多傳感器信息融合技術(shù)

多傳感器信息融合技術(shù)第一頁(yè)，共六十九頁(yè)，編輯于2023年，星期日概述多傳感器問(wèn)題的引入非關(guān)聯(lián)測(cè)試項(xiàng)目測(cè)量不同目標(biāo)或?qū)ν荒繕?biāo)的不同參數(shù)進(jìn)行獨(dú)立測(cè)量。多傳感器測(cè)試系統(tǒng)關(guān)聯(lián)的測(cè)試項(xiàng)目利用多個(gè)傳感器對(duì)同一目標(biāo)的相同或不同項(xiàng)目進(jìn)行測(cè)量，綜合測(cè)量結(jié)果用于分析目標(biāo)特性。第二頁(yè)，共六十九頁(yè)，編輯于2023年，星期日當(dāng)檢測(cè)對(duì)象為多目標(biāo)或快速機(jī)動(dòng)目標(biāo)時(shí)，單一傳感器測(cè)量困難。復(fù)雜的電磁環(huán)境使檢測(cè)的目標(biāo)信號(hào)淹沒(méi)在大量噪聲及不相關(guān)信號(hào)與雜波中。當(dāng)單一傳感器失效或傳感器的可靠性有待提高時(shí)采用多傳感器系統(tǒng)。環(huán)境復(fù)雜目標(biāo)復(fù)雜可靠性為什么要采用多個(gè)傳感器測(cè)量同一目標(biāo)參數(shù)？概述第三頁(yè)，共六十九頁(yè)，編輯于2023年，星期日概述傳感器數(shù)據(jù)融合的定義：對(duì)多種信息的獲取、表示及其內(nèi)在聯(lián)系進(jìn)行綜合處理和優(yōu)化的技術(shù)。從多信息的視角進(jìn)行處理及綜合，得到各種信息的內(nèi)在聯(lián)系和規(guī)律，從而剔除無(wú)用的和錯(cuò)誤的信息，保留正確的和有用的成分，最終實(shí)現(xiàn)信息的優(yōu)化。它為智能信息處理技術(shù)的研究提供了新的觀念。經(jīng)過(guò)融合后的傳感器信息具有以下特征：信息冗余性、信息互補(bǔ)性、信息實(shí)時(shí)性、信息獲取的低成本性。第四頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.1傳感器信息融合分類和結(jié)構(gòu)19.1.1傳感器信息融合分類可分為以下四類：組合、綜合、融合和相關(guān)。組合:由多個(gè)傳感器組合成平行或互補(bǔ)方式來(lái)獲得多組數(shù)據(jù)輸出的一種處理方法，是一種最基本的方式，涉及的問(wèn)題有輸出方式的協(xié)調(diào)、綜合以及傳感器的選擇。在硬件這一級(jí)上應(yīng)用。綜合:信息優(yōu)化處理中的一種獲得明確信息的有效方法。例如使用兩個(gè)分開(kāi)設(shè)置的攝像機(jī)同時(shí)拍攝到一個(gè)物體的不同側(cè)面的兩幅圖像，綜合這兩幅圖像可以復(fù)原出一個(gè)準(zhǔn)確的有立體感的物體的圖像。第五頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.1傳感器信息融合分類和結(jié)構(gòu)融合:當(dāng)將傳感器數(shù)據(jù)組之間進(jìn)行相關(guān)或?qū)鞲衅鲾?shù)據(jù)與系統(tǒng)內(nèi)部的知識(shí)模型進(jìn)行相關(guān)，而產(chǎn)生信息的一個(gè)新的表達(dá)式。相關(guān):通過(guò)處理傳感器信息獲得某些結(jié)果，不僅需要單項(xiàng)信息處理，而且需要通過(guò)相關(guān)來(lái)進(jìn)行處理，獲悉傳感器數(shù)據(jù)組之間的關(guān)系，從而得到正確信息，剔除無(wú)用和錯(cuò)誤的信息。相關(guān)處理的目的：對(duì)識(shí)別、預(yù)測(cè)、學(xué)習(xí)和記憶等過(guò)程的信息進(jìn)行綜合和優(yōu)化。第六頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.1傳感器信息融合分類和結(jié)構(gòu)19.1.2信息融合的結(jié)構(gòu)

