下载文档原格式
基于深度学习的多模态数据融合算法研究多模态数据融合是指将来自不同模态的数据进行融合和整合，以提取更全面和准确的信息。
随着深度学习的快速发展，基于深度学习的多模态数据融合算法成为了研究热点。
本文将从算法原理、应用领域、研究挑战和未来发展等方面进行探讨，以期为相关领域的研究提供参考。
一、算法原理基于深度学习的多模态数据融合算法主要包括特征提取、特征融合和决策生成三个主要步骤。
首先，通过使用卷积神经网络（CNN）等深度学习方法从不同模态的数据中提取高维特征表示。
然后，利用神经网络中的连接机制将来自不同模态的特征进行融合。
最后，在决策生成阶段，通过使用适当的分类器或回归器对整合后的特征进行分类或回归分析。
二、应用领域基于深度学习的多模态数据融合算法在许多领域都有广泛应用。
在医学图像处理中，结构化（如MRI）和功能性（如PET）影像的融合可以提供更全面的诊断信息。
在自然语言处理中，将文本信息与图像或视频数据融合可以提高语义理解和情感分析的准确性。
在智能交通中，将传感器数据、视频图像和语音信息进行融合可以提高交通流量预测和智能驾驶系统的性能。
三、研究挑战基于深度学习的多模态数据融合算法面临着一些挑战。
首先，不同模态之间存在不一致性和异构性，如数据分布不同、尺度差异等，这会影响特征提取和特征融合的效果。
其次，多模态数据通常具有高维度和大规模特征，在深度学习算法中容易导致维数灾难和计算复杂度过高。
此外，在深度学习训练过程中需要大量标注样本进行监督学习，而多模态标注样本往往难以获取。
四、未来发展基于深度学习的多模态数据融合算法在未来有许多发展方向。
首先，在算法方面，可以进一步研究不同网络结构、损失函数以及正则化方法，以提高特征提取和特征融合的性能。
其次，可以探索无监督学习和半监督学习方法，以减少对大量标注样本的依赖。
此外，可以结合领域知识和先验信息，引入领域自适应和迁移学习的思想，提高算法在特定领域中的适应性和泛化能力。
基于深度学习的多模态数据融合与特征提取研究摘要：深度学习在近年来取得了显著的突破，并在各个领域得到广泛应用。
随着互联网的快速发展和大数据的普及，多模态数据的获取越来越容易。
多模态数据融合和特征提取是深度学习在多模态数据应用中的两个重要任务。
本文将对基于深度学习的多模态数据融合与特征提取进行探讨与研究。
引言：在现实生活中，我们常常遇到各种类型的数据，例如图像、文本、语音等。
多模态数据指的是包含了两种或多种不同类型数据的集合。
与传统的单一模态数据相比，多模态数据在表达能力和丰富性上更加强大。
因此，多模态数据的融合与特征提取具有重要的研究意义和应用价值。
一、多模态数据融合的方法多模态数据融合是将多个模态的数据进行有机结合，以实现更全面、准确的信息传递和表达。
基于深度学习的多模态数据融合方法通常包括以下几种：1. 基于特征融合的方法：该方法通过提取不同模态数据的特征，并将这些特征融合在一起，形成一个综合的特征向量。
常用的特征融合方法包括将特征进行拼接、求和、平均等操作。
深度学习模型如卷积神经网络（CNN）和循环神经网络（RNN）可以用于特征提取和融合。
2. 基于神经网络的方法：该方法通过构建一个端到端的神经网络模型，将多模态数据输入到网络中，并通过网络学习模态间的相关性，从而实现多模态数据的融合。
常见的深度学习模型包括多通道卷积神经网络（MC-CNN）、多输入多输出循环神经网络（MIMO-RNN）等。
3. 基于注意力机制的方法：该方法通过引入注意力机制，使网络能够自动学习不同模态数据的重要性权重，并根据权重对不同模态数据进行加权融合。
注意力机制可以通过深度学习模型自动学习得到，也可以通过先验知识进行设计。
二、多模态数据特征提取的方法特征提取在深度学习中起着至关重要的作用，它能够将数据转化为可供机器学习和模式识别算法使用的高层次数据表示。
在多模态数据中，不同模态数据的特征提取方法如下所示：1. 图像特征提取：图像是一种常见的多模态数据类型，它包含了丰富的视觉信息。
基于深度学习的数据融合方法研究基于深度学习的数据融合方法研究随着互联网和大数据时代的到来，数据收集和存储变得越来越容易。
然而，这也带来了一个新的挑战，即如何从这些海量的数据中提取有价值的信息。
数据融合在这个问题中扮演着至关重要的角色，它可以将来自不同源头的数据进行整合，从而得到更加准确、全面和可靠的结果。
深度学习作为一种机器学习的方法，通过从大规模数据中学习高层次的特征表示，可以为数据融合提供有力的支持。
本文将探讨基于深度学习的数据融合方法的研究。
首先，我们需要了解什么是数据融合。
数据融合是将来自不同数据源的信息进行整合，并利用整合后的数据来推断和预测有价值的信息。
这些数据源可以是来自不同传感器、设备或网络。
数据融合的目标是利用不同数据源的互补性来提高数据处理的准确性和可靠性。
传统的数据融合方法主要包括基于统计学的方法和基于模型的方法。
然而，这些方法往往依赖于特定的领域知识和特征提取方法，对于复杂的数据场景可能无法有效处理。
深度学习作为一种新兴的机器学习方法，其强大的特征学习和表示能力为数据融合提供了新的思路。
