第四章数据融合的数学基础.ppt

第四章 多传感器数据融合的数学基础 D-S理论 Kalman滤波 概率数据关联 第一节、D-S理论 证据理论是Dempster—Shafer在70年代初期建立的一套理论，是概率论的进一步扩充，对于ES、AI、PR与系统决策有极其重要的意义，其最基本的概念是信任度和似然度 核心概念 信任度 似然度 Mass函数 合成公式 条件似然度 一、基本概念 论域： 在一实际问题中考虑的对象全体。 Φ：空集 Χ：全集合 Χ的幂集：ρ(Χ)=﹛A,A∈Χ﹜ 信任度 似然度 信任度和似然度的关系 证明 Mass函数 Mass函数的涵义 信任度和似然度如何计算？ 说明 特殊值及其涵义 基于证据的mass函数 证明 合成公式 证明 N的作用 例题 Mass函数的性质 满足交换律和结合律 合成公式的一般形式 证明 条件信任度和似然度 证明 如何确定证据的不确定度？ 不确定性度量与信息 性质 第二节 证据推理模式 即利用D—S理论所得的不确定推理方法，代替概率推理 证据推理原理 首先给出假设的度量函数mass—计算bel、pl—条件bel、pl 相关定义 如何利用先验概率？ 例题1 例题2 证据推理的一般模型计算过程 证据推理的复杂度分析 例题3 核元素 核 简单mass函数 结论 两个简单的mass函数总可以合成 mass函数不能合成当且仅当其核不相交 合成公式的灵敏分析度 问题描述 证据推理模式 证据本身也是不确定的—证据推理模式 问题描述 分析 上述e的表达式可表示证据是否为真 求bel(hi)和pl(hi) （求解过程） 证据推理模式转换为经典逻辑的条件 第三节、相关论据的合成与合成公式的鲁棒性研究 D-S理论只适用于证据独立的情况，它将sensor采集的信息作为证据，在决策目标集上建立一个相应的基本可信度 （这样，D-S推理能在同一决策框架下，用合成规则将不同的信息合成一个统一的信息表示） 证据问题必须互相独立不是合理的假设 原因：在一个智能化的多传感器系统中，获取信息的目的是为了得到对环境的确切描述，尽管各sensor所得的信息在时间、空间、可信度、表达方式上不尽相同，但它总与所在环境的各种特征，正面或侧面或蕴含的信息相对应，正是如此，各种信息间的联系和相关成为必然 相关证据（定义） 两个相关的论据由一个独立论据源分别与两个相关证据源通过正交和合成而得 相关证据的表示（图） 分析 实际使用中只能得到相关证据、以及独立源证据，如何得到合成证据？ 定义：正交差：由合成证据和一个参与合成证据求另一个参与合成证据的运算，记“/” 解释 定理 证据理论的鲁棒性研究 合成规则的鲁棒性好坏是评介其可靠依据之一 在一定范围内，高冲突情形可视为低冲突情况的一个鲁棒扰动→高冲突的不恰当处理转化为低冲突的合理性处理 矛盾因子的表示 1、鲁棒性问题 系统的鲁棒性定义 一般的，系统的鲁棒性是指当输入发生变化时，其输出将不发生质的变化或保持输出在允许的稳定范围内变化 证据推理的鲁棒性 是指当证据核元素的基本信任指派发生小变化时，其组合不会发生质的变化 （该合成规则具有鲁棒性） 主核元素 指bpa最大的单命题核元素 D-S推理的期望在于增强主核元素的信任度，即 2、证据推理的鲁棒性范围 鲁棒范围是指证据bpa受扰动前后，不改变组合结果主核元 素信任度的变化趋势Δbel0时，论据核元素bpa指派可以变 化的最大范围 冲突率 是指矛盾因子在产生冲突核元素的bpa中所占比例，它作为Ｄ-Ｓ规则与段处理的一个尺度。 冲突率的计算公式 说明 该定理表明，用冲突率可将Ｄ-Ｓ合成规则作逐段分析，每段都有特殊的性质，Ｄ-Ｓ对（１）、（２）处理基本合理，对（３）、（４）处理不十分合理，因为这两种情况可视为（２）的扰动情况 第四节、kalman滤波 一、引言 最优滤波问题 如何从被污染的观察信号中过滤并尽可能地消除噪声，求未知真实信号或系统状态的最优估计 解释 噪声污染源：来自检测仪器、装置本身的误差，或来自其他干扰 最优滤波（估计）：研究的对象是随机系统（噪声具有随机性特征） 最优：指最小方差意义下的最优滤波或估计，即要求信号或者状态的最优估值与相应的真实值的误差方差最小 经典最优滤波理论 Wiener滤波和kalman滤波 Wiener滤波（1949-研究火炮控制系统） 频域方法，局限于处理平稳随机过程，利用谱分解和平稳随机过程的谱展开式解决最优滤波问题，难以在工程上实现，限制了其应用 kalman滤波（60s，20 century） 要求处理复杂的多变量、时变系统以及非平稳随机过程→