数据融合的关键技术.pptx

《数据融合的关键技术.pptx》由会员分享，可在线阅读，更多相关《数据融合的关键技术.pptx（33页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、智能信息处理技术智能信息处理技术1主要内容主要内容一、传感器管理一、传感器管理二、数据融合的主要技术二、数据融合的主要技术第1页/共33页智能信息处理技术智能信息处理技术智能信息处理技术智能信息处理技术2 2一一 传感器管理传感器管理目的目的发现跟踪和识别目标发现跟踪和识别目标要求要求覆盖尽可能大的搜索空域较小的代价，较低的虚警率较高的发现率、精度与可信度核心问题核心问题传感器的选择传感器工作模式的选择传感器工作优化策略第2页/共33页智能信息处理技术智能信息处理技术智能信息处理技术智能信息处理技术3 3传感器管理主要内容传感器管理主要内容传感器管理主要内容传感器管理主要内容传感器管理传感器管

2、理空间管理空间管理时间管理时间管理原因：不全向非同步原因：不全向非同步方法：对传感器进行空方法：对传感器进行空间上的任务分配间上的任务分配传感器系统中，大部分传感器不是全向工作 的，并且传感器之间是非同步的；空间管理空间管理第3页/共33页智能信息处理技术智能信息处理技术智能信息处理技术智能信息处理技术4 4时间管理时间管理时间管理时间管理原因原因1 1：传感器功能不同：传感器功能不同原因原因2 2：不同时刻不同传：不同时刻不同传感器的工作情况不同感器的工作情况不同方法：不同时间使方法：不同时间使用不同传感器组合用不同传感器组合时间管理时间管理多传感器系统可能由多种多样的传感器组成的，每个传感

3、器都有不同的任务，即有不同分工。如水下无线传感器网络，水听器阵列、水声modem可能在某一时刻，只需要某些传感器工作，或只需要某些方向上传感器工作。例如，传感器节点几种工作状态根据事件出现的顺序，选用不同的传感器组合，按一定的时间顺序进行统一管理。第4页/共33页智能信息处理技术智能信息处理技术智能信息处理技术智能信息处理技术5 5二二二二 数据融合的主要技术数据融合的主要技术数据融合的主要技术数据融合的主要技术 一、态势数据库一、态势数据库二、数据融合二、数据融合第5页/共33页智能信息处理技术智能信息处理技术智能信息处理技术智能信息处理技术6 61 1 1 1、态势数据库、态势数据库、态势

4、数据库、态势数据库当前观测结果当前观测结果;中间结果中间结果;最终态势最终态势;把当前各传感器的观测结果及时提供给融合中心，提供融合计算所需各种其他数据。同时也存贮融合处理的最终态势/决策分析结果和中间结果。第6页/共33页智能信息处理技术智能信息处理技术智能信息处理技术智能信息处理技术7 7传感器历史数据传感器历史数据有关目标和环境的辅助信息有关目标和环境的辅助信息融合计算的历史信息融合计算的历史信息态势数据库要求容量大、态势数据库要求容量大、搜索快、开放互联性好，搜索快、开放互联性好，且具有良好的用户接口。且具有良好的用户接口。第7页/共33页2.2.2.2.数据融合的常用方法数据融合的常

5、用方法数据融合的常用方法数据融合的常用方法BayesBayes估计估计法法滤波滤波跟踪跟踪聚类聚类分析分析数据融数据融数据融数据融合技术合技术合技术合技术 假设检验假设检验法法证据理证据理论论神经网神经网络络第8页/共33页数据融合的常用技术数据融合的常用技术数据融合的常用技术数据融合的常用技术D-SD-S证据理论证据理论对信息的表示和处理更加接近人类的思维方式对信息的表示和处理更加接近人类的思维方式证据组合规则是证据组合规则是DSDS证据理论的核心证据理论的核心,但在应用但在应用中要求满足组合证据之间相互独立中要求满足组合证据之间相互独立BayesBayes估计理论估计理论BayesBaye

