一种多物理域特征信息融合方法

摘要

本发明公开了一种多物理域特征信息融合方法，包括：（1）通过测量工具获取工程事件中所需要的先验信息，去除其中的冗余信息，获得优化的特征信息集；（2）将优化的特征信息集中的每个特征信息值Xi转换成区间形式；（3）求取广义隐马尔科夫初始模型；（4）根据获得的广义隐马尔科夫初始模型λ，获取最优模型；（5）求得每个单物理域的最优的广义隐马尔科夫模型，再各单物理域最优模型参数间的耦合关系，合成联合的广义区间后验概率分布，完成获得多物理域特征信息融合。本发明的方法通过广义贝叶斯法则，建立不同工程中多物理域参数间的耦合关系，能有效的解决多物理域特征特征信息融合问题。

权利要求

1.一种多物理域特征信息融合方法，具体包括如下步骤：（1）获取各单物理域的特征信息集

通过测量工具获取工程事件中所需要的先验信息，去除其中的冗余信息，获得优化的特征信息集；

（2）将步骤（1）得到的特征信息集中的每个特征信息值Xk转换成区间形式,其中k为任一特征信息值的序号；

（3）求取广义隐马尔科夫初始模型，具体过程为：

首先根据工程实际情况，划分工程状态；

然后利用区间化了的特征信息值Xk以及划分的工程状态，求取状态转移概率矩阵A、观测概率矩阵B以及初始状态概率矩阵π，即可获得广义隐马尔科夫初始模型λ=（A,B,π），其中，上述各概率矩阵中的概率用广义区间概率取代；

（4）根据获得的广义隐马尔科夫初始模型λ，获取最优模型，具体为：（4.1）利用特征信息集中的观测序列O，通过前向后向算法，计算在所述广义隐马尔科夫初始模型λ下的区间概率P(O|λ)；

（4.2）利用特征信息集中的观测序列O，通过viterbi算法，选择所述广义隐马尔科夫初始模型λ对应的最优状态序列Q=q1q2…qT；

（4.3）利用所述观测序列O，通过Baum-Welch算法，调整所述初始模型λ的参数，直至P(O|λ)区间概率的上、下界都收敛为止，即得到最优的广义隐马尔科夫模型 （5）利用上述步骤求得每个单物理域的最优的广义隐马尔科夫模型， 再根据广义区间贝叶斯法则建立各单物理域最优模型参数间的耦合关系，合成联合的广义区间后验概率分布，即完成获得多物理域特征信息融合。

2.根据权利要求1所述的方法，其特征在于，所述的步骤（2）中将特征信息值Xk转换成的区间形式为[Xk-ε,Xk+ε]，其中， 为合成误差，ak为误差传递系数，εk为用于测量特征信息值Xk的测量工具的误差，其中k为任一特征信息值的序号。

3.根据权利要求1所述的方法，其特征在于，所述的步骤（2）中特征信息值Xk转换成的区间形式为[Xk-3σ,Xk+3σ]，此时，特征信息集中的特征信息值呈正态分布，σ为其标准差。

4.根据权利要求1-3之一所述的方法，其特征在于，所述广义区间贝叶斯法则用广义区间概率取代了经典贝叶斯法则中的概率，其定义如下：其中，Ei为工程中第i个事件，i=1,...,n，i为事件序号，n为正整数，A是与事件Ei有耦合关系的物理事件， 是求和符号，另外：c

dualp(A|Ej)＝1-p(A|Ej)，

c

p(A |Ej)+p(A|Ej)＝1；

式中，Ej为工程中第j个事件，j为任意事件序号， 是Ej的概率补 集，其概率和为c

1，A|Ej是A|Ej的概率补集，其概率和为1，dual是使语义封闭的运算符号。

5.根据权利要求1-3之一所述的方法，其特征在于，所述的工程事件为机床加工、智能检测或自动目标识别。

6.根据权利要求1-3之一所述的方法，其特征在于，所述的测量工具为传感器。

说明书

一种多物理域特征信息融合方法

技术领域

[0001] 本发明涉及信息处理领域，特别涉及一种多物理域特征信息融合的方法。 背景技术

[0002] 多物理域特征信息融合是在工程信息处理最重要组成部分，是利用计算机等技术对所有观测信息进行自动分析、综合来完成决策与估计任务。多物理域特征信息融合经常会遇到两类问题，一是由于测量工具的不精确性、信息的不完整性和随机性、以及先验知识的匮乏性而导致的特征信息不确定性问题；二是工程信息处理中的多物理域（如振动、温度、噪声和切削力等）特征信息如何融合问题。