首先，深度学习可以通过学习多层次的特征表示来自动发现和提取数据中的重要信息。
其次，深度学习可以有效地处理高维数据和非线性关系，这对于处理复杂的数据融合问题尤为重要。
最后，深度学习还可以通过端到端的学习方式，避免手工设计特征和模型，从而减轻了数据融合任务的负担。
在基于深度学习的数据融合方法中，最常见的算法是神经网络模型。
神经网络模型是一种由多个神经元组成的复杂网络结构，其可以通过反向传播算法来学习数据中的映射关系。
神经网络模型在数据融合中可以应用于特征提取、特征融合和决策生成等任务。
例如，在传感器融合中，每个传感器可以视为一个输入层，通过多层神经网络进行特征提取和融合，最终输出一个综合的结果。
在目标跟踪任务中，可以利用深度学习模型学习目标的多个特征描述符，并通过特征融合的方式来预测目标的位置和动态信息。
深度学习中的异构数据处理与融合方法引言深度学习作为一种强大的人工智能技术，已经在图像识别、语音识别、自然语言处理等领域取得了巨大成功。
然而，现实世界中的数据往往是多样化和异构的，包括结构化数据、非结构化数据，文本、图像、音频等各种形式的数据。
如何有效地处理和融合这些异构数据，成为了深度学习研究的一个重要课题。
本文将就深度学习中的异构数据处理与融合方法展开讨论。
异构数据的特点异构数据是指在结构、语义、形式等方面存在差异的数据。
在深度学习领域，异构数据可以包括文本、图像、音频等多种形式。
这些数据的特点主要包括以下几个方面：1. 结构差异：不同类型的数据具有不同的结构特点，例如文本是由词语组成的序列，图像是由像素组成的矩阵。
2. 语义差异：不同类型的数据具有不同的语义信息，例如文本包含丰富的语义信息，而图像和音频则更加侧重于视觉和听觉信息。
3. 数据规模差异：不同类型的数据在规模上可能存在较大差异，例如文本数据可能非常庞大，而图像和音频数据则相对较小。
面对这些异构数据，传统的深度学习方法往往难以有效处理和融合，因此需要针对不同类型的数据提出相应的处理和融合方法。
异构数据的处理方法针对不同类型的异构数据，深度学习领域提出了一系列处理方法，包括但不限于：1. 文本数据处理：针对文本数据，常用的深度学习模型包括循环神经网络（RNN）、长短时记忆网络（LSTM）和Transformer等。
这些模型可以有效地捕捉文本数据中的语义信息，用于文本分类、情感分析等任务。
2. 图像数据处理：针对图像数据，卷积神经网络（CNN）是一种有效的深度学习模型，可以提取图像中的视觉特征，用于图像分类、目标检测等任务。
3. 音频数据处理：针对音频数据，循环神经网络和卷积神经网络也可以应用于音频识别、语音合成等任务。
4. 异构数据融合：在实际应用中，往往需要将不同类型的数据进行融合，以提高模型的性能。
常用的融合方法包括多模态融合和跨模态融合。
基于深度学习的多模态数据融合算法研究第1章：引言1.1 研究背景随着科技的发展和多媒体应用的广泛应用，多模态数据融合成为研究的热点之一。
多模态数据指的是来自不同源的具有不同特征的数据，例如图像、视频、文本、声音等。
传统的数据融合方法往往依赖于手工提取特征并进行融合，然而这种方法存在局限性，难以提取出高维度的特征和深层次的语义信息。
近年来，深度学习技术的快速发展为多模态数据的融合提供了新的解决方案。
1.2 研究目的和意义本文旨在通过研究基于深度学习的多模态数据融合算法，探索有效的融合方法，提高多模态数据融合的准确性和效率。
这将对各领域的多媒体应用，如计算机视觉、自然语言处理、音频处理等都具有重要的实际意义。
第2章：深度学习技术综述2.1 深度学习概述本节主要介绍深度学习的基本概念和主要技术原理，包括神经网络结构、反向传播算法、激活函数等基础知识。
同时还介绍了常用的深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等。
2.2 多模态数据处理在本节中，将详细介绍多模态数据的表示和处理方法。
包括图像、文本、声音等多种形式的数据输入和特征提取方法。
同时也将介绍多模态数据融合的常用策略，如早期融合、中间融合和后期融合等。
第3章：基于深度学习的多模态数据融合算法3.1 数据预处理由于多模态数据来源于不同的领域，其数据格式和分布也各不相同。
因此，在融合之前需要对多模态数据进行预处理，包括数据清洗、归一化和降噪等操作。
3.2 特征提取与选择本节主要介绍如何利用深度学习网络对多模态数据进行特征提取和选择。
通过卷积神经网络，可以有效地提取出图像数据的视觉特征。
对于文本数据，则可以利用循环神经网络提取语义特征。
在特征选择方面，可以借助注意力机制等方法，对关键特征进行选择。
3.3 融合策略本节将介绍多模态数据融合的不同策略，包括早期融合、中间融合和后期融合等。
早期融合是将不同模态的数据直接输入到一个深度学习模型中。
基于深度学习的跨模态数据融合研究及应用随着人们生产和日常生活中数据的不断增多，在这些数据中难免存在信息重复、相似度高的情况，以至于现代科技社会对跨模态数据融合技术提出了更高的要求。
跨模态数据融合技术是数据处理领域的一个重要部分，意在通过对多种数据进行融合，实现更加全面、深入的数据处理分析。
