Злиття (або синтез) даних датчиків — це процес об'єднання даних датчиків або даних, отриманих з різних джерел, таким чином, що отримана інформація має меншу невизначеність, ніж як би ці джерела використовуються окремо. Наприклад, потенційно можна отримати більш точну оцінку місцезнаходження об'єкта, об'єднавши кілька джерел даних, таких як відеокамери та сигнали [en]. Термін зменшення невизначеності в цьому випадку може означати більш точний, більш повний або більш надійний або вказувати на результат виниклого погляду, наприклад стереоскопічний зір (розрахунок інформації про глибину шляхом комбінування двовимірних зображень з двох камер з дещо відмінними точками зору).
![image](https://www.wikidata.uk-ua.nina.az/image/aHR0cHM6Ly93d3cud2lraWRhdGEudWstdWEubmluYS5hei9pbWFnZS9hSFIwY0hNNkx5OTFjR3h2WVdRdWQybHJhVzFsWkdsaExtOXlaeTkzYVd0cGNHVmthV0V2WTI5dGJXOXVjeTkwYUhWdFlpOW1MMlk1TDBWMWNtOW1hV2RvZEdWeVgzTmxibk52Y2w5bWRYTnBiMjR1Y0c1bkx6SXlNSEI0TFVWMWNtOW1hV2RvZEdWeVgzTmxibk52Y2w5bWRYTnBiMjR1Y0c1bi5wbmc=.png)
Не вимагається, щоб джерела даних для процесу злиття походили від ідентичних датчиків. Можна розрізнити пряме злиття, непряме злиття та злиття вихідних даних з цих двох типів. Прямий синтез — це об'єднання даних датчиків із набору [en] датчиків, обчислювальних датчиків та історичних даних датчиків, тоді як непряме об'єднання використовує такі джерела інформації, як апріорні знання про навколишнє середовище та данні, створені людиною.
Злиття даних датчиків також відоме як (багатосенсорне) злиття даних є частиною [en].
Приклади датчиків
- Акселерометри
- Заходи електронної підтримки (Electronic Support Measures, ESM)
- Flash LIDAR
- Глобальна система позиціонування (GPS)
- Інфрачервона / тепловізійна камера
- Магнітні датчики
- MEMS
- Фазована решітка
- Радар
- Радіотелескопи, такі як запропонований квадратний кілометровий масив, найбільший датчик, коли-небудь створений
- LIDAR-сканування
- Сейсмічні датчики
- Сонар та інша акустика
- [en]
- Телекамера
- Додатковий [en]
Алгоритми
Злиття датчиків — це термін, який охоплює ряд методів і алгоритмів, у тому числі:
- Центральна гранична теорема
- Фільтр Калмана
- Баєсова мережа
- [en]
- Згорткова нейронна мережа
- Гаусові процеси
Приклади розрахунків
Нижче наведено два приклади розрахунків злиття датчиків.
Нехай і
позначають два вимірювання датчика з відхиленнями шуму
і
, відповідно. Один зі способів отримання комбінованого вимірювання
полягає у застосуванні [en], яке також використовується в рамках згладжувача з фіксованим інтервалом Фрейзера-Поттера, а саме
,
де — дисперсія комбінованої оцінки. Можна помітити, що об'єднаний результат є просто лінійною комбінацією двох вимірювань, зважених за їхніми відповідними дисперсіями шуму.
Іншим методом об'єднання двох вимірювань є використання оптимального фільтра Калмана. Припустимо, що дані генеруються системою першого порядку і нехай позначимо розв'язок рівняння Ріккаті фільтра. Застосовуючи правило Крамера в розрахунку підсилення, можна знайти, що коефіцієнт посилення фільтра визначається як:
Можна побачити, що коли перше вимірювання не зашумлене, фільтр ігнорує друге вимірювання і навпаки. Тобто, сукупна оцінка зважується відповідно до якості вимірювань.
Централізація проти децентралізації
При злитті даних датчиків централізація проти децентралізації стосується того, де відбувається злиття даних. При централізованому злитті клієнти просто пересилають усі дані до центру, а деяка сутність у центрі відповідає за кореляцію та об'єднання даних. У децентралізованому режимі клієнти несуть повну відповідальність за об'єднання даних. «У цьому випадку кожен датчик або платформу можна розглядати як інтелектуальний актив, який має певний ступінь автономії у прийнятті рішень».
Існує різні комбінації централізованих і децентралізованих систем.
Інша класифікація конфігурації датчиків відноситься до координації інформаційного потоку між датчиками. Ці механізми забезпечують спосіб вирішення конфліктів або розбіжностей і дозволяють розробити динамічно чутливі стратегії. Датчики мають надлишкову (або конкурентну) конфігурацію, якщо кожен вузол забезпечує незалежні вимірювання однакових властивостей. Цю конфігурацію можна використовувати для виправлення помилок при порівнянні інформації з кількох вузлів. Надлишкові стратегії часто використовуються зі злиттям на високому рівні у процедурах голосування. Додаткова конфігурація виникає, коли кілька джерел інформації надають різну інформацію про одні й ті ж ознаки. Ця стратегія використовується для об'єднання інформації на рівні сирих (необроблених) даних в алгоритмах прийняття рішень. Додаткові ознаки зазвичай застосовуються в задачах розпізнавання руху за допомогою нейронної мережі, прихованої моделі Маркова, методу опорних векторів, методів кластеризації та інших методів. Кооперативне злиття датчиків використовує інформацію, отриману кількома незалежними датчиками, щоб надати інформацію, яка була б недоступна з окремих датчиків. Наприклад, можна використовуються датчики, підключені до частин тіла, для визначення кута між ними. Кооперативна стратегія, стосовно датчиків, дає інформацію, яку неможливо отримати з окремих вузлів. Кооперативне злиття інформації можна використовувати для розпізнавання руху, [en], [en].
