CN109581981B - 一种数据融合***及其工作方法 - Google Patents
一种数据融合***及其工作方法 Download PDFInfo
- Publication number
- CN109581981B CN109581981B CN201811485497.5A CN201811485497A CN109581981B CN 109581981 B CN109581981 B CN 109581981B CN 201811485497 A CN201811485497 A CN 201811485497A CN 109581981 B CN109581981 B CN 109581981B
- Authority
- CN
- China
- Prior art keywords
- data
- fusion
- module
- information
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 360
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000011157 data evaluation Methods 0.000 claims abstract description 71
- 238000007405 data analysis Methods 0.000 claims abstract description 57
- 238000007499 fusion processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims description 101
- 238000012545 processing Methods 0.000 claims description 61
- 230000010365 information processing Effects 0.000 claims description 50
- 238000007781 pre-processing Methods 0.000 claims description 32
- 238000000513 principal component analysis Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 14
- 238000003786 synthesis reaction Methods 0.000 claims description 14
- 230000008030 elimination Effects 0.000 claims description 13
- 238000003379 elimination reaction Methods 0.000 claims description 13
- 239000013589 supplement Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012950 reanalysis Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012880 independent component analysis Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract description 5
- 230000036760 body temperature Effects 0.000 description 10
- 230000036772 blood pressure Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 4
- 208000001953 Hypotension Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000001121 heart beat frequency Effects 0.000 description 4
- 208000012866 low blood pressure Diseases 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004872 arterial blood pressure Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000001147 pulmonary artery Anatomy 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于数据评估与***协调模块的数据融合***及其工作方法，所述数据融合***，包括信息采集模块、信息处理模块、应用与反馈模块、数据评估和***协调模块、知识库模块以及数据库模块。所述数据评估与***协调模块中的数据分析与算法选择机制，通过从数据本身和专家或用户反馈信息，对采集数据先后进行两次分析，从而确定适合当前数据融合***的算法，协调***各模块资源。数据评估与***协调的模块的引入，使得***在满足用户需求的前提下，在应对特定的数据时能够为数据“量体裁衣”，选择合适的处理方法，保证了算法选择的合理性、融合***的通用性，也使整个数据融合过程更加灵活、高效，结果更加可靠。
Description
技术领域
本发明涉及一种基于数据评估与***协调模块的数据融合***及其工作方法，属于数据融合技术领域。
背景技术
数据融合是指将来自多个传感器或多源的观测信息加以分析、综合和计算，从而得到比单一数据源更精确、更完备的结果。其最初被用于军事领域中，并逐渐在工业制造、智能家居、医学诊断等各个领域中得以广泛应用。
数据融合的待处理信息多是来自同一目标的不同方面，如在对人体的体征状态进行判断时，通过对多源传感器采集的人体体温、血压、脉搏、心率等体征信息加以分析运算，利用数据融合算法和决策规则得到最终判断结果。随着传感器网络与物联网技术的飞快发展，一方面是庞大的数据量，一方面是不同的数据来源，数据的海量性和异构性为如何更有效地分析和处理数据提出了更高的要求。
近年来，研究者在数据融合***结构、数据融合算法等领域均进行了广泛的研究，但很多研究基于特定的应用场景，所提出***结构只适用于部分场合，缺乏统一的广义融合***模型。算法是数据融合技术的核心，随着研究的深入，数据融合中各类算法也愈发完善。不管是何种应用场景，能否选择合适的算法进行数据处理决定整个数据融合***效果的好坏，在日益复杂的***结构中，面对不同来源、特征不一的各类数据，很多时候仅使用特定的算法往往不能满足数据融合***的要求。***内部缺乏“变通”，不利于***的扩展与广泛应用。
综上所述，当前数据融合技术还缺乏统一框架，不能应付复杂多变的应用场景，所采用算法在面对来源不同、特征各异的数据时，亦无法取得最佳效果。如何设计统一有效的数据融合***模型，如何让既有算法发挥其最大作用，是研究者们仍需关注的研究重点。
发明内容
针对现有技术中存在的不足，本发明提供了一种基于数据评估与***协调模块的数据融合***，本发明还提供了上述基于数据评估与***协调模块的数据融合***的工作方法。
由于多源传感器所采集数据的异构特性，各传感器所提供的数据无论是数量还是形式上都有很大差别，各类数据需要经过数据预处理。基于所获取数据不同的实际情况，各应用场景下对数据的处理要求也不尽相同。如有些数据需要进行平滑滤波、不一致性消除后才能进行后续融合决策，有些则仅需进行简单的归一化操作即可使用。在数据融合和决策判断的过程中亦是如此，应用场景的不同、待处理数据的数据量、数据类型、参数指标以及用户需求(如精确度、处理时间)的要求等各方面因素均影响着算法和决策规则的选取。
