目录
前言
课题背景和意义
实现技术思路
一、深度学习概述
二、基于深度学习的数据融合方法分类
1、基于深度学习特征提取的数据融合方法
2、基于深度学习融合的数据融合方法
3、基于深度学习全过程的数据融合方法
实现效果图样例
最后
前言
📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。
🚀对毕设有任何疑问都可以问学长哦!
选题指导:
大家好,这里是海浪学长毕设专题,本次分享的课题是
🎯基于深度学习的数据融合方法研究
课题背景和意义
数据融合是最大程度发挥大数据价值的关键，深度学习是挖掘数据深层特征信息的技术利器，基于深度学习的数据融合能够充分挖掘大数据潜在价值，从新的深度和广度拓展对世界的探索和认识。
在大数据时代，数据的来源越来越广泛，数据类型也越来越多样化。但是，由于大数据的“5V”特性（Volume 、Variety、 Value 、 Veracity 、 Velocity ），使人们难以充分挖掘大数据的隐含信息。因此，人们迫切需要有效的手段对多源异构数据进行融合，并挖掘出有价值的信息加以利用。数据融合技术作为一种重要的数据处理手段，有广泛的应用，如目标检测 、战场评估 、医疗诊断 、遥感测绘 、故障诊断 、智能制造 等。在智能制造领域中，数据融合技术有效地提高了人们对工业大数据的处理能力和利用效率。通过数据融合技术，对海量、高维、多源异构含噪声工业数据进行清洗去噪、集成建模与多尺度分类，为之后的关联分析、性能预测和优化决策提供可靠的数据资源支持。因此，数据融合技术有力地推动了应用领域的发展。
实现技术思路
一、深度学习概述
深度学习是深度神经网络的统称，是由浅层神经网络发展而来。浅层神经网络通常由一个输入层、一个隐藏层和一个输出层组成，用 Wx + b 来计算前一层输入的加权和，其中 W 为权重向量，b 为偏置量，之后将加权和通过非线性激活函数，如tanh、sigmod和ReLU等得到后一层的输入。而深度神经网络的隐藏层则包含个，较低层的隐藏层输出作为较高层隐藏层的输入。因此，深度神经网络能够学习到数据中更有效的特征表示。
二、基于深度学习的数据融合方法分类
基于深度学习的数据融合方法分为三种类型
基于深度学习特征提取的数据融合方法、基于深度学习融合的数据融合方法和基于深度学习全过程的数据融合方法。
1）在基于深度学习特征提取的数据融合方法中，深度学习主要参与数据融合中特征提取的阶段，融合阶段则是使用其他方法完成；
2）基于深度学习融合的数据融合方法中，深度学习主要参与到数据融合阶段；
3）在基于深度学习全过程的数据融合方法中，深度学习模型则是参与了数据融合操作的特征提取阶段和融合阶段，并且通常使用了不同的深度学习模型。
1、基于深度学习特征提取的数据融合方法
基于NSCT和CNN的数据融合框架
在基于非下采样轮廓波变换（Non-Subsampled Contourlet Transform，NSCT）和卷积神经网络（Convolutional Neural Networks，CNN）的 X 射线图像骨龄评估多尺度数据融合框架，在该框架下提出基于特征级融合的回归模型和基于决策级融合的分类模型。
在基于特征级融合的回归模型中，首先通过NSCT对X射线图像进行4级分解，获得丰富的底层特征；然后将提取出的底层特征输入进卷积模块。
基于决 策级融合的分类模型主要包含4 个模块： NSTC 分解、分类、融合和估计。NSCT 分解模块同样是通过对 X 射线图像分解得到底层特征；分类模块包含特征提取以及分类决策，在
基于DBN的多传感器
基于多传感器数据融合和DBN（Deep Belief Network）的滚珠丝杠劣化检测识别方法，首先通过快速傅里叶变换（Fast Fourier Transform，FFT）将多个传感器采集的时域信号转换为对应的频域信号，并通过平行叠加的方式进行融合；然后将融合结果作为输入通过无监督学习的方式对DBN进 行训练；最后使用 Softmax分类器进行分类。该方法在训练集和测试集上的表现出较好的准确性和稳定性。相对于单传感器信号，该文献使用的多传感器信号对故障描述更加全面、准确。
基于SAE和CNN的数据融合模型
通过合成孔径雷达（ SAR ）图像数据进行融合以提升目标识别准确度，其模型流程如图4 所示。首先通过主成分分析（PCA ）对 SAR 图像数据进行降维，并将其作为输入，通过堆叠自动编码器（Stacked Auto-encoder ， SAE ）来获取 SAR 图像的深层特征；之后将经过预处理的SAR图像数据作为输入，使用 CNN 网络提取深层特征；然后将SAE 提取的特征向量和 CNN 提取的特征向量直
接拼接完成融合；最后将融合特征通过 Softmax 分类器进行分类。
2、基于深度学习融合的数据融合方法
基于深度卷积神经网络的数据融合模型
在故障诊断研究过程中，提出一种基于 深度卷积神经网络的数据融合模型（DCNN）。首先对水平振动信号和垂直振动信号进行重叠切片，并将同一时刻的切片信号进行组合，作为DCNN模型的输入；然后通过DCNN模型对组合后的切片信号进行融合，并同时完成对数据的特征提取；最后将融合后的数据特征通过Softmax层进行分类。但是该方法对噪声数据并未进行预处理处理操作，因此该方法有进一步研究的空间。
DLSTM数据融合模型结构
为了能够提高预测的准确性和可靠性，提出一种基于深度长短时记忆神经网络 （Deep Long Short Time Memory，DLSTM）数据融合预测模型，用于对设备剩余使用寿命预测。该模型以LSTM神经单元为基础，多个LSTM神经单元构成LSTM层，DLSTM模型通过多层LSTM层进行叠加构成。
3、基于深度学习全过程的数据融合方法
基于CNN、GRU和自适应多模态联合数据融合模型
CNN 模型、 GRU （ Gated Recurrent Unit）模型和自适应多模态联合模型的深度学习框架，用于对短时交通流量进行预测。
该模型中的 CNN 模型用于学习序列数据局部趋势的空间表示，GRU 模型学习长期依赖特征的时间表示，之后将提取出的时间相关特征和空间相关特征，通过带注意力机制融合层进行初步融合。
该过程表示如下：
C ( I i ) → S i ; G ( S i ) → S i T i ; MA ( S i T i ) → R i
DDFLJM数据融合模型
基于联合监督损失和多层特征融合的深度学习判别模型（DDFLJM ），该模型由两部分构成：特征提取网络（FEN ）和特征融合网络（ FFN ），该模型简易结构 。
在 FEN 中，采用 Inception-Resnet-v1作为骨干网络来快速提取输入数据的低维特征表示，并在引入两个降维块（Dimension Reduction Block ，DRB）以充分利用深度网络中间层的辅助特征，其中DRB 的输入为 Inception-Resnet-v1 网络的中间层输出， 在该部分能够得到数据的低维特征表示（嵌入特征）和 辅助特征。
实现效果图样例
基于DBM深度架构的数据结合：
基于卷积神经网络（CNN）的数据融合：
