2.2数据融合的关键技术资料

第2讲数据融合的关键技术NUST自动化学院智能信息处理技术2主要内容一、传感器管理二、数据融合的主要技术NUST自动化学院智能信息处理技术3一传感器管理目的发现跟踪和识别目标要求覆盖尽可能大的搜索空域较小的代价，较低的虚警率较高的发现率、精度与可信度核心问题传感器的选择传感器工作模式的选择传感器工作优化策略NUST自动化学院智能信息处理技术4传感器管理主要内容传感器管理空间管理时间管理原因：不全向非同步方法：对传感器进行空间上的任务分配传感器系统中，大部分传感器不是全向工作的，并且传感器之间是非同步的；空间管理NUST自动化学院智能信息处理技术5时间管理原因1：传感器功能不同原因2：不同时刻不同传感器的工作情况不同方法：不同时间使用不同传感器组合时间管理多传感器系统可能由多种多样的传感器组成的，每个传感器都有不同的任务，即有不同分工。如水下无线传感器网络，水听器阵列、水声modem可能在某一时刻，只需要某些传感器工作，或只需要某些方向上传感器工作。例如，传感器节点几种工作状态根据事件出现的顺序，选用不同的传感器组合，按一定的时间顺序进行统一管理。NUST自动化学院智能信息处理技术6二数据融合的主要技术一、态势数据库二、数据融合NUST自动化学院智能信息处理技术71、态势数据库态势数据库实时数据库非实时数据库当前观测结果;中间结果;最终态势;把当前各传感器的观测结果及时提供给融合中心，提供融合计算所需各种其他数据。同时也存贮融合处理的最终态势/决策分析结果和中间结果。NUST自动化学院智能信息处理技术8传感器历史数据有关目标和环境的辅助信息融合计算的历史信息态势数据库要求容量大、搜索快、开放互联性好，且具有良好的用户接口。态势数据库实时数据库非实时数据库NUST自动化学院2.数据融合的常用方法Bayes估计法滤波跟踪聚类分析数据融合技术假设检验法证据理论神经网络NUST自动化学院数据融合的常用技术D-S证据理论对信息的表示和处理更加接近人类的思维方式证据组合规则是DS证据理论的核心,但在应用中要求满足组合证据之间相互独立Bayes估计理论Bayes方法具有严格的理论基础，应用广泛采用归纳推理的方法对多源信息进行有效融合充分利用了测量对象的先验信息NUST自动化学院融合技术--Bayes统计理论不采用先验概率概率是一种类似频数的解释特征小概率原理.原理将被测参数看做一个固定值，没有充分利用其先验信息精度和信度是预定的，不依赖于样本。不足基于经典统计方法的多传感器数据处理NUST自动化学院Bayes统计理论NUST自动化学院显然有：后验知识：检验后事件A1，A2，…，An发生的概率表现为条件概率：BAPBAPBAPn、、、...210BAPi11niiBAPBayes统计理论Bayes统计理论认为，人们在检验前后对某事件的发生情况的估计是不同的，而且一次检验结果不同对人们的最终估计的影响是不同的。P(A1),P(A2)到P(An)表示事件A1,A2到An发生的概率，这是试验前的知识称“先验知识”由于一次检验结果B的出现，改变了人们对事件A1，A2，…，An发生情况的认识，这是试验后的知识称为“后验知识”。贝叶斯统计理论后验知识先验知识NUST自动化学院Bayes估计是检验过程中对先验知识向后验知识的不断修正Bayes公式：对一组互斥事件Ai，i=1，2，…，n，在一次测量结果为B时，Ai发生的概率（后验概率）为：其中Ai为对样本空间的一个划分，即Ai为互斥事件且Bayes统计理论11niiAPniiiiiiiAPABPAPABPBPBAPBAP1利用Bayes统计理论进行测量数据融合：充分利用了测量对象的先验信息根据一次测量结果对先验概率到后验概率的修正NUST自动化学院15模型特点经典概率推理贝叶斯推理缺点用概率模型把观测数据与所有样本数据联系起来概率模型通常是基于大量样本而得到由已知数据确定假设事件发生概率不需要密度函数主观概率来自于经验多传感器推广到多维数据时需要先验知识和多维概率密度只能同时判决两种假设事件多变量数据使计算复杂性加大没有利用主观先验知识必须要定义先验概率和似然函数各假设事件必须互斥不能支持不确定类问题当多事件相关时计算复杂性加大NUST自动化学院16举例：有一病人去医院诊断是否患有癌症，该医院检测方法的漏诊率是5%，4%误诊率，并假设在人群中1000人中有5人患癌症。如果该病人检测出来是阳性，则他实际患癌症的概率是多少? )() )((()PPPP症症症阳性|患癌患癌患癌|阳性阳性))()(()(()PPPPP症症症症阳性阳性|患癌患癌阳性|无癌无癌)10.050.9(5P症检测率阳性|患癌)0.04(P症误诊率阳性|无癌)0.05(P症阴漏诊率性|患癌NUST自动化学院.()0005P症患癌)10.00505(.99P症无癌0.950.005 )10.7%0.950.0050.040.995(P症患癌|阳性如提高检测率到99.99%对结果的影响较小（11.2%），但对漏诊率影响较大，减小了一个数量级NUST自动化学院基于Bayes估计的身份识别方法基于Bayes统计的目标识别融合模型传感器A传感器C传感器B目标观测分类说明IDAIDBIDCBayes统计推断计算目标融合概率决策判定身份报告目标观测分类说明目标观测分类说明NUST自动化学院开始基于Bayes估计的身份识别方法1获得目标身份说明2计算似然函数3计算融合概率4目标识别决策基于Bayes统计的目标识别融合的一般步骤计算每个传感器单元对不同目标的身份说明的似然函数即ijABP获得每个传感器单元输出的目标身份说明B1，B2，…，Bn计算目标身份的融合概率：目标识别决策（判据）：mjmjmkBBBAPBBBAP,,,max,,,21....2,121miimmiBBBPAPABBBPBBBAP,,,,,,,,,212121NUST自动化学院基于Bayes估计的身份识别方法03计算目标身份的融合概率：miimmiBBBPAPABBBPBBBAP,,,,,,,,,212121如果B1，B2，…，Bn相互独立，则：imiiimABPABPABPABBBP2121,,,NUST自动化学院基于Bayes估计的身份识别方法举例：采用两种设备检验某种癌症，设备1对该癌症的漏诊率为0.1，误诊率为0.25；设备2对该癌症的漏诊率为0.2，误诊率为0.1。