傳感器1傳感器2傳感器1輸入傳感器1輸出傳感器2輸入傳感器2輸出…傳感器N傳感器N輸入最終結(jié)果串行融合方式圖19-1多傳感器信息融合的結(jié)構(gòu)形式信息融合的結(jié)構(gòu)分為串聯(lián)、并聯(lián)，如圖19-1所示。串行融合時(shí)，當(dāng)前傳感器要接收前一級(jí)傳感器的輸出結(jié)果，每個(gè)傳感器既有接收處理信息的功能，又有信息融合的功能，各個(gè)傳感器的處理同前一級(jí)傳感器輸出的信息形式有很大關(guān)系。最后一個(gè)傳感器綜合了所有前級(jí)傳感器數(shù)出的信息，得到的輸出為串聯(lián)融合系統(tǒng)的結(jié)論。第七頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.1傳感器信息融合分類和結(jié)構(gòu)并行融合時(shí)，各個(gè)傳感器直接將各自的輸出信息傳輸?shù)絺鞲衅魅诤现行?，傳感器之間沒(méi)有影響，融合中心對(duì)各信息按適當(dāng)?shù)姆椒ňC合處理后，輸出最終結(jié)果。還可將串行融合和并行融合方式結(jié)合組成混合融合方式，或總體串行局部并行，或總體并行局部串行。傳感器1傳感器1輸入傳感器2傳感器2輸入傳感器3傳感器3輸入…信息融合中心最終結(jié)果b)并行融合方式圖19-1多傳感器信息融合的結(jié)構(gòu)形式第八頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.1傳感器信息融合分類和結(jié)構(gòu)19.1.3信息融合的關(guān)鍵技術(shù)包括數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)相關(guān)、數(shù)據(jù)庫(kù)和融合推理的減少融合損失。1）數(shù)據(jù)轉(zhuǎn)換：多傳感器輸出的數(shù)據(jù)形式、環(huán)境描述等都不一樣，信息融合中心處理這些不同信息的關(guān)鍵即是把這些數(shù)據(jù)轉(zhuǎn)換成相同形式，然后進(jìn)行相關(guān)處理。2）數(shù)據(jù)相關(guān)：數(shù)據(jù)相關(guān)的核心問(wèn)題是克服傳感器測(cè)量的不精確性，保持?jǐn)?shù)據(jù)的一致性。因此，應(yīng)控制和降低相關(guān)計(jì)算的復(fù)雜性，開(kāi)發(fā)相關(guān)處理、融合處理和系統(tǒng)模擬的算法和模型。第九頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.1傳感器信息融合分類和結(jié)構(gòu)3）態(tài)勢(shì)數(shù)據(jù)庫(kù)：態(tài)勢(shì)數(shù)據(jù)庫(kù)可分為實(shí)時(shí)數(shù)據(jù)庫(kù)和非實(shí)時(shí)數(shù)據(jù)庫(kù)。實(shí)時(shí)數(shù)據(jù)庫(kù)的作用是把當(dāng)前各傳感器的觀測(cè)結(jié)果及時(shí)提供給信息融合中心，同時(shí)也存儲(chǔ)融合處理的最終態(tài)勢(shì)/決策分析結(jié)果和中間結(jié)果。非實(shí)時(shí)數(shù)據(jù)庫(kù)存儲(chǔ)各傳感器的歷史數(shù)據(jù)、相關(guān)目標(biāo)和環(huán)境的輔助信息以及融合計(jì)算的歷史信息。態(tài)勢(shì)數(shù)據(jù)庫(kù)要求容量大、搜索快、開(kāi)放互連性好，具有良好的用戶接口。4）融合計(jì)算：涉及到以下問(wèn)題，對(duì)多傳感器的相關(guān)觀測(cè)結(jié)果進(jìn)行驗(yàn)證、分析、補(bǔ)充、取舍、修改和狀態(tài)跟蹤估計(jì)；對(duì)新發(fā)現(xiàn)的不相關(guān)觀測(cè)結(jié)果進(jìn)行分析和綜合；生成綜合態(tài)勢(shì)，并實(shí)時(shí)地根據(jù)對(duì)傳感器觀測(cè)結(jié)果通過(guò)數(shù)據(jù)融合計(jì)算，對(duì)綜合態(tài)勢(shì)進(jìn)行修改；態(tài)勢(shì)決策分析。第十頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2.1數(shù)據(jù)融合處理的一般過(guò)程19.2傳感器信息融合的一般方法第十一頁(yè)，共六十九頁(yè)，編輯于2023年，星期日1目標(biāo)狀態(tài)估計(jì)集中式數(shù)據(jù)融合結(jié)構(gòu)分布式數(shù)據(jù)融合結(jié)構(gòu)綜合式數(shù)據(jù)融合結(jié)構(gòu)2目標(biāo)身份估計(jì)數(shù)據(jù)級(jí)數(shù)據(jù)融合結(jié)構(gòu)特征級(jí)數(shù)據(jù)融合結(jié)構(gòu)決策級(jí)數(shù)據(jù)融合結(jié)構(gòu)19.2傳感器信息融合的一般方法第十二頁(yè)，共六十九頁(yè)，編輯于2023年，星期日目標(biāo)狀態(tài)估計(jì)集中式數(shù)據(jù)融合結(jié)構(gòu)19.2傳感器信息融合的一般方法第十三頁(yè)，共六十九頁(yè)，編輯于2023年，星期日目標(biāo)狀態(tài)估計(jì)分布式數(shù)據(jù)融合結(jié)構(gòu)19.2傳感器信息融合的一般方法第十四頁(yè)，共六十九頁(yè)，編輯于2023年，星期日目標(biāo)身份估計(jì)數(shù)據(jù)級(jí)數(shù)據(jù)融合結(jié)構(gòu)19.2傳感器信息融合的一般方法第十五頁(yè)，共六十九頁(yè)，編輯于2023年，星期日目標(biāo)身份估計(jì)特征級(jí)數(shù)據(jù)融合結(jié)構(gòu)19.2傳感器信息融合的一般方法第十六頁(yè)，共六十九頁(yè)，編輯于2023年，星期日目標(biāo)身份估計(jì)決策級(jí)數(shù)據(jù)融合結(jié)構(gòu)19.2傳感器信息融合的一般方法第十七頁(yè)，共六十九頁(yè)，編輯于2023年，星期日人工智能假設(shè)檢驗(yàn)法Bayes估計(jì)法聚類分析模式識(shí)別數(shù)據(jù)融合算法按技術(shù)原理分類濾波跟蹤

