信息融合理论研究进展:基于变分贝叶斯的联合优化

通过梳理近年信息融合理论的发展,分析了复杂目标跟踪系统中存在的非线性、多模式、深耦合、网络化、高维数和未知扰动输入等问题,指出现阶段目标跟踪系统中联合优化的必要性.继而,讨论了解决联合优化问题的主要方法,包括联合检测与估计,联合聚类与估计,联合关联与估计及联合决策与估计等.同时,着重介绍了变分贝叶斯辨识、估计和优化的统一框架和以其为基础的目标跟踪联合一体优化方法,并以天波超视距雷达为应用背景,给出在多路径多模式多目标跟踪场景下算法的一般性描述.最后,讨论了变分贝叶斯理论在目标跟踪领域的开放问题和未来研究方向.

基于消息传递的机载雷达组网航迹融合

机载雷达组网航迹融合需要解决目标跟踪、数据关联与航迹管理3个子问题,然而这3个子问题相互耦合,采用开环序贯估计算法会导致性能下降.本文提出了一种基于消息传递的机载雷达组网航迹融合方法,该方法在联合优化框架下解决目标跟踪、数据关联与航迹管理3个子问题.首先,建立机载雷达组网航迹融合的联合概率密度函数,并将其转换为因子图.其次,将因子图分解为置信传播区域与平均场近似区域.目标运动状态的统计模型服从共轭指数模型,因此采用平均场近似以获得简单的消息传递更新公式.数据关联包含一对一约束,因此采用置信传播.目标存在状态同样采用置信传播,以获得更好的近似结果.最后,可以通过闭环迭代框架近似估计后验分布,从而有效处理目标跟踪、数据关联与航迹管理之间的耦合问题.仿真结果表明,所提算法的性能优于多假设跟踪算法和联合概率密度关联算法.

基于多阶差分损失全卷积网络的航迹融合算法

针对传统的航迹融合算法高度依赖先验信息的问题,文中提出了一种基于多阶差分损失全卷积网络的航迹融合算法。融合中心首先对各局部航迹进行时空配准和航迹关联;然后通过全卷积结构设计,避免了传统卷积神经网络模型中由于全连接层的使用导致参数量大、训练难度大的问题;最后通过计算航迹及其一、二阶差分的加权损失,实现了更高精度的融合结果。消融实验表明文中提出的航迹融合算法模型小、收敛性强、精度高、运算时间适中。仿真实验表明,文中算法不需要先验信息,当噪声参数无法准确估计时,算法融合精度优于方差加权融合算法和扩维卡尔曼滤波融合算法。实验结果证实了所提算法的有效性和可行性。

基于微偏振片阵列的偏振成像技术研究

基于微偏振片阵列(MPA)的偏振成像设备在体积、重量、功耗等方面的优势,极大促进了偏振成像的应用领域。但目前对于MPA光栅参数设计、单元排布模式以及偏振特征解算等方面的研究均存在严重不足,影响了准确偏振特征的获取。针对这些问题,文中利用光栅衍射和等效介质理论进行MPA光栅参数设计,并提出MPA在频域内的联合编解码设计方法,以期MPA单元排布与偏振特征解算达到综合最优。仿真结果表明,MPA编解码设计方式的选择将会对偏振信息的获取性能产生较大影响。

基于云模型的战略预警信息系统效能评估

网络中心战中,面向信息优势对战略预警信息系统(strategy early-warning information system,SEWIS)进行效能评估非常重要。以美军SEWIS为例,详细分析了信息优势在该类系统中的具体内容和体现,建立了系统效能评估指标体系,引入云理论对SEWIS效能评估中的定性定量指标进行联合处理,最终形成基于云重心评判法的SEWIS效能评估方法,为战略预警系统优化升级提供支撑。仿真结果表明了该评估方法的可行性和有效性。

基于扩展起始节点和加权融合策略预测肺癌风险致病基因

肺癌风险致病基因预测有助于了解疾病发病机制、提高临床治疗效果.目前,以重启游走为框架的风险致病基因预测算法,普遍存在起始节点少、节点转移概率相同、信息源单一的问题.为此,本文提出一种基于扩展起始节点和加权融合策略的风险致病基因预测算法(命名为AFMFSC),并在肺癌中验证算法有效性.首先,基于增广模糊测量思想,计算疾病表型近似基因间的增广功能相似得分,从中选出重要基因与致病基因作为扩展起始节点;其次,采用节点拓扑相似度转移矩阵及基因表达差异相关性转移矩阵,分别在蛋白质网络中重启随机游走,并将两种结果加权融合排序;最后,通过富集分析排名靠前基因,得到有显著意义的风险致病基因.AFMFSC算法预测的73个肺癌风险致病基因,均与肺癌发生、发展有密切联系,生物学意义显著.与其他排序算法相比,AFMFSC算法的Top 1%、Top 5%和AUC值比较大,平均排名和受拓扑特性偏差影响程度小;融合策略排名性能优于单一转移矩阵或普通邻接矩阵游走排名.AFMFSC算法不仅能准确有效地预测肺癌风险致病基因,而且可推广预测其他疾病风险致病基因,为探索癌症致病机理提供新视角及依据.

