دمج المستشعرات

الموسوعة الحرة
دمج البيانات الحسية في مقاتلة يوروفايتر

دمج البيانات الحسية هو عملية دمج بيانات حسية أو بيانات مستمدة من مصادر متباينة، بحيث تكون المعلومات الناتجة أقل عرضة للشك مما لو تم استخدام هذه المصادر بشكل منفرد. على سبيل المثال، يمكن الحصول على تقدير أدق لموقع جسم داخلي من خلال دمج مصادر بيانات متعددة، مثل كاميرات الفيديو وإشارات تحديد الموقع عبر شبكة الواي فاي . ويمكن أن يشير مصطلح " تقليل الشك" في هذه الحالة إلى دقة أعلى، أو اكتمال أكبر، أو موثوقية أكبر، أو إلى نتيجة رؤية جديدة، مثل الرؤية المجسمة (حساب معلومات العمق من خلال دمج صور ثنائية الأبعاد من كاميرتين من زاويتي رؤية مختلفتين قليلاً). [ 1 ] [ 2 ]

لا يُشترط أن تكون مصادر البيانات لعملية الدمج من أجهزة استشعار متطابقة. ويمكن التمييز بين الدمج المباشر ، والدمج غير المباشر ، ودمج مخرجات النوعين الأولين. الدمج المباشر هو دمج بيانات أجهزة الاستشعار من مجموعة من أجهزة الاستشعار المتجانسة أو غير المتجانسة ، وأجهزة الاستشعار البرمجية ، والقيم التاريخية لبيانات أجهزة الاستشعار، بينما يستخدم الدمج غير المباشر مصادر معلومات مثل المعرفة المسبقة بالبيئة والمدخلات البشرية.

يُعرف دمج المستشعرات أيضًا باسم دمج البيانات (متعددة المستشعرات) وهو جزء من دمج المعلومات .

أمثلة على أجهزة الاستشعار

الخوارزميات

دمج المستشعرات هو مصطلح يشمل عددًا من الأساليب والخوارزميات، بما في ذلك:

أمثلة على الحسابات

يوضح الشكل أدناه مثالين لحسابات دمج البيانات الحسية.

يتركx1{\displaystyle {x}_{1}}وx2{\displaystyle {x}_{2}}تشير إلى تقديرين من قياسين مستقلين من جهاز استشعار، مع تباينات الضوضاء.σ12{\displaystyle \scriptstyle \sigma _{1}^{2}}وσ22{\displaystyle \scriptstyle \sigma _{2}^{2}} على التوالي. إحدى طرق الحصول على تقدير مُجمّعx3{\displaystyle {x}_{3}}يتمثل ذلك في تطبيق ترجيح التباين العكسي ، والذي يتم استخدامه أيضًا ضمن مُنعِّم الفترة الثابتة لـ Fraser-Potter، وهو [ 6 ].

x3=σ32(σ1-2x1+σ2-2x2){\displaystyle {x}_{3}=\sigma _{3}^{2}(\sigma _{1}^{-2}{x}_{1}+\sigma _{2}^{-2}{x}_{2})}،

أينσ32=(σ1-2+σ2-2)-1{\displaystyle \scriptstyle \sigma _{3}^{2}=(\scriptstyle \sigma _{1}^{-2}+\scriptstyle \sigma _{2}^{-2})^{-1}}يمثل هذا التباين التقدير المجمع. ويتضح أن النتيجة المدمجة هي ببساطة توليفة خطية من القياسين مرجحة بمعلوماتهما الخاصة .

