CN116432144A - 一种基于载波通信的数据融合*** - Google Patents

一种基于载波通信的数据融合*** Download PDF

Info

Publication number
CN116432144A
CN116432144A CN202310677532.8A CN202310677532A CN116432144A CN 116432144 A CN116432144 A CN 116432144A CN 202310677532 A CN202310677532 A CN 202310677532A CN 116432144 A CN116432144 A CN 116432144A
Authority
CN
China
Prior art keywords
distance
data
coefficient
difference
moving
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.)
Granted
Application number
CN202310677532.8A
Other languages
English (en)
Other versions
CN116432144B (zh
Inventor
马剑
曾亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Longdian Huaxin Holding Group Co ltd
Original Assignee
Shenzhen Longdian Huaxin Holding Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Longdian Huaxin Holding Group Co ltd filed Critical Shenzhen Longdian Huaxin Holding Group Co ltd
Priority to CN202310677532.8A priority Critical patent/CN116432144B/zh
Publication of CN116432144A publication Critical patent/CN116432144A/zh
Application granted granted Critical
Publication of CN116432144B publication Critical patent/CN116432144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及电数据处理技术领域，具体涉及一种基于载波通信的数据融合***。该***包括获取模块，用于获取数据源对同一目标的通信数据和目标位置，确定对应时间段内的移动距离；第一处理模块，用于根据时序对任一数据源获取目标在不同时间段的移动距离进行排序，得到距离序列，确定移动距离的波动系数；将距离序列划分为相似子序列；第二处理模块，用于确定数据源在时间段的目标置信度；数据融合模块，用于根据同一时间段内所有数据源的目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据。本发明能够有效提升融合数据的抗干扰能力，增强融合数据的可靠性。

