多技术融合范文

多技术融合范文（精选12篇）

多技术融合 第1篇

多传感器数据融合技术是上个世纪七十年代提出的, 最早应用于军事领域。多传感器数据融合技术是对不同地理位置的多个同一类型或者不同类型的传感器所提供的局部数据加以综合处理, 去除传感器中可能存在的矛盾或冗余的数据, 加以修正, 以形成相对完整统一的描述, 提高智能系统决策的正确性和快速性。

为了组织和指导多传感器数据融合技术的研究, 美国在1984年成立了数据融合专家组 (DFS) [1], DFS建立研究多传感器数据融合技术的团体, 组织多传感器数据融合技术相关的专题研讨会, 出版了相关的刊物, 建立了统一参考框架, 为统一数据融合的定义以及推广数据融合的广泛应用做出了极大的贡献。我国对多传感器数据融合技术的研究较晚, 20世纪80年代末期, 国内才陆续出现相关的一些报道。高校和科研院所在政府、军方及基金机构的资助下开始着手从事这一领域的研究工作。

1. 数据融合的层次和分类

经典的信号处理方法都是在同一层次上的信息, 而多传感器数据融合处理多个层次的复杂的数据形式, 因此多传感器数据融合和经典的信号处理方法有着本质上的巨大区别。多传感器数据融合可以出现在完全不同的信息层次上, 不同的层次分别代表对数据不同程度的融合。这些信息抽象层次包括数据层 (像素级) 、特征层和决策层[2]。相应的数据融合也主要有数据级、特征级和决策级融合3种方式, 数据融合级主要包括的方法有HIS变换, PCA变换, 小波变换及加权平均等, 主要应用多源图像复合、图像分析和理解。数据级融合是指在融合算法中, 要求进行融合的传感器数据间具有精确到一个像素的匹配精度的任何抽象层次的融合;特征级融合是指从各只传感器提供的原始数据中进行特征提取, 然后, 融合这些特征, 特征融合级主要方法有加权平均法, 贝叶斯估计法, D-S证据推理法, 聚类分析法, 信息熵法, 表决法及神经网络法;主要用于多传感器目标跟踪领域融合系统。

主要实现参数相关和状态向量估计, 决策级融合是指在融合之前, 各传感器数据源都经过变换并获得独立的身份估计。信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合, 最终得到整体一致的决策[3]。决策融合级主要研究方法有贝叶斯估计法、专家系统、神经网络法、模糊集理论、可靠性理论以及逻辑模板法等, 经过处理的结果可为控制方法与决策策略提供依据。

多传感器数据融合理论因其原理复杂、处理数据类型不同, 涉及到经典和现代的多方面的理论如, 、信号处理、估计理论、最优化理论、神经网络和人工智能、确定性理论模式识别等多种理论。很多学者分别从各自的研究领域提出了多种多传感器数据融合技术方案。主要分为经典方法和现代方法两大类。经典方法有, 最小二乘法, 加权平均法, 贝叶斯估计法, 极大似然估计法, 卡尔曼滤波法, D_S证据理论, 经典推理法, 品质因数法。现代方法有逻辑模板法, 聚类分析法、粗糙集理论, 模糊积分理论, 遗传算法, 神经网络, 模糊逻辑, 表决法, 小波分析理论, 专家系统等方法。

2. 多传感器数据融合技术的主要特征

与经典的信号处理技术相比, 多传感器数据融合技术处理的是更加复杂的信息, 因此也有更多的特征, 下面从多传感器数据融合技术的主要任务、近期研究的核心内容以及多传感器数据融合技术的未来发展进行探讨。

2.1 多传感器数据融合技术的主要任务

多传感器数据融合技术就是把多个在空间或时间上互补或冗余的信息依据某种准则来进行组合[4], 基本上如同人脑处理综合信息一样。具体地说, 多传感器数据融合过程包含数据采集存储、数据提取变换、数据的模式识别、数据关联、数据合成五个过程。

2.2 近期数据融合技术的研究核心内容

通常采用现代方法间的结合或者经典方法与现代方法结合的方式, 现代方法间的集成主要有遗传算法和模糊理论相结合, 模糊理论和神经网络理论由于各种方法之间的互补性, 将2种或2种以上的算法进行有机集成, 往往可以扬长避短, 取得比单纯采用一种算法更优的结果。相结合, 遗传算法和神经网络理论相结合, 遗传小波变换和Kalman滤波相结合, 模糊理论和最小二乘法相结合[5]。

2.3 数据融合技术的未来

多传感器数据融合技术最初源于军事领域, 近年来在智能机器人的应用领域也有着独特的优势。但是目前多传感器数据融合技术也有着诸多不足, 急需在一下方面进行深入研究:2.3.1建立完善的数据融合基础理论;2.3.2数据库和知识库深入多传感器数据融合算法当中, 建立告诉并行检索和推理机制;2.3.3开发更优秀的推理系统;2.3.4对稳定性和准确性兼顾的融合算法以及融合模型的研究;2.3.5神经网络和人工智能的更广泛应用;2.3.6以知识为基础构成多传感器数据融合相关技术的深入研究。

结语

本文首先对多传感器数据融合技术的概念进行了介绍, 然后对多传感器数据融合技术的层次及分类尽享了详细阐述。分析了多传感器融合技术的技术问题, 对其发展方向及应用领域进行了探讨, 可以预计, 数据融合技术的应用将会越来越广泛。

参考文献

[1]姜万录, 李冲祥, 刘继刚.多传感器数据融合技术的现状及展望[J].机床与液压, 2003 (3) :16-19.

[2]高清.多传感器数据融合算法研究[M].西安电子科技大学硕士论文, 2008, 10-12.

[3]黄漫国, 樊尚春, 郑德智等.多传感器数据融合技术研究进展[J].传感器与微系统, 2010, 29 (3) :5-8.

[4]李静, 贾利民.数据.融合综述[J].交通标准化, 2007 (9) :192

多传感器信息融合技术的研究与进展 第2篇

多传感器信息融合技术的研究与进展

本文通过对多传感器信息融合技术近年来国内外研究成果的总结,阐述了信息融合技术研究的.发展历程.首先对信息融合的概念和通用处理模型进行了介绍,然后按照信息融合技术研究的三个主要方面,即信息融合的系统结构、信息融合的应用领域和信息融合的算法,分别探讨了信息融合技术的发展现状和面临的问题,最后对信息融合的未来研究趋势进行了展望.

作 者：郭惠勇 作者单位：西安交通大学建筑工程和力学学院,西安,710049刊 名：中国科学基金 ISTIC PKU英文刊名：BULLETIN OF NATIONAL NATURAL SCIENCE FOUNDATION OF CHINA年，卷(期)：19(1)分类号：N1关键词：多传感器 信息融合 系统结构

多传感器融合组合导航技术研究 第3篇

关键词：多传感器 组合导航 民用飞机

中图分类号：TP274. 2文献标识码：A文章编号：1674-098X（2014）09（a）-0021-01

近年来，随着GPS、格洛纳斯、伽利略和北斗全球导航卫星系统的日益完善，以飞行管理系统为核心的民用飞机机载导航设备对GNSS的依赖程度逐渐增大，特别是CAAC近年发布的PBN实施路线图要求机载导航系统逐步向RNP技术全面过渡。然而作为PBN导航技术核心定位源的GNSS有着一系列先天不足，在某些特定情况下，满足不了PBN对导航精度和连续性的较高要求，因此民用飞机必须采用多传感器融合的导航技术，提高瞬时定位精度以及GNSS不可用的情况下的导航能力。

1 多传感器组合导航技术

作为民用飞机机载航电系统的重要组成部分，机载导航设备为飞机提供全天候实时的高精度位置定位、飞行导引和完好性监控，其组成包括飞行管理系统（FMS）、全球导航卫星系统（GNSS）、惯性基准系统（IRS）、甚高频全向信标（VOR）、测距器（DME）等设备。[1]

导航系统的核心是飞行管理系统，它是一台具备各种复杂导航算法的高性能计算机，将其他导航设备发送的导航数据经过组合导航算法综合处理后得出飞机精确位置，并依据飞行员编制的飞行计划给出指引指令，引导飞机沿着既定航线飞行，取代了传统领航员的作用，大量减轻了飞行员的负担。因此，作为计算性能最强和接收信息最全的FMS理所当然是多傳感器组合导航技术的实施主体。[2]

以GPS为主的GNSS是一种覆盖全球的无源定位系统，通过接收机接收来自至少4颗卫星发出的时钟信号和星历，计算传播延时实现高精度自主实时定位，不依赖地面导航设施，在偏远地区和洋面飞行时具有突出优点，但也会受到可用卫星个数、卫星几何分布、空间射线干扰和地面地形遮蔽等因素影响，难以独自满足PBN对导航信号连续性的高要求。[3]

