传感器数据和融合 第五章2.pptVIP

第五章 身份融合;5.1 引言;4 . 单一传感器身份说明的思想;单一传感器身份识别分为两步：特征提取和身份说明 特征提取把来自传感器的数据输出变换为这些数据的特征表达式。 特征是基于模拟、数字和图像数据导出。 特征：是在识别处理中可能有用的数据的表达式。 1）基于特征的可识别性；2）通过特征抽象压缩信息。 身份识别：把特征向量变换到特征空间的一个区域。 基于特征空间对不同类别目标的可分离性。 身份处理的困难在于：表示不同实体的特征空间区域相互覆盖时，该模糊情况导致无法只依据基本观测特征说明一个唯一的身份。 ;有监督的学习： 两阶段的操作： 训练：取自已知实体的数据，用于确定把特征空间划分成多个区域的边界，每个区域确立一个目标或实体的身份；——建立特征向量与身份的对应关系； 识别：利用模式识别技术，通过确定观测向量对特征空间中的判定边界的位置，对各个特征向量进行分类。 无教师的学习 根据测试样本的内在关联聚类。;5.2 特征提取;1.常用特征;2.不同信息源的有效特征;5.3 识别技术概述;5.3.1 相似性系数法;5.3.2 统计模式识别;等价决策 已知未知目标的检验统计量 目标Tj的逆协方差 （1）对所有j=1，2，?，n，若 则目标Xi属于目标Tk （2）对所有j=1，2，?，n，若 则目标Xi不1属于目标Tk Bayesian模型的限制 （1）对于很多实际问题，难以获得目标的概率估计； （2）未知目标的先验概率很难获得； （3）目标的特征矢量，难以实时获得。 ;5.3.3 参数模板法;参数模板法例子;5.3.4 聚类分析技术;1. 硬c-均值聚类算法（HCM）;求解步骤 ;2. 模糊c-均值聚类算法（FCM）;3. 分层凝聚法;娟锌逻注肪痢驴贩宁馏挝驮豁过塌锋蓝帘趋邑袜兽揪谦镭蛤窗敏惫边窿级传感器数据和融合 第五章2传感器数据和融合 第五章2; ;5.3.5 自适应神经网络;梢规献赎秀侄联池铭轰彬曲髓迁辉他徘且次栽搂依尊葵娘进燃株占雹渍墓传感器数据和融合 第五章2传感器数据和融合 第五章2;炳摔闹垄便裹赘朱口鞘哥靖领穷留鹏瀑箭噶蛮究吁炳线挤膳唉被伤倾宗漂传感器数据和融合 第五章2传感器数据和融合 第五章2;1. BP 学习规则;（1）由隐含层到输出层 ;（2）由输入层到隐含层 ;2.用于身份说明的BP网络模型;麓腆一腋驶惯膊告朗昨汀屋润袄施厕费栖喻芒泼田屑恶呜姆浪运哩狐河亲传感器数据和融合 第五章2传感器数据和融合 第五章2;3.输出函数特性;4. BP网络的训练;炮酷丘蝉名哗了斥悸租巩酣奢裴抱英苔匙渤展臆赶蝎奠芳心零云浇兵济仪传感器数据和融合 第五章2传感器数据和融合 第五章2;5.3.6 物理模型;闻挟戒祥柬从起讽篙誊桥揉绅遗逆块斡质木箍娃害棕梆度罗犊衙犀南移赫传感器数据和融合 第五章2传感器数据和融合 第五章2;5.3.7 基于知识的方法;照湃铡娥标帚民办缴占弛荡栗忠枢降伦序绢簧卷衅肛桂佳辙猪强览挨避睹传感器数据和融合 第五章2传感器数据和融合 第五章2;5.4 身份融合;档闪涎媒鸡尘缝厢株兽铀架写足鹿论梯睫顺宇栓擅钥柒写趋违纵浴胖沛谣传感器数据和融合 第五章2传感器数据和融合 第五章2;身份融合算法的分类;5.4.1 经典推理;2.经典推理的应用例;经典推理可推广到多传感器多源数据情况，但需要有多维概率密度函数的先验知识。 经典推理的缺陷： （1）同时只能处理两个假设，难以处理多变量数据； （2）没有利用先验似然估计，要求已知概率密度的先验知识。 ;5.4.2 Bayes推理;2. Bayes理论基于新的证据更新不确定性的方法 ;糙凋调匀恫叔假瞩橡茧予行覆缅成叫巳垦袁着堰钉亥佃姐邦翘窘熊戍帘藉传感器数据和融合 第五章2传感器数据和融合 第五章2;Bayes 组合规则;3. Bayes理论用于融合的例子 （1）看病的例子;3. Bayes理论用于融合的例子 例2 一个传感器检测概率为0.9，虚警概率为0.05，三个传感器给出独立的三个判决（1，0，1），对结果进行融合。;4. 经典概率推理与Bayes推理的比较 经典概率特点： 用概率模型把观测数据与所有样本数据联系起来 概率模型通常是基于大量样本得到的 判决规则：最大似然法，Neyman-Pearson方法，Bayes损失函数等等 Bayes推理特点： 由已知证据可以确定假设事件出现的概率 出现新证据时，假设事件的似然函数可以通过没有出现新证据时的似然函数和出现新证据的概率来更新 客观概率和主观概率估计都可以使用（即不必需要概率密度函数） 主观概率来自于经验，并且允许每个人的取值不同 同一时刻，可支持两个以上的假设事件 ;4. 经典概率推理与Bayes推理的比较 经典概率缺点： 当使用多个