大数据背景下多维传感器数据融合过程与算法研究

蔡烨峰

（浙江越秀外国语学院，浙江绍兴，312000）

0 引言

随着计算机技术的发展，各种网络智能设备和传感器的普及，使得计算机领域云计算硬件性能得到了进一步提升，数据的各方面应用也得到优化。多维传感器数据融合属于一个新的研究领域，各种先进的技术进入人们的视线，为海量数据的融合与计算提供了新的思路，同时也为大数据的发展带来了新的希望。在大数据背景下，多维传感器数据融合技术在我国应用到了多个领域，如农业、军事、医疗等。与传统的单传感器相比，多维传感器数据融合技术在探测、跟踪和目标识别等方面都得到了加强，整个系统的安全可靠性提高了，得到的数据准确的更加高，同时其覆盖率、实时性等功能也都得到了提高[1]。

1 概述

1.1 多维传感器数据融合概念

多维传感器数据融合的本质是将各种类型的传感器进行体系化处理，将传感器获取的各种不同类型数据进行统一、科学、有逻辑性的分类和定义。随着现代社会应用传感器的场景越来越多，传感器获取的数据类型和数据量飞速提升，多维传感器数据融合已经成为大数据背景下数据分析领域最常见的概念。本文认为，多维传感器数据融合理念可以被定义为：一种采用计算机、大数据、云计算等手段对多种不同类型传感器获取的海量数据信息进行算法分析，将分析后结果进行制备然后被数据监测人员进行统一定义、解释、描述的数据融合方法。对于当今数据应用领域而言，多维传感器数据融合能够帮助数据分析人员获得更科学且更具实用性的信息。

1.2 多维传感器数据融合原理

多维传感器数据融合的原理与人类大脑进行多元信息分析处理的过程类似，需要借助一定的平台利用多种信息数据处理工具对信息进行汇总和处理。多维传感器数据融合是在各种传感器的基础上对数据进行自动支配、筛选、汇总和使用，将传感器获取的多维数据利用网络平台或者计算机硬件系统进行保存、组合、描述[2]。多维传感器数据融合过程如下：

（1）利用相应算法对传感器所输出的多维数据进行特征提取，得到多维传感器数据输出离散或连续的数据特征失量，算法会对这些矢量进行说明；

（2）将系统中N个（N≥2，具体数量取决于系统复杂程度）不同类型的多维传感器观测目标数据进行收集和分类；

（3）将多维数据传感器关于收录数据信息的目标进行说明，根据这些数据说明将有关联的数据统一进行分组；

（4）对（1）获得的各数据矢量进行聚类算法等识别分析，完成各类型数据关于目标的优化说明；

（5）利用融合算法将个数据适量优化目标说明结果进行合成，得到多维传感器数据的一致性解释和描述。

2 多维传感器数据融合分类

多维传感器数据融合是依据数据的信息含量进行规划分类的，一般分为两种：有损融合，是在数据融合保留全部信息的基础上，通过递减的方式（减少数据存储量、数据分辨率等）进行压缩方式的传输；无损融合，该融合方式主要是在保留所有细节的前提下，去除冗余数据。如图1所示，数据的融合操作步骤通常是由高到底依次为：决策级融合、特征级融合及数据级融合[3]。

图1 数据融合的步骤

2.1 数据级融合

多维传感器最底层的数据融合服务对象是最前端的数据，通过对原始数据进行分析处理。多维传感器在进行图像目标识别工作时，需要对底层的原始图像像素进行融合；数据级的融合工作通常会面对海量数据，对海量数据进行融合的时间、难度通常较高，且同时进行数据级融合的抗干扰性要求较高。由于一般的传感器数据采集稳定性有所欠缺，通常还存在不确定性。因此这就要求多维传感器在融合数据的同时需要具备一定的纠错能力。在该研究领域常用的数据融合算法一般为：代数法、Wavelet transform等。

2.2 特征级数据融合

大数据背景下利用多维传感器进行的特征级数据融合的主要工作是被监测者的特征融合，该信息来源主要是传感器采集的原始信息，从该信息中找出反映事物属性的数据，对其加以分析和整理，该步骤属于多维传感器数据融合的中间步骤。特征级数据融合的一般步骤包括：首先，系统会根据2.1部分获得的数据级预处理结果进行数据的特征提取；其次，系统算法将会根据提取特征以后的数据特征对数据快速进行特征融合；最后，系统会根据不同特征的数据级进行区别性的数据属性描述。

