[发明专利]一种多传感器Vine Copula异构信息决策融合方法

说明书

本发明公开一种多传感器Vine Copula异构信息决策融合方法，属于信息融合领域。提出了异构传感器Vine copula决策融合算法，通过特征提取和事件驱动的方式将不同类型的传感器数据统一到同一事件空间，基于数据特征和目标的先验信息，建立目标对应的事件集合；通过Vine copula对传感器数据特征事件之间的相关性进行建模。本发明能灵活构建异构信息融合特征事件之间的相关性，生成更准确的事件联合概率分布，提高异构传感器决策融合性能；数值分析表明提出的新方法对目标分类识别问题有更优的决策效果，可以更科学合理地融合异构传感器信息。

技术领域

本发明涉及目标分类数据处理技术领域，具体为一种多传感器Vine Copula异构信息决策融合方法。

背景技术

异类传感器信息融合在探测目标的信息上具有更大的维度和时间范畴，能够充分利用多源异类数据的互补信息来提高信息质量，在目标跟踪和识别上具有可靠性的优势。在复杂空天对抗环境中，观测数据类型众多、观测维度高和质量差异大，融合难度大。技术瓶颈在于信息度量空间难以统一，特别是传感器之间的相关性难以提取，直接影响决策融合性能，难以满足目标分类和目标识别等方面的迫切需求。

异类融合的关键是获取传感器信息的相关性，但由于异类传感器的观测数据类型众多、观测维度和观测质量差异大，使得传感器之间的相关性获取极为困难，融合的效果难以保证。因此，加拿大科学院院士罗智泉等人提出了一种归一化的事件驱动融合技术[文献1：S.Roheda,H.Krim,Z.-Q.Luo,and T.W“Event driven fusion.”https://arxiv.org/pdf/1904.11520.pdf,2019.]，通过对极端相关性加权组合的方式来近似相关性，提升目标的检测融合效果，如图1所示。但是，当训练样本数据分布不均衡或者数据的相关性比较复杂时，此方法会降低融合决策的效果。

此方法的主要思想是：在确定乘积空间Ω的联合概率时，重要的是要考虑特征间相关性的程度：完全独立的特征产生极小的交互信息，对应最小互信息的联合分布应该被选择；特征间具有较高的相关性，则产生极大的互信息，应选择互信息最大的联合分布。这些显然是相关性的极端情况，并没有解决部分相关情况。确定部分相关特征之间的联合概率的近似方法是考虑联合概率最大化和最小化互信息的凸组合：

其中，ρ∈[0,1]是特征间相关性程度的伪测量。当特征是高度相关时，ρ≈1；当特征是彼此独立时，ρ＝0。ρ可以通过在训练数据上使用类似皮尔逊相关/距离相关的度量来计算特征之间的相关性来确定。

当选择联合概率分布作为边际概率的乘法时，两个随机变量之间的相互信息最小。因此，有：

在给定边际概率的情况下，最大化互信息的问题需要一些步骤。对于一些随机变量X和Y，对X和Y的边际概率分布进行条件处理，得到常数H(X)和H(Y)。两个随机变量之间互信息的最大化就等于它们的联合熵的最小化，已知联合熵是凹函数。

在给定边缘概率极小化联合熵采用文章[文献2：Murat Kocaoglu,AlexandrosG.Dimakis,Sriram Vishwanath,and Babak Hassibi,“Entropic causal inference”,CoRR,vol.abs/1611.04035,2016.]的最小贪婪算法。这里的主要思想是保持大概率质量完整，而不是把它们分解成更小的块。概率质量对联合熵的贡献只有在它被分割成更小的块时才会增加。即当0p1，并且a,b0时，对于p＝a+b，有-p.log(p)≤-a.log(a)-b.log(b)。因此，保持大概率块不受给定边缘概率的影响，可以确保它们对联合熵的贡献最小。

术语解释：