2.2数据融合的关键技术重点.ppt

由于实际情况下 因此 交命题为空的情况 由交命题计算得到 其中 如果碰到交命题为空的情况，那么该交命题所对应的概率分配值应为0，其他非空的交命题所对应的概率分配值应该乘以一个因子K，使得它们的和为1。 理论交命题的和 实际交命题和 修正交命题的和 为了使 添加系数K使得 例3： 为了说明所有非空交命题是怎样被一因子线性放大的，假设例2中的传感器B能够识别目标2和目标4,而不是上一个例子中的目标3和目标4，并且对应的概率分配值 假设为： 则K值为： 0 * 侦听、就绪、工作和?休眠 * NUST 自动化学院 NUST 自动化学院 第2讲 数据融合的关键技术 智能信息处理技术 * 主要内容 一、传感器管理 二、数据融合的主要技术 智能信息处理技术 * 一 传感器管理 目的 发现跟踪和识别目标 要求 覆盖尽可能大的搜索空域 较小的代价，较低的虚警率 较高的发现率、精度与可信度 核心问题 传感器的选择 传感器工作模式的选择 传感器工作优化策略 智能信息处理技术 * 传感器管理主要内容 传感器管理 空间管理 时间管理 原因：不全向非同步 方法：对传感器进行空 间上的任务分配 传感器系统中，大部分传感器不是全向工作 的，并且传感器之间是非同步的； 空间管理 智能信息处理技术 * 时间管理 原因1：传感器功能不同 原因2：不同时刻不同传 感器的工作情况不同 方法：不同时间使 用不同传感器组合 时间管理 多传感器系统可能由多种多样的传感器组成的，每个传感器都有不同的任务，即有不同分工。 如水下无线传感器网络，水听器阵列、水声modem 可能在某一时刻，只需要某些传感器工作，或只需要某些方向上传感器工作。 例如，传感器节点几种工作状态 根据事件出现的顺序，选用不同的传感器组合，按一定的时间顺序进行统一管理。 智能信息处理技术 * 二 数据融合的主要技术 一、态势数据库 二、数据融合 智能信息处理技术 * 1、态势数据库 态势数据库 实时数据库 非实时数据库 当前观测结果; 中间结果; 最终态势; 把当前各传感器的观测结果及时提供给融合中心，提供融合计算所需各种其他数据。同时也存贮融合处理的最终态势/决策分析结果和中间结果。 智能信息处理技术 * 传感器历史数据 有关目标和环境的辅助信息 融合计算的历史信息 态势数据库要求容量大、搜索快、开放互联性好，且具有良好的用户接口。 态势数据库 实时数据库 非实时数据库 2. 数据融合的常用方法 Bayes 估计法 滤波 跟踪 聚类 分析 数据融合技术 假设检验法 证据理论 神经网络 数据融合的常用技术 D-S证据理论 对信息的表示和处理更加接近人类的思维方式 证据组合规则是DS证据理论的核心, 但在应用中要求满足组合证据之间相互独立 Bayes估计理论 Bayes方法具有严格的理论基础，应用广泛 采用归纳推理的方法对多源信息进行有效融合 充分利用了测量对象的先验信息 融合技术--Bayes统计理论 不采用先验概率 概率是一种类似频数的解释 特征 小概率原理. 原理 将被测参数看做一个固定值，没有充分利用其先验信息 精度和信度是预定的，不依赖于样本。 不足 基于经典统计方法的多传感器数据处理 Bayes统计理论 在考虑可靠度情况下传感器测量需要解决的一个关键问题：真值和测量值 考察一个随机试验，在该试验中n个互不相容的事件A1，A2，…，An必然会发生一个，且只能发生一个，用P（Ai）表示Ai发生的概率 设利用一传感器对A事件的发生进行检测，检测结果为B，则Ai为真值，B为测量值 显然有： 后验知识： 检验后事件A1，A2，…，An发生的概率表现为条件概率： Bayes统计理论 Bayes统计理论认为， 人们在检验前后对某 事件的发生情况的估 计是不同的，而且一次 检验结果不同对人们 的最终估计的影响是 不同的。 P(A1),P(A2)到 P(An) 表示事件A1,A2到An发生的概率，这是试验前的知识称“先验知识” 由于一次检验结果B的出现，改变了人们对事件A1，A2，…，An发生情况的认识，这是试验后的知识称为“后验知识”。 贝叶斯统计理论 后验知识 先验知识 Bayes估计是检验过程中对先验知识向后验知识的不断修正 Bayes公式： 对一组互斥事件Ai，i=1，2，…，n，在一次测量结果为B时，Ai发生的概率（后验概率）为： 其中Ai为对样本空间的一个划分，即Ai为互斥事件且 Bayes统计理论 利用Bayes统计理论进行测量数据融合： 充分利用了测量对象的先验信息 根据一次测量结果对先验概率到后验概率的修正 * 模型 特点 经典概率推理 贝叶斯推理 缺 点 用概