在这之中，深度学习作为跨模态数据融合技术的一个重要支撑，逐渐受到了广泛的关注和应用。
本文将从深度学习对跨模态数据融合技术的支撑，这一角度，对基于深度学习的跨模态数据融合进行研究及应用进行探讨。
一、深度学习在跨模态数据融合中的应用首先，深度学习是机器学习的一种，并依托于大量数据集的收集及运用，进行数据的自动化学习、模式识别及分类等等。
而在跨模态数据融合中，则需要将多种类型的数据进行某种程度的融合，实现多模态数据融合的目标。
跨模态数据融合中，深度学习作为一种前沿的机器学习技术，在自然语言处理、图像、音频等领域中，扮演着越来越重要的角色，其深度神经网络、人工神经系统等处理数据的工具、算法和技术都极其适合异构数据的融合。
在处理多个通道的跨模态数据中，深度学习算法可以将数据进行多方面的分析。
例如在图像和声音领域，深度学习可以通过将数据输入网络，转换为特征向量并进行相应的协同处理，从而获得更鲜明、深入的数据展现。
再例如在自然语言处理中，深度学习算法可以通过构造适当的神经网络模型，处理文本和语音数据中的语言特征融合问题，并生成更加适合人类阅读和理解的语言处理结果。
二、基于深度学习的跨模态数据融合研究基于深度学习的跨模态数据融合研究是在深度学习的技术基础上，探索数据融合现象的新模式，并用深度学习算法建立跨模态数据融合模型。
该研究的前提是数据来源不同，但又有相关性，因此需要针对联合数据的结构特征和间接连接关系，探寻并确定跨模态数据间的相似性和差异性，然后建立相应的网络，实现多种不同数据的融合。
最终，通过深度学习的算法和模型建立，实现跨模态数据融合的目标。
基于深度学习的多模态数据融合和分析算法研究标题：基于深度学习的多模态数据融合和分析算法研究摘要：多模态数据融合和分析在许多领域中都起着重要的作用。
随着深度学习技术的迅猛发展，研究人员对于如何利用深度学习算法来处理多模态数据的兴趣逐渐增加。
本论文主要研究了基于深度学习的多模态数据融合和分析算法。
首先，介绍了多模态数据融合和分析的背景和意义。
然后，详细阐述了深度学习的基本原理和常用算法。
接着，提出了一种基于深度学习的多模态数据融合和分析算法，并进行了实验验证。
最后，总结了研究结果，并对未来的研究方向进行了展望。
关键词：深度学习，多模态数据，融合和分析，算法1. 引言多模态数据是指来自不同传感器或不同源头的数据，如图像、文本、语音等。
这些数据在包含了丰富的信息的同时也带来了挑战。
传统的数据融合和分析方法往往需要手动设计特征或规则，效果受限且鲁棒性较差。
而深度学习技术通过自动学习数据表征，具有强大的表达能力和适应性，因此被广泛应用于多模态数据融合和分析领域。
2. 深度学习的基本原理和算法深度学习是一种模仿人脑神经网络结构进行学习的机器学习方法，通过多层次的非线性变换从数据中学习表征，并通过迭代优化算法提高模型的性能。
常用的深度学习算法有神经网络、卷积神经网络（CNN）、循环神经网络（RNN）等。
3. 多模态数据融合和分析算法研究基于深度学习的多模态数据融合和分析算法可分为两个阶段：特征提取和融合，以及模型训练和分析。
3.1 特征提取和融合针对多模态数据，可以使用不同的深度学习模型进行特征提取，如使用CNN提取图像特征，使用RNN提取文本特征等。
在特征提取的基础上，利用深度学习模型进行特征融合，最常见的方式是使用多层感知器（MLP）进行融合，将不同模态的特征进行拼接或加权求和。
3.2 模型训练和分析在特征融合后，利用深度学习模型进行模型训练和分析。
可以使用监督学习方法进行分类、回归等任务，也可以使用无监督学习方法进行聚类、降维等任务。
基于深度学习的多模态数据融合与情感识别技术研究多模态数据融合与情感识别技术在当今社会中起着越来越重要的作用。
随着互联网和社交媒体的普及，人们在日常生活中产生的数据变得越来越多样化和丰富化。
这些数据包括文本、语音、图像和视频等多种形式的内容。
为了更好地理解人类情感和行为，多模态数据融合与情感识别技术应运而生。
多模态数据融合与情感识别技术主要是通过将不同形式的数据整合在一起，从而获得更全面、准确的情感信息。
深度学习作为一种强大的人工智能算法，为多模态数据融合与情感识别技术提供了有力的支持。
首先，多模态数据融合是将来自不同模态的数据信息进行有效组合，形成更加全面和准确的情感识别结果。
例如，我们可以将文本、语音、图像和视频等数据进行融合，从而更全面地捕捉到人类的情感表达。
基于深度学习的多模态融合方法通常包括两个步骤：特征提取和特征融合。
在特征提取阶段，深度学习模型可以自动学习到数据中潜在的情感特征。
而在特征融合阶段，深度学习模型可以将提取出的特征进行融合，得到更全面的情感识别结果。
其次，情感识别是一项关键的任务，它可以帮助我们更好地理解人类情感和行为。
基于深度学习的情感识别方法通常采用循环神经网络（RNN）或卷积神经网络（CNN）等模型。
这些模型可以自动学习到数据中的情感信息，并准确地判断出人类的情感状态。
此外，深度学习模型还可以通过迁移学习的方法，将在其他任务上训练得到的知识迁移到情感识别任务中，从而提高情感识别的准确性和稳定性。
