多传感器信息融合技术PPT讲稿.ppt

《多传感器信息融合技术PPT讲稿.ppt》由会员分享，可在线阅读，更多相关《多传感器信息融合技术PPT讲稿.ppt（69页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、多传感器信息融合技术第1页，共69页，编辑于2022年，星期六概述概述多传感器问题的引入多传感器问题的引入非关联测试项目非关联测试项目测量不同目标或对同一目测量不同目标或对同一目标的不同参数进行独立测标的不同参数进行独立测量。量。多传感器多传感器测试系统测试系统关联的测试项目关联的测试项目利用多个传感器对同利用多个传感器对同一目标的相同或不同一目标的相同或不同项目进行测量，综合项目进行测量，综合测量结果用于分析目测量结果用于分析目标特性。标特性。第2页，共69页，编辑于2022年，星期六当检测对象为多当检测对象为多目标或快速机动目标或快速机动目标时，单一传目标时，单一传感器测量困难。感器测量困

2、难。复杂的电磁环境使检复杂的电磁环境使检测的目标信号淹没在测的目标信号淹没在大量噪声及不相关信大量噪声及不相关信号与杂波中。号与杂波中。当单一传感器失效当单一传感器失效或传感器的可靠性或传感器的可靠性有待提高时采用多有待提高时采用多传感器系统。传感器系统。环境复杂环境复杂目标复杂目标复杂可靠性可靠性为什么要采用多个传感器测量同一目标参数？为什么要采用多个传感器测量同一目标参数？概述概述第3页，共69页，编辑于2022年，星期六概述概述 传感器数据融合的定义：对多种信息的获取、表传感器数据融合的定义：对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。示及其内在联系进行综合处理和优化的技

3、术。u从多信息的视角进行处理及综合，得到各种信息的内在从多信息的视角进行处理及综合，得到各种信息的内在联系和规律，从而剔除无用的和错误的信息，保留正确联系和规律，从而剔除无用的和错误的信息，保留正确的和有用的成分，最终实现信息的优化。的和有用的成分，最终实现信息的优化。u它为智能信息处理技术的研究提供了新的观念。经过融它为智能信息处理技术的研究提供了新的观念。经过融合后的传感器信息具有以下特征：信息冗余性、信息互合后的传感器信息具有以下特征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。补性、信息实时性、信息获取的低成本性。第4页，共69页，编辑于2022年，星期六19.1 传感器信

4、息融合分类和结构 19.1.1 19.1.1 传感器信息融合分类传感器信息融合分类可分为以下四类：组合、综合、融合和相关。可分为以下四类：组合、综合、融合和相关。u组合组合:由多个传感器组合成平行或互补方式来获得多组由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。及的问题有输出方式的协调、综合以及传感器的选择。在硬件这一级上应用。在硬件这一级上应用。u综合综合:信息优化处理中的一种获得明确信息的有效方法。信息优化处理中的一种获得明确信息的有效方法。例如使用两个分

5、开设置的摄像机同时拍摄到一个物体例如使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。一个准确的有立体感的物体的图像。第5页，共69页，编辑于2022年，星期六19.1 传感器信息融合分类和结构 u融合融合:当将传感器数据组之间进行相关或将传感器数当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。一个新的表达式。u相关相关:通过处理传感器信息获得某些结果，不仅需要单通过处理传感器信息获得

6、某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。相关处理的目的：对识别、预测、用和错误的信息。相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。学习和记忆等过程的信息进行综合和优化。第6页，共69页，编辑于2022年，星期六19.1 传感器信息融合分类和结构 19.1.2 19.1.2 信息融合的结构信息融合的结构 传感器1传感器2传感器1输入传感器1输出传感器2输入传感器2输出传感器N传感器N输入最终结果

7、a)a)串行融合方式串行融合方式图图19-1 19-1 多传感器信息融合的结构形式多传感器信息融合的结构形式u信息融合的结构分为串联、并联，信息融合的结构分为串联、并联，如图如图19-119-1所示。所示。u串行融合时，当前传感器要接收串行融合时，当前传感器要接收前一级传感器的输出结果，每个传前一级传感器的输出结果，每个传感器既有接收处理信息的功能，又感器既有接收处理信息的功能，又有信息融合的功能，各个传感器的有信息融合的功能，各个传感器的处理同前一级传感器输出的信息形处理同前一级传感器输出的信息形式有很大关系。最后一个传感器综式有很大关系。最后一个传感器综合了所有前级传感器数出的信息，合了所

