数据融合的关键技术

1、第2讲数据融合关键技术数据融合的关键技术第1页智能信息处理技术2主要内容一、传感器管理二、数据融合主要技术数据融合的关键技术第2页智能信息处理技术3一 传感器管理目发觉跟踪和识别目标要求覆盖尽可能大搜索空域较小代价，较低虚警率较高发觉率、精度与可信度关键问题传感器选择传感器工作模式选择传感器工作优化策略数据融合的关键技术第3页智能信息处理技术4传感器管理主要内容传感器管理空间管理时间管理原因：不全向非同时方法：对传感器进行空间上任务分配传感器系统中，大部分传感器不是全向工作 ，而且传感器之间是非同时；空间管理数据融合的关键技术第4页智能信息处理技术5时间管理原因1：传感器功效不一样原因2：不一

2、样时刻不一样传感器工作情况不一样方法：不一样时间使用不一样传感器组合时间管理多传感器系统可能由各种多样传感器组成，每个传感器都有不一样任务，即有不一样分工。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，只需要一些传感器工作，或只需要一些方向上传感器工作。比如，传感器节点几个工作状态依据事件出现次序，选取不一样传感器组合，按一定时间次序进行统一管理。数据融合的关键技术第5页智能信息处理技术6二 数据融合主要技术 一、态势数据库二、数据融合数据融合的关键技术第6页智能信息处理技术71、态势数据库态势数据库实时数据库非实时数据库当前观察结果;中间结果;最终态势;把当前各传感器观察结

3、果及时提供给融合中心，提供融累计算所需各种其它数据。同时也存贮融合处理最终态势/决议分析结果和中间结果。数据融合的关键技术第7页智能信息处理技术8传感器历史数据相关目标和环境辅助信息融累计算历史信息态势数据库要求容量大、搜索快、开放互联性好，且含有良好用户接口。态势数据库实时数据库非实时数据库数据融合的关键技术第8页2. 数据融合惯用方法Bayes预计法滤波跟踪聚类分析数据融合技术 假设检验法证据理论神经网络数据融合的关键技术第9页数据融合惯用技术D-S证据理论对信息表示和处理愈加靠近人类思维方式证据组合规则是DS证据理论关键, 但在应用中要求满足组合证据之间相互独立Bayes预计理论Baye

4、s方法含有严格理论基础，应用广泛采取归纳推理方法对多源信息进行有效融合充分利用了测量对象先验信息数据融合的关键技术第10页融合技术-Bayes统计理论不采取先验概率概率是一个类似频数解释特征小概率原理. 原理将被测参数看做一个固定值，没有充分利用其先验信息精度和信度是预定，不依赖于样本。不足基于经典统计方法多传感器数据处理数据融合的关键技术第11页Bayes统计理论在考虑可靠度情况下传感器测量需要处理一个关键问题：真值和测量值考查一个随机试验，在该试验中n个互不相容事件A1，A2，An必定会发生一个，且只能发生一个，用P（Ai）表示Ai发生概率设利用一传感器对A事件发生进行检测，检测结果为B，

5、则Ai为真值，B为测量值数据融合的关键技术第12页显然有：后验知识：检验后事件A1，A2，An发生概率表现为条件概率：Bayes统计理论Bayes统计理论认为，人们在检验前后对某事件发生情况估计是不一样，而且一次检验结果不一样对人们最终预计影响是不一样。P(A1),P(A2)到 P(An) 表示事件A1,A2到An发生概率，这是试验前知识称“先验知识”因为一次检验结果B出现，改变了人们对事件A1，A2，An发生情况认识，这是试验后知识称为“后验知识”。贝叶斯统计理论后验知识先验知识数据融合的关键技术第13页Bayes预计是检验过程中对先验知识向后验知识不停修正Bayes公式： 对一组互斥事件A

