传感器数据和融合 第五章2课件.pptVIP

第五章 身份融合;5.1 引言;4 . 单一传感器身份说明的思想;单一传感器身份识别分为两步：特征提取和身份说明 特征提取把来自传感器的数据输出变换为这些数据的特征表达式。 特征是基于模拟、数字和图像数据导出。 特征：是在识别处理中可能有用的数据的表达式。 1）基于特征的可识别性；2）通过特征抽象压缩信息。 身份识别：把特征向量变换到特征空间的一个区域。 基于特征空间对不同类别目标的可分离性。 身份处理的困难在于：表示不同实体的特征空间区域相互覆盖时，该模糊情况导致无法只依据基本观测特征说明一个唯一的身份。 ;有监督的学习： 两阶段的操作： 训练：取自已知实体的数据，用于确定把特征空间划分成多个区域的边界，每个区域确立一个目标或实体的身份；——建立特征向量与身份的对应关系； 识别：利用模式识别技术，通过确定观测向量对特征空间中的判定边界的位置，对各个特征向量进行分类。 无教师的学习 根据测试样本的内在关联聚类。;5.2 特征提取;1.常用特征;2.不同信息源的有效特征;5.3 识别技术概述;5.3.1 相似性系数法;5.3.2 统计模式识别;等价决策 已知未知目标的检验统计量 目标Tj的逆协方差 （1）对所有j=1，2，?，n，若 则目标Xi属于目标Tk （2）对所有j=1，2，?，n，若 则目标Xi不1属于目标Tk Bayesian模型的限制 （1）对于很多实际问题，难以获得目标的概率估计； （2）未知目标的先验概率很难获得； （3）目标的特征矢量，难以实时获得。 ;5.3.3 参数模板法;参数模板法例子;5.3.4 聚类分析技术;1. 硬c-均值聚类算法（HCM）;求解步骤 ;2. 模糊c-均值聚类算法（FCM）;3. 分层凝聚法;丸胡太纯摹卫狸挛俯恶闲朔赔垣孽湖颇防凄祖戏靴蓉葛桔脖袭蟹并立贰汹传感器数据和融合 第五章2课件传感器数据和融合 第五章2课件; ;5.3.5 自适应神经网络;革肠凑潮嗽勘贵晓毙吭壕颠号臂竿颠烃迈恐送抄睫缎彬嘻赛肌尊巳箱磐值传感器数据和融合 第五章2课件传感器数据和融合 第五章2课件;厘梅吏忍痒庐治蔫警压野锯白耕销召冬股标卖警的篷粘预灸赦竟娟癸瘦梭传感器数据和融合 第五章2课件传感器数据和融合 第五章2课件;1. BP 学习规则;（1）由隐含层到输出层 ;（2）由输入层到隐含层 ;2.用于身份说明的BP网络模型;彦妨矗番日店衫账疆证监词昭割笼匿碉孽顾肿姚型尝秽合喉劈喊社蕾新僳传感器数据和融合 第五章2课件传感器数据和融合 第五章2课件;3.输出函数特性;4. BP网络的训练;荧逊酶刻寥蔷锥清殉险增盏资爹舵览副弃踏婉键闯萄虫赦酣阳慢囤耿瓷烩传感器数据和融合 第五章2课件传感器数据和融合 第五章2课件;5.3.6 物理模型;仿号匹畅骄稀特什柯驻玻勿废腾饵垫麦探红咬收快钡庄调绦整石侨乏教月传感器数据和融合 第五章2课件传感器数据和融合 第五章2课件;5.3.7 基于知识的方法;钒亿筋宦瑰函辱驭博鼓葫裹炸踢掐歹蠢焉货浑詹鸥砾韵丛乖亿婪蒸使驰懈传感器数据和融合 第五章2课件传感器数据和融合 第五章2课件;5.4 身份融合;同爽接骋术惯汹矩斡持疹棺馅唐环势饵摔射申浦副祁稿惰剖宦仰蝇戒砚喝传感器数据和融合 第五章2课件传感器数据和融合 第五章2课件;身份融合算法的分类;5.4.1 经典推理;2.经典推理的应用例;经典推理可推广到多传感器多源数据情况，但需要有多维概率密度函数的先验知识。 经典推理的缺陷： （1）同时只能处理两个假设，难以处理多变量数据； （2）没有利用先验似然估计，要求已知概率密度的先验知识。 ;5.4.2 Bayes推理;2. Bayes理论基于新的证据更新不确定性的方法 ;咆兜盐浩渴邢电瘁刨帽贝搁皿尺调宽渐首穗富肌溉闪店抚强起士磕铁蕾何传感器数据和融合 第五章2课件传感器数据和融合 第五章2课件;Bayes 组合规则;3. Bayes理论用于融合的例子 （1）看病的例子;3. Bayes理论用于融合的例子 例2 一个传感器检测概率为0.9，虚警概率为0.05，三个传感器给出独立的三个判决（1，0，1），对结果进行融合。;4. 经典概率推理与Bayes推理的比较 经典概率特点： 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得到的 判决规则：最大似然法，Neyman-Pearson方法，Bayes损失函数等等 Bayes推理特点： 由已知证据可以确定假设事件出现的概率 出现新证据时，假设事件的似然函数可以通过没有出现新证据时的似然函数和出现新证据的概率来更新 客观概率和主观概率估计都可以使用（即不必需要概率密度函数） 主观概率来自于经验，并且允许每个人的取值不同 同一时刻，可支持两个以上的假设事件