第2章 数据融合与信息处理.pptVIP

2.4.2 基于信息论的融合方法 能把参数数据转换或映射到识别空间。所有的这些方法都有着相同的概念，即识别空间中的相似是通过观测空间中参数的相似来反映的，但是却不能直接对观测数据的某些方面建立明确的识别函数。包括：参数模板匹配、人工神经网络、聚类算法、表决算法、熵量测技术、品质因数、模式识别以及相关量测等技术 聚类分析法 在一定条件下，按照目标间的相似性把目标空间划分为若干子集，划分的结果应使表示聚类质量的准则函数为最大。当用距离来表示目标间的相似性时，其结果降判别空间划分成若干区域，每一个区域相当于一个类别。 常用的距离函数有明氏距离、欧式距离、马氏距离、类块距离等。 包括：聚类分析法、表决法、神经网络法、参数模板匹配法、熵量测、品质因数、模式识别，等。 类间距离 离差平方和法（ward method） D2=WM－WK－WL 即 对异常值很敏感；对较大的类倾向产生较大的距离，从而不易合并，较符合实际需要。 Cluster K Cluster L Cluster M 表决法 由每个传感器提供对被测对象状态的一个判断，然后由表决方法对这些判断进行搜索，以找到一个由板书以上传感器“同意”的判断（或采取其它简单的判定规则），并宣布表决结果。 适合实时融合 融合无偿较大 神经网络 非线性，自学习，自组织，并行性，容错性 权值，学习收敛性，学习速度，网络模型，结构，等需要人为地根