基于深度学习的多模态数据融合与情感识别技术在许多领域具有广泛的应用前景。
首先，在社交媒体分析中，多模态数据融合与情感识别技术可以帮助我们更好地理解用户在社交网络上的情感表达。
这对于电商平台和广告公司等进行用户行为分析和用户情感分析至关重要。
其次，在医疗领域，多模态数据融合与情感识别技术可以帮助医生和医学研究人员更好地理解患者的情感状态，并提供个性化的医疗服务。
此外，在智能交通系统中，多模态数据融合与情感识别技术可以帮助我们更好地理解驾驶员的情感状态，从而提高交通安全性和驾驶体验。
一种基于深度学习的多源异构数据融合方法深度学习技术在近年来得到了广泛应用，尤其是在多源异构数据融合领域。
多源异构数据融合是指对来自不同数据源、不同类型、不同结构的数据进行集成和分析，以获取更全面、准确、可信的信息。
本文提出了一种基于深度学习的多源异构数据融合方法，以解决数据融合过程中的挑战。
首先，我们需要对待融合的多源异构数据进行预处理，包括数据清洗、格式标准化、噪声去除等。
这一步是为了保证待融合数据的一致性和可比性，减少融合过程中的干扰。
接下来，我们将采用深度学习模型对预处理后的数据进行特征提取。
针对不同类型的数据，我们可以使用不同的深度学习模型，例如卷积神经网络（CNN）用于处理图像数据，循环神经网络（RNN）用于处理时序数据，递归神经网络（Recursive Neural Network, RNN）用于处理文本数据等。
通过深度学习模型的训练，我们可以得到数据的高级表达和特征。
然后，我们将利用多层感知机（Multilayer Perceptron, MLP）对提取得到的特征进行融合。
多层感知机是一种经典的深度学习模型，具有良好的非线性建模能力。
我们可以设计一个多层感知机网络，它的输入层对应于待融合的特征，隐藏层用于提取特征的高层表达，输出层用于生成最终的融合结果。
通过多层感知机的训练和优化，我们可以得到融合后的结果。
除了上述的基于深度学习的多源异构数据融合方法，还可以采用迁移学习的思想来解决数据融合中的挑战。
迁移学习是指将在一个领域上学习到的知识和经验应用到另一个相关领域的问题中。
我们可以将已经在其中一个领域上训练好的深度学习模型作为初始化参数，然后在目标领域上微调模型，以适应多源异构数据融合的任务。
这样可以避免从零开始训练模型，加快模型收敛速度，并提高融合结果的准确性。
总之，基于深度学习的多源异构数据融合方法具有很大的潜力和应用价值。
通过对待融合数据进行预处理、深度学习模型的特征提取、多层感知机的融合结果生成等步骤，可以获取更全面、准确、可信的信息。
第32卷 第4期 2017年8月天津科技大学学报Journal of Tianjin University of Science & TechnologyV ol. 32 No. 4 Aug. 2017收稿日期：2016–12–14；修回日期：2017–02–18 基金项目：天津市教委重大项目(2014ZD22)作者简介：马永军（1970—），男，山东日照人，教授，yjma@数字出版日期：2017–04–20；数字出版网址：/kcms/detail/12.1355.N.20170420.1445.006.html一种基于深度学习模型的数据融合处理算法马永军，薛永浩，刘 洋，李亚军(天津科技大学计算机科学与信息工程学院，天津 300457)摘 要：针对无线传感器网络传统数据融合算法效率较低、处理高维数据困难问题，提出一种基于深度学习模型的卷积神经网络结构实现数据融合的算法CNNMDA ．算法首先在汇聚节点对构建的特征提取模型CNNM 进行训练，然后各终端节点通过CNNM 提取原始数据特征，最后向汇聚节点发送融合后的数据，从而减少数据传输量，延长网络寿命．仿真实验表明，CNNMDA 与同类融合算法相比，在同样数据量的情况下能够大幅降低网络能耗，并有效提升了数据融合效率与准确度．关键词：数据融合；深度学习；无线传感器网络；卷积神经网络中图分类号：TP393；TP183 文献标志码：A 文章编号：1672-6510(2017)04-0071-04Data Aggregation Algorithm Based on the Model of Deep LearningMA Yongjun ，XUE Yonghao ，LIU Yang ，LI Yajun(College of Computer Science and Information Engineering ，Tianjin University of Science & Technology ，Tianjin 300457，China )Abstract ：Traditional methods of data fusion in wireless sensor networks (WSNs )are inefficient and not ideal for processing high-dimensional data ．