面向具有标签不确定性的传感器融合的双容量 Choquet 积分

传感器融合结合来自多个传感器源的数据，以提高数据解释的可靠性、鲁棒性和准确性。模糊积分（FI），特别是 Choquet 积分（ChI），常被用作跨多传感器融合的强大非线性聚合器。然而，现有的监督 ChI 学习算法通常需要为每个输入数据点提供精确的训练标签，这可能难以获得或根本无法获得。此外，先前关于 ChI 融合的工作通常仅基于归一化模糊测度，这将模糊测度值限制在 [0, 1] 之间。在输入数据源的底层标度为双极性（即介于 [-1, 1] 之间）的情况下，这可能具有限制性。为了应对这些挑战，本文提出了一种新颖的基于 Choquet 积分的融合框架，命名为 Bi-MIChI（发音为“bi-mi-kee”），该框架利用双容量在双极性标度上表示输入传感器源子集对之间的交互作用。这允许传感器源之间存在扩展的非线性交互，并可能产生有趣的融合结果。Bi-MIChI 还通过多示例学习（Multiple Instance Learning）解决标签不确定性问题，其中训练标签被应用于数据的“包”（集合）而非每个实例。我们提出的 Bi-MIChI 框架在合成实验和真实世界实验中，均针对具有标签不确定性的传感器融合展现出了有效的分类和检测性能。我们还对模糊测度的行为提供了详细分析，以展示我们的融合过程。