|
传感器的飞速升级主要表现在两个方面
1. 硬件质量的快速升级，变得越来越高精。比如1976年发射的第一个电子成像卫星KH11所携带的当时最先进的相机成像精度是800X800(还不到一百万)像素，而今天随处可见的智能手机的像素都轻松在千万级别。另外，更主要的说，传感器的扫描频率越来越高！从分钟级别到毫秒微秒！ 2.价格的巨幅跳水导致，大量传感器协同的应用Joint massive deployment。现在一个千万级别像素的手机摄像头不过几十元造价，且得益于WIFI的快速发展，构建传感网轻而易举，协作不但可以大大提高精度和观测范围等，而且可以有效应对单个的“不工作”和外在的攻击等。据传美军在中东沙漠“撒播”大量探测微小型传感器，探测恐怖分子地面部队移动，根本不担心很多的一些被当地居民或者恐怖分子“打捞”，因为量大呀！真可谓土豪越来越多，什么问题？多买几个传感器得了，费那劲搞什么提升5%的算法改进去呐！
这种情况下，一些基于传感器的数据的算法开发是否需要本质性的升级或者说更新？比如，滤波跟踪研究？ 特别是，已有很清晰的数据显示：当传感数据质量很高的时候（无论传感器扫描频率还是精度，以及高探测率和低漏检低杂波率等），滤波器就会变得对于模型的偏差和误差（基本所有的基于模型的滤波器都是基于对外界的假设近似，都含有误差甚至偏差）非常非常敏感！ 见之前一文的点对点分析：http://www./science/article/pii/S0020025515006969 T.Li, J.M. Corchado, J. Bajo, S. Sun and J. F. Paz, Effectiveness of Bayesian Filters: An Information Fusion Perspective, Information Sciences, 2016, 329: 670-689 而清晰地事实是，传感器硬件的进步不会停止，只会更快！越来越高精，越来越“眼里揉不进沙子”对模型的任何误差偏差不稳定等等敏感，而导致模型不但没用反而成为累赘甚至帮倒忙！ 在数据贫乏和低效的时候（传说的物资匮乏的年代），很多目标假设模型等还非常有用甚至非常必要，但是当数据量多而好的时候呐？而且又当我们对外界基本一无所知、目标等又特别狡猾（建模非常困难，而且冒着巨大误差和偏差风险；更何况道高一尺魔高一丈呐，对方的目标也变得机动和反建模反锁定 啊）呐? 难道我们不断地打补丁一个模型套一个模型的残延苟喘版地维护着传统理论和方法，小打小闹的不断改进改进在改进，要让脚来适应鞋子（比如某款滤波器）吗？是否可以抛弃滤波器，采用纯粹的数据聚类学习来解决滤波问题？ 见新文展示的一种聚类方法实现目标探测和估计：FreeLink T. Li, F. De la Prieta Pintado, J. M. Corchado, J. Bajo, Multi-source Homogeneous Data Clustering for Multi-target Detection from Cluttered Background with Misdetection,Applied Soft Computing 60 (2017) 436–446 @ ScienceDirect. 这可能对于计算机领域做纯粹聚类算法的人来说是个小case 问题连大数据的九牛之一毛都算不上 – 但本文主要展示的核心理念是拿clustering 来做完全filtering，场景和目标完全处于黑箱内。对于做滤波来说的是个新鲜问题：如果你有200个传感器，你该怎么办。 量变到一定程度就会引起质变！ 上面的文章成文于两年半前了，审很久。Received 22 June 2015, Revised 10 April 2017, Accepted 5 July 2017, 最新的研究进展之一可见 ，里面特意再返回来强调并展示了，如果有任何模型信息（包括模糊的，语言描述的非精确 的统计信息）的话，还（也）可以怎么融合 模型 和 数据 Joint Smoothing, Tracking, and Forecasting Based on Continuous-Time Target Trajectory Fittinghttp://blog.sciencenet.cn/blog-388372-1082966.html 上一篇：卡尔曼滤波 - 10 highlights - 10个容易忽略而重要的有趣之处 |
|
|
来自： wenghuaxian > 《待审图书》