数据和模型双驱动的航迹融合算法

针对数据驱动的航迹融合算法精度较低、泛化和适应性差的问题,文中提出了一种数据和模型双驱动的航迹融合算法。该算法主要包含残差提取、残差融合和航迹重建三个部分。残差提取,即模型驱动部分:根据先验知识,建立航迹误差模型,对局部航迹进行近似,并提取其残差作为误差的估计。残差融合,即数据驱动部分:设计了一个多尺度全卷积网络对残差进行融合。航迹重建部分:将网络输出的融合残差还原为融合子航迹,并对连续的多个子航迹进行综合,得到完整的融合航迹。仿真实验表明,该算法不依赖先验信息,融合精度显著优于数据驱动融合算法和传统算法,并具有很好的运动参数和运动模式泛化与适应能力。

野外无人车路径规划与轨迹规划技术

常规布局及结构化的城市环境中的无人地面车,其环境感知和路径规划技术的研究相对成熟。然而,无人车在信息未知、环境复杂的野外进行自主规划和障碍规避尚存在困难。针对复杂环境中无人车的路径规划和轨迹规划技术展开研究,首先,考虑环境相对未知、存在凹凸障碍物和起伏地面等因素,利用激光雷达、相机和IMU组成车载多传感器系统获取复杂的野外环境信息并进行数据处理和校正;其次,通过训练径向基神经网络(RBF网络)对野外环境进行建模;然后,基于环境模型引入起点至目标位置的距离、环境高度和梯度以构建约束,通过优化约束函数实现复杂环境中无人车的路径规划;最后,基于Minimum Snap的思想,利用N阶多项式拟合得到的路径,将规划后生成的折线路径优化为最终需要跟踪的轨迹。通过仿真实验验证了方法的有效性:所提出的方法实现了无人地面车在野外环境中自主路径规划和轨迹规划。

一种高斯-重尾切换分布鲁棒卡尔曼滤波器

为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heavy-tailed switching distribution based robust Kalman filter,GHTSRKF)。首先,通过自适应学习高斯分布和一种重尾分布之间的切换概率将噪声建模为GHTS(Gaussian-heavy-tailed switching)分布,所设计的GHTS分布可以通过在线调整高斯分布和新的重尾分布之间的切换概率来对非平稳重尾噪声进行建模,具有虚拟协方差的高斯分布用于处理协方差矩阵不准确的高斯噪声。其次,引入两个分别服从Categorical分布与伯努利分布的辅助参数将GHTS分布表示为一个分层高斯形式,进一步利用变分贝叶斯方法推导了GHTSRKF。最后,利用一个仿真场景对几种不同的RKFs(robust Kalman filters)进行了对比验证。结果表明,所提出的GHTSRKF算法的估计精度对初始状态的选取不敏感,精度优于其他RKFs,它的RMSEs最接近噪声信息准确的KFTNC(KF with true noise covariances)的RMSEs(root mean square errors),且当系统与量测噪声是未知时变高斯噪声时,相比于现有的滤波器,GHTSRKF具有更好的估计性能,从而验证了GHTSRKF的有效性。

类别数据流和特征空间双分离的类增量学习算法

针对类增量学习(CIL)中的灾难性遗忘问题,该文提出一种不同类的数据流和特征空间双分离的类增量学习算法。双分离(S2)算法在1次增量任务中包含2个阶段。第1个阶段通过分类损失、蒸馏损失和对比损失的综合约束训练网络。根据模块功能对各类的数据流进行分离,以增强新网络对新类别的识别能力。通过对比损失的约束,增大各类数据在特征空间中的距离,避免由于旧类样本的不完备性造成特征空间被新类侵蚀。第2个阶段对不均衡的数据集进行动态均衡采样,利用得到的均衡数据集对新网络进行动态微调。利用实测和仿真数据构建了一个飞机目标高分辨率距离像增量学习数据集,实验结果表明该算法相比其它几种对比算法在保持高可塑性的同时,具有更高的稳定性,综合性能更优。