VOR/DME是传统的路基导航设施，通过接收地面台站发出的甚高频无线电信号结算成相对台站的方位和距离信息，结合已知的台站位置实现定位，性能可靠、便于使用，但是具有技术水平落后、导航精度不高和无法覆盖偏远山区和洋面的缺陷。

在所有的导航子系统中，惯性系统能提供的信息最全，且自主性、连续性、短期稳定性好，因此在整个区域或航路导航中始终以惯性导航系统作为基本导航手段，其它导航子系统（特别是GNSS）作为辅助手段以改善惯性系统的长期稳定性，保证导航性能符合所需导航性能要求。

导航系统的组合一般有两种基本方法：

（1）回路反馈法。即采用经典的反馈控制方法，抑制系统误差，并使子系统间性能互补。

（2）最优估计法。即采用现代控制理论中的最优估计法（卡尔曼滤波算法），从概率统计最优的角度估计出系统误差并消除之。

由于各子系统的误差源和量测中引入的误差都是随机的，所以第二种方法远优于第一种方法，卡尔曼滤波器也成为组合导航系统中最常用的算法。[4]

由于GNSS定位的高精度和实时性，采用IRS/GNSS为主用组合导航算法，可分别基于输出校正、位置组合和伪距组合的卡尔曼滤波模式。具体是用惯导和GPS输出的位置之差作为量测值，经卡尔曼滤波器估计惯导系统的各项误差，然后对惯导系统进行校正。伪距组合是一种复杂、紧密的信息综合。惯导输出位置结合GPS可见卫星位置，可以求出相应的计算距离，然后将之与GPS测量得到的距离之差作为量测值，通过卡尔曼滤波器估计惯导系统和GPS的误差量，然后进行反馈校正。在各IRS内部进行闭环修正，IRS系统的速度和姿态误差趋于收敛，即组合导航可以准确估计IRS的速度和姿态误差。在IRS/GPS组合导航状态，不使用气压高度进行高度阻尼，对GPS位置噪声有明显的抑制作用。[4]

在GNSS不可用的情况下（接收机故障或不满足信号接收要求），可采用IRS/无线电组合导航，包含IRS/DME/DME和IRS/VOR/DME这2种组合方式。IRS/无线电组合在飞行管理控制系统中进行，仅进行开环校正，目的在于对无线电推算的位置噪声进行抑制，经过对当前组合系统的性能评估，如当前状态位置精度明显优于即将引入的校准系统精度，则将延迟其进入组合状态的时间。

由于DME/DME定位精度由于VOR/DME，因此当DME台站信号良好且数量大于2时，可优先采用IRS/DME/DME组合导航，此方法基于双斜距组合方式，将DME斜距的测量误差看作由偏置误差和测量噪声误差构成，偏置误差与被测距离的远近有关，因此用刻度因子误差来描述。在构造量测前还需进行交会角判断。利用两套DME系统来确定飞机位置的定位误差却因飞机与两个地面台相对位置的不同而有较大的差异，当交会角为90°时，测距误差造成的定位误差区最小，为正方形；交会角大于90°，定位误差区域增大为菱形；若交会角接近180°，则定位误差最大。因此，在交会角在30°～150°时可采用此方法。

IRS/VOR/DME组合处理方式采用斜距/方位角组合，允许VOR和DME不在同一位置，尽管多数情况下VOR/DME地面台站是布置在同一位置的。将VOR、DME的方位和斜距测量误差看作由偏置误差和测量噪声误差构成，而DME的偏置误差与被测距离的远近有关，因此用刻度因子误差来描述。[4]

2 结语

随着航空电子技术的日新月异，以及未来对PBN技术导航精度和连续性的要求日益提高，民用飞机采用多传感器组合导航技术将成为主流，本文提出一种在FMS内部按照设备可用状态优先级实现IRS/GNSS、IRS/DME/DME、IRS/VOR/DME组合导航技术方法，可获得较为理想的导航精度和连续性。

参考文献

[1]钦庆生.飞行管理计算机系统[M].国防工业出版社，1991.

[2]Lan Moir，Allan Seabridge. Civil Avionics Systems[M]. Professional Engineering Publishing Limited，2006.

[3]Cary R.Spitzer.The Avionics Handbook[M].CRC Press LLC， 2001.

浅析多传感器信息融合技术 第4篇

多传感器信息融合也称为信息融合或数据融合,指的是对不同知识源和多个传感器所获得的信息进行综合处理,消除多传感器信息之间可能存在的冗余和矛盾,利用信息互补,降低不确定性,以形成对系统环境相对完整一致的理解,从而提高智能系统决策和规划的科学性、反应的快速性和正确性,进而降低决策风险的过程。由其定义可见,多传感器信息融合避免了单一传感器的局限性,可以获取更多信息,得出更为准确、可靠的结论。

2、多传感器信息融合的原理

多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。如果把单传感器信号处理或低层次的数据处理方式看作是对人脑信息处理的一种低水平模仿,那么多传感器信息融合就是对人脑信息处理的一种高水平模仿。多传感器信息融合的基本原理就像人脑综合处理信息的过程一样,它充分利用多个传感器资源,通过对这些传感器及其观测信息的合理支配和使用,把多个传感器在时间或空间上的冗余或互补信息依据某种准则来进行组合,以获得被测对象的一致性解释或描述[1]。

3、多传感器信息融合的分类

信息的数据融合是对多源数据进行多级处理,每一级处理都代表了对原始数据的不同程度的抽象化,它包括对数据的检测、关联、估计和组合等处理。信息融合按其在传感器信息处理层次中的抽象程度,可以分为三个层次:像素层融合、特征层融合及决策层融合[2]。

3.1 像素层融合

它是最低层次的融合,是在采集到的传感器的原始信息层次上(未经处理或只做很少的处理)进行融合,在各种传感器的原始测报信息未经预处理之前就进行信息的综合和分析。其优点是保持了尽可能多的战场信息;其缺点是处理的信息量大,所需时间长,实时性差。

3.2 特征层融合

属于融合的中间层次,兼顾了数据层和决策层的优点。它利用从传感器的原始信息中提取的特征信息进行综合分析和处理。也就是说,每种传感器提供从观测数据中提取的有代表性的特征,这些特征融合成单一的特征向量,然后运用模式识别的方法进行处理。这种方法对通信带宽的要求较低,但由于数据的丢失使其准确性有所下降。

3.3 决策层融合

指在每个传感器对目标做出识别后,将多个传感器的识别结果进行融合。这一层融合是在高层次上进行的,融合的结果为指挥控制决策提供依据。决策层融合的优点是:具有很高的灵活性,系统对信息传输带宽要求较低;能有效地融合反映环境或目标各个侧面的不同类型信息,具有很强的容错性;通信容量小,抗干扰能力强;对传感器的依赖性小,传感器可以是异质的;融合中心处理代价低。

4、多传感器信息融合的融合结构

多传感器信息融合通常是在一个被称为信息融合中心的信息综合处理器中完成,而一个信息融合中心本身可能包含另一个融合中心。由于多传感器信息融合可以是多层次、多方式的,所以研究融合的拓扑结构十分必要。根据信息融合处理方式的不同,可以将多传感器信息融合的拓扑结构分为集中型、分散型、混合型、反馈型等[3]。

4.1 集中型

集中型融合结构的融合中心直接接收来自被融合传感器的原始信息。由于在此结构中传感器仅起到了信息采集的作用,不预先对数据进行局部处理和压缩,所以对信道容量要求较高。一般这种结构适用于小规模的融合系统。

4.2 分散型

分散型信息融合系统中,各传感器完成一定量的计算和处理任务后,将压缩后的传感器数据送到融合中心,融合中心将接收到的多维信息进行组合和推理,最终得到融合结果。这一结构的优点是结构冗余度高、计算负荷分配合理、信道压力轻,但由于各传感器进行局部信息处理,可能会导致部分信息的丢失。这种结构适合于远距离配置的多传感器系统。

4.3 混合型

混合型信息融合结构吸收了分散型和集中型信息融合结构的优点,既有集中处理,又有分散处理,各传感器信息均可多次利用。这一结构能得到比较理想的融合结果,适用于大型的多传感器信息融合,但其结构复杂,计算量很大。

4.4 反馈型

当系统对处理的实时性要求很高的时候,如果总是试图强调以最高的精度去融合多传感器信息融合系统的信息,则无论融合的速度多快都不可能满足要求,这时,利用信息的相对稳定性和原始积累对融合信息进行反馈再处理将是一种有效的途径。当多传感器系统对外部环境经过一段时间的感知,传感系统的融合信息已能够表述环境中的大部分特征,该信息对新的传感器原始信息融合具有很好的指导意义。

5、多传感器信息融合的特点

(1)提高了信息的可信度。(2)增加了目标特征矢量的维数。(3)降低了获得信息的费用。(4)减少了信息获取的时间。(5)提高了系统的容错能力。(6)提高了整个系统的性能。

6、多传感器信息融合的研究方向

(1)确立具有普遍意义的信息融合模型标准和系统结构标准。(2)将信息融合技术应用到更广泛的新领域。(3)改进融合算法以进一步提高融合系统的性能。(4)开发相应的软件和硬件,以满足具有大量数据且计算复杂的多传感器融合的要求。

7、结语

多传感器信息融合技术的研究虽然刚刚开始几十年,但它已渗透到现代化战争和民用的各个领域。随着工业大系统的蓬勃发展和未来信息战的需求,以及相关学科的不断发展,多传感器信息融合将会得到更深入的理论研究,也将拥有更广阔的应用前景。

摘要：本文介绍了多传感器信息融合的定义、原理、分类和结构,简要地叙述了多传感器信息融合的特点及其研究方向。

关键词：多传感器,信息融合,研究方向

参考文献

[1]王耀南,李村涛.多传感器信息融合及其应用综述[J].控制与决策,2001.