Рівні
Існує кілька категорій або рівнів злиття даних датчиків, які зазвичай використовуються.
- Рівень 0 — Вивірювання даних
- Рівень 1 — Оцінка об'єкта (наприклад, сигнал/ознака/об'єкт).
- Відстеження та виявлення/розпізнавання/ідентифікація об'єктів
- Рівень 2 — Оцінка ситуації
- Рівень 3 — Оцінка впливу
- Рівень 4 — Оцінка на рівні процесу (тобто керування датчиками)
- Рівень 5 — Оцінка на рівні користувача
Рівень злиття даних датчиків також можна визначити на основі типу інформації, яка використовується на вході алгоритму злиття. Точніше, злиття датчиків можна виконати, об'єднавши необроблені дані, що надходять з різних джерел, екстрапольовані ознаки або навіть рішення, прийняті окремими вузлами.
- Рівень даних — об'єднання на рівні даних (або раннє злиття) має на меті об'єднання необроблених даних з кількох джерел і представляти техніку злиття на найнижчому рівні абстракції. Це найпоширеніша техніка з'єднання датчиків у багатьох сферах застосування. Алгоритми злиття рівня даних зазвичай мають на меті об'єднати декілька однорідних джерел сенсорних даних для отримання більш точних і синтетичних показань. Коли використовуються портативні пристрої, стиснення даних є важливим фактором, оскільки збір необробленої інформації з кількох джерел створює величезний інформаційний простір, який може визначити зазначену проблему з точки зору пам'яті або пропускної здатності зв'язку для портативних систем. Злиття інформації на рівні даних має тенденцію генерувати великий простір даних, що уповільнює процедуру прийняття рішень. Крім того, злиття на рівні даних часто не може впоратися з неповними вимірюваннями. Якщо один з датчиків стає непотрібним через несправності, поломки або інші причини, ціла система може мати неоднозначні результати.
- Рівень ознак — ознака відповідає інформації, яка обчислена на борту кожним сенсорним вузлом. Потім ці ознаки надсилаються до вузла злиття, де обробляються алгоритмом злиття. Ця процедура створює менший інформаційний простір порівняно з рівнем даних, і це краще з точки зору обчислювального навантаження. Очевидно, важливо правильно вибрати ознаки, на основі яких будуть відбуватися процедури класифікації: вибір найбільш ефективного набору ознак має бути основним аспектом при розробці методу. Використання алгоритмів вибору ознак, які правильно виявляють корельовані ознаки та підмножини ознак, покращує точність розпізнавання, але зазвичай для цього потрібні великі навчальні набори, щоб можна було знайти найбільш значущу підмножину ознак.
- Рівень рішення — рівень рішення (або пізне) злиття — це процедура вибору гіпотези з набору гіпотез, породжених окремими (зазвичай слабшими) рішеннями кількох вузлів. Це найвищий рівень абстракції, він використовує інформацію, яка вже була опрацьована шляхом попередньої обробки даних або ознак. Основна мета об'єднання рішень полягає у використанні класифікатора метарівневого рівня, тоді як дані з вузлів попередньо обробляються з метою отримання з них ознак. Зазвичай об'єднання датчиків рівня рішення використовується для класифікації та розпізнавання активності, і два найпоширеніших підходи — це голосування більшістю та наївний Байєс. Переваги, що випливають із злиття рівня рішень, включають пропускну здатність зв'язку та покращену точність прийняття рішень. Це також дозволяє комбінувати гетерогенні датчики.
Застосування
Одним із застосувань злиття датчиків є [en], де дані системи глобального позиціонування та інерціальної навігаційної системи об'єднуються за допомогою різних методів, наприклад, розширеного фільтра Калмана. Це корисно, наприклад, для визначення положення літака за допомогою недорогих датчиків. Іншим прикладом є використання підходу об'єднання даних для визначення стану дорожнього руху (низький рух, затор, середній потік) із використанням зібраних акустичних даних, даних зображень і датчиків на узбіччі дороги. У сфері автономного водіння злиття датчиків використовується для об'єднання зайвої інформації від додаткових датчиків з метою отримання більш точного і надійного уявлення про навколишнє середовище.
Хоча технічно сучасні методи на основі згорткових нейронних мереж не є спеціальним методом злиття датчиків, однак, вони можуть одночасно обробляти дуже багато каналів сенсорних даних (наприклад, гіперспектральне зображення з сотнями смуг) і об'єднувати відповідну інформацію для отримання результатів класифікації.
Див. також
- [en]
- Дані (обчислювальна техніка)
- Добування даних
- [en] для поєднання незалежних тестів значущості
- [en]
- [en]
- [en]
- [en] (TML) — мова розмітки на основі XML, яка забезпечує злиття сенсорів.
Примітки
- Elmenreich, W. (2002). (PDF). Vienna, Austria: Vienna University of Technology. с. 173. Архів оригіналу (PDF) за 12 квітня 2022. Процитовано 11 квітня 2022.
- Haghighat, Mohammad Bagher Akbari; Aghagolzadeh, Ali; Seyedarabi, Hadi (2011). Multi-focus image fusion for visual sensor networks in DCT domain. Computers & Electrical Engineering. 37 (5): 789—797. doi:10.1016/j.compeleceng.2011.04.016.
- Li, Wangyan; Wang, Zidong; Wei, Guoliang; Ma, Lifeng; Hu, Jun; Ding, Derui (2015). A Survey on Multisensor Fusion and Consensus Filtering for Sensor Networks. Discrete Dynamics in Nature and Society (англ.). 2015: 1—12. doi:10.1155/2015/683701. ISSN 1026-0226.