8、有前级传感器数出的信息，得到的输出为串联融合系统的结论。得到的输出为串联融合系统的结论。第7页，共69页，编辑于2022年，星期六19.1 传感器信息融合分类和结构 u并行融合时，各个传感器直接并行融合时，各个传感器直接将各自的输出信息传输到传感将各自的输出信息传输到传感器融合中心，传感器之间没有器融合中心，传感器之间没有影响，融合中心对各信息按适影响，融合中心对各信息按适当的方法综合处理后，输出最当的方法综合处理后，输出最终结果。终结果。u还可将串行融合和并行融合方还可将串行融合和并行融合方式结合组成混合融合方式，或式结合组成混合融合方式，或总体串行局部并行，或总体并总体串行局部并行，或总体

9、并行局部串行。行局部串行。传感器1传感器1输入传感器2传感器2输入传感器3传感器3输入信息融合中心最终结果b)b)并行融合方式并行融合方式图图19-1 19-1 多传感器信息融合的结构形式多传感器信息融合的结构形式第8页，共69页，编辑于2022年，星期六19.1 传感器信息融合分类和结构 19.1.3 19.1.3 信息融合的关键技术信息融合的关键技术 包括数据转换、数据相关、数据库和融合推理的减包括数据转换、数据相关、数据库和融合推理的减少融合损失。少融合损失。1 1）数据转换：多传感器输出的数据形式、环境描述等都不一样，）数据转换：多传感器输出的数据形式、环境描述等都不一样，信息融合中心

10、处理这些不同信息的关键即是把这些数据转换成信息融合中心处理这些不同信息的关键即是把这些数据转换成相同形式，然后进行相关处理。相同形式，然后进行相关处理。2 2）数据相关：数据相关的核心问题是克服传感器测量的不精）数据相关：数据相关的核心问题是克服传感器测量的不精确性，保持数据的一致性。因此，应控制和降低相关计算确性，保持数据的一致性。因此，应控制和降低相关计算的复杂性，开发相关处理、融合处理和系统模拟的算法和的复杂性，开发相关处理、融合处理和系统模拟的算法和模型。模型。第9页，共69页，编辑于2022年，星期六19.1 传感器信息融合分类和结构 3 3）态势数据库：态势数据库可分为实时数据库和

11、非实时数）态势数据库：态势数据库可分为实时数据库和非实时数据库。实时数据库的作用是把当前各传感器的观测结果据库。实时数据库的作用是把当前各传感器的观测结果及时提供给信息融合中心，同时也存储融合处理的最终及时提供给信息融合中心，同时也存储融合处理的最终态势态势/决策分析结果和中间结果。非实时数据库存储各传感决策分析结果和中间结果。非实时数据库存储各传感器的历史数据、相关目标和环境的辅助信息以及融合计算的器的历史数据、相关目标和环境的辅助信息以及融合计算的历史信息。态势数据库要求容量大、搜索快、开放互连性好历史信息。态势数据库要求容量大、搜索快、开放互连性好，具有良好的用户接口。，具有良好的用户接

12、口。4 4）融合计算：涉及到以下问题，对多传感器的相关观测）融合计算：涉及到以下问题，对多传感器的相关观测结果进行验证、分析、补充、取舍、修改和状态跟踪结果进行验证、分析、补充、取舍、修改和状态跟踪估计；对新发现的不相关观测结果进行分析和综合；估计；对新发现的不相关观测结果进行分析和综合；生成综合态势，并实时地根据对传感器观测结果通过生成综合态势，并实时地根据对传感器观测结果通过数据融合计算，对综合态势进行修改；态势决策分析。数据融合计算，对综合态势进行修改；态势决策分析。第10页，共69页，编辑于2022年，星期六19.2.1 19.2.1 数据融合处理的一般过程数据融合处理的一般过程19.