[2]何友,谭庆海.多传感器系统分类研究[J].火力与指挥控制,1998.

多技术融合 第5篇

近年来，随着经济的发展，人们生活水平提高，生活节奏的加快，中小学生及幼儿上、下学乘车需求也日益增强，接送学生的校车越来越多，我国校车交通安全事故、校车意外事故频发，造成了许多未成年人的伤亡，导致了悲剧的发生，给家庭和社会带来了巨大的心理阴影，校车安全事故已成为社会广泛关注的焦点。校车的安全问题受到政府的重视，国务院也已责成有关部门迅速制订校车安全管理条例和校车安全技术条件国家标准，完善校车标准，做好校车的硬件配置、车体结构与强度、电气性能、驾驶人和服务管理等角度提出了明确的要求，严禁超速超载，对校车的行驶安全管理提出了更高的要求，并建立相应管理制度)解决校车安全问题在全国实施校车安全工程已经到了刻不容缓的地步。

1校车事故分析

我国校车安全隐患主要是车辆超载、超速、驾驶员酒后驾驶、政府缺乏有效监管等诸多因素共同造成的。其实影响校车安全的主要因素是校车的超载情况和驾驶员违规驾驶的行为，我们可以通过采集校车承载的人数、司机当时的状态、载重量、所行驶的里程、司机的驾驶习惯和所处地理位置等诸多车辆安全信息，并辅助政府相应的监管手段，由此可以提高校车安全行驶的水平，减少校车安全事故。例如，我们可以检测司机是否酒后驾驶，汽车是否超载，汽车关闭后车内是否有人等。如果我们用这些信息辅助控制校车启动，将大大提升校车安全系数)因此，为减少校车事故采集车辆实时状况信息控制校车将十分必要。

2系统设计内容

多传感器融合技术的校车安全辅助装置是一套具有视频监控、超载监控、酒驾监控、实时报警的校车安全辅助智能系统。以下分析各个部分的具体功能。视频监控:视频监控模块可以将车内画而实时传输到远程控制端，在远程控制端可以看到车内画而并进行记录，当遇到紧急情况时可以及时采取措施，从而可以提高校车在行驶过程中的安全系数。超载监控:通过在车门处安装计数器来计算载荷的人数，一旦人数超标，通过语音模块校车自动发出语音告诉车辆超载并阻止车辆启动，直至车上人数恢复至核定载荷人数之内方可启动车辆，此功能可以实现自动控制车内人数，避免校车超载现象。同时，为使当司机离去校车封闭后，车内没有遗忘的儿童，车内设置有红外感应装置，系统会根据计数器及红外感应装置检测车内是否有被遗忘的儿童。如果发现被遗忘儿童，则发出警报并自动发出语音说明遗忘了几名儿童，避免了儿童被遗忘在车内而被闷死现象的发生。酒驾监控:驾驶员座位附近安装有酒精浓度检测装置，校车启动前，系统会先启动酒精浓度探测，直到检测合格后才可启动校车，此装置避免了驾驶员酒后驾驶校车现象的发生。实时报警:当车内火焰检测装置检测到车内发生火灾，校车会自动报警或者当视频监控到紧急情况，看到画而的人员可实时报警。

3元器件选择和技术方法

本设计应用无线收发模块NRF24L01作为无线通讯装置，工作在2.4GHz-2.5GHZ频段，传输模块与远程网络传输通信技术，掌握视频监控相关技术与传输信道的通信协议。红外计数装置的基本原理是应用红外线发射电路的产生，向外发射头发射红外线，红外线接收头接收直射或阻挡红外线信号并将其转换为电脉冲，通过芯片分析，计算遮挡的次数，从而计算机经过人数。通过采用酒精传感器检测司机是否酒后驾驶、火焰传感器检测车内是否发生火灾。语音芯片采用WT588D多语种语音芯片，它能够与主控芯片实现一线串口通信，由单片机及一些其它控制装置来控制语音芯片播放特定语言。掌握嵌入式系统开发的工作流程，选择合适的控制器完成校车安全辅助装置的开发与设计，将各部分模块统一整合为一个整体，构成一套完整的就有多种功能的系统。

4应用前景

智能　安全　融合　多业务导向 第6篇

据杨红飞介绍,BIIP也可认为是B@IIP,它所代表的意思是Business@ Intelligent IP。Business代表业务和商业;Intelligent是嵌入IP基础设施的各种智能组件和设备,用于实现业务的识别、控制和虚拟化;IP是标准融合的IP基础设施。Business是所有IP基础设施建设所服务的终极目标,@IIP是智能IP的基础设施。

BIIP策略是锐捷网络通过整合具有自主知识产权的RGOS操作平台、iSAM解决方案、SMP.edu管理平台、RG-S2600交换机及最新应用级防火墙等产品,为用户提供了一个智能化的应用支撑平台。而基于RG-S2600系列交换机,RG-SAM3.X,RG-ePortal(新品)组建的Web准入身份认证方案则是BIIP策略在教育行业的最新体现。据锐捷网络教育行业部副总经理刘福能介绍,WEB准入身份认证除了保留了802.1X认证的可控性和安全性之外,还结合了WEB认证的易用性和兼容性。

可控性和安全性。Web准入身份认证实现“入网即认证”,确保合法用户才能进入内部网络;实现动态自动的IP+MAC+端口绑定,确保合法的用户发出合法的报文,确保IP地址的真实可行;同时,启用ARP欺骗检测,全面杜绝ARP病毒欺骗问题;接入认证交换机支持防HTTP认证请求报文的DoS攻击,确保接入认证交换机本身的安全;Web Portal服务器和RG-SAM服务器均实现了高性能高可用群集技术,在防攻击的情况下,确保了整个认证计费系统的高可靠性。

高性能和高可用性。Web准入身份认证的认证报文在每个接入层交换机的每个端口处理,实现了最大程度的分布式,确保了高性能和无单点故障;统一的Web Portal服务器采用高性能高可用群集技术,在负载均衡的同时,又实现冗余备份;统一的RG-SAM认证计费管理服务器也采用高性能高可用群集技术,确保认证计费管理服务器的负载均衡、冗余备份、全网漫游、数据容灾。

易用性和兼容性。Web准入身份认证不需要安装客户端程序,使用Web浏览器进行认证,不改变用户上网习惯;兼容20种以上的主流浏览器和十几种操作系统。

智能性和融合性。WEB准入身份认证方案的接入交换机同时支持802.1x认证和Web认证,可以由SAM服务器统一管理用户使用802.1x认证和Web认证的权限;还可实现管理同一账号在不同的区域使用不同的认证方式,或在同一区域不同账号使用不同认证方式;系统提供标准的第三方接口,可以通过对接实现基于数字校园门户的单点登录,效果是一次认证实现了网络层面的认证和数字校园应用系统的同步认证。

根据高校校园网学生用户和老师用户的不同特点以及运营管理的不同要求,锐捷网络推荐在高校宿舍网采用802.1x身份准入认证,推荐在高校办公网采用Web身份准入认证;同时可使用同一套身份认证计费管理系统进行全网的统一管理。

基于多信息融合技术的继电保护研究 第7篇

传统的继电保护常常是按功能划分, 每一个电气设备都要安装各种不同功能的保护装置, 而且各种装置在电路上往往是相互独立的, 都有自己的回路, 每一种功能的保护装置都单独装设在一个箱体内。但不容忽视的是, 现有保护装置中尽管能提供一些去往其他保护的端口, 限于相互通信联系的实际难度, 各个设备的保护装置之间的联系非常少。

