第2章 数据融合与信息处理课件.pptVIP

2.4.2 基于信息论的融合方法 能把参数数据转换或映射到识别空间。所有的这些方法都有着相同的概念，即识别空间中的相似是通过观测空间中参数的相似来反映的，但是却不能直接对观测数据的某些方面建立明确的识别函数。包括：参数模板匹配、人工神经网络、聚类算法、表决算法、熵量测技术、品质因数、模式识别以及相关量测等技术 聚类分析法 在一定条件下，按照目标间的相似性把目标空间划分为若干子集，划分的结果应使表示聚类质量的准则函数为最大。当用距离来表示目标间的相似性时，其结果降判别空间划分成若干区域，每一个区域相当于一个类别。 常用的距离函数有明氏距离、欧式距离、马氏距离、类块距离等。 包括：聚类分析法、表决法、神经网络法、参数模板匹配法、熵量测、品质因数、模式识别，等。 类间距离 离差平方和法（ward method） D2=WM－WK－WL 即 对异常值很敏感；对较大的类倾向产生较大的距离，从而不易合并，较符合实际需要。 Cluster K Cluster L Cluster M 表决法 由每个传感器提供对被测对象状态的一个判断，然后由表决方法对这些判断进行有哪些信誉好的足球投注网站，以找到一个由板书以上传感器“同意”的判断（或采取其它简单的判定规则），并宣布表决结果。 适合实时融合 融合无偿较大 神经网络 非线性，自学习，自组织，并行性，容错性 权值，学习收敛性，学习速度，网络模型，结构，等需要人为地根据融合对象的特点进行调整 参数模板匹配 把在一段时间内得到的多传感器数据与多个信息源按照预先选择好的条件进行匹配，然后判断观测量是否包含支持某一现象的证据 熵量测 来源于通信理论 通过事件发生的概率来度量实践中所包含信息的重要程度。度量信息价值的函数应具有这样的性质，即信息价值的大小与接受到该信息的概率成反比。 2.4.3 认知模型的数据融合方法 基于认知的模型试图通过模拟人的处理过程来自动实现决策的过程。这包括： 模拟人的处理过程来自动实现决策的过程 模糊逻辑法 逻辑模板法 专家系统 基于知识的系统 模糊集理论 数据融合系统的四要素：1）信息源元素；2）信息转换、传递、交换元素；3）信息互补、综合处理元素，完成信息的再生、升华；4）数据融合处理报告元素，即输出融合处理结果 * 第2章 数据融合与信息处理 1 概述 2 基本原理 3 分布式自适应动态数据融合 集成与融合 新系统：升华、再生 融合：综合、互补 集成：基础、结构 图2.1 集成、融合关系图 数据融合 20世纪80年代诞生，主要解决多传感器信息处理问题，把分布在不同位置的多个同类或不同类传感器的局部、不完整的观察量加以综合，利用其互补性、冗余性，克服单个传感器的不确定性和局限性，提高整个传感器系统的有效性能，已形成对系统环境相对完整一致的感知描述，提高测量信息的精度和可靠性 内涵的延展，不同方法获得的参量的综合 数据融合的三层定义 全空间 综合 互补 多传感器 动态信息处理 算法 融合 图2.2 数据融合的3层定义 数据融合的内涵延展举例 红外和可见光图像融合？ PET,MR,CT等模式图像间的融合？ 特征点、面、区域提取与基于体素方法的融合用于配准 基于颜色、纹理、光度等特征的融合用于识别？ 基于颜色、面积、纹理等特征的融合用于分割？ 特征选择？ 信息的互补问题 本质在于对不确定处理和精确处理的互补，复杂，并不是简单的代数相加运算。 包括信息表达方式上的、结构上、功能上的、不同层次上的互补。 把握不同信息的本质 举例： 特征点和体素/像素的互补？ 纹理和颜色的互补？ 时域、频域、复频域的互补？ 数据融合的基本框架 信息源 信息转换 、 传递 、交换 信息互补 、综合处理 信息融合处理报告 信息流：信息获取 信息预处理 信息融合 融合决策 2 多传感器数据融合的基本原理 N个不同类型的传感器收集观测目标的数据。 对传感器的输出数据（离散的或连续的时间函数数据，输出矢量，成像数据或一个直接的属性说明）进行特征提取的变换，提取代表观测数据的特征矢量。 对特征矢量进行模式识别处理（如聚类算法，自适应神经网，或其它能将特征矢量变换成目标属性判决的统计模式识别法等），完成各传感器关于目标的说明。 将各传感器关于目标的说明数据按同一目标进行分组，即关联。 利用融合方法将各一目标各传感器数据进行合成，得到该目标的一致性解释与描述。 2.1 数据融合的层次结构 数据层融合 特征层融合 决策层融合 数据层融合 全部传感器的观测数据直接进行融合，然后从融合的数据中提取特征矢量，并进行判断识别。 传感器必须同质 优点：保持了尽可能多的原始信息 缺点：处理的信息量大，处理实时性差。 数据层融合图例 待识别物体 图像数据 声音数据 气味数据 传感器 传感器 传感器 统一的 数据矩阵 特征