2022年多传感器信息融合考点总结.docx

《2022年多传感器信息融合考点总结.docx》由会员分享，可在线阅读，更多相关《2022年多传感器信息融合考点总结.docx（14页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精品_精品资料_考点 1：多传感器数据融合的定义、目的和实质考点 2：多传感器数据融合过程考点 3：JDL 功能模型的级别、功能考点 4：数据融合的三个层次以及优缺点考点 5：数据融合方法的结构以及优缺点考点 6：多传感器数据融合技术存在的局限性考点 7：多源信息融合的检测、状态和属性融合的工作原理及其优缺点考点 8：多传感器目标检测的融合结构及各自的优缺点考点 9：分布式融合检测系统二元假设检验问题考点 10：分布式检测融合系统常见的结构考点 11：分布式检测融合系统常见的融合策略.它们的检测概率和虚警概率公式和判决准就公式考点 12：多传感器数据融合常用算法、基本原理、优缺点考点 13：数

2、据关联的步骤考点 14: 卡尔曼滤波算法的 5 条核心公式及其含义考点 15：基于贝叶斯统计理论的属性融合识别过程考点 16：模糊集合与隶属函数的定义考点 17：模糊推理综合评判的步骤和作用考点 18：从功能上看,模糊推理系统的组成和作用数据融合的目的基于各独立传感器的观测数据, 通过融合导出更丰富的有效信息, 获得正确协同成效,发挥多个传感器的联合优势, 提高传感器系统的有效性和鲁棒性, 排除单一传感器的局限性.数据融合的定义功能定义：将多个信息源的数据进行相关、 整合,以获得目标的精确位置、 身份, 最终对目标进行完整精确评判.技术定义： 充分利用不同时间与空间的多传感器资源, 采纳运算机

3、技术按时间序列获得多传感器的观测数据,在肯定准就下进行分析、综合、支配和使用.获得 与被测对象的一样性说明与描述, 进而实现相应的决策和估量, 使得系统比它的各个组成部分更为充分的信息.数据融合的实质： 一种多源信息的综合技术, 通过对来自不同传感器的数据进行分析和综合,可以获得被测对象及其性质的正确一样估量.数据融合的过程 ：分析来自全部传感器和多信息源的数据, 并对其进行配准、 关联、相关、估量、分类与信息反馈等处理.配准：将传感器数据统一到同一时间和空间参考系中关联：使用某种度量尺度对来自不同传感器的数据进行比较,确定进行相关处理的候选配对相关：对关联后的数据进行处理以确定它们是否属于同

4、一个目标估量：依据相关处理后的结果对目标的状态变量与估量误差方差进行更新,实现对目标的将来状态猜测分类：通过对特点数据的分析,确定目标的类型等可编辑资料 - - - 欢迎下载精品_精品资料_JDL功能模型的级别、功能JDL模型是美国国防部数据融合联合指挥试验室提出的,分为四级.第一级：目标评估,包括数据配准、数据关联、目标位置参数及运动学和属性参数估量,以及身份估量等.其次级: 态势评估,是对整个态势的抽象和评定.分析在各种态势下的数据,包括天气、的势、海况、水下情形、敌情或社会政治因素等.第三级： 威逼评估, 它将当前态势映射到将来, 对参加者设想或猜测的行为的影响进行评估.照实例估量、猜测

5、敌方意图、威逼识别、多方面分析、攻击与防备 分析.第四级：过程评估,它是一个更高级的处理阶段,包括融合性能成效评判、融合掌握、对特殊信息源要求的处理和任务治理.数据融合的三个层次以及优缺点：可编辑资料 - - - 欢迎下载精品_精品资料_处理过程定义传递介质融合级别优缺点每个传感器先基于自己的数据做出决策, 然后由融合中心完成局部决策.优点：通信量小、抗干扰才能强、 融合中心处理代可编辑资料 - - - 欢迎下载精品_精品资料_高层次融合决策决策级融合价低.缺点：数据缺失量最大、精度最低.可编辑资料 - - - 欢迎下载精品_精品资料_可编辑资料 - - - 欢迎下载精品_精品资料_挑选、整合

