面向未知相关性和任意概率分布的网络化多模态异类数据融合方法

The project is grounded in the integration of copula theory and Bayesian approaches for fusing data from disparate sources having complex correlation characteristics. The proposed technique requires no a priori knowledge of network connectivity or communications patterns. The copula-based methodology is researched that it could reveal the true nonlinear modal which allows one to build joint probability distributions with arbitrary underlying marginals and a desired inter-modal dependence. A mathematical foundation is established based on copula and Bayesian probabilistic theory, and the fusion algorithms are developed for disparate sensor data with unknown dependency and arbitrary marginal distributions. The mechanism and method to select the optimal copula function are investigated based on limited knowledge on the data, and the effectiveness on data fusion for different selections of copula function are analyzed. A complementary set of multi-level graphical modeling techniques are presented based on copula and Bayesian network, and corresponding inference algorithms are developed to provide the infrastructure for aggregating data from heterogeneous sources in a unified manner. The project will improve the greater fusion capabilities with handling correlations in information processing over a dynamic network and fusing data containing different probability distribution types.

该项目旨在研究基于Copula理论和贝叶斯概率为基础的网络化数据融合算法，使其对来自多源异类、具有复杂关联特性和混合概率分布的多模态数据具有融合的能力，且无需关于网络连通性或通信模式的先验知识。研究利用Copula理论揭示网络环境下具有任意分布和非线性关联特性的方法，构建具有数学上的相容性和一致性特征的Copula数据融合算法；研究选择合适Copula函数的机制，解决如何基于有限知识选择最优Copula函数的方法，分析不同的Copula函数选择对数据融合性能的影响；研究Copula网络的图形化建模与参数化方法，开发基于Copula网络的多变量多模态异类数据融合算法，使得该算法能够以一种统一可扩展的图模型方式在不同尺度上聚集、融合来自异类不同信息源的数据。项目研究成果将大大提高动态网络环境下如何有效处理相关性限制以及如何对具有不同概率分布类型的多模态异类数据进行融合的能力和性能。

网络化环境面临大量来自各种信息源的各种不同类型的数据，呈现出网络化、多模态、强相关、混合概率分布等诸多特性，如何从大量异类多源数据中获得信息以及如何从信息中获得知识将面临技术挑战，而网络化多模态异类数据融合技术无疑是应对该挑战的关键。项目开发了一种基于Copula理论和贝叶斯概率推理方法为根本基础的面向多模态异类数据融合算法，实现了基于Copula理论的双航迹融合方法，实现了局部航迹间关联性未知情况下的双传感器估计信息融合以及协同目标跟踪；并进一步研究建立了一种改进的相关性系数可在线计算基于Copula理论和重要性采样的异构传感器融合算法，提高了信息融合算法的计算效率和性能；研究了一种面向复杂关联性建模、基于最大熵原理的Copula函数选择机制；融合信息图、Copula理论及贝叶斯网络研究了图Copula网络，以及基于Copula网络的多变量多模态异类数据融合算法；分别研究了一种基于近似贝叶斯融合法则和近似Chernoff融合法则的高斯混合融合方法，以及基于高斯混合条件下局部后验最优航迹融合的非线性系统分布式状态估计算法，实现了网络化多传感器估计信息融合及目标跟踪的应用；针对网络化环境下无人集群的协同目标搜索、探测与融合跟踪等实际应用问题，研究了有界噪声条件下保通信连接的无人机网络化信息融合与运动控制一体化耦合设计方法，复杂环境和任务约束下基于传感器配置的协同区域搜索方法，以及受限通信条件下移动自组织网络的分布式信息融合方法；并对各种网络化数据融合算法的性能评估模型和方法进行了研究和仿真验证。项目研究成果对于提高网络化环境下具有多模态、强相关、混合概率分布的异类数据融合能力具有重要意义。