2.3 决策级数据融合

多维传感器在基础数据和中间步骤的基础上，再对数据进行特征提取、数据分类及逻辑运算处理，为多维传感器的核心决策环节提供辅助[4]。决策及数据融合属于多维传感器中最高级别的数据融合，该过程具有容错性、实时性好的特征，在工作中当气体传感器出现故障时，该部分仍能工作出决策。决策级数据的融合步骤包括：首先，对决策级数据进行预处理，剔除不属于决策级数据的数据集、数据等；其次，对决策级数据进行特征提取，得到不同特征说明的决策级数据；再次，对不同说明下的决策级数据进行说明和融合；最后，对融合完成以后的决策级数据进行再次说明，得到完整的决策级数据融合结果。

3 深度置信网络基础下的数据融合算法

深度置信网络又称DBN算法是机器学习之神经网络的一种。深度置信网络与传统的神经网络在结构方面和数据模型生成方面具有一定的相似性，都包含了隐藏层、标签神经元、联合记忆层等结构。深度置信网络数据融合算法具有应用范围广、网络可拓展性强等优势，如今已经成为数据融合算法中最为常见的算法类型之一，被广泛应用于语言识别、图像识别等领域。

3.1 深度置信网络（DBN）结构

图2所示为典型的深度置信网络结构。在该网络结构中，联合记忆层包含了标签神经元、顶层神经元以及隐含层神经元等部分，属于整个结构的最顶层，类似于人体的大脑；两个隐含层位于结构的中间部位，主要负责判定模型权重和生成模型权重等，相当于人体的血管等；最下层的RBM层是受限玻尔兹曼机，是一种基于数据集学习概率分布的神经网络模型，可以对数据模型权重进行训练，得到所有不同数据权重模型中的最佳权重[5]。

图2 BDN结构

3.2 深度置信网络训练过程

如图3所示为深度置信网络（DBN）算法训练过程。系统工作时会首先训练第一个RBM，通过算法确定第一个RBM的权重等参数，将这一RBM的权重等参数作为训练第二个RBM以及后续其他RBM的依据；其次，系统会根据第一个RBM的训练结果对第二个RBM进行训练并将第二个RBM的训练结果与第一个RBM的训练结果进行叠加，得到后续第三个RBM训练的依据；最后，系统会根据第二个和第一个RBM的训练结果进行多次后续数据的重复训练，如果对应的神经元打开则设置为1，如果对应的神经元关闭则设置为0。

图3 DBN训练过程

（1）DBN的训练过程可以被看作是多层 RBM模型的训练过程。DBN既可以被当做用于判别RBM模型的神经网络，也可以被当作是一种生成多层 RBM的模型算法。DBN的训练过程是一种非监督贪婪逐层法对多层 RBM进行预训练从而获得相应权值的过程。

（2）DBN的训练过程是一种层次较为分明的过程。每一层的训练都需要在充分的数据向量基础上进行推断隐层，然后将多种隐层进行串联从而得到一个DBN。在所有不同的DBN中，上一个DBN都是下一个DBN的训练基础；上一个RBM的隐层都是下一个RBM的显层。

（3）神经元是多维传感器融合过程算法体系中的重要组成部分。DBN由若干个不同的神经元层构成，而构成不同神经元层的是DBN网络结构的可视层和隐层，二者之间通过神经网络连接，但层内单元间不存在网络连接，为相互独立层。

3.3 DBN算法本质

从非监督学习来讲，其目的是尽可能地保留原始特征的特点，同时降低特征的维度。从监督学习来讲，其目的在于使得分类错误率尽可能地小。而不论是监督学习还是非监督学习，DBN算法本质都是Feature Learning的过程，即如何得到更好的特征表达[6]。

4 结语

随着大数据的发展以及科研者的不断研发，多维传感器数据融合已经得到了一定的完善，数据融合的基础理论、兼有鲁棒性和准确性的融合算法都有所提高。实现技术将不断地得到更新，实际应用将不断地被扩展。多传感器数据融合技术必将不断地走向成熟。