多传感器数据融合.pptVIP

多传感器数据融合技术 概 述 本节内容 多传感器问题的引入 多传感器问题的引入 数据融合的定义 功能定义： 将来自多个传感器和信息源的数据和信息加以联合、相关、组合，以获得对目标精确的位置估计、身份估计、以及对战场情况和威胁及其重要程度进行适时的完整评价。 该定义的重点： 该定义是军事应用方面的功能性定义； 多个传感器对同一目标进行测量； 重点是融合：联合、相关、组合； 目的：状态估计、身份估计、态势估计、威胁估计。 数据融合的定义 技术定义： 充分利用不同时间与空间的多传感器数据资源，采用计算机技术按时间序列获得多传感器的观测数据，在一定准则下进行分析、综合、支配和使用。获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它各组成部分更为充分的信息。 该定义的重点： 方法：分析、综合、支配、使用； 目的：一致性解释与描述、更为充分的信息。 数据融合技术的应用 数据融合技术发展 多传感器数据融合技术 数据融合的基本原理 本节内容 数据融合处理的一般过程 多传感器数据融合体系结构 多传感器数据融合体系结构 多传感器数据融合体系结构 多传感器数据融合体系结构 多传感器数据融合体系结构 多传感器数据融合体系结构 数据融合的常用算法 数据融合的常用算法 数据融合的常用算法 经典统计理论： 将被测参数看做一个固定值，没有充分利用其先验信息； 精度和信度是预定的，不依赖于样本。 Bayes估计理论： Bayes方法具有严格的理论基础，应用广泛； 采用归推理的方法对多源信息进行有效地融合； 充分利用了测量对象的先验信息。 数据融合的常用算法 滤波跟踪型数据融合算法： 利用数字滤波方法根据测量值估计被测量真值； 利用当前和历史测量数据估计目标未来状态。 神经网络方法： 是一种规则透明的非线性映射方法； 信息存储于网络结构和连接权值； 增强了信息处理的容错性； 具有自组织和自学习能力。 多传感器数据融合技术 基于Bayes估计的数据融合方法及应用 本节内容 Bayes统计理论 基于经典统计方法的多传感器数据处理。 经典统计理论的两个特征： 不采用先验概率； 概率是一种类似频数的解释。 经典统计理论的基本原理：小概率原理。 经典统计理论的不足： 将被测参数看做一个固定值，没有充分利用其先验信息； 精度和信度是预定的，不依赖于样本。 Bayes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，则有： Bayes统计理论 Bayes统计理论 Bayes统计理论 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统计理论 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 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： 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估计的身份识别方法 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 基于Bayes估计的身份识别方法 基于Bayes统计的目标识别融合的一般步骤： 计算目标身份的融合概率： 基于Bayes估计的身份识别方法 基于Bayes统计的目标识别融合的一般步骤： 目标识别决策（判据）： 基于Bayes估计的身份识别方法 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。 基于Bayes估计的传感器检测数据融合 方法思路 基于Bayes估计的传感器检测数据融合 基本理论和方法—置信距离和置信距离矩阵 基于Bayes估计的传感器检测数据融合 基本理论和方法—置信距离和置信距离矩阵 基于Bayes估计的传感器检测数据融合 基本理论和方法—置信距离和置信距离矩阵 基于Bayes估计的传感器检测数据融合 基本理论和方法—置信距离和置信距离矩阵 基于Bayes估计的传感器检测数据融合 基本理论和方法—关系矩阵和数据选择 基于Bayes估计的传感器检测数据融合 基本理论和方法—基于Ba