Description

一种基于载波通信的数据融合***
技术领域
本发明涉及电数据处理技术领域，具体涉及一种基于载波通信的数据融合***。
背景技术
对于通信场景，常用多源传感器采集丰富的原始信息，进行融合能够提供更详细的特征数据进行分析。
而多源传感器下，每一个数据源都有自身的检测优势方面，相关技术中，多源数据融合采取根据数据源距目标的距离分配融合权重的方式，这种方式下，相距较近的数据源在采集数据的过程中受到干扰，仍以较高比例进行融合，易对后续对融合数据产生影响，使得数据融合效果易受到干扰影响，融合数据可靠性不足，需要进行优化。
发明内容
为了解决数据融合效果易受到干扰影响，融合数据可靠性不足的技术问题，本发明提供一种基于载波通信的数据融合***，所采用的技术方案具体如下：
本发明提出了一种基于载波通信的数据融合***，***包括：
获取模块，用于周期性获取至少两个数据源对同一目标的通信数据和目标位置，根据同一数据源在相邻时间点获取的所述目标位置的变化确定对应时间段内的移动距离；
第一处理模块，用于根据时序对任一数据源获取目标在不同时间段的移动距离进行排序，得到距离序列，根据距离序列中第一个移动距离与其他移动距离的数值，确定所述距离序列中除第一个移动距离外每个移动距离的波动系数；根据相邻移动距离的波动系数的差异将所述距离序列划分为相似子序列；
第二处理模块，用于根据所述相似子序列中移动距离的数量和数值确定所述相似子序列的异常系数；根据任一数据源分别与其他所有数据源获取目标在同一时间段内移动距离的差异确定所述数据源在对应时间段的初始置信度，根据所述异常系数和所述初始置信度确定所述数据源在所述时间段的目标置信度；
数据融合模块，用于根据同一时间段内所有数据源的目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据。
进一步地，所述根据距离序列中第一个移动距离与其他移动距离的数值，确定所述距离序列中除第一个移动距离外每个移动距离的波动系数，包括：
将所述距离序列中除第一个移动距离外的任一移动距离作为待测移动距离；
计算所述距离序列中第一个移动距离至待测移动距离的子序列的偏度的绝对值作为待测偏度系数；
计算第一个移动距离与所述待测移动距离的差值绝对值作为第一距离差异，计算第一个移动距离至所述待测移动距离中的最大值与第一个移动距离的差值绝对值作为第二距离差异；
根据所述第一距离差异和所述第二距离差异确定距离差异系数，其中，所述第一距离差异与所述距离差异系数呈负相关关系，所述第二距离差异与所述距离差异系数呈正相关关系；
计算所述待测偏度系数和所述距离差异系数的乘积的归一化值作为所述待测移动距离的波动系数。
进一步地，所述根据相邻移动距离的波动系数的差异将所述距离序列划分为相似子序列，包括：
计算相邻波动系数的差值绝对值作为相邻差异；
将所述相邻差异小于预设差异阈值的移动距离组合作为一个相似子序列，其中，将第一个移动距离添加至与其相邻的相似子序列中，由此，将所述距离序列划分为至少一个相似子序列。
进一步地，所述根据所述相似子序列中移动距离的数量和数值确定所述相似子序列的异常系数，包括：
计算所有相似子序列中移动距离的总数量与相似子序列的数量的比值作为数量均值；
任选某一相似子序列作为待测相似子序列，计算所述数量均值与所述待测相似子序列中移动距离的数量的差值作为数量差值；
将与所述待测相似子序列相距最近的两个相似子序列作为第一子序列和第二子序列，计算所述第一子序列中所有移动距离的均值作为第一距离均值，计算所述第二子序列中所有移动距离的均值作为第二距离均值，计算第一距离均值与第二距离均值的差值绝对值作为距离系数；
根据所述数量差值和所述距离系数，获得所述待测相似子序列的异常系数，其中，所述数量差值与所述异常系数呈正相关关系，所述距离系数与所述异常系数呈反相关关系，所述异常系数的取值为归一化的数值。
进一步地，所述根据任一数据源分别与其他所有数据源获取目标在同一时间段内移动距离的差异确定所述数据源在对应时间段的初始置信度，包括：
计算任一数据源在任一时间段得到的移动距离分别与其他每个数据源在同时间段得到的移动距离的差值绝对值的均值作为移动距离差异；
计算所述移动距离差异的反比例归一化值作为初始置信度。
进一步地，所述初始置信度与所述目标置信度呈正相关关系，所述异常系数与所述目标置信度呈负相关关系，所述目标置信度的取值为归一化的数值。
进一步地，所述根据同一时间段内所有数据源的目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据，包括：