13、2 19.2 传感器信息融合的一般方法传感器信息融合的一般方法 第11页，共69页，编辑于2022年，星期六1目标状态估计目标状态估计集中式数据融合结构集中式数据融合结构分布式数据融合结构分布式数据融合结构综合式数据融合结构综合式数据融合结构2目标身份估计目标身份估计数据级数据融合结构数据级数据融合结构特征级数据融合结构特征级数据融合结构决策级数据融合结构决策级数据融合结构19.2 19.2 传感器信息融合的一般方法传感器信息融合的一般方法 第12页，共69页，编辑于2022年，星期六目标状态估计目标状态估计集中式数据融合结构集中式数据融合结构19.2 19.2 传感器信息融合的一般方法传感器

14、信息融合的一般方法 第13页，共69页，编辑于2022年，星期六目标状态估计目标状态估计分布式数据融合结构分布式数据融合结构19.2 传感器信息融合的一般方法 第14页，共69页，编辑于2022年，星期六目标身份估计目标身份估计数据级数据融合结构数据级数据融合结构19.2 传感器信息融合的一般方法 第15页，共69页，编辑于2022年，星期六目标身份估计目标身份估计特征级数据融合结构特征级数据融合结构19.2 传感器信息融合的一般方法 第16页，共69页，编辑于2022年，星期六目标身份估计目标身份估计决策级数据融合结构决策级数据融合结构19.2 传感器信息融合的一般方法 第17页，共69页，

15、编辑于2022年，星期六人工人工智能智能假设假设检验法检验法BayesBayes估计法估计法聚类聚类分析分析模式模式识别识别数据融合算法数据融合算法按技术原理分类按技术原理分类滤波滤波跟踪跟踪 19.2.2 信息融合方法信息融合方法19.2 传感器信息融合的一般方法 第18页，共69页，编辑于2022年，星期六传感器信息的不确定性传感器信息的不确定性传感器信息的不确定性传感器信息的不确定性传感器输出不可能传感器输出不可能包含被测量全部、完整的信息包含被测量全部、完整的信息噪声破坏噪声破坏噪声破坏噪声破坏可靠度可靠度可靠度可靠度精度精度精度精度目标因素目标因素目标因素目标因素19.2 传感器信息

16、融合的一般方法 第19页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 最常用的信息融合方法有三类：嵌入约束法、最常用的信息融合方法有三类：嵌入约束法、证据组合法证据组合法和和人人工神经网络法工神经网络法。1 嵌入约束法嵌入约束法由多种传感器所获得的被测对象的多组数据按照某种由多种传感器所获得的被测对象的多组数据按照某种映射关系形成的像，信息融合就是通过像求解原像，映射关系形成的像，信息融合就是通过像求解原像，即对客观环境加以了解。即对客观环境加以了解。第20页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法u用数学语言描述就是，所有传感器的全部信

17、息，也用数学语言描述就是，所有传感器的全部信息，也只能描述环境的某些方面的特征，而具有这些特征只能描述环境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数据对应惟一的环境的环境却有很多，要使一组数据对应惟一的环境(即上述映射为一一映射即上述映射为一一映射)，就必须对映射的原像和映，就必须对映射的原像和映射本身加约束条件，使问题能有惟一的解。射本身加约束条件，使问题能有惟一的解。u嵌入约束法最基本的方法有嵌入约束法最基本的方法有BayesBayes估计和卡尔曼滤估计和卡尔曼滤波。波。第21页，共69页，编辑于2022年，星期六BayesBayes统计理论统计理论在考虑可靠度情况下传感器

18、测量需要解决的一个关键问题：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。真值和测量值。考察一个随机试验，在该试验中考察一个随机试验，在该试验中n n个互不相容的事件个互不相容的事件A A1 1，A A2 2，A An n必然会发生一个，且只能发生一个，用必然会发生一个，且只能发生一个，用P P（A Ai i）表示表示A Ai i发生的概率，则有：发生的概率，则有：v设利用一传感器对设利用一传感器对A A事件的发生进行检测，检测结果为事件的发生进行检测，检测结果为B B，则，则A Ai i为为真值，真值，B B为测量值。为测量值。19.2 传感器信息融合的一般方法 第22页

19、，共69页，编辑于2022年，星期六v先验知识：先验知识：P(AP(A1 1)、P(AP(A2 2)、P(AP(An n)表示事件表示事件A A1 1，A A2 2，A An n发生的发生的概率，这是试验前的知识称为概率，这是试验前的知识称为“先验知识先验知识”。vBayesBayes统计理论认为，人们在检验前后对某事件的发生情统计理论认为，人们在检验前后对某事件的发生情况的估计是不同，而且一次检验结果不同对人们的最终估况的估计是不同，而且一次检验结果不同对人们的最终估计的影响是不同的计的影响是不同的。19.2 传感器信息融合的一般方法 第23页，共69页，编辑于2022年，星期六v后验知识：