تجدر الإشارة إلى أنه إذاx{\displaystyle {x}}هو متغير عشوائي . التقديراتx1{\displaystyle {x}_{1}}وx2{\displaystyle {x}_{2}}سيتم ربطها من خلال ضوضاء العملية المشتركة، مما سيؤدي إلى التقديرx3{\displaystyle {x}_{3}}فقدان النزعة المحافظة. [ 7 ]

هناك طريقة أخرى (مكافئة) لدمج قياسين وهي استخدام مرشح كالمان الأمثل . لنفترض أن البيانات مُولَّدة بواسطة نظام من الدرجة الأولى، ولنفرض أنPك{\displaystyle {\textbf {P}}_{ك}}تشير إلى حل معادلة ريكاتي للمرشح . بتطبيق قاعدة كرامر في حساب الكسب، يمكن إيجاد أن كسب المرشح يُعطى بالصيغة التالية:

لك=[σ22Pكσ22Pك+σ12Pك+σ12σ22σ12Pكσ22Pك+σ12Pك+σ12σ22].{\displaystyle {\textbf {L}}_{k}={\begin{bmatrix}{\tfrac {\scriptstyle \sigma _{2}^{2}{\textbf {P}}_{k}}{\scriptstyle \sigma _{2}^{2}{\textbf {P}}_{k}+\scriptstyle \sigma _{1}^{2}{\textbf {P}}_{k}+\scriptstyle \sigma _{1}^{2}\scriptstyle \sigma _{2}^{2}}}&{\tfrac {\scriptstyle \sigma _{1}^{2}{\textbf {P}}_{k}}{\scriptstyle \sigma _{2}^{2}{\textbf {P}}_{k}+\scriptstyle \sigma _{1}^{2}{\textbf {P}}_{k}+\scriptstyle \sigma _{1}^{2}\scriptstyle \sigma _{2}^{2}}}\end{bmatrix}}.}

بالمعاينة، عندما يكون القياس الأول خالياً من التشويش، يتجاهل المرشح القياس الثاني والعكس صحيح. أي أن التقدير المجمع يُوزن بجودة القياسات.

المركزية مقابل اللامركزية

في دمج البيانات الحسية، يشير مصطلحا "مركزي" و"لامركزي" إلى مكان دمج البيانات. في الدمج المركزي، تقوم الأجهزة ببساطة بإرسال جميع البيانات إلى موقع مركزي، وتتولى جهة ما في هذا الموقع مسؤولية ربط البيانات ودمجها. أما في الدمج اللامركزي، فتتحمل الأجهزة المسؤولية الكاملة عن دمج البيانات. "في هذه الحالة، يمكن اعتبار كل جهاز استشعار أو منصة أصلًا ذكيًا يتمتع بدرجة من الاستقلالية في اتخاذ القرارات." [ 8 ]

توجد تركيبات متعددة من الأنظمة المركزية واللامركزية.

يُشير تصنيف آخر لتكوين المستشعرات إلى تنسيق تدفق المعلومات بينها. [ 9 ] [ 10 ] تُتيح هذه الآليات حل النزاعات أو الخلافات، وتُمكّن من تطوير استراتيجيات استشعار ديناميكية. تكون المستشعرات في تكوين زائد (أو تنافسي) إذا قدمت كل عقدة قياسات مستقلة لنفس الخصائص. يُمكن استخدام هذا التكوين في تصحيح الأخطاء عند مقارنة المعلومات من عقد متعددة. غالبًا ما تُستخدم استراتيجيات التكرار مع عمليات الدمج عالية المستوى في إجراءات التصويت. [ 11 ] [ 12 ] يحدث التكوين التكميلي عندما تُقدم مصادر معلومات متعددة معلومات مختلفة حول نفس الميزات. تُستخدم هذه الاستراتيجية لدمج المعلومات على مستوى البيانات الأولية ضمن خوارزميات اتخاذ القرار. تُطبق الميزات التكميلية عادةً في مهام التعرف على الحركة باستخدام الشبكات العصبية ، [ 13 ] [ 14 ] ونموذج ماركوف المخفي ، [ 15 ] [ 16 ] وآلة المتجهات الداعمة ، [ 17 ] وطرق التجميع، وتقنيات أخرى. [ 17 ] [ 16 ] يستخدم دمج البيانات الحسية التعاوني المعلومات المستخرجة من عدة مستشعرات مستقلة لتوفير معلومات لا يمكن الحصول عليها من مستشعر واحد. على سبيل المثال، تُستخدم المستشعرات المتصلة بأجزاء الجسم للكشف عن الزاوية بينها. توفر استراتيجية المستشعرات التعاونية معلومات يستحيل الحصول عليها من عقدة واحدة. يمكن استخدام دمج المعلومات التعاوني في التعرف على الحركة ، [ 18 ] وتحليل المشية ، [ 19 ] [ 20 ] ، [ 21 ]

