项目名称: 基于融合先验知识的机器学习的多传感器融合研究

项目编号: No.61305065

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 自动化技术、计算机技术

项目作者: 孙喆

作者单位: 清华大学

项目金额: 24万元

中文摘要: 基于机器学习的多传感器融合是一类新兴的融合方法。多传感器融合问题的特点和传统机器学习的特性决定了,基于传统机器学习的多传感器融合方法面临着本质性困难,其应用受到限制。另一方面,多传感器融合问题中包含丰富的先验知识,有效地利用这些知识能显著提高机器学习和以此为基础的多传感器融合的性能。本项目拟从理论、方法、应用三个层面对基于融合先验知识的机器学习的多传感器融合进行研究。首先,对于多传感器融合问题中的两类先验知识- - 模型类知识和分布类知识,分别以适当的数学模型加以描述,在此基础上对统计机器学习误差理论加以发展,建立多传感器融合背景下的融合先验知识的机器学习的误差界理论,同时建立训练样本分布与误差评价测度不一致条件下的误差界理论;然后在误差界的指导下,并考虑实际可操作性,建立基于融合先验知识的机器学习的多传感器融合方法;最后在电磁轴承系统实验平台上对提出的方法进行应用研究。

中文关键词: 先验知识;机器学习;电磁轴承;状态估计;

英文摘要: Machine-learning-based multisensor fusion is a new class of fusion methods. The characteristics of the multisensor fusion problems and the properties of conventional machine learning methods result in the fact that the fusion methods based on conventional machine learning will confront intrinsic difficulties and the application of these methods are very limited. On the other hand, in the multisensor fusion problems, much prior knowledge are available. If this knowledge is properly incorporated into learning methods, the performance of learning and the fusion based on learning will be significantly improved. This project focuses on multisensor fusion based on machine learning with incorporation of prior knowledge and intends to perform three levels of research: research on theories, on methods and on applications. More specifically, firstly, two kinds of knowledge in multisensor fusion problems, namely knowledge of model and knowledge of distribution, should be described by proper mathematical models; based on these descriptions, the theory of error bound in statistical learning should be improved and the error bound theory of learning with incorporation of prior knowledge in the context of multisensor fusion should be proposed, meanwhile, the error bound theory in the situation that measure of training sample di

英文关键词: Prior knowledge;Machine learning;Electromagnetic bearing;State estimation;

成为VIP会员查看完整内容
12

相关内容

【AI+军事】附PPT 《前瞻性分析:获得决策优势的方法》
专知会员服务
81+阅读 · 2022年4月17日
专知会员服务
116+阅读 · 2021年7月22日
923页ppt!经典课《机器学习核方法》,附视频
专知会员服务
104+阅读 · 2021年3月1日
基于生理信号的情感计算研究综述
专知会员服务
60+阅读 · 2021年2月9日
专知会员服务
80+阅读 · 2020年12月11日
基于深度学习的数据融合方法研究综述
专知会员服务
129+阅读 · 2020年12月10日
专知会员服务
70+阅读 · 2020年12月7日
深度学习驱动的知识追踪研究进展综述
专知
1+阅读 · 2021年11月15日
文本情感分析方法研究综述
专知
4+阅读 · 2021年4月20日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14日
基于深度学习的数据融合方法研究综述
专知
27+阅读 · 2020年12月10日
【机器学习】深入剖析机器学习中的统计思想
产业智能官
14+阅读 · 2019年1月24日
面向云端融合的分布式计算技术研究进展与趋势
中国计算机学会
18+阅读 · 2018年11月27日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
贝叶斯机器学习前沿进展
架构文摘
12+阅读 · 2018年2月11日
机器学习(17)之集成学习原理总结
机器学习算法与Python学习
19+阅读 · 2017年9月16日
基于LDA的主题模型实践(一)
机器学习深度学习实战原创交流
20+阅读 · 2015年9月9日
国家自然科学基金
14+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Table Enrichment System for Machine Learning
Arxiv
0+阅读 · 2022年4月18日
Arxiv
30+阅读 · 2021年6月30日
Arxiv
25+阅读 · 2018年1月24日
小贴士
相关VIP内容
【AI+军事】附PPT 《前瞻性分析:获得决策优势的方法》
专知会员服务
81+阅读 · 2022年4月17日
专知会员服务
116+阅读 · 2021年7月22日
923页ppt!经典课《机器学习核方法》,附视频
专知会员服务
104+阅读 · 2021年3月1日
基于生理信号的情感计算研究综述
专知会员服务
60+阅读 · 2021年2月9日
专知会员服务
80+阅读 · 2020年12月11日
基于深度学习的数据融合方法研究综述
专知会员服务
129+阅读 · 2020年12月10日
专知会员服务
70+阅读 · 2020年12月7日
相关资讯
深度学习驱动的知识追踪研究进展综述
专知
1+阅读 · 2021年11月15日
文本情感分析方法研究综述
专知
4+阅读 · 2021年4月20日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14日
基于深度学习的数据融合方法研究综述
专知
27+阅读 · 2020年12月10日
【机器学习】深入剖析机器学习中的统计思想
产业智能官
14+阅读 · 2019年1月24日
面向云端融合的分布式计算技术研究进展与趋势
中国计算机学会
18+阅读 · 2018年11月27日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
贝叶斯机器学习前沿进展
架构文摘
12+阅读 · 2018年2月11日
机器学习(17)之集成学习原理总结
机器学习算法与Python学习
19+阅读 · 2017年9月16日
基于LDA的主题模型实践(一)
机器学习深度学习实战原创交流
20+阅读 · 2015年9月9日
相关基金
国家自然科学基金
14+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员