20、后验知识：由于一次检验结果由于一次检验结果B B的出现，改变了人们对的出现，改变了人们对事件事件A A1 1，A A2 2，A An n发生情况的认识，这是试验后的知识称为发生情况的认识，这是试验后的知识称为“后验知识后验知识”。检验后检验后事件事件A A1 1，A A2 2，A An n发生的概率表现为条件概率：发生的概率表现为条件概率：显然有：显然有：19.2 传感器信息融合的一般方法 第24页，共69页，编辑于2022年，星期六BayesBayes估计是检验过程中对先验知识向后验知识的不断修正。估计是检验过程中对先验知识向后验知识的不断修正。条件概率公式：条件概率公式：或或v全概率概率公

21、式：全概率概率公式：其中其中Ai为对样本空间的一个划分，即为对样本空间的一个划分，即Ai为互斥事件且为互斥事件且19.2 传感器信息融合的一般方法 第25页，共69页，编辑于2022年，星期六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发生的概率为：v利用Bayes统计理论进行测量数据融合：充分利用了测量对象的先验信息。是根据一次测量结果对先验概率到后验概率的修正。19.2 传感器信息融合的一般方法 第26页，共69页，编辑于2022年，星期六基于基于BayesBayes估计的身份识别方法估计的身份识别方法假设由n个传感器对一未知目标参数进行测量，每一传感器根

22、据测量结果利用一定算法给出一个关于目标的身份说明。设A1，A2，An为n个互斥的穷举目标，Bi为第j个传感器给出的目标身份说明，且Ai满足：则：19.2 传感器信息融合的一般方法 第27页，共69页，编辑于2022年，星期六基于Bayes统计的目标识别融合模型19.2 传感器信息融合的一般方法 第28页，共69页，编辑于2022年，星期六基于Bayes统计的目标识别融合的一般步骤：获得每个传感器单元输出的目标身份说明B1，B2，Bn；计算每个传感器单元对不同目标的身份说明的不确定性即 ；i=1,2,n19.2 传感器信息融合的一般方法 第29页，共69页，编辑于2022年，星期六计算目标身份的

23、融合概率：如果B1，B2，Bn相互独立，则：目标识别决策（判据），寻找极大似然估计19.2 传感器信息融合的一般方法 第30页，共69页，编辑于2022年，星期六举例计算某医院采用以下两种设备检验某种疾病，设备1对该疾病的漏诊率为0.1，误诊率为0.25；设备2对该疾病的漏诊率为0.2，误诊率为0.1。已知人群中该疾病的发病率为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。19.2 传感器信息融合的一般方法 第31页，共69页，编辑于2022年，星期六方法思路传感器传感器A传感器传感器C传感器传感器B融合融合结果结果融合融合算法算法关关 系系矩矩 阵阵置置 信信距距 离离矩

24、矩 阵阵最佳最佳融合融合数数数数 据据选选 择择19.2 传感器信息融合的一般方法 第32页，共69页，编辑于2022年，星期六基本理论和方法基本理论和方法置信距离和置信距离矩阵置信距离和置信距离矩阵v利用多个传感器测量某参数的过程中有两个随机变量，一利用多个传感器测量某参数的过程中有两个随机变量，一是被测参数是被测参数，二是每个传感器的输出，二是每个传感器的输出X Xi i，i=1i=1，2 2，m m。一般认为它们服从正态分布，用。一般认为它们服从正态分布，用x xi i表示第表示第i i个测量个测量值的一次测量输出，它是随机变量值的一次测量输出，它是随机变量X Xi i的一次取样。的一次

25、取样。v设：设：19.2 传感器信息融合的一般方法 第33页，共69页，编辑于2022年，星期六v为对传感器输出数据进行选择，必须对其可靠性进行估计，为对传感器输出数据进行选择，必须对其可靠性进行估计，为此定义各数据间的置信距离。为此定义各数据间的置信距离。v用用X Xi i、X Xj j表示第表示第i i个和第个和第j j个传感器的输出，则其一次读数个传感器的输出，则其一次读数x xi i和和x xj j之间的置信距离定义为：之间的置信距离定义为：19.2 传感器信息融合的一般方法 第34页，共69页，编辑于2022年，星期六v若若X Xi i、X Xj j服从正态分布，则上式中：服从正态分