基于以上事实，本发明在现有一般数据融合***的基础上引入了数据评估与***协调模块，在传感器采集信息后不是立即进行数据的融合处理，而是先经过此数据评估与***协调模块对数据加以分析，并由此模块内相关单元指定融合算法和决策规则，再进行融合处理的工作。数据分析和算法管理的模块的引入，使得***在满足用户需求的前提下，在应对特定的数据时能够为数据“量体裁衣”，选择合适的处理方法，保证了算法选择的合理性、融合***的通用性，也使整个数据融合过程更加灵活、高效，结果更加可靠。
本发明的技术方案为：
一种基于数据评估与***协调模块的数据融合***，包括：信息采集模块、信息处理模块、应用与反馈模块、数据评估与***协调模块、知识库模块以及数据库模块；
所述信息采集模块、所述信息处理模块及所述应用与反馈模块依次连接，所述信息采集模块连接所述数据库模块和所述数据评估与***协调模块，所述应用与反馈模块连接所述知识库模块、所述数据库模块和所述数据评估与***协调模块，所述知识库模块连接所述数据评估与***协调模块，所述数据库模块和所述数据评估与***协调模块连接所述信息处理模块；
所述信息采集模块用于通过各类传感器从外界环境获取所需多源信息；一般是同一待测目标不同方面的属性，如军事作战中目标识别应用场景下的位置、声音、闪光等信息，医疗应用体征状态判断场景下的体温、血压、心率等信息；
所述信息处理模块用于实现数据不同方式和程度的数据处理，数据处理包括数据预处理、数据融合(根据具体的应用场景涉及数据级融合、特征级融合或决策级融合不同融合层次)和决策判断；
所述应用与反馈模块用于实现数据融合处理结果的各类应用，同时用于将专家或用户提供的反馈信息发送至知识库模块和数据库模块，也可直接将反馈信息提供给数据评估与***协调模块；
所述数据库模块用于存储所述信息采集模块从外界环境获取所需多源信息和专家或用户提供的反馈信息，并在需要时向所述信息处理模块提供历史数据支持；所述数据库模块用于数据融合***中各类数据的存储。其预先存储了一定量的多源传感器数据，必要时作为历史数据提供给所述信息处理模块以支持相关运算，数据库模块同时可以接收传感器实时采集和专家或用户反馈而来的数据，实现数据库的不断充实和补充。
所述知识库模块用于存储与整个数据融合过程相关的理论知识、专家经验、操作方法和规则；所述知识库模块预先存储了数据融合领域各应用场景下的基础理论知识、专家经验、操作方法和规则，其向所述数据评估与***协调模块提供理论支撑，所述知识库模块中的内容也通过专家或用户的反馈不断补充。
所述数据评估与***协调模块用于存储数据融合相关的算法和判断规则，通过分析所述信息采集模块发送的数据，结合反馈信息和所述知识库模块中相关知识，实现对所述信息处理模块各阶段中不同数据处理算法的选择，使所述信息处理模块按需求进行数据处理，即协调整个数据处理的过程。
根据本发明优选的，所述信息采集模块包括各类传感器及相关电路，例如，医疗应用体征状态判断场景下的血压传感器、体温传感器、脉搏传感器、心率传感器；各类传感器从外界环境中采集被测对象的各属性信息，属性信息是指，例如，医疗应用体征状态判断场景下的体温值、高低血压值、脉搏和心跳频率值，转化为电信号，经A/D转换后发送至所述信息处理模块。
根据本发明优选的，所述信息处理模块为整个数据融合***的运算中心，所述信息处理模块包括依次连接的数据预处理单元、数据融合单元和决策判断单元，所述信息采集模块连接所述数据预处理单元，所述决策判断单元连接所述应用与反馈模块；实现对数据各阶段的处理。
数据预处理单元对数据正式计算分析前进行必要处理，通过人工手段提高所获取数据的质量，使待处理数据变得更加完整和整齐。所述数据预处理单元对所述信息采集模块采集的数据依次进行不一致性消除(剔除异常数据)、填补缺失数据(均值填充、滤波)、数据标准化(归一化)的操作；
所述数据融合单元将所述数据预处理单元处理后的不同来源的数据进行计算、分析、综合，得到比单一数据源更加准确、可靠的结果。实现对数据不同层次的处理和融合，包括数据级融合、特征级融合和决策级融合，根据***应用场景的不同，完成对数据某个或某几个层次的融合；例如，对于同类雷达波形的直接合成用到数据级融合，对于人脸识别场景中主成分分析(PCA)、线性判别分析方法用到特征级融合，而对于军事应用场景中目标识别则同时涉及了特征层融合和决策层融合；通过加权平均算法、卡尔曼滤波算法、小波变换算法实现数据级融合；通过主成分分析算法、线性判别分析算法、独立成分分析算法实现特征级融合；通过人工神经网络算法、贝叶斯估计算法、专家***算法、D-S证据理论算法、模糊集理论算法实现决策级融合；
所述决策判断单元对所述数据融合单元处理后的结果进行总结，给出最终的决策，完成计算。判断结果可根据具体情况通过设定阈值或使用最大信度值、多数投票法等方式来获取，例如，在某体征状态判断***中，数据融合单元中采用D-S证据理论算法所得融合结果为R＝(0.10,0.69,0.21)，矩阵R中3个数值分别表示对待测个体体征情况“健康”、“一般”、“高危”的信度结果，由最大信度值法，最终决策判断单元所作出的决策结果为体征状态“一般”。
所述信息处理模块中各类算法，由所述数据评估与***协调模块提供和确定。
根据本发明优选的，所述应用与反馈模块包括依次连接的数据融合应用单元和专家/用户信息反馈单元；主要由相关应用程序、设备和其他人机交互接口组成，所述数据融合应用单元用以呈现数据融合的结果，实现融合结果在实际场景中的应用，所述专家/用户信息反馈单元用于专家或用户将知识或需求信息通过应用程序或其它方式反馈信息到知识库模块和数据库模块，或者直接将反馈信息提供给所述数据评估与***协调模块。
根据本发明优选的，所述数据评估与***协调模块基于所述数据库模块所提供的知识，从所述信息采集模块获取数据并加以分析，向信息处理模块提供数据处理的方法，实现***资源的最合理的利用，是整个***的“调度员”。所述数据评估与***协调模块包括数据分析单元、协调控制单元、反馈管理单元、算法选择与管理单元和融合决策规则管理单元；部分单元中还包含相应子单元。
所述信息采集模块连接所述数据分析单元，所述应用与反馈模块连接所述反馈管理单元，所述数据分析单元分别连接所述算法选择与管理单元、所述融合决策规则管理单元，所述算法选择与管理单元、所述融合决策规则管理单元均连接所述信息处理模块，所述数据分析单元相互连接所述协调控制单元，所述反馈管理单元连接所述协调控制单元，所述协调控制单元分别连接所述算法选择与管理单元、所述融合决策规则管理单元；所述数据分析单元接收信息采集模块传来的数据，依次进行数据的第一次分析、结合专家或用户反馈的第二次分析；所述协调控制单元接收所述数据分析单元中的分析结果，接收所述反馈管理单元的反馈信息，向所述算法选择与管理单元和所述融合决策规则管理单元提供控制方法，所述协调控制单元还在有反馈信息时向所述数据分析单元发送再分析请求；所述算法选择与管理单元用于接收所述协调控制单元发出的指令，确定并提供***数据融合所需融合算法；所述融合决策规则管理单元用于接收所述协调控制单元发出的指令，确定并提供***数据融合所需融合规则；所述反馈管理单元用于接收所述应用与反馈模块中专家/用户信息反馈单元发送的反馈信息，并将反馈信息存储分类，发送给协调控制单元。
进一步优选的，所述数据分析单元包括数据基本信息检测子单元、场景构建子单元、需求评价子单元和分析中心，所述数据基本信息检测子单元、所述场景构建子单元、所述需求评价子单元均连接所述分析中心；
所述数据基本信息检测子单元用于获取数据的样本数量、数据类型；所述场景构建子单元用于根据数据类型推理出数据融合***的应用场景；所述需求评价子单元用于分析数据融合***的数据处理需求；所述分析中心依次完成数据的两次分析，第一次分析是指分析数据的特征参数，包括常用的平均值、方差、峰值，还包括后续数据处理算法中可能涉及到的参数，例如，证据理论中的K值，主成分分析中的维数，以及用户自定义的特征参数；第二次分析是指：如果有专家或用户的反馈信息，所述分析中心在接收到协调控制单元的再分析请求后，根据反馈信息和初步分析的结果，基于知识库模块中的知识进行二次综合分析，决定数据处理各过程中算法的选择。例如，在体征状态判断场景中，用户反馈融合处理需求为尽可能地保证体征判断结果的准确性，而对信息处理时间不做严格要求，专家反馈信息为在体征判断场景中，若数据来源大于3个、各数据来源冲突程度K值不大时，可在数据融合过程中选用D-S证据理论算法，所述分析中心根据第一次初步分析所得数据源K值、数据类型、数量及用户和专家的意见，基于知识库知识确定当前融合场景为体征判断，所采用数据融合方法为D-S证据理论，相应的融合决策规则为最大信度值法，即完成数据库的二次分析。