6、i，i=1，2，n，在一次测量结果为B时，Ai发生概率（后验概率）为：其中Ai为对样本空间一个划分，即Ai为互斥事件且 Bayes统计理论利用Bayes统计理论进行测量数据融合：充分利用了测量对象先验信息依据一次测量结果对先验概率到后验概率修正数据融合的关键技术第14页15模型特点经典概率推理贝叶斯推理缺点用概率模型把观察数据与全部样本数据联络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

7、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数据融合的关键技术第15页16举例：有一病人去医院诊疗是否患有癌症，该医院检测方法漏诊率是5%，4%误诊率，并假设在人群中1000人中有5人患癌症。假如该病人检测出来是阳性，则他实际患癌症概率是多少?数据融合的关键技术第16页如提升检测率到99.99%对结果影响较小（11.2%），但对漏诊率影响较大，减小了一个数量级数据融合的关键技术第17页基于Bayes预计身份识别方法基于Bayes统计目标识别融合模型数据融合的关键技术第18页开始基于Bayes预计身份识别方法1取得目标身份说明2计算似然函数3计算融合概率4 目标识别决议基于Baye

8、s统计目标识别融合普通步骤 计算每个传感器单元对不一样目标身份说明似然函数即 取得每个传感器单元 输出目标身份说明 B1，B2，Bn计算目标身份融合概率： 目标识别决议（判据）： 数据融合的关键技术第19页基于Bayes预计身份识别方法03计算目标身份融合概率：假如B1，B2，Bn相互独立，则：数据融合的关键技术第20页基于Bayes预计身份识别方法举例：采取两种设备检验某种癌症，设备1对该癌症漏诊率为0.1，误诊率为0.25；设备2对该癌症漏诊率为0.2，误诊率为0.1。已知人群中该癌症发病率为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概率。设备1数据融合的关键技术第21页设

9、备1漏诊率设备1检测率该癌症发病率设备1误诊率依据贝叶斯公式数据融合的关键技术第22页设备2设备2漏诊率设备2误诊率数据融合的关键技术第23页检验结果正确率同时使用两台设备即为诊疗为该疾病确为该癌症概率数据融合的关键技术第24页Dempster-Shafer 算法算法原理D-S数据融合过程数据融合的关键技术第25页识别框架假设有n个互斥且穷尽原始子命题存在，这个命题集组成了整个假设事件空间，我们称之为识别框架分配概率识别框架与概率分配值.m(a1)m(a1，a2)总命题数 2n-1不能直接赋概率值m( )假如不是全部概率都能直接分配给各子命题和他们并时，把剩下概率都分配给识别框架数据融合的关键

10、技术第26页 称为 疑惑度，它代表了证据反驳命题程度，既证据支持反命题程度全部没有分配给这个命题反命题概率分配值和，即一些方面支持该命题和（包含识别框架）为：支持度是直接分配给该命题证据所对应概率分配值和，即该命题与该命题子命题概率分配值和为： 不确定区间支持度、似然度及不确定区间基于支持证据基于反驳证据支持度似然度01不确定区间解释0，1对命题 一无所知0.6，0.6命题 为真确实切概率是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 反命题1，1命题 完全为真0，0命题 完全为假数据融合的关键技术第27页命题支持度S(ai)似然度

11、1-S( )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：某一时刻可能有三种类型目标a1、a2、a3被传感器A探测到，A识别框架为：则a1反命题为：假设传感器A分配给各命题 和 概率分配值为：数据融合的关键技术第28页Dempster规则融合多传感器数据例2：假设存在四个目标：a1=我方类型为1目标 a3=敌方类型为1目标a2=我方类型为2 目标 a4=敌方类型为2目标传感器A对目标类型直接分配为：这里 对应着传感器A在判断目标类型属于1时，由不知道引发不确定性传感器B对目标类型直接分配为：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发不确定性数据融合的关键技术第29页在用Dempster融合规则时，首先形成一个矩阵，矩阵中每个元素是对应命题概率分配值，矩阵第一列和最终一行就是被融合那些对应命题概率分配值。其中：数据融合的关键技术第30页因为实际情况下所以交命题为空情况由交命题计算得到其中 假如碰到交命题为空情况，那么该交命题所对应概率分配值应为0，其它非