9.5 多传感器数据融合.ppt

6. 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。 7. 模糊逻辑法 模糊逻辑实质上是一种多值逻辑，在多传感器数据融合中，将每个命题及推理算子赋予0到1间的实数值，以表示其在登记处融合过程中的可信程度，又被称为确定性因子，然后使用多值逻辑推理法，利用各种算子对各种命题（即各传感源提供的信息）进行合并运算，从而实现信息的融合。 8. 产生式规则法 人工智能中常用的控制方法。 产生式规则法中的规则一般要通过对具体使用的传感器的特性及环境特性进行分析后归纳出来的，不具有一般性，即系统改换或增减传感器时，其规则要重新产生。 特点：系统扩展性较差，但推理较明了，易于系统解释，所以也有广泛的应用范围。 9. 神经网络方法 模拟人类大脑而产生的一种信息处理技术，它采用大量以一定方式相互连接和相互作用的简单处理单元（即神经元）来处理信息。 神经网络具有较强的容错性和自组织、自学习、自适应能力，能够实现复杂的映射。 神经网络的优越性和强大的非线性处理能力，能够很好的满足多传感器数据融合技术的要求。 特点： 具有统一的内部知识表示形式，通过学习方法可将网络获得的传感器信息进行融合，获得相关网络的参数（如连接权矩阵、节点偏移向量等），并且可将知识规则转换成数字形式，便于建立知识库； 利用外部环境的信息，便于实现知识自动获取及进行联想推理； 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； 神经网络具有大规模并行处理信息的能力，使得系统信息处理速度很快。 基于神经网络的多传感器信息融合 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。 融合体系分级： 在信号级使用多传感器检测过程中的状态，并转换成相应的物理量，此时还没有形成能充分描述过程特性的数学模型； 在模型级将多传感器获得的信号进行处理，建立各自的过程模型，即能反映被监测对象特性或对被监测对象的表达式，如常用的功率谱估计、时间序列建模等； 在特征级主要是对模型级提供的信息特征进行特征关联、特征抽取及归一化处理，为融合处理提供一致的特征数据； 融合级通过神经网络进行融合处理，实现对监测对象的识别与估计。 神经网络模型常见种类 BP网络 径向基函数网络 自组织神经网络 Hopfield神经网络 End the 9.5 9. 5 多传感器数据融合 9.5.1 概念和意义 9.5.2 基本原理 9.5.3 层次 9.5.4 过程 9.5.5 方法 9.5.1 概念与意义 1．概念 2．意义 1．概 念 美国国防部JDL从军事应用的角度将数据融合定义为这样的一个过程: 把来自许多传感器和信息源的数据进行联合(association)、相关（coorelation）、组合（combination）和估值的处理，以达到精确的位置估计（position estimation）与身份估计（identity estimation），以及对战场情况和威胁及其重要程度进行适时的完整评价。 定义补充和修改 用状态估计代替位置估计，并加入了检测(detection)的功能，从而给出了如下定义： 信息融合是一种多层次、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合，以达到精确的状态估计和身份估计，以及完整及时的态势评估和威胁估计。 定义三个要点： （1）数据融合是多信源、多层次的处理过程，每个层次代表信息的不同抽象程度； （2）数据融合过程包括数据的检测、关联、估计与合并； （3）数据融合的输出包括低层次上的状态身份估计和高层次上的总战术态势的评估。 多传感器数据融合 包括：多传感器的目标探测、数据关联、跟踪与识别、情况评估和预测。 基本目的：通过融合得到比单独的各个输入数据更多的信息。这一点是协同作用的结果，即由于