传感器数据与融合 第五章节2.ppt

* * 证据理论中，在合并中对新证据与先验知识对应的信任函数是平等对待的，新证据的作用只是对先验知识的部分修改。 * * 多层网络的表达能力： 任何从输入到输出的连续映射函数都可以用一个三层非线性网络实现，条件是给出足够数量的隐单元数、适当的非线性函数和权值。 BP算法，更确切地说是“误差反向传播“ 在训练过程中，一个”误差“（其实是敏感度）必须从输出层传播回隐含层，以实现输入层到隐含层的权值学习； 本质上反向传播只是”分层模型“里的梯度下降法。 * * * MLE-极大似然估计, LS-最小二乘法 物理模型：力图精确地仿造可观测的传感器数据（如RCS、IR频谱），并通过预测的观测与实际数据的匹配来估计身份。困难在于开发物理模型的不可行性：目标多且复杂，建模非常困难。 基于特征的推理：不采用物理模型，直接在身份数据和身份报告之间进行映射。有参技术需要身份数据的先验知识，无参技术不需要先验知识 基于认知的方法力图模仿人在识别实体身份是的思维和推理过程 * 二值假设检验，是在已知先验概率的条件下对事件存在与否进行判别的。 * 经典推理就是要证实或拒绝所提出的身份假设。 目标检测 根据先验知识，即先验概率密度分布来识别。 没有目标存在时，雷达接收机的输出为纯噪声，输出信号服从瑞利分布；目标存在时，服从广义瑞利分布，即莱斯分布 经典推理就是要证实或拒绝所提出的身份假设。 目标检测 根据先验知识，即先验概率密度分布来识别。 没有目标存在时，雷达接收机的输出为纯噪声，输出信号服从瑞利分布；目标存在时，服从广义瑞利分布，即莱斯分布。 除了高斯分布和二维瑞利分布之外，要获得多维概率密度函数比较困难。 Bayes推理是一种统计融合算法，主要基于Bayes法则来进行推理。也需要根据观测空间的先验知识，实现对观测空间里的物体的识别。在给定证据的条件下，Bayes推理能提供一种计算后验概率的方法。 Bayes能够在给出证据的情况下直接确定假设为真的概率，同时容许使用假设确实为真的似然性的先验知识，允许使用主观概率作为假设的先验概率和给出假设条件下的证据概率。不需要概率密度函数的先验知识。 后验分布综合了先验信息和试验提供的新信息，形成了我们关于Oi的可能大小的当前认识；这个由先验信息向后验信息的转化过程就是Bayes统计的特征。 * * 在复杂的情况下，P(B|Oi?A)和P(B|A)无法计算，或非常复杂，因此常引入条件独立和不完全推理准则 * * * * * 概率论中，采用事件-概率的概念，P(A)+P(~A)=1 * 概率论中，采用事件-概率的概念，P(A)+P(~A)=1 * 概率论中，采用事件-概率的概念，P(A)+P(~A)=1 * C反映了两个证据冲突的大小 * 3. D-S证据理论用于融合的例子 例1 例2 例3 4. D-S证据理论与Bayes理论的比较 “无知”概念的表示 Bayes理论：可信度的可加性对应于以下两个基本特征 1）某个命题的可信度是按照人们对它的信任程度按比例赋予的值； 2）独立性和完备性：当某一命题赋予一可信度的同时，必须将剩余的可信度赋给其非命题。 D-S证据理论只保留第一条 判断在两理论中的作用 D-S证据理论：由某证据提供的对某一命题的支持度以及某个人对某一命题的可信度只是人们作出的判断（judgment）； Bayes理论：逻辑观点—支持度的大小是由证据客观决定的； 证据观点—可信度是由心理因素造成的 “合并”与“条件” D-S证据理论中，新的证据和老的先验知识都表示成信任函数的形式。Dempster组合规则是一种对称的方法。 Bayes规则对新证据与先验知识是不对称的。 概率推理的表示 证据推理理论可以求得对各命题的合取、析取的支持度，从而实现概率推理 Bayes理论不能很好的表示概率推理。 Bayes理论是D-S证据理论的特例 * 对观测实体身份的识别与判断是多传感器数据融合系统的一个非常重要的任务。军事上数据融合的目的在于对观测实体进行定位、表征和识别。 不确定性来自于目标本身及环境。 位置估计与身份识别的联系 位置信息对确定实体的身份和功能是有用的；身份信息对于估计问题，特别是区分稠密的空间目标是很有用的。实际实现融合系统时，这些处理是交替进行的。 军事上，确定打击目标及来自敌方的威胁等。 非军事，更广泛的应用模式识别技术。 * * 如基于时频域数据提取的特征有： 1）标识、位置和峰值幅度；2）峰宽和持续周期平均信号幅度；3）平均信号幅度；4）均值变化的标准偏差； 5）频率变换参数；6）频谱峰值的位置和幅度 （如1雷达的距离像）。 身份识别：把特征向量变换到特征空间的一个区域。 若不同的空间区域表示