本项目的研究划分3个子课题，具体分工如下：

子课题1：可信融合技术的研究

1）基于多域感知系统的噪声处理技术与弱关联特征提取技术：主要研究如何利用信号的时域稳定特征，和辨识目标运动特点，在时域范围对于干扰信号进行消除。同时，需要考虑干扰消除的效果和稳定性，干扰消除对于成像效果有直接的影响。特别是定位信号采用FMCW方式时，需要进一步考虑信号本身的时变特征，对干扰消除机制进行自适应的调整，确保成像信号的稳定性。

2）多域复杂系统跨域信息联合的运动性建模理论与方法：研究多天线系统下，联合利用反射信号波达角与频域信息对运动目标的运动要素（位置、速度、方向等）进行建模。具体来说，结合信号波达角信息获得移动目标粗略的静态全局位置以及OFDM不同子载波频域信息，建立“无线信号-移动性”模型，推算移动目标精确的局部运动方向与速度，实现高精度的移动目标运动性建模。

3）复杂场景下的多运动目标实时跟踪：研究多运动目标环境下的运动主体检测、跟踪、扫描成像技术。与传统的2D系统不同，3D多天线系统扫描由于探测空间复杂，对于计算资源的要求较高，时间开销较大。进一步研究天线阵列的部署与扫描调度策略，将传统的扫描进行有效的降维与分解。同时，我们要研究信号的空间分解技术，将信号的复杂度进一步降低，有效提高三维扫描与处理的效率。

该子课题由中国科学技术大学李向阳教授担任负责人，负责跨域可信融合方面的研究内容，主要包括跨域协同感知模型、数据获取与隐私保护、算法验证及性能评估。中国科学技术大学的杨盘隆教授、谈海生副教授和周颢副教授也负责了可信融合相关技术的研究。

子课题2：深度迁移技术的研究

1）跨域多模态感知数据深度迁移理论研究：针对源数据与目标数据所在的领域具相关性复杂多变的情况，提出迁移性的度量标准，加强“负迁移”领域的研究，寻找更高质量的度量标准，并能够根据度量标准聚类相关领域与任务，寻找领域间更深层次的关系。其次，加强“连续多域迁移”领域的研究。一方面，将挖掘多领域间知识的关联，寻找多领域知识融合方法，达到多领域向目标领域进行迁移的目标。另一方面，拟探究面向连续多次知识迁移场景的全局最优化学习方法，以达成终身学习的目标。

2）基于深度学习的人体行为感知：基于深度学习中递归神经网络在建模时序特征的有效性，利用长短时记忆（LSTM）模型（一种深度神经网络）从“无线信号-移动性”模型输出的时序运动信息中挖掘出人体行为特征。同时，根据多运动目标的空间关系，利用卷积神经网络建模多目标移动性的空间规律。结合上述时序、空间特征，利用深度学习技术进行人体行为识别。收集大量无线信号特征数据，建立人体行为数据库，为特定动作分析及关键事件检测提供大规模训练数据保障。

该子课题由西安交通大学赵季中教授担任负责人，惠维和王进军等作为项目核心骨干，负责深度迁移方面的研究内容，主要包括多源域隐关联挖掘、迁移判据分析建模、大跨度域间多步迁移、算法验证及系统整合。

子课题3：自主学习技术的研究

1）多模态自适应选择的高鲁棒协同感知：系统研究多模态自适应选择的高鲁棒协同感知机系统，研究内容包括：1）协同传感；2）协同选择；3）协同表征。协同传感模块主要研究具有协同感知能力的输入设备/装置，为后面的协同选择和表征提供初步协同的传感数据；协同选择模块主要研究基于时空约束的多模态信息同步和基于可用性质量评估的多模态优化选择，实现对多模态信号的同步和信号源的优化选择；协同表征模块主要研究基于缺失信息的鲁棒性关联和基于冗余信息的一致性映射，在基于此实现跨维度信息的协同表征。

2）多模态大数据增量式自主学习智能推理基础理论研究：多模态大数据增量式自主学习智能推理基础理论研究内容包括两个主要模块：1）增量式自主学习智能生长。研究主动数据选择与特征自适应、评估最优结构进化、数据迁移与特征关联标定、新交互知识模糊增长，实现增量式自主学习智能生长；2），多模态数据推理与逻辑演化。研究跨媒体的知识演化分析与推理方法，在传统人工智能通过谓词、命题和规则等方法进行推理的基础上，结合知识指导的跨媒体深度学习和多实例学习等机制，研究演绎逻辑、类比推理等技术手段在跨媒体中的应用和发展，实现基于语义理解的跨媒体综合推理；