高榮華，李奇峰，孫 想，顧靜秋，彭 程

（1. 北京農(nóng)業(yè)信息技術(shù)研究中心/北京市農(nóng)林科學(xué)院，北京 100097；2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息技術(shù)重點實驗室，北京 100097；4. 北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100097）

0 引 言

互聯(lián)網(wǎng)與多媒體技術(shù)的發(fā)展，使得以圖像等為載體的多媒體信息在設(shè)施農(nóng)業(yè)中迅速增加，以多種方式進行信息交換的多種媒介具有集成性、交互性等特點[1-5]。當(dāng)前知識傳播方式越來越具有多源、多形態(tài)、多屬性等特性，這些從不同渠道獲取的不同形態(tài)的媒體信息描述共同的知識，使得信息的產(chǎn)生、發(fā)展、傳播跨越互聯(lián)網(wǎng)等多種信息來源，跨越從不同渠道獲取的文本、圖像等多種信息形態(tài)，因此，如何從形態(tài)多變、分布零散、屬性復(fù)雜的海量媒體資源中對有價值的知識進行獲取和表達成為亟待解決的問題。

環(huán)境、病害圖像、病害知識等多結(jié)構(gòu)參數(shù)數(shù)據(jù)在作物生產(chǎn)、保護方面的智能診斷研究已取得顯著成果[6-8]，Scott 等[9]在英國植保生物學(xué)信息技術(shù)大會上，提出利用數(shù)據(jù)庫、分類學(xué)、多媒體等技術(shù)，實現(xiàn)植病流行學(xué)模擬與預(yù)測模型、植病診斷與管理專家系統(tǒng)，實現(xiàn)了結(jié)合多媒體與文本知識的智能診斷，但僅是逐步遞推的診斷過程；Chesmore 等[10]通過對圖像的特征提取實現(xiàn)真菌診斷，但因受光照、遮擋影響造成特征提取不準確而導(dǎo)致診斷不具有魯棒性。Brahimi 等[11]對9 種西紅柿葉片病害進行分析，獲得較好的識別效果。

日本九州佐賀縣的全自動蔬菜工廠[12]，實現(xiàn)蔬菜安全的監(jiān)管，作物生長周期比較漫長，保存了大量的多媒體數(shù)據(jù)，但對于如何有效融合多媒體數(shù)據(jù)與其他結(jié)構(gòu)數(shù)據(jù)，提取有價值信息，還沒有相關(guān)研究。聯(lián)邦農(nóng)業(yè)教育研究所對小麥品種的水肥條件、品種特性、產(chǎn)量品質(zhì)、抗病蟲害等能力進行評估，利用計算機輔助診斷系統(tǒng)為農(nóng)民提供病害防治服務(wù)[13-15]，但沒涉及圖像等非結(jié)構(gòu)化知識數(shù)據(jù)，完全依靠專家知識模型進行診斷，不具備較好的智能性。隨著“物聯(lián)網(wǎng)+大數(shù)據(jù)+互聯(lián)網(wǎng)”模式在農(nóng)業(yè)信息化中的發(fā)展，越來越多的研究者將圖像處理和機器視覺技術(shù)引入農(nóng)作物病害識別診斷中，取得了大量研究成果[16-18]。

中國多媒體技術(shù)分析與診斷在各領(lǐng)域研究已取得一定成果[19-22]，利用多媒體技術(shù)開發(fā)了各種農(nóng)作物病蟲害診斷咨詢系統(tǒng)[23-24]，將各類病蟲害癥狀、形態(tài)和病理特性可視化、圖形化，將復(fù)雜的病蟲害識別與診斷過程簡單化，如郭小清等[25]利用多尺度識別模型構(gòu)建了番茄葉部病害圖像識別系統(tǒng)，識別率為89.2%；劉洋等[26]在手機端開發(fā)了植物病害葉片檢測系統(tǒng)，實現(xiàn)葡萄病害葉片共38 類26 種病害在線識別；馬浚誠等[27]基于圖像和深度學(xué)習(xí)技術(shù)，構(gòu)建了溫室黃瓜病害識別系統(tǒng)，在圖像分割的基礎(chǔ)上，有效識別黃瓜霜霉病、白粉病。

