[實用新型]一種基于深度學習的多模式數據融合裝置

有效

• 申請號: 201921259477.6
• 申請日: 2019-08-06
• 公開（公告）號: CN210784324U
• 公開（公告）日: 2020-06-19
• 發明（設計）人: 李昊璇
• 申請（專利權）人: 山西大學
• 主分類號: A61B5/024
• 分類號: A61B5/024;A61B5/00;H04L29/08;G16H40/67;G01D21/02;G01S19/42
• 代理公司: 太原弘科專利代理事務所(普通合伙) 14118
• 代理人: 張筱莉

本實用新型公開了一種基于深度學習的多模式數據融合裝置，包括控制端硬件和操作端，控制端硬件包括存儲有基于深度學習的人工智能模型及用于融合數據的服務器、控制臺、指揮麥克風和用于數據傳輸的傳輸基站，數據傳輸基站為專線基站，服務器搭建設置于服務器機房內，服務器通過網線與控制臺數據傳輸連接，控制臺由若干臺家用PC主機和指揮麥克風構成。本實用新型通過設有的控制端硬件、被控制端硬件和操作端實現各項數據的統一融合，應用在比較初級的融合環境，如滅火、醫療、軍事和需要數據收集檢測的遠程協助實驗等，遠程端控制指導，被控制端正確實施，控制端硬件內包含了對數據的接收與處理裝置。

技術領域

本實用新型涉及一種融合裝置，特別涉及一種基于深度學習的多模式數據融合裝置。

背景技術

數據融合技術是指利用計算機對按時序獲得的若干觀測信息，在一定準則下加以自動分析、綜合，以完成所需的決策和評估任務而進行的信息處理技術。

現有的數據融合技術多數應用在較為虛擬的場景：如大數據分析，AI計算應用、以及股票交易等虛擬化數據的數據計算任務等，但對應的救護救火行業應用較少，當發生大規模火災險情時，對于分析者決策者來說是需要依靠大量的原始檢測數據作為指揮依據的，這些原始的檢測數據是保證滅火人員是否有傷亡、火場規模和滅火效率與否的重要分析數據，但這些數據指揮者無法快速的獲取應用，數據融合效率較低容易導致在拿到數據后也會錯過最佳指揮時機，消防員也是依靠著這些穩定的檢測數據，保證在火場外的指揮者是否及時發現險情的指導依據。

深度學習是由人工神經網絡發展而來。Hinton等人在2006年首次提出了基于深度置信網絡的無監督概率生成模型，闡述了深度學習的基本原理。深度學習以數據和算力為支撐，通過搭建含有多個隱層的神經網絡，對外部輸入數據進行特征提取，進而從中獲取所需信息。這樣的模型具有恨到的存儲效率，而線性增加的神經元數目可以使其表達按指數級增加大量信息。隨著大數據時代的到來以及計算能力的不斷發展，人工神經網絡在近十年間取得了長足進步，促進了深度學習的快速發展，由此也使得人工智能從之前必須借助人類的階段向前邁出了一步。

對于深度學習在軍事智能輔助決策領域的研究，首先，應對作戰技術領域的大數據進一步發展。深度學習目前的研究與大數據是密不可分的，然而包括演習在內的作戰數據，真正能夠實際使用的數據規模還遠遠達不到深度神經網絡的訓練要求，目前的研究更多應用兵棋的推演數據來訓練網絡，從數據的有效性上看，難以證明在實際作戰中的價值。其次，深度學習技術，尤其在認知智能方面需要取得突破。作戰同下棋有著巨大的差別，作戰數據不是標準化的“棋譜”，而對于機器而言，過去發生的戰爭在現代化戰爭中沒有太大的指導意義。那么如何讓人工智能在現有數據的基礎上，從認知層面真正理解和分析戰場態勢，提高從小樣本中學習知識的能力，將是該領域的終極目標。再次，對于深層神經網絡的運行機制還需要進一步的研究和改進，來破解深度神經網絡的“黑匣子”問題。數據驅動決策的推理機制應有數據相關性向因果關系轉變，讓機器具備同人類 一樣從小樣本數據中進行學習的能力，通過因果關系進行預測將更加具有實際意義。因此，在軍事輔助智能決策的應用中農，應當更加合理的運用深度學習，AlphaGo以及IBM的“沃森”等人工智能系統，均融合了多種手段，而深度學習只是一個工具。從發展歷史中看，深度學習可以很好地應對大數據的特征提取，但淺層的概率統計模型在特征清晰的情況下，也可以取得很好的效果。另外，“沃森”中的規則運用和“深藍”暴力搜索，以及AlphaGo中的強化學習和蒙特卡洛樹搜索策略等都在各自領域中有著自身的優勢。可見，傳統的機器模型不應該因深度學習模型的快速發展而被拋棄，混合方法才是未來的大勢所趨。

實用新型內容