基于多层网络控制的个体化癌症驱动基因识别方法

目的识别癌症驱动基因,特别是罕见或个体特异性癌症驱动基因,对精准肿瘤学至关重要。考虑到肿瘤间的高度异质性,最近有一些方法尝试在个体水平上识别癌症驱动基因。然而,这些方法大多是将多组学数据整合到单一生物分子网络(如基因调控网络或蛋白质相互作用网络)中来识别癌症驱动基因,容易忽略不同网络所特有的重要相互作用信息。为了整合不同生物分子网络的相互作用数据,促进癌症驱动基因识别,迫切需要发展一种多层网络方法。方法本文提出了一种多层网络控制方法(PDGMN),利用多层网络识别个体化癌症驱动基因。首先,利用基因表达数据构建针对个体病人的个体化多层网络,其中包括蛋白质相互作用层和基因相互关联层。然后,整合突变数据,对个体化多层网络中的节点进行加权。最后,设计了一种加权最小顶点覆盖集识别算法,找到个体化多层网络中的最优驱动节点集,以提高个体化癌症驱动基因的识别效果。结果在三个TCGA癌症数据集上的实验结果表明,PDGMN在个体化驱动基因识别方面优于其他现有方法,并能有效识别个体病人的罕见癌症驱动基因。特别是,在不同生物分子网络上的实验结果表明,PDGMN能够捕获不同生物分子网络的独有特征,从而改进癌症驱动基因的识别结果。结论PDGMN能有效识别个体化癌症驱动基因,并从多层网络的视角,加深我们对癌症驱动基因识别的理解。本文所用的源代码和数据集可以从https://github.com/NWPU-903PR/PDGMN获取。

一种多模型贝努利粒子滤波机动目标跟踪算法

交互式多模型贝努利粒子滤波器(Interacting Multiple Model Bernoulli Particle Filter,IMMBPF)适用于杂波环境下的机动目标跟踪。但是IMMBPF将模型信息引入粒子采样过程中会导致用于逼近当前时刻真实状态与模型的粒子数减少,而且每次递推各模型间的粒子都要进行交互,存在计算量过大的缺点。为提升IMMBPF中单个采样粒子对于真实目标状态和模型逼近的有效性,该文提出一种改进的多模型贝努利粒子滤波器(Multiple Model Bernoulli Particle Filter,MMBPF)。预先选定每一个模型的粒子数,且模型间的粒子不需要进行交互,减少了计算负荷。模型概率由模型似然函数计算得到,在不改变模型的马尔科夫性质的条件下避免了小概率模型的粒子退化现象。仿真实验结果表明,所提出的MMBPF与IMMBPF相比,用较少的粒子数就可获得更优的跟踪性能。

双层无迹卡尔曼滤波

针对无迹卡尔曼滤波(Unscented Kalman fllter, UKF)在强非线性系统中估计效果差的问题,提出了双层无迹卡尔曼滤波(Double layer unscented Kalman filter, DLUKF)算法,该算法用带权值的采样点表征先验分布,而后用内层UKF算法对每个采样点进行更新,最后引入外层UKF算法的更新机制得到估计值和估计协方差.仿真结果表明,相比于传统算法,所提的DLUKF算法可以在较低计算负载下获得较高滤波估计精度.

基于关键节点子团的乳腺癌候选疾病模块挖掘算法

为解决乳腺癌疾病模块挖掘方法中基因表达谱样本数量少、数据不完整、存在噪声和偏差的问题,提出了一种基于关键节点子团和局部适应度的候选疾病模块挖掘算法——KNGLF算法.该算法首先将候选基因与致病基因间的重叠相似性得分和功能相似性得分进行融合,通过比较融合得分与阈值,筛选出关键节点,并构建关键节点子团;然后,基于局部适应度及不同节点对应的不同判定标准,扩展挖掘候选疾病模块;最后,根据富集分析结果确定候选疾病基因模块.实验结果表明,与现有其他乳腺癌模块挖掘算法相比,KNGLF中关键节点选择算法所得平均排名较小,曲线下面积较大.KNGLF算法挖掘出15个具有较显著生物意义的乳腺癌候选疾病模块.此外,KNGLF算法还可扩展至其他疾病候选模块.

基于节点-模块置信度及局部模块度双重约束挖掘前列腺癌候选疾病模块

前列腺癌病因及发病机理研究有助于前列腺癌预防和治疗.目前,前列腺癌生化试验研究方法成本高、耗时,而基于网络计算方法容易受基因表达谱数据不完整、噪声高及实验样本数量少等约束.为此,本文提出一种基于节点-模块置信度及局部模块度的双重约束算法(命名为NMCOM),挖掘前列腺癌候选疾病模块.NMCOM算法不依赖基因表达谱数据,采用候选基因与致病表型之间一致性得分,候选基因与致病基因之间语义相似性得分融合排序策略,选取起始节点,并基于节点-模块置信度及局部模块度双重约束挖掘前列腺癌候选疾病模块.通过对挖掘出的模块进行富集分析,最终得到18个有显著意义的候选疾病基因模块.与单一打分排序方法及随机游走重开始方法相比,NMCOM融合排序策略的平均排名比小、AUC值大,且挖掘出结果明显优于其他模块挖掘算法,模块生物学意义显著.NMCOM算法不仅能准确有效地挖掘前列腺癌候选疾病模块,且可扩展挖掘其他疾病候选模块.

