多传感器信息融合技术.ppt

多传感器数据融合技术C概述当检测对象为多目标或快速机动目标时，单一传感器测量困难。概述19.1传感器信息融合分类和结构19.1传感器信息融合分类和结构19.1传感器信息融合分类和结构19.1传感器信息融合分类和结构19.1传感器信息融合分类和结构19.1传感器信息融合分类和结构19.2.1数据融合处理的一般过程目标状态估计目标状态估计目标身份估计目标身份估计目标身份估计19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法Bayes统计理论先验知识：
P(A1)、P(A2)、…、P(An)表示事件A1，A2，…，An发生的概率，这是试验前的知识称为“先验知识”。后验知识：
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”。
检验后事件A1，A2，…，An发生的概率表现为条件概率：Bayes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：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：基于Bayes估计的身份识别方法基于Bayes统计的目标识别融合模型基于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,…,n
计算目标身份的融合概率：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。方法思路基本理论和方法—置信距离和置信距离矩阵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。
用Xi、Xj表示第i个和第j个传感器的输出，则其一次读数xi和xj之间的置信距离定义为：若Xi、Xj服从正态分布，则上式中：置信距离矩阵：对m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信距离
得到一个mXm矩阵。根据具体问题选择合适的临界值由对数据的可靠性进行判定。设被测参数，第k个传感器的测量数据，经过删选，选择l个数据作为最佳融合数。融合结果为：基于Bayes估计的数据融合一般步骤选择合适的距离临界值，由置信距离矩阵产生关系矩阵。将、和最佳融合数对应的、代入Bayes融合估计公式求的参数估计值。传感器编号19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法概率统计方法
假设一组随机向量分别表示n个不同传感器得到的数据信息，根据每一个数据可对所完成的任务做出一决策。
的概率分布为，为该分布函数中的未知参数，若参数已知时，则的概率分布就完全确定。
用非负函数表示当分布参数确定为时，第i个信息源采取决策时所造成的损失函数。
在实际问题中，是未知的，因此当得到时，并不能直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19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法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由上图可得：19.2传感器信息融合的一般方法决定神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。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。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数据融合可广泛应用于以下领域。
1、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围的故障条件，并据此处罚若干报警器。目前，数据融合