[发明专利]一种基于超图低秩表示的复杂动态系统感知特征融合方法

说明书

本发明提供了一种基于超图低秩表示的复杂动态系统感知特征融合方法，属于复杂动态系统感知研究技术领域。本发明通过在潜在低秩表示算法中添加超图拉普拉斯正则项来获取感知模态数据高阶关系，能够有效地把握不同模态数据间的高阶关系及互补性信息，潜在低秩表示有效的去噪能力避免了无效信息干扰，从而更好地提升复杂动态系统的数据分析决策能力；同时，对获取的多模态数据进行了特征融合后再传递，降低了相互间的通讯传输成本。

技术领域

本发明属于复杂动态系统感知研究技术领域，具体涉及一种基于超图低秩表示的复杂动态系统感知特征融合方法。

背景技术

在基于多智能体的复杂动态系统研究中，感知层面一直是数据通讯处理的重要节点，因此，如何有效的利用感知层面获得的多模态信息，使其尽可能多的降低通讯成本并能有效的辅助决策是一个研究的重点。目前，一个有效的解决办法是特征融合，即将获取到的多模态信息进行融合后传输，这样可以有效的降低通讯代价。

在复杂动态系统智能感知方面，当前工作主要围绕多智能体协同感知进行研究，根据研究方法的不同大致可分为三类：一类是合并迭代最近点并使用扩展卡尔曼滤波器融合进行感知；第二类是通过因子图融合实现感知；第三类是基于超图的感知。然而，前两种方法未充分表示出复杂系统中多智能体间的高阶关系，而基于超图的方法尽管能够提高复杂动态系统中感知对象的表达能力，但是仍然没有突破基于统计与动态线性化的建模思想框架，对感知数据进行单模态建模，不能反演复杂对象的真实规律。同时由于复杂动态系统中感知到的数据具有非线性、动态、随机特征，当有新数据感知和融合时，会严重制约数据质量和数据分析结果。此外，未知环境随时间动态变化，多智能体间需多回合交互进行信息感知，使得感知模型在未知场景产生了极高的通讯代价。

因此，针对以上问题，设计一种能够有效利用多种模态感知信息，捕获其潜在的复杂(如高阶非线性特征)关系，通过特征融合的方式减低通讯成本并将其应用于多智能体的复杂动态系统决策研究，具有重大的意义。

发明内容

针对现有基于超图的感知特征融合存在的问题，本发明提供一种基于超图低秩表示的复杂动态系统感知特征融合方法，通过在潜在低秩表示算法中添加超图拉普拉斯正则项来获取感知模态数据高阶关系，具体优势如下：1)超图构造了不同的感知模态数据高阶关系；2)采用潜在低秩表示算法可以有效的挖掘感知信息中的潜在子空间信息，同时降低噪声数据的负面影响；3)对感知信息进行特征融合后传递，降低通讯代价。

本发明针对上述技术问题提出的技术方案如下：

一种基于超图低秩表示的复杂动态系统感知特征融合方法，包括以下步骤：

步骤一，使用智能体中常用的红外传感器和可见光传感器采集的图像数据作为主要融合对象，使用国际公共数据TNO数据集，其链接为https：//figshare.com/articles/dataset/TNO_Image_Fusion_Dataset/1008029。针对两种不同模态的信息，构造两个超图，并计算每个超图的相关矩阵H^(m)，其中m表示不同模态的图像，m＝1，2，分别表示红外图像和可见光图像。

步骤二，将超图相关矩阵串联，求取统一的超图拉普拉斯矩阵。

步骤三，将得到的超图拉普拉斯矩阵构造正则项，并引入到潜在低秩表示模型框架中，得到高阶超拉普拉斯潜在低秩表示模型。

步骤四，对高阶超拉普拉斯潜在低秩表示模型使用自适应惩罚线性化交替方向方法(LADMAP)迭代求解，得到不同模态图像的基础部分(X₁Z₁和X₂Z₂)和显著部分(L₁X₁和L₂X₂)，同时对噪声部分(E₁，E₂)进行舍弃。