计算数据源在对应时间段内的目标置信度与通信数据的乘积作为待融合数据；
将同一时间段内所有目标数据源的待融合数据的和值作为所述时间段的融合数据。
进一步地，所述根据同一数据源在相邻时间点获取的所述目标位置的变化确定对应时间段内的移动距离，包括：
计算同一数据源在相邻时间点获取的所述目标位置间欧氏距离作为所述移动距离。
本发明具有如下有益效果：
本发明通过确定不同数据源在多个时间段内的移动距离，而后，根据同一数据源在不同时间段的移动距离差异，确定移动距离的波动系数，由于目标在移动过程中通常为匀速运动或匀加速运动，对应的移动距离的差异应当呈现一定的规律，因此，根据对应的移动距离的变化确定波动系数，并根据相邻移动距离的波动系数的差异将距离序列划分为至少一个相似子序列，从而有效根据移动距离数值的差异对距离序列进行划分，根据相似子序列中移动距离的数量和数值确定相似子序列的异常系数，能够对单一数据源在不同时间段内获取数据的异常程度进行有效分析，根据同一时间段内数据源与其他数据源移动距离的差异确定数据源在对应时间段的初始置信度，能够横向分析同一时间段内所有数据源的移动距离的差异，目标在同一时间段内真实的移动距离数值固定，因此，差异较大的情况下大概率发生异常状态，结合初始置信度和异常系数确定目标置信度，并根据目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据，能够结合同一数据源获取的所有的移动距离和其他数据源在同时间段的移动距离进行分析，有效确定对应的目标置信度，从而根据目标置信度实现通信数据的权重分配，得到融合数据，本发明能够有效避免直接根据距离的远近进行数据融合导致的干扰影响，有效提升融合数据的抗干扰能力，增强融合数据的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于载波通信的数据融合***结构图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于载波通信的数据融合***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于载波通信的数据融合***的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于载波通信的数据融合***结构图，该基于载波通信的数据融合***10包括：
获取模块101，用于周期性获取至少两个数据源对同一目标的通信数据和目标位置，根据同一数据源在相邻时间点获取的目标位置的变化确定对应时间段内的移动距离。
其中，载波通信场景可以具体例如为目标设备与基站进行通信的场景，为增加数据强度，常通过多源的数据在一定限制下进行融合，实现信息的侧重互补。因此，本发明实施例可以设置至少两个数据源，以通过多个数据源对同一目标的通信数据和目标位置进行获取。
本发明实施例中，数据源可以具体例如为通信基站和通信雷达等信号接收设备，而目标可以具体例如为待进行通信的设备，如移动通信设备、通信站台等，由多个数据源同时对目标进行通信收集，以得到时序上连续的通信数据和目标位置。至此，得到了多个数据源对同一目标的通信数据和目标位置。
可以理解的是，数据源对目标的通信数据和目标位置的获取可以为周期性的采集，例如每隔0.02秒采集一次，对此不做限制。
其中，目标位置的获取可以具体例如为：以数据源为中心，目标相距数据源越远，则数据源发射的载波到达目标的传播衰减越高，根据传播衰减确定目标距数据源的距离，数据源不断发送信号扫描捕获数据源信号范围覆盖区域内的目标，因此数据源通过信号扫描过程即可推断目标所处于数据源的方位，则通过目标相距数据源的距离和方位确定目标的目标位置。当然，本发明还支持使用多种其他任意可能的实现方式确定目标位置，对此不做限制。
进一步地，本发明的一些实施例中，根据同一数据源在相邻时间点获取的目标位置的变化确定对应时间段内的移动距离，包括：计算同一数据源在相邻时间点获取的目标位置间欧氏距离作为移动距离。
本发明实施例中，可以将相邻两个时间点之间的时间间隔作为一个时间段，由于数据源在每个时间点上还获取该时间点目标所处目标位置，因此，可以将相邻两个时间点目标位置间的欧氏距离作为目标在该时间段内的移动距离。其中，欧氏距离的计算为本领域所熟知的技术，在此不做进一步的赘述与限定。
第一处理模块102，用于根据时序对任一数据源获取目标在不同时间段的移动距离进行排序，得到距离序列，根据距离序列中第一个移动距离与其他移动距离的数值，确定距离序列中除第一个移动距离外每个移动距离的波动系数；根据相邻移动距离的波动系数的差异将距离序列划分为相似子序列。
