基于数据受限的跨域信息推理方法

本发明涉及信息推理，尤其涉及一种基于数据受限的跨域信息推理方法。

背景技术：

1、由于海洋环境复杂多变，很难同时采集同一目标在多个域较完备的信息，这给挖掘不同域之间的一致性和互补性带来了极大的困难。因而，根据缺失数据中不同域间数据的关联性和一致性补全缺失信息，这对于改善多域数据的表征能力、提升数据的信息量具有重要意义。水下环境中部分域的数据缺失或损坏问题给水下机器人的环境感知带来了严峻的调整。例如，声呐通常能够测量更远距离的目标，但是海流的静水压效应、船舶行驶的干扰以及不均匀的压力分布都会造成数据存在重影和低分辨率等问题，这会导致当前传感器获取的数据存在缺失。相同条件下，不同域获取同一环境的数据都会蹲在不同程度的数据缺失，如何结合这些不完备的多域数据提升水下机器人在负载环境下的感知能力是亟待解决的核心问题。

2、目前，常见的推理方法包括：迁移学习和生成对抗学习；

3、1、迁移学习：从一个领域(源域)学到的知识应用到另一个相关但不同的领域(目标域)来解决跨域信息推理问题，这种方法特别适合于目标域数据受限的情况，但是其局限性也很明显，迁移学习的效果高度依赖于源域和目标域之间的相关性，如果两个领域差异过大，直接迁移的效果不佳；

4、2、生成对抗学习：生成对抗网络(generat ive adversarial networks，can)可以生成与真实数据分布相近的合成数据，在跨域信息推理中，它能够用来生成缺失域的数据，辅助学习模型，但其的局限性主要在于生成对抗网络训练过程不稳定，且生产的数据存在质量问题，尤其是在高度复杂的数据分布情况下。

技术实现思路

1、本发明要解决的技术问题是：为了解决现有跨域信息推理方式局限性较大、推理效果不佳的技术问题，本发明提供一种基于数据受限的跨域信息推理方法，通过对跨域信息推理方法的改进，采用最大化信息熵的方式构建跨域信息推理网络模型，以实现缺失信息的高质量预测。

2、本发明解决其技术问题所采用的技术方案是：一种基于数据受限的跨域信息推理方法，包括以下步骤：

3、s1、获取多域信息的缺失数据集；

4、s2、利用步骤s1中获取到的缺失数据集、并采取最大化信息熵构建水下跨域信息推理网络模型，以获得该水下跨域信息推理网络模型整体的目标方程，并对该目标方程进行训练，以获得最优水下跨域信息推理网络模型；

5、s3、利用步骤s2中获得的最优水下跨域信息推理网络模型对检测设备检测到的水下环境数据进行缺失数据推理，输出该水下环境检测数据的缺失数据。由此，将缺失数据作为优化目标，并采用最大化信息熵的方式构建跨域信息推理网络模型和该模型的目标方程，对目标方程进行训练，获得最优模型，能够实现缺失信息的高质量预测，进而推动检测设备在复杂环境下的环境感知能力。

6、进一步地，在步骤s1中，事件x的概率为p(x)，则水下环境的信息量i(x)的计算公式为：

7、i(x)＝-log p(x)；

8、检测设备在海洋中所执行任务为u，则事件x所在环境提供信息量i(x)发生概率i(x，u)的计算公式为：

9、i(x，u)＝-log p(x|u)；

10、检测设备采集第i个域的所有事件的总体信息量fi∈is×t的计算公式为：

11、fi＝i(xi,u)；

12、在事件空间x∈im×s×t的场景中，检测设备获得信息量θ的计算公式为：

13、

14、其中：m表示检测设备所采集数据域的个数，a表示注意力矩阵，xi表示第i个域的事件x，s表示空间信息，t表示时间信息，⊙表示矩阵的点乘运算，d表示当前水下环境空间x的数据量。由此，对检测设备在当前场景的信息量进行建模，进而构建信息表示模型。

15、进一步地，所述步骤s2包括以下步骤：

16、s2-1、基于图结构的原始低维表示；

17、s2-2、跨域信息关联性学习；

18、s2-3、域间一致性保持学习；

19、s2-4、缺失域样本推断。由此，能够实现缺失数据的高质量预测。

20、进一步地，在步骤s2-1中，原始光学图像g1表示为：

21、g1＝{a1，x}；

22、k近邻接算法构建特征图g2表示为：

23、g2＝{a2，x}；

24、节点xi和xj之间的相似性sij的计算公式为：

25、

26、第l+1层的输出h(l+1)的计算公式为：

27、h(l+1)＝relu(d-1/2ad-1/2h(l)w(l))；

28、其中：a1∈in×n为数据的邻接矩阵，该邻接矩阵包含n个节点，relu为激活函数，d为特征图的度矩阵，w(l)为网络的训练权重，映射两个域的h1和h2到通过映射函数g(h1；δ)→z1和g(h2；δ)→z2低维空间中表示为z1和z2，δ为编码参数。由此，能够保存数据的原始结构信息，有效保留数据的图结构。

29、进一步地，在步骤s2-2中，通过两个域之间的互信息以获得跨域信息损失函数lco的极大关联性表示为：

30、

31、其中：α为正则化参数，i为两个域的互信息，h为信息熵。由此，最大化两个域中不同数据的互信息，挖掘域间的关联性和互补性信息。

32、进一步地，在步骤s2-3中，水下跨域信息推理网络模型最大化原始图和其他域低维表示之间的互信息i(z1，a2)以构建域间的一致性表示为：

33、

34、根据熵和互信息的关系，分解上述等式为：

35、i(z1，a2)＝h(a2)-h(a2|z1)s；

36、其中：h(a2|z1)是条件熵，h(a2)是a2的熵。由此，构建熵和互信息表示，探索不同域在低维表示空间中的一致性表示。

37、进一步地，在步骤s2-3中，引入目标方程的求解，将i(z1，a2)的表达式转化为：

38、

39、最大化光谱图像低维嵌入和原始可见光图像的损失函数表示为：

40、

41、水下不同域间一致性保存损失函数表示为：

42、

43、由此，通过设计不同的损失函数分别获取两个域间的一致性表示信息，以最小化域间的差异性。

44、进一步地，在步骤s2-4中，样本符合高斯分布，构建目标方程：

45、

46、则水下跨域信息推理网络模型整体的目标方程表示为：

47、l＝lco+luni+lfo。

48、由此，综合上述三部分的损失函数，构建光谱图像域和可见光域数据的一致性约束以实现缺失数据的准确推理。

49、与现有技术相比，本发明的有益效果是：

50、将缺失数据作为优化目标，并采用最大化信息熵的方式构建跨域信息推理网络模型和该模型的目标方程，对目标方程进行训练，获得最优模型，能够实现缺失信息的高质量预测，进而推动检测设备在复杂环境下的环境感知能力。