26、布，则上式中：故可知：故可知：v当当 时，时，v当当 时，时，19.2 传感器信息融合的一般方法 第35页，共69页，编辑于2022年，星期六v置信距离矩阵：对置信距离矩阵：对m m个传感器的一次测量数据，利用个传感器的一次测量数据，利用上述方法可以分别计算任意两个传感器数据之间的置上述方法可以分别计算任意两个传感器数据之间的置信距离信距离得到一个得到一个 m X m m X m 矩阵。矩阵。19.2 传感器信息融合的一般方法 第36页，共69页，编辑于2022年，星期六v根据具体问题选择合适的临界值根据具体问题选择合适的临界值 由由 对数据的可靠性对数据的可靠性进行判定。进行判定。v由此得到

27、一个二值矩阵，称为关系矩阵。由此得到一个二值矩阵，称为关系矩阵。19.2 传感器信息融合的一般方法 第37页，共69页，编辑于2022年，星期六v设被测参数设被测参数 ，第，第k k个传感器的测量数据个传感器的测量数据 ，经过删选，选择，经过删选，选择l l个数据作为最佳融合数。融合结果个数据作为最佳融合数。融合结果 为：为：19.2 传感器信息融合的一般方法 第38页，共69页，编辑于2022年，星期六基于基于BayesBayes估计的数据融合一般步骤估计的数据融合一般步骤计算计算m m个传感器数据的置信距离矩阵，为简化计算，当测试数个传感器数据的置信距离矩阵，为简化计算，当测试数据服从正态

28、分布时可利用误差函数计算置信距离。据服从正态分布时可利用误差函数计算置信距离。19.2 传感器信息融合的一般方法 第39页，共69页，编辑于2022年，星期六选择合适的距离临界值，由置信距离矩阵产生关系矩阵。选择合适的距离临界值，由置信距离矩阵产生关系矩阵。由关系矩阵对多传感器数据进行选择，产生最佳融合数。由关系矩阵对多传感器数据进行选择，产生最佳融合数。19.2 传感器信息融合的一般方法 第40页，共69页，编辑于2022年，星期六将将 、和最佳融合数对应的和最佳融合数对应的 、代入代入BayesBayes融合估计公式求的参数估计值。融合估计公式求的参数估计值。19.2 传感器信息融合的一般

29、方法 第41页，共69页，编辑于2022年，星期六传感器编号传感器编号1 12 23 34 45 56 67 78 8方差方差25.7325.7323.8123.8124.9524.9525.7525.7535.6535.6521.3321.3323.9423.9422.9622.96测量值测量值848.1848.1850.5850.5851.9851.9849.9849.9854.6854.6849.3849.3848.0848.0848.3848.3v利用利用8 8个传感器对一个恒温槽的温度进行测量，个传感器对一个恒温槽的温度进行测量，已知恒温槽温度满足正态分布，已知恒温槽温度满足正态分布

30、，其中其中 =850.50=850.50，=4.5025=4.50258 8个传感器的测量结果如下：个传感器的测量结果如下：举例计算举例计算19.2 传感器信息融合的一般方法 第42页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 卡尔曼滤波卡尔曼滤波(KF)u用于实时融合动态的低层次冗余传感器数据，该方法用测量用于实时融合动态的低层次冗余传感器数据，该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。模型的统计特性，递推决定统计意义下最优融合数据合计。uKF的递推特性使系统数据处理不需大量的数据存储的递推特性使系统数据处理不需大量的数据存储和计算。和计算。

31、第43页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 uKF分为分散卡尔曼滤波分为分散卡尔曼滤波(DKF)和扩展卡尔曼滤波和扩展卡尔曼滤波(EKF)。uDKF可实现多传感器数据融合完全分散化，其优点为每可实现多传感器数据融合完全分散化，其优点为每个传感器节点失效不会导致整个系统失效。个传感器节点失效不会导致整个系统失效。uEKF的优点是可有效克服数据处理不稳定性或系统模型线的优点是可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产生的影响。性程度的误差对融合过程产生的影响。u嵌入约束法传感器信息融合的最基本方法之一，但其缺嵌入约束法传感器信息融合的最基本方

