基于模糊积分数据融合424.ppt

* * 基于模糊积分的数据融合 报告人：王丽娟 时间：2004年4月 数据融合是由美国JDL实验室数据融合专家组(DFS)提出的并给出了一般的概念模型。最初用于军事领域，现在广泛应用于机器人，交通管制，故障诊断等民生领域。最初数据融合用于处理传感器的信息融合，由于传感器的固有特性，单一传感器的信息通常不完备以及抗干扰的需要，经常使用同类或异类传感器的组合来获得互补的信息或增加抗干扰的能力。现在不仅局限于传感器，从各方面采集得到的原始数据和分类器处理的结果都可以通过融合技术进行加工。如Sung-Bae cho和Jin H.Kim使用基于模糊逻辑多神经网络融合解决在线手写字符识别问题。Alexandre lemieux等构造了一个灵活的多分类器系统用于人脸识别系统。国内有哈尔滨工业大学权太范等人出版了信息融合一书，北京理工大学，浙江大学等学校都在研究信息融合问题处理雷达图像识别系统 首先介绍一下模式识别中的分类过程，分类通过对具有类别标记的实例(数据) 进行训练,得出一个能够预测新实例类别的模型。第一步信息获取，收集大量的数据。这些数据中可能含有冗余和错误信息，对数据预处理，选取重要信息，删除错误的信息。将预处理后的信息输入分类器，分类器根据一定的学习算法得到分类的模型或规则，常用的分类器，如：KNN、神经网络、决策树、SVM、贝叶斯分类器、粗糙集等。根据所得到的模型或规则预测未知样本的类别，做出决策。 ? 信息获取 预处理 分类器设计 分类器决策 图1 分类识别过程 这里重点介绍神经网络的BP算法。神经网络由神经元和权重构成，神经元即为：输入节点，输出节点和隐层结点三部分；权重是各个神经元相互连接的强度。神经网络通过训练，从样本中学习知识，并且将知识以数值的形式存储于连接权中。神经网络的分类过程分成两部分，首先学习网络的权重，利用一些已知的数据训练网络得到该类数据模型的权重；接着根据现有的网络结构和权重等参数得到未知样本的类别。BP算法被称作反向传播算法，主要思想是从前向后（正向）逐层传播信息；从后向前（反向）逐层传播输出层的误差，间接算出隐层误差。 图2 神经网络结构图 信息 误差 第一阶段（正向过程）输入信息从输入层经隐层逐层计算各单元的输出值；根据下式计算每层的输出值： 第二阶段（反向传播过程）输出误差逐层向前算出隐层各个单元的误差，并用此误差修正前层的值。在BP算法中常采用梯度法修正权值，为此要求输出函数可微，通常采用Sigmoid函数作为输出函数。 （1） 计算误差： （2） 按照梯度方向计算各层权重的修正量： 其中 的计算公式为 （3） 修正各层权重： （4）重复上述过程直到算法收敛，即误差小于给定的阈值。 算法分为两个阶段： 例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点为1 ，用BP算法训练网络。 例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点为1 ，用BP算法训练网络。 信息 0.36 0.51 0.58 who1=0.12 who2=0.904 0 0 wih1=0.82 wih2=0.20 b=0.556 -1 b 0.55-0.57 例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点为1 ，用BP算法训练网络。 Wih1 0.82- 0.82 wih2 0.20-0.196 who1 0.12- 0.15 who2 0.90-0.86 信息 误差 0.36 0.51 0.58 wih1=7.2 wih2=-0.32 b=5.62 who1=-3.78 who2=3.78 1 0 数据融合一般分为两个层次，特征层和决策层。特征层的融合是数据的属性的联合，分别从所有信息提取特征，然后经过关联处理组成联合特征向量，这样一方面可以降低数据属性的维数，另一方面可以提高数据质量，从而改善分类效果。决策层的融合首先根据各分类器传送的信息独立做出决策，然后通