- Badeli, Vahid; Ranftl, Sascha; Melito, Gian Marco; Reinbacher-Köstinger, Alice; Von Der Linden, Wolfgang; Ellermann, Katrin; Biro, Oszkar (1 січня 2021). Bayesian inference of multi-sensors impedance cardiography for detection of aortic dissection. COMPEL - The international journal for computation and mathematics in electrical and electronic engineering. ahead-of-print (ahead-of-print). doi:10.1108/COMPEL-03-2021-0072. ISSN 0332-1649.
- Ranftl, Sascha; Melito, Gian Marco; Badeli, Vahid; Reinbacher-Köstinger, Alice; Ellermann, Katrin; von der Linden, Wolfgang (31 грудня 2019). Bayesian Uncertainty Quantification with Multi-Fidelity Data and Gaussian Processes for Impedance Cardiography of Aortic Dissection. Entropy. 22 (1): 58. doi:10.3390/e22010058. ISSN 1099-4300.
{{}}
: Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом () - Maybeck, S. (1982). Stochastic Models, Estimating, and Control. River Edge, NJ: Academic Press.
- N. Xiong; P. Svensson (2002). . Information Fusion. с. 3(2):163–186. Архів оригіналу за 7 жовтня 2008. Процитовано 11 квітня 2022.
- Durrant-Whyte, Hugh F. (2016). Sensor Models and Multisensor Integration. The International Journal of Robotics Research. 7 (6): 97—113. doi:10.1177/027836498800700608. ISSN 0278-3649.
- Galar, Diego; Kumar, Uday (2017). eMaintenance: Essential Electronic Tools for Efficiency. Academic Press. с. 26. ISBN .
- Li, Wenfeng; Bao, Junrong; Fu, Xiuwen; Fortino, Giancarlo; Galzarano, Stefano (2012). Human Postures Recognition Based on D-S Evidence Theory and Multi-sensor Data Fusion. 2012 12th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (ccgrid 2012). с. 912—917. doi:10.1109/CCGrid.2012.144. ISBN .
- Fortino, Giancarlo; Gravina, Raffaele (2015). Fall-MobileGuard: a Smart Real-Time Fall Detection System. Proceedings of the 10th EAI International Conference on Body Area Networks. doi:10.4108/eai.28-9-2015.2261462. ISBN .
- Tao, Shuai; Zhang, Xiaowei; Cai, Huaying; Lv, Zeping; Hu, Caiyou; Xie, Haiqun (2018). Gait based biometric personal authentication by using MEMS inertial sensors. Journal of Ambient Intelligence and Humanized Computing. 9 (5): 1705—1712. doi:10.1007/s12652-018-0880-6. ISSN 1868-5137.
- Dehzangi, Omid; Taherisadr, Mojtaba; ChangalVala, Raghvendar (2017). IMU-Based Gait Recognition Using Convolutional Neural Networks and Multi-Sensor Fusion. Sensors. 17 (12): 2735. Bibcode:2017Senso..17.2735D. doi:10.3390/s17122735. ISSN 1424-8220. PMC 5750784. PMID 29186887.
- Guenterberg, E.; Yang, A.Y.; Ghasemzadeh, H.; Jafari, R.; Bajcsy, R.; Sastry, S.S. (2009). (PDF). IEEE Transactions on Information Technology in Biomedicine. 13 (6): 1019—1030. doi:10.1109/TITB.2009.2028421. ISSN 1089-7771. PMID 19726268. Архів оригіналу (PDF) за 30 квітня 2016. Процитовано 11 квітня 2022.
- Parisi, Federico; Ferrari, Gianluigi; Giuberti, Matteo; Contin, Laura; Cimolin, Veronica; Azzaro, Corrado; Albani, Giovanni; Mauro, Alessandro (2016). Inertial BSN-Based Characterization and Automatic UPDRS Evaluation of the Gait Task of Parkinsonians. IEEE Transactions on Affective Computing. 7 (3): 258—271. doi:10.1109/TAFFC.2016.2549533. ISSN 1949-3045.
- Gao, Lei; Bourke, A.K.; Nelson, John (2014). Evaluation of accelerometer based multi-sensor versus single-sensor activity recognition systems. Medical Engineering & Physics. 36 (6): 779—785. doi:10.1016/j.medengphy.2014.02.012. ISSN 1350-4533. PMID 24636448.
- Xu, James Y.; Wang, Yan; Barrett, Mick; Dobkin, Bruce; Pottie, Greg J.; Kaiser, William J. (2016). Personalized Multilayer Daily Life Profiling Through Context Enabled Activity Classification and Motion Reconstruction: An Integrated System Approach. IEEE Journal of Biomedical and Health Informatics. 20 (1): 177—188. doi:10.1109/JBHI.2014.2385694. ISSN 2168-2194. PMID 25546868.
- Chia Bejarano, Noelia; Ambrosini, Emilia; Pedrocchi, Alessandra; Ferrigno, Giancarlo; Monticone, Marco; Ferrante, Simona (2015). A Novel Adaptive, Real-Time Algorithm to Detect Gait Events From Wearable Sensors. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 23 (3): 413—422. doi:10.1109/TNSRE.2014.2337914. ISSN 1534-4320. PMID 25069118.
- Wang, Zhelong; Qiu, Sen; Cao, Zhongkai; Jiang, Ming (2013). Quantitative assessment of dual gait analysis based on inertial sensors with body sensor network. Sensor Review. 33 (1): 48—56. doi:10.1108/02602281311294342. ISSN 0260-2288.
- Kong, Weisheng; Wanning, Lauren; Sessa, Salvatore; Zecca, Massimiliano; Magistro, Daniele; Takeuchi, Hikaru; Kawashima, Ryuta; Takanishi, Atsuo (2017). (PDF). IEEE Robotics and Automation Letters. 2 (4): 2194—2200. doi:10.1109/LRA.2017.2723929. ISSN 2377-3766. Архів оригіналу (PDF) за 12 квітня 2022. Процитовано 11 квітня 2022.
