《信息处理讲义(计算机学院张海涛)》-公开课件.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 决策级融合 监测对象 决策融合 传感器1 传感器2 传感器N … 决策 特征提取 特征提取 特征提取 … 识别 识别 识别 … 信息融合过程 首先将被测对象它们转换为电信号，然后经过A／D变换将它们转换为数字量。数字化后电信号需经过预处理，以滤除数据采集过程中的干扰和噪声。对经处理后的有用信号作特征抽取，再进行数据融合；或者直接对信号进行数据融合。最后，输出融合的结果。 信息融合结构形式 三种结构形式：串联、并联和混合融合形式。 信息融合的一般方法 1. 加权平均 2. 嵌入约束法：贝叶斯估计、卡尔曼滤波 3. 多贝叶斯方法 4. 统计决策理论 5. 证据组合法：概率统计方法、 Dempster-Shafer证据推理法 6. 模糊逻辑法 7. 产生式规则法 8. 神经网络方法 加权平均 加权平均是最简单、最直观的数据融合方法。 该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值。 嵌入约束法 由多种传感器所获得的客观环境(即被测对象)的多组数据就是客观环境按照某种映射关系形成的像，信息融合就是通过像求解原像，即对客观环境加以了解。用数学语言描述就是，所有传感器的全部信息，也只能描述环境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数据对应惟一的环境(即上述映射为一一映射)，就必须对映射的原像和映射本身加约束条件，使问题能有惟一的解。 嵌入约束法最基本的方法：Bayes估计和卡尔曼滤波 Bayes估计 是融合静态环境中多传感器低层数据的一种常用方法。其信息描述为概率分布，适用于具有可加高斯噪声的不确定性信息。假定完成任务所需的有关环境的特征物用向量 f 表示，通过传感器获得的数据信息用向量 d 来表示， d 和 f 都可看作是随机向量。信息融合的任务就是由数据 d 推导和估计环境 f。假设p(f，d)为随机向量f和d的联合概率分布密度函数，则 p(f|d)表示在已知d的条件下，f关于d的条件概率密度函数；p(d|f)表示在已知f 的条件下，d关于f的条件概率密度函数；p(d)和p(f)分别表示d和f的边缘分布密度函数 已知 d 时，要推断 f，只须掌握 p(f|d)即可，即 信息融合通过数据信息d 做出对环境 f 的推断，即求解p(f|d)。由Bayes公式知，只须知道 p(d|f) 和 p(f) 即可。因为p(d)可看作是使p(d|f)?p(f)成为概率密度函数的归一化常数，p(d|f)是在已知客观环境变量 f 的情况下，传感器得到的 d 关于 f 的条件密度。 当环境情况和传感器性能已知时，p(f|d)由决定环境和传感器原理的物理规律完全确定。 而p(f)可通过先验知识的获取和积累，逐步渐近准确地得到，因此，一般总能对p(f)有较好的近似描述。 Bayes估计 在嵌入约束法中，反映客观环境和传感器性能与原理的各种约束条件主要体现在 p(f|d) 中，而反映主观经验知识的各种约束条件主要体现在p(f)中。 在传感器信息融合的实际应用过程中，通常的情况是在某一时刻从多种传感器得到一组数据信息 d，由这一组数据给出当前环境的一个估计 f。因此,实际中应用较多的方法是寻找最大后验估计 g，即 Bayes估计 在传感器数据进行融合之前，必须确保测量数据代表同一实物，即要对传感器测量进行一致性检验。常用以下距离公式来判断传感器测量信息的一致： 式中x1和x2为两个传感器测量信号，C为与两个传感器相关联的方差阵，当距离T小于某个阈值时，两个传感器测量值具有一致性。这种方法的实质是剔除处于误差状态的传感器信息而保留“一致传感器”数据计算融合值 Bayes估计 卡尔曼滤波(KF) 用于实时融合动态的低层次冗余传感器数据，该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。如果系统具有线性动力学模型，且系统噪声和传感器噪声可用高斯分布的白噪声模型来表示，KF为融合数据提供惟一的统计意义下的最优估计，KF的递推特性使系统数据处理不需大量的数据存储和计算。 KF分为分散卡尔曼滤波(DKF)和扩展卡尔曼滤波(EKF)。DKF可实现多传感器数据融合完全分散化，其优点：每个传感器节点失效不会导致整个系统失效。而EKF的优点：可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产生的影响。 嵌入约束法传感器信息融合的最基本方法之一，其缺点：需要对多源数据的整体物理规律有较好的了解，才能准确地获得p(d|f)，但需要预知先验