进一步优选的，所述算法选择与管理单元包括依次连接的算法库与算法控制子单元，所述协调控制单元在接收所述数据分析单元中的分析结果后，向所述算法选择与管理单元发送指令，确定***数据融合所需融合算法，所述算法库向所述算法控制子单元提供所需算法，完成算法选择过程。例如，协调控制单元接收到数据分析单元的分析结果后，向算法选择与管理单元发送指令确定***应采用融合方法为D-S证据理论，算法库从其库中获取D-S证据理论的算法流程和规则，发送给算法控制子单元。
进一步优选的，所述融合决策规则管理单元包括依次连接的决策规则库与决策规则控制子单元，所述协调控制单元在接收所述数据分析单元中的分析结果后，向融合决策规则管理单元发送指令，确定***数据融合所需融合规则，所述决策规则库向所述决策规则控制子单元提供所需决策规则，完成决策规则选择过程。例如，协调控制单元接收到数据分析单元的分析结果后，向融合决策规则管理单元发送指令确定***应采用最大信度值法作为决策规则以配合D-S证据理论融合算法，决策规则库从其库中获取最大信度值法的相应规则，发送给决策规则控制子单元。
进一步优选的，所述融合决策规则管理单元包括依次连接的决策规则库与决策规则控制子单元，所述协调控制单元在接收所述数据分析单元中的分析结果后，向融合决策规则管理单元发送指令确定***信息融合所需融合规则，决策规则库向决策规则控制子单元提供所需决策规则，完成决策规则选择过程。例如，协调控制单元接收到数据分析单元的分析结果后，向融合决策规则管理单元发送指令确定***应采用最大信度值法作为决策规则以配合D-S证据理论融合算法，决策规则库从其库中获取最大信度值法的相应规则，发送给决策规则控制子单元。
上述基于数据评估与***协调模块的数据融合***的工作方法，包括步骤如下：
S01：采集信息
所述信息采集模块中多源传感器采集待测目标的不同属性信息，例如，医疗应用体征状态判断场景下的体温值、高低血压值、脉搏和心跳频率值，军事作战中目标识别应用场景下的位置、声音、闪光等信息，并转化为数字信号，产生原始数据；
S02：获取数据基本信息
所述数据评估与***协调模块接收到步骤S01中原始数据，所述数据基本信息检测子单元对原始数据进行检测，获得数据基本信息，包括样本数量、数据类型；
S03：数据初次分析
所述数据基本信息检测子单元结合步骤S02中所获数据基本信息，对数据进行初次分析，初次分析主要是通过计算得到所采数据的特征参数，特征参数包括常用的平均值、方差、峰值，还包括后续数据处理算法中可能涉及到的参数，例如，证据理论中的K值，主成分分析中的维数，以及用户自定义的特征参数；
S04：判断是否有反馈产生
所述协调控制单元判断是否有来自所述反馈管理单元中的信息反馈，若有，协调控制单元向数据分析单元发送反馈信息和再分析请求，执行步骤S05，若没有，则执行步骤S08；
S05：场景确认
结合步骤S13中所述专家/用户信息反馈单元进一步处理反馈的融合场景信息，场景构建子单元确定数据融合***的应用场景；例如，用户反馈信息为对病人体征判断相关的需求，结合反馈信息和传感器采集到的数据类型，场景构建子单元确定当前融合场景为医疗中体征状态判断的应用场景；
S06：需求确认
结合步骤S05中所确定场景信息和步骤S13中所述专家/用户信息反馈单元进一步处理反馈的融合需求信息，需求评价子单元确定用户需求；用户需求包括对数据融合处理的精度和时间要求，需求评价子单元根据用户反馈将融合结果精度和处理时间的需求划分为对应级别；例如，融合精度需求可划分为“高”和“普通”，处理时间需求可划分为“紧急”和“普通”；
S07：二次综合分析
所述数据分析单元接收到协调控制单元发来的再分析请求，所述数据分析单元根据步骤S02所获取的数据基本信息、步骤S03对数据的初次分析结果、步骤S05所得应用场景以及步骤S06中的所得用户需求，基于知识库中的知识进行数据的二次综合分析；例如，在体征状态判断场景中，用户反馈融合处理需求为尽可能地保证体征判断结果的准确性，而对信息处理时间不做严格要求，专家反馈信息为在体征判断场景中，若数据来源大于3个、各数据来源冲突程度K值不大时，可在数据融合过程中选用D-S证据理论算法，所述分析中心根据第一次初步分析所得数据源K值、数据类型、数量及用户和专家的意见，基于知识库知识确定当前融合场景为体征判断，所采用数据融合方法为D-S证据理论，相应的融合决策规则为最大信度值法，即完成数据库的二次分析；
S08：确定算法与决策规则
经过所述数据分析单元的初次分析和二次综合分析(如果有)后，由协调控制单元向所述算法选择与管理单元和融合决策与管理单元指定控制方法，即确定融合算法和决策规则，所述算法控制子单元从算法库中选择指定算法，所述决策规则控制子单元从决策规则库中选择决策规则，用于步骤S09至步骤S11中的信息处理；
S09：数据预处理
根据步骤S08中算法选择与管理单元确定的算法，所述数据预处理单元对所述信息采集模块采集的数据进行不一致性消除(剔除异常数据)、填补缺失数据(均值填充、滤波)、数据标准化(归一化)的操作；例如，某融合应用中，传感器采集的信息均完整无异常，经步骤S08指定，数据预处理单元仅进行数据标准化处理即可；
S10：数据融合
所述数据融合单元将所述数据预处理单元处理后的不同来源的数据进行计算、分析、综合，得到比单一数据源更加准确、可靠的结果。实现对数据不同层次的处理和融合，包括数据级融合、特征级融合和决策级融合，根据***应用场景的不同，完成对数据某个或某几个层次的融合；例如，对于同类雷达波形的直接合成用到数据级融合，对于人脸识别场景中主成分分析(PCA)、线性判别分析方法用到特征级融合，而对于军事应用场景中目标识别则同时涉及了特征层融合和决策层融合；通过加权平均算法、卡尔曼滤波算法、小波变换算法实现数据级融合；通过主成分分析算法、线性判别分析算法、独立成分分析算法实现特征级融合；通过人工神经网络算法、贝叶斯估计算法、专家***算法、D-S证据理论算法、模糊集理论算法实现决策级融合；
根据步骤S08中算法选择与管理单元确定的算法，基于步骤S09处理过的数据，所述数据融合单元实现对数据不同层次的处理和融合，包括数据级融合、特征级融合和决策级融合，根据***应用场景的不同，完成对数据某个或某几个层次的融合；例如，对于同类雷达波形的直接合成用到数据级融合，对于人脸识别场景中主成分分析(PCA)、线性判别分析方法用到特征级融合，而对于军事应用场景中目标识别则同时涉及了特征层融合和决策层融合，数据融合过程中，所需的历史数据由数据库模块提供；所用数据融合算法包括：加权平均(数据级融合)、卡尔曼滤波(数据级融合)、小波变换(数据级融合)、主成分分析(特征级融合)、线性判别分析(特征级融合)、独立成分分析(特征及融合)人工神经网络(决策级融合)、贝叶斯估计(决策级融合)、专家***(决策级融合)、D-S证据理论(决策级融合)、模糊集理论(决策级融合)；
S11：决策判断
基于步骤S08中融合决策规则管理单元确定的决策规则，所述决策判断单元对数据融合结果进行总结决策，完成计算；
进一步优选的，所述总结决策方法包括设定阈值法、最大信度法、多数投票法。例如，在某体征状态判断***中，数据融合单元中采用D-S证据理论算法中所得融合结果为R＝(0.10,0.69,0.21)，矩阵R中3个数值分别表示对待测个体体征情况“健康”、“一般”、“高危”的信度结果，由步骤S08中指定的最大信度值法，最终决策判断单元所作出的决策结果为体征状态“一般”；
S12：数据融合应用
所述数据融合应用单元通过相关应用程序、设备，对步骤S11中所得决策判断结果进行可视化呈现并投入应用；
S13：专家/用户反馈