- (PDF). Архів оригіналу (PDF) за 7 січня 2007. Процитовано 19 червня 2022.
- Blasch, E., Plano, S. (2003) «Level 5: User Refinement to aid the Fusion Process», Proceedings of the SPIE, Vol. 5099.
- J. Llinas; C. Bowman; G. Rogova; A. Steinberg; E. Waltz; F. White (2004). Revisiting the JDL data fusion model II. International Conference on Information Fusion. CiteSeerX 10.1.1.58.2996.
- Blasch, E. (2006) «Sensor, user, mission (SUM) resource management and their interaction with level 2/3 fusion[недоступне посилання з 01.05.2018]» International Conference on Information Fusion.
- . Архів оригіналу за 26 вересня 2020. Процитовано 11 квітня 2022.
- Blasch, E., Steinberg, A., Das, S., Llinas, J., Chong, C.-Y., Kessler, O., Waltz, E., White, F. (2013) "Revisiting the JDL model for information Exploitation, " International Conference on Information Fusion.
- Gravina, Raffaele; Alinia, Parastoo; Ghasemzadeh, Hassan; Fortino, Giancarlo (2017). Multi-sensor fusion in body sensor networks: State-of-the-art and research challenges. Information Fusion. 35: 68—80. doi:10.1016/j.inffus.2016.09.005. ISSN 1566-2535.
- Gao, Teng; Song, Jin-Yan; Zou, Ji-Yan; Ding, Jin-Hua; Wang, De-Quan; Jin, Ren-Cheng (2015). An overview of performance trade-off mechanisms in routing protocol for green wireless sensor networks. Wireless Networks. 22 (1): 135—157. doi:10.1007/s11276-015-0960-x. ISSN 1022-0038.
- Chen, Chen; Jafari, Roozbeh; Kehtarnavaz, Nasser (2015). A survey of depth and inertial sensor fusion for human action recognition. Multimedia Tools and Applications. 76 (3): 4405—4425. doi:10.1007/s11042-015-3177-1. ISSN 1380-7501.
- Banovic, Nikola; Buzali, Tofi; Chevalier, Fanny; Mankoff, Jennifer; Dey, Anind K. (2016). Modeling and Understanding Human Routine Behavior. Proceedings of the 2016 CHI Conference on Human Factors in Computing Systems - CHI '16. с. 248—260. doi:10.1145/2858036.2858557. ISBN .
- Maria, Aileni Raluca; Sever, Pasca; Carlos, Valderrama (2015). Biomedical sensors data fusion algorithm for enhancing the efficiency of fault-tolerant systems in case of wearable electronics device. 2015 Conference Grid, Cloud & High Performance Computing in Science (ROLCG). с. 1—4. doi:10.1109/ROLCG.2015.7367228. ISBN .
- Gross, Jason; Yu Gu; Matthew Rhudy; Srikanth Gururajan; Marcello Napolitano (July 2012). Flight Test Evaluation of Sensor Fusion Algorithms for Attitude Estimation. IEEE Transactions on Aerospace and Electronic Systems. 48 (3): 2128—2139. Bibcode:2012ITAES..48.2128G. doi:10.1109/TAES.2012.6237583.
- Joshi, V., Rajamani, N., Takayuki, K., Prathapaneni, N., Subramaniam, L. V. (2013). Information Fusion Based Learning for Frugal Traffic State Sensing. Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence.
- Mircea Paul, Muresan; Ion, Giosan; Sergiu, Nedevschi (18 лютого 2020). Stabilization and Validation of 3D Object Position Using Multimodal Sensor Fusion and Semantic Segmentation. Sensors. 20 (4): 1110. Bibcode:2020Senso..20.1110M. doi:10.3390/s20041110. PMC 7070899. PMID 32085608.
- Ran, Lingyan; Zhang, Yanning; Wei, Wei; Zhang, Qilin (23 жовтня 2017). A Hyperspectral Image Classification Framework with Spatial Pixel Pair Features. Sensors. 17 (10): 2421. Bibcode:2017Senso..17.2421R. doi:10.3390/s17102421. PMC 5677443. PMID 29065535.
Посилання
- Дискримінантний кореляційний аналіз (DCA) [ 11 червня 2018 у Wayback Machine.]
- Міжнародне товариство інформаційного злиття [ 2 квітня 2022 у Wayback Machine.]
- Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). . IEEE Transactions on Information Forensics and Security. 11 (9): 1984—1996. doi:10.1109/TIFS.2016.2569061. Архів оригіналу за 10 квітня 2022. Процитовано 11 квітня 2022.
Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет
Zlittya abo sintez danih datchikiv ce proces ob yednannya danih datchikiv abo danih otrimanih z riznih dzherel takim chinom sho otrimana informaciya maye menshu neviznachenist nizh yak bi ci dzherela vikoristovuyutsya okremo Napriklad potencijno mozhna otrimati bilsh tochnu ocinku misceznahodzhennya ob yekta ob yednavshi kilka dzherel danih takih yak videokameri ta signali en Termin zmenshennya neviznachenosti v comu vipadku mozhe oznachati bilsh tochnij bilsh povnij abo bilsh nadijnij abo vkazuvati na rezultat viniklogo poglyadu napriklad stereoskopichnij zir rozrahunok informaciyi pro glibinu shlyahom kombinuvannya dvovimirnih zobrazhen z dvoh kamer z desho vidminnimi tochkami zoru Zlittya danih datchikiv Eurofighter Ne vimagayetsya shob dzherela danih dlya procesu zlittya pohodili vid identichnih datchikiv Mozhna rozrizniti pryame zlittya nepryame zlittya ta zlittya vihidnih danih z cih dvoh tipiv Pryamij sintez ce ob yednannya danih datchikiv iz naboru en datchikiv obchislyuvalnih datchikiv ta istorichnih danih datchikiv todi yak nepryame ob yednannya vikoristovuye taki dzherela informaciyi yak apriorni znannya pro navkolishnye seredovishe ta danni stvoreni lyudinoyu Zlittya danih datchikiv takozh vidome yak bagatosensorne zlittya danih ye chastinoyu en Prikladi datchikivAkselerometri Zahodi elektronnoyi pidtrimki Electronic Support Measures ESM Flash LIDAR Globalna sistema pozicionuvannya GPS Infrachervona teplovizijna kamera Magnitni datchiki MEMS Fazovana reshitka Radar Radioteleskopi taki yak zaproponovanij kvadratnij kilometrovij masiv najbilshij datchik koli nebud stvorenij LIDAR skanuvannya Sejsmichni datchiki Sonar ta insha akustika en TelekameraDodatkovij en AlgoritmiZlittya datchikiv ce termin yakij ohoplyuye ryad metodiv i algoritmiv u tomu chisli Centralna granichna teorema Filtr Kalmana Bayesova merezha en Zgortkova nejronna merezha Gausovi procesiPrikladi rozrahunkivNizhche navedeno dva prikladi rozrahunkiv zlittya datchikiv Nehaj x1 displaystyle textbf x 1 i x2 displaystyle textbf x 2 poznachayut dva vimiryuvannya datchika z vidhilennyami shumu s12 displaystyle scriptstyle sigma 1 2 i s22 displaystyle scriptstyle sigma 2 2 vidpovidno Odin zi sposobiv otrimannya kombinovanogo vimiryuvannya x3 displaystyle textbf x 3 polyagaye u zastosuvanni en yake takozh vikoristovuyetsya v ramkah zgladzhuvacha z fiksovanim intervalom Frejzera Pottera a same x3 s32 s1 2x1 s2 2x2 displaystyle textbf x 3 sigma 3 2 sigma 1 2 textbf x 1 sigma 2 2 textbf x 2 de s32 s1 2 s2 2 1 displaystyle scriptstyle sigma 3 2 scriptstyle sigma 1 2 scriptstyle sigma 2 2 1 dispersiya kombinovanoyi ocinki Mozhna pomititi sho ob yednanij rezultat ye prosto linijnoyu kombinaciyeyu dvoh vimiryuvan zvazhenih za yihnimi vidpovidnimi dispersiyami shumu Inshim metodom ob yednannya dvoh vimiryuvan ye vikoristannya optimalnogo filtra Kalmana Pripustimo sho dani generuyutsya sistemoyu pershogo poryadku i nehaj Pk displaystyle textbf P k poznachimo rozv yazok rivnyannya Rikkati filtra Zastosovuyuchi pravilo Kramera v rozrahunku pidsilennya mozhna znajti sho koeficiyent posilennya filtra viznachayetsya yak Lk s22Pks22Pk s12Pk s12s22s12Pks22Pk s12Pk s12s22 displaystyle textbf L k begin bmatrix tfrac scriptstyle sigma 2 2 textbf P k scriptstyle sigma 2 2 textbf P k scriptstyle sigma 1 2 textbf P k scriptstyle sigma 1 2 scriptstyle sigma 2 2 amp tfrac scriptstyle sigma 1 2 textbf P k scriptstyle sigma 2 2 textbf P k scriptstyle sigma 1 2 textbf P k scriptstyle sigma 1 2 scriptstyle sigma 2 2 end bmatrix Mozhna pobachiti sho koli pershe vimiryuvannya ne zashumlene filtr ignoruye druge vimiryuvannya i navpaki Tobto sukupna ocinka zvazhuyetsya vidpovidno do yakosti vimiryuvan Centralizaciya proti decentralizaciyiPri zlitti danih datchikiv centralizaciya proti decentralizaciyi stosuyetsya togo de vidbuvayetsya zlittya danih Pri centralizovanomu zlitti kliyenti prosto peresilayut usi dani do centru a deyaka sutnist u centri vidpovidaye za korelyaciyu ta ob yednannya danih U decentralizovanomu rezhimi kliyenti nesut povnu vidpovidalnist za ob yednannya danih U comu vipadku kozhen datchik abo platformu mozhna rozglyadati yak intelektualnij aktiv yakij maye pevnij stupin avtonomiyi u prijnyatti rishen Isnuye rizni kombinaciyi centralizovanih i decentralizovanih sistem Insha klasifikaciya konfiguraciyi datchikiv vidnositsya do koordinaciyi informacijnogo potoku mizh datchikami Ci mehanizmi zabezpechuyut sposib virishennya konfliktiv abo rozbizhnostej i dozvolyayut rozrobiti dinamichno chutlivi strategiyi Datchiki mayut nadlishkovu abo konkurentnu konfiguraciyu yaksho kozhen vuzol zabezpechuye nezalezhni vimiryuvannya odnakovih vlastivostej Cyu konfiguraciyu mozhna vikoristovuvati dlya