Therefore ，a data aggregation algorithm CNNMDA (convolutional neural networks model data ag-gregation )was proposed ，which comb ined convolutional neural networks (CNN )and WSNs clustering routing protocol. A feature extraction model (CNNM )is designed by using CNNMDA firstly and then trained in Sink node ．After that the cluster nodes use CNNM to extract data features ，which are sent to the Sink node by cluster heads ，thereby reducing the quantity of data transmission and extend the network lifetime ．Simulation results show that compared with existing similar algorithms ，the energy consumption of CNNMDA decreases obviously and the accuracy of the data fusion can be effectively improved.Key words ：data aggregation ；deep learning ；wireless sensor networks ；convolutional neural network随着物联网技术的快速发展，无线传感器网络(wireless sensor networks ，WSNs )作为物联网感知层的核心组成部分，在各类环境监测领域得到了广泛应用[1]．而实际中各传感器节点多采用电池供电，导致网络内资源十分受限；大量节点由于地理位置分布不均，使得数据存在过多冗余信息[2]，从而增加了能量消耗与传输延时；此外，由于物联网应用环境普遍存在较多干扰，会直接减弱数据通信传输能力，并降低数据采集精度，影响了物联网系统整体性能． 为解决以上问题，针对WSNs 的数据融合技术应运而生，其主要思想是将多个不同源节点传来的数据进行融合，以消除冗余，减少数据传输量，从而提高网络性能、延长网络寿命并降低能耗．传统的融合算法多是基于BP 神经网络[3–7]、SOFM [8]等浅层网络模型，这些模型易出现过拟合、模型训练陷入局部极小、收敛速度过慢等问题，导致算法效率降低、特征提取分类能力变弱，且无法有效地处理高维数据．针对上述缺陷，深层模型的应用成为数据融合发展的一个新方向．2006年Hinton 等[9]提出“深度学习”的概念；此后，卷积神经网络DOI:10.13364/j.issn.1672-6510.20160407·72· 天津科技大学学报 第32卷 第4期(convolutional neural networks ，CNN )[10]、栈式自编码器(SAE )等模型被广泛应用．目前深度学习在数据融合领域已有研究，文献[11]和文献[12]提出使用深度学习中的SAE 模型对WSNs 数据进行特征融合，显著提高了融合的正确率；文献[13]结合深层模型与稀疏滤波算法，设计了BSSFM 模型提取数据特征，提升了融合的效率并降低了能耗．但使用SAE 等模型在训练过程都会产生大量权值参数，增加了模型训练的难度．本文将深度学习中的卷积神经网络结构引入到WSNs 数据融合应用中，提出以CNNM 作为特征提取模型的数据融合算法CNNMDA (convolutional neural networks model data aggregation )．算法利用CNN 权值共享的特性减少了训练参数，使得模型易于训练，并且能更好地处理高维数据．1 深度学习算法模型深度学习属于机器学习的一个分支，近年来已在多个领域取得突破性进展．其中卷积神经网络是深度学习中最重要的结构模型之一． 1.1 CNN 概念与网络结构卷积神经网络(CNN )是一种多层人工神经网 络[10]，其基本网络结构包括卷积层与池化层，其中卷积(convolution )层对输入层使用多个卷积核进行特征提取，得到多个特征图；池化(pooling )层是通过池化函数降低特征图的维度，并在保持准确率的情况下尽量控制过拟合，同时减少参数数量． 卷积神经网络典型结构如图1所示，其中Input 为输入层，经过卷积操作后得到卷积层Layer1，对Layer1进行池化操作得到池化层Layer2，再经过卷积和池化操作得到Layer3卷积层和Layer4池化层，最终由全连接层进行分类输出．图1 卷积神经网络结构图Fig. 1 Structure of convolutional neural network1.2 卷积池化过程原理卷积阶段首先通过多个卷积核对输入数据进行卷积操作，然后形成由多个特征图组成的卷积层．图2为卷积过程，假设输入数据是i 1×i 2的二维数组，使用n 个k 1×k 2的卷积核对输入特征图进行卷积，然后输出为n 个二维数组组成的特征图．图2 卷积阶段原理图Fig. 