[0003] 特征信息不确定性是工程建模和多物理域观测过程中不可避免的，要想找到一组能准确描述工程状态及性能的特征参数，建立这组特征参数的识别与预测模型，是一件十分困难的工作。尽管许多研究人员花费了大量时间进行着不断的努力，成效不大。以往对不确定性问题的研究方法，大多通过观测变量的精确概率来描述，只考虑了观测的随机性，而忽略了观测信息的不完整性和先验知识的匮乏性，这显然会减低结果的信任度。近年来，人们尝试用不精确概率去解决这一问题，并开始应用于工程领域，如传感器数据融合、可靠性估计、可靠性最优设计，以及不确定性设计方案等，其不精确区间概率的下界严格小于区间的上界，语义上无法形成闭 合，推理和论证复杂，计算难于处理。

[0004] 多物理域特征信息融合也是工程信息处理中的典型问题，目前的研究方法更多的是针对确定量，针对随机信息和不完整信息的研究较少，其中，比较典型的方法主要有两类：一类是Choi M.J等提出的多尺度高斯变量模型、Chamoin L等提出的蒙特卡罗（Monte Carlo）模拟法，加权平均法、卡尔曼滤波法、多贝叶斯估计法以及D-S证据推理法，这几种方法都是先假定了某种特殊的概率分布，使得观测的随机性和先验知识的匮乏性混淆在一起，从而限制了其应用；另外一类研究是基于隐马尔科夫模型及其相关扩展模型，其中，应用隐马尔科夫模型要解决3个基本问题：评估问题、解码问题以及训练问题，具体实现采用向前向后算法、Viterbi算法以及Baum-Welch算法完成，详见Lawre R.Rabiner的《A tutorial on Hidden Markov Models and selected applications in speech recognition》。隐马尔科夫模型通过易于观测向量序列的观察来描述工程中隐含的信息，以及通过不同物理量的观测向量序列与工程中隐含信息间的耦合关系处理多物理域信息融合问题，计算难于处理，而且隐马尔科夫模型也不能解决信息的不完整性和先验知识的匮乏性所带来的不确定性问题。

[0005] 在过去的研究中，对多物理域特征信息融合中特征信息不确定性以及特征信息如何融合的常常都是独立的，不能形成一个有机结合体，导致信息处理的可靠性、智能性低。只能解决一个或者一类问题，不能同时解决信息不确定性以及多物理域特征信息融合相结合的问题。

发明内容

[0006] 本发明的目的是针对现有工程信息处理研究方法的不足，提供一种多 物理域特征信息融合方法，既能解决工程中特征信息不确定性问题又能同时解决多物理域特征信息融合问题。

[0007] 实现本发明的目的所采用的具体技术方案如下：

[0008] 一种多物理域特征信息融合方法，具体包括如下步骤：

[0009] （1）获取特征信息集

[0010] 通过测量工具获取工程中所需要的先验信息，去除冗余信息，获得优化的特征信息集；

[0011] （2）将步骤（1）特征信息集中的每个特征信息值Xk转换成区间形式 [0012] 考虑测量工具测量过程中及其他的不确定性，通过误差理论把每个特征信息值Xk转换成区间形式，以增加测量的特征信息值的可靠性，其中k为任一特征信息的序号。 [0013] （3）求取广义隐马尔科夫初始模型

[0014] 首先根据工程实际情况，划分工程状态；

[0015] 然后利用区间化了的特征信息值Xk以及划分的工程状态，用求取隐马尔科夫初始模型类似方法，求取广义隐马尔科夫初始模型中的状态转移概率矩阵A、观测概率矩阵B以及根据检验求取初始状态概率矩阵π，其中，上述所有矩阵中概率用广义区间概率取代，即可获得广义隐马尔科夫初始模型λ=（A,B,π）；