vipravlennya pomilok pri porivnyanni informaciyi z kilkoh vuzliv Nadlishkovi strategiyi chasto vikoristovuyutsya zi zlittyam na visokomu rivni u procedurah golosuvannya Dodatkova konfiguraciya vinikaye koli kilka dzherel informaciyi nadayut riznu informaciyu pro odni j ti zh oznaki Cya strategiya vikoristovuyetsya dlya ob yednannya informaciyi na rivni sirih neobroblenih danih v algoritmah prijnyattya rishen Dodatkovi oznaki zazvichaj zastosovuyutsya v zadachah rozpiznavannya ruhu za dopomogoyu nejronnoyi merezhi prihovanoyi modeli Markova metodu opornih vektoriv metodiv klasterizaciyi ta inshih metodiv Kooperativne zlittya datchikiv vikoristovuye informaciyu otrimanu kilkoma nezalezhnimi datchikami shob nadati informaciyu yaka bula b nedostupna z okremih datchikiv Napriklad mozhna vikoristovuyutsya datchiki pidklyucheni do chastin tila dlya viznachennya kuta mizh nimi Kooperativna strategiya stosovno datchikiv daye informaciyu yaku nemozhlivo otrimati z okremih vuzliv Kooperativne zlittya informaciyi mozhna vikoristovuvati dlya rozpiznavannya ruhu en en RivniIsnuye kilka kategorij abo rivniv zlittya danih datchikiv yaki zazvichaj vikoristovuyutsya Riven 0 Viviryuvannya danih Riven 1 Ocinka ob yekta napriklad signal oznaka ob yekt Vidstezhennya ta viyavlennya rozpiznavannya identifikaciya ob yektiv Riven 2 Ocinka situaciyi Riven 3 Ocinka vplivu Riven 4 Ocinka na rivni procesu tobto keruvannya datchikami Riven 5 Ocinka na rivni koristuvacha Riven zlittya danih datchikiv takozh mozhna viznachiti na osnovi tipu informaciyi yaka vikoristovuyetsya na vhodi algoritmu zlittya Tochnishe zlittya datchikiv mozhna vikonati ob yednavshi neobrobleni dani sho nadhodyat z riznih dzherel ekstrapolovani oznaki abo navit rishennya prijnyati okremimi vuzlami Riven danih ob yednannya na rivni danih abo rannye zlittya maye na meti ob yednannya neobroblenih danih z kilkoh dzherel i predstavlyati tehniku zlittya na najnizhchomu rivni abstrakciyi Ce najposhirenisha tehnika z yednannya datchikiv u bagatoh sferah zastosuvannya Algoritmi zlittya rivnya danih zazvichaj mayut na meti ob yednati dekilka odnoridnih dzherel sensornih danih dlya otrimannya bilsh tochnih i sintetichnih pokazan Koli vikoristovuyutsya portativni pristroyi stisnennya danih ye vazhlivim faktorom oskilki zbir neobroblenoyi informaciyi z kilkoh dzherel stvoryuye velicheznij informacijnij prostir yakij mozhe viznachiti zaznachenu problemu z tochki zoru pam yati abo propusknoyi zdatnosti zv yazku dlya portativnih sistem Zlittya informaciyi na rivni danih maye tendenciyu generuvati velikij prostir danih sho upovilnyuye proceduru prijnyattya rishen Krim togo zlittya na rivni danih chasto ne mozhe vporatisya z nepovnimi vimiryuvannyami Yaksho odin z datchikiv staye nepotribnim cherez nespravnosti polomki abo inshi prichini cila sistema mozhe mati neodnoznachni rezultati Riven oznak oznaka vidpovidaye informaciyi yaka obchislena na bortu kozhnim sensornim vuzlom Potim ci oznaki nadsilayutsya do vuzla zlittya de obroblyayutsya algoritmom zlittya Cya procedura stvoryuye menshij informacijnij prostir porivnyano z rivnem danih i ce krashe z tochki zoru obchislyuvalnogo navantazhennya Ochevidno vazhlivo pravilno vibrati oznaki na osnovi yakih budut vidbuvatisya proceduri klasifikaciyi vibir najbilsh efektivnogo naboru oznak maye buti osnovnim aspektom pri rozrobci metodu Vikoristannya algoritmiv viboru oznak yaki pravilno viyavlyayut korelovani oznaki ta pidmnozhini oznak pokrashuye tochnist rozpiznavannya ale zazvichaj dlya cogo potribni veliki navchalni nabori shob mozhna bulo znajti najbilsh znachushu pidmnozhinu oznak Riven rishennya riven rishennya abo pizne zlittya ce procedura viboru gipotezi z naboru gipotez porodzhenih okremimi zazvichaj slabshimi rishennyami kilkoh vuzliv Ce najvishij riven abstrakciyi vin vikoristovuye informaciyu yaka vzhe bula opracovana shlyahom poperednoyi obrobki danih abo oznak Osnovna meta ob yednannya rishen polyagaye u vikoristanni klasifikatora metarivnevogo rivnya todi yak dani z vuzliv poperedno obroblyayutsya z metoyu otrimannya z nih oznak Zazvichaj ob yednannya datchikiv rivnya rishennya vikoristovuyetsya dlya klasifikaciyi ta rozpiznavannya aktivnosti i dva najposhirenishih pidhodi ce golosuvannya bilshistyu ta nayivnij Bajyes Perevagi sho viplivayut iz zlittya rivnya rishen vklyuchayut propusknu zdatnist zv yazku ta pokrashenu tochnist prijnyattya rishen Ce takozh dozvolyaye kombinuvati geterogenni datchiki ZastosuvannyaOdnim iz zastosuvan zlittya datchikiv ye en de dani sistemi globalnogo pozicionuvannya ta inercialnoyi navigacijnoyi sistemi ob yednuyutsya za dopomogoyu riznih metodiv napriklad rozshirenogo filtra Kalmana Ce korisno napriklad dlya viznachennya polozhennya litaka za dopomogoyu nedorogih datchikiv Inshim