论文部分内容阅读
数据融合作为数据挖掘的重要部分,其通过综合数据各方面的特征,以提取出数据所蕴含的更大的价值。该技术已被广泛应用于计算机交互、健康监护、目标跟踪等领域。基于改进模糊C均值聚类的数据融合算法(RFCM)是一种经典且传统的融合算法,通过将RFCM应用到数据融合中,其具有自动对样本数据进行分类、聚类速度快等优点。此外,基于深度长短时记忆网络的数据融合算法(DLSTM)是一种基于深度学习的融合算法,其能维持数据间的关系且能很好地处理长期时序数列等优点。但任何一种单一的融合算法都存在局限性,因此本文对RFCM与DLSTM算法的不足进行创新与改进,提出了相应的改进算法。论文工作如下:1.提出了自适应模糊C均值聚类的数据融合算法。针对RFCM算法存在融合不精确、融合可信度较低等不足,本文引入了自适应系数,结合卡尔曼滤波原理和基于多层感知机的神经网络预测法,进行误差协方差的估计,并设计了一种融合策略,从而提出了一种自适应模糊C均值聚类的数据融合算法,即ARFCM算法。通过具有不同属性的合成数据集与真实数据集的仿真实验,将ARFCM算法与FCM、RFCM、RLS、KF、EFCM、FDP-FCM、IIFCM算法进行比较分析,验证了ARFCM算法在融合误差与融合效率方面的优势。2.提出了基于模糊C均值聚类的混合多传感器数据融合算法。针对AFCM算法随机初始化聚类中心易陷入局部最优的问题,本文给出了一种适用于任意数据集的相似性度量方式,在CH-CCFDAC算法中采用高斯核函数的局部密度度量,确定了初始聚类中心,结合AFCM算法设计了一种融合策略,提出了一种模糊C均值聚类的混合多传感器数据融合算法,即HFCM算法。通过与CH-CCFDAC、RLS、KF、AFCM、FCM、ARFCM融合算法在合成数据集与UCI数据库中的数据集进行对比仿真实验,结果表明HFCM算法优势明显。3.提出了基于长短时记忆网络的眼动跟踪数据融合算法。针对DLSTM算法不能进行并行计算以及不能获取全局信息的局限,本文根据眼动与跟踪数据的特点对其进行特征提取与特征处理,通过在DLSTM网络中引入CNN网络,开发了一种新的网络结构并设计了一种融合策略,提出了一种基于长短时记忆网络的眼动跟踪数据融合算法,即EyeLSTM算法。通过比较EyeLSTM算法与两种深度学习算法MLP、DLSTM在10组真实眼动数据集与10组真实跟踪数据集上的融合效果与各项指标值,实验结果表明,EyeLSTM算法在融合质量方面均表现良好。综上所述,本文所提出的算法均取得了良好的效果,但存在数据特征单一、参数数量多、算法的运行效率有待提高等问题,这是下一步要研究的工作。