现代检测技术多传感器数据融合课件.pptVIP

Dempster-Shafer证据推理法 由Dempster首先提出，由Shafer发展 一种不精确推理理论，贝叶斯方法的扩展。 贝叶斯方法必须给出先验概率， 证据理论则能够处理这种由不知道引起的不确定性。 在多传感器数据融合系统中，每个信息源提供了一组证据和命题，并且建立了一个相应的质量分布函数。因此，每一个信息源就相当于一个证据体。 在同一个鉴别框架下， 将不同的证据体通过Dempster合并规则并成一个新的证据体，并计算证据体的似真度，最后用某一决策选择规则，获得最后的结果。 三、人工神经网络法 神经网络根据当前系统所接收到的样本的相似性，确定分类标准。这种确定方法主要表现在网络权值分布上，同时可采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。 基于神经网络的传感器信息融合特点： 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； 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力，使得系统信息处理速度很快。 处理过程如下： (l)用选定的N个传感器检测系统状态； (2)采集N个传感器的测量信号并进行预处理； (3)对预处理后的N个传感器信号进行特征选择； (4)对特征信号进行归一化处理，为神经网络的输入提供标准形式； (5)将归一化的特征信息与已知的系统状态信息作为训练样本，送神经网络进行训练，直到满足要求为止。该训练好的网络作为已知网络，只要将归一化的多传感器特征信息作为输入送人该网络，则网络输出就是被测系统的状态。 小波变换是一种新的时频分析方法，它在多信息融合中主要用于图像融合，即是把多个不同模式的图像传感器得到的同一场景的多幅图像，或同一传感器在不同时刻得到的同一场景的多幅图像，合成为一幅图像的过程。经图像融合技术得到的合成图像可以更全面、精确地描述所研究的对象。 基于小波变换的图像融合算法为：首先用小波变换将各幅原图像分解，然后基于一定的选择规则，得到各幅图像在各个频率段的决策表，对决策表进行一致性验证得到最终的决策表，在最终决策表的基础上经过一定的融合过程，得到融合后的多分辨表达式，最后经过小波逆变换得到融合图像。 四、小波变换法 第四节 传感器信息融合的其它实例 一. 信息融合的民事应用领域 工业过程监视及工业机器人 遥感与金融系统 空中交通管制与病人照顾系统 船舶避碰与交通管制系统 生物特征的身份识别 二. 信息融合技术军事上的应用 采用多传感器的自主式武器系统和自备式运载器 情报收集系统 采用多传感器进行截获、跟踪和指挥制导的火控系统 军事力量的指挥和控制站 敌情指示和预警系统 1.机器人中的传感器信息融合 控制和信 息融合计 算机 自主移动装配机器人 装配机械手 力觉传感器 触觉传感器 视觉传感器 超声波传感器 激光测距传感器 多传感器信息融合自主移动装配机器人 系统中, 机器人在未知或动态环境中的自主移动建立在视觉(双摄像头)、激光测距和超声波传感器信息融合的基础上; 机械手装配作业的过程则建立在视觉、力觉和触传感器信息融合的基础上 视觉传感器提取的环境特征信息； 自主移动： 激光传感器在较远距离上 获得物体较精确的位置； 超声波传感器用于检测近距离的物体； 信息融合获得机器人位置的精确估计 装配作业的过程： 视觉传感器用于识别具有一定规则和几何形状的零件及零件的定位； 力觉传感器检测机械手末端与环境的接触情况 以及接触力的大小，提供在接触时物体的准确位置； 物体的重量则在物体提升时由力觉测出； 信息融合获得目标的信息 多传感器及信息融合技术在移动机器人中的应用 外　　　界　　　环　　　境 视觉１ 视觉２ 超声波传感器 红外接近觉 立体视觉 地标识别 障碍探测 目标物探测 景物识别 内部传感器 融合 力觉 触觉 环境模型 定位 避障 操作规划 学习 路径规划 任务规划：执行机构控制 指令 感觉功能 2.舰船上的传感器信息融合 行扫描 处理器 红外探测器 直流偏 压AGC 搜索器万向支架 惯性导 航系统 图像摄像机万向支架 图像 处理 共享 存储器 数据融合 处理器 环境控制 显示 记录 人机 界面 图像摄像机 传感器 海军舰船传感器信息融合系统 重磁导航（重力导航、磁力导航） 现有导航系统 全球卫星导航定位系统（GPS、 GLONASS、GALILEO、BD） 惯性导航（包括惯性导航INS、航位推算导航DR） 天文导航系统（CNS） 匹配导航（地形匹配导航、影像匹配导航） 多传感器信息融合技术在舰船组合导航系统中的应用 多传感器信息融合技术在舰船组合导航系统中的应用