prikladom ye vikoristannya pidhodu ob yednannya danih dlya viznachennya stanu dorozhnogo ruhu nizkij ruh zator serednij potik iz vikoristannyam zibranih akustichnih danih danih zobrazhen i datchikiv na uzbichchi dorogi U sferi avtonomnogo vodinnya zlittya datchikiv vikoristovuyetsya dlya ob yednannya zajvoyi informaciyi vid dodatkovih datchikiv z metoyu otrimannya bilsh tochnogo i nadijnogo uyavlennya pro navkolishnye seredovishe Hocha tehnichno suchasni metodi na osnovi zgortkovih nejronnih merezh ne ye specialnim metodom zlittya datchikiv odnak voni mozhut odnochasno obroblyati duzhe bagato kanaliv sensornih danih napriklad giperspektralne zobrazhennya z sotnyami smug i ob yednuvati vidpovidnu informaciyu dlya otrimannya rezultativ klasifikaciyi Div takozh en Dani obchislyuvalna tehnika Dobuvannya danih en dlya poyednannya nezalezhnih testiv znachushosti en en en en TML mova rozmitki na osnovi XML yaka zabezpechuye zlittya sensoriv PrimitkiElmenreich W 2002 PDF Vienna Austria Vienna University of Technology s 173 Arhiv originalu PDF za 12 kvitnya 2022 Procitovano 11 kvitnya 2022 Haghighat Mohammad Bagher Akbari Aghagolzadeh Ali Seyedarabi Hadi 2011 Multi focus image fusion for visual sensor networks in DCT domain Computers amp Electrical Engineering 37 5 789 797 doi 10 1016 j compeleceng 2011 04 016 Li Wangyan Wang Zidong Wei Guoliang Ma Lifeng Hu Jun Ding Derui 2015 A Survey on Multisensor Fusion and Consensus Filtering for Sensor Networks Discrete Dynamics in Nature and Society angl 2015 1 12 doi 10 1155 2015 683701 ISSN 1026 0226 Badeli Vahid Ranftl Sascha Melito Gian Marco Reinbacher Kostinger Alice Von Der Linden Wolfgang Ellermann Katrin Biro Oszkar 1 sichnya 2021 Bayesian inference of multi sensors impedance cardiography for detection of aortic dissection COMPEL The international journal for computation and mathematics in electrical and electronic engineering ahead of print ahead of print doi 10 1108 COMPEL 03 2021 0072 ISSN 0332 1649 Ranftl Sascha Melito Gian Marco Badeli Vahid Reinbacher Kostinger Alice Ellermann Katrin von der Linden Wolfgang 31 grudnya 2019 Bayesian Uncertainty Quantification with Multi Fidelity Data and Gaussian Processes for Impedance Cardiography of Aortic Dissection Entropy 22 1 58 doi 10 3390 e22010058 ISSN 1099 4300 a href wiki D0 A8 D0 B0 D0 B1 D0 BB D0 BE D0 BD Cite journal title Shablon Cite journal cite journal a Obslugovuvannya CS1 Storinki iz nepoznachenim DOI z bezkoshtovnim dostupom posilannya Maybeck S 1982 Stochastic Models Estimating and Control River Edge NJ Academic Press N Xiong P Svensson 2002 Information Fusion s 3 2 163 186 Arhiv originalu za 7 zhovtnya 2008 Procitovano 11 kvitnya 2022 Durrant Whyte Hugh F 2016 Sensor Models and Multisensor Integration The International Journal of Robotics Research 7 6 97 113 doi 10 1177 027836498800700608 ISSN 0278 3649 Galar Diego Kumar Uday 2017 eMaintenance Essential Electronic Tools for Efficiency Academic Press s 26 ISBN 9780128111543 Li Wenfeng Bao Junrong Fu Xiuwen Fortino Giancarlo Galzarano Stefano 2012 Human Postures Recognition Based on D S Evidence Theory and Multi sensor Data Fusion 2012 12th IEEE ACM International Symposium on Cluster Cloud and Grid Computing ccgrid 2012 s 912 917 doi 10 1109 CCGrid 2012 144 ISBN 978 1 4673 1395 7 Fortino Giancarlo Gravina Raffaele 2015 Fall MobileGuard a Smart Real Time Fall Detection System Proceedings of the 10th EAI International Conference on Body Area Networks doi 10 4108 eai 28 9 2015 2261462 ISBN 978 1 63190 084 6 Tao Shuai Zhang Xiaowei Cai Huaying Lv Zeping Hu Caiyou Xie Haiqun 2018 Gait based biometric personal authentication by using MEMS inertial sensors Journal of Ambient Intelligence and Humanized Computing 9 5 1705 1712 doi 10 1007 s12652 018 0880 6 ISSN 1868 5137 Dehzangi Omid Taherisadr Mojtaba ChangalVala Raghvendar 2017 IMU Based Gait Recognition Using Convolutional Neural Networks and Multi Sensor Fusion Sensors 17 12 2735 Bibcode 2017Senso 17 2735D doi 10 3390 s17122735 ISSN 1424 8220 PMC 5750784 PMID 29186887 Guenterberg E Yang A Y Ghasemzadeh H Jafari R Bajcsy R Sastry S S 2009 PDF IEEE Transactions on Information Technology in Biomedicine 13 6 1019 1030 doi 10 1109 TITB 2009 2028421 ISSN 1089 7771 PMID 19726268 Arhiv originalu PDF za 30 kvitnya 2016 Procitovano 11 kvitnya 2022 Parisi Federico Ferrari Gianluigi Giuberti Matteo Contin Laura Cimolin Veronica Azzaro Corrado Albani Giovanni Mauro Alessandro 2016 Inertial BSN Based Characterization and Automatic UPDRS Evaluation of the Gait Task of Parkinsonians IEEE Transactions on Affective Computing 7 3 258 271 doi 10 1109 TAFFC 2016 2549533 ISSN 1949 3045 Gao Lei Bourke A K Nelson John 2014 Evaluation of accelerometer based multi sensor versus single sensor activity recognition systems Medical