XiaoMi-AI文件搜索系统
World File Search System数据融合
统一数据融合架构的概念和技术
糖尿病本身是一种代谢紊乱，其特征是高血糖症（高血糖），这是由于身体无法产生胰岛素或对胰岛素的反应不足造成的。疾病管理需要注射胰岛素并仔细监测血糖。通过充分治疗糖尿病及其相关风险因素，可以改善 2 型糖尿病患者的整体健康状况。自我管理糖尿病是一种很有前途的方式，患者每天测量血糖数次，并使用结果数据来判断所需的胰岛素剂量。严格的血糖控制 (TGC) 需要几乎连续的测量，过去二十年来，人们一直在开发用于连续血糖测量的不同传感器。还开发了能够测量间质液中葡萄糖的微创传感器，因此更适合自我监测。然而，到目前为止，这些传感器的性能水平都不足以用于常规血糖监测。然而，人们普遍预计在不久的将来会出现坚固耐用、临床可接受的设备（国际糖尿病联合会，2004 年）。
跨域数据融合的若干研究
摘要：在现实世界中，对一个对象（例如：人、机器等）的分析和决策并不依赖于单个领域（例如：社交网络、地理、实时媒体等）或单个来源。为了提供更好的调查和质量推理，需要组合（融合）来自不同来源的数据。数据集成用于集成来自不同来源的数据以增强信息的目的，但它不适合大数据集。数据融合是一种数据分析技术，它融合了代表同一对象的多种单独类型的数据（大数据集）。针对一个对象的多种数据协同工作产生的效果大于它们单独效果的总和。数据融合的关键挑战是很难检索和融合不同领域的数据。为了解决这个问题，提出了跨域数据融合应用和技术。本文全面讨论了数据融合的发展及其应用。提出了一种用于医疗保健领域的预测模型的新框架。关键词：大数据、数据融合、数据集成、跨域数据融合、沉淀。 1. 简介 传统数据挖掘仅分析项目的物理存在与否，不考虑数据的语义方面 [1]。但在大数据时代，人类每天都会从各种来源（例如传感器、社交媒体、物联网、外部互联网）以各种形式创建出数以千万亿字节的数据
药物的实体关系图非线性数据融合……
动机：预测可靠的药物-靶标相互作用 (DTI) 是计算机辅助药物设计和再利用中的一项关键任务。在这里，我们提出了一种基于数据融合的 DTI 预测新方法，该方法建立在 NXTfusion 库之上，通过将矩阵分解范式扩展到实体关系图上的非线性推理来推广它。结果：我们在五个数据集上对我们的方法进行了基准测试，并将我们的模型与最先进的方法进行了比较。我们的模型优于大多数现有方法，同时保留了预测 DTI 作为二元分类和实值药物-靶标亲和力回归的灵活性，可与为每个任务明确构建的模型相媲美。此外，我们的研究结果表明，DTI 方法的验证应该比之前一些研究中提出的更严格，更多地侧重于模拟真实的 DTI 设置，其中需要预测以前未见过的药物、蛋白质和药物-蛋白质对。这些设置正是将异构信息与我们的实体-关系数据融合方法集成的好处最明显的环境。
库更新 I&S 多传感器数据融合
本书详细介绍了多传感器数据融合系统和国防应用的功能架构分类。介绍了当代传感器、源和通信链路，并描述了传感器管理。在目标跟踪应用的背景下，分别讨论了用于状态估计的数据融合。本书的一个重要部分涵盖了形势和威胁评估的军事概念。关于形势和威胁评估实施方法的讨论对于所有在该领域工作的专家都非常有用。他们将在书中找到数据融合系统架构设计指南、如何建模此类系统以及如何评估其性能。书中还介绍了人工智能技术的新兴作用。
可交付成果 1.6 数据融合指南 - GEOEssential
本交付成果的目标是提供“数据融合”方法的指南，这些方法将构成任务 1.6“数据融合”(DF) 的框架。此任务与任务 1.4“建模和处理服务”密切相关，并使用类似的近似技术，尽管其特定目的是数据融合。总之，这些任务旨在在 WP1 关于“知识管理服务”的行动前提下为基本变量 (EV) 提供增值服务。这份初步报告旨在为 WP1 中开发的建模服务的总体框架做出贡献，并供所有其他 WP 用于其建模需求。该报告介绍了一般的最新技术，并提出了一些具体建议，供未来两年的项目研究。信息（或数据）融合可以定义为研究自动或半自动将来自不同来源和不同时间点的信息转换为一种表示的有效方法，从而为人类或自动决策提供有效支持（Boström 等人，2007 年）。在多传感器图像的背景下，数据融合可以被认为是将不同波长的传感器获得的图像组合起来以形成复合且信息量更大的图像的过程（Jiang 等人，2009 年）。形成和分析图像的目的是改善其信息内容，并使算法更容易检测、识别和确定目标或分析图像本身。根据融合发生的阶段，多传感器数据融合可以在三个不同的处理级别上执行（Zhou 等人，2011 年）：