基于自然梯度的噪声自适应变分贝叶斯滤波算法

考虑到运动目标跟踪系统机动、隐身等人为对抗特征以及非视距、干扰、遮挡等环境因素,其系统建模、估计与辨识过程中越来越无法回避非线性、非高斯以及参数未知等复杂系统特征的影响.针对过程噪声先验信息不准确以及量测噪声非高斯环境下运动目标的非线性状态估计问题,提出一种基于自然梯度的噪声自适应变分贝叶斯(Variational Bayes,VB)滤波算法.首先,利用指数族分布具有统一表达形式的优势,构建参数化逆威沙特(Inverse-Wishart,IW)分布作为状态一步预测误差协方差的共轭先验分布,同时选取学生t分布重构因量测随机缺失导致的具有非高斯特点的似然函数;其次,在变分贝叶斯优化框架下采用平均场理论将状态变量联合后验分布近似分解为独立的变分分布,在此基础上,结合坐标上升方法更新各变量的变分分布参数;进而,结合Fisher信息矩阵推导置信下界最大化关于状态估计及其估计误差协方差的自然梯度,使非线性状态后验分布的近似分布沿梯度下降,以实现对状态后验概率密度函数(Probability density function,PDF)的“紧密”逼近.理论分析和仿真实验表明:相对传统的非线性滤波方法,本文算法对噪声不确定问题具有较好的自适应能力,并且能够获得较高的状态估计精度.

基于STM32的教室智能灯控系统设计

针对学校照明用电浪费严重、人为手动控制不便的问题,对自动控制和手动控制相结合的教室照明控制系统进行了研究。提出了一种以STM32芯片为核心、采集多种传感器信号的控制终端,然后把每间教室的控制终端组成网络接入上位机的智能灯控系统设计方案。文章从单片机硬件设计、单片机程序设计和基于Qt的上位机控制程序设计三方面详细介绍了系统。最后达到了远程控制、节约用电、提高资源利用率的目的。经过控制变量法的实验验证,并进行了系统功能的分析,实验结果和预期效果一致。

一种面向弹道再入目标跟踪的HPD-SRCQSPF算法

针对弹道再入目标轨迹跟踪问题,提出基于混合建议分布的平方根容积求积采样粒子滤波(HPDSRCQSPF)算法,该算法以混合建议分布为框架,由两个基本建议分布组成。其中一个基本建议分布为先验分布,另一个基本建议分布为平方根容积求积卡尔曼滤波估计后的值。该混合建议分布与真实的后验分布很接近,因此有着高效性、高精度等特点。仿真结果表明,对于弹道再入目标轨迹跟踪模型,相比于标准粒子滤波(SPF)算法和平方根容积求积粒子滤波(SRCQPF)算法,HPD-SRCQSPF算法可以在较低运算负载的情况下获得更好的跟踪性能。特别是在弹道目标变轨机动的情况时,所提出算法的性能增益更为显著。

基于空间拓扑特征及小波变换的分布式航迹关联

针对群目标在目标密集和航迹交叉等复杂场景下传统分布式航迹关联算法航迹关联正确率偏低的问题,提出了一种基于拓扑特征及小波变换的分布式航迹关联算法。利用群目标航迹的时间累积信息,基于小波变换提取航迹运动趋势,在速度朝向相同时利用最优子模式分配(OSPA)距离衡量不同航迹目标拓扑特征间距离,从而实现分布式航迹关联。仿真结果表明,与基于拓扑特征航迹关联算法相比,该算法航迹正确率显著提高,算法性能得到了提升。

基于深度优先随机森林分类器的目标检测

从机载视觉传感器获取的图像中检测近距离目标,对小型无人机飞行安全非常重要,需要大量样本训练分类器以提高目标检测的准确性。然而,如果训练样本太大,随着树的层数增加,广度优先方法训练随机森林分类器会导致欠拟合问题。针对这个问题,提出了深度优先方法递归训练随机森林分类器,每次递归过程只分裂一个节点。实验表明,在SenseAndAvoid数据集目标检测的平均准确率是69.3%,比广度优先方法训练的随机森林分类器高7.6%。深度优先方法递归训练随机森林分类器,能有效抑制广度优先方法训练时的欠拟合问题,提高了随机森林分类器的泛化能力和目标检测的准确性。