6、和抽象信息特点级融合每个传感器先抽象出自己的特点向量, 然后由融合中心完成融合处理.优点：进行了数据压缩、 对通信带宽的要求低、 利于实时处理.缺点：有信息缺失、融合性能降低可编辑资料 - - - 欢迎下载精品_精品资料_可编辑资料 - - - 欢迎下载精品_精品资料_传感器采集数据数据级融合直接对传感器的观测数据及预处理各阶段产生的 信息进行融合处理, 然后基于融合后的结果进行特点提取和判定决策.优点：数据缺失量较少,精度最高缺点：代价高、要求传感器是同质的、 数据通信量大、抗干扰才能差、处理的数据量大.可编辑资料 - - - 欢迎下载精品_精品资料_数据融合方法的结构以及优缺点集中式融合结

7、构： 将检测数据传递到融合中心,然后进行数据对准、点迹相关、数据互联、航迹滤波、猜测与综合跟踪等.优点：信息缺失量最小缺点：互联比较困难.并且要求系统必需具备大容量的储备才能,运算负担重, 系统生存才能较差分布式融合结构 ：其中的每个传感器的检测数据在进入融合以前,先由它自己的处理器产生局部决策结论,然后将处理过的信息送至融合中心,完成综合决策, 形成全局估量.优点：运算量小,易实现,系统生存才能强缺点：信息缺失量大混合式融合结构： 集中式混合与分布式融合相结合优点：适合复杂度高、难度大的大系统,可扩充性一般缺点：在通信和运算上要付出昂贵的代价多级式融合结构： 各局部节点可以同时或分别是集中式

8、、分布式或混合式的融合中心,系统的融合节点再次对各局部节点传来的航迹进行相关和合成.优点：信息缺失中等,融合难度中等缺点：系统结构复杂,实现难度高,成本高多传感器数据融合技术存在的局限性1. 数据融合处理不行能修正预处理或单个传感器处理时的错误.2. 数据融合过程中期望用一种简洁的方式来描述传感器性能,而用模型来精确描述传感器的性能是特别困难的.3. 由于数据来源不同,一种单一的融合算法可能很难实现预想的融合成效,往往需要综合各门学科的多种技术.对于给定的数据如何挑选合适的算法来进行有效的信息融合是数据融合技术进展所面临的挑战.4. 并未形成基本的理论框架和有效的广义融合模型及算法,绝大部分工

9、作都是环绕特定应用领域内的详细问题来绽开的.5. 缺乏对数据融合技术和数据融合系统性能进行评估的手段.如何建立评判机制,对数据融合系统进行综合分析,对数据融合算法和系统性能进行客观精确的评判,是亟待解决的问题.多源信息融合的检测、状态和属性融合的工作原理及其优缺点多传感器检测融合 ：就是将来自多个不同传感器的观测数据或判决结果进行综合, 从而形成一个关于同一环境或大事的更完全、 更精确的判决, 是信息融合理论中的一个重要讨论内容. 它能排除单个或单类传感器检测的不确定性、 提高检测系统的牢靠性、改善检测性能、更加有用状态融合 ：是当单传感器供应动态目标的时间采样信息或多传感器供应同一目标的独立

10、测量时, 需要融合多组测量数据, 导出目标位置或运动状态信息. 在导出可编辑资料 - - - 欢迎下载精品_精品资料_目标位置或运动状态的过程中,包含两类基本处理,状态估量和数据关联技术多源属性融合： 是利用多传感器检测信息对目标的属性、类型进行判定多传感器目标检测的融合结构及各自的优缺点集中式检测融合 优点：融合中心数据全面.最终判决结果理论置信度高缺点：数据量大,通信带宽要求高.信息处理时间长.融合中心负荷大分布式检测融合 优点：数据传输量小,通信带宽要求低.分布式运算,融合效率高.融合中心负荷小缺点：缺乏相互之间的关联.数据缺失大分布式融合检测系统二元假设检验问题给定一组假设Hi,通过对