多信息继电保护是继电保护的动作行为不仅仅依靠保护原理所反应的电气量外, 还可以通过网络互联反应或参考更多的信息。就一个具体的变电站而言, 网络可以指站内的数据通信网络。其应用的现实性得宜于计算机局域网络技术和光纤通信技术在变电站综合自动化系统中得到普遍应用。网络多信息继电保护的信息来源有两个方面。一方面为通过各种传感器 (TA、TV) 获得的一次系统的信息, 如一次系统的各回路电压、电流值, 又可称为直接信息。另一方面为变换、处理和传输一次信息的二次设备其本身的工作状态信息, 如电流电压二次回路的完好性, 继电保护与自动装置的工作状态等, 这些又可称为间接信息。

2 多信息融合技术的基本概念

2.1 定义

多信息融合技术是针对一个系统中使用多个传感器一类问题而展开的一种信息处理的新方向。由于融合的概念被大量的领域引用, 使多信息利用成为一个广域的概念, 由于其研究内容的广泛性和多样性, 很难给出一个统一的定义。根据其在工业领域中的应用, 这里可以定义为:利用计算机技术, 对按时序获得的若干传感器的观测信息, 在一定准则下加以自动分析、综合, 以完成所需的决策和估计任务而进行的信息处理过程。

2.2 层次概述

2.2.1 数据层信息融合

数据层信息融合是在采集到的原始数据层上进行的融合, 在各种传感器的原始观测信息未经预处理之前就进行数据综合分析, 是最底层次的融合。

2.2.2 特征层信息融合

特征层属于中间层次, 先对来自传感器的原始信息进行特征提取, 然后对特征信息进行综合分析和处理。在继电保护的原理与应用中, 特征层信息融合对应于故障启动处理, 包括:正序、负序、零序、阻抗、导纳等故障特征量提取及分别进行的单个继电器的判断。

2.2.3 决策层信息的融合

决策层融合是一种高层次融合, 其结果为检测、控制、指挥、决策提供依据。决策层融合从具体决策问题出发, 充分利用特征层融合的结果, 直接针对具体决策目标, 融合结果直接影响决策水平。

3 多信息融合技术的基本方法

3.1 基于信息论的多传感器信息融合方法

在某些场合, 多传感器信息融合并不需要用统计的方法直接模拟观测数据的随机形式, 而是依赖于观测参数与目标身份之间的映射关系来进行目标识别。这类方法称为基于信息论的融合方法, 如模板法、聚类分析法、自适应神经网络法、表决法和信息熵法等。

3.2 基于认识模型的多传感器信息融合方法

基于认识模型的多传感器信息融合方法是模仿人类从其多传感器 (耳、眼、鼻、手等) 数据辨识实体的识别过程模型, 其中有模糊集合理论, 逻辑模板法以及基于知识的专家系统。其中模糊集合理论和专家系统在电力系统中得到了大量的应用。

3.3 智能信息融合

AI技术的使用是目前智能信息融合的重要方向, 它的应用可以融入到信息融合的各个层次, 如自适应的方法就是AI技术在工程领域的最简单应用, 比较高层次的应用还包括:提供对象状态识别、模型解释、辅助决策等各项功能, 提高这些判别环节的智能化程度和对系统多变运行方式的适应性;使用多个相互协作的ES系统;使用学习系统, 以便自动适应系统运行状态的变化;使用先进的立体数据库管理技术为推理过程提供服务。

4 多信息融合技术在电力系统继电保护中的应用探讨

多信息融合利用可以有效的提高继电保护的性能, 如距离继电器采用了电流电压信息, 其受系统的影响明显小于仅利用电流信息的过流保护;差动继电器由于使用了两端的电流量, 其在灵敏度上的性能明显优于过流保护;又如引入电压信息, 方向过流继电器与传统的过流继电器相比可以区分正、反向故障。

可见利用的信息数量的多少与保护性能的优劣直接相关, 根据不同电气元件保护的需求和不同继电保护的特点, 有针对性的对不同层次的信息进行融合可以有效提高保护的性能。但由于继电保护实时性强, 要求故障发生后能立即动作, 其动作对电力系统运行关系重大, 因而电力系统对继电保护的可靠性要求很高, 且在目前多信息处理技术没有发展成熟的条件下, 保护装置没有能力在故障瞬间实现所有层次信息的融合处理, 所以多信息融合技术在继电保护领域的应用还不广泛。其主要的困难在于:在信息采集方式上, 传统保护仍采用点对点的配制方式, 即一个传感器 (TA、TV等) 对应一个 (或很少几个) 保护装置, 虽然有效的降低了二次负载, 但造成了传感器数目繁多, 信息采集重复和二次接线复杂, 各保护装置信息的可得性得不到保证;在多信息的传递共享方面, 因为需要传递的信息层次多样, 且数据量很大, 对于时间要求苛刻的继电保护装置来说, 信息处理的实时性要求往往不容易满足。

目前的继电保护装置都已经实现了微机化, 微机产品的技术发展日新月异, 其数据处理与运算的能力日益提高。网络技术和通讯技术的飞跃与发展。在网络与信息时代, 高速便捷的网络已经深入到电力系统各个环节, 目前的网络速度与传输能力, 已基本上可以为继电保护多信息融合提供数据通道, 且诸如IEC61850一类网络协议制定与采用也为各保护间的无缝通讯提供便利。以上两方面的结合, 可以满足保护多信息融合信息实时性的需求。另外一个方面, 数字式的传感器 (如光电流互感器OCT、光电压互感器OPT) 为保护多信息融合信息的可得性扫清了障碍。与传统的传感器相比, 数字式传感器提供数字接口, 输出的是数字信息, 与网络技术结合后, 可以彻底改变目前传感器系统与保护之间点对点的连接模式, 实现真正的信息共享。

5 小结

多信息融合技术是研究多源信息处理分析方法的新兴边缘学科, 在军事、信息处理等领域有着广泛的应用。多信息融合技术具有多信息量、多层次、多手段的特点, 是处理多传感器信息资源的有力工具。

摘要：多信息融合技术是研究多源信息处理分析方法的新兴边缘学科, 在军事、信息处理等领域有着广泛的应用。多信息融合技术具有多信息量、多层次、多手段的特点, 是处理多传感器信息资源的有力工具。

关键词：继电保护,多信息,融合技术

参考文献

[1]胡玉峰, 尹项根, 陈德树, 张哲.信息融合技术在电力系统中的应用研究 (一) 基本原理与方法[J].继电器, 2002.

多信息源图像的融合技术研究 第8篇

多源图像融合[1]是将不同来源的某一场景的两个 (或多个) 目标进行两次 (或多次) 成像, 将这些图像的清晰部分组成一幅新的图像。一般情况下, 图像融合由低到高分为三个层次:数据级融合、特征级融合、决策级融合[2]。数据级融合也称像素级融合, 是指直接对传感器采集来得数据进行处理而获得融合图像的过程, 它是高层次图像融合的基础, 也是目前图像融合研究的重点之一。

像素级融合中有空间域算法和变换域算法, 空间域算法中又有多种融合规则方法, 如逻辑滤波法, 灰度加权平均法, 对比调制法等;变换域中又有金字塔分解融合法, 小波变换法。其中的小波变换是当前最重要, 最常用的方法。目前对图像融合存在两个问题:最佳小波基函数的选取和最佳小波分解层数的选取。而图像的融合规则是图像融合的核心, 融合规则的好坏直接影响融合图像的速度和质量。因此, 本文不仅对前两个问题进行了研究, 并且还加入了融合规则的重要组成部分融合算子, 针对这三个方面进行了融合实验。由于图像融合评价标准很多, 本文主要通过相似性量度 (SM) 来比较图像融合效果, 从而得到最佳融合图像及其融合时所对应的小波基、分解层数和融合算子。

2 多源图像融合方法

本文提出将小波变换方法应用于特定领域图像融合, 并选取适当的小波基、分解层数和融合算子[7]。基于小波变换的图像融合方法的基本结构如图1所示, 这里以两幅图像的融合为例, 对于多幅图像的融合方法可由此类推.设A, B为两幅原始图像, F为融合后的图像.其融合的基本步骤如下:a.对每幅图像分别进行小波变换 (DWA) , 建立图像的小波塔形分解;b.对各分解层分别进行融合处理, 各分解层上的不同频率分量采用不同的融合算子进行融合处理, 最终得到融合后的小波金字塔;c.对融合后所得小波金字塔进行小波逆变换 (IDWA) , 即进行图像重构, 所得到的重构图像即为融合图像.

