第2章 信息融合中的数学基础.ppt

模糊度是指论域X上的一个模糊集A的模糊度D(A)∈[0，1]： (1)对 D(A)=O，模糊度最小； (2)当A(x)=O.5时，D(A)=1，模糊度最大； (3)对于X上的两个模糊集，A1(x)和A2(x)，如果 或 则有 (4)对任意A∈F(X)，都有 成立。 x∈X，当且仅当A(x)=0或1时，即A退化为经典集时， 3.综合评判中的变权重分析法 所谓综合评判，就是对受多种元素影响的事物或现象做出总的评判。在综合评判中起综合作用的综合函数Mm。常常取作形如下式所规定的映射(算子)Σ，即 该式通常叫做加权平均或加权求和。 是常数，故称上式确定的综合为常权综合 叫做常权重。若置 ，则称W为常权重向量。 权重 为了克服常权重的缺点，可以采用变权重法进行综合评判，设 是一组(m维)变权重，令： 为(m维)变权综合函数。 2.2.2多传感器融合数据有效性模糊评判实现 所谓对车辆运行状态参数的模糊处理，即对将子系统中各个传感器的测量值进行量化。针对车辆运行状态参数对信息融合精度的影响方式，可以采用隶属函数和相关分析的方法来进行子系统中各个传感器的测量值的模糊处理。 目前，确定隶属函数的各种方法尚处于在依靠经验，从实践效果中进行反馈，不断校正自己认识，以达到预定的目标这样一种阶段。在很多情况下，用一些常见的分布函数作为隶属函数来近似表达一些模糊变量是最简便的方法。 2.3 Bayes统计方法 2.3.1 Bayes公式 Bayes公式的密度函数形式 2.3.2先验分布 1.无信息验前分布 为θ的近似无信息验前分布密度。 是θ的最大似然(ML)估计 2.运用历史数据确定验前分布 较精确地确定出л。 当验前分布已知时，剩下的问题只要去估计分布的未知参数。 运用的思想是利用x的历史数据 去估计m(x)的各阶矩，然后再去估计θ的验前分布中的参数。 当验前分布未知时，如果x的历史数据比较多，那么可以比较精确的做出x的边缘密度m(x)的迫近。于是利用下列关系式 3.共轭先验分布 如果θ的验前、验后分布具有不变性，即 和 具有同一分布形式，则称它们是共轭的 是θ的共轭先验分布。 2.3.3 Bayes估计 设θ是总体分布中 的参数，为了估计该参数，可从该总体随机抽取一个样本 同时依据θ的先验信息选择一个先验分布 再用Bayes公式算得后验分布 这时，作为θ的估计可选用后验分布 的某个位置特征量，如后验分布的众数，中位数或期望值。 使后验密度 达到最大的值 称为最大后验估计；后验分布的中位数 称为θ的后验中位数估计；后验分布的期望值 称为目的后验期望估计，这三个估计也都称为θ的Bayes估计。 2.3.4 Bayes决策 为决策问题关于验前分布 的Bayes解或Bayes决策 2.4 H∞滤波理论 从多传感器融合估计算法中，融合估计算法的思想基础是Kalman滤波，传统的Kalman滤波算法是建立在最小均方误差准则基础之上，它要求准确的系统模型和确切已知外部干扰信号的统计特性。 在多传感器融合许多实际应用中，不仅对外部干扰信号的统计特性缺乏了解，而且系统模型本身存在一定范围的摄动，即外部扰动和系统有不确定性。 H∞控制是针对系统中模型不确定性和外界扰动不确定性而发展起来的控制技术。针对滤波系统，H∞控制理论的一个重要分支就是应用H∞性能指标来对系统进行状态估计，它主要解决系统噪声的能量谱密度或系统模型的参数不确定时的状态估计问题。而当系统噪声的密度已知时，则可利用Kalman滤波方法给出线性系统状态估计的最优滤波器，但当对象的精确数学模型难以得到或噪声(干扰)信号属于某一集合时，H∞滤波理论是提高系统鲁棒性的有效途径之一。 对于系统的外界干扰输入而言，在Kalman滤波方程推导时，假定系统噪声和观测噪声均为零均值白噪声序列。实际应用中，它们也可能为有色噪声。 尽管对于特定的有色噪声，可用单位强度的白噪声通过成型滤波器来表示，但这样的结果是近似的。 在H∞滤波理论中，对于干扰的统计特性不做任何假设，只认为它为能量有限的信号。 显然，对于外界干扰这样的处理更具合理性，更接近于系统的实际状态。 2.5灰色系统理论 概率统计，模糊数学和灰色系统理论是三种最常用的不确定系统研究方法。其研究对象都具有某种不确定性，是它们共同的特点。也正是研究对象在不确定性上的区别，才派生了这三种各具特色的不确定学科。 模糊数学着重研究“认识不确定”问题，其研究对象具有“内涵明确，外延不明确”的特点。比如“年轻人”内涵明确，但要你划定一个确定的范围，在这个范围内是年轻人，范围外不是年轻人，则很难办到了。 概率统计研究的是“随机不确定”现象，考察具有多种可能发生的结果之“随机不确定”现象中每一种结果发生的可能性