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技术方案

本发明专利技术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。本发明专利技术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。降低了相互间的通讯传输成本。降低了相互间的通讯传输成本。

【技术实现步骤摘要】
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


[0001]本专利技术属于复杂动态系统感知研究
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]针对现有基于超图的感知特征融合存在的问题，本专利技术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。
[0006]本专利技术针对上述技术问题提出的技术方案如下：
[0007]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：
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]步骤五，将高阶超拉普拉斯潜在低秩表示模型分解后的基础部分图像F
a1
＝X1Z1和F
a2
＝X2Z2进行融合，得到基础部分融合图像F
a
。
[0013]步骤六，将高阶超拉普拉斯潜在低秩表示模型分解后的显著部分图像F
b1
＝L1X1和F
b2
＝L2X2进行融合，得到显著性部分融合图像F
b
。
[0014]步骤七，将F
a
和F
b
进行融合，得到最终融合图像F。
[0015]所述步骤一中，构造超图的方法具体步骤如下：
[0016]对于每种模态m的特征描述，构造每个超图G
(m)
＝(v
(m)
，ε
(m)
，w
(m)
)，m＝1，2；其中v
(m)
表示顶点集，数据集中的每个样本对应超图中的一个顶点；ε
(m)
表示超边集，在该超图中，依次以每个顶点为中心，找到与其最近的k个点构建对应的超边，每条超边对应一个中心点，且每条超边链接k个顶点；w
(m)
表示超边的权重值集合，每个超边的权重用w(e
j
)表示。超图G
(m)
的相关矩阵N表示超图G的顶点数，等价于N＝|v|；N
e
表示超边的总数，等价于N
e
＝|ε|。H
(m)
中的元素h
ij
表示顶点v
i
是否与超边e
j
中的顶点连接，计算公式如下：
[0017][0018]分别使用如下公式计算超图中顶点的度和超边的度
[0019][0020][0021]所述步骤二，具体过程如下：
[0022]设D
v
是包含顶点度的对角矩阵，D
e
为超边度的对角矩阵，W为超边权值的对角矩阵，同时将获得的超图相关矩阵使用串联的方式拼接在一起，即这极大地拓宽了特征空间，从而得到更加丰富的特征表示。然后求取统一的超图拉普拉斯矩阵L，计算公式如下：
[0023][0024]其中，表示的转置矩阵，I为单位矩阵。
[0025]所述步骤三的具体过程如下：
[0026]将超图拉普拉斯正则项引入潜在低秩表示模型框架中，根据超图的定义，使同一
超边内的数据点对应的低秩系数彼此相似，用对每个超边e内给定数据点之间的成对距离的总和进行加权。高阶拉普拉斯正则化潜在低秩表示模型形式为：
[0027][0028]st.X＝XZ+TZ+E
[0029]最后，通过代数运算，得到矩阵形式的高阶拉普拉斯正则化潜在低秩表示(High
‑
order Laplacian regularizationLatLRR)模型：
[0030][0031]st.X＝XZ+TZ+E
[0032]其中，X表示源图像，Z表示图像的低秩矩阵，T表示图像的显著性矩阵，E表示图像的噪声部分，||Z||
*
表示Z的核范数，||T||
*
表示T的核范数；||E||
2，1
表示分别对红外图像的噪声部分和可见光的噪声部分进行L
2，1
范数正则化约束；Z
′
表示Z的转置矩阵，γ为平衡噪声参数，β为超图拉普拉斯正则化平衡系数；L表示求得的超拉普拉斯矩阵。γ和β为经验值，在一个示意性实施例中，γ和β的取值范围均为[0.001，0.01，0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图低秩表示的复杂动态系统感知特征融合方法，其特征在于，该方法包括以下步骤：步骤一，使用智能体中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；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迭代求解，得到不同模态图像的基础部分X
m
Z
m
和显著部分L
m
X
m
，同时对噪声部分E
m
进行舍弃；步骤五，将高阶超拉普拉斯潜在低秩表示模型分解后的基础部分图像F
a1
＝X1Z1和F
a2
＝X2Z2进行融合，得到基础部分融合图像F
a
；步骤六，将高阶超拉普拉斯潜在低秩表示模型分解后的显著部分图像F
b1
＝L1X1和F
b2
＝L2X2进行融合，得到显著性部分融合图像F
b
；步骤七，将F
a
和F
b
进行融合，得到最终融合图像F。2.根据权利要求1所述的方法，其特征在于，所述步骤一中，构造超图的方法如下：对于每种模态m的特征描述，构造每个超图G
(m)
＝(v
(m)
，ε
(m)
，w
(m)
)，m＝1，2；其中v
(m)
表示顶点集，数据集中的每个样本对应超图中的一个顶点；ε
(m)
表示超边集，在该超图中，依次以每个顶点为中心，找到与其最近的k个点构建对应的超边，每条超边对应一个中心点，且每条超边链接k个顶点；w
(m)
表示超边的权重值集合，每个超边的权重用w(e
j
)表示；超图G
(m)
的相关矩阵N表示超图G的顶点数，等价于N＝|v|；N
e
表示超边的总数，等价于N
e
＝|ε|；H
(m)
中的元素h
ij
表示顶点v
i
是否与超边e
j
中的顶点连接，计算公式如下：分别使用如下公式计算超图中顶点的度d(v
i
)和超边的度d(e
j
)：)：3.根据权利要求1或2所述的方法，其特征在于，所述步骤二的具体过程如下：设D
v
是包含顶点度的对角矩阵，D
e
为超边度的对角矩阵，W为超边权值的对角矩阵，同时将获得的超图相关矩阵使用串联的方式拼接在一起，即然后求取统一的超图拉普拉斯矩阵L，计算公式如下：其中，表示的转置矩阵，I为单位矩阵。4.根据权利要求1或2所述的方法，其特征在于，所述步骤三的具体过程如下：
将超图拉普拉斯正则项引入潜在低秩表示模型框架中，根据超图的定义，使同一超边内的数据点对应的低秩系数彼此相似，用对每个超边e内给定数据点之间的成对距离的总和进行加权；高阶拉普拉斯正则化潜在低秩表示模型形式为：最后，通过代数运算，得到矩阵形式的高阶拉普拉斯正则化潜在低秩表示模型：其中，X表示源图像，Z表示图像的低秩矩阵，T表示图像的显著性矩阵，E表示图像的噪声部分，||Z||
*
表示Z的核范数，||T||
*
表示T的核范数；||E||
2，1
表示分别对红外图像的噪声部分和可见光的噪声部分进行L
2，1
范数正则化约束；Z
′
表示Z的转置矩阵，γ为平衡噪声参数，β为超图拉普拉斯正则化平衡系数；L表示求得的超拉普拉斯矩阵；γ和β为经验值，γ和β的取值范围均为[0.001，0.01，0.1，1，10，100]；由上式，在经过分解处理后，得到每幅图像的基础部分X
m
Z
m
、显著部分L
m
X
m
和噪声部分E
m
；在融合处理中，只采用分解得...

【专利技术属性】
技术研发人员：张强，陶体伟，王鹏飞，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：