3 实验结果与分析

实验共选取了6种融合算子, 分别为:maxmax、meanmean、minmin、maxmean、maxmin、meanmin。

通过对十组不同的多源图像进行融合实验, 分别得到了各组图像的最佳融合结果, 并计算出了融合图像的熵、偏差度、峰值信噪比、均方根误差和相似度, 得到的结果如表1所示。

通过表1的结果可以看到, 对于不同图像, 最佳小波基函数发生了较大变化, 而分解层数则集中在最高层, 融合算子一直是mean-max。由于不同的小波基在分解和重构图像时具有不同的特性, 因此不存在一种小波基, 对所有类型图像的处理效果都优于其它的小波基[11]。而本实验的结果也表明, 即使对于同一类型的图像 (多信息源图像) , 也不存在一种小波基要优于其它的小波基, 却有分布相对集中的最佳分解层数 (本实验中的第4层) 和一致的最佳融合算子。

本文从1200种小波融合方法中挑选出最糟融合图像、一般融合图像 (本文将与理想图像近似性量度最接近0.97的融合图像作为一般融合图像以对比参考) 和最佳融合图像进行比较。与表1对应的图像融合结果中, 本实验得出的10组最佳融合图像均与理想图像的相似度达到99%以上。

4 结论与展望

对于多信息源的图像融合, 本文所提出的采用小波变换的方法得到很好的融合效果。通过对1200种基于小波变换的融合方法进行了比较, 采用了相似性度量作为图像融合的评价标准, 并通过实验测试出最佳小波基、最佳小波分解层数和最佳融合算子, 最佳融合图像与理想图像得到了99%以上的相似度, 与文献中的实验结果相当。

参考文献

[1]陈木生, 狄红卫.多聚焦图像融合的最佳小波分解层研究[J].光电工程, 2004, 31 (3) :64-67.

[2]覃征, 鲍复民等.数字图像融合[M].西安:西安交通大学出版社, 2004:1-20.

[3]T.A.Wilson, S.K.Rogers, and L.R.Myers.Perceptual based hyperspec-tral image fusion using multiresolution analysis.Otical Engineering, 34 (11) :3154-3164, 1995.

[4]胥妍, 段会川.小波图像融合评价方法的综合比较研究[J].科技信息, 2007, 16:24-26.

[5]赵大鹏, 时家明.小波图像融合的最佳参数研究[J].解放军电子工程学院, 2007.

[6]毕迎春, 王相海.小波基和图像分解层数对不同类型图像EZW算法的性能的影响[J].计算机科学, 2006, 33 (6) :232-246.

多技术融合 第9篇

关键词：信息融合,突水,模型,安全,应用

0 引言

信息融合技术是利用计算机技术对按时序获得的若干传感器的观测信息在一定的准则下加以自动分析、综合, 以完成所需的决策和统计任务而进行的信号处理过程。多传感器信息融合的基本原理是能够充分地利用多个传感器资源, 通过对各种传感器及其观测信息的合理支配与使用, 将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来, 产生对观测环境的一致性解释和描述。信息融合的目标是基于各传感器分离观测信息, 通过对信息的优化组合导出更多的有效信息, 其最终的目的是利用多个传感器共同或联合操作的优势来提高整个传感器系统有效性、稳定性和可靠性。

1 信息融合的层次结构

多传感器信息融合的方法多种多样, 没有一种普遍适用的标准模型。根据处理对象层次不同可以分为:数据 (像素) 级融合、特征级融合和决策级融合。

1.1 数据级融合

数据 (像素) 级融合是指直接在原始数据层上进行融合, 在原始测得数据的基础上进行综合和分析, 属底层的融合。例如, 成像传感器中通过对包含若干像素的模糊像进行处理并进而确认目标属性的过程就属于像素级融合。这种融合的优点是能保持尽可能多的现场数据, 提供其它融合层次所不能提供的细节信息。

1) 处理的信息量很大, 处理代价高。

2) 原始信息的不确定性、不完全性和不稳定性要求有较高的纠错处理能力。

3) 要求各传感器信息之间具有精确到一个像素的校准精度。

4) 要求数据类别相同, 且在处理前要作时空校准。

5) 数据通信量大。

数据 (像素) 级融合通常用于:多源图像复合、图像分析和理解;同类 (同质) 雷达波形的直接合成;多传感器数据融合及滤波等。数据级融合方法有加权平均法、卡尔曼滤波。

1.2 特征级融合

特征级融合属于中间层次, 每个传感器观测一个目标并完成特征提取以获得来自每个传感器的特征向量, 然后融合这些特征向量并基于获得的联合特征向量来产生身份估计。一般来说, 提取的特征信息应是像素或数据信息的某种表示量或统计量。特征级融合的优点在于实现了可观的信息压缩, 有利于适时处理, 并且由于所提取的特征直接与决策分析有关, 因而融合结果能最大限度地给出决策分析所需的特征信息。目前大多数系统的数据融合研究都是在该层次上展开的。特征级融合可划分为两大类:目标状态数据融合和目标特性融合。在这些方法中, 必须使用关联处理把特征向量分为有意义的群组, 实现对目标身份的识别。在这个层次融合算法主要有模糊推理法、神经网络法、产生式规则法。

特征级目标状态数据融合主要用于多传感器目标跟踪领域。融合系统首先对传感器数据进行预处理以完成数据校准, 然后主要实现参数相关和状态向量估计。

特征级目标特性融合就是特征层联合识别, 具体的融合方法仍是模式识别的相应技术, 只是在融合前必须先对特征向量进行处理, 把特征向量分类成有意义的组合。目前, 特征级数据融合的主要方法有聚类分析法、Dempster-shafer推理法、贝叶斯估计法、加权平均法、表决法以及神经网络法等。

1.3 决策级融合

决策级融合是一种高层次融合, 其结果为指挥控制决策提供依据, 因此, 决策级融合必须从具体决策问题的需求出发, 充分利用特征级融合所提取的测量对象的各类特征信息, 采用适当的融合技术来实现。决策级融合是三级融合的最终结果, 是直接针对具体决策目标的, 融合结果直接影响决策水平, 决策级融合的主要优点有。

1) 具有很高的灵活性。

2) 对通信的传输带宽要求低。

3) 能有效地反映环境或目标各个侧面的不同类型信息。

4) 当一个或几个传感器出现错误时, 通过适当的融合, 系统还能获得正确的结果, 即具有容错性。

5) 对传感器的依赖性小, 传感器可以是同质的, 也可以是异质的。

6) 融合中心处理代价低。

总之, 数据 (像素) 级融合信息准确性最高, 但对通讯和计算机资源而言最为复杂;决策级融合处理速度最快, 但要以一定信息损失为代价。

2 信息融合的一般方法

多传感器信息融合涉及到多方面的理论和技术, 如信号处理、估计理论、不确定性理论、模式识别、最优化技术、神经网络和人工智能等。由不同的应用要求形成的各种方法都是融合方法的一个子集。

融合方法研究的内容是与数据融合有关的算法。多传感器融合的实质是多源不确定性信息的处理, 这是一个复杂的处理过程。如前所述, 信息在系统中由下至上的处理过程中, 信息的表示形式在不断地变化。此外, 信息的不确定性可以是随机的、模糊的等有验前信息的形式, 也可以是无验前信息的形式。针对不同的信息表示形式有不同的处理方法。

在这些方法中, 神经网络对融合大量的传感器信息, 用以非线性和不确定性的场合颇有优势。D-S推理算法具有很强的处理不确定性信息的能力。它不需要先验信息, 对不确定性信息的描述采用“区间估计”而不是“点估计”的方法, 解决了关于“未知”即不确定性表达方法, 在区分不知道与不确定方面以及精确反映证据收集方面显示出很大的灵活性。

3 信息融合技术与矿井突水的结合

煤矿突水是由多种因素造成的, 且各种因素之间很难用精确的数学模型来表达出来。前期, 已经用具体的数据计算证明两级融合算法可准确预测煤矿井下的安全状态。

1) 由于煤矿井下所采集到的原始信号包含很多的无用噪声信号, 需要对原始信号进行降噪处理, 我们选用的人工神经网络的方法对传感器数据进行一致性检验, 即剔除一些由于测量环境影响所产生的虚假数据。

2) 根据对多传感器数据融合技术不同融合层次进行对比, 确定采用决策级融合对煤矿井下采集到的各种传感器数据进行融合并判断煤矿井下的安全状态, 我们选用的是D-S证据理论。

4 结语

本文对信息融合技术进行了简单的介绍, 对其结构层次和融合方法进行了分析总结。矿井突水是个复杂的过程, 信息融合技术与矿井的突水可以进行有机的结合, 从而减少矿井突水的灾害, 为我国煤矿水文工作做出贡献。

参考文献

[1]武强, 樊振丽, 刘守强, 等.基于GIS的信息融合型含水层富水性评价方法——富水性指数法[J].煤炭学报, 2011 (7) :1124-1128.