2 Workflow of convolution phase*j ij i j i y f w x b ⎛⎞=+⎜⎟⎝⎠∑ (1)式中：ij w 为每个卷积核的权重；j y 为输出的第j 个特征图；i x 为输入的第i 个特征图；j b 为可训练的偏置；f 为激励函数；常用的ReLU 激励函数表达式为()max(0,)f x x = (2)池化阶段可对卷积后的特征图降维，并有效防止过拟合，同时减少训练参数，从而降低模型训练时间. 目前常采用的池化方法有最大池化(max pooling )，其过程原理如图3所示．在一个4×4的特征图中，使用一个2×2的滤波器，以2为步长对特征图进行遍历，在每个滤波器遍历的区域内取最大值来代替该区域，遍历后得到图中所示新的2×2特征图．图3 池化阶段原理图Fig. 3 Workflow of pooling phase1.3 Logistic 回归Logistic 回归是一种常用且高效的分类器，具有无需事先假设数据分布和模型数学性质良好等诸多优点．卷积神经网络的最后一层一般为分类层，CNNMDA 采用Logistic 回归作为CNN 的分类层．Logistic 回归模型的假设函数为1()1e Txh x θθ=+ (3)该函数也称为对率函数，是任意阶可导的凸函数，()h x θ代表对于样本x 某事件发生的概率，θ为可训练的参数．在二分类问题中对于给定的样本x ，属于0类的2017年8月 马永军，等：一种基于深度学习模型的数据融合处理算法·73·概率为(0|;)1()P y x h x θθ==− (4)属于1类的概率为(1|;)()P y x h x θθ== (5)对于多分类问题，可使用one-vs-all 方法转化为二分类问题．2 CNNMDA 数据融合算法CNNMDA 算法基于深度学习模型，所使用的CNN 网络结构共含有3个卷积层、1个池化层和2个全连接层．在利用特征提取模型CNNM 对节点数据进行融合之前，需要完成该模型的训练．传统训练方法主要为反向传播算法，而CNNM 模型由于卷积层和池化层的存在，需要对反向传播算法进行相应的修改．CNNM 训练的损失函数为()()()11ln ()m i i i J y h x m θθ=⎡=−+⎢⎣∑()()()()1ln 1()i i y h x θ⎤−−⎥⎦训练的目标通过式(6)给出．()i i J θθαθθ∂=−∂ (6)不断迭代更新参数以最小化损失函数()J θ，其中θ为可训练的参数(包括卷积核的权重和偏置)，α为学习率．为求出偏导数()J θθ∂∂，对于卷积层有 11(()())l l l l j j j j f u up δβδ++′=⋅ (7)式中：l j δ为第l 层第j 个特征图的灵敏度；1l j β+为第1l +层第j 个特征图的参数．将l j δ代入式(8)和式(9)可以得到卷积核权重w 和偏置b 的导数．()()1,l l j i uv uv u vij Jp w δ−∂=∂∑ (8)(),l j uv u vj Jb δ∂=∂∑ (9)式中()1l i uv p −为第1l −层特征图与第l 层卷积核进行卷积操作的结果．此时，即可将式(8)和式(9)代入式(6)，完成一次卷积层的参数更新．对于池化层有 (1)(())l l l l j j j j f dow z z n b β−=+ (10)(1)1*l M l l j l ij k δβ+=Σ= (11)式中：l j z 代表第l 层的第j 个特征图；down 表示执行一次池化操作．通过式(10)和式(11)求得卷积核的权重与偏置的导数，如式(12)和式(13)所示，然后将其结果代入式(6)完成一次池化层的参数更新．(1)*l l j j lijJz w δ+∂=∂ (12),()l j uv u v j Jb δ∂=∂∑ (13)对于卷积神经网络最后的全连接层，仍采用传统的反向传播算法进行训练．利用式(6)—式(13)对反向传播算法进行改进，同时结合前向传播过程完成CNNM 模型的训练，最后得到模型参数，即可按算法实现CNNMDA ．具体算法步骤如下：(1)Sink 节点根据需要处理的数据类型，从相应数据库中提取含有标签信息的数据；(2)将训练数据输入至构建的CNNM 模型，开始训练CNNM ，然后Sink 节点将训练好的参数通过簇头发送至各终端节点；(3)各终端节点使用预训练的CNNM 模型，对采集的传感器数据进行多层卷积特征提取与池化，然后将融合得到的特征数据发送至相应的簇头节点，其中卷积与池化的过程就是数据融合的过程；(4)簇头节点利用Logistic 回归分类器对步骤(3)产生的融合数据进行分类，得到分类结果，并向Sink 节点发送融合数据；(5)网络完成一轮数据采集融合与传输过程，Sink 节点重新分簇和选取簇头节点，然后跳转到步骤(3)．通过本算法对簇节点传入的数据进行数据融合可减少其传出数据量的大小，从而大大降低能耗，提升网络性能．3 仿真实验采用Matlab 平台对数据融合算法进行仿真分析，以设施农业监测系统作为应用场景，按照第2节的算法完成CNNMDA 算法的仿真测试．