[发明专利]用于传感器数据融合和重构的系统、方法和介质

说明书

本发明涉及用于传感器数据融合和重构的系统、方法和介质。描述了一种用于传感器数据融合和重构的系统。所述系统从具有多个张量模式的张量中提取切片。各个张量模式表示不完整的传感器信号的不同传感器数据流。张量切片被处理成解混合输出。所述解混合输出被转换回张量切片，并且使用矩阵分解将所述张量切片分解成模式因子。针对所有张量模式确定模式因子，并且通过匹配两个或更多个解混合共有的模式因子来将所述模式因子分配给张量因子。张量权重因子被确定并用于融合所述传感器数据流，以进行传感器数据重构。基于所述传感器数据重构来提取隐藏传感器数据。

相关申请的交叉引用

本申请是2017年9月13日在美国提交的题为“Independent Component Analysisof Tensors for Sensor Data Fusion and Reconstruction”的美国临时申请No.62/558,094的非临时专利申请，该美国临时申请的全部内容通过引用并入于此。

技术领域

本发明涉及一种用于揭示数据中的隐藏结构的系统，并且更具体地，涉及一种用于使用张量分解来揭示数据中的隐藏结构的系统。

背景技术

张量秩分解是矩阵奇异值分解为张量的推广。张量是矩阵到更高维度的推广，换句话说，张量是数据值的多维表。张量分解的当前最新技术是基于将数据最小二乘拟合到模型的方法。示例包括：A.Harshman在“Foundations of the PARAFAC procedure:Modeland conditions for an explanatory multi-mode factor analysis”，UCLAWorkingPapers in Phonetics,Vol.16,1970中描述的PARAllel FACtor分析(PARAFAC)；Tomasi在Practical and computational aspects in chemometric data analysis,Ph.D.thesis,Department of Food Science,The Royal Veterinary and Agricultural University,Frederiksberg,Denmark,2006中描述的非线性最小二乘(NLS)；以及N.Sidiropoulos等人在“Tensor decomposition for signal processing and machine learning”，IEEETrans.on Signal Processing,Vol.65,No.13,2017中描述的交替最小二乘(ALS)。前述参考文献中的每一个通过引用并入，如同在本文中完整地阐述一样。这些方法无法扩展(scale)到较高维张量，并且由于数据为稀疏时无法准确计算梯度而不能很好地处理稀疏数据。

因此，仍然需要在处理速度和存储器使用方面有效的张量分解方法。

发明内容

本发明涉及一种用于揭示数据中的隐藏结构的系统，并且更具体地，涉及一种用于使用张量分解来揭示数据中的隐藏结构的系统。所述系统包括一个或更多个处理器以及非暂时性计算机可读介质，在所述非暂时性计算机可读介质上编码有可执行指令，使得当执行所述可执行指令时，所述一个或更多个处理器执行多个操作。所述系统从具有多个张量模式的张量中提取切片，其中，各个张量模式表示不完整的传感器信号的不同传感器数据流。张量切片(tensor slice)被处理成解混合输出(demixed output)。所述解混合输出被转换回张量切片，并且使用矩阵分解将所述张量切片分解成模式因子。针对所有张量模式确定模式因子，并且通过匹配两个或更多个解混合共有的模式因子来将所述模式因子分配给张量因子。使用所分配的模式因子，张量因子权重值被确定并用于组合所述张量因子以进行传感器数据重构。基于所述传感器数据重构来提取隐藏传感器数据，并且所提取的隐藏传感器数据被用于控制装置。

在另一方面，所述系统的存储器需求随着张量模式的数量线性地缩放。

在另一方面，所述张量权重因子通过使用传感器数据建立线性方程组并求解所述张量权重因子来确定。