農(nóng)業(yè)專家系統(tǒng)方面，將多媒體技術(shù)與物聯(lián)網(wǎng)、數(shù)據(jù)庫管理、人工智能、農(nóng)業(yè)專家系統(tǒng)、知識庫、推理機等技術(shù)相結(jié)合，開發(fā)智能診斷支持系統(tǒng)[28-30]，如基于物聯(lián)網(wǎng)的荔枝專家診斷系統(tǒng)[31]、多媒體水稻病害專家系統(tǒng)[32]等已被廣泛應(yīng)用到農(nóng)業(yè)生產(chǎn)中，并產(chǎn)生巨大的效益。中國農(nóng)業(yè)大學(xué)采用多媒體、超媒體與人工智能等技術(shù)，研制開發(fā)“北京蔬菜生產(chǎn)管理與植保輔助診斷系統(tǒng)”與“植物害蟲圖文信息與鑒定輔導(dǎo)系統(tǒng)”，推動多媒體技術(shù)在農(nóng)業(yè)生產(chǎn)信息化中的應(yīng)用。

上述的農(nóng)業(yè)智能診斷系統(tǒng)，多數(shù)仍停留在對專家知識的推理或單一的多媒體特征識別與特征匹配方面，很少涉及到多結(jié)構(gòu)、多形態(tài)、多參數(shù)數(shù)據(jù)[33]。單一特征不能很好的描述病害的典型特征，蔬菜的病害與其生長環(huán)境參數(shù)（土壤溫濕度、pH 值、空氣溫濕度等）、種植參數(shù)密切相關(guān)。

本文以設(shè)施黃瓜病害智能診斷為實例，融合結(jié)構(gòu)化生長環(huán)境參數(shù)與非結(jié)構(gòu)化圖像特征，提出一種多結(jié)構(gòu)參數(shù)集成學(xué)習(xí)的設(shè)施黃瓜病害智能診斷技術(shù)，以圖像視覺特征與環(huán)境特征之間的典型相關(guān)性分析為基礎(chǔ)，對實時采集到的環(huán)境參數(shù)進行監(jiān)測、分析，并將其與圖像特征融合，分析黃瓜典型病害相關(guān)性，實現(xiàn)不同環(huán)境參數(shù)下，設(shè)施黃瓜易發(fā)病害的智能診斷分析。

1 多結(jié)構(gòu)參數(shù)數(shù)據(jù)分析

1.1 數(shù)據(jù)多路徑分組傳輸

傳感器密集分布的實時嵌入式設(shè)施農(nóng)業(yè)物聯(lián)網(wǎng)，通過無線傳感器節(jié)點，實時采集作物生長環(huán)境中各種影響因子的數(shù)據(jù)信息、圖像等，并將數(shù)據(jù)發(fā)送給計算資源，計算資源根據(jù)實體信息做出決策[34-36]，而不同結(jié)構(gòu)數(shù)據(jù)，由于單一的傳輸協(xié)議不能很好地適應(yīng)異構(gòu)的數(shù)據(jù)結(jié)構(gòu)，傳輸過程中更容易受到噪聲或干擾的影響。

為確保所接收的多結(jié)構(gòu)數(shù)據(jù)正確可靠，本文基于多媒體傳感器網(wǎng)絡(luò)感知模型，提出一種多路徑分組傳輸方法保證多結(jié)構(gòu)數(shù)據(jù)傳輸可靠性，采集得到的多源異構(gòu)數(shù)據(jù)不像傳統(tǒng)多路徑方法那樣對每份數(shù)據(jù)沿多條路徑傳輸，而是首先將數(shù)據(jù)按照不同數(shù)據(jù)類型（土壤溫濕度、土壤pH 值、空氣溫濕度等）分組，確保每組內(nèi)的數(shù)據(jù)段等長，且分別賦予不同組標(biāo)識：組0，…組N。在感知節(jié)點和匯聚節(jié)點之間構(gòu)建多條路徑，將不同類型、不同結(jié)構(gòu)的數(shù)據(jù)組沿多條路徑同時傳輸，提高吞吐量與數(shù)據(jù)傳輸?shù)目煽啃浴?如圖1 所示，將采集到的多結(jié)構(gòu)數(shù)據(jù)進行分組標(biāo)識后，通過多路徑對同類型的數(shù)據(jù)參數(shù)進行傳輸。