Engineering amp Physics 36 6 779 785 doi 10 1016 j medengphy 2014 02 012 ISSN 1350 4533 PMID 24636448 Xu James Y Wang Yan Barrett Mick Dobkin Bruce Pottie Greg J Kaiser William J 2016 Personalized Multilayer Daily Life Profiling Through Context Enabled Activity Classification and Motion Reconstruction An Integrated System Approach IEEE Journal of Biomedical and Health Informatics 20 1 177 188 doi 10 1109 JBHI 2014 2385694 ISSN 2168 2194 PMID 25546868 Chia Bejarano Noelia Ambrosini Emilia Pedrocchi Alessandra Ferrigno Giancarlo Monticone Marco Ferrante Simona 2015 A Novel Adaptive Real Time Algorithm to Detect Gait Events From Wearable Sensors IEEE Transactions on Neural Systems and Rehabilitation Engineering 23 3 413 422 doi 10 1109 TNSRE 2014 2337914 ISSN 1534 4320 PMID 25069118 Wang Zhelong Qiu Sen Cao Zhongkai Jiang Ming 2013 Quantitative assessment of dual gait analysis based on inertial sensors with body sensor network Sensor Review 33 1 48 56 doi 10 1108 02602281311294342 ISSN 0260 2288 Kong Weisheng Wanning Lauren Sessa Salvatore Zecca Massimiliano Magistro Daniele Takeuchi Hikaru Kawashima Ryuta Takanishi Atsuo 2017 PDF IEEE Robotics and Automation Letters 2 4 2194 2200 doi 10 1109 LRA 2017 2723929 ISSN 2377 3766 Arhiv originalu PDF za 12 kvitnya 2022 Procitovano 11 kvitnya 2022 PDF Arhiv originalu PDF za 7 sichnya 2007 Procitovano 19 chervnya 2022 Blasch E Plano S 2003 Level 5 User Refinement to aid the Fusion Process Proceedings of the SPIE Vol 5099 J Llinas C Bowman G Rogova A Steinberg E Waltz F White 2004 Revisiting the JDL data fusion model II International Conference on Information Fusion CiteSeerX 10 1 1 58 2996 Blasch E 2006 Sensor user mission SUM resource management and their interaction with level 2 3 fusion nedostupne posilannya z 01 05 2018 International Conference on Information Fusion Arhiv originalu za 26 veresnya 2020 Procitovano 11 kvitnya 2022 Blasch E Steinberg A Das S Llinas J Chong C Y Kessler O Waltz E White F 2013 Revisiting the JDL model for information Exploitation International Conference on Information Fusion Gravina Raffaele Alinia Parastoo Ghasemzadeh Hassan Fortino Giancarlo 2017 Multi sensor fusion in body sensor networks State of the art and research challenges Information Fusion 35 68 80 doi 10 1016 j inffus 2016 09 005 ISSN 1566 2535 Gao Teng Song Jin Yan Zou Ji Yan Ding Jin Hua Wang De Quan Jin Ren Cheng 2015 An overview of performance trade off mechanisms in routing protocol for green wireless sensor networks Wireless Networks 22 1 135 157 doi 10 1007 s11276 015 0960 x ISSN 1022 0038 Chen Chen Jafari Roozbeh Kehtarnavaz Nasser 2015 A survey of depth and inertial sensor fusion for human action recognition Multimedia Tools and Applications 76 3 4405 4425 doi 10 1007 s11042 015 3177 1 ISSN 1380 7501 Banovic Nikola Buzali Tofi Chevalier Fanny Mankoff Jennifer Dey Anind K 2016 Modeling and Understanding Human Routine Behavior Proceedings of the 2016 CHI Conference on Human Factors in Computing Systems CHI 16 s 248 260 doi 10 1145 2858036 2858557 ISBN 9781450333627 Maria Aileni Raluca Sever Pasca Carlos Valderrama 2015 Biomedical sensors data fusion algorithm for enhancing the efficiency of fault tolerant systems in case of wearable electronics device 2015 Conference Grid Cloud amp High Performance Computing in Science ROLCG s 1 4 doi 10 1109 ROLCG 2015 7367228 ISBN 978 6 0673 7040 9 Gross Jason Yu Gu Matthew Rhudy Srikanth Gururajan Marcello Napolitano July 2012 Flight Test Evaluation of Sensor Fusion Algorithms for Attitude Estimation IEEE Transactions on Aerospace and Electronic Systems 48 3 2128 2139 Bibcode 2012ITAES 48 2128G doi 10 1109 TAES 2012 6237583 Joshi V Rajamani N Takayuki K Prathapaneni N Subramaniam L V 2013 Information Fusion Based Learning for Frugal Traffic State Sensing Proceedings of the Twenty Third International Joint Conference on Artificial Intelligence Mircea Paul Muresan Ion Giosan Sergiu Nedevschi 18 lyutogo 2020 Stabilization and Validation of 3D Object Position Using Multimodal Sensor Fusion and Semantic Segmentation Sensors 20 4 1110 Bibcode 2020Senso 20 1110M doi 10 3390 s20041110 PMC 7070899 PMID 32085608 Ran Lingyan Zhang Yanning Wei Wei Zhang Qilin 23 zhovtnya 2017 A Hyperspectral Image Classification Framework with Spatial Pixel Pair Features Sensors 17 10 2421 Bibcode 2017Senso 17 2421R doi 10 3390 s17102421 PMC 5677443 PMID 29065535 PosilannyaDiskriminantnij korelyacijnij analiz DCA 11 chervnya 2018 u Wayback Machine Mizhnarodne tovaristvo informacijnogo zlittya 2 kvitnya 2022 u Wayback Machine Haghighat Mohammad Abdel Mottaleb Mohamed Alhalabi Wadee 2016 IEEE Transactions on Information Forensics and Security 11 9 1984 1996 doi 10 1109 TIFS 2016 2569061 Arhiv originalu za 10 kvitnya 2022 Procitovano 11 kvitnya 2022