[发明专利]基于多个数据源的数据采集方法及系统

说明书

本发明公开了一种基于多个数据源的数据采集方法及系统，涉及电子信息领域，该方法包括：分别获取多个数据源在本次数据采集过程中针对采集对象的数据特征采集到的多个数据特征值；将多个数据特征值划分为至少一个分组，分别根据每个分组对应的数据源针对采集对象的特征权重值确定该分组的分组得分；根据各个分组的分组得分，确定采集对象的数据特征在本次数据采集过程中的采集结果，并对各个数据源针对采集对象的特征权重值进行修正，以便在下一次数据采集过程中使用各个数据源针对采集对象的修正后的特征权重值。根据该方法，能够更准确地获取各个分组对应的数据源针对采集对象的特征权重值以及采集对象的数据特征在数据采集过程中的采集结果。

技术领域

本发明涉及电子信息领域，具体涉及一种基于多个数据源的数据采集方法及系统。

背景技术

随着科学技术的发展，多传感器信息融合的目标识别技术普遍应用于军事、计算机视觉、遥感图像等领域，具有广泛的实际应用的意义。基于特征级融合的目标识别技术能够在各种复杂、不确定的情况下，融合多种传感器提供的特征信息，缩减数据量带宽，提高识别的精度和效率。其中，统计特征是统计学的基本概念之一，在用数理统计方法研究总体时，人们所关心的实际上并非组成总体的各个个体本身。统计特征有数量特征和属性特征之分，其中数量特征又有计量特征和计数特征之分，数量特征可以直接用数值来表示，例如，元件的大小尺寸、小麦的株高等均是计量特征。

目前常用的特征级融合方法大致分为五大类：概率论统计方法、逻辑推理方法、神经网络方法、基于特征抽取的融合方法和基于搜索的融合方法。下面简单地介绍概率论统计方法中的几种算法。其中，(1)加权平均法：假设有n个传感器，用同一种方法特征提取后，将某一维度的特征值x的加权平均值作为该维度融合后的特征值，其中，权重可看成不同传感器准确性的度量。(2)贝叶斯估计法：Bayes(贝叶斯)估计方法在用于多传感器信息融合时，是将多传感器提供的各种不确定信息表示为概率，并利用概率论中Bayes条件概率公式对他们进行处理的一种方法。在先验概率已知的情况下，贝叶斯准则是最佳的融合准则，可给出精确的融合结果。(3)卡尔曼滤波法是一个“最优化自回归数据处理方法”，卡尔曼滤波适用于实时融合动态的低层次冗余传感器信息。该方法用测量模型的统计特性，来递推出决定统计意义下的最优的估计融合数据。如果系统具有线性动力学模型，且系统噪声和传感器噪声都是高斯分布的白噪声模型，此方法为数据融合提供唯一的溶剂意义下的最优估计，卡尔曼的递推特性使系统处理不需要大量的数据存储和计算。

但是发明人在实现本发明的过程中发现：加权平均法虽然简单直观，但是必须事先对各个传感器进行详细的分析，获取它的权重。并且每个传感器的准确性在不同特征维度上都不一样，所以权重的获取成为主要难点。另外，关于贝叶斯估计法，对于在实际应用中，各个传感器很难获得所需的先验概率，这一点大大限制了贝叶斯准则的应用。关于卡尔曼滤波法，对于许多非线性系统，还没有一套严格的滤波公式。由此可见，现有技术中缺少一种简单实用，且能够较准确地获取多个传感器在数据采集过程针对某个采集对象的特征权重值以及采集到的多个数据特征值融合后的特征值的数据采集方法。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于多个数据源的数据采集方法及系统。

根据本发明的一个方面，提供了一种基于多个数据源的数据采集方法，包括：分别获取多个数据源在本次数据采集过程中针对采集对象的数据特征采集到的多个数据特征值；将多个数据特征值划分为至少一个分组，分别根据每个分组对应的数据源针对采集对象的特征权重值确定该分组的分组得分；根据各个分组的分组得分，确定采集对象的数据特征在本次数据采集过程中的采集结果，并对各个数据源针对采集对象的特征权重值进行修正，以便在下一次数据采集过程中使用各个数据源针对采集对象的修正后的特征权重值。

可选地，其中，所述将所述多个数据特征值划分为至少一个分组的步骤具体包括：