圖1 物聯(lián)網(wǎng)實時數(shù)據(jù)傳輸流程Fig.1 Real-time data transmission flow of internet of things

假設(shè)無線多媒體傳感節(jié)點組為Mi，在多路徑數(shù)據(jù)傳輸中，數(shù)據(jù)源節(jié)點組根據(jù)應(yīng)用的期望可靠性以及信道傳輸狀況，將采集數(shù)據(jù)進行分組并沿著多條路徑輸出。采集數(shù)據(jù)通過感知節(jié)點向基站發(fā)送數(shù)據(jù)前，首先對采集數(shù)據(jù)按照結(jié)構(gòu)類型分組描述，節(jié)點組內(nèi)包括節(jié)點ID、數(shù)據(jù)類型、數(shù)據(jù)分組字節(jié)大小size( data )等字段。每組數(shù)據(jù)輸出時間為Ti，

式中Vi是從采集數(shù)據(jù)到輸出數(shù)據(jù)的各段路徑所允許的數(shù)據(jù)傳輸速率，Hi為第i組數(shù)據(jù)從采集節(jié)點到輸出節(jié)點最多所允許的鏈路值。

通過分組傳輸，可以避免數(shù)據(jù)丟失，并節(jié)省傳輸時間，有效提高數(shù)據(jù)采集的準確率。

1.2 數(shù)據(jù)關(guān)聯(lián)分析

多結(jié)構(gòu)參數(shù)的一個重要特點是數(shù)據(jù)之間存在復(fù)雜多樣的關(guān)聯(lián)性，這種關(guān)聯(lián)性能夠較好的提高智能診斷的正確性。由于多結(jié)構(gòu)參數(shù)中蘊含著多種多樣的數(shù)據(jù)，同模態(tài)數(shù)據(jù)中存在著關(guān)聯(lián)，如文本（專家知識）與文本，圖像（病害特征）與圖像等，存在內(nèi)容上的關(guān)聯(lián)；不同模態(tài)的數(shù)據(jù)，如圖像與文本間存在跨模態(tài)關(guān)聯(lián)，連續(xù)固定的環(huán)境參數(shù)會產(chǎn)生作物在圖像上的可視化內(nèi)容。多結(jié)構(gòu)數(shù)據(jù)間存在著結(jié)構(gòu)關(guān)聯(lián)，盡管關(guān)聯(lián)類型多樣，但不同類型的關(guān)聯(lián)關(guān)系不能統(tǒng)一量化表達，無法進行有效病害預(yù)測。如圖 2 所示，文本（專家知識）、圖像、種植環(huán)境實時數(shù)據(jù)等異構(gòu)互補的媒體形態(tài)共同表達了黃瓜白粉病，通過構(gòu)建映射關(guān)系，將異構(gòu)模態(tài)信息映射到共享子空間，在一個表達框架下直接對異構(gòu)數(shù)據(jù)進行相似性度量，從而推斷未知異構(gòu)數(shù)據(jù)的關(guān)聯(lián)關(guān)系。

多結(jié)構(gòu)參數(shù)具有多源異構(gòu)的特性，傳統(tǒng)圖遍歷方法導(dǎo)致對其訪問的效率比較低，本文提出一種集成式多結(jié)構(gòu)參數(shù)索引結(jié)構(gòu)，以文本（專家知識）、圖像（非結(jié)構(gòu)化數(shù)據(jù)）、種植環(huán)境（結(jié)構(gòu)化數(shù)據(jù)）構(gòu)成的黃瓜病害描述為例，選取其中的幾種典型病害，定義病害模型函數(shù)，并將描述其病害的專家知識、病害圖像、種植環(huán)境信息定義為子函數(shù)之間的病害模型f與多結(jié)構(gòu)參數(shù)i之間的映射關(guān)系C，其中每種不同結(jié)構(gòu)的參數(shù)體均與病害模型存在關(guān)聯(lián)關(guān)系，即C(fi, Ω ) = {病 害類別} 。當(dāng)輸入數(shù)據(jù)為黃瓜病害類別時，通過匹配病害類別與多結(jié)構(gòu)參數(shù)之間的關(guān)聯(lián)關(guān)系函數(shù)，分別從文本、圖像、結(jié)構(gòu)化的環(huán)境數(shù)據(jù)內(nèi)搜索與病害類別匹配內(nèi)容，最后以多種結(jié)構(gòu)展現(xiàn)的形式，從文字、視圖多角度描述黃瓜病害，實現(xiàn)數(shù)據(jù)的快速讀取、病害種類的智能診斷。