32、法之一，但其缺点在于需要对多源数据的整体物理规律有较好的了解，点在于需要对多源数据的整体物理规律有较好的了解，才能准确地获得才能准确地获得p(d|f)，但需要预知先验分布，但需要预知先验分布p(f)。第44页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 2 证据组合法证据组合法u基本思想：完成某项智能任务是依据有关环境某方面基本思想：完成某项智能任务是依据有关环境某方面的信息做出几种可能的决策，而多传感器数据信息在的信息做出几种可能的决策，而多传感器数据信息在一定程度上反映环境这方面的情况。因此，分析每一一定程度上反映环境这方面的情况。因此，分析每一数据作为支持某种决

33、策证据的支持程度，并将不同传数据作为支持某种决策证据的支持程度，并将不同传感器数据的支持程度进行组合。并将分析得出现有组感器数据的支持程度进行组合。并将分析得出现有组合证据支持程度最大的决策作为信息融合的结果。合证据支持程度最大的决策作为信息融合的结果。第45页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 u证据组合法是对完成某一任务的需要而处理多种传感证据组合法是对完成某一任务的需要而处理多种传感器的数据信息。器的数据信息。u完成某项智能任务，实际是做出某项行动决策。它先对完成某项智能任务，实际是做出某项行动决策。它先对单个传感器数据信息每种可能决策的支持程度给出度

34、量单个传感器数据信息每种可能决策的支持程度给出度量(即数据信息作为证据对决策的支持程度即数据信息作为证据对决策的支持程度)，再寻找一种证，再寻找一种证据组合方法或规则。据组合方法或规则。u在已知两个不同传感器数据在已知两个不同传感器数据(即证据即证据)对决策的分别支持对决策的分别支持程度时，通过反复运用组合规则，最终得出全体数据程度时，通过反复运用组合规则，最终得出全体数据信息的联合体对某决策总的支持程度。得到最大证据信息的联合体对某决策总的支持程度。得到最大证据支持决策，即信息融合的结果。支持决策，即信息融合的结果。第46页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方

35、法 u利用证据组合进行数据融合的关键在于：利用证据组合进行数据融合的关键在于：选择合适的数学方法描述证据、决策和支持程度等概念；选择合适的数学方法描述证据、决策和支持程度等概念；建立快速、可靠并且便于实现的通用证据组合算法结构。建立快速、可靠并且便于实现的通用证据组合算法结构。u证据组合法较嵌入约束法有以下优点：证据组合法较嵌入约束法有以下优点：(1)对多种传感器数对多种传感器数据间的物理关系不必准确了解，即无须准确地建立多种传据间的物理关系不必准确了解，即无须准确地建立多种传感器数据体的模型；感器数据体的模型；(2)通用性好，可以建立一种独立于通用性好，可以建立一种独立于各类具体信息融合问题

36、背景形式的证据组合方法，有利各类具体信息融合问题背景形式的证据组合方法，有利于设计通用的信息融合软、硬件产品；于设计通用的信息融合软、硬件产品；(3)人为的先验人为的先验知识可以视同数据信息一样，赋予对决策的支持程度，知识可以视同数据信息一样，赋予对决策的支持程度，参与证据组合运算。参与证据组合运算。u常用证据组合方法有概率统计方法和常用证据组合方法有概率统计方法和Dempster-Shafer证据推理。证据推理。第47页，共69页，编辑于2022年，星期六概率统计方法概率统计方法u假设一组随机向量假设一组随机向量 分别表示分别表示n个不同传感个不同传感器得到的数据信息，根据每一个数据器得到的

37、数据信息，根据每一个数据 可对所完成的任可对所完成的任务做出一决策务做出一决策 。u 的概率分布为的概率分布为 ，为该分布函数中的未知参数，为该分布函数中的未知参数，若参数已知时，则若参数已知时，则 的概率分布就完全确定。的概率分布就完全确定。u用非负函数用非负函数 表示当分布参数确定为表示当分布参数确定为 时，第时，第i个信个信息源采取决策息源采取决策 时所造成的损失函数。时所造成的损失函数。u在实际问题中，在实际问题中，是未知的，因此当得到是未知的，因此当得到 时，并不能直时，并不能直接从损失函数中定出最优决策。接从损失函数中定出最优决策。19.2 传感器信息融合的一般方法 第48页，共6