11、已有的数据集y 进行处理,确定当前哪一个假设Hi 成立,从而做出决策 Dj.对于只存在去两种假设（H0,H1）的检测问题,称为二元假设检验问题.假设分布式并行检测融合系统由融合中心及N个传感器构成.每一个局部传感器基于自己的观测值 Yi 完成同一个决策任务,之后将决策值Ui 传送到融合中心.融合中心的任务是依据接收到的局部决策,利用最优融合规章,作出全局决策U0分布式检测融合系统常见的结构并行结构、分散结构、串行结构、树形结构可编辑资料 - - - 欢迎下载精品_精品资料_【表决融合检测准就】分布式检测融合系统常见的融合策略.它们的检测概率和虚警概率公式和判决准就公式“与”融合检测准就“或”融

12、合检测准就表决融合检测准就最大后验概率融合检测准就Neyman-pearson 融合检测准就贝叶斯融合检测准就最小误差概率准就可编辑资料 - - - 欢迎下载精品_精品资料_【最大后验概率融合检测准就】【Neyman-pearson融合检测准就】可编辑资料 - - - 欢迎下载精品_精品资料_【贝叶斯融合检测准就】【最小误差概率准就】多传感器数据融合常用算法、基本原理、优缺点可编辑资料 - - - 欢迎下载精品_精品资料_模糊集理论 ：主要包括模糊集合理论、 模糊规律、 模糊推理和模糊掌握等方面的内容.把人类专家对特定的被控对象或过程的掌握策略总结成一系列以“IF 条件THEN作用 ”形式表示

13、的掌握规章,通过模糊推理得到掌握作用集,作用于被控对象或过程.掌握作用集为一组条件语句, 状态语句和掌握作用均为一组被量化了的模糊语言集,如“正大”、“负大”、“正小”、“负小”、零等.优点：简化系统设计的复杂性, 特殊适用于非线性、 时变、模型不完全的系统上.利用掌握法就来描述系统变量间的关系.不用数值而用语言式的模糊变量来描述系统, 模糊掌握器不必对被掌握对象建立完整的数学模式.模糊掌握器是一语言掌握器,使得操作人员易于使用自然语言进行人机对话.模糊掌握器是一种简洁掌握、 把握的较抱负的非线性掌握器, 具有较佳的适应性及强健性 Robustness 、较佳的容错性 Fault Tolera

14、nce .3缺点：1. 模糊掌握的设计尚缺乏系统性, 这对复杂系统 的掌握是难以奏效的. 所以如何建立一套系统的模糊 掌握理论 ,以解决模糊掌握的机理、 稳固性分析、 系统化设计方法等一系列问题.2. 如何获得 模糊规章 及隶属函数 即系统的设计方法, 21 世纪初完全凭体会进行.3. 信息简洁的模糊处理将导致系统的掌握精度降低和动态品质变差. 如要提高精度就必定增加量化级数, 从而导致规章搜寻范畴扩大, 降低决策速度, 甚至不能实时掌握.4. 如何保证 模糊掌握 系统的稳固性即如何解决模糊掌握中关于稳固性和 鲁棒性问题.神经网络： 人工神经网络（ Artificial Neural Netw

15、orks,简写为 ANNs）也简称为神经网络（ NNs）或称作连接模型（ Connection Model）,它是一种仿照动物神经网络行为特点, 进行分布式并行信息处理的算法数学模型. 这种网络依靠系统的复杂程度, 通过调整内部大量节点之间相互连接的关系, 从而达处处理信息的目的.人工神经网络也具有初步的自适应与自组织才能.在学习或训练过程中转变突触 权重值 ,以适应四周环境的要求. 同一网络因学习方式及内容不同可具有不同的功能. 人工神经网络是一个具有学习才能的系统,可以进展学问, 以致超过设计者原有的 学问水平 .通常, 它的学习训练方式可分为两种, 一种是有监督或称有导师的学习, 这时利