المستويات

توجد عدة فئات أو مستويات لدمج البيانات الحسية شائعة الاستخدام. [ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] [ 27 ]

  • المستوى 0 – محاذاة البيانات
  • المستوى 1 - تقييم الكيان (مثل الإشارة/الميزة/الكائن).
    • التتبع والكشف عن الأجسام/التعرف عليها/تحديد هويتها
  • المستوى 2 - تقييم الوضع
  • المستوى 3 – تقييم الأثر
  • المستوى 4 - تحسين العمليات (أي إدارة أجهزة الاستشعار)
  • المستوى 5 - تحسين تجربة المستخدم

يمكن أيضاً تحديد مستوى دمج البيانات الحسية بناءً على نوع المعلومات المستخدمة لتغذية خوارزمية الدمج. [ 28 ] وبشكل أدق، يمكن إجراء دمج البيانات الحسية من خلال دمج البيانات الأولية الواردة من مصادر مختلفة، أو السمات المستنبطة، أو حتى القرارات التي تتخذها عقدة واحدة.

  • يهدف دمج البيانات على مستوى البيانات (أو الدمج المبكر) إلى دمج البيانات الأولية من مصادر متعددة، ويمثل تقنية الدمج على أدنى مستوى من التجريد. وهو أكثر تقنيات دمج البيانات الحسية شيوعًا في العديد من مجالات التطبيق. تهدف خوارزميات دمج البيانات على مستوى البيانات عادةً إلى الجمع بين مصادر متجانسة متعددة للبيانات الحسية لتحقيق قراءات أكثر دقة وتكاملًا. [ 29 ] عند استخدام الأجهزة المحمولة، يُعد ضغط البيانات عاملًا مهمًا، حيث أن جمع المعلومات الأولية من مصادر متعددة يُولّد مساحات معلومات ضخمة قد تُسبب مشكلة فيما يتعلق بالذاكرة أو عرض نطاق الاتصال للأنظمة المحمولة. يميل دمج المعلومات على مستوى البيانات إلى توليد مساحات إدخال كبيرة، مما يُبطئ عملية اتخاذ القرار. كما أن دمج البيانات على مستوى البيانات غالبًا ما يعجز عن التعامل مع القياسات غير المكتملة. إذا أصبح أحد أجهزة الاستشعار غير قابل للاستخدام بسبب أعطال أو انهيار أو لأسباب أخرى، فقد يؤدي ذلك إلى نتائج غامضة في النظام بأكمله.
  • مستوى الميزات - تمثل الميزات المعلومات التي يتم حسابها على متن المركبة بواسطة كل عقدة استشعار. تُرسل هذه الميزات بعد ذلك إلى عقدة دمج لتغذية خوارزمية الدمج. [ 30 ] تُنتج هذه العملية مساحات معلومات أصغر مقارنةً بدمج البيانات على مستوى البيانات، وهذا أفضل من حيث الحمل الحسابي. من البديهي أنه من المهم اختيار الميزات المناسبة التي تُحدد عليها إجراءات التصنيف: يجب أن يكون اختيار مجموعة الميزات الأكثر كفاءة جانبًا رئيسيًا في تصميم الطريقة. يُحسّن استخدام خوارزميات اختيار الميزات التي تكشف بشكل صحيح عن الميزات المترابطة ومجموعات الميزات الفرعية دقة التعرف، ولكن عادةً ما تكون هناك حاجة إلى مجموعات تدريب كبيرة للعثور على مجموعة الميزات الفرعية الأكثر أهمية. [ 28 ]
  • دمج البيانات على مستوى القرار (أو الدمج المتأخر) هو عملية اختيار فرضية من بين مجموعة من الفرضيات الناتجة عن قرارات فردية (عادةً ما تكون أقل قوة) لعدة عقد. [ 31 ] وهو أعلى مستوى من التجريد، ويستخدم المعلومات التي تم جمعها مسبقًا من خلال معالجة أولية على مستوى البيانات أو الميزات. الهدف الرئيسي من دمج البيانات هو استخدام مصنف على مستوى أعلى، بينما تتم معالجة بيانات العقد مسبقًا عن طريق استخراج الميزات منها. [ 32 ] يُستخدم دمج البيانات على مستوى القرار عادةً في أنشطة التصنيف والتعرف، وأكثر طريقتين شيوعًا هما التصويت بالأغلبية وخوارزمية بايز البسيطة. تشمل مزايا دمج البيانات على مستوى القرار زيادة عرض نطاق الاتصال وتحسين دقة القرار. كما يسمح بدمج أجهزة استشعار غير متجانسة. [ 30 ]