已知人群中该癌症的发病率为0.05。分析分别利用两台设备和同时使用两台设备时检验结果的概率。设备1A患癌症有该A癌症无该11B癌症设备诊断为该11B癌症设备诊断为无该NUST自动化学院1)(0.1APB|设备1漏诊率1)10.9(10.PBA|设备1检测率5()0.0AP该癌症发病率5()0.9AP1)2(0.5APB|设备1误诊率根据贝叶斯公式1111))0.050.9)))))0.050.90.950.2515.(((((2%((99AAAAAAAPPBPBPPBPPB||||NUST自动化学院设备2A癌症确有该2B癌症设备2诊断为该2)(0.2APB|2)10.8(20.PBA|5()0.0AP5()0.9AP2)(0.1APB|设备2漏诊率设备2误诊率2222))0.050.8)))))0.050.80.950.129.6(((((9%((26AAAAAAAPPBPBPPBPPB||||NUST自动化学院检验结果的正确率)(P癌症癌症存在该|诊断为该同时使用两台设备A癌症确有该11B癌症设备诊断为该2B癌症设备2诊断为该5()0.0AP1)10.9(10.PBA|2)10.8(20.PBA|5()0.9AP1)2(0.5APB|2)(0.1APB|12121212212112((,(,((,((,((((((())))))))))))))))0.90.80.050.90.80.050.250.10.95((60.25%AAAAAAAAAAAAAAPPBBPBBPPBBPPBBPPBPBPPBPBPPBPBAA||||||||||即为诊断为该疾病确为该癌症的概率NUST自动化学院传感器1：可量测量分类判决传感器2：可量测量分类判决传感器N：可量测量分类判决对该判决计算其概率分配值对该判决计算其概率分配值对该判决计算其概率分配值用Dempster融合规则融合各传感器的判决判决逻辑传感器把可量测空间变为概率空间mp(oi)对每一假设事件，判决的结果是融合所有传感器/信息源的证据选择被最多证据支持的假设事件融合后的身份判决Dempster-Shafer算法算法原理D-S数据融合过程NUST自动化学院识别框架假设有n个互斥且穷尽的原始子命题存在，这个命题集组成了整个假设事件的空间，我们称之为识别框架识别框架与概率分配值naaa.......,21nnaaaaaaaaaaaa2423213121.......,.......,.......................................naaa.......,21m(a1)m(a1，a2)总命题数2n-1m()1m如果不是所有概率都能直接分配给各子命题和他们的并时，把剩下的概率都分配给识别框架NUST自动化学院称为的疑惑度，它代表了证据反驳命题的程度，既证据支持反命题的程度所有没有分配给这个命题的反命题的概率分配值的和，即某些方面支持该命题的和（包括识别框架）为：支持度是直接分配给该命题证据所对应的概率分配值的和，即该命题与该命题子命题的概率分配值的和为：不确定区间支持度、似然度及不确定区间基于支持的证据基于反驳的证据支持度似然度01)()(cmaSiaci)()(cmaPliaci)(iaS不确定区间解释[0，1]对命题一无所知[0.6，0.6]命题为真的确切概率是0.6[0.25，0.85]证据同时支持及其反命题[0.25，1]证据部分支持命题[0，0.85]证据部分支持命题的反命题[1，1]命题完全为真[0，0]命题完全为假)(iaPliaiaiaiaiaiaiaiaia)(iaSia)(-1)(iiaSaPlNUST自动化学院命题支持度S(ai)似然度1-S()不确定区间0.4（给定）=0.8[0.4，0.8]0.2（给定）=0.6[0.2，0.6]=0.7=1[0.7，1]=1[1，1]举例：某一时刻可能有三种类型的目标a1、a2、a3被传感器A探测到，A的识别框架为：321,,aaa则a1的反命题为：321,aaa假设传感器A分配给各命题和的概率分配值为：2111,,aaaa)1.0,3.0,2.04.0(),,,(2111，aaaamAia1a1a21aa)()(211aamam)(S)(11aS)(11aS)(1S211aaSNUST自动化学院Dempster规则融合多传感器数据例2：假设存在四个目标：a1=我方类型为1的目标a3=敌方类型为1的目标a2=我方类型为2的目标a4=敌方类型为2的目标传感器A对目标类型的直接分配为：4.0)(6.031AAAmaamm这里对应着传感器A在判断目标类型属于1时，由不知道引起的不确定性)(Am传感器B对目标类型的直接分配为：3.0)(7.043BBBmaamm这里对应着传感器B在判断目标属于敌方时由不知道所引起的不确定性)(BmNUST自动化学院在用Dempster融合规则时，首先形成一个矩阵，矩阵中的每个元素是相应命题的