19.2.2信息融合方法19.2傳感器信息融合的一般方法第十八頁(yè)，共六十九頁(yè)，編輯于2023年，星期日傳感器信息的不確定性傳感器輸出不可能包含被測(cè)量全部、完整的信息噪聲破壞可靠度精度目標(biāo)因素19.2傳感器信息融合的一般方法第十九頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法最常用的信息融合方法有三類：嵌入約束法、證據(jù)組合法和人工神經(jīng)網(wǎng)絡(luò)法。1嵌入約束法由多種傳感器所獲得的被測(cè)對(duì)象的多組數(shù)據(jù)按照某種映射關(guān)系形成的像，信息融合就是通過(guò)像求解原像，即對(duì)客觀環(huán)境加以了解。第二十頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法用數(shù)學(xué)語(yǔ)言描述就是，所有傳感器的全部信息，也只能描述環(huán)境的某些方面的特征，而具有這些特征的環(huán)境卻有很多，要使一組數(shù)據(jù)對(duì)應(yīng)惟一的環(huán)境(即上述映射為一一映射)，就必須對(duì)映射的原像和映射本身加約束條件，使問(wèn)題能有惟一的解。嵌入約束法最基本的方法有Bayes估計(jì)和卡爾曼濾波。第二十一頁(yè)，共六十九頁(yè)，編輯于2023年，星期日Bayes統(tǒng)計(jì)理論在考慮可靠度情況下傳感器測(cè)量需要解決的一個(gè)關(guān)鍵問(wèn)題：真值和測(cè)量值?？疾煲粋€(gè)隨機(jī)試驗(yàn)，在該試驗(yàn)中n個(gè)互不相容的事件A1，A2，…，An必然會(huì)發(fā)生一個(gè)，且只能發(fā)生一個(gè)，用P（Ai）表示Ai發(fā)生的概率，則有：設(shè)利用一傳感器對(duì)A事件的發(fā)生進(jìn)行檢測(cè)，檢測(cè)結(jié)果為B，則Ai為真值，B為測(cè)量值。19.2傳感器信息融合的一般方法第二十二頁(yè)，共六十九頁(yè)，編輯于2023年，星期日先驗(yàn)知識(shí)：P(A1)、P(A2)、…、P(An)表示事件A1，A2，…，An發(fā)生的概率，這是試驗(yàn)前的知識(shí)稱為“先驗(yàn)知識(shí)”。Bayes統(tǒng)計(jì)理論認(rèn)為，人們?cè)跈z驗(yàn)前后對(duì)某事件的發(fā)生情況的估計(jì)是不同，而且一次檢驗(yàn)結(jié)果不同對(duì)人們的最終估計(jì)的影響是不同的。19.2傳感器信息融合的一般方法第二十三頁(yè)，共六十九頁(yè)，編輯于2023年，星期日后驗(yàn)知識(shí)：由于一次檢驗(yàn)結(jié)果B的出現(xiàn)，改變了人們對(duì)事件A1，A2，…，An發(fā)生情況的認(rèn)識(shí)，這是試驗(yàn)后的知識(shí)稱為“后驗(yàn)知識(shí)”。檢驗(yàn)后事件A1，A2，…，An發(fā)生的概率表現(xiàn)為條件概率：顯然有：19.2傳感器信息融合的一般方法第二十四頁(yè)，共六十九頁(yè)，編輯于2023年，星期日Bayes估計(jì)是檢驗(yàn)過(guò)程中對(duì)先驗(yàn)知識(shí)向后驗(yàn)知識(shí)的不斷修正。條件概率公式：或全概率概率公式：其中Ai為對(duì)樣本空間的一個(gè)劃分，即Ai為互斥事件且19.2傳感器信息融合的一般方法第二十五頁(yè)，共六十九頁(yè)，編輯于2023年，星期日Bayes公式：對(duì)一組互斥事件Ai，i=1，2，…，n，在一次測(cè)量結(jié)果為B時(shí)，Ai發(fā)生的概率為：利用Bayes統(tǒng)計(jì)理論進(jìn)行測(cè)量數(shù)據(jù)融合：充分利用了測(cè)量對(duì)象的先驗(yàn)信息。