本发明实施例中，可以根据时间顺序对任一数据源在采集的时间段内的移动距离进行排序，举例而言，在时间段有3个，则可以将每个时间段的移动距离根据时间段的先后顺序进行排序，以得到距离序列，也即是说，距离序列中包含根据时序排序的移动距离。
进一步地，本发明的一些实施例中，根据距离序列中第一个移动距离与其他移动距离的数值，确定距离序列中除第一个移动距离外每个移动距离的波动系数，包括：将距离序列中除第一个移动距离外的任一移动距离作为待测移动距离；计算距离序列中第一个移动距离至待测移动距离的子序列的偏度的绝对值作为待测偏度系数；计算第一个移动距离与待测移动距离的差值绝对值作为第一距离差异，计算第一个移动距离至待测移动距离中的最大值与第一个移动距离的差值绝对值作为第二距离差异；根据第一距离差异和第二距离差异确定距离差异系数，其中，第一距离差异与距离差异系数呈负相关关系，第二距离差异与距离差异系数呈正相关关系；计算待测偏度系数和距离差异系数的乘积的归一化值作为待测移动距离的波动系数。
其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。
本发明实施例中，可以将距离序列中除第一个移动距离外的任一移动距离作为待测移动距离，则第一个移动距离、待测移动距离和第一个移动距离至待测移动距离间所有移动距离组成一个子序列，计算该子序列的偏度的绝对值作为待测移动距离的待测偏度系数，并计算对应的距离差异系数，根据待测偏度系数和距离差异系数确定待测移动距离的波动系数，对应的计算公式可以具体例如为：
Figure SMS_1
式中，
Figure SMS_11
表示待测移动距离/>
Figure SMS_3
的波动系数，i表示距离序列中移动距离的索引，N+表示正整数，/>
Figure SMS_7
表示第一个移动距离至待测移动距离/>
Figure SMS_5
的最大值，/>
Figure SMS_8
表示第一距离差异，/>
Figure SMS_12
表示第二距离差异，/>
Figure SMS_16
表示常数系数，为防止分母为0所设置的常数值，/>
Figure SMS_10
表示/>
Figure SMS_14
至/>
Figure SMS_2
的移动距离的总数量，j表示/>
Figure SMS_6
至/>
Figure SMS_15
的移动距离的索引，/>
Figure SMS_19
表示第j个移动距离，/>
Figure SMS_18
表示/>
Figure SMS_20
至/>
Figure SMS_4
的移动距离的均值，/>
Figure SMS_9
表示/>
Figure SMS_13
至/>
Figure SMS_17
的标准差，G( )表示归一化处理。在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。
其中，
Figure SMS_21
表示距离差异系数，通过第一距离差异表征第一个移动距离与待测移动距离的差值绝对值，通过第二距离差异表征第一个移动距离至待测移动距离中的最大值与第一个移动距离的差值绝对值，也即是说，待测移动距离为第一个移动距离至待测移动距离中的最大值时，对应的距离差异系数更接近1，其他情况下，距离差异系数均更大于1，由此，能够避免随序列数据量增多后，异常值产生的距离差异波动被出现的大量小幅波动进行掩盖，保证距离差异系数更能表征对应时间范围内的移动趋势，也即是说，距离差异系数越大，波动系数越大。
其中，
Figure SMS_22
表示距离序列中第一个移动距离至待测移动距离的子序列的偏度，其中，偏度计算公式为本领域所熟知的计算方式，对此不再赘述，通过偏度的绝对值能够表征子序列中呈现的波动态势，/>
Figure SMS_23
表示待测偏度系数，经过绝对值后，待测偏度系数的数值越大表示子序列中呈现有越多较大程度偏离均值的移动距离，即子序列本身波动情况较高，更加不便取到一段波动小的序列，待测偏度系数越大，波动系数越大。
进一步地，本发明的一些实施例中，根据相邻移动距离的波动系数的差异将距离序列划分为相似子序列，包括：计算相邻波动系数的差值绝对值作为相邻差异；将相邻差异小于预设差异阈值的移动距离组合作为一个相似子序列，其中，将第一个移动距离添加至与其相邻的相似子序列中，由此，将距离序列划分为至少一个相似子序列。
本发明实施例中，由于波动系数表征第一个移动距离至待测移动距离的波动情况，由此，将波动情况较为相似的移动距离组合作为一个相似子序列，通过计算相邻波动系数的差值绝对值作为相邻差异；将相邻差异小于预设差异阈值的移动距离组合作为一个相似子序列。