التطبيقات

يُعدّ دمج البيانات الحسية أحد تطبيقات نظام تحديد المواقع العالمي (GPS) ونظام الملاحة بالقصور الذاتي (INS) ، حيث تُدمج بيانات نظام تحديد المواقع العالمي ونظام الملاحة بالقصور الذاتي باستخدام طرق مختلفة، مثل مرشح كالمان الموسّع . يُفيد هذا، على سبيل المثال، في تحديد وضعية الطائرة باستخدام أجهزة استشعار منخفضة التكلفة. [ 33 ] مثال آخر هو استخدام أسلوب دمج البيانات لتحديد حالة المرور (حركة مرور خفيفة، ازدحام مروري، تدفق متوسط) باستخدام البيانات الصوتية والصورية وبيانات أجهزة الاستشعار التي جُمعت على جانب الطريق. [ 34 ] في مجال القيادة الذاتية، يُستخدم دمج البيانات الحسية لدمج المعلومات المتكررة من أجهزة استشعار تكميلية بهدف الحصول على تمثيل أكثر دقة وموثوقية للبيئة. [ 35 ]

على الرغم من أنها ليست طريقة مخصصة لدمج أجهزة الاستشعار من الناحية الفنية، إلا أن الطرق الحديثة القائمة على الشبكات العصبية الالتفافية يمكنها معالجة العديد من قنوات بيانات أجهزة الاستشعار في وقت واحد (مثل التصوير الطيفي الفائق مع مئات النطاقات [ 36 ] ) ودمج المعلومات ذات الصلة لإنتاج نتائج التصنيف.

