- 1、本文档共14页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
北航多源信息融合2015课件3Bayes推理补充
多源测试信息融合 第3讲 Bayes推理应用补充 基于Bayes推理的数据融合方法 Bayes推理方法可以对多个传感器信息进行融合,以计算出给定假设为真的后验概率。设有n个传感器,它们可能是不同类型的,用它们共同对一个目标进行探测。再设目标有m个属性需要进行识别,即有m个假设或命题Ai,i=1, 2, …, m。 * 多源测试信息融合 * 传感器1 P(D1|Oi) D1 传感器2 P(D2 | Oi) D2 传感器n P(Dn | Oi) Dn ... ... Bayes组合公式: P(Aj/D1∩D2 … ∩Dn) j = 1, 2, …, m 决策 判定 逻辑 P(Oi | D1,D2,…,Dn),i=1,2,…,m 图5 基于贝叶斯统计理论的属性识别过程 判定结果 Bayes推理的数据融合例子 利用电子支援测量ESM和敌我中识别传感器(IFFN),依据传感器类型可以获取目标的不同属性参数,通过属性参数与目标机型进一步敌我身份的联合识别结果。 解: 步骤1:进行多传感器观测,两个传感器的观测量为B1和B2. 步骤2:将当前测量周期的关于一个空中目标的所有传感器测量量B={B1,B2},转换为机型A={A1, A2, …, Am}的似然函数: 对于IFFN传感器,能检测并收到PIFFN(B1|我)、 PIFFN(B1|敌)和PIFFN(B1|中)。 * 多源测试信息融合 * 融合实例(续) IFFN对于不同机型,应用全概率公式,有 PIFFN(B1|Aj) = PIFFN(B1|我)* PIFFN(我|Aj) + PIFFN(B1|敌)* PIFFN(敌|Aj) + PIFFN(B1|中)* PIFFN(中|Aj) 对于ESM,能在机型上识别飞机属性,有 * 多源测试信息融合 * 融合实例(续) 步骤3, 依据一个给定测量周期中的所有各类传感器测量值,计算每种机型的多传感器的联合似然函数。若各类传感器对目标的测量是独立进行的,则每个传感器基于机型的似然函数互相独立,有: 计算出各种机型的后验估计概率。根据当前周期相应机型的各类传感器联合似然函数和前一周期该机型的后验概率(作为本周期该机型的先验估计概率)。 * 多源测试信息融合 * 融合实例(续) 式中 , 是直到 k-1个周期的测量值: * 多源测试信息融合 * 融合实例(续) 步骤4: 根据对目标的机型估计概率, 计算出目标的敌我中识别概率。 可以类似用来计算某些机型(民航、轰炸机)的后验概率,如: * 多源测试信息融合 * 举例1 例1: 设有两个传感器,一个是敌-我-中识别(IFFN)传感器,另一个是电子支援测量(ESM)传感器。 设目标共有n种可能的机型,分别用O1,O2,…,On表示,先验概率PIFFN(x|Oi), PESM(x|Oi)已知,其中x表示敌、我、中3种情形之一。对于某一次观测z,求:P(x|z)? 解: 对IFFN传感器应用全概率公式,得 * 多源测试信息融合 * 举例1(续) 对于电子增援(ESM)传感器,能在机型级上识别飞机属性,有 基于两个传感器的融合似然为 * 多源测试信息融合 * i=1,2,…,n i=1,2,…,n 举例1(续) 从而: * 多源测试信息融合 * 举例1(续) 从而: * 多源测试信息融合 * Bayes推理应用 有两个可选的假设: 病人有癌症(cancer)、病人无癌症(normal) 可用数据来自化验结果: 正(+) 和 负(-) 先验知识:在所有人口中,患病率是0.8%; 对确实有病的患者的化验准确率为98% 对确实无病的患者的化验准确率为97% 总结如下: P(Cancer) = 0.008; P(Normal) = 0.992 P(+|Cancer) = 0.98; P(-|Cancer) = 0.02 P(+|Normal) = 0.03; P(-|Normal) = 0.97 问题:假定有一个新病人,化验结果为正,是否应将病人断定为有癌症?求后验概率P(Cancer|+)和P(Normal|-). * 多源测试信息融合 * Bayes推理应用实例(续) 解: 几大后验假设计算结果如下: P(+|Cancer)P(Cancer) = 0.
您可能关注的文档
- 北极地区和南极地区PPT.ppt
- 北方铸业生产订单管理流程.doc
- 北极地区地缘政治的最新战略较量.docx
- 北极移民中英文对照.docx
- 北极航线开辟对世界航运格局的影响.doc
- 北欧四国10天之旅.doc
- 北海招聘辞退争议班课程.ppt
- 北站施工组织设计.doc
- 北欧四国之旅.doc
- 北美篇之美国 1.doc
- 保育员考试:初级保育员(八).doc
- 保育员考试:初级保育员(三).doc
- 保育员考试:高级保育员(三).doc
- 保育员考试《保育员考试考试答案》模拟练习卷.doc
- 2024届湖南省长沙市语文八年级第二学期期末统考模拟试题含解析.doc
- 2024届六盘水市重点中学八年级数学第二学期期末达标检测试题含解析.doc
- 2024届广东省河口中学数学八年级第二学期期末教学质量检测模拟试题含解析.doc
- 2024届辽宁省盘锦兴隆台区七校联考数学八下期末监测试题含解析.doc
- 2024届辽宁省抚顺市新宾县语文八年级第二学期期末学业质量监测试题含解析.doc
- 保险销售人考试《风险与风险管理找答案》模拟卷(一).doc
文档评论(0)