其中，预设差异阈值，为相邻差异的门限值，可选地，预设差异阈值可以具体为0.5，或者，也可以根据实际检测需求进行调整，对此不做限制。在检测到任一移动距离与其相邻的移动距离的相邻差异小于0.5时，将该移动距离与满足条件的相邻的移动距离组合，并重新计算与该组合相邻的移动距离，依次处理，将距离序列划分为至少一个相似子序列。
第二处理模块103，用于根据相似子序列中移动距离的数量和数值确定相似子序列的异常系数；根据任一数据源分别与其他所有数据源获取目标在同一时间段内移动距离的差异确定数据源在对应时间段的初始置信度，根据异常系数和初始置信度确定数据源在时间段的目标置信度。
进一步地，本发明的一些实施例中，根据相似子序列中移动距离的数量和数值确定相似子序列的异常系数，包括：计算所有相似子序列中移动距离的总数量与相似子序列的数量的比值作为数量均值；任选某一相似子序列作为待测相似子序列，计算数量均值与待测相似子序列中移动距离的数量的差值作为数量差值；将与待测相似子序列相距最近的两个相似子序列作为第一子序列和第二子序列，计算第一子序列中所有移动距离的均值作为第一距离均值，计算第二子序列中所有移动距离的均值作为第二距离均值，计算第一距离均值与第二距离均值的差值绝对值作为距离系数；根据数量差值和距离系数，获得待测相似子序列的异常系数，其中，数量差值与异常系数呈正相关关系，距离系数与异常系数呈反相关关系，异常系数的取值为归一化的数值。
本发明实施例中，计算所有相似子序列中移动距离的总数量与相似子序列的数量的比值作为数量均值，数量均值可以用
Figure SMS_24
表示，由此，异常系数的计算公式可以具体例如为：
Figure SMS_25
式中，
Figure SMS_27
表示待测相似子序列的异常系数，/>
Figure SMS_32
表示待测相似子序列，/>
Figure SMS_36
表示相似子序列的索引，/>
Figure SMS_29
表示相似中移动距离的数量，/>
Figure SMS_31
表示数量均值，/>
Figure SMS_35
表示待测相似子序列/>
Figure SMS_39
中移动距离的数量，/>
Figure SMS_26
表示数量差值，/>
Figure SMS_30
表示第一子序列，/>
Figure SMS_34
表示第二子序列，/>
Figure SMS_38
表示第一距离均值，/>
Figure SMS_28
表示第二距离均值，/>
Figure SMS_33
表示距离系数，/>
Figure SMS_37
表示归一化处理，/>
Figure SMS_40
表示预设的常数系数，为防止分母为0所设置的安全系数。
可以理解的是，相似子序列不为异常值构成的子序列，即相似子序列中不存在异常值的情况下，相似子序列内移动距离的数量较多，则相似子序列中移动距离数量小于数量均值时，则可以表征相似子序列的异常程度较大，也即是说，数量差值越大，对应的异常系数越大。
其中，距离系数为待测相似子序列沿时序相距最近的两个相似子序列的移动距离的数量均值的差异，差异越小表征待测相似子序列时序相邻最近的两个相似子序列并未出现较大差异，则去除待测相似子序列后相邻最近的两个相似子序列更可能形成一个整体序列，即待测相似子序列极大可能存在产生异常数据对相邻最近的两个相似子序列进行了截取，也即待测相似子序列在时序上对相邻的相似子序列衔接特征越不明显，由此，距离系数越小，对应的异常系数越大。
进一步地，本发明的一些实施例中，根据任一数据源分别与其他所有数据源获取目标在同一时间段内移动距离的差异确定数据源在对应时间段的初始置信度，包括：计算任一数据源在任一时间段得到的移动距离分别与其他每个数据源在同时间段得到的移动距离的差值绝对值的均值作为移动距离差异；计算移动距离差异的反比例归一化值作为初始置信度。
本发明实施例中，可以计算任一数据源在任一时间段的初始置信度，对应的计算公式可以具体例如为：
Figure SMS_41
式中，
Figure SMS_42
表示数据源m在第t个时间段的初始置信度，/>
Figure SMS_43
表示数据源m在第t个时间段得到的移动距离，Y表示所有数据源的总数量，y表示数据源中除数据源m外其他数据源的索引，/>
Figure SMS_44
表示第y个数据源在第t个时间段得到的移动距离，G（）表示归一化处理。
本发明实施例中，可以理解的是，在同一时间段内，目标的移动距离为固定的数值，由于数据源获取数据的异常情况和位置判断误差，会导致对应的移动距离产生区别，也即是说，计算任一数据源在任一时间段得到的移动距离分别与其他每个数据源在同时间段得到的移动距离的差值绝对值的均值，该均值越接近0，表征对应的该数据源在该时间段得到的移动距离可信度越高，也即初始置信度越高。