圖2 多結(jié)構(gòu)參數(shù)一致性表達Fig.2 Consistent representation of multi-structural parameters

2 多結(jié)構(gòu)數(shù)據(jù)集成學(xué)習(xí)的病害智能診斷方法

為掌握不同生長（如開花期、結(jié)果期）對生長環(huán)境的需求，采用周期性自動采集的方式匯聚空氣溫度、濕度和土壤溫度、濕度的數(shù)據(jù)，采用連續(xù)特定時間采集方式匯聚作物生長監(jiān)控與病害圖像數(shù)據(jù)，從而造成結(jié)構(gòu)化環(huán)境數(shù)據(jù)與非結(jié)構(gòu)化多媒體數(shù)據(jù)采集時間、數(shù)據(jù)類型不同，需要融合“環(huán)境+圖像+病害知識（文本）”，分析推理病害特點以實現(xiàn)病害種類的準確描述，及時獲得病害類型、營養(yǎng)缺素種類等信息，避免因貽誤最佳病害防治時機而導(dǎo)致?lián)p失。

2.1 多結(jié)構(gòu)數(shù)據(jù)學(xué)習(xí)向量化與特征最優(yōu)組合

本文以設(shè)施黃瓜白粉病、角斑病、炭疽病、菌核病等典型病害為例，研究多類別融合的學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)算法，將輸入層“環(huán)境實時物聯(lián)網(wǎng)數(shù)據(jù)、作物病害圖像數(shù)據(jù)、專家知識文本數(shù)據(jù)”三類不同類別數(shù)據(jù)特征進行融合，如圖3。

圖3 多類別學(xué)習(xí)向量量化與特征最優(yōu)組合Fig.3 Multi class learning vector quantization and optimal combination of features

根據(jù)組合權(quán)重向量，確定m個識別方案的總的離差平方和最大值，通過離差平和與最大值判斷得到多結(jié)構(gòu)數(shù)據(jù)最優(yōu)組合。

2.2 數(shù)據(jù)訓(xùn)練

本文以黃瓜白粉病、角斑病、炭疽病、菌核病 4 種病害為樣例，采用設(shè)施溫濕度傳感器實時采集 4 種病害發(fā)生時連續(xù)一個月空氣溫濕度值 3 000 條；采用手持式SONY 相機拍攝 4 種病害葉片圖像，每種病害圖像數(shù)量如表 1 所示，圖像大小為 1 536×1 152 像素，圖像格式為JPG；采用網(wǎng)絡(luò)爬蟲技術(shù)，爬取4 種病害的專家知識文本描述內(nèi)容，每種病害包含3 條專家知識。4 種病害的3類結(jié)構(gòu)的病害特征描述均經(jīng)過了人工識別，確保類別標(biāo)簽的可靠性。

將上述 3 類數(shù)據(jù)作為輸入層，計算連續(xù)一個月內(nèi)的平均空氣溫濕度、提取病害圖像的紋理與sobel 特征、提取專家知識關(guān)鍵詞，利用2.1 節(jié)中多結(jié)構(gòu)數(shù)據(jù)學(xué)習(xí)向量化與特征最優(yōu)組合方法，計算每類特征的屬性集進行特征融合，對融合后的特征進行學(xué)習(xí)訓(xùn)練，如圖4。

表1 病害數(shù)據(jù)集Table 1 Disease data sets

圖4 3 類不同結(jié)構(gòu)黃瓜典型病害數(shù)據(jù)訓(xùn)練Fig.4 Data training of three different cucumber diseases

根據(jù)病害種類分類正確與否調(diào)整獲勝神經(jīng)元權(quán)值，對輸出層4 種類別神經(jīng)元進行再次學(xué)習(xí)，得到黃瓜病害種類白粉?。? 0 0 0］、角斑?。? 1 0 0］、炭疽?。? 0 1 0］、菌核病[0 0 0 1]。