所述专家/用户信息反馈单元有选择性地向所述数据库模块中补充数据，向所述知识库模块中补充专家知识，向数据评估与***协调模块反馈信息处理需求或融合场景信息。
本发明的有益效果为：
1、本发明在数据融合***中引入数据评估与***协调模块，先后两次通过对数据或应用场景及需求进行分析评估，基于知识库中专业知识“量体裁衣”地选择合适的数据处理算法，进而协调整个***的工作，在提升***整体智能程度的同时，提高了***资源的利用率，使得整个***更加高效。
2、数据融合所需处理的信息多种多样，现有的数据融合***结构往往只能应付特定的应用场景。本发明公布的含有数据评估与***协调模块的数据融合***结构，让***在处理数据时能够“随机应变”，自适应地调整数据处理过程，从而可应用于更多应用场景，并能通过反馈等方式不断补充和学习知识，使得***更具灵活性和通用性。
附图说明
图1为本发明基于数据评估与***协调模块的数据融合***的结构框架示意图；
图2为本发明数据评估与***协调模块组成单元示意图；
图3为本发明基于数据评估与***协调模块的数据融合***各模块连接关系示意图；
图4为本发明基于数据评估与***协调模块的数据融合***的工作流程图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。
实施例1
一种基于数据评估与***协调模块的数据融合***，如图1所示，包括：信息采集模块、信息处理模块、应用与反馈模块、数据评估与***协调模块、知识库模块以及数据库模块；
信息采集模块、信息处理模块及应用与反馈模块依次连接，信息采集模块连接数据库模块和所述数据评估与***协调模块，应用与反馈模块连接知识库模块、数据库模块和数据评估与***协调模块，知识库模块连接数据评估与***协调模块，数据库模块和数据评估与***协调模块连接信息处理模块；
信息采集模块用于通过各类传感器从外界环境获取所需多源信息；一般是同一待测目标不同方面的属性，如军事作战中目标识别应用场景下的位置、声音、闪光等信息，医疗应用体征状态判断场景下的体温、血压、心率等信息；信息处理模块用于实现数据不同方式和程度的数据处理，数据处理包括数据预处理、数据融合(根据具体的应用场景涉及数据级融合、特征级融合或决策级融合不同融合层次)和决策判断；应用与反馈模块用于实现数据融合处理结果的各类应用，同时用于将专家或用户提供的反馈信息发送至知识库模块和数据库模块；数据库模块用于存储所述信息采集模块从外界环境获取所需多源信息，和专家或用户提供的反馈信息，并在需要时向所述信息处理模块提供历史数据支持；所述数据库模块用于数据融合***中各类数据的存储。其预先存储了一定量的多源传感器数据，必要时作为历史数据提供给所述信息处理模块以支持相关运算，数据库模块同时可以接收传感器实时采集和专家或用户反馈而来的数据，实现数据库的不断充实和补充。知识库模块用于存储与整个数据融合过程相关的理论知识、专家经验、操作方法和规则；所述知识库模块预先存储了数据融合领域各应用场景下的基础理论知识、专家经验、操作方法和规则等，其向所述数据评估与***协调模块提供理论支撑，所述知识库模块中的内容也通过专家或用户的反馈不断补充。数据评估与***协调模块用于存储数据融合相关的算法和判断规则，通过分析所述信息采集模块发送的数据，结合反馈信息和所述知识库模块中相关知识，实现对所述信息处理模块各阶段中不同数据处理算法的选择，使所述信息处理模块按需求进行数据处理，即协调整个数据处理的过程。
实施例2
根据实施例1所述的一种基于数据评估与***协调模块的数据融合***，其区别在于：
信息采集模块包括各类传感器及相关电路，例如，医疗应用体征状态判断场景下的血压传感器、体温传感器、脉搏传感器、心率传感器；各类传感器从外界环境中采集被测对象的各属性信息，属性信息是指，例如，医疗应用体征状态判断场景下的体温值、高低血压值、脉搏和心跳频率值，转化为电信号，经A/D转换后发送至所述信息处理模块。
如图3所示，信息处理模块为整个数据融合***的运算中心，信息处理模块包括依次连接的数据预处理单元、数据融合单元和决策判断单元，信息采集模块连接所述数据预处理单元，决策判断单元连接应用与反馈模块；实现对数据各阶段的处理。
数据预处理单元对数据正式计算分析前进行必要处理，通过人工手段提高所获取数据的质量，使待处理数据变得更加完整和整齐。数据预处理单元对信息采集模块采集的数据依次进行不一致性消除(剔除异常数据)、填补缺失数据(均值填充、滤波)、数据标准化(归一化)的操作；
数据融合单元将所述数据预处理单元处理后的不同来源的数据进行计算、分析、综合，得到比单一数据源更加准确、可靠的结果。实现对数据不同层次的处理和融合，包括数据级融合、特征级融合和决策级融合，根据***应用场景的不同，完成对数据某个或某几个层次的融合；例如，对于同类雷达波形的直接合成用到数据级融合，对于人脸识别场景中主成分分析(PCA)、线性判别分析方法用到特征级融合，而对于军事应用场景中目标识别则同时涉及了特征层融合和决策层融合；通过加权平均算法、卡尔曼滤波算法、小波变换算法实现数据级融合；通过主成分分析算法、线性判别分析算法、独立成分分析算法实现特征级融合；通过人工神经网络算法、贝叶斯估计算法、专家***算法、D-S证据理论算法、模糊集理论算法实现决策级融合；
决策判断单元对所述数据融合单元处理后的结果进行总结，给出最终的决策，完成计算。判断结果可根据具体情况通过设定阈值或使用最大信度值、多数投票法等方式来获取，例如，在某体征状态判断***中，数据融合单元中采用D-S证据理论算法所得融合结果为R＝(0.10,0.69,0.21)，矩阵R中3个数值分别表示对待测个体体征情况“健康”、“一般”、“高危”的信度结果，由最大信度值法，最终决策判断单元所作出的决策结果为体征状态“一般”。
信息处理模块中各类算法，由所述数据评估与***协调模块提供和确定。
应用与反馈模块包括依次连接的数据融合应用单元和专家/用户信息反馈单元；主要由相关应用程序、设备和其他人机交互接口组成，数据融合应用单元用以呈现数据融合的结果，实现融合结果在实际场景中的应用，专家/用户信息反馈单元用于专家或用户将知识或需求信息通过应用程序或其它方式反馈信息到知识库模块和数据库模块，或者直接将反馈信息提供给数据评估与***协调模块。
数据评估与***协调模块基于所述数据库模块所提供的知识，从所述信息采集模块获取数据并加以分析，向信息处理模块提供数据处理的方法，实现***资源的最合理的利用，是整个***的“调度员”。数据评估与***协调模块包括数据分析单元、协调控制单元、反馈管理单元、算法选择与管理单元和融合决策规则管理单元；部分单元中还包含相应子单元。
信息采集模块连接数据分析单元，应用与反馈模块连接反馈管理单元，数据分析单元分别连接算法选择与管理单元、融合决策规则管理单元，算法选择与管理单元、融合决策规则管理单元均连接信息处理模块，数据分析单元相互连接协调控制单元，反馈管理单元连接协调控制单元，协调控制单元分别连接算法选择与管理单元、融合决策规则管理单元；数据分析单元接收信息采集模块传来的数据，依次进行数据的第一次分析、结合专家或用户反馈的第二次分析；协调控制单元接收数据分析单元中的分析结果，接收反馈管理单元的反馈信息，向算法选择与管理单元和融合决策规则管理单元提供控制方法，协调控制单元还在有反馈信息时向数据分析单元发送再分析请求；算法选择与管理单元用于接收协调控制单元发出的指令，确定并提供***数据融合所需融合算法；融合决策规则管理单元用于接收协调控制单元发出的指令，确定并提供***数据融合所需融合规则；反馈管理单元用于接收所述应用与反馈模块中专家/用户信息反馈单元发送的反馈信息，并将反馈信息存储分类，发送给协调控制单元。
如图2所示，数据分析单元包括数据基本信息检测子单元、场景构建子单元、需求评价子单元和分析中心，数据基本信息检测子单元、场景构建子单元、需求评价子单元均连接分析中心；