是根據(jù)一次測(cè)量結(jié)果對(duì)先驗(yàn)概率到后驗(yàn)概率的修正。19.2傳感器信息融合的一般方法第二十六頁(yè)，共六十九頁(yè)，編輯于2023年，星期日基于Bayes估計(jì)的身份識(shí)別方法假設(shè)由n個(gè)傳感器對(duì)一未知目標(biāo)參數(shù)進(jìn)行測(cè)量，每一傳感器根據(jù)測(cè)量結(jié)果利用一定算法給出一個(gè)關(guān)于目標(biāo)的身份說(shuō)明。設(shè)A1，A2，…，An為n個(gè)互斥的窮舉目標(biāo)，Bi為第j個(gè)傳感器給出的目標(biāo)身份說(shuō)明，且Ai滿足：則：19.2傳感器信息融合的一般方法第二十七頁(yè)，共六十九頁(yè)，編輯于2023年，星期日基于Bayes統(tǒng)計(jì)的目標(biāo)識(shí)別融合模型19.2傳感器信息融合的一般方法第二十八頁(yè)，共六十九頁(yè)，編輯于2023年，星期日基于Bayes統(tǒng)計(jì)的目標(biāo)識(shí)別融合的一般步驟：獲得每個(gè)傳感器單元輸出的目標(biāo)身份說(shuō)明B1，B2，…，Bn；計(jì)算每個(gè)傳感器單元對(duì)不同目標(biāo)的身份說(shuō)明的不確定性即；i=1,2,…,n19.2傳感器信息融合的一般方法第二十九頁(yè)，共六十九頁(yè)，編輯于2023年，星期日計(jì)算目標(biāo)身份的融合概率：如果B1，B2，…，Bn相互獨(dú)立，則：目標(biāo)識(shí)別決策（判據(jù)），尋找極大似然估計(jì)19.2傳感器信息融合的一般方法第三十頁(yè)，共六十九頁(yè)，編輯于2023年，星期日舉例計(jì)算某醫(yī)院采用以下兩種設(shè)備檢驗(yàn)?zāi)撤N疾病，設(shè)備1對(duì)該疾病的漏診率為0.1，誤診率為0.25；設(shè)備2對(duì)該疾病的漏診率為0.2，誤診率為0.1。已知人群中該疾病的發(fā)病率為0.05。分析分別利用兩臺(tái)設(shè)備和同時(shí)使用兩臺(tái)設(shè)備時(shí)檢驗(yàn)結(jié)果的概率。19.2傳感器信息融合的一般方法第三十一頁(yè)，共六十九頁(yè)，編輯于2023年，星期日方法思路傳感器A傳感器C傳感器B融合結(jié)果融合算法關(guān)系矩陣置信距離矩陣最佳融合數(shù)數(shù)據(jù)選擇19.2傳感器信息融合的一般方法第三十二頁(yè)，共六十九頁(yè)，編輯于2023年，星期日基本理論和方法—置信距離和置信距離矩陣?yán)枚鄠€(gè)傳感器測(cè)量某參數(shù)的過(guò)程中有兩個(gè)隨機(jī)變量，一是被測(cè)參數(shù)μ，二是每個(gè)傳感器的輸出Xi，i=1，2，…，m。一般認(rèn)為它們服從正態(tài)分布，用xi表示第i個(gè)測(cè)量值的一次測(cè)量輸出，它是隨機(jī)變量Xi的一次取樣。設(shè)：19.2傳感器信息融合的一般方法第三十三頁(yè)，共六十九頁(yè)，編輯于2023年，星期日為對(duì)傳感器輸出數(shù)據(jù)進(jìn)行選擇，必須對(duì)其可靠性進(jìn)行估計(jì)，為此定義各數(shù)據(jù)間的置信距離。