[发明专利]一种基于数据驱动的多源多特征信息融合方法

摘要

本发明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。

主权项

1.一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：argmaxyp(y|xm,xd)∝p(y|xd)p(xm|y,xd)]]>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(xm|y),xd,xm}→p^(xm|y,xd)]]>其中→表示由前面信息推出后面结果，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(xm|y)=1(2π)d/2|Σ|1/2exp(-12(xm-μ)TΣ-1(xm-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((2πe)d|Σ|)]]>b.通过调节协方差矩阵∑降低p(x_m|y)的熵，然后估计条件概率p(x_m|y，x_d)，已知p(x_m|y)～N(μ，∑)，更新的协方差矩阵为：∑^*＝(1-β)∑其中β是调节因子；调节p(x_m|y)的协方差矩阵∑即可估计得到条件概率p(x_m|y，x_d)，即p^(xm|y,xd)~N(μ,Σ*)]]>其中∑^*是更新的协方差矩阵，包含了x_m和x_d的相关性信息；利用最大后验决策准则，即可得到特征信息融合结果。