为突出CNNM 深层模型数据融合的性能，采用基于浅层网络模型的代表算法BPNDA [7]和SOFMDA [8]进行对比分析．仿真参数见表1，其中节点数量和网络范围是指将100个传感器节点随机分布在100m ×100m 范围的感知区域内[7]．为对比各数据融合算法的效率，采·74·天津科技大学学报第32卷第4期用未优化的LEACH[14]协议，并按照第一类无线通信能耗模型[15]统计节点发送、接收和融合数据的能量消耗．表1仿真参数Tab. 1Simulation parameters参数取值参数取值网络范围 100,m×100,m 数据包长度2,000,bit节点数量 100个分簇消息长度 100,bitSink节点坐标(50，50)包头长度 100,bit节点初始能量 0.5,J 最大仿真轮数2,000卷积核大小3×3 卷积步长 1各算法的特征提取分类错误率见表2，其中n、d、c分别表示BP网络模型的网络层数、输入数据的维数以及数据分类数．从表2可以看出：对于低维少类别数据，CNNMDA算法的特征提取分类错误率与BPNDA和SOFMDA基本持平；随着输入数据维数的升高，浅层模型BP、SOFM的参数数量急剧增加，开始出现性能的下滑，导致错误率明显升高；相比之下，基于深度模型的CNNMDA错误率则始终保持在较低水平．表2不同算法的特征提取分类错误率Tab. 2Inaccuracy of feature extraction and classificationof different algorithm错误率/%,算法d＝200，c＝4 d＝600，c＝6d＝900，c＝12d＝2,500，c＝12BPNDA(n＝4) 7.3 15.6 18.5 27.0 BPNDA(n＝5) 7.0 13.1 15.1 24.8SOFMDA 6.7 12.7 14.9 23.5 CNNMDA 6.5 8.3 9.2 11.6各算法特征提取分类过程的平均耗时见表3．分析可知：CNNMDA相比BPNDA和SOFMDA，具有较高的执行效率，能够实现更快速的数据融合，并且基于CNN强大的降维能力，随着输入数据维数升高，CNNMDA相比另外两种算法的特征提取耗时大大缩短，表现出处理高维数据时的优势．表3不同算法的特征提取分类平均耗时Tab. 3Average time of feature extraction and classifica-tion of different algorithm耗时/ms算法d＝200，c＝4 d＝600，c＝6d＝900，c＝12d＝2,500，c＝12BPNDA(n＝4) 4.60 7.49 9.01 38.26 BPNDA(n＝5) 5.38 7.93 9.47 40.85SOFMDA 4.16 6.82 8.33 32.71 CNNMDA 3.07 3.15 3.60 09.39各算法在d＝2500，c＝12时的节点能耗对比如图4所示(其他输入得到的结果类似)．由图4可知：随着仿真轮数的增加，网络总能量不断消耗，而使用CNNMDA算法的节点能量消耗速度均低于BPNDA(n＝5)和SOFMDA算法，同时这3种融合算法产生的能耗皆远低于未进行数据处理的LEACH，这表明通过利用数据融合算法可使网络中需要传输的数据包数量大大降低，进而减少传输能耗，延长了网络寿命．此外，随着输入数据维数升高，BPNDA与SOFMDA的处理能力大幅下降，而CNNMDA的融合效率则一直保持相对较高的水平；相比之下，使用CNNMDA的网络节点能耗平均可以降低7.3%，这表明CNNMDA具有较高的数据融合效率．图4不同算法的网络节点能耗(d＝2500，c＝12)Fig. 4Energy consumption of node of different algo-rithm(d＝2500，c＝12)4 结 语本文将深度学习模型应用在WSNs数据融合领域中，提出了以卷积神经网络模型为核心的数据融合算法CNNMDA．仿真实验表明，相比传统基于BP、SOFM等浅层网络模型的融合算法，CNNMDA以深层模型中的CNN结构为特征提取模型，可有效地提高数据采集精度，降低错误率，同时可大幅减少网络通信数据量与节点能耗，延长网络生命周期，取得较好的融合效果．深度学习模型在数据融合领域的应用前景十分广阔，如何更好地简化模型参数、提高算法执行效率仍需要更深入研究．参考文献：［1］Pin to A R，Mon tez C，Araújo G，et al. An approach to implement data fusion techniques in wireless sensor net-works using genetic machine learning algorithms[J]. In-formation Fusion，2014，15(1)：90–101.(下转第78页)·78·天津科技大学学报第32卷第4期5 结 语应急物流配送公路网络的最短路径问题一直是研究的热点．本文通过分析应急物流配送公路网络特征，根据实际物流配送过程中会不断有信息更新的情况，构建了动态最短路径模型．结合Dijkstra算法解决路径优化问题的特点，分析了解决思路，并通过北京地区某公路网络算例，验证了构建的应急物流配送公路网络最短路径模型的有效性．