2.3 多結(jié)構(gòu)數(shù)據(jù)集成學(xué)習(xí)診斷

與單一文本數(shù)據(jù)因果推理不同，本文將其他形式的數(shù)據(jù)轉(zhuǎn)換為文本形式（自然語言或形式化語言），然后利用基于文本的因果推理技術(shù)，實現(xiàn)多結(jié)構(gòu)參數(shù)融合的因果推理。為多結(jié)構(gòu)數(shù)據(jù)建立統(tǒng)一事件表示模型和方法，令各不同結(jié)構(gòu)數(shù)據(jù)單元的特征空間表示方式：文本表示為矢量，圖像表示為矩陣，同一多媒體中的圖像、文本可以通過多任務(wù)稀疏表示、流行對齊、深度學(xué)習(xí)等機器學(xué)習(xí)方法，映射到一個共享的新特征空間中，避免多媒體信息必須轉(zhuǎn)換為文本模式的困難和穩(wěn)步模式本身的限制；同時，在同一模態(tài)媒體數(shù)據(jù)因果推理模型基礎(chǔ)上，利用部分媒體之間具有同源性和對應(yīng)性，把分立的單一模態(tài)媒體因果推理模型組合成異構(gòu)的多結(jié)構(gòu)參數(shù)因果推理模型。

不同類型數(shù)據(jù)之間存在語義鴻溝，建立語義關(guān)聯(lián)，將數(shù)據(jù)轉(zhuǎn)化到同一個空間中，利用平行向量場的流行對其進行對齊，保持不同類型數(shù)據(jù)流行上的度量，在流行對齊過程中，不同類型數(shù)據(jù)之間的語義關(guān)系投影到潛在的語義空間中，語義關(guān)聯(lián)隨之確定下來，然后在對齊后的流行上做因果推理。

3 試驗仿真與分析

作物的生長發(fā)育與溫室環(huán)境因子密不可分，生長發(fā)育進程明顯受到溫度的影響，而病害發(fā)生又與溫濕度有較大聯(lián)系。將采集到的海量實時數(shù)據(jù)進行分析，提取有價值知識，本文通過在線監(jiān)測生產(chǎn)環(huán)境的氣候因子、土壤理化性質(zhì)因子，結(jié)合設(shè)施黃瓜生理生態(tài)特點，精準把握農(nóng)藥和肥料施用時機、施用量、灌溉時機和灌溉量，減少農(nóng)藥、肥料施用量，避免環(huán)境污染；通過在線監(jiān)測生產(chǎn)環(huán)境的氣候因子，加強凍害、澇害和病蟲害災(zāi)害預(yù)警功能，及時采取應(yīng)對措施，建立災(zāi)害預(yù)警系統(tǒng)，減少損失。

病害智能診斷構(gòu)建需要大量且描述準確的診斷知識，主要來源于植保專家、植保專業(yè)技術(shù)人員和各種資料。對知識進行特征提取，將其標(biāo)準化，如黃瓜霜霉病可以表示如下：

蔬菜作物：黃瓜

發(fā)病時期：成株期

發(fā)病部位：葉片

病害癥狀：病斑形狀（多角形）；病斑大?。▏乐貢r病斑大連片）；發(fā)病部位（多從中下部葉發(fā)病）；病斑顏色（淺黃色至褐色）；病部特征物質(zhì)（潮濕時有紫黑色霉層）。

診斷知識賦值方法：病害的特征癥狀對病害診斷作用大小不同，其權(quán)重值不同，使用評估學(xué)中的多比例法獲取權(quán)重值。

依上述定義和用戶所選癥狀匹配后，進行計算，將 0ω與條件閾值E進行比較，如果ω0>E，則系統(tǒng)會按照概率由大到小進行排序，對符合條件的所有病害進行顯示。

采用正反向混合推理方式，深入診斷的病癥信息搜索及權(quán)重值的計算使用最佳優(yōu)先搜索法作為搜索策略，對北京市房山蔬菜示范園區(qū)內(nèi)13 個大棚，隨機取樣黃瓜病害圖像20 000 張，由 5 名專家（包括植保技術(shù)人員）對黃瓜霜霉病、白粉病、枯萎病、灰霉病、立枯病、根腐病、猝倒病等典型病害進行診斷，分析得到不同溫濕度環(huán)境下，易患病害的種類，如表 2 所示，同時選取典型的 4 種進行多結(jié)構(gòu)參數(shù)集成學(xué)習(xí)的病害診斷，具體識別情況如表3，