用Xi、Xj表示第i個(gè)和第j個(gè)傳感器的輸出，則其一次讀數(shù)xi和xj之間的置信距離定義為：19.2傳感器信息融合的一般方法第三十四頁(yè)，共六十九頁(yè)，編輯于2023年，星期日若Xi、Xj服從正態(tài)分布，則上式中：故可知：當(dāng)時(shí)，當(dāng)時(shí)，19.2傳感器信息融合的一般方法第三十五頁(yè)，共六十九頁(yè)，編輯于2023年，星期日置信距離矩陣：對(duì)m個(gè)傳感器的一次測(cè)量數(shù)據(jù)，利用上述方法可以分別計(jì)算任意兩個(gè)傳感器數(shù)據(jù)之間的置信距離 得到一個(gè)mXm矩陣。19.2傳感器信息融合的一般方法第三十六頁(yè)，共六十九頁(yè)，編輯于2023年，星期日根據(jù)具體問(wèn)題選擇合適的臨界值由對(duì)數(shù)據(jù)的可靠性進(jìn)行判定。由此得到一個(gè)二值矩陣，稱為關(guān)系矩陣。19.2傳感器信息融合的一般方法第三十七頁(yè)，共六十九頁(yè)，編輯于2023年，星期日設(shè)被測(cè)參數(shù)，第k個(gè)傳感器的測(cè)量數(shù)據(jù)，經(jīng)過(guò)刪選，選擇l個(gè)數(shù)據(jù)作為最佳融合數(shù)。融合結(jié)果為：19.2傳感器信息融合的一般方法第三十八頁(yè)，共六十九頁(yè)，編輯于2023年，星期日基于Bayes估計(jì)的數(shù)據(jù)融合一般步驟計(jì)算m個(gè)傳感器數(shù)據(jù)的置信距離矩陣，為簡(jiǎn)化計(jì)算，當(dāng)測(cè)試數(shù)據(jù)服從正態(tài)分布時(shí)可利用誤差函數(shù)計(jì)算置信距離。19.2傳感器信息融合的一般方法第三十九頁(yè)，共六十九頁(yè)，編輯于2023年，星期日選擇合適的距離臨界值，由置信距離矩陣產(chǎn)生關(guān)系矩陣。由關(guān)系矩陣對(duì)多傳感器數(shù)據(jù)進(jìn)行選擇，產(chǎn)生最佳融合數(shù)。19.2傳感器信息融合的一般方法第四十頁(yè)，共六十九頁(yè)，編輯于2023年，星期日將、和最佳融合數(shù)對(duì)應(yīng)的、代入Bayes融合估計(jì)公式求的參數(shù)估計(jì)值。19.2傳感器信息融合的一般方法第四十一頁(yè)，共六十九頁(yè)，編輯于2023年，星期日傳感器編號(hào)12345678方差25.7323.8124.9525.7535.6521.3323.9422.96測(cè)量值848.1850.5851.9849.9854.6849.3848.0848.3利用8個(gè)傳感器對(duì)一個(gè)恒溫槽的溫度進(jìn)行測(cè)量，已知恒溫槽溫度滿足正態(tài)分布， 其中=850.50℃，=4.50258個(gè)傳感器的測(cè)量結(jié)果如下：舉例計(jì)算19.2傳感器信息融合的一般方法第四十二頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法卡爾曼濾波(KF)用于實(shí)時(shí)融合動(dòng)態(tài)的低層次冗余傳感器數(shù)據(jù)，該方法用測(cè)量模型的統(tǒng)計(jì)特性，遞推決定統(tǒng)計(jì)意義下最優(yōu)融合數(shù)據(jù)合計(jì)。KF的遞推特性使系統(tǒng)數(shù)據(jù)處理不需大量的數(shù)據(jù)存儲(chǔ)和計(jì)算。第四十三頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法KF分為分散卡爾曼濾波(DKF)和擴(kuò)展卡爾曼濾波(EKF)。