测量数据处理的信息测度方法

Measurement data processing includes obtaining the target information and the evaluation of it. From the perspective of information measurement, in this project, we will use the information theory method to deal with the measurement data, making a breakthrough in the dynamic measurement with limited samples and the entanglement in measurement uncertainty (MU). As a result, we will propose a particle filter which can be adaptive for prior information and the method of MU estimation based on Fisher information. And the detailed work includes: 1) designing the particle filter by using Rényi entropy and Tsallis entropy to improve the accuracy of dynamic measurement with limited samples; 2) Based on the Fisher information and Extreme Fisher information (EFI) principle, proposing an MU estimation method, which can consider the different behaviors of the uncertainty effects and the law governing the system under measurement at the same time and dynamically evaluate MU avoiding identifying and compensating the effects of the experiment one by one; 3) By using Fisher information matrix and EFI principle, we will develop the proposed MU estimation method for multidimensional measurement, which can evaluate the measurement result by comparing the MU matrix.

通过样本获得测量目标信息并对其完备性与可靠性进行评价是测量数据处理的重要内容。本项目拟从信息度量角度，拓展传统测量数据处理方法为信息处理方法，突破测量数据处理理论所面临的小样本动态测量不准确、不确定度来源难以界定等瓶颈，获得自适应先验信息的粒子滤波器模型及基于Fisher信息的单维/多维测量不确定度估计方法。拟具体展开如下研究：1）引入Rényi熵与Tsallis熵构建粒子滤波器非线性模型，提高小样本下动态非线性系统的测量准确度；2）基于Fisher信息，在极限Fisher信息原理下，建立测量不确定度直接估计模型，通过此模型实现对被测系统不同因素的共同物理效应的定量刻画，完成在无需一一界定测量干扰来源的情况下，对测量不确定度的动态估计；3）通过Fisher信息矩阵与极限Fisher信息原理，建立多维测量不确定度估计模型，推导测量不确定度矩阵，通过比较矩阵，完成对多次多维测量结果评价。

从测量样本中高效获得被测量信息，并对其进行有效评价，特别是针对动态系统的测量、不确定度来源相互纠缠甚至难以界定等情况，一直是测量科学的重要研究内容。本项目从信息度量的角度出发，引入多种信息测度，聚焦测量数据处理，对被测量信息高效获取、可信评价及其相关应用进行研究。在动态系统测量信息获取方面，引入Rényi熵与Tsallis熵，并基于相关熵等测度，构建了基于推广高斯核的多种滤波算法，通过实验验证，效果良好。在不确定度评价方面，首先引入Fisher信息，在极限Fisher信息原理下，建立了一维及多维不确定直接估计模型。然后基于Rényi熵与Tsallis熵与Fisher信息的相互转换关系，对该模型进行了优化，经验证，该模型能有效刻画测量边界信息。同时，利用多种信息测度，引入数据质量预判准则，有效减少了后续测量数据处理压力，如：神经网络数据计算负担。将模型应用于剩余寿命估计、图像恢复等方面，取得了良好的效果。本项目的研究成果，推进了测量基础理论与信息论的结合，及其在目标跟踪、图像重建、可靠性估计等方面的实际应用。为我国突破瓶颈，研究实用高可靠性信息获取技术提供一定基础。