انظر أيضاً

مراجع

  1. ↑ إلمنرايش، و. (2002). دمج المستشعرات في الأنظمة المعتمدة على التوقيت، أطروحة دكتوراه (PDF) . فيينا، النمسا: جامعة فيينا للتكنولوجيا. ص  173.
  2. ↑ حقيقات، محمد باقر أكبري؛ آغاغول زاده، علي؛ سيدرابي، هادي (2011). "دمج الصور متعددة التركيز لشبكات الاستشعار البصرية في مجال تحويل جيب التمام المنفصل". الحوسبة والهندسة الكهربائية . 37 (5): 789-797 . doi : 10.1016/j.compeleceng.2011.04.016 . S2CID 38131177 . 
  3. ↑ لي، وانغيان؛ وانغ، زيدونغ؛ وي، غوليانغ؛ ما، ليفنغ؛ هو، جون؛ دينغ، ديروي (2015). "دراسة استقصائية حول دمج البيانات من أجهزة استشعار متعددة وتصفية التوافق لشبكات الاستشعار" . الديناميكيات المنفصلة في الطبيعة والمجتمع . 2015 : 1-12 . doi : 10.1155/2015/683701 . hdl : 1959.3/453203 . ISSN 1026-0226 . 
  4. ↑ باديلي، وحيد؛ رانفتل، ساشا؛ ميليتو، جيان ماركو؛ راينباخر-كوستينجر، أليس؛ فون دير ليندن، فولفغانغ؛ إليرمان، كاترين؛ بيرو، أوسكار (2021-01-01). "الاستدلال البايزي لتخطيط معاوقة القلب متعدد المجسات للكشف عن تسلخ الأبهر" . مجلة COMPEL - المجلة الدولية للحوسبة والرياضيات في الهندسة الكهربائية والإلكترونية . 41 (3): 824-839 . doi : 10.1108/COMPEL-03-2021-0072 . ISSN 0332-1649 . S2CID 245299500 .  
  5. ↑ رانفتل، ساشا؛ ميليتو، جيان ماركو؛ باديلي، وحيد؛ راينباخر-كوستينجر، أليس؛ إليرمان، كاترين؛ فون دير ليندن، فولفغانغ (31 ديسمبر 2019). "القياس الكمي لعدم اليقين باستخدام بايز مع بيانات متعددة الدقة وعمليات غاوسية لتخطيط معاوقة القلب في حالات تسلخ الأبهر" . إنتروبي . 22 ( 1): 58. Bibcode : 2019Entrp..22...58R . doi : 10.3390/e22010058 . ISSN 1099-4300 . PMC 7516489. PMID 33285833 .   
  6. ↑ مايبك، س. (1982). النماذج العشوائية، والتقدير، والتحكم . ريفر إيدج، نيوجيرسي: أكاديميك برس.
  7. ↑ فورسلينغ، روبن (15 ديسمبر 2023). الجانب المظلم لتتبع الأهداف اللامركزي : الارتباطات غير المعروفة وقيود الاتصال . دراسات لينشوبينغ في العلوم والتكنولوجيا. أطروحات. المجلد 2359. لينشوبينغ: دار النشر الإلكترونية لجامعة لينشوبينغ. doi : 10.3384/9789180754101 . ISBN   978-91-8075-409-5.
  8. ↑ ن. شيونغ؛ ب. سفينسون (2002). "إدارة متعددة المستشعرات لدمج المعلومات: قضايا ومناهج" . دمج المعلومات. ص. 3(2): 163-186. 
  9. ↑ دورانت-وايت، هيو ف. (2016). "نماذج المستشعرات وتكامل المستشعرات المتعددة". المجلة الدولية لبحوث الروبوتات . 7 (6): 97-113 . doi : 10.1177/027836498800700608 . ISSN 0278-3649 . S2CID 35656213 .  
  10. ↑ جالار، دييغو؛ كومار، أوداي (2017). الصيانة الإلكترونية: أدوات إلكترونية أساسية للكفاءة . دار النشر الأكاديمية. ص 26. ISBN  9780128111543.