进一步地，本发明的一些实施例中，根据异常系数和初始置信度确定数据源在时间段的目标置信度，初始置信度与目标置信度呈正相关关系，异常系数与目标置信度呈负相关关系，目标置信度的取值为归一化的数值。
本发明实施例中，由于异常系数表征对应相似子序列的异常程度，而初始置信度表征数据源在对应时间段得到的移动距离的可信度，因此，通过异常系数和初始置信度确定数据源在时间段的目标置信度，对应的计算公式可以具体例如为：
Figure SMS_45
式中，
Figure SMS_46
表示数据源m在第t个时间段的目标置信度，/>
Figure SMS_47
表示数据源m在第t个时间段的初始置信度，/>
Figure SMS_48
表示数据源m在第t个时间段所对应相似子序列的异常系数。
由此，通过异常系数对初始置信度进行调整，从而使得目标置信度能够更为有效地表征对应数据源在对应时间段内获取的通信数据的可信度。
数据融合模块104，用于根据同一时间段内所有数据源的目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据。
本发明实施例中，在获取到目标置信度之后，可以将目标置信度作为对应通信数据的权重，从而进行数据融合得到融合数据，具体的融合步骤如下所示：
进一步地，本发明的一些实施例中，根据同一时间段内所有数据源的目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据，包括：计算数据源在对应时间段内的目标置信度与通信数据的乘积作为待融合数据；将同一时间段内所有目标数据源的待融合数据的和值作为时间段的融合数据。
其中，通信数据可以具体例如为电数字数据，通过目标置信度与电数字数据进行相乘并相加得到融合数据，当然，通信数据也可以具体例如为信号数据，则可以将目标置信度与对应信号波进行相乘并进行信号相加得到融合数据，其中，目标置信度可以作为对应数据融合的权值，从而对通信数据进行加权融合，当然，本发明还支持使用多种其他任意可能的实现方式根据同一时间段内所有数据源的目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据，举例而言，通过目标置信度确定置信度最高的5个通信数据，并分配平均权值进行融合等，对此不做限制。
本发明通过确定不同数据源在多个时间段内的移动距离，而后，根据同一数据源在不同时间段的移动距离差异，确定移动距离的波动系数，由于目标在移动过程中通常为匀速运动或匀加速运动，对应的移动距离的差异应当呈现一定的规律，因此，根据对应的移动距离的变化确定波动系数，并根据相邻移动距离的波动系数的差异将距离序列划分为至少一个相似子序列，从而有效根据移动距离数值的差异对距离序列进行划分，根据相似子序列中移动距离的数量和数值确定相似子序列的异常系数，能够对单一数据源在不同时间段内获取数据的异常程度进行有效分析，根据同一时间段内数据源与其他数据源移动距离的差异确定数据源在对应时间段的初始置信度，能够横向分析同一时间段内所有数据源的移动距离的差异，目标在同一时间段内真实的移动距离数值固定，因此，差异较大的情况下大概率发生异常状态，结合初始置信度和异常系数确定目标置信度，并根据目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据，能够结合同一数据源获取的所有的移动距离和其他数据源在同时间段的移动距离进行分析，有效确定对应的目标置信度，从而根据目标置信度实现通信数据的权重分配，得到融合数据，本发明能够有效避免直接根据距离的远近进行数据融合导致的干扰影响，有效提升融合数据的抗干扰能力，增强融合数据的可靠性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.一种基于载波通信的数据融合***，其特征在于，所述***包括：
获取模块，用于周期性获取至少两个数据源对同一目标的通信数据和目标位置，根据同一数据源在相邻时间点获取的所述目标位置的变化确定对应时间段内的移动距离；
第一处理模块，用于根据时序对任一数据源获取目标在不同时间段的移动距离进行排序，得到距离序列，根据距离序列中第一个移动距离与其他移动距离的数值，确定所述距离序列中除第一个移动距离外每个移动距离的波动系数；根据相邻移动距离的波动系数的差异将所述距离序列划分为相似子序列；
