第9章-数据融合技术.pptVIP

2021/2/7 * 9.4 数据融合的主要方法 数据融合的大致过程如下,首先将被测对象的输出结果转换为电信号,然后经过A/D转换形成数字量,然后对数字化后的电信号经过预处理,滤除数据采集过程中的干扰和噪声,接着对经过处理后的有用信号进行特征抽取,实现数据融合,或者直接对信号进行融合处理,最后输出融合的结果。 目前数据融合的方法主要有如下几种。 1.综合平均法 2．卡尔曼滤波法 3．贝叶斯估计法 4．D-S证据推理法 5．统计决策理论 6．模糊逻辑法 7．产生式规则法 8．神经网络方法 2021/2/7 * 1.综合平均法 该方法是把来自多个传感器的众多数据进行综合平均。它适用于同类传感器检测同一个检测目标的情况。这是最简单、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,并将结果作为期望值。 2021/2/7 * 2．卡尔曼滤波法 卡尔曼滤波法用于融合低层的实时动态多传感器的冗余数据。 该方法利用测量模型的统计特性,递推地确定融合数据的估计,该估计在统计意义下是最优的。如果系统可以用一个线性模型描述,且系统与传感器的误差均符合高斯白噪声模型,则卡尔曼滤波特为数据融合提供唯一统计意义上的最优估计。 卡尔曼滤波器的递推特性使得它特别适合在那些不具备大量数据存储能力的系统中使用。 它的应用领域包括目标识别、机器人导航、多目标跟踪、惯性导航和遥感等。例如,应用卡尔曼滤波器对个传感器的测量数据进行融合后,既可以获得系统的当前状态估计,又可以预报系统的未来状态。所估计的系统状态可以表示移动机器人的当前位置、目标的位置和速度、从传感器数据中抽取的特征或实际测量值本身。 2021/2/7 * 3．贝叶斯估计法 贝叶斯估计是融合静态环境中多传感器底层信息的常用方法。 它将传感器信息依据概率原则进行组合,测量不确定性以条件概率表示。 在传感器组的观测坐标一致时,可以用直接法对传感器的测量数据进行融合。 在大多数情况下,传感器是从不同的坐标系对同一环境物体进行描述的,这时传感器的测量数据要以间接方式采用贝叶斯估计进行数据融合。 多贝叶斯估计把每个传感器都作为一个贝叶斯估计,将各单独物体的关联概率分布组合成一个联合后验概率分布函数,通过使联合分布函数的似然函数最小,可以得到多传感器信息的最终融合值。 2021/2/7 * 4．D-S证据推理法 D-S（Dempster-shafer）证据推理法是目前数据融合技术中比较常用的一种方法,是由Dempster首先提出,由shafer发展的一种不精确推理理论。 这种方法是贝叶斯方法的扩展,因为贝叶斯方法必须给出先验概率,证据理论则能够处理由不知道引起的不确定性,通常用来对目标的位置、存在与否进行推断。 在多传感器数据融合系统中,每个信息源都提供了一组证据和命题,并且建立了一个相应的质量分布函数。因此,每一个信息源就相当于一个证据体。 D-S证据推理法的实质是在同一个鉴别框架下,将不同的证据体通过Dempster合并规则合并成一个新的证据体,并计算证据体的似真度,最后采用某一决策选择规则,获得融合的结果。 2021/2/7 * 5．统计决策理论 与多贝叶斯估计不同,统计决策理论中的不确定性为可加噪声,因此其不确定性的适应范围更广。不同传感器观测到的数据必须经过一个鲁棒综合测试,以检验它的一致性,经过一致性检验的数据用鲁棒极值决策规则进行融合处理。 2021/2/7 * 6．模糊逻辑法 这种方法针对数据融合中所检测的目标特征具有某种模糊性的现象,利用模糊逻辑的方法对检测目标进行识别和分类。建立标准检测目标和待识别检测目标的模糊子集是此方法的基础。 模糊子集的建立需要有各种各样的标准检测目标,同时必须建立合适的隶属函数。 模糊逻辑实质上是一种多值逻辑,在多传感器数据融合中,对每个命题及推理算子赋予。0～1之间的实数值,以表示其在融合过程中的可信程度,又被称为确定性因子。然后使用多值逻辑推理法,利用各种算子对各种命题即各传感源提供的信息进行合并运算,从而实现信息的融合。 2021/2/7 * 7．产生式规则法 这是人工智能中常用的控制方法。一般要通过对具体使用的传感器的特性及环境特性的分析,才能归纳出产生式规则法中的规则。通常,系统改换或增减传感器时,其规则要重新产生。 这种方法的特点是系统扩展性较差,但推理过程简单明了,易于系统解释,所以也有广泛的应用范围。 2021/2/7 * 8．神经网络方法 神经网络方法是模拟人类大脑行为而产生的一种信息处理技术,它采用大量以一定方式相互连接和相互作用的简单处理单元,即神经元来处理信息。 神经网络具有较强的容错性和自组织、自学习及自适应的能力,能够实现复杂的映射。 神经网络的优越性和强大的非线性处理能力,能够很好地满足多传感器数据