38、9页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 u先由先由 做出做出 的一个估计，记为的一个估计，记为 ，再由损失函数，再由损失函数 决定出损失最小的决策。其中利用决定出损失最小的决策。其中利用 估计估计 的估计量的估计量 有很多种方法。有很多种方法。u概率统计方法适用于分布式传感器目标识别和跟踪信息融合概率统计方法适用于分布式传感器目标识别和跟踪信息融合问题。问题。Dempster-Shafer证据推理证据推理(简称简称D-S推理推理)uD-S证据推理是证据推理是Bayes推理的扩充，在多传感器目标识别、推理的扩充，在多传感器目标识别、军事指挥和防御方向得到了广泛的应用。军

39、事指挥和防御方向得到了广泛的应用。u一个完整的推理系统需要用几个不同推理级来确保精一个完整的推理系统需要用几个不同推理级来确保精确的可信度表示。确的可信度表示。第49页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 D-S推理的结构自上而下可分为三级：推理的结构自上而下可分为三级：u第一级为目标合成，其作用十八来自几个独立传感器第一级为目标合成，其作用十八来自几个独立传感器的观测结果合成一个总的输出结果；的观测结果合成一个总的输出结果；u第二级为推断，其作用是获取传感器的观测结果并进第二级为推断，其作用是获取传感器的观测结果并进行推断，将传感器的观测结果扩展成为目标报告

40、行推断，将传感器的观测结果扩展成为目标报告;u第三级为更新，由于传感器存在随机误差，在时间上充第三级为更新，由于传感器存在随机误差，在时间上充分独立的来自同一传感器的一组连续报告，比任何单分独立的来自同一传感器的一组连续报告，比任何单一报告都可靠，因此在进行推断和多传感器合成之前一报告都可靠，因此在进行推断和多传感器合成之前要更新传感器的观测信息。要更新传感器的观测信息。第50页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 下面介绍一下下面介绍一下D-S推理的原理。推理的原理。u假设假设F为所有可能证据所构成的有限集，为所有可能证据所构成的有限集，f为集合为集合F中的

41、中的某个元素即某个证据。某个元素即某个证据。u首先引入信任函数首先引入信任函数 0，1表示每个证据的信任程度：表示每个证据的信任程度：u从上式可知，信任函数是概率概念的推广，因为从概率论的从上式可知，信任函数是概率概念的推广，因为从概率论的知识出发，上式应取等号。知识出发，上式应取等号。第51页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 u进一步可得：进一步可得：u引入基础概率分配函数引入基础概率分配函数m(f)0，1 u由基础概率分配函数定义与之相对应的信任函数：由基础概率分配函数定义与之相对应的信任函数：第52页，共69页，编辑于2022年，星期六19.2 传感

42、器信息融合的一般方法 u当利用当利用N个传感器检测环境个传感器检测环境M个特征时，每一个特征为个特征时，每一个特征为F中的一个元素。第中的一个元素。第i个传感器在第个传感器在第k-1时刻所获得的包括时刻所获得的包括k-1时刻前关于第时刻前关于第j个特征的所有证据，用基础概率分配函数个特征的所有证据，用基础概率分配函数 表示，其中表示，其中 。u第第i个传感器在第个传感器在第k时刻所获得的关于第时刻所获得的关于第j个特征的新证据个特征的新证据用基础概率分配函数表示用基础概率分配函数表示 。u由由 和和 可获得第可获得第i个传感器在第个传感器在第k时刻关于第时刻关于第j个个特征的联合证据特征的联合

43、证据 。u类似地，利用证据组合算法，由类似地，利用证据组合算法，由 和和 可获得可获得在在k时刻关于第时刻关于第j个特征的第个特征的第i个传感器和第个传感器和第i+1个传感器的个传感器的联合证据联合证据 。第53页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 u如此递推下去，可获得所有如此递推下去，可获得所有N个传感器在个传感器在k时刻对时刻对j特征特征的信任函数，信任度最大的即为信息融合过程最终判定的环的信任函数，信任度最大的即为信息融合过程最终判定的环境特征。境特征。uD-S证据推理优点：证据推理优点：算法确定后，无论是静态还是时变的动态证据组合，其具体算法确定后

44、，无论是静态还是时变的动态证据组合，其具体的证据组合算法都有一共同的算法结构。的证据组合算法都有一共同的算法结构。u缺点：缺点：当对象或环境的识别特征数增加时，证据组合的计算量会以当对象或环境的识别特征数增加时，证据组合的计算量会以指数速度增长。指数速度增长。第54页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 3人工神经网络法人工神经网络法神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作用于信息处理技术。人工神经网络是利用多个简单计算模型有机构成一个计算