  11. ↑ لي، وينفنغ؛ باو، جونرونغ؛ فو، شيوين؛ فورتينو، جيانكارلو؛ غالزارانو، ستيفانو (2012). "التعرف على وضعيات الجسم البشري بناءً على نظرية الأدلة الحسية ودمج البيانات متعددة المستشعرات". المؤتمر الدولي الثاني عشر لجمعية مهندسي الكهرباء والإلكترونيات/رابطة مكائن ​​الحوسبة حول الحوسبة العنقودية والسحابية والشبكية (CCGrid 2012) . الصفحات 912-917 . doi : 10.1109/CCGrid.2012.144 . ISBN  978-1-4673-1395-7. S2CID 1571720 . 
  12. ↑ فورتينو، جيانكارلو؛ غرافينا، رافاييل (2015). "Fall-MobileGuard: نظام ذكي للكشف عن السقوط في الوقت الحقيقي". وقائع المؤتمر الدولي العاشر لجمعية تطبيقات الإنترنت الأوروبية (EAI) حول شبكات منطقة الجسم . doi : 10.4108/eai.28-9-2015.2261462 . ISBN 978-1-63190-084-6. S2CID 38913107 . 
  13. ↑ تاو، شواي؛ تشانغ، شياووي؛ تساي، هواينغ؛ لو، زيبينغ؛ هو، تساييو؛ شي، هايكون (2018). "التحقق من الهوية الشخصية البيومترية باستخدام مستشعرات القصور الذاتي بتقنية MEMS بناءً على المشية". مجلة الذكاء المحيطي والحوسبة الإنسانية . 9 (5): 1705-1712 . doi : 10.1007/s12652-018-0880-6 . ISSN 1868-5137 . S2CID 52304214 .  
  14. ^ دهزنجي، أوميد. طاهر صدر، مجتبى؛ تشانغالفالا، راجفيندار (2017). "التعرف على المشية المستندة إلى IMU باستخدام الشبكات العصبية التلافيفية والاندماج متعدد أجهزة الاستشعار" . أجهزة الاستشعار . 17 (12): 2735. بيب كود : 2017Senso..17.2735D . دوى : 10.3390/s17122735 . ردمك 1424-8220 . بمك 5750784 . بميد 29186887 .   
  15. ↑ غونتربيرغ، إي.؛ يانغ، أي. واي.؛ قاسم زاده، هـ.؛ جعفري، ر.؛ باجسي، ر.؛ ساستري، إس. إس. (2009). "طريقة لاستخراج المعلمات الزمنية بناءً على نماذج ماركوف المخفية في شبكات استشعار الجسم المزودة بمستشعرات القصور الذاتي" ( ملف PDF) . مجلة IEEE للمعاملات في تكنولوجيا المعلومات في الطب الحيوي . 13 (6): 1019-1030 . Bibcode : 2009ITITB..13.1019G . doi : 10.1109/TITB.2009.2028421 . ISSN 1089-7771 . PMID 19726268. S2CID 1829011 .   
  16. 1 2 باريسي، فيديريكو؛ فيراري، جيانلويجي؛ جوبيرتي، ماتيو؛ كونتين، لورا؛ سيمولين، فيرونيكا؛ أزارو، كورادو؛ ألباني، جيوفاني؛ ماورو ، أليساندرو (2016). “التوصيف القائم على BSN بالقصور الذاتي وتقييم UPDRS التلقائي لمهمة المشي لدى مرضى باركنسون”. معاملات IEEE على الحوسبة العاطفية . 7 (3): 258–271 . بيب كود : 2016ITAFC...7..258P . دوى : 10.1109/TAFC.2016.2549533 . ISSN 1949-3045 . S2CID 16866555 .  
  17. 1 2 غاو، لي؛ بورك، أ.ك.؛ نيلسون، جون (2014). "تقييم أنظمة التعرف على الأنشطة متعددة المستشعرات مقابل أنظمة التعرف على الأنشطة أحادية المستشعر القائمة على مقياس التسارع". الهندسة الطبية والفيزياء . 36 (6): 779-785 . doi : 10.1016/j.medengphy.2014.02.012 . ISSN 1350-4533 . PMID 24636448 .  
