，进而有助于促成最终良好的目标跟踪结果。
技术实现思路
本专利技术的目的就是针对现有技术的不足，提供了一种基于数据驱动的多源多特征 信息融合方法。该方法弥补了传统模型驱动方法的不足，将数据驱动模块与模型驱动相结 合进行信息融合，为最终实现有效的目标识别与跟踪提供了有利保证。本专利技术为了避免仅依靠模型驱动方法建立的模型不准确，积极引入了数据驱动思 想，在合理保留理论模型的基础上，从数据出发，在传感器存储的大量数据中筛选出包含有 用信息的那部分数据，整合成不同用途的特征信息集。这些信息集弥补了模型信息缺失的 部分，涵盖了模型中所不能表述的目标属性等信息，与基于模型的信息有机结合起来，协同 作用。与此同时，在模型驱动部分，必要时可以根据先验信息建立多个备选状态模型，以便 根据目标的变化切换至最佳适应模型，输出相应基于模型的信息。随后，对来自两大模块的 信息采用合适的信息融合方法寻求融合结果，对结果进行综合评价后分别反馈给数据驱动 和模型驱动两大模块，以便做到及时修正和优化。本专利技术方法的具体方案包括以下步骤步骤(1)提取基于模型的特征集，由模型的输出结果形成基于模型的特征信息， 该特征集是声音传感器阵列中提取到的声音信号中的谐波信息的振幅集合。具体分三步进 行①基频检测；②谐波检测；③振幅提取。该步骤方法是基于谐波共振模型提取得到该特 征集，为现有成熟方法。步骤(2)提取基于数据的特征集，本步骤中的特征集是有别于模型输出的新特 征，具体提取方法是采用互信息原理的特征选取方法，选取特征集时需同时满足两个条 件:A.提取的特征选自谐波之外的声音信息；B.满足互信息最大；所述的满足互信息最大是采用梯度上升优化策略，先将多维互信息分解成一维互 信息，然后使多维互信息快速达到最大，具体是步骤是①选取所有一维互信息中的最大值作为初始变量；②在除初始变量之外的特征中选取满足分解式下互信息最大这个条件的特 征值；③重复进行步骤②直到选取到设定数目的特征；步骤(3)根据从数据驱动模块和模型驱动模块最终获取的特征数据的不同特性， 针对基于模型的特征集，选用第一分类器进行分类；针对基于数据的特征集，选用第二分类 器对其进行分类；步骤(4)信息融合，具体方法是采用改进的贝叶斯决策融合算法改进的贝叶斯决策融合算法中的最大后验决策准则如下权利要求，其特征在于该方法的具体步骤是步骤(1)提取基于模型的特征集，由模型的输出结果形成基于模型的特征信息，本步骤中的特征集是声音传感器阵列中提取到的声音信号中的谐波信息的振幅集合；步骤(2)提取基于数据的特征集，本步骤中的特征集是有别于模型输出的新特征，具体提取方法是采用互信息原理的特征选取方法，选取特征集时需同时满足两个条件A.提取的特征选自谐波之外的声音信息；B.满足互信息最大；所述的满足互信息最大是采用梯度上升优化策略，先将多维互信息分解成一维互信息，然后使多维互信息快速达到最大，具体是步骤是①选取所有一维互信息中的最大值作为初始变量；②在除初始变量之外的特征中选取满足分解式下互信息最大这个条件的特征值；③重复进行步骤②直到选取到设定数目的特征；步骤(3)根据从数据驱动模块和模型驱动模块最终获取的特征数据的不同特性，针对基于模型的特征集，选用第一分类器进行分类；针对基于数据的特征集，选用第二分类器对其进行分类；步骤(4)信息融合，具体方法是采用改进的贝叶斯决策融合算法改进的贝叶斯决策融合算法中的最大后验决策准则如下 <mrow><munder> <mrow><mi>arg</mi><mi>max</mi> </mrow> <mi>y</mi></munder><mi>p</mi><mrow> <mo>(</mo> <mi>y</mi> <mo>|</mo> <msub><mi>x</mi><mi>m</mi> </msub> <mo>,</mo> <msub><mi>x</mi><mi>d</mi> </msub> <mo>)</mo></mrow><mo>∝</mo><mi>p</mi><mrow> <mo>(</mo> <mi>y</mi> <mo>|</mo> <msub><mi>x</mi><mi>d</mi> </msub> <mo>)</mo></mrow><mi>p</mi><mrow> <mo>(</mo> <msub><mi>x</mi><mi>m</mi> </msub> <mo>|</mo> <mi>y</mi> <msub><mrow> <mo>,</mo> <mi>x</mi></mrow><mi>d</mi> </msub> <mo>)</mo></mrow> </mrow>表示使条件概率p(y|xm，xd)最大的决策结果，其中y表示决策结果，xm表示基于模型的特征集，xd表示基于数据的特征集；后验概率p(y|xd)从第二分类器的输出中得到，第一分类器的输出中给出了似然函数p(xm|y)的值；实现融合所需的条件概率p(xm|y，xd)通过下式得到 <mrow><mo>{</mo>本文档来自技高网...