DKF可實(shí)現(xiàn)多傳感器數(shù)據(jù)融合完全分散化，其優(yōu)點(diǎn)為每個(gè)傳感器節(jié)點(diǎn)失效不會(huì)導(dǎo)致整個(gè)系統(tǒng)失效。EKF的優(yōu)點(diǎn)是可有效克服數(shù)據(jù)處理不穩(wěn)定性或系統(tǒng)模型線性程度的誤差對(duì)融合過(guò)程產(chǎn)生的影響。嵌入約束法傳感器信息融合的最基本方法之一，但其缺點(diǎn)在于需要對(duì)多源數(shù)據(jù)的整體物理規(guī)律有較好的了解，才能準(zhǔn)確地獲得p(d|f)，但需要預(yù)知先驗(yàn)分布p(f)。第四十四頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法2證據(jù)組合法基本思想：完成某項(xiàng)智能任務(wù)是依據(jù)有關(guān)環(huán)境某方面的信息做出幾種可能的決策，而多傳感器數(shù)據(jù)信息在一定程度上反映環(huán)境這方面的情況。因此，分析每一數(shù)據(jù)作為支持某種決策證據(jù)的支持程度，并將不同傳感器數(shù)據(jù)的支持程度進(jìn)行組合。并將分析得出現(xiàn)有組合證據(jù)支持程度最大的決策作為信息融合的結(jié)果。第四十五頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法證據(jù)組合法是對(duì)完成某一任務(wù)的需要而處理多種傳感器的數(shù)據(jù)信息。完成某項(xiàng)智能任務(wù)，實(shí)際是做出某項(xiàng)行動(dòng)決策。它先對(duì)單個(gè)傳感器數(shù)據(jù)信息每種可能決策的支持程度給出度量(即數(shù)據(jù)信息作為證據(jù)對(duì)決策的支持程度)，再尋找一種證據(jù)組合方法或規(guī)則。在已知兩個(gè)不同傳感器數(shù)據(jù)(即證據(jù))對(duì)決策的分別支持程度時(shí)，通過(guò)反復(fù)運(yùn)用組合規(guī)則，最終得出全體數(shù)據(jù)信息的聯(lián)合體對(duì)某決策總的支持程度。得到最大證據(jù)支持決策，即信息融合的結(jié)果。第四十六頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法利用證據(jù)組合進(jìn)行數(shù)據(jù)融合的關(guān)鍵在于：選擇合適的數(shù)學(xué)方法描述證據(jù)、決策和支持程度等概念；建立快速、可靠并且便于實(shí)現(xiàn)的通用證據(jù)組合算法結(jié)構(gòu)。證據(jù)組合法較嵌入約束法有以下優(yōu)點(diǎn)：(1)對(duì)多種傳感器數(shù)據(jù)間的物理關(guān)系不必準(zhǔn)確了解，即無(wú)須準(zhǔn)確地建立多種傳感器數(shù)據(jù)體的模型；(2)通用性好，可以建立一種獨(dú)立于各類具體信息融合問(wèn)題背景形式的證據(jù)組合方法，有利于設(shè)計(jì)通用的信息融合軟、硬件產(chǎn)品；(3)人為的先驗(yàn)知識(shí)可以視同數(shù)據(jù)信息一樣，賦予對(duì)決策的支持程度，參與證據(jù)組合運(yùn)算。常用證據(jù)組合方法有概率統(tǒng)計(jì)方法和Dempster-Shafer證據(jù)推理。第四十七頁(yè)，共六十九頁(yè)，編輯于2023年，星期日概率統(tǒng)計(jì)方法假設(shè)一組隨機(jī)向量