  18. ↑ شو، جيمس واي؛ وانغ، يان؛ باريت، ميك؛ دوبكين، بروس؛ بوتي، غريغ جيه؛ كايزر، ويليام جيه. (2016). "التحليل الشخصي متعدد الطبقات للحياة اليومية من خلال تصنيف الأنشطة وإعادة بناء الحركة بناءً على السياق: نهج نظام متكامل" . مجلة IEEE للمعلوماتية الطبية الحيوية والصحية . 20 (1): 177-188 . doi : 10.1109/JBHI.2014.2385694 . ISSN 2168-2194 . PMID 25546868. S2CID 16785375 .   
  19. ↑ تشيا بيجارانو، نويليا؛ أمبروزيني، إميليا؛ بيدروكي، أليساندرا؛ فيرينيو، جيانكارلو؛ مونتيكون، ماركو؛ فيرانتي، سيمونا (2015). "خوارزمية تكيفية جديدة في الوقت الحقيقي للكشف عن أحداث المشي من أجهزة الاستشعار القابلة للارتداء". معاملات IEEE في أنظمة الأعصاب وهندسة إعادة التأهيل . 23 (3): 413-422 . Bibcode : 2015ITNSR..23..413C . doi : 10.1109 / TNSRE.2014.2337914 . hdl : 11311/865739 . ISSN 1534-4320 . PMID 25069118. S2CID 25828466 .   
  20. ↑ وانغ، تشيلونغ؛ تشيو، سين؛ كاو، تشونغكاي؛ جيانغ، مينغ (2013). "التقييم الكمي لتحليل المشية المزدوجة باستخدام أجهزة استشعار القصور الذاتي مع شبكة استشعار الجسم". مراجعة أجهزة الاستشعار . 33 (1): 48-56 . doi : 10.1108/02602281311294342 . ISSN 0260-2288 . 
  21. ↑ كونغ، ويشنغ؛ وانينغ، لورين؛ سيسا، سالفاتوري؛ زيكا، ماسيميليانو؛ ماجيسترو، دانييلي؛ تاكيوتشي، هيكارو؛ كاواشيما، ريوتا؛ تاكانيشي، أتسو (2017). "الكشف عن تسلسل الخطوات واتجاهها في اختبار الخطوات المربعة الأربعة" (ملف PDF) . رسائل IEEE في مجال الروبوتات والأتمتة . 2 (4): 2194-2200 . Bibcode : 2017IRAL....2.2194K . doi : 10.1109/LRA.2017.2723929 . ISSN 2377-3766 . S2CID 23410874 .  
  22. ↑ إعادة النظر في مستويات دمج بيانات JDL
  23. ↑ Blasch, E., Plano, S. (2003) “المستوى 5: تحسين المستخدم للمساعدة في عملية الاندماج”، وقائع SPIE، المجلد 5099.
  24. ↑ ج. ليناس؛ س. بومان؛ ج. روغوفا؛ أ. شتاينبرغ؛ إ. والتز؛ ف. وايت (2004). إعادة النظر في نموذج دمج بيانات JDL II . المؤتمر الدولي لدمج المعلومات. CiteSeerX 10.1.1.58.2996 . 
  25. ↑ Blasch, E. (2006) " إدارة موارد المستشعر والمستخدم والمهمة (SUM) وتفاعلها مع دمج المستوى 2/3 " المؤتمر الدولي حول دمج المعلومات.
  26. ↑ "تسخير القوة الكاملة لدمج المستشعرات -" . 3 أبريل 2024.
  27. ↑ Blasch, E., Steinberg, A., Das, S., Llinas, J., Chong, C.-Y., Kessler, O., Waltz, E., White, F. (2013) "إعادة النظر في نموذج JDL لاستغلال المعلومات"، المؤتمر الدولي حول دمج المعلومات.
  28. 1 2 جرافينا، رافاييل؛ ألينيا، باراستو؛ قاسم زاده، حسن؛ فورتينو، جيانكارلو (2017). "دمج البيانات من أجهزة استشعار متعددة في شبكات أجهزة استشعار الجسم: أحدث التقنيات وتحديات البحث". دمج المعلومات . 35 : 68-80 . doi : 10.1016/j.inffus.2016.09.005 . ISSN 1566-2535 . S2CID 40608207 .  
  29. ↑ غاو، تينغ؛ سونغ، جين يان؛ زو، جي يان؛ دينغ، جين هوا؛ وانغ، دي كوان؛ جين، رين تشنغ (2015). "نظرة عامة على آليات المفاضلة بين الأداء في بروتوكول التوجيه لشبكات الاستشعار اللاسلكية الخضراء". الشبكات اللاسلكية . 22 (1): 135-157 . doi : 10.1007/s11276-015-0960-x . ISSN 1022-0038 . S2CID 34505498 .  