【技术保护点】
一种基于数据驱动的多源多特征信息融合方法，其特征在于该方法的具体步骤是：步骤（１）提取基于模型的特征集，由模型的输出结果形成基于模型的特征信息，本步骤中的特征集是声音传感器阵列中提取到的声音信号中的谐波信息的振幅集合；步骤（２）提取基于数据的特征集，本步骤中的特征集是有别于模型输出的新特征，具体提取方法是：采用互信息原理的特征选取方法，选取特征集时需同时满足两个条件：Ａ．提取的特征选自谐波之外的声音信息；Ｂ．满足互信息最大；所述的满足互信息最大是采用梯度上升优化策略，先将多维互信息分解成一维互信息，然后使多维互信息快速达到最大，具体是步骤是：①选取所有一维互信息中的最大值作为初始变量；②在除初始变量之外的特征中选取满足分解式下互信息最大这个条件的特征值；③重复进行步骤②直到选取到设定数目的特征；步骤（３）根据从数据驱动模块和模型驱动模块最终获取的特征数据的不同特性，针对基于模型的特征集，选用第一分类器进行分类；针对基于数据的特征集，选用第二分类器对其进行分类；步骤（４）信息融合，具体方法是采用改进的贝叶斯决策融合算法：改进的贝叶斯决策融合算法中的最大后验决策准则如下：＊＊ｐ（ｙ｜ｘ↓［ｍ］，ｘ↓［ｄ］）∝ｐ（ｙ｜ｘ↓［ｄ］）ｐ（ｘ↓［ｍ］｜ｙ，ｘ↓［ｄ］）＊＊ｐ（ｙ｜ｘ↓［ｍ］，ｘ↓［ｄ］）表示使条件概率ｐ（ｙ｜ｘ↓［ｍ］，ｘ↓［ｄ］）最大的决策结果，其中ｙ表示决策结果，ｘ↓［ｍ］表示基于模型的特征集，ｘ↓［ｄ］表示基于数据的特征集；后验概率ｐ（ｙ｜ｘ↓［ｄ］）从第二分类器的输出中得到，第一分类器的输出中给出了似然函数ｐ（ｘ↓［ｍ］｜ｙ）的值；实现融合所需的条件概率ｐ（ｘ↓［ｍ］｜ｙ，ｘ↓［ｄ］）通过下式得到：｛ｐ（ｘ↓［ｍ］｜ｙ），ｘ↓［ｄ］，ｘ↓［ｍ］｝→＊（ｘ↓［ｍ］｜ｙ，ｘ↓［ｄ］）其中→表示由前面信息推出后面结果，＊（ｘ↓［ｍ］｜ｙ，ｘ↓［ｄ］）是ｐ（ｘ↓［ｍ］｜ｙ，ｘ↓［ｄ］）的估计值；估计条件概率ｐ（ｘ↓［ｍ］｜ｙ，ｘ↓［ｄ］）按如下步骤进行：ａ．已知多维高斯分布能对基于模型的特征量的概率密度进行有效估计，当ｘ↓［ｍ］为ｄ维基于模型的特征向量，似然函数为：ｐ（ｘ↓［ｍ］｜ｙ）＝１／（２π）↑［ｄ／２］｜Σ｜↑［１／２］ｅｘｐ（－１／２（ｘ↓［ｍ］－μ）↑［Ｔ］Σ↑［－１］（ｘ↓［ｍ］－μ））其中μ和∑分别为均值向量和协方差矩阵，上式的熵记为：ζ＝ｌｎ（＊＊＊）ｂ．通过调节协方差矩阵∑降低ｐ（ｘ↓［...
【技术特征摘要】
【专利技术属性】
技术研发人员：林岳松，陈琳，郭宝峰，鲁仁全，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：86[中国|杭州]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。