分別表示n個(gè)不同傳感器得到的數(shù)據(jù)信息，根據(jù)每一個(gè)數(shù)據(jù)

可對(duì)所完成的任務(wù)做出一決策

。

的概率分布為

，

為該分布函數(shù)中的未知參數(shù)，若參數(shù)已知時(shí)，則

的概率分布就完全確定。用非負(fù)函數(shù)

表示當(dāng)分布參數(shù)確定為

時(shí)，第i個(gè)信息源采取決策

時(shí)所造成的損失函數(shù)。在實(shí)際問(wèn)題中，

是未知的，因此當(dāng)?shù)玫?/p>

時(shí)，并不能直接從損失函數(shù)中定出最優(yōu)決策。19.2傳感器信息融合的一般方法第四十八頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法先由

做出

的一個(gè)估計(jì)，記為，再由損失函數(shù)

決定出損失最小的決策。其中利用估計(jì)

的估計(jì)量有很多種方法。概率統(tǒng)計(jì)方法適用于分布式傳感器目標(biāo)識(shí)別和跟蹤信息融合問(wèn)題。Dempster-Shafer證據(jù)推理(簡(jiǎn)稱D-S推理)D-S證據(jù)推理是Bayes推理的擴(kuò)充，在多傳感器目標(biāo)識(shí)別、軍事指揮和防御方向得到了廣泛的應(yīng)用。一個(gè)完整的推理系統(tǒng)需要用幾個(gè)不同推理級(jí)來(lái)確保精確的可信度表示。第四十九頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法D-S推理的結(jié)構(gòu)自上而下可分為三級(jí)：第一級(jí)為目標(biāo)合成，其作用十八來(lái)自幾個(gè)獨(dú)立傳感器的觀測(cè)結(jié)果合成一個(gè)總的輸出結(jié)果；第二級(jí)為推斷，其作用是獲取傳感器的觀測(cè)結(jié)果并進(jìn)行推斷，將傳感器的觀測(cè)結(jié)果擴(kuò)展成為目標(biāo)報(bào)告;第三級(jí)為更新，由于傳感器存在隨機(jī)誤差，在時(shí)間上充分獨(dú)立的來(lái)自同一傳感器的一組連續(xù)報(bào)告，比任何單一報(bào)告都可靠，因此在進(jìn)行推斷和多傳感器合成之前要更新傳感器的觀測(cè)信息。第五十頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法下面介紹一下D-S推理的原理。假設(shè)F為所有可能證據(jù)所構(gòu)成的有限集，f為集合F中的某個(gè)元素即某個(gè)證據(jù)。首先引入信任函數(shù)∈[0，1]表示每個(gè)證據(jù)的信任程度：從上式可知，信任函數(shù)是概率概念的推廣，因?yàn)閺母怕收摰闹R(shí)出發(fā)，上式應(yīng)取等號(hào)。第五十一頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法進(jìn)一步可得：

引入基礎(chǔ)概率分配函數(shù)m(f)∈[0，1]

由基礎(chǔ)概率分配函數(shù)定義與之相對(duì)應(yīng)的信任函數(shù)：第五十二頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法當(dāng)利用N個(gè)傳感器檢測(cè)環(huán)境M個(gè)特征時(shí)，每一個(gè)特征為F中的一個(gè)元素。第i個(gè)傳感器在第k-1時(shí)刻所獲得的包括k-1時(shí)刻前關(guān)于第j個(gè)特征的所有證據(jù)，用基礎(chǔ)概率分配函數(shù)表示，其中