[2]张晓强, 高莉, 于洪珍.煤矿监测监控系统信息融合结构的研究[J].工矿自动化, 2007 (4) :80-82.

多技术融合 第10篇

信息融合是由多种信息源, 如传感器、数据库、知识库和人类本身来获取有关信息, 并进行滤波、相关和集成, 从而形成一个表示构架, 这种构架适合于获得有关决策、对信息的解释、达到系统目标 (如识别或跟踪运动目标) 、传感器管理和系统控制等[1]。

目前, 常用的视觉特征主要包括颜色特征、边缘特征、形状特征等, 以此类特征构建目标模型进行目标识别和纠正遮挡。但目标在拥挤的人群、城市空间移动并有遮挡时, 依靠某个单一特征往往不充分、不稳定, 难以取得良好的跟踪性能。针对这一局限性, 近年来许多学者提出了利用多视觉信息融合跟踪目标的算法, 包括:将目标的位置信息与颜色信息进行融合, 建立起多信息合并的运动目标跟踪模型[2];将灰度特征和梯度特征结合起来, 在粒子滤波框架内进行概率融合以跟踪目标, 融合目标特征和目标空间位置信息的粒子滤波跟踪算法, 可以有效地提高目标跟踪的速度[3]。但这些算法普遍忽略了获得最佳识别和跟踪的特征集或证据也在变化, 因此, 为了解决上述问题, 提出了一种动态选择融合算子的方法, 用来识别哪些特征或证据是最有用的, 即新型领域的组合融合分析 (CFA) 。

使用结合多个得分系统的框架、组合融合分析 (CFA) 和等级评分函数[4,5]作为衡量得分系统之间的多样性。该方法自下而上, 没有强制一个模型进行测量。多个得分系统代表不同的传感信息, 特征或者信号、特征的组合。

1组合融合分析 (CFA)

1.1等级函数和得分函数

将单个传感器测量的每个特征 (可能多个特征) 或多个传感器系统报告每一个证据作为一个评分系统, 假设跟踪和识别模块A上的一组n个可能的轨迹为:D={d1, d2, , dn}。设sA (x) 是得分函数, 该函数给D的每个di分配一个实数。将函数sA (x) 看成关于得分系统A (特征/证据) 从D到R (实数集合) 的评分函数。当sA (x) 作为一个实数的数组, sA (x) 数组为降序排列并分配一个等级 (一个正自然数) 给D每个di, 这将引出一个等级函数rA (x) 。由此产生的等级函数rA (x) 它是一个函数从D到N={1, 2, , N} (|D|=N) 取值。为了正确地比较和适当地结合从多个得分系统 (多个特征为单一传感器, 或多个项目的证据来自多个传感器) 得来的得分函数, 必须进行归一化处理。采用如下函数

式中:smax=max sA (x) |x∈D, smin=minsA (x) |x∈D。

根据得分函数sA i (x) 和等级函数rA i (x) 给定m个评分系统Ai (i=1, 2, , m) , 存在几种不同得分系统输出相结合的方式, 包括得分组合、等级组合、投票、平均组合和加权组合。下面首先使用平均等级 (或分数) 组合方式。m个评分系统Ai设有sAi (x) 和rAi (x) , 分别定义等级组合 (RC) 和得分组合 (SC) 的得分函数sR (x) 和sS (x) , 即

sR (x) 和sS (x) 按照升序和降序排列以便分别获得等级组合rR (x) 的等级函数和得分组合rS (x) 的等级函数。当m个评分系统 (特征或证据) Ai, 结合使用得分函数sAi (x) 和等级函数rAi (x) , 用等级或者是评分函数, 有 个可能的组合, 复杂性的次数是指数, 当m较大时将变得尤为高。大型数据集D的多个得分系统涉及复杂的数学、统计、计算方法和技术[6]。例如, 每个评分系统Ai的等级函数, 在D中 (|D|=N) 可以被映射到n维空间 (称为等级空间) 的一个点上。n维空间Qn也是一个Cayley图, 作为顶点组和顶点之间连接的对称群Sn被定义为一组生成器 (一个排列的子集) , 作为它的顶点。

1.2组合融合分析原理

CFA在红外、公关、VS和PSP已经证明[4]:1) 组合多个得分系统 (特征或证据) 将提高预测或分类的准确率, 只有 (1) 每个计分系统有一个相对较好的业绩, (2) 得分系统是独特的 (或多样化) 。2) 等级组合表现优于得分组合在 (1) 和 (2) 条件下以及其他限制下。本文方法考虑两个得分系统组合, 该组合从 个可能的两个组合中选择, 是使用得分系统A和B之间的一个多样性测度d (A, B) 。

1.3评分系统模块之间的多样性

使用得分函数d (sA, sB) 和等级函数d (rA, rB) 对得分系统A和B之间的多样性d (A, B) 进行研究, 分别作为相关性和等级相关。现有的融合方法也是使用等级/分数函数这个概念来测量A和B之间的多样性, 除了d (sA, sB) 和d (rA, rB) 外, 还有d (fA, fB) 。fA和fB分别是A和B的等级/评分函数。

当在同一坐标平面绘制评分系统A和B的等级/分数函数的图形 (因此它被称为等级/分数图) , 多样性措施可以很容易地可视化。

设sA (x) 和rA (x) 是得分系统A的评分函数和等级函数, 那些等级/评分函数fA (x) :N→[0, 1]的定义为

值得注意的是, 集合N不同于集合D, D是n个可能的跟踪集合或n个跟踪假设的集合。集合N作为等级函数值的索引集。等级/评分函数如此定义意味着得分 (或等级) 行为的评分系统, 独立于跟踪或追踪假设。再者, 多样性测度d (A, B) =d (fA, fB) 可以被定义为几个不同的形式, 即

2实验

2.1实验方法

实验的目的是判断一个特征差异性测量和一个相对性能测量的组合是否是一个很好的候选指标, 从而预测一个特征子集的融合是否将产生更精确的跟踪结果。实验对3个特征进行测量:颜色特征、形状特征和位置特性。实验计算和评估所有特征的组合, 并与人工所得的真实数据进行比较。

3种特性、得分和等级操作有11个可能的组合:基本的3个特性 (3个组合) , 任何2个得分组合 (3个组合) , 任何2个等级组合 (3个组合) , 三者等级和分数的结合 (2个组合) 。

在本文中, 对前9个进行评估, 忽略了3个特性的结合, 造成没有特性的选择。评估包括:比较每个目标的前q=30追踪假设的每一点与视频序列实况。实况通过一个人工观察员在每个视频帧标记目标中心而得到。每个跟踪与实况比较, 通过评估一个平均平方之和方差 (MSSD) 。组合A的性能测量写成P (A) , 与前跟踪的平均MSSD成反比, 即

其中, tracki是组合A的第i个跟踪假设。

6个两两组合可以分为积极的组合和消极的组合。如果C的性能比A的性能和B的性能好, 那么使用特征A和B的组合C是积极的, 如P (C) ≥max (P (A) , P (B) ) 。对每个组合的两个性能指标进行评估。特性A和B组合的等级评分的多样性计算如式 (5) 所示。性能比标准PR (A, B) 计算为

在每个步骤中, 对每个组合, d (fA, fB) 的值、PR (A, B) 以及组合是积极或消极都被记录到一个日志文件。

用于实验的4个视频序列参见图1。图1a没有遮挡的单个目标从左到右移动;图1b两个横向移动目标;图1c两个垂直移动目标;图1d一群目标水平移动, 作为一个松散的人群, 主要从左到右。这些显示各种目标遮挡情况, 从没有遮挡 (从图1a到多次重复遮挡, 即图1d) 。

2.2 RAF (等级和融合) 跟踪实验

在跟踪器中, 每一帧图像序列的前景对象使用非参数背景估计技术进行提取[5]。这个区域被传递到RAF (等级和融合) 系统的3个跟踪器。通过应用专用的跟踪装置测量帧中每个区域cj, 收集颜色、位置和形状信息。

1) 颜色跟踪:mcol (cj) , 平均归一化cj的RGB颜色。

2) 位置跟踪:mloc (cj) 和cj的图像质心位置。

3) 形状追踪:msha (cj) 、被cj覆盖的图像区域, 以像素为单位。

2.3实验结果

结果显示如图2所示, 展示了积极和消极的组合平面图, 分别为跟踪图1a~图1d的视频序列。从而可以看出消极的组合集聚在左下角, 即该组合的性能比组合特征中至少一个性能差, 也就是说, 消极的组合集聚在相对性能和多样性较低的区域。积极的组合更均匀地分散在空间, 集聚在相对性能和多样性更高的区域。

