-贝叶斯估计方法.pptVIP

哈尔滨工程大学 4 贝叶斯估计方法 4.1 Bayes推理的提出 4.2 Bayes推理的基本思想 4.3 Bayes推理公式 4.4 Bayes推理应用实例 4.5 基于Bayes推理的数据融合方法 4.6 融合实例 4.7 Bayes推理的缺点 * * 4.1 Bayes推理的提出 贝叶斯 Thomas Bayes 英国数学家。1702年出生于伦敦，做过神甫。1742年成为英国皇家学会会员。1763年4月7日逝世。贝叶斯在数学方面主要研究概率论。他首先将归纳推理法用于概率论基础理论，创立了贝叶斯统计理论，对于统计决策函数、统计推断、统计估算等做出了贡献。 1763年发表了这方面的论著，对于现代概率论和数理统计都有很重要的作用。贝叶斯的另一著作《机会的学说概论》发表于1758年。贝叶斯所采用的许多术语被沿用至今。 * 4.2 Bayes推理的基本思想 　　贝叶斯推理就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对先验概率进行修正，最后再利用修正概率做出最优决策。 　　贝叶斯决策理论方法是统计决策中的一个基本方法，其基本思想是： 　　1、已知条件概率密度参数表达式和先验概率。 　　2、利用贝叶斯公式转换成后验概率。 　　3、根据后验概率大小进行决策分类。 * 4.3 Bayes推理的推理公式 Bayes推理的基本原理是：给定一个前面的似然估计后，若又增加一个证据（测量），则可以对前面的似然估计加以更新。也就是说，随着测量值的到来，可以将给定假设的先验密度更新为后验密度。 假设A1，A2，...，An表示n个互不相容的穷举假设，B为一个事件（或事实，观测等），Bayes公式的形式为： 其中 * 4.4 Bayes推理应用实例 有两个可选的假设： 病人有癌症(cancer)、病人无癌症(normal) 可用数据来自化验结果：正+和负- 有先验知识：在所有人口中，患病率是0.8% 对确实有病的患者的化验准确率为98%， 对确实无病的患者的化验准确率为97%， 总结如下 P(cancer)=0.008, P(normal)=0.992 P(+|cancer)=0.98, P(-|cancer)=0.02 P(+|normal)=0.03, P(-|normal)=0.97 问题：假定有一个新病人，化验结果为正，是否应将病人断定为有癌症？求后验概率P(cancer|+)和P(normal|-) * Bayes推理应用实例(续) 因此极大后验假设计算如下: P(+|cancer)P(cancer)=0.00784 P(+|normal)P(normal)=0.02976 P(canner|+)=0.00784/(0.00784+0.02976)=0.21 P(-|cancer)P(cancer)=0.00016 P(-|normal)P(normal)=0.96224 P(normal|-)= 0.96224 /(0.00016 + 0.96224)=0.99834 贝叶斯推理的结果很大程度上依赖于先验概率，另外不是完全接受或拒绝假设，只是在观察到较多的数据后增大或减小了假设的可能性。 * 4.5 基于Bayes推理的数据融合方法 Sensor 1 Sensor 2 Sensor n Bayes组合公式 决策 判定 逻辑 判定结果 基于Bayes的融合推理过程 Bayes推理方法可以对多传感器信息进行融合，以计算出给定假设为真的后验概率。设有n个传感器，它们可能是不同类的，它们共同对同一个目标进行探测。再设目标有m个属性需要进行识别，即有m个假设或命题Ai，i=1,2,...,m。 * 4.6 融合实例—敌我身份识别和机型识别 本例考虑的传感器为多种类型，如电子支援测量ESM，敌我中识别传感器IFFN等，依据传感器类型可以获取目标的不同属性参数，通过属性参数与目标机型进一步给出敌我身份的联合识别结果。步骤1就是进行多传感器观测，此例采用IFFN和ESM。 步骤2： 将当前测量周期的关于一个空中目标的所有传感器测量 转换为基于机型 的似然函数。对于IFFN，能检测并接收到一个对其询问予以确切回答的目标，得到 ；敌机对其询问信号有一定程度的模拟应答能力，得 和 。 * 融合实例(续) 应用全概率公式，有 对于ESM，能在机型上识别飞机属性，则有 * 融合实例(续) 步骤3： 依据一个给定测量周期中的所有各类传感器测量值，计算每种机型的多传感器联合似然函数。若各类传感器对目标的