[0016] 其中，广义隐马尔科夫模型是用区间取代隐马尔科夫模型中的特征信息值、用广义区间概率取代隐马尔科夫模型中概率，并与隐马尔科夫有机结合的模型。 [0017] 广义区间概率的理论基础是广义区间中的Kaucher算法。其区间概率 中的上、下界值大小，不受上界值大于下界值限制，上界值小于或者等于下界值都是许可的，语义封闭；

[0018] 广义区间概率满足逻辑一致性约束，如一个事件存在多种可能性Ei，那所有的可能区间概率的上界值相加与下界值相加结果都必须为1，即 与经典精确概率保持逻辑一致。

[0019] （4）根据广义隐马尔科夫初始模型λ及算法，获取最优模型。

[0020] （4.1）利用广义隐马尔科夫初始模型，以及特征信息集中的观测序列O，通过前向后向算法，计算在模型λ下的区间概率P(O|λ)。

[0021] （4.2）利用广义隐马尔科夫初始模型，以及特征信息集中的观测序列O，通过viterbi算法，选择模型λ对应最优状态序列Q=q1q2…qT。

[0022] （4.3）利用广义隐马尔科夫初始模型，以及特征信息集中的观测序列O，通过Baum-Welch算法，逐步改进初始模型参数，直至P(O|λ)区间概率的上、下界都收敛为止，即可得到最优的广义隐马尔科夫模型参数

[0023] （5）利用隐马尔科夫模型的双重随机过程结构，以及广义区间贝叶斯法则建立各单物理域最优模型参数间的耦合关系，合成联合的广义区间后验概率分布，即可获得多物理域特征信息融合的结果。

[0024] 其中，广义区间贝叶斯法则用广义区间概率取代了经典贝叶斯法则中的概率，其定义如下：

[0025]

[0026] 式中：A是与事件Ei有耦合关系的物理事件，另外有：

[0027] dualp(A|Ej)＝1-p(Ac|Ej)，p(A|Ej)+p(Ac|Ej)＝1；

[0028]

[0029] 根据上述得到的联合广义区间后验概率分布，获得多物理域特征信息融合的结果，即可对工程的状态和性能进行客观而准确评价，与基于历史数据的趋势的广义转移概率矩阵相结合，对工程的状态和性能进行预示。

[0030] 本发明与现有的技术相比，为同时解决特征信息融合中信息不确定性问题及多物理域特征信息如何融合提供新的理论、方法与技术，有以下优势：

[0031] 1）广义区间概率方法既考虑了不确定性事件中的随机性，又考虑了观测信息的不完整性和先验知识的匮乏性。

[0032] 2）广义区间概率方法提供了一种有效计算方法用于工程中量化信息和知识的不确定性，无需传统方法中的区间边界估计，并且支持概率推理，在观测数据不足、先验知识缺乏、参数分布未知的情况下，也能得到较好的结果。

[0033] 3）广义区间贝叶斯法则与隐马尔科夫模型相结合，既可以捕捉到不确定因素间的依赖及耦合关系，又具有很强的可扩展性和通用性。通过广义区间贝叶斯法则，建立不同工程中多物理域参数间的耦合关系，能有效的解决多物理域特征特征信息融合问题。 附图说明

[0034] 附图1是本发明多物理域特征信息融合方法实施方式的流程框图。 [0035] 附图2是本发明实施例机床加工过程状态监测的流程框图

具体实施方式

[0036] 本发明将通过以机床加工过程状态监测为例实施例作进一步的说明。 [0037] 参见附图2，

[0038] 1）获取机床加工的多物理域特征信息

[0039] 通过传感器对机床加工过程动态信号进行测试，获取机床加工的观测特征信息（振动、噪声、温度、切削力、切削速度、切削深度等），通过神经网络或小波分析等方法去除冗余信息，构建反映机床加工状态或动态性能优化的特征集；

[0040] 本实施例由于用于机床加工过程，选用传感器作为测量特征信息的测量工具。 [0041] 2）将机床加工特征信息值的每个特征信息值Xk转换成区间化形式 [0042] 考虑到传感器误差以及测量过程中的不确定性，通过误差理论中的误差合成理论或者3σ法则把优化了的机床加工特征信息值转换成区间形式，增加可靠性。机床加工特征信息值Xk进行区间化可以采用如下方法来实现，其中k为任一机床加工特征信息的序号：