16、用给定的样本标准进行分类或仿照. 另一种是无监督学习或称无为导师学习, 这时, 只规定学习方式或某些规章, 就详细的学习内容随系统所处环境 （即输入信号情形）而异,系统可以自动发觉环境特点和规律性,具有更近似人脑的功能.优点：神经网络有很强的非线性拟合才能, 可映射任意复杂的非线性关系, 而且学习规章简洁,便于运算机实现.具有很强的鲁棒性、记忆才能、非线性映射才能以及强大的自学习才能,因此有很大的应用市场.可以充分靠近任意复杂的非线性关系.全部定量或定性的信息都等势分布贮存于网络内的各神经元,故有很强的鲁棒性和容错性.采纳并行分布处理方法,使得快速进行大量运算成为可能.可学习和自适应不知道或不

17、确定的系统. 能够同时处理定量、定性学问.缺点：最严峻的问题是没才能来说明自己的推理过程和推理依据.可编辑资料 - - - 欢迎下载精品_精品资料_不能向用户提出必要的询问, 而且当数据不充分的时候, 神经网络就无法进行工作.把一切问题的特点都变为数字, 把一切推理都变为数值运算, 其结果势必是丢失信息.理论和学习算法仍有待于进一步完善和提高.D-s 证据理论称为 Dempster/Shafer证据理论 D-S 证据理论 ,属于人工智能范畴, 最早应用于专家系统 中,具有处理不确定信息的才能. 作为一种不确定推理方法, 证据理论的主要特点是： 满意比贝叶斯概率论更弱的条件. 具有直接表达“不确

18、定”和“不知道”的才能. S 证据理论中,由互不相容的基本命题（假定）组成的完备集合称为识别框架, 表示对某一问题的全部可能答案, 但其中只有一个答案是正确的.该框架的子集称为 命题.安排给各命题的信任程度称为基本概率安排（ BPA,也称 m函数）, mA为基本可信数,反映着对 A 的信度大小.信任函数Bel（ A）表示对命题 A 的信任程度, 似然函数 PlA 表示对命题 A 非假的信任程度,也即对 A 好像可能成立的不确定性度量,实际上,BelA,PlA表示 A 的不确定区间, 0,BelA表示命题 A 支持证据区间, 0,PlA表示命题 A 的拟信区间, PlA,1表示命题 A 的拒绝证

19、据区间. 设 m1和 m2是由两个独立的证据源（传感器）导出的基本概率安排函数,就Dempster 组合规章可以运算这两个证据共同作用产生的反映融合信息的新的基本概率安排函数.优点： D-S 理论是对贝叶斯推理方法推广,主要是利用概率论中贝叶斯条件概率来进行的, 需要知道先验概率. 而 D-S 证据理论不需要知道先验概率, 能够很好的表示“不确定”,被广泛用来处理不确定数据缺点：无法解决证据冲突严峻和完全冲突的情形难以辨识模糊程度基本概率安排函数的微小变化会使组合结果产生急剧变化贝叶斯理论通常,大事 A在大事 B 发生 的条件下的概率,与大事B 在大事 A 的条件下的概率是不一样的.然而,这两

20、者是有确定的关系 , 贝叶斯法就就是这种关系的陈述.贝叶斯公式（发表于1763年）为： PHi|A=PHi*PAHi/PH1*PAH1+PH2*PA H2+ +PHn*PA Hn这就是闻名的“贝叶斯定理”, 一些文献中把 PH1 、PH2 称为基础概率,PAH1 为击中率, PAH2 为误报率 12优点：）贝叶斯决策能对信息的价值或是否需要采集新的信息做出科学的判定.（2） ）它能对调查结果的可能性加以数量化的评判, 而不是像一般的决策方法那样 ,对调查结果或者是完全信任 , 或者是完全不信任 .（3） ）假如说任何调查结果都不行能完全精确 , 先验学问或主观概率也不是完全可可编辑资料 - -