数据基本信息检测子单元用于获取数据的样本数量、数据类型；场景构建子单元用于根据数据类型推理出数据融合***的应用场景；需求评价子单元用于分析数据融合***的数据处理需求；分析中心依次完成数据的两次分析，第一次分析是指分析数据的特征参数，包括常用的平均值、方差、峰值，还包括后续数据处理算法中可能涉及到的参数，例如，证据理论中的K值，主成分分析中的维数，以及用户自定义的特征参数；第二次分析是指：如果有专家或用户的反馈信息，所述分析中心在接收到协调控制单元的再分析请求后，根据反馈信息和初步分析的结果，基于知识库模块中的知识进行二次综合分析，决定数据处理各过程中算法的选择。例如，在体征状态判断场景中，用户反馈融合处理需求为尽可能地保证体征判断结果的准确性，而对信息处理时间不做严格要求，专家反馈信息为在体征判断场景中，若数据来源大于3个、各数据来源冲突程度K值不大时，可在数据融合过程中选用D-S证据理论算法，所述分析中心根据第一次初步分析所得数据源K值、数据类型、数量及用户和专家的意见，基于知识库知识确定当前融合场景为体征判断，所采用数据融合方法为D-S证据理论，相应的融合决策规则为最大信度值法，即完成数据库的二次分析。
算法选择与管理单元包括依次连接的算法库与算法控制子单元，协调控制单元在接收所述数据分析单元中的分析结果后，向算法选择与管理单元发送指令，确定***数据融合所需融合算法，算法库向算法控制子单元提供所需算法，完成算法选择过程。例如，协调控制单元接收到数据分析单元的分析结果后，向算法选择与管理单元发送指令确定***应采用融合方法为D-S证据理论，算法库从其库中获取D-S证据理论的算法流程和规则，发送给算法控制子单元。
融合决策规则管理单元包括依次连接的决策规则库与决策规则控制子单元，协调控制单元在接收数据分析单元中的分析结果后，向融合决策规则管理单元发送指令，确定***数据融合所需融合规则，决策规则库向决策规则控制子单元提供所需决策规则，完成决策规则选择过程。例如，协调控制单元接收到数据分析单元的分析结果后，向融合决策规则管理单元发送指令确定***应采用最大信度值法作为决策规则以配合D-S证据理论融合算法，决策规则库从其库中获取最大信度值法的相应规则，发送给决策规则控制子单元。
融合决策规则管理单元包括依次连接的决策规则库与决策规则控制子单元，协调控制单元在接收数据分析单元中的分析结果后，向融合决策规则管理单元发送指令确定***信息融合所需融合规则，决策规则库向决策规则控制子单元提供所需决策规则，完成决策规则选择过程。例如，协调控制单元接收到数据分析单元的分析结果后，向融合决策规则管理单元发送指令确定***应采用最大信度值法作为决策规则以配合D-S证据理论融合算法，决策规则库从其库中获取最大信度值法的相应规则，发送给决策规则控制子单元。
实施例3
实施例2所述基于数据评估与***协调模块的数据融合***的工作方法，如图4所示，包括步骤如下：
S01：采集信息
信息采集模块中多源传感器采集待测目标的不同属性信息，例如，医疗应用体征状态判断场景下的体温值、高低血压值、脉搏和心跳频率值，军事作战中目标识别应用场景下的位置、声音、闪光等信息，并转化为数字信号，产生原始数据；
S02：获取数据基本信息
数据评估与***协调模块接收到步骤S01中原始数据，数据基本信息检测子单元对原始数据进行检测，获得数据基本信息，包括样本数量、数据类型；
S03：数据初次分析
数据基本信息检测子单元结合步骤S02中所获数据基本信息，对数据进行初次分析，初次分析主要是通过计算得到所采数据的特征参数，特征参数包括常用的平均值、方差、峰值，还包括后续数据处理算法中可能涉及到的参数，例如，证据理论中的K值，主成分分析中的维数，以及用户自定义的特征参数；
S04：判断是否有反馈产生
协调控制单元判断是否有来自反馈管理单元中的信息反馈，若有，协调控制单元向数据分析单元发送反馈信息和再分析请求，执行步骤S05，若没有，则执行步骤S08；
S05：场景确认
结合步骤S13中所述专家/用户信息反馈单元进一步处理反馈的融合场景信息，场景构建子单元确定数据融合***的应用场景；例如，用户反馈信息为对病人体征判断相关的需求，结合反馈信息和传感器采集到的数据类型，场景构建子单元确定当前融合场景为医疗中体征状态判断的应用场景；
S06：需求确认
结合步骤S05中所确定场景信息和步骤S13中所述专家/用户信息反馈单元进一步处理反馈的融合需求信息，需求评价子单元确定用户需求；用户需求包括对数据融合处理的精度和时间要求，需求评价子单元根据用户反馈将融合结果精度和处理时间的需求划分为对应级别；例如，融合精度需求可划分为“高”和“普通”，处理时间需求可划分为“紧急”和“普通”；
S07：二次综合分析
数据分析单元接收到协调控制单元发来的再分析请求，所述数据分析单元根据步骤S02所获取的数据基本信息、步骤S03对数据的初次分析结果、步骤S05所得应用场景以及步骤S06中的所得用户需求，基于知识库中的知识进行数据的二次综合分析；例如，在体征状态判断场景中，用户反馈融合处理需求为尽可能地保证体征判断结果的准确性，而对信息处理时间不做严格要求，专家反馈信息为在体征判断场景中，若数据来源大于3个、各数据来源冲突程度K值不大时，可在数据融合过程中选用D-S证据理论算法，所述分析中心根据第一次初步分析所得数据源K值、数据类型、数量及用户和专家的意见，基于知识库知识确定当前融合场景为体征判断，所采用数据融合方法为D-S证据理论，相应的融合决策规则为最大信度值法，即完成数据库的二次分析；
S08：确定算法与决策规则
经过数据分析单元的初次分析和二次综合分析(如果有)后，由协调控制单元向算法选择与管理单元和融合决策与管理单元指定控制方法，即确定融合算法和决策规则，算法控制子单元从算法库中选择指定算法，决策规则控制子单元从决策规则库中选择决策规则，用于步骤S09至步骤S11中的信息处理；
S09：数据预处理
根据步骤S08中算法选择与管理单元确定的算法，数据预处理单元对信息采集模块采集的数据进行不一致性消除(剔除异常数据)、填补缺失数据(均值填充、滤波)、数据标准化(归一化)的操作；例如，某融合应用中，传感器采集的信息均完整无异常，经步骤S08指定，数据预处理单元仅进行数据标准化处理即可；
S10：数据融合
数据融合单元将所述数据预处理单元处理后的不同来源的数据进行计算、分析、综合，得到比单一数据源更加准确、可靠的结果。实现对数据不同层次的处理和融合，包括数据级融合、特征级融合和决策级融合，根据***应用场景的不同，完成对数据某个或某几个层次的融合；例如，对于同类雷达波形的直接合成用到数据级融合，对于人脸识别场景中主成分分析(PCA)、线性判别分析方法用到特征级融合，而对于军事应用场景中目标识别则同时涉及了特征层融合和决策层融合；通过加权平均算法、卡尔曼滤波算法、小波变换算法实现数据级融合；通过主成分分析算法、线性判别分析算法、独立成分分析算法实现特征级融合；通过人工神经网络算法、贝叶斯估计算法、专家***算法、D-S证据理论算法、模糊集理论算法实现决策级融合；
根据步骤S08中算法选择与管理单元确定的算法，基于步骤S09处理过的数据，数据融合单元实现对数据不同层次的处理和融合，包括数据级融合、特征级融合和决策级融合，根据***应用场景的不同，完成对数据某个或某几个层次的融合；例如，对于同类雷达波形的直接合成用到数据级融合，对于人脸识别场景中主成分分析(PCA)、线性判别分析方法用到特征级融合，而对于军事应用场景中目标识别则同时涉及了特征层融合和决策层融合，数据融合过程中，所需的历史数据由数据库模块提供；所用数据融合算法包括：加权平均(数据级融合)、卡尔曼滤波(数据级融合)、小波变换(数据级融合)、主成分分析(特征级融合)、线性判别分析(特征级融合)、独立成分分析(特征及融合)人工神经网络(决策级融合)、贝叶斯估计(决策级融合)、专家***(决策级融合)、D-S证据理论(决策级融合)、模糊集理论(决策级融合)；
S11：决策判断
基于步骤S08中融合决策规则管理单元确定的决策规则，所述决策判断单元对数据融合结果进行总结决策，完成计算；
总结决策方法包括设定阈值法、最大信度法、多数投票法。例如，在某体征状态判断***中，数据融合单元中采用D-S证据理论算法中所得融合结果为R＝(0.10,0.69,0.21)，矩阵R中3个数值分别表示对待测个体体征情况“健康”、“一般”、“高危”的信度结果，由步骤S08中指定的最大信度值法，最终决策判断单元所作出的决策结果为体征状态“一般”；