D4.1：开发并测试用于……的数据融合算法
在本文中，我们首先提供与数据同化和数据融合技术相关的一般背景以及它们在公民科学和众包背景下的含义。随后，我们介绍了 hackAIR 中用于数据融合的初步方法。该方法基于地理统计学；这允许对空间中的 hackAIR 观测进行数学上有意义的插值，同时继承基于模型的浓度场的空间模式。然后，我们简要讨论我们期望从 hackAIR 志愿者那里获得的观测数据，并更详细地介绍 CAMS 在全球和区域范围内提供的建模信息，这些信息与 hackAIR 数据融合模块框架中的使用相关。随后，我们展示使用模拟观测的映射结果。使用模拟观测的结果表明，该方法能够产生真实的空气质量空间场，一方面继承了底层模型信息的空间模式，同时以数学上有意义的方式插入观测中的差距。此外，我们还讨论了该算法在 hackAIR 社区进行的各种现实世界观察中的应用，并分析了撰写本文时 hackAIR 数据库中的数据可用性。最后，我们介绍了模块的总体架构和数据流，并描述了如何在 hackAIR 服务器上实现该模块。
D4.4 数据融合、分析和语义质量解决方案
本文档代表了数据分析、数据融合和语义质量可交付成果。其主要目标是描述用于实现数据融合、分析和语义质量的方法，这些方法是组成虚拟个体模型 (VIM) 的解决方案。已与 PRECIOUS 项目的参与者一起建立了受控词汇表。它为所有合作伙伴（用户、开发人员、专家和卫生人员）提供了对数据的共同理解，建立了与专注于电子健康的现有项目和数据源的关系，允许监控和维护词汇表的质量问题，协调来自不同传感器和输入提供商的数据，并为整个项目使用标准化数据模型。然后，提出了每个领域知识的描述，以详细说明从低级上下文中提取语义数据，例如文本数据的语义分析、食物分析、心率处理、环境传感器分析和手机传感器数据分析。
IAC-22-72306 开发用于雷达和...的数据融合概念
使用这两种类型的传感器可利用雷达测量来提供物体的精确径向速度和距离，而望远镜可提供更好的天空坐标测量。通过安装雷达和光学传感器，PASO 可以延长对空间碎片的观察时间，并实时关联光学和雷达来源的信息。在黄昏时期，两种传感器可同时使用，快速计算 LEO 物体的新 TLE，从而消除大型 SST 网络中站点之间数据交换所涉及的时间延迟。这一概念不会取代对全球多个位置的传感器的 SST 网络的需求，但将提供一组更完整的给定物体通道测量值，从而增加初始轨道确定或给定位置再入活动监测的附加值。PASO 将有助于开发新的解决方案，以更好地表征物体，提高整体 SST 能力，并为开发和测试用于空间碎片监测的新雷达和光学数据融合算法和技术提供完美的场地。
多尺度估计理论及其应用
[ 1 , 2 , 13 , 14 , 15 , 19 , 24 , 33 , 48 ～ 52 ] 。其中 , Llinas 与 Waltz 的专着《多传感器数据融合》
船舶驾驶台决策过程中的多传感器数据融合
数据融合涉及的领域非常广泛，很难给出一个准确的定义。人们提出了几种数据融合的定义。Pohl 和 Van Genderen（Wald，1999）将图像融合定义为“图像融合是使用某种算法将两幅或多幅不同的图像组合成一幅新图像”，但这仅限于图像。Hall 和 Llinas（Wald，1999）的定义是“数据融合技术将来自多个传感器的数据和来自相关数据库的相关信息结合起来，以实现仅使用单个传感器即可实现的更高准确度和更具体的推断”。这个定义侧重于信息质量和融合方法。根据这些定义，可以推断数据融合的目的应该是获得信息，希望至少可以改善图像的可视化和解释。