第二处理模块，用于根据所述相似子序列中移动距离的数量和数值确定所述相似子序列的异常系数；根据任一数据源分别与其他所有数据源获取目标在同一时间段内移动距离的差异确定所述数据源在对应时间段的初始置信度，根据所述异常系数和所述初始置信度确定所述数据源在所述时间段的目标置信度；
数据融合模块，用于根据同一时间段内所有数据源的目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据。
2.如权利要求1所述的一种基于载波通信的数据融合***，其特征在于，所述根据距离序列中第一个移动距离与其他移动距离的数值，确定所述距离序列中除第一个移动距离外每个移动距离的波动系数，包括：
将所述距离序列中除第一个移动距离外的任一移动距离作为待测移动距离；
计算所述距离序列中第一个移动距离至待测移动距离的子序列的偏度的绝对值作为待测偏度系数；
计算第一个移动距离与所述待测移动距离的差值绝对值作为第一距离差异，计算第一个移动距离至所述待测移动距离中的最大值与第一个移动距离的差值绝对值作为第二距离差异；
根据所述第一距离差异和所述第二距离差异确定距离差异系数，其中，所述第一距离差异与所述距离差异系数呈负相关关系，所述第二距离差异与所述距离差异系数呈正相关关系；
计算所述待测偏度系数和所述距离差异系数的乘积的归一化值作为所述待测移动距离的波动系数。
3.如权利要求1所述的一种基于载波通信的数据融合***，其特征在于，所述根据相邻移动距离的波动系数的差异将所述距离序列划分为相似子序列，包括：
计算相邻波动系数的差值绝对值作为相邻差异；
将所述相邻差异小于预设差异阈值的移动距离组合作为一个相似子序列，其中，将第一个移动距离添加至与其相邻的相似子序列中，由此，将所述距离序列划分为至少一个相似子序列。
4.如权利要求1所述的一种基于载波通信的数据融合***，其特征在于，所述根据所述相似子序列中移动距离的数量和数值确定所述相似子序列的异常系数，包括：
计算所有相似子序列中移动距离的总数量与相似子序列的数量的比值作为数量均值；
任选某一相似子序列作为待测相似子序列，计算所述数量均值与所述待测相似子序列中移动距离的数量的差值作为数量差值；
将与所述待测相似子序列相距最近的两个相似子序列作为第一子序列和第二子序列，计算所述第一子序列中所有移动距离的均值作为第一距离均值，计算所述第二子序列中所有移动距离的均值作为第二距离均值，计算第一距离均值与第二距离均值的差值绝对值作为距离系数；
根据所述数量差值和所述距离系数，获得所述待测相似子序列的异常系数，其中，所述数量差值与所述异常系数呈正相关关系，所述距离系数与所述异常系数呈反相关关系，所述异常系数的取值为归一化的数值。
5.如权利要求1所述的一种基于载波通信的数据融合***，其特征在于，所述根据任一数据源分别与其他所有数据源获取目标在同一时间段内移动距离的差异确定所述数据源在对应时间段的初始置信度，包括：
计算任一数据源在任一时间段得到的移动距离分别与其他每个数据源在同时间段得到的移动距离的差值绝对值的均值作为移动距离差异；
计算所述移动距离差异的反比例归一化值作为初始置信度。
6.如权利要求1所述的一种基于载波通信的数据融合***，其特征在于，所述初始置信度与所述目标置信度呈正相关关系，所述异常系数与所述目标置信度呈负相关关系，所述目标置信度的取值为归一化的数值。
7.如权利要求1所述的一种基于载波通信的数据融合***，其特征在于，所述根据同一时间段内所有数据源的目标置信度对每个数据源所获取的通信数据进行数据融合，得到融合数据，包括：
计算数据源在对应时间段内的目标置信度与通信数据的乘积作为待融合数据；
将同一时间段内所有目标数据源的待融合数据的和值作为所述时间段的融合数据。
8.如权利要求1所述的一种基于载波通信的数据融合***，其特征在于，所述根据同一数据源在相邻时间点获取的所述目标位置的变化确定对应时间段内的移动距离，包括：
计算同一数据源在相邻时间点获取的所述目标位置间欧氏距离作为所述移动距离。
CN202310677532.8A 2023-06-09 2023-06-09 一种基于载波通信的数据融合*** Active CN116432144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310677532.8A CN116432144B (zh) 2023-06-09 2023-06-09 一种基于载波通信的数据融合***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310677532.8A CN116432144B (zh) 2023-06-09 2023-06-09 一种基于载波通信的数据融合***

