基于模糊积分的数据融合.pptxVIP

基于模糊积分的数据融合;数据融合是由美国JDL实验室数据融合专家组(DFS)提出的并给出了一般的概念模型。最初用于军事领域，现在广泛应用于机器人，交通管制，故障诊断等民生领域。最初数据融合用于处理传感器的信息融合，由于传感器的固有特性，单一传感器的信息通常不完备以及抗干扰的需要，经常使用同类或异类传感器的组合来获得互补的信息或增加抗干扰的能力。现在不仅局限于传感器，从各方面采集得到的原始数据和分类器处理的结果都可以通过融合技术进行加工。如Sung-Bae cho和Jin H.Kim使用基于模糊逻辑多神经网络融合解决在线手写字符识别问题。Alexandre lemieux等构造了一个灵活的多分类器系统用于人脸识别系统。国内有哈尔滨工业大学权太范等人出版了信息融合一书，北京理工大学，浙江大学等学校都在研究信息融合问题处理雷达图像识别系统;首先介绍一下模式识别中的分类过程，分类通过对具有类别标记的实例(数据) 进行训练,得出一个能够预测新实例类别的模型。第一步信息获取，收集大量的数据。这些数据中可能含有冗余和错误信息，对数据预处理，选取重要信息，删除错误的信息。将预处理后的信息输入分类器，分类器根据一定的学习算法得到分类的模型或规则，常用的分类器，如：KNN、神经网络、决策树、SVM、贝叶斯分类器、粗糙集等。根据所得到的模型或规则预测未知样本的类别，做出决策。 ? ;这里重点介绍神经网络的BP算法。神经网络由神经元和权重构成，神经元即为：输入节点，输出节点和隐层结点三部分；权重是各个神经元相互连接的强度。神经网络通过训练，从样本中学习知识，并且将知识以数值的形式存储于连接权中。神经网络的分类过程分成两部分，首先学习网络的权重，利用一些已知的数据训练网络得到该类数据模型的权重；接着根据现有的网络结构和权重等参数得到未知样本的类别。BP算法被称作反向传播算法，主要思想是从前向后（正向）逐层传播信息；从后向前（反向）逐层传播输出层的误差，间接算出隐层误差。;第一阶段（正向过程）输入信息从输入层经隐层逐层计算各单元的输出值；根据下式计算每层的输出值： ;例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点为1 ，用BP算法训练网络。 ;例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点为1 ，用BP算法训练网络。 ;;数据融合一般分为两个层次，特征层和决策层。特征层的融合是数据的属性的联合，分别从所有信息提取特征，然后经过关联处理组成联合特征向量，这样一方面可以降低数据属性的维数，另一方面可以提高数据质量，从而改善分类效果。决策层的融合首先根据各分类器传送的信息独立做出决策，然后通过关联处理与决策层融合推理获得最后的联合推断结论。 ; 随着数据维数的增长，单分类器处理数据的能力和效率都有所不足；而且单分类器适用于特定类型的数据，对于混合型的数据单分类器很难得到较好的分类效果，因而可以采用不同类型的分类器处理不同类型的数据。在识别过程中每个分类器单独处理不同的输入的数据，独立决策，最终把各个分类器的结果融合得到一个一致的决策。多分类器融合过程存在三个子问题：需要多少个分类器，以什么方式组合这些分类器以及当多个分类器分类结果不一致时，在没有先验知识的前提下，如何统一结果。分类器的组合方式有以下四种。虽然上述前个问题应该同时考虑，但它们通常被单独考虑看作覆盖优化和决策优化策略。在覆盖优化中，组合规则是固定的。一种方法就是针对不同的分类器随机选择要度量输入特征的子集。另一种方法是用不同的数据集训练数据，可以采用Boosting方法。通过GA算法可以同时解决这两个问题得到最优解。;图3 分类器组合的四种结构 (a)并行结构 (b)门限结构 (c)叠加结构 (d)层级结构;多分类器的组合有四种结构：并行结构、门限并行结构、叠加结构和层级结构。并行结构中所有分类器同时激活，然后用组合算法对所有分类器的结果进行综合；在带门限的并行结构中分类器的结果必须在可信度超过门限的情况下才参加组合；在叠加结果中分类器依次激活排除不可能的结果，一旦目标中的准则得到确定分类完成；而在层次结构中，如同决策树一样，对给定的特征只有一条之路上的分类器被激活将目标分类逐渐细化这种结果对充分利用不同种类的特征分辨能力非