[0043] 首先，根据已知用于测量特征信息值Xk的传感器的误差为εk，按照误差合成理论求得合成误差为 其中：ak为误差传递系数，则有机床加工特征信息值Xk的区间为[Xk-σ,Xkσ]。

[0044] 另外，如果机床加工特征信息集中的特征信息值呈正态分布，还可以先求标准差，然后按照用3σ法则求取，则有机床加工特征信息数据区间为[Xk-3σ,Xk3σ]。 [0045] 3）求取机床加工的广义隐马尔科夫初始模型

[0046] 首先根据机床加工实际情况，划分机床加工状态。然后利用区间化了的机床加工特征信息值Xk，用求取隐马尔科夫初始模型类似方法，求取广义隐马尔科夫初始模型中的状态转移概率矩阵A、观测概率矩阵B以及根据检验求取初始状态概率矩阵π，其中，上述所有矩阵中概率用广义区间概率取代，即可获得机床加工的广义隐马尔科夫初始模型λ=（A,B,π）；

[0047] 其中，广义隐马尔科夫模型是用区间取代隐马尔科夫模型中的特征信息值、用广义区间概率取代隐马尔科夫模型中概率，并与隐马尔科夫有机结合的模型。 [0048] 广义区间概率是广义区间和区间概率的推广，即把广义区间的中的区间上、下界用概率大小取代，其理论基础是广义区间中的Kaucher算法，把区间转换成了概率形式，其区间概率中的上、下界值大小，不受上界值大于下界值限制，上界值小于或者等于下界值都是许可的，语义封闭；

[0049] 广义区间概率满足逻辑一致性约束，如机床加工状态存在多种可能性Ei，那所有的可能状态的区间概率的上界值相加与下界值相加结果都必须为1，即 与经典精确概率保持逻辑一致。

[0050] 4）根据广义隐马尔科夫初始模型λ及算法，获取机床加工的最优模型。 [0051] （1）利用广义隐马尔科夫初始模型，以及机床加工特征信息集中的观测序列O，通过前向后向算法，计算在模型λ下的区间概率P(O|λ)。

[0052] （2）利用广义隐马尔科夫初始模型，以及机床加工特征信息集中的观测序列O，通过viterbi算法，选择模型λ对应最优状态序列Q=q1q2…qT。

[0053] （3）利用广义隐马尔科夫初始模型，以及机床加工特征信息集中的 观测序列O，通过Baum-Welch算法，逐步改进初始模型参数，直至P((O|λ)区间概率的上、下界都收敛为止，即可得到最优的机床加工广义隐马尔科夫模型参数

[0054] 5）利用隐马尔科夫模型的双重随机过程结构，以及广义区间贝叶斯法则建立机床加工各单物理域最优模型参数间的耦合关系，合成联合机床加工广义区间后验概率分布，获取机床加工多物理域特征信息融合的结果。

[0055] 其中，广义区间贝叶斯法则用广义区间概率取代了经典贝叶斯法则中的概率，定义如下：

[0056]

[0057] 式中：Ei机床加工过程状态相应的事件(i＝1,...,n，i为任意事件序号)，A是不机床加工过程状态有耦合关系的物理事件（振动、噪声、温度、切削力、切削速度、切削深度等)，另外有：

[0058]

[0059] dualp(A|Ej)＝1-p(Ac|Ej)，p(A|Ej)+p(Ac|Ej)＝1。

[0060] 式中：Ej机床加工过程状态相应的事件，j为任意事件序号， 是Ej的概率补集，c其概率和为1，A|Ej是A|Ej的概率补集，其概率和为1，dual是使语义封闭的运算符号。 [0061] 根据上述得到的联合广义区间后验概率分布，获得多物理域特征信息融合的结果，即可对机床加工的状态进行客观而准确评价，完成监测。与基于历史数据趋势的机床广义隐马尔科夫模型中的状态转移概率矩阵相 结合，还可对机床加工的状态进行预示。 [0062] 在步骤4)中，根据最优模型 利用上述第2）步，以及观测的特征信息集中的观测序列O，可获取单物理域的最优状态。

[0063] 上述实施例仅是本发明的方法的一个优选的方案，本发明的方法不局限与用于机床加工过程状态的监测，其他工程领域如智能检测，机器人，自动目标识别等多物理域特征信息融合都可适用等。