S12：数据融合应用
数据融合应用单元通过相关应用程序、设备，对步骤S11中所得决策判断结果进行可视化呈现并投入应用；
S13：专家/用户反馈
专家/用户信息反馈单元有选择性地向所述数据库模块中补充数据，向知识库模块中补充专家知识，向数据评估与***协调模块反馈信息处理需求或融合场景信息。
实施例4
实施例2所述基于数据评估与***协调模块的数据融合***的工作方法，本实施例以数据融合的具体场景——体征状态判断***为例，在体征状态判断***中，通过多源传感器分别采集个体的体温、血压、心率、肺动脉压和呼吸率5类体征数据，分别表示为DT、DB、DH、DP、DR，通过对这些体征信息进行数据融合，从而得到个体的整体体征状态，本例中体征状态的结果分为三类：健康、一般和高危。包括步骤如下：
S01：采集信息
信息采集模块中多源传感器采集待测目标的不同属性信息，五类传感器分别采集待测个体的体温(Temperature)、血压(Blood pressure)、心率(Heart rate)、肺动脉压(Pulmonary artery pressure)和呼吸率(Respiration rate)信息，将环境信息转化为电信号，并经A/D转换得到数字信号，产生原始数据，即DT、DB、DH、DP、DR；
S02：获取数据基本信息
数据评估与***协调模块接收到步骤S01中原始数据，数据基本信息检测子单元对原始数据进行检测，获得数据基本信息，包括样本数量、数据类型，得到数据信息为5种体征类型数据；
S03：数据初次分析
数据基本信息检测子单元结合步骤S02中所获数据基本信息，对数据进行初次分析，初次分析主要是通过计算得到所采数据的特征参数，特征参数包括常用的平均值、方差、峰值；
S04：判断是否有反馈产生
协调控制单元判断是否有来自反馈管理单元中的信息反馈，若有，协调控制单元向数据分析单元发送反馈信息和再分析请求，执行步骤S05，若没有，则执行步骤S08；
S05：场景确认
结合步骤S13中用户给出的融合场景为人体的体征状态判断数据融合场景，场景构建子单元确定数据融合***的应用场景为体征状态判断；
S06：需求确认
步骤S13中用户反馈为，对数据处理时间没有严格要求，希望尽可能保证体征状态判断的准确度，需求评价子单元确定用户需求；
S07：二次综合分析
数据分析单元接收到协调控制单元发来的再分析请求，所述数据分析单元根据步骤S02所获取的数据基本信息、步骤S03对数据的初次分析结果、步骤S05所得应用场景以及步骤S06中的所得用户需求，基于知识库中的知识进行数据的二次综合分析；确定融合场景为人体体征状态判断、数据为5类体征信息DT、DB、DH、DP、DR、对数据处理时间要求较低而对判决准确率要求较高，根据知识库提供的知识支持，考虑使用基于D-S证据理论进行数据融合的方法；
S08：确定算法与决策规则
经过数据分析单元的初次分析和二次综合分析(如果有)后，由协调控制单元向算法选择与管理单元和融合决策与管理单元指定控制方法，即确定融合算法和决策规则，确定数据融合所采用的算法为D-S证据理论，用于步骤S10，相应的数据预处理算法为不一致性消除、归一化和滤波，用于步骤S09，相应的决策规则为最大信度值法，用于步骤S11；
S09：数据预处理
根据步骤S08中算法选择与管理单元确定的算法，所述信息处理模块中数据与处理单元对数据DT、DB、DH、DP、DR进行预处理，得到新的数据DT'、DB'、DH'、DP'、DR'，本实施例数据预处理算法包括不一致性消除、归一化、滤波；
S10：数据融合
根据步骤S08中算法选择与管理单元确定算法为D-S证据理论，基于步骤S09中处理过的数据，将5类体征数据DT'、DB'、DH'、DP'、DR'视为不同的证据来源，根据D-S证据理论合成公式进行证据合成。在进行证据合成前，需要相关历史数据生成证据的初始信度，所需的历史数据由数据库模块提供。本应用场景中，D-S证据理论识别框架由A(健康)、B(一般)、C(高危)三个命题组成，表示所有可能的体征状态，最终的数据融合结果为信度值矩阵R＝(RA,RB,RC)；
S11：决策判断
根据步骤S08中决策规则选择与管理单元确定使用最大信度值法作为决策规则，基于步骤S10使用D-S证据理论算法得到的数据融合结果，所述信息处理模块中决策判断单元对数据融合结果进行总结，根据最大信度值法确定决策结果。例如S10中信度值矩阵R＝(0.10,0.69,0.21)，其中RB的值为0.69，大于RA和RC，代表***的数据融合结果为所检测个体的体征状态“一般”；
S12：数据融合应用
应用与反馈模块中数据融合应用单元通过显示器显示待测个体的体征状态为“一般”，同时给出相应的提醒与建议；
S13：专家/用户反馈
应用与反馈模块中专家/用户反馈单元，可有选择性地向所述数据库模块中补充数据，向知识库模块中补充专家知识，向数据评估与***协调模块反馈信息处理需求或指定信息处理方法。例如，本例中，用户向数据评估与协调模块中反馈数据融合场景为人体的体征状态判断，对数据处理的时间要求不高，希望保证尽可能高的判决准确率；专家向知识库中反馈信息，反馈内容为在数据间冲突程度不大的情况下可以考虑D-S证据理论算法进行数据融合。
Claims (10)
1.一种基于数据评估与***协调模块的数据融合***，其特征在于，包括：信息采集模块、信息处理模块、应用与反馈模块、数据评估与***协调模块、知识库模块以及数据库模块；
所述信息采集模块、所述信息处理模块及所述应用与反馈模块依次连接，所述信息采集模块连接所述数据库模块和所述数据评估与***协调模块，所述应用与反馈模块连接所述知识库模块、所述数据库模块和所述数据评估与***协调模块，所述知识库模块连接所述数据评估与***协调模块，所述数据库模块和所述数据评估与***协调模块连接所述信息处理模块；所述信息采集模块用于从外界环境获取所需多源信息；所述信息处理模块用于实现数据不同方式和程度的数据处理，数据处理包括数据预处理、数据融合和决策判断；所述应用与反馈模块用于实现数据融合处理结果的各类应用，同时用于将专家或用户提供的反馈信息发送至知识库模块和数据库模块；所述数据库模块用于存储所述信息采集模块从外界环境获取所需多源信息，和专家或用户提供的反馈信息，并在需要时向所述信息处理模块提供历史数据支持；所述知识库模块用于存储与整个数据融合过程相关的理论知识、专家经验、操作方法和规则；所述数据评估与***协调模块用于存储数据融合相关的算法和判断规则，通过分析所述信息采集模块发送的数据，结合反馈信息和所述知识库模块中相关知识，实现对所述信息处理模块各阶段中不同数据处理算法的选择，使所述信息处理模块按需求进行数据处理，即协调整个数据处理的过程。
2.根据权利要求1所述的一种基于数据评估与***协调模块的数据融合***，其特征在于，所述信息采集模块包括各类传感器，各类传感器从外界环境中采集被测对象的各属性信息，转化为电信号，经A/D转换后发送至所述信息处理模块。
3.根据权利要求1所述的一种基于数据评估与***协调模块的数据融合***，其特征在于，所述信息处理模块包括依次连接的数据预处理单元、数据融合单元和决策判断单元，所述信息采集模块连接所述数据预处理单元，所述决策判断单元连接所述应用与反馈模块；
所述数据预处理单元对所述信息采集模块采集的数据依次进行不一致性消除、填补缺失数据、数据标准化操作；
所述数据融合单元将所述数据预处理单元处理后的不同来源的数据进行计算、分析、综合，实现对数据不同层次的处理和融合，包括数据级融合、特征级融合和决策级融合，根据***应用场景的不同，完成对数据某个或某几个层次的融合；通过加权平均算法、卡尔曼滤波算法、小波变换算法实现数据级融合；通过主成分分析算法、线性判别分析算法、独立成分分析算法实现特征级融合；通过人工神经网络算法、贝叶斯估计算法、专家***算法、D-S证据理论算法、模糊集理论算法实现决策级融合；
所述决策判断单元对所述数据融合单元处理后的结果进行总结，给出最终的决策，完成计算。