3结论

本文采用基于组合融合分析、调查所有测量特征组合的空间的方法, 解决了相互遮挡的多目标跟踪这个问题。当一个有遮挡的目标移动, 跟踪目标采用不同的特征组合是必要的[6]。具体问题是选择哪些特性的组合才能产生最好的跟踪性能。本文建议并评价了结合的指标:等级/分数多样性和相对性能, 并预测了最好的组合。

本文进行了1组4个不同的视频序列跟踪实验, 从1个单一的目标场景到多个目标同时移动并有重复相互遮挡。使用RAF跟踪系统, 该系统被改进用来评估所有组合选择, 通过比较合成跟踪的质量与实况跟踪测量, 在等级和分数组合上融合颜色、形状和位置等3个特征中的2个。如果组合性能优于任何一个特性, 组合是正值, 否则组合被认为是消极的。对在各种情况下的等级/分数的多样性和性能比率指标进行了测量。

4个不同的视频序列的结果表明, 消极的组合倾向于集聚在低等级/分数多样性和低的相对性能的区域。特别地, 只有A和B具备相对高的性能, 且A和B是多样化的, 1对特征A和B的组合才能提高精度。这说明上述两个条件可以成为一个有用的标准, 提高选择特征组合多目标且相互遮挡的跟踪性能。

摘要：在基于信息融合的视频多目标跟踪过程中, 特征融合算子的选择是关键。传统的基于特征融合的视频目标跟踪是将两个或两个以上特征作为测量特征通过某一融合机制进行融合权重。在一个高度非线性和难以建立模型的情形下, 多目标之间的遮挡现象影响视频特性测量。为了解决该问题, 提出了一种动态的选择融合算子的方法, 以得到最好的跟踪性能。实验结果表明, 动态地选择融合操作, 可以提高互相遮挡的多目标跟踪性能。

关键词：多目标跟踪,特征融合,算子选择,组合融合分析

参考文献

[1]孔庆杰.信息融合理论及其在交通监控信息处理中的应用[D].上海:上海交通大学, 2010.

[2]周元璞, 娄和利.一种基于信息融合的粒子滤波跟踪算法[J].计算机应用研究, 2012 (5) :1001-3695

[3]胡闽, 刘纯平.融合目标特征和空间信息的粒子滤波跟踪[J].计算机工程与应用, 2011 (4) :191-194.

[4]HSU D F, CHUNG Y S, KRISTEL B S.Combinatorial fusion analysis:Methods and practice of combining multiple scoring systems[EB/OL].[2012-10-22].http://www.igi-global.com/chapter/combinatorial-fusion-analysis/7692.

[5]HSU D F, LYONS D M, AI J.Combinatorial fusion criteria for real-time tracking[C]//Proc.AINA 2006.[S.l.]:IEEE Press, 2006:831-838.

多元素融合更有趣，赋予奔跑新定义 第11篇

“健身+旅游+文化”，村跑2.0让村卷玩得更尽兴。不论是具有客家文化底蕴的連城塘前，还是具有浓厚侗族文化的湖南芷江，以及古韩遗岛全罗南道青山岛，村跑2.0力求每一站都能让村卷跑进极具特色的最美乡村。

体验在地文化，村跑2.0将文化融合得更新意。湖南村跑恰逢中秋佳节，不仅融入极具侗族特色的拦门酒、合拢宴、歌舞劝酒，还加入福建闽南的博饼文化，开启了一场别开生面的跨文化的交流和碰撞，两地村卷更是对这种前所未有的多文化体验形式拍手称赞。

将艺术融入乡村，村跑2.0重新发现乡村之美。村跑联合厦门时代空间共同策划“艺造乡村”活动，旨在用艺术力量改变人们对乡村的认知，激起人们对乡村的热爱。从连城塘前村跑开始，村跑邀请著名油画大师参与村跑艺术写生，并且在沿途赛道设置村跑画卷让村卷们共同参与艺术创作。同时，村跑还开设艺术课堂，不论是塘前村跑的色彩美学体验课，还是湖南村跑的音乐美学互动课，都让村卷们留下深刻印象。

延续爱心公益，村跑2.0携手公益同行。村跑邀请知名油画艺术家史隽老师、超马冠军赵紫玉老师、以及明星李岷城、石安妮等，为村跑目的地小学的孩子们讲授不同主题的互动课，激发孩子们对艺术和体育的兴趣。湖南站，村跑还联手安踏体育为五郎溪小学捐助了30套运动装备，让孩子们更尽情地享受运动成长之乐。

跑团计划正式启动，村跑2.0跑团交流更创新。湖南村跑筹备期间村跑跑团计划正式开启，长沙与厦门两地跑团开展了“双城游击战”；在韩国村跑期间，村跑组委会联动韩国当地户外爱好者在韩国汉江进行约跑行动，将跑团计划再次升级。未来，村跑跑团将在不同地域、时空以不同的形式进行互动，通过增强与各地跑者之间的交流，打造跑团交流新平台。

多技术融合 第12篇

近年来, 在机器翻译领域, 统计机器翻译与规则机器翻译被视为互为竞争的范式。基于规则的方法优势在于可以很准确地描述语言特征规律, 符合理性思维;而基于统计的方法可以缓解知识获取的瓶颈问题。然而, 人们逐渐意识到基于统计与规则的方式存在着一定的互补性[1], 包括在词汇选择、长距离搭配方面。在这种环境背景下, 基于规则为主导的机器翻译 (RBMT) 系统为基础, 融入SPE (统计后编辑) 的串行多引擎融合的技术应运而生, 该方法可以实现翻译系统的领域适应性, 是机器翻译适应领域多样性的主要解决方案之一。

正如2012年R.Rubino等人在机器翻译研讨会上提出“大多数人类活动会涉及某一个特定领域和某一种特定语言, 而一个特定的领域可以用它特有的术语、句法和篇章结构表征。考虑要为每个特定的子领域构建一个特定领域的翻译系统的做法是不合理的, 但是我们认为利用统计后编辑技术是针对特定领域多样性问题所提出很好的解决方案”[2]。

统计后编辑方法, 根据训练语料不同构建方式可以获取不同的翻译效果, 目前, 通用的方法是使用规则翻译系统输出作为源语言, 人工后编辑矫正后的结果做为目标语言, 训练统计机器翻译模型。该方法的重点在于矫正规则翻译系统系统输出结果中的错误, 矫正原则是以人工编辑的译文为基础, 经过训练得来。

为了解决领域适应性问题的同时, 减少人工所消耗的成本, 本文将直接使用双语平行语料作为训练语料, 该方法重点是矫正假设译文和参考译文间的差异, 使规则翻译系统的输出更接近于参考译文, 矫正改进的并不是某类错误, 而仅仅是使结果更接近参考译文的表达方式。本文在相关工作以系统输出更接近参考译文为目标, 进行规则系统的领域适应性训练。在正文部分较详细介绍了我单位研发的基于串行结构的多引擎融合技术的结构设计、系统评价与在本地化领域的应用。文章最后给出了下一步工作设想。

1 相关工作

为了应对迅速发展的本地化特定领域多样性等问题, 近年来, 有很多文献发表了基于统计后编缉 (SPE) 方法的规则翻译系统领域适应性研究, 以及利用这种技术改进商用机器翻译产品性能的报道[3,4,5,6,7,8]。2012年R.Rubino等人提出了利用SPE方法实现机器翻译系统领域适应性的理论依据[1], Simard等人[3]首先建议使用基于短语的统计统计机器翻译系统进行后编缉任务实现领域适应性。SPE系统的输入是商用规则翻译系统 (RBMT) 的输出, 而SPE系统的输出为经过自动后编辑的目标语言文本。试验评价证明, SPE系统的输出 (无论是BLEU还是TER值) 不仅优于规则翻译系统, 而且也优于单一的基于短语的SMT输出。相对于这种需要两种不同系统通过串行耦合方式实现的混合机器翻译结构, 最近Petra Wolf等人提出使用传统语言学与数据驱动的统计方法交织结合的规则系统领域适应性解决方案[9]。该方案在不需要人工介入的前提下自动实现规则系统的特定领域适应性能力。