21、 - 欢迎下载精品_精品资料_以信任的 , 那么贝叶斯决策就奇妙的将这两种信息有机的结合起来了.（4） ）它可以在决策过程中依据详细情形下不断的使用, 使决策逐步完善和更加科学.缺点：（1）它需要的数据多 , 分析运算比较复杂 , 特殊在解决复杂问题时 , 这个矛盾就更为突出 .（ 2）有些数据必需使用主观概率 , 有些人不太信任 , 这也阻碍了贝叶斯决策方法的推广使用 .数据关联一共六个步骤查找数据库中的被选实体.把被选实体校正到观测时间ti .运算猜测状态.门限过滤.运算关联矩阵.安排规律卡尔曼滤波公式第一我们要利用系统的过程模型, 来猜测下一状态的系统. 假设现在的系统状态是 k,依据系

22、统的模型,可以基于系统的上一状态而猜测显现在状态：Xk|k-1=A Xk-1|k-1+B Uk . 1式1 中, Xk|k-1是利用上一状态猜测的结果, Xk-1|k-1是上一状态最优的结果, Uk 为现在状态的掌握量,假如没有掌握量,它可以为0.到现在为止, 我们的系统结果已经更新了, 可是,对应于 Xk|k-1的 covariance仍没更新.我们用 P 表示 covariance ：Pk|k-1=A Pk-1|k-1 A +Q 2式2 中, Pk|k-1是 Xk|k-1对应的 covariance , Pk-1|k-1是 Xk-1|k-1 对应的 covariance ,A表示 A 的转

23、置矩阵, Q是系统过程的 covariance .式子1,2 就是卡尔曼滤波器 5 个公式当中的前两个,也就是对系统的猜测.现在我们有了现在状态的猜测结果, 然后我们再收集现在状态的测量值. 结合猜测值和测量值,我们可以得到现在状态k 的最优化估算值 Xk|k ：Xk|k= Xk|k-1+Kgk Zk-H Xk|k-1 3其中 Kg 为卡尔曼增益 Kalman Gain ：Kgk= Pk|k-1 H / H Pk|k-1 H + R 4到现在为止,我们已经得到了 k 状态下最优的估算值 Xk|k .但是为了要另卡尔曼滤波器不断的运行下去直到系统过程终止,我们仍要更新 k 状态下 Xk|k 的

24、covariance ：Pk|k= （I-Kgk H）Pk|k-1 5其中 I为 1 的矩阵,对于单模型单测量, I=1 .当系统进入 k+1 状态时, Pk|k就是式子 2 的 Pk-1|k-1.这样,算法就可以自回来的运算下去.卡尔曼滤波器的原理基本描述了, 式子 1,2,3,4 和 5 就是他的 5 个基本公式.可编辑资料 - - - 欢迎下载精品_精品资料_依据这 5 个公式,可以很简洁的实现运算机的程序.基于贝叶斯统计理论的属性融合识别过程可编辑资料 - - - 欢迎下载精品_精品资料_运算一：运算二：可编辑资料 - - - 欢迎下载精品_精品资料_模糊集合与隶属函数的定义 : 假如

25、 X 是对象 x 的集合,就将 X的模糊集合 A 定义为有序对的集合, 即：A=X, Ax|x X, 其中 X 称为论域, Ax 称为模糊集 A 的隶属函数, Ax=1 表示完全属于 A,Ax=0 表示完全不属于 A,0 Ax1 表示部分属于 A模糊推理综合评判的步骤和作用 ：确定评判对象的因素集. 确定评语集. 做出单因素评判.综合评判.模糊综合评判法是一种基于模糊数学的综合评标方法.该综合评判法依据模糊数学的隶属度理论把定性评判转化为定量评判,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评判.它具有结果清楚,系统性强的特点,能较好的解决模糊的、难以量化的问题,适合各种非确定性问题的解决从功能上看, 模糊推理系统的组成和作用 ：主要由模糊化、模糊规章库、模糊推理方法及去模糊化几部分组成. 是一种利用数据和语言两类信息, 依据模糊规章进行信息处理的动态模型,主要用来解决带有模糊现象的复杂推理问题可编辑资料 - - - 欢迎下载精品_精品资料_运算题四可编辑资料 - - - 欢迎下载