6、s方法具有严格的理论基础，应用广泛方法具有严格的理论基础，应用广泛采用归纳推理的方法对多源信息进行有效融合采用归纳推理的方法对多源信息进行有效融合充分利用了测量对象的先验信息充分利用了测量对象的先验信息第9页/共33页融合技术融合技术融合技术融合技术-Bayes-Bayes-Bayes-Bayes统计理论统计理论统计理论统计理论不采用先不采用先验概率验概率概率是一概率是一种类似频种类似频数的解释数的解释特征特征小概率原理小概率原理.原理原理将被测参数看做将被测参数看做一个固定值，没一个固定值，没有充分利用其先有充分利用其先验信息验信息精度和信度是预精度和信度是预定的，不依赖于定的，不依赖于样本

7、。样本。不足不足基于经典统计方法的多传感器数据处理第10页/共33页BayesBayes统计理论统计理论在考虑可靠度情况下传感器测量需要解决的一个关键问题：真值和测量值考察一个随机试验，在该试验中n个互不相容的事件A1，A2，An必然会发生一个，且只能发生一个，用P（Ai）表示Ai发生的概率设利用一传感器对A事件的发生进行检测，检测结果为B，则Ai为真值，B为测量值第11页/共33页显然有：v后验知识：检验后事件A A1 1，A A2 2，A An n发生的概率表现为条件概率：BayesBayes统计理论统计理论Bayes统计理论认为，人们在检验前后对某事件的发生情况的估计是不同的，而且一次检

8、验结果不同对人们的最终估计的影响是不同的。P(A1),P(A2)到 P(An)表示事件A1,A2到An发生的概率，这是试验前的知识称“先验知识”由于一次检验结果B的出现，改变了人们对事件A1，A2，An发生情况的认识，这是试验后的知识称为“后验知识”。贝叶斯贝叶斯统计理统计理论论后验后验知识知识先验先验知识知识第12页/共33页Bayes估计是检验过程中对先验知识向后验知识的不断修正Bayes公式：对一组互斥事件Ai，i=1，2，n，在一次测量结果为B时，Ai发生的概率（后验概率）为：其中Ai为对样本空间的一个划分，即Ai为互斥事件且 BayesBayes统计理论统计理论利用Bayes统计理论

9、进行测量数据融合：充分利用了测量对象的先验信息根据一次测量结果对先验概率到后验概率的修正第13页/共33页14模型特点经典概率推理贝叶斯推理缺点用概率模型把观测数据与所有样本数据联系起来概率模型通常是基于大量样本而得到由已知数据确定假设事件发生概率不需要密度函数主观概率来自于经验多传感器推广到多维数据时需要先验知识和多维概率密度只能同时判决两种假设事件多变量数据使计算复杂性加大没有利用主观先验知识必须要定义先验概率和似然函数各假设事件必须互斥不能支持不确定类问题当多事件相关时计算复杂性加大第14页/共33页15举例：举例：有一病人去医院诊断是否患有癌症，该医院检测方法的漏诊率是5%，4%误诊率

10、，并假设在人群中1000人中有5人患癌症。如果该病人检测出来是阳性，则他实际患癌症的概率是多少?第15页/共33页如提高检测率到如提高检测率到99.99%对结果的影响较小（对结果的影响较小（11.2%），但），但对漏诊率影响较大，减小了一个数量级对漏诊率影响较大，减小了一个数量级第16页/共33页基于基于BayesBayes估计的身份识别方法估计的身份识别方法基于基于BayesBayes统计的目标识别融合模型统计的目标识别融合模型第17页/共33页开始基于基于BayesBayes估计的身份识别方法估计的身份识别方法1获得目标身份说明2计算似然函数3计算融合概率4 目标识别决策基于基于Bayes

11、Bayes统计统计的目的目标识标识别融别融合的合的一般一般步骤步骤 计算每个传感器单元对不同目标的身份说明的似然函数即 获得每个传感器单元 输出的目标身份说明 B1，B2，Bn计算目标身份的融合概率：目标识别决策（判据）：第18页/共33页基于基于BayesBayes估计的身份识别方法估计的身份识别方法03计算目标身份的融合概率：如果B1，B2，Bn相互独立，则：第19页/共33页基于基于BayesBayes估计的身份识别方法估计的身份识别方法举例：举例：采用两种设备检验某种癌症，设备1对该癌症的漏诊率为0.1，误诊率为0.25；设备2对该癌症的漏诊率为0.2，误诊率为0.1。已知人群中该癌症