在文献[4,5]中的研究进一步证实了一个通用的或是领域外的RBMT系统通过SPE可以适用于某一特定领域。领域特定的数据 (Domain specific data ) 在后编辑层面导入, 这在全局范围内提高了翻译质量。此外, de Ilarrazaa等提出了相同的体系结构, 一个基于短语的S P E前面是一个RBMT系统, 并引入少量的领域内数据 (indomain data ) 训练SPE模型, 并在这两个系统导入形态信息 (morphological information) [6]。Symantec公司制定了后编缉专用的机器翻译评估标准 (PE-specific MT evaluation criteria) , 对Systran SPE系统进行译文质量评估。评估结果表明, SPE效果最好的日英语言对的译文可接受性 (acceptability) 比统计后编缉前提高28.17%[7]。Ki-Young Lee等人提出利用SPE改进英韩RBMT系统流利度, 其研究目标是从SPE获取知识把RBMT翻译自动调整成人类的参考翻译。他们通过试验证实了SPE可以有效地改进RBMT系统输出没有出现形态 (morphological) 和句法分析错误的句子翻译质量[8]。目前正在实施的、有代表性的规则主导的机器翻译系统研发计划是纳入欧盟第七框架计划执行期的项目。当前文献中介绍的很多规则主导型的翻译系统已经尝试把某些基于语言学知识的分析性抽象放在统计机器翻译的核心之上的设计方法[10]。

2 基于串行结构的多引擎融合的机器翻译系统设计

正如“相关研究”中解释的, 利用SPE技术实现领域外 (out-of-domain) 翻译系统的领域适应性是当前机器翻译适应领域多样性的主要解决方案之一。 在人工后编缉的流程中, 是由翻译人员校正机器翻译系统输出实现后编辑, 人工校正的文本 (参考译文) 用来训练一个系统, 使这个系统能自动校正原来的机器翻译系统 (the original MT system ) 的输出。在这种方式中, 后编辑系统要学习机器翻译系统反复出现的、固定的同样错误以及RBMT固有的短语搭配缺陷。为了缓解编辑人员的后编缉工作量, 在我们系统研发中通过训练一个SPE系统来校正RBMT系统所做的翻译, 如图1所示。

利用统计后编辑 (SPE) 系统实现机器翻译领域适应性的方法包括以下3个步骤:

① 构建平行语料库;

② 利用SMT工具箱构建SPE系统用的翻译模型和语言模型;

③ SPE系统解码输出校正后的统计后编缉文本。

在这个SPE过程中, 执行了两个翻译步骤。首先, 源语文本由RBMT翻译成中间目标语言文本, 然后由SPE模块翻译得到经过校正的目标语言文本, 如图2所示。

2.1 构建平行语料库

有别于原有的英语至汉语的翻译, SPE过程是汉语至汉语之间的翻译。 使用规则翻译系统 (RBMT) 的翻译结果作为源语文本, 使用对它经过人工后编辑的参考翻译作为目标文本构建平行语料库。需要进行文本预处理, 步骤如下:

① 从双语语料库中过滤、提纯双语句对, 获得英-中句对;

② 利用CCID-Trans翻译引擎处理英文原文, 获取到规则系统输出译文;

③ 使用Standford中文分词工具, 分别对标准中文译文、规则引擎输出中文译文进行中文分词;

④ 针对中文的全角转半角、特殊标点符号的转义处理。

2.2 翻译模型与语言模型训练

SPE (统计后编辑) 的主要过程采用基于短语的统计机器翻译模型, 充分利用翻译模型[11]训练过程中生成的短语表提升多词表达 (MWEs) 的效果, 利用语言模型[12]提升翻译译文的流利度。

2.2.1 翻译模型训练

通过短语翻译模型的训练, 从汉语到汉语的句子对齐的语料库中学习到汉语之间短语 (同义词) 的翻译概率表, 如图3所示。主要功能包括:词对齐处理和短语抽取两部分。

基于短语的翻译模型采用最小翻译单元为连续的词序列组成形式化短语。该系统将给定的源语言句子切分为形式化短语, 然后对每个形式化短语进行翻译, 该系统的翻译模型特征包含:正反向翻译概率、 正反向词汇化概率。 其格式如下:

源语言短语c | | | 目标语言短语e | | | p ( c | e ) lex (c|e) p (e|c) lex (e|c)

其中:

P (c|e) 表示e翻译到c的概率,

lex (c|e) 表示词汇化翻译概率, ·

p (e|c) , lex (e|c) 表示另一个方向的翻译概率。·

2.2.2语言模型训练

语言模型是翻译系统中的另一个重要因素。语言模型直接衡量译文是否流畅、是否满足目标语言的文法。我们在系统采用人工翻译整理好的译文作为训练语言模型的文本, 主要思想就是增大和训练数据目标语言相近的句子的分布, 同时降低和目标语言相差较远的句子的分布。

本系统仍然采用传统的基于Ngram的语言模型, 并采用Kneser-Ney和discount进行平滑。不同的是, 我们不仅采用了传统前向Ngram模型, 同时尝试了后向Ngram模型。假设目标译文为:

那么前向Ngram语言模型的概率为:

对应的, 后向Ngram语言模型的概率为:

实验结果表明, 前向Ngram语言模型与后向语言语言模型的融合在保证解码速度的同时, 提高了识别精度。

2.2.3 SPE解码器

SPE系统解码输出过程是使用翻译模型与语言模型训练后生成的短语表和语言模型文本, 将CCIDTrans翻译生成的文本作为输入, 通过解码输出校正后的统计后编辑文本。主要功能如下:

①解码器:本框架下实现基于短语的统计机器翻译模型的解码器。解码器使用多种特征, 完成从搜索空间中找出最佳目标语言译文, 完成真正的翻译过程。解码器是SPE系统中最重要的模块, 也是对翻译性能影响最直接的一个模块。为了加速解码过程, 解码器中使用多种剪枝技术, 如束剪枝 (beam pruning) 和立方剪枝 (cube pruning) 技术。

②数据后处理:完成对机器翻译输出结果进一步的优化工作, 如空格去除操作, 使其更符合书写和阅读习惯。

3 系统性能评估与主要应用

3.1 语料库构建

翻译记忆是我单位翻译人员在多年的翻译工作积累下来的语料资源, 其中包括大量的在篇章级、句子级和片段级对齐的双语数据。在我们的实验中, 我们从IT领域的翻译记忆库中, 选取了9 0 万句英中句对, 作为训练集。 1 0 0 0 个句对做为开发集, 2000个句对做测试集, 如表1所示。

3.2 系统环境

CCIDTrans系统[14,15]是一个通用的规则主导的机器翻译系统, 实验中, 为了领域适应性的效果, 我们没有挂载任何领域词典。以此作为我们的规则系统的基线系统。SMT系统的训练, 我们采用了标准的训练方法和实验环境:在预处理环节, 我们使用了自主研发的中文分词工具和英文词例还原工具, 分别对中、英文语料做了处理。实验中, 使用Giza-pp v.1.0.1进行词对齐, Moses v 0.91[13] 作为S P E部件, 使用基于短语的翻译模型, 应用最小错误率训练对模型的参数值进行了调试。使用Srilm v1.7.0工具, 训练5元语言模型。

3.3 实验结果和评价

图2中, 是自动评测方法的评测结果, 我们使用了基于编辑距离的TER和基于N元词串匹配的BLEU作为评测指标。对于TER指标来说, 分值越低代表性能越好, 而BLEU值则相反, 分值越高, 代表性能越好。图4中分别代表CCIDTrans基线系统、作为对比的参照而训练的一个PBMT (Moses) 系统、统计后编辑系统 (RBMT+SPE) 的评测结果。从评测结果中, 我们可以看到, 由于没有挂载任何领域词典, 基线规则系统的翻译性能表现的一般。而作为对比参照的基于短语的统计机器翻译系统, 经过训练后, 得到了一个比较好的分值。而表现最好, 得分最高的是RBMT+SPE系统, 无论是TER还是BLEU都相对于原规则系统有了一个较大幅度的改进。

在翻译实例中, 我们可以观察到, RBMT+SPE系统的输出结果, 在结构上相对于规则系统并没有太大变化, 但是在短语流利度和词义选择上有了较大的改善。

Source : Check the hard disk drive amber status LEDs to identify the failed hard disk drive or check the RAID controller system management software event logs .

CCIDTrans :检查硬磁盘机琥珀状态LED识别失败了的硬磁盘机, 或检查RAID控制器系统管理软件事务日志。

CCIDTrans+SPE :检查淡黄色硬盘驱动器状态指示灯来确定发生故障的硬盘驱动器, 或者检查RAID控制器管理软件系统事件日志。

从上面的实验结果来看, 使用统计后编辑方法可以改进机器翻译性能。通过实验分析, 也给我们进一步改进统计后编辑方法指明方向, 即最大化SPE带来的改进效果, 而最小化退化现象的发生。

3.3 系统主要应用

鉴于串行结构多引擎融合技术中后编辑方法解决了翻译领域适应性的问题, 矫正规则为主导的系统翻译结果, 提高了翻译译文的质量。我们将该技术融入到已有的英汉机器翻译系统中, 并且相继在大型本地化公司 (博彦科技、文思海辉等) 项目中应用部署该技术, 完善本地化翻译流程, 最终得到了客户良好的满意度。

4 下一步工作