4.根据权利要求3所述的一种基于数据评估与***协调模块的数据融合***，其特征在于，所述应用与反馈模块包括依次连接的数据融合应用单元和专家/用户信息反馈单元；所述数据融合应用单元用以呈现数据融合的结果，实现融合结果在实际场景中的应用，所述专家/用户信息反馈单元用于专家或用户将知识或需求信息通过应用程序或其它方式反馈信息到知识库模块和数据库模块，或者直接将反馈信息提供给所述数据评估与***协调模块。
5.根据权利要求4所述的一种基于数据评估与***协调模块的数据融合***，其特征在于，所述数据评估与***协调模块包括数据分析单元、协调控制单元、反馈管理单元、算法选择与管理单元和融合决策规则管理单元；
所述信息采集模块连接所述数据分析单元，所述应用与反馈模块连接所述反馈管理单元，所述数据分析单元分别连接所述算法选择与管理单元、所述融合决策规则管理单元，所述算法选择与管理单元、所述融合决策规则管理单元均连接所述信息处理模块，所述数据分析单元相互连接所述协调控制单元，所述反馈管理单元连接所述协调控制单元，所述协调控制单元分别连接所述算法选择与管理单元、所述融合决策规则管理单元；所述数据分析单元接收信息采集模块传来的数据，依次进行数据的第一次分析、结合专家或用户反馈的第二次分析；所述协调控制单元接收所述数据分析单元中的分析结果，接收所述反馈管理单元的反馈信息，向所述算法选择与管理单元和所述融合决策规则管理单元提供控制方法，所述协调控制单元还在有反馈信息时向所述数据分析单元发送再分析请求；所述算法选择与管理单元用于接收所述协调控制单元发出的指令，确定并提供***数据融合所需融合算法；所述融合决策规则管理单元用于接收所述协调控制单元发出的指令，确定并提供***数据融合所需融合规则；所述反馈管理单元用于接收所述应用与反馈模块发送的反馈信息，并将反馈信息存储分类，发送给协调控制单元。
6.根据权利要求5所述的一种基于数据评估与***协调模块的数据融合***，其特征在于，所述数据分析单元包括数据基本信息检测子单元、场景构建子单元、需求评价子单元和分析中心，所述数据基本信息检测子单元、所述场景构建子单元、所述需求评价子单元均连接所述分析中心；
所述数据基本信息检测子单元用于获取数据的样本数量、数据类型；所述场景构建子单元用于根据数据类型推理出数据融合***的应用场景；所述需求评价子单元用于分析数据融合***的数据处理需求；所述分析中心依次完成数据的两次分析，第一次分析是指分析数据的特征参数，包括平均值、方差、峰值，还包括后续数据处理算法中涉及到的参数，以及用户自定义的特征参数；第二次分析是指：如果有专家或用户的反馈信息，所述分析中心在接收到协调控制单元的再分析请求后，根据反馈信息和初步分析的结果，基于知识库模块中的知识进行二次综合分析，决定数据处理各过程中算法的选择。
7.根据权利要求6所述的一种基于数据评估与***协调模块的数据融合***，其特征在于，所述算法选择与管理单元包括依次连接的算法库与算法控制子单元，所述协调控制单元在接收所述数据分析单元中的分析结果后，向所述算法选择与管理单元发送指令，确定***数据融合所需融合算法，所述算法库向所述算法控制子单元提供所需算法，完成算法选择过程。
8.根据权利要求7所述的一种基于数据评估与***协调模块的数据融合***，其特征在于，所述融合决策规则管理单元包括依次连接的决策规则库与决策规则控制子单元，所述协调控制单元在接收所述数据分析单元中的分析结果后，向融合决策规则管理单元发送指令，确定***数据融合所需融合规则，所述决策规则库向所述决策规则控制子单元提供所需决策规则，完成决策规则选择过程。
9.根据权利要求8所述的一种基于数据评估与***协调模块的数据融合***，其特征在于，所述融合决策规则管理单元包括依次连接的决策规则库与决策规则控制子单元，所述协调控制单元在接收所述数据分析单元中的分析结果后，向融合决策规则管理单元发送指令确定***信息融合所需融合规则，决策规则库向决策规则控制子单元提供所需决策规则，完成决策规则选择过程。
10.权利要求9所述的一种基于数据评估与***协调模块的数据融合***的工作方法，包括步骤如下：
S01：采集信息
所述信息采集模块采集待测目标的不同属性信息，并转化为数字信号，产生原始数据；
S02：获取数据基本信息
所述数据评估与***协调模块接收到步骤S01中原始数据，所述数据基本信息检测子单元对原始数据进行检测，获得数据基本信息，包括样本数量、数据类型；
S03：数据初次分析
所述数据基本信息检测子单元结合步骤S02中所获数据基本信息，对数据进行初次分析，初次分析主要是通过计算得到所采数据的特征参数，特征参数包括常用的平均值、方差、峰值，还包括后续数据处理算法中涉及到的参数，以及用户自定义的特征参数；
S04：判断是否有反馈产生
所述协调控制单元判断是否有来自所述反馈管理单元中的信息反馈，若有，协调控制单元向数据分析单元发送反馈信息和再分析请求，执行步骤S05，若没有，则执行步骤S08；
S05：场景确认
结合步骤S13中所述专家/用户信息反馈单元进一步处理反馈的融合场景信息，场景构建子单元确定数据融合***的应用场景；
S06：需求确认
结合步骤S05中所确定场景信息和步骤S13中所述专家/用户信息反馈单元进一步处理反馈的融合需求信息，需求评价子单元确定用户需求；用户需求包括对数据融合处理的精度和时间要求，需求评价子单元根据用户反馈将融合结果精度和处理时间的需求划分为对应级别；
S07：二次综合分析
所述数据分析单元接收到协调控制单元发来的再分析请求，所述数据分析单元根据步骤S02所获取的数据基本信息、步骤S03对数据的初次分析结果、步骤S05所得应用场景以及步骤S06中的所得用户需求，基于知识库中的知识进行数据的二次综合分析；
S08：确定算法与决策规则
经过所述数据分析单元的初次分析和二次综合分析后，由协调控制单元向所述算法选择与管理单元和融合决策与管理单元指定控制方法，即确定融合算法和决策规则，所述算法控制子单元从算法库中选择指定算法，所述决策规则控制子单元从决策规则库中选择决策规则，用于步骤S09至步骤S11中的信息处理；
S09：数据预处理
根据步骤S08中算法选择与管理单元确定的算法，所述数据预处理单元对所述信息采集模块采集的数据进行不一致性消除、填补缺失数据、数据标准化的操作；
S10：数据融合
所述数据融合单元将所述数据预处理单元处理后的不同来源的数据进行计算、分析、综合，实现对数据不同层次的处理和融合，包括数据级融合、特征级融合和决策级融合，根据***应用场景的不同，完成对数据某个或某几个层次的融合；
根据步骤S08中算法选择与管理单元确定的算法，基于步骤S09处理过的数据，所述数据融合单元实现对数据不同层次的处理和融合，包括数据级融合、特征级融合和决策级融合，根据***应用场景的不同，完成对数据某个或某几个层次的融合；数据融合过程中，所需的历史数据由数据库模块提供；
S11：决策判断
基于步骤S08中融合决策规则管理单元确定的决策规则，所述决策判断单元对数据融合结果进行总结决策，完成计算；
所述总结决策方法包括设定阈值法、最大信度法、多数投票法；
S12：数据融合应用
所述数据融合应用单元对步骤S11中所得决策判断结果进行可视化呈现并投入应用；
S13：专家/用户反馈
所述专家/用户信息反馈单元有选择性地向所述数据库模块中补充数据，向所述知识库模块中补充专家知识，向数据评估与***协调模块反馈信息处理需求或融合场景信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811485497.5A CN109581981B (zh) | 2018-12-06 | 2018-12-06 | 一种数据融合***及其工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811485497.5A CN109581981B (zh) | 2018-12-06 | 2018-12-06 | 一种数据融合***及其工作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109581981A CN109581981A (zh) | 2019-04-05 |
