证据理论基础(2).pptVIP

* * * * * * 这种系统的信息融和首先对每个传感器获得的信息，计算各个证据的基本概率分配函数、置信度和似然度；然后根据D-S证据方法的组合规则计算所有证据联合作用下的基本概率分配函数、置信度和似然度；最后根据给定的判决准则选择置信度和似然度最大的假设作为系统最终融合结果。 在一个多传感器系统（如n个传感器中），有m个目标，即m个命题A1，A2，…，Am。每个传感器都基于观测证据产生对目标的身份识别结果，即产生对命题Ai的后验可信度分配值Mj(Ai)；之后在融合中心借助于D-S综合规则获得融合的后验可信度分配值； * * * * * * * 主要内容 概念回顾 证据合成规则 基于证据理论的决策 基于证据理论的信息融合 * 多源测试信息融合 * 基于证据理论的决策 用证据理论组合证据后，如何进行决策？ 在实际工程应用中是跟具体应用密切相关的问题，需要具体问题具体分析。 理论上一般采用以下几种方法： 决策方法1：基于信任函数的决策 （1）根据组合后得到的m，求出信任值函数BEL，则该信任函数就是我们的判决结果。（软判决） * * 多源测试信息融合 基于证据理论的决策 （2）若希望缩小真值的范围，或找出真值，则可以采用最小点原则求出真值。（最小点原则） 集合A的信任函数为Bel（A），若在A中去掉某个元素bi后的集合为B，且|Bel（B）-Bel（A）|ε，则认为元素bi可以去掉。直至再也不能按照此方法去掉元素为止。 * * 多源测试信息融合 基于证据理论的决策 决策方法2：基于基本置信度指派值的决策 设 ，满足: ， ， 若有： 则A1即为判决结果，其中ε1，ε2为预先设定的门限。 * * 多源测试信息融合 基于证据理论的决策 决策方法3： 基于最小风险的决策 设有识别框架Θ ={x1,…, xq}，决策集A={a1,…,ap}，在状态为xl时作出决策ai的风险函数为 r(ai , xl)，i=1,2,…,p，l=1,…,q，又设有一批证据E在Θ上产生了一基本概率赋值，焦元为A1,…,An，基本概率赋值函数为m(A1),…,m(An)，令： 若 使得 ，则ak即为所求的最优决策。 * * 多源测试信息融合 基于证据理论的决策 决策方法4：类概率函数的方法 类概率函数的方法是一种定量方法，就是把类概率函数作为概率P(A)的点估计，进而采用最大后验概率或最小Bayes代价等经典判别准则得到决策。 类概率函数定义： 性质： * 多源测试信息融合 * 主要内容 概念回顾 证据合成规则 基于证据理论的决策 基于证据理论的信息融合 * * 多源测试信息融合 图5 基于D-S证据理论的信息融合一般思路 传感器1 命题的证据区间 传感器2 命题的证据区间 传感器n 命题的证据区间 证据组合成规则 最终判决规则 融合 结果 · · · · · · 计算mj(A), Belj(A), Plj(A) 证据合成 决策 基于证据理论的信息融合 在一个或多个（如n）传感器的测试系统中有m个目标，即m个命题A1，A2，…，Am。每个传感器都基于观测证据产生对目标的身份识别结果，即产生对命题Ai的后验可信度分配值Mj(Ai)；之后在融合中心借助于D-S合成规则，获得融合的后验可信度分配值，确定检测对象的最终状态。 * * 多源测试信息融合 1. 单传感器多测量周期的信息融合 设传感器在各个测量周期中，对命题Ai的后验可信度分配为 M1(Ai)，M2(Ai)，…，Mn(Ai)，i=1,2,…,k 其中，Mj(Ai)表示在第j个周期中(j=1,2,…,n)对命题Ai的可信度分配值。 根据证据合成公式，可得该传感器依据n个测量周期的累计量测对k个命题的融合后验可信度分配为 其中 基于证据理论的信息融合 * * 多源测试信息融合 2. 多传感器多测量周期的信息融合 设m个传感器，各传感器在各测量周期上获得的后验可信度分配为 Msj(Ai)，i=1,2,…,k；j=1,2,…,n；s=1,2,…,m 式中，Msj(Ai)表示第s个传感器(s=1,2,…,m)在第j个测量周期(j=1,2,…,n) 上对命题Ai(i=1,2