45、网络用以实现一个复杂的规则。第55页，共69页，编辑于2022年，星期六神经网络技术的主要用途？利用一定数据在一定误差下逼近一个解析式未知的函数。利用人工神经网络实现空间的线性或非线性划分，以此实现目标分类。神经网络的实现是基于数据的，最终的规则对用户是透明的。19.2 传感器信息融合的一般方法 第56页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 第57页，共69页，编辑于2022年，星期六由上图可得：19.2 传感器信息融合的一般方法 第58页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 第59页，共69页，编辑于2022年，星期六决定神

46、经网络性能的几个因素：神经网络的网络结构：包括神经网络的层数、每层神经元数量；每层神经元的作用函数；神经网络训练的目标函数和学习算法；神经网络权值和阈值的初始值；神经网络的训练数据。19.2 传感器信息融合的一般方法 第60页，共69页，编辑于2022年，星期六神经网络的应用步骤：神经网络的设计，包括确定网络结构、作用函数和学习算法；神经网络初始化；利用实验方法获得神经网络的训练数据和测试数据；利用实验数据对网络进行训练和测试；利用训练后的网络处理相关的输入信息。19.2 传感器信息融合的一般方法 第61页，共69页，编辑于2022年，星期六感知器神经网络特点：网络结构上可以为单层或多层的前向

47、网络结构；作用函数为阶跃函数，因此输出为二值变量；利用输入和误差简单计算权值和阈值调整量，学习算法很简单；一般用于解决较为简单的线性分类问题。19.2 传感器信息融合的一般方法 第62页，共69页，编辑于2022年，星期六19.2 传感器信息融合的一般方法 基于神经网络的传感器信息融合特点如下：具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器信息进行融合，获得相应网络的参数，并且可将知识规则转换成数字形式，便于建立知识库；利用外部环境的信息，便于实现知识自动获取及并行联想推理；能够将不确定环境的复杂关系，经过学习推理，融合为系统能理解的准确信号；由于神经网络具有大规模并行处理信息能

48、力，使得系统信息处理速度很快。第63页，共69页，编辑于2022年，星期六多传感器多传感器数据融合数据融合航迹预测航迹预测身份识别身份识别威胁估计威胁估计测试技术测试技术多光谱图像多光谱图像车辆识别车辆识别信息融合作为消除系统不确定因素、提供准确观测结果与新信息融合作为消除系统不确定因素、提供准确观测结果与新的观测信息的智能化处理技术，可直接用于检测、控制、态的观测信息的智能化处理技术，可直接用于检测、控制、态势评估和决策过程。势评估和决策过程。19.3 传感器信息融合的应用 第64页，共69页，编辑于2022年，星期六u数据融合可广泛应用于以下领域。数据融合可广泛应用于以下领域。1、智能检测

49、系统：消除单个或单类出感器检测的不确、智能检测系统：消除单个或单类出感器检测的不确定性，提高智能检测系统的可靠性，获得检测对象更定性，提高智能检测系统的可靠性，获得检测对象更准确的认识。准确的认识。2、工业过程监视：识别引起系统状态超出正常运行范、工业过程监视：识别引起系统状态超出正常运行范围的故障条件，并据此处罚若干报警器。目前，数据融围的故障条件，并据此处罚若干报警器。目前，数据融合技术已在核反应堆和石油平台监视系统中获得应用。合技术已在核反应堆和石油平台监视系统中获得应用。19.3 传感器信息融合的应用 第65页，共69页，编辑于2022年，星期六19.3 传感器信息融合的应用 3、机器

50、人：传感器融合技术在机器人特别是移动机器人、机器人：传感器融合技术在机器人特别是移动机器人领域有着广泛的应用。自主移动的机器人在未知或动领域有着广泛的应用。自主移动的机器人在未知或动态的环境中工作时，将多传感器提供的数据精心融合，态的环境中工作时，将多传感器提供的数据精心融合，从而准确快速地感知环境信息。而工业机器人更是靠从而准确快速地感知环境信息。而工业机器人更是靠多传感器融合的技术模拟人的智能作业，实现精确的多传感器融合的技术模拟人的智能作业，实现精确的定位和操作。定位和操作。4、军事舰船：传感器信息融合是提高海军舰船目标识别、军事舰船：传感器信息融合是提高海军舰船目标识别能力和战斗力的有