  30. 1 2 تشين، تشين؛ جعفري، روزبه؛ كهتارنافاز، ناصر (2015). "دراسة استقصائية لدمج بيانات العمق والمستشعرات بالقصور الذاتي للتعرف على حركات الإنسان". أدوات وتطبيقات الوسائط المتعددة . 76 (3): 4405-4425 . doi : 10.1007/s11042-015-3177-1 . ISSN 1380-7501 . S2CID 18112361 .  
  31. ↑ بانوفيتش، نيكولا؛ بوزالي، توفي؛ شوفالييه، فاني؛ مانكوف، جينيفر؛ دي، أنيند ك. (2016). "نمذجة وفهم السلوك الروتيني البشري". وقائع مؤتمر CHI لعام 2016 حول العوامل البشرية في أنظمة الحوسبة - CHI '16 . الصفحات 248-260 . doi : 10.1145/2858036.2858557 . ISBN  9781450333627. S2CID 872756 . 
  32. ↑ ماريا، أيليني رالوكا؛ سيفر، باسكا؛ كارلوس، فالديراما (2015). "خوارزمية دمج بيانات المستشعرات الطبية الحيوية لتعزيز كفاءة الأنظمة المقاومة للأعطال في حالة الأجهزة الإلكترونية القابلة للارتداء". مؤتمر الحوسبة الشبكية والسحابية وعالية الأداء في العلوم (ROLCG) لعام 2015. الصفحات 1-4 . doi : 10.1109/ROLCG.2015.7367228 . ISBN  978-6-0673-7040-9. S2CID 18782930 . 
  33. ^ جروس ، جايسون. يو جو؛ ماثيو رودي؛ سريكانث جوروراجان؛ مارسيلو نابوليتانو (يوليو 2012). “تقييم اختبار الطيران لخوارزميات دمج أجهزة الاستشعار لتقدير الموقف”. معاملات IEEE المتعلقة بالفضاء والأنظمة الإلكترونية . 48 (3): 2128– 2139. بيب كود : 2012ITAES..48.2128G . دوى : 10.1109/TAES.2012.6237583 . S2CID 393165 . 
  34. ↑ جوشي، ف.، راجاماني، ن.، تاكايوكي، ك.، براتاباني، ن.، سوبرامانيام، ل.ف. (2013). التعلم القائم على دمج المعلومات لاستشعار حالة المرور بكفاءة . وقائع المؤتمر الدولي المشترك الثالث والعشرين حول الذكاء الاصطناعي.{{cite conference}}: صيانة CS1: أسماء متعددة: قائمة المؤلفين ( رابط )
  35. ↑ ميرسيا بول، موريسان؛ إيون، جيوسان؛ سيرجيو، نيديفسكي (18 فبراير 2020). "تثبيت موقع الجسم ثلاثي الأبعاد والتحقق منه باستخدام دمج المستشعرات متعددة الوسائط والتجزئة الدلالية" . مجلة المستشعرات . 20 (4): 1110. رمز Bibcode : 2020Senso..20.1110M . doi : 10.3390/s20041110 . PMC 7070899. PMID 32085608 .  
  36. ↑ ران، لينغيان؛ تشانغ، يانينغ؛ وي، وي؛ تشانغ، كيلين (23-10-2017). "إطار عمل لتصنيف الصور فائقة الطيف باستخدام ميزات أزواج البكسل المكانية" . مجلة Sensors . 17 (10): 2421. Bibcode : 2017Senso..17.2421R . doi : 10.3390/s17102421 . PMC 5677443. PMID 29065535 .  
  1. ↑ حقيقيات، محمد؛ عبد المطلب، محمد؛ الحلبي، وديع (2016). "تحليل الارتباط التمييزي: دمج الميزات في الوقت الحقيقي للتعرف البيومتري متعدد الوسائط" . معاملات IEEE في الطب الشرعي وأمن المعلومات . 11 (9): 1984-1996 . Bibcode : 2016ITIF...11.1984H . doi : 10.1109/TIFS.2016.2569061 . S2CID 15624506 .