表2 環(huán)境與病害種類的關(guān)系Table 2 Relationship between environment and diseases

表 3 中，環(huán)境參數(shù)為連續(xù)半個月內(nèi)的物聯(lián)網(wǎng)采集的溫室內(nèi)的環(huán)境溫濕度參數(shù)，以每一分鐘采集一次數(shù)據(jù)為例，一天獲取到的溫濕度信息為4 213 條，由于傳輸過程中的參數(shù)丟失且去掉一些冗余數(shù)據(jù)，連續(xù)半個月的環(huán)境參數(shù)在5 000 多條與6 000 多條之間；圖像樣本為連續(xù)半個月人工采樣的數(shù)據(jù)，同一樣本源數(shù)據(jù)方向、角度、時間不同，分別采集了霜霉病圖像3 452 幅，白粉病4 332幅，枯萎病2 895 幅，角斑病4 213 幅，炭疽病2 341 幅；每類病害均對應(yīng)若干條專家知識描述，將其組合得到每種病害的專家知識描述的數(shù)量；本文選取50 個樣本作為測試樣例，利用多結(jié)構(gòu)參數(shù)集成學(xué)習(xí)的方法對病害種類進行診斷，樣本識別率79.4%～93.6%，其中白粉病由于圖像特征明顯、且環(huán)境與病害關(guān)系明確，識別率比較高，枯萎病病害特征與炭疽病圖像特征具有相似性，所以識別率與其他病害識別率相比較低。

表3 4 種病害具體識別情況Table 3 Identifications situation of four kinds diseases

為驗證本文算法的魯棒性，分別選取卷積神經(jīng)網(wǎng)絡(luò)、深度遷移學(xué)習(xí)下的單純圖像識別技術(shù)應(yīng)用在上述 5 種黃瓜典型病害識別，識別效果對比如表4。

表4 識別效果對比分析Table 4 Comparison of recognition results

通過試驗分析，卷積神經(jīng)網(wǎng)絡(luò)圖像識別方法，識別率與本文方法相近，但是由于需要對病害圖像數(shù)據(jù)進行降維與分析工作，所以后臺識別時間高于本文方法；深度遷移學(xué)習(xí)的圖像識別方法，需要大量的圖像數(shù)據(jù)輸入深度學(xué)習(xí)網(wǎng)絡(luò)進行學(xué)習(xí)，而現(xiàn)實中病害圖像的數(shù)量不足以滿足深度學(xué)習(xí)的要求，因此識別率會因為樣本的不充分而降低；本文方法借助少量圖像數(shù)據(jù)，同時結(jié)合環(huán)境與專家知識資源，采用多結(jié)構(gòu)參數(shù)集成學(xué)習(xí)的方法進行病害識別，在較少識別時間的基礎(chǔ)上確保識別的準確性。

4 結(jié) 論

隨著蔬菜復(fù)種指數(shù)的增加，病蟲害發(fā)生越來越嚴重，且冬暖棚及溫室等保護為設(shè)施蔬菜生長發(fā)育創(chuàng)造適宜的小氣候條件同時，也給蔬菜病害交疊發(fā)生提供了條件，使得病害防治越來越難。

本文以黃瓜白粉病、角斑病、炭疽病、菌核病 4 種病害樣本數(shù)據(jù)為實例，融合結(jié)構(gòu)化作物生長環(huán)境參數(shù)與非結(jié)構(gòu)化圖像等多結(jié)構(gòu)數(shù)據(jù)，通過智能化的物聯(lián)網(wǎng)，對實時采集到的環(huán)境參數(shù)進行監(jiān)測、分析，并將其與圖像特征融合，研究多結(jié)構(gòu)數(shù)據(jù)學(xué)習(xí)向量化與特征最優(yōu)組合，實現(xiàn)對設(shè)施黃瓜在不同環(huán)境參數(shù)下，易發(fā)典型病害的智能診斷分析，樣本識別率79.4%～93.6%，同時結(jié)合環(huán)境與專家知識資源，通過子空間映射解決了不同模態(tài)數(shù)據(jù)特征異構(gòu)性問題，在較少識別時間的基礎(chǔ)上確保識別的準確性。