Publications (2)

Publication Number Publication Date
CN116432144A true CN116432144A (zh) 2023-07-14
CN116432144B CN116432144B (zh) 2023-08-11

Family

ID=87085770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310677532.8A Active CN116432144B (zh) 2023-06-09 2023-06-09 一种基于载波通信的数据融合***

Country Status (1)

Country Link
CN (1) CN116432144B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292530A (zh) * 2023-11-27 2023-12-26 深圳龙电华鑫控股集团股份有限公司 一种载波通信数据采集效率优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609460A (zh) * 2017-05-24 2018-01-19 南京邮电大学 一种融合时空双重网络流和attention机制的人体行为识别方法
CN110384479A (zh) * 2018-04-17 2019-10-29 三星电子株式会社 基于运动传感器和光学传感器的心律失常分类***装置
US20220155402A1 (en) * 2019-03-20 2022-05-19 Navenio Ltd. Transition Detection
US20230057118A1 (en) * 2021-08-20 2023-02-23 Motional Ad Llc Determining object mobility parameters using an object sequence

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609460A (zh) * 2017-05-24 2018-01-19 南京邮电大学 一种融合时空双重网络流和attention机制的人体行为识别方法
CN110384479A (zh) * 2018-04-17 2019-10-29 三星电子株式会社 基于运动传感器和光学传感器的心律失常分类***装置
US20220155402A1 (en) * 2019-03-20 2022-05-19 Navenio Ltd. Transition Detection
US20230057118A1 (en) * 2021-08-20 2023-02-23 Motional Ad Llc Determining object mobility parameters using an object sequence

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡继雄: "基于巷道模型的多源异构信息融合可信度评估方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, pages 021 - 236 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292530A (zh) * 2023-11-27 2023-12-26 深圳龙电华鑫控股集团股份有限公司 一种载波通信数据采集效率优化方法
CN117292530B (zh) * 2023-11-27 2024-02-13 深圳龙电华鑫控股集团股份有限公司 一种载波通信数据采集效率优化方法

Also Published As

Publication number Publication date
CN116432144B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN116432144B (zh) 一种基于载波通信的数据融合***
CN106680806A (zh) 一种多雷达点迹融合方法
CN105842687B (zh) 基于rcs预测信息的检测跟踪一体化方法
CN109490826B (zh) 一种基于无线电波场强rssi的测距与位置定位方法
Zhang et al. Weighted adaptive KNN algorithm with historical information fusion for fingerprint positioning
CN110058222B (zh) 一种基于传感器选择的双层粒子滤波检测前跟踪方法
CN112415510B (zh) 双站雷达手势识别方法、装置、***和存储介质
JPWO2019171633A1 (ja) 移動体測位システム、方法およびプログラム
CN115659284B (zh) 一种大数据融合平台
CN113963441A (zh) 一种基于跨域增强的毫米波雷达手势识别方法及***
JP2017003416A (ja) 降水予測システム
CN116206359A (zh) 基于毫米波雷达与动态采样神经网络的人体步态识别方法
CN117641240A (zh) 一种利用神经网络进行室内定位的方法和装置
CN113009486A (zh) 一种基于毫米波雷达的人体感知方法及其***
CN116887396A (zh) 位置预测模型的训练方法、终端定位方法及装置
RU2514154C1 (ru) Способ распознавания ложных целей, вызванных собственными помехами подвижного носителя
CN116996760A (zh) 视频数据的处理方法、装置、计算机可读介质及电子设备
CN108540926A (zh) 一种无线信号指纹的构建方法及装置
CN113221709B (zh) 用于识别用户运动的方法、装置及热水器
CN112927201A (zh) 一种曲线检测方法及装置
CN113820704A (zh) 检测运动目标的方法、装置和电子设备
CN113534084A (zh) 一种基于相关关系拓扑图的雷达虚假航迹抑制方法
CN110051355B (zh) 一种基于rf技术的呼吸频率检测方法
CN115297435B (zh) 一种rssi自适应测距模型匹配方法
RU2801362C1 (ru) Однопозиционный разностно-дальномерный способ определения параметров движения источника радиоизлучения линейно-частотно-модулированных сигналов

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