。第i個(gè)傳感器在第k時(shí)刻所獲得的關(guān)于第j個(gè)特征的新證據(jù)用基礎(chǔ)概率分配函數(shù)表示。由和可獲得第i個(gè)傳感器在第k時(shí)刻關(guān)于第j個(gè)特征的聯(lián)合證據(jù)。類似地，利用證據(jù)組合算法，由和可獲得在k時(shí)刻關(guān)于第j個(gè)特征的第i個(gè)傳感器和第i+1個(gè)傳感器的聯(lián)合證據(jù)。第五十三頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法如此遞推下去，可獲得所有N個(gè)傳感器在k時(shí)刻對(duì)j特征的信任函數(shù)，信任度最大的即為信息融合過(guò)程最終判定的環(huán)境特征。D-S證據(jù)推理優(yōu)點(diǎn)：算法確定后，無(wú)論是靜態(tài)還是時(shí)變的動(dòng)態(tài)證據(jù)組合，其具體的證據(jù)組合算法都有一共同的算法結(jié)構(gòu)。缺點(diǎn)：當(dāng)對(duì)象或環(huán)境的識(shí)別特征數(shù)增加時(shí)，證據(jù)組合的計(jì)算量會(huì)以指數(shù)速度增長(zhǎng)。第五十四頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法人工神經(jīng)網(wǎng)絡(luò)法神經(jīng)網(wǎng)絡(luò)是由數(shù)個(gè)至數(shù)十億個(gè)被稱為神經(jīng)元的細(xì)胞（組成我們大腦的微小細(xì)胞）所組成，它們以不同方式連接而型成網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)就是嘗試模擬這種生物學(xué)上的體系結(jié)構(gòu)及其操作用于信息處理技術(shù)。人工神經(jīng)網(wǎng)絡(luò)是利用多個(gè)簡(jiǎn)單計(jì)算模型有機(jī)構(gòu)成一個(gè)計(jì)算網(wǎng)絡(luò)用以實(shí)現(xiàn)一個(gè)復(fù)雜的規(guī)則。第五十五頁(yè)，共六十九頁(yè)，編輯于2023年，星期日神經(jīng)網(wǎng)絡(luò)技術(shù)的主要用途？利用一定數(shù)據(jù)在一定誤差下逼近一個(gè)解析式未知的函數(shù)。利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)空間的線性或非線性劃分，以此實(shí)現(xiàn)目標(biāo)分類。神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)是基于數(shù)據(jù)的，最終的規(guī)則對(duì)用戶是透明的。19.2傳感器信息融合的一般方法第五十六頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法第五十七頁(yè)，共六十九頁(yè)，編輯于2023年，星期日由上圖可得：19.2傳感器信息融合的一般方法第五十八頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法第五十九頁(yè)，共六十九頁(yè)，編輯于2023年，星期日決定神經(jīng)網(wǎng)絡(luò)性能的幾個(gè)因素：神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)：包括神經(jīng)網(wǎng)絡(luò)的層數(shù)、每層神經(jīng)元數(shù)量；每層神經(jīng)元的作用函數(shù)；神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)和學(xué)習(xí)算法；神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初始值；神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。19.2傳感器信息融合的一般方法第六十頁(yè)，共六十九頁(yè)，編輯于2023年，星期日神經(jīng)網(wǎng)絡(luò)的應(yīng)用步驟：神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，包括確定網(wǎng)絡(luò)結(jié)構(gòu)、作用函數(shù)和學(xué)習(xí)算法；神經(jīng)網(wǎng)絡(luò)初始化；利用實(shí)驗(yàn)方法獲得神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)；利用實(shí)驗(yàn)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試；利用訓(xùn)練后的網(wǎng)絡(luò)處理相關(guān)的輸入信息。19.2傳感器信息融合的一般方法第六十一頁(yè)，共六十九頁(yè)，編輯于2023年，星期日感知器神經(jīng)網(wǎng)絡(luò)特點(diǎn)：網(wǎng)絡(luò)結(jié)構(gòu)上可以為單層或多層的前向網(wǎng)絡(luò)結(jié)構(gòu)；作用函數(shù)為階躍函數(shù)，因此輸出為二值變量；利用輸入和誤差簡(jiǎn)單計(jì)算權(quán)值和閾值調(diào)整量，學(xué)習(xí)算法很簡(jiǎn)單；一般用于解決較為簡(jiǎn)單的線性分類問(wèn)題。19.2傳感器信息融合的一般方法第六十二頁(yè)，共六十九頁(yè)，編輯于2023年，星期日19.2傳感器信息融合的一般方法基于神經(jīng)網(wǎng)絡(luò)的傳感器信息融合特點(diǎn)如下：●具有統(tǒng)一的內(nèi)部知識(shí)表示形式，通過(guò)學(xué)習(xí)算法可將網(wǎng)絡(luò)獲得的傳感器信息進(jìn)行融合，獲得相應(yīng)網(wǎng)絡(luò)的參數(shù)，并且可將知識(shí)規(guī)則轉(zhuǎn)換成數(shù)字形式，便于建立知識(shí)庫(kù)；●利用