北航多源信息融合20154属性融合汇总.pptVIP

* * * * * * * * * * * * * * * * * * * * * 2.1 贝叶斯统计理论概述 设B为任一事件，则根据条件概率的定义及全概率公式，有 这就是著名的Bayes公式。 在上式中，P(A1)，P(A2)，…，P(An)表示A1，A2，…，An出现的可能性，这是在做试验前就已知道的信息，这种知识叫做先验信息，这种先验信息以一个概率分布的形式给出，成为先验分布。 * 多源测试信息融合 * 2.1 贝叶斯统计理论概述 现假设在试验中观察到B发生了，由于这个新情况的出现，对事件A1，A2，…，An的可能性有了新的估计，这个知识是在做试验后获得的，可称为后验知识，此处也以一个概率分布P (A1|B) ，P(A2|B)，…，P(An|B) 的形式给出，显然有 这称为“后验分布”。它综合了先验信息和试验提供的新信息，形成了关于Ai出现的可能性大小的当前认识。这个由先验信息到后验信息的转化过程就是Bayes统计的特性。 * 多源测试信息融合 * 2.1 贝叶斯统计理论概述 贝叶斯统计的基本观点是把未知参数Θ看做一个有一定概率分布的随机变量，这个分布总结了抽样以前对Θ的先验分布，这是贝叶斯统计理论区别于古典统计学派的本质区别。贝叶斯学派在处理任何统计分析问题时，均以先验分布为基础和出发点。 * 多源测试信息融合 * 2.2 基于Bayes统计理论的信息融合 假设有m个传感器用于获取未知目标的参数数据。每一个传感器基于传感器观测和特定的传感器分类算法提供一个关于目标属性的说明。设O1，O2，…，On为所有可能的n个目标，D1，D2，…，Dm表示m个传感器各自对于目标属性的说明。O1，O2，…，On实际上构成了观测空间的n个互不相容的穷举假设，则根据前面几个式子得到 * 多源测试信息融合 * i=1,2, …,n; j= 1,2, …,m 2.2 基于Bayes统计理论的信息融合 * 多源测试信息融合 * 目标的观测、 分类与说明 传感器1 P(D1|Oi) D1 目标的观测、 分类与说明 传感器2 P(D2 | Oi) D2 目标的观测、 分类与说明 传感器m P(Dm | Oi) Dm ... ... 贝叶 斯统 计推 断 计算 目标 融合 概率 贝叶 斯统 计决 策 判定 逻辑 融 合 属性说 明 P(Oi | D1,D2,…,Dm)，i=1，2，…，m 图5 基于贝叶斯统计理论的属性识别 2.2 基于Bayes统计理论的信息融合 Bayes融合识别算法的主要步骤为： （1） 将每个传感器关于目标的观测转化为目标属性的分类与说明D1，D2，…，Dm。 （2） 计算每个传感器关于目标属性说明或判定的确定性，即P(Dj|Oi)，j=1，2，…，m；i=1，2，…，n。 * 多源测试信息融合 * 2.2 基于Bayes统计理论的信息融合 （3） 计算目标属性的融合概率： 如果D1，D2，…，Dm相互独立，则 * 多源测试信息融合 * i=1，2，…，n 举例 例： 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）已知，其中x表示敌、我、中3种情形之一。对于传感器IFFN的观测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 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 从而： * 多源测试信息融合 * 举例说明Bayes方法的应用 从而 * * 多源测试信息融合 Bayes推理 Bayes推理在许多领域有广泛的应用，但直接使用概率计算公式主要有几个个困难： （1）一个证据A的概率是在大量的统计数据的基础上得出的，当所处理的问题比较复杂时，需要非常大的统计工作量，这使得定义先验似然函数非常困难； （２）Bayes推理要求各证据之间是不相容或相互独立，从而当存在多个假设和多条件相关事件时，计算复杂性迅速增加。 （３）缺乏分配总的不确定性的能力。 * 多源测试信息融合 * 课程小结 属性融合通用分类 物理模型、参数分类、基于知识的模型 常见几种算法的概述 经典推理、Bayes推理 贝叶斯统计理论及其在信息融合中的应用 * 多源测试信息融合 * Thanks ! 《多源测试信息融合》 * * 多源测试信息融合 题目 1、甲袋中有5只白球,?7?只红球;乙袋中有4只白球,?2只红球.取甲、乙两袋的概率相同,