参考文献：［1］可可. 应急物流配送路径优化研究[J]. 物流工程与管理，2011，33(7)：63–65.［2］赵彤，范厚明，王桂琳，等. 带时间窗的应急救助物资配送车辆路径优化路径模型[J]. 物流技术，2010(20)：63–65，68. ［3］Zhu A D，Ma H，Xiao X K，et al. Shortest path and dis-tance queries on road networks：Towards bridging theoryand practice[C]//Proceedings of the 2013 ACM S IG-MOD International Conference on Management of Data.New York：ACM，2013：857–868.［4］Mahadeokar J，S axena S. Faster algorithm to find anti-risk path between two nodes of an undirected graph[J].Journal of Combinatorial Optimization，2014，27(4)：798–807.［5］杨谊，喻德旷. 道路突发中断情况下实时最短路径快速求解算法[J]. 计算机应用，2016，36(S1)：90–94. ［6］韦晓，常相全. 动态需求条件下应急物流路径优化问题研究[J]. 系统工程，2015(6)：25–26.［7］王旭，葛显龙，代应. 基于两阶段求解算法的动态车辆调度问题研究[J]. 控制与决策，2012，27(2)：175–181. ［8］向冬梅，陈树辉. 基于动态交通的最短时间路径规划方法研究[J]. 微计算机信息，2012，28(9)：317–319.责任编辑：常涛(上接第74页)［2］吴昊，刘金刚. 蚁群算法在传感器网络数据融合中的应用[J]. 计算机仿真，2012，29(11)：256–259. ［3］周观民，李荣会. 基于神经网络的传感器网络数据融合技术研究[J]. 计算机仿真，2011，28(10)：118–120. ［4］边鹏飞，何志琴，唐杰. 无线传感器网络数据融合算法的改进与实现[J]. 自动化与仪表，2016(6)：36–41. ［5］连方圆，白静. 一种改进的基于神经网络的WSN数据融合算法[J]. 计算机测量与控制，2014，22(2)：476–479.［6］樊雷松，强彦，赵涓涓，等. 无线传感网中基于BP神经网络的数据融合方法[J]. 计算机工程与设计，2014，35(1)：62–66.［7］孙凌逸，黄先祥，蔡伟，等. 基于神经网络的无线传感器网络数据融合算法[J]. 传感技术学报，2011，24(01)：122–127.［8］杨永健，刘帅. 基于SOFM神经网络的无线传感器网络数据融合算法[J]. 传感技术学报，2013(12)：1757–1763.［9］Hinton G E，Osindero S，Teh Y W. A fast learning algo-rithm for deep belief nets[J]. Neural Computation，2006，18(7)：1527–1554. ［10］Lecun Y L，Bottou L，Bengio Y，et al. Gradient-based learning applied to document recognition[J]. Proceed-ings of the IEEE，1998，86(11)：2278–2324.［11］邱立达，刘天键，傅平. 基于深度学习的无线传感器网络数据融合[J]. 计算机应用研究，2016(1)：185–188. ［12］邱立达，刘天键，林南，等. 基于深度学习模型的无线传感器网络数据融合算法[J]. 传感技术学报，2014(12)：1704–1709.［13］邱立达，刘天键，傅平. 基于稀疏滤波的无线传感器网络数据融合[J]. 电子测量与仪器学报，2015(3)：352–357.［14］Heinzelman W R，Chandrakasan A，Balakrishnan H.Energy-efficient communication protocol for wirelessmicrosensor networks[C]//Proceedings of the 33rd An-nual Hawaii International Conference on S ystem S ci-ences. Piscataway：IEEE，2000：1–10.［15］Heinzelman W B，Chandrakasan A P，Balakrishnan H.An application-specific protocol architecture for wirelessmicrosensor networks[J]. IEEE Transactions on WirelessCommunications，2002，1(4)：660–670.责任编辑：常涛。