12、的发病率为0.05。分析分别利用两台设备和同时使用两台设备时检验结果的概率。设备1第20页/共33页设备设备1漏诊率漏诊率设备设备1检测率检测率该癌症发病率该癌症发病率设备设备1误诊率误诊率根据贝叶斯公式根据贝叶斯公式第21页/共33页设备2设备设备2漏诊率漏诊率设备设备2误诊率误诊率第22页/共33页检验结果的正确率检验结果的正确率同时使用两台设备即为诊断为该疾病确为该癌症的概率即为诊断为该疾病确为该癌症的概率第23页/共33页Dempster-Shafer Dempster-Shafer 算法算法算法原理D-S数据融合过程第24页/共33页识别框架假设有n个互斥且穷尽的原始子命题存在，这个

13、命题集组成了整个假设事件的空间，我们称之为识别框架分配概率识别框架与概率分配值识别框架与概率分配值识别框架与概率分配值识别框架与概率分配值.m(a1)m(a1，a2)总命题数 2n-1不能直接赋概率值的m()如果不是所有概率都能直接分配给各子命题和他们的并时，把剩下的概率都分配给识别框架第25页/共33页 称为 的疑惑度，它代表了证据反驳命题的程度，既证据支持反命题的程度所有没有分配给这个命题的反命题的概率分配值的和，即某些方面支持该命题的和（包括识别框架）为：支持度是直接分配给该命题证据所对应的概率分配值的和，即该命题与该命题子命题的概率分配值的和为：不确定区间支持度、似然度及不确定区间支持

14、度、似然度及不确定区间支持度、似然度及不确定区间支持度、似然度及不确定区间基于支持的证据基于反驳的证据支持度似然度01不确定区间不确定区间解释解释0，1对命题 一无所知0.6，0.6命题 为真的确切概率是0.60.25，0.85证据同时支持 及其反命题 0.25，1证据部分支持命题0，0.85证据部分支持命题 的反命题1，1命题 完全为真0，0命题 完全为假第26页/共33页命题命题支持度支持度S(ai)似然度似然度1-S()不确定区间不确定区间0.4（给定）=0.80.4，0.80.2（给定）=0.60.2，0.6 =0.7 =10.7，1 =11，1举例：举例：某一时刻可能有三种类型的目标

15、a1、a2、a3被传感器A探测到，A的识别框架为：则a1的反命题为：假设传感器A分配给各命题 和 的概率分配值为：第27页/共33页DempsterDempster规则融合多传感器数据规则融合多传感器数据例例2：假设存在四个目标：a1=我方类型为1的目标 a3=敌方类型为1的目标a2=我方类型为2 的目标 a4=敌方类型为2的目标传感器A对目标类型的直接分配为：这里 对应着传感器A在判断目标类型属于1时，由不知道引起的不确定性传感器B对目标类型的直接分配为：这里 对应着传感器B在判断目标属于敌方时由不知道所引起的不确定性第28页/共33页在用Dempster融合规则时，首先形成一个矩阵，矩阵中

16、的每个元素是相应命题的概率分配值，矩阵的第一列和最后一行就是被融合的那些相应命题的概率分配值。其中：第29页/共33页由于实际情况下因此交命题为空的情况交命题为空的情况交命题为空的情况交命题为空的情况由交命题计算得到其中 如果碰到交命题为空的情况，那么该交命题所对应的概率分配值应为0，其他非空的交命题所对应的概率分配值应该乘以一个因子K，使得它们的和为1。理论交命题的和实际交命题和修正交命题的和为了使 添加系数K使得第30页/共33页例例3：为了说明所有非空交命题是怎样被一因子线性放大的，假设例2中的传感器B能够识别目标2和目标4,而不是上一个例子中的目标3和目标4，并且对应的概率分配值 假设为：则K值为：第31页/共33页0第32页/共33页感谢您的观看！第33页/共33页