| CN109581981B true CN109581981B (zh) | 2021-06-25 |
Family
ID=65927659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811485497.5A Active CN109581981B (zh) | 2018-12-06 | 2018-12-06 | 一种数据融合***及其工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109581981B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442567A (zh) * | 2019-07-30 | 2019-11-12 | 郑州航管科技有限公司 | 一种用于机场自动观测***的数据融合方法 |
| CN111324594B (zh) * | 2020-02-17 | 2023-08-11 | 武汉轻工大学 | 用于粮食加工业的数据融合方法、装置、设备及存储介质 |
| CN112667606A (zh) * | 2021-01-15 | 2021-04-16 | 中国科学院空天信息创新研究院 | 一种基于多源知识采集技术的知识库***及其构建方法 |
| CN114218929B (zh) * | 2022-02-22 | 2022-05-17 | 之江实验室 | 一种基于元算子融合的多平台算子智能化开发***及方法 |
| CN115481183A (zh) * | 2022-09-20 | 2022-12-16 | 河北网新科技集团股份有限公司 | 一种实时数据处理方法和*** |
| CN116501779A (zh) * | 2023-06-26 | 2023-07-28 | 图林科技(深圳)有限公司 | 一种进行实时反馈的大数据挖掘分析*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950170A (zh) * | 2010-09-10 | 2011-01-19 | 中国科学院自动化研究所 | 一种面向智能型室内助动***的交互控制装置及方法 |
| CN102055800A (zh) * | 2010-12-13 | 2011-05-11 | 南京大学 | 基于信息汇聚的交通物联网分层体系架构 |
| CN104683389A (zh) * | 2013-11-27 | 2015-06-03 | 上海墨芋电子科技有限公司 | 新型物联网海量存储的云计算架构*** |
| CN106164896A (zh) * | 2013-12-30 | 2016-11-23 | 邓白氏公司 | 用于发现复杂两对手方或多对手方关系的多维递归学习过程及*** |
| CN107977766A (zh) * | 2017-10-09 | 2018-05-01 | 中国电子科技集团公司第二十八研究所 | 一种城市运行仿真与统筹规划*** |
-
2018
- 2018-12-06 CN CN201811485497.5A patent/CN109581981B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950170A (zh) * | 2010-09-10 | 2011-01-19 | 中国科学院自动化研究所 | 一种面向智能型室内助动***的交互控制装置及方法 |
| CN102055800A (zh) * | 2010-12-13 | 2011-05-11 | 南京大学 | 基于信息汇聚的交通物联网分层体系架构 |
| CN104683389A (zh) * | 2013-11-27 | 2015-06-03 | 上海墨芋电子科技有限公司 | 新型物联网海量存储的云计算架构*** |
| CN106164896A (zh) * | 2013-12-30 | 2016-11-23 | 邓白氏公司 | 用于发现复杂两对手方或多对手方关系的多维递归学习过程及*** |
| CN107977766A (zh) * | 2017-10-09 | 2018-05-01 | 中国电子科技集团公司第二十八研究所 | 一种城市运行仿真与统筹规划*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109581981A (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109581981B (zh) | 一种数据融合***及其工作方法 | |
| CN109222972B (zh) | 一种基于深度学习的fMRI全脑数据分类方法 | |
| US11129591B2 (en) | Echocardiographic image analysis | |
| US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
| CN111863236A (zh) | 医疗机器合成数据和对应事件生成 | |
| JP7191443B2 (ja) | 機械学習に基づくターゲットオブジェクト属性予測方法、関連機器及びコンピュータプログラム | |
| Thill et al. | Anomaly Detection in Electrocardiogram Readings with Stacked LSTM Networks. | |
| CN110503155A (zh) | 一种信息分类的方法及相关装置、服务器 | |
| CN116269355B (zh) | 一种基于人物姿态识别的安全监测*** | |
| CN105611872A (zh) | 用于评估多通道ecg信号的装置和方法 | |
| CN117457229A (zh) | 基于人工智能的麻醉深度监测***及方法 | |
| Ding et al. | Multiple lesions detection of fundus images based on convolution neural network algorithm with improved SFLA | |
| CN115778403B (zh) | 心电图分析方法、装置、电子设备和存储介质 | |
| CN114469022A (zh) | 报警事件的回顾方法、装置及可读存储介质 | |
| CN113951868B (zh) | 机械通气患者人机不同步检测方法及装置 | |
| CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其*** | |
| CN117558428B (zh) | 一种用于肝脏mri的成像优化方法及*** | |
| CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
| CN114224354B (zh) | 心律失常分类方法、装置及可读存储介质 | |
| CN115171216A (zh) | 一种面向协作行为检测和识别的方法及相关*** | |
| CN114742090A (zh) | 一种基于精神疲劳监测的驾驶舱人机交互*** | |
| CN111881979B (zh) | 多模态数据标注装置及包含程序的计算机可读存储介质 | |
| CN111297348A (zh) | 心电图分析结果的生成方法、心电图机及存储介质 | |
| CN112568911A (zh) | 心电数据的分类方法、设备及具有存储功能的装置 | |
| CN117598711B (zh) | 一种心电信号的qrs波群检测方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |