[發(fā)明專利]一種多傳感器Vine Copula異構(gòu)信息決策融合方法

有效

• 申請?zhí)枺?/td>: 202011030226.8
• 申請日: 2020-09-27
• 公開（公告）號: CN112116019B
• 公開（公告）日: 2022-09-02
• 發(fā)明（設(shè)計）人: 沈曉靜;張美;孟凡飲;劉海琪;張栩琪
• 申請（專利權(quán)）人: 四川大學(xué)
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/764;G06V20/00
• 代理公司: 成都禾創(chuàng)知家知識產(chǎn)權(quán)代理有限公司 51284
• 代理人: 劉凱

本發(fā)明公開一種多傳感器Vine Copula異構(gòu)信息決策融合方法，屬于信息融合領(lǐng)域。提出了異構(gòu)傳感器Vine copula決策融合算法，通過特征提取和事件驅(qū)動的方式將不同類型的傳感器數(shù)據(jù)統(tǒng)一到同一事件空間，基于數(shù)據(jù)特征和目標(biāo)的先驗信息，建立目標(biāo)對應(yīng)的事件集合；通過Vine copula對傳感器數(shù)據(jù)特征事件之間的相關(guān)性進(jìn)行建模。本發(fā)明能靈活構(gòu)建異構(gòu)信息融合特征事件之間的相關(guān)性，生成更準(zhǔn)確的事件聯(lián)合概率分布，提高異構(gòu)傳感器決策融合性能；數(shù)值分析表明提出的新方法對目標(biāo)分類識別問題有更優(yōu)的決策效果，可以更科學(xué)合理地融合異構(gòu)傳感器信息。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)分類數(shù)據(jù)處理技術(shù)領(lǐng)域，具體為一種多傳感器Vine Copula異構(gòu)信息決策融合方法。

背景技術(shù)

異類傳感器信息融合在探測目標(biāo)的信息上具有更大的維度和時間范疇，能夠充分利用多源異類數(shù)據(jù)的互補(bǔ)信息來提高信息質(zhì)量，在目標(biāo)跟蹤和識別上具有可靠性的優(yōu)勢。在復(fù)雜空天對抗環(huán)境中，觀測數(shù)據(jù)類型眾多、觀測維度高和質(zhì)量差異大，融合難度大。技術(shù)瓶頸在于信息度量空間難以統(tǒng)一，特別是傳感器之間的相關(guān)性難以提取，直接影響決策融合性能，難以滿足目標(biāo)分類和目標(biāo)識別等方面的迫切需求。

異類融合的關(guān)鍵是獲取傳感器信息的相關(guān)性，但由于異類傳感器的觀測數(shù)據(jù)類型眾多、觀測維度和觀測質(zhì)量差異大，使得傳感器之間的相關(guān)性獲取極為困難，融合的效果難以保證。因此，加拿大科學(xué)院院士羅智泉等人提出了一種歸一化的事件驅(qū)動融合技術(shù)[文獻(xiàn)1：S.Roheda,H.Krim,Z.-Q.Luo,and T.W“Event driven fusion.”https://arxiv.org/pdf/1904.11520.pdf,2019.]，通過對極端相關(guān)性加權(quán)組合的方式來近似相關(guān)性，提升目標(biāo)的檢測融合效果，如圖1所示。但是，當(dāng)訓(xùn)練樣本數(shù)據(jù)分布不均衡或者數(shù)據(jù)的相關(guān)性比較復(fù)雜時，此方法會降低融合決策的效果。

此方法的主要思想是：在確定乘積空間Ω的聯(lián)合概率時，重要的是要考慮特征間相關(guān)性的程度：完全獨立的特征產(chǎn)生極小的交互信息，對應(yīng)最小互信息的聯(lián)合分布應(yīng)該被選擇；特征間具有較高的相關(guān)性，則產(chǎn)生極大的互信息，應(yīng)選擇互信息最大的聯(lián)合分布。這些顯然是相關(guān)性的極端情況，并沒有解決部分相關(guān)情況。確定部分相關(guān)特征之間的聯(lián)合概率的近似方法是考慮聯(lián)合概率最大化和最小化互信息的凸組合：

其中，ρ∈[0,1]是特征間相關(guān)性程度的偽測量。當(dāng)特征是高度相關(guān)時，ρ≈1；當(dāng)特征是彼此獨立時，ρ＝0。ρ可以通過在訓(xùn)練數(shù)據(jù)上使用類似皮爾遜相關(guān)/距離相關(guān)的度量來計算特征之間的相關(guān)性來確定。

當(dāng)選擇聯(lián)合概率分布作為邊際概率的乘法時，兩個隨機(jī)變量之間的相互信息最小。因此，有：

在給定邊際概率的情況下，最大化互信息的問題需要一些步驟。對于一些隨機(jī)變量X和Y，對X和Y的邊際概率分布進(jìn)行條件處理，得到常數(shù)H(X)和H(Y)。兩個隨機(jī)變量之間互信息的最大化就等于它們的聯(lián)合熵的最小化，已知聯(lián)合熵是凹函數(shù)。

在給定邊緣概率極小化聯(lián)合熵采用文章[文獻(xiàn)2：Murat Kocaoglu,AlexandrosG.Dimakis,Sriram Vishwanath,and Babak Hassibi,“Entropic causal inference”,CoRR,vol.abs/1611.04035,2016.]的最小貪婪算法。這里的主要思想是保持大概率質(zhì)量完整，而不是把它們分解成更小的塊。概率質(zhì)量對聯(lián)合熵的貢獻(xiàn)只有在它被分割成更小的塊時才會增加。即當(dāng)0p1，并且a,b0時，對于p＝a+b，有-p.log(p)≤-a.log(a)-b.log(b)。因此，保持大概率塊不受給定邊緣概率的影響，可以確保它們對聯(lián)合熵的貢獻(xiàn)最小。

術(shù)語解釋：