第二讲多传感器信息幻灯片.pptVIP

传感器1 传感器2 传感器N … 全局观测空间 全局判定 全局检测结果 图2-1 集中式检测融合结构 集中式检测融合结构的优点是信息的损失小。 缺点是对系统的通信要求较高，融合中心的负担重，系统的生存能力较差。 2.2.2 分布式检测融合结构 在分布式检测融合结构中，各个传感器首先对自己的观测数据进行处理，作出本地判决，然后将各自的判决结果传送到融合中心，融合中心根据这些判决结果进行假设检验，形成系统判决。如图2-2所示。 传感器1 传感器2 传感器N … 融合判定 检测融合结果 图2-2 分布式检测融合结构 传感器预处理1 传感器预处理2 传感器预处理3 … 传感器判定1 传感器判定2 传感器判定3 分布式检测融合系统不需要传输大量的原始观测数据，因此不需要很大的通信开销，对传输网络的要求低，提高了系统的可行性。另外，融合中心处理时间缩短，响应速度提高。所以分布式检测融合结构是传感器检测融合的主要结构。 分布式检测融合系统常用的拓扑结构有并行结构、串行结构、树状结构。 2.3 并行分布式检测融合 2.3.1 并行分布式检测融合系统结构 并行分布式检测融合系统结构如图2-3所示。 传感器1 传感器2 传感器N … 融合中心 u0 图2-3 并行分布式检测融合系统结构 u1 u2 uN y1 y2 yN N个传感器的观测数据为yi（i=1，2，… ，N），每个传感器先作出局部判决ui（i=1，2，… ，N），然后融合中心再对判决结果进行融合处理得到全局检测结果u0。 为了研究该问题，做如下的假设： （1）H0表示“无目标”假设，H1表示“有目标”假设，其先验概率分别为P0和P1。 （2）分布式检测融合中有N个局部检测器和一个融合中心。局部检测器的观测数据为yi（i=1，2，… ，N），其条件概率密度为f（yi|Hj）（j=0，1），局部检测器观测量的联合条件概率密度函数为f（y1，y2，… ，yN|Hj）（j=0，1）。 （3）各个局部检测器的判决结果为ui（i=1，2，… ，N）， 构成判决向量 ，融合中心的判决结果为u0；局部检测器和融合中心的判决均为硬判决，即当判决结果为无目标时，ui=0，反之，ui=1（i=0，1，2，…，N）。 （4）各个局部检测器的虚警概率、漏警概率和检测概率分别为Pfi、Pmi和Pdi（i=1，2，…，N），融合系统的虚警概率、漏警概率和检测概率分别为Pf、Pm和Pd。 2.3.2 并行分布式最优检测 并行分布式检测融合系统性能的优化就是对融合规则和局部检测器的判决准则进行优化，使融合系统判决结果的Bayes风险达到最小。 并行分布式检测融合的Bayes风险为 （2.19） 式中：Cij表示当假设Hj为真时，融合判决假设Hi成立所付出的代价（i，j=0，1） 由于 将式（2.20）和（2.21）代入（2.19）可得： （2.22） 其中： （2.20） （2.21） （2.19） 在实际应用中，假设错误判决付出的代价比正确判决付出的代价要大，即。 故，可得： 式中: 表示在判决向量u的所有可能取值上求和。将式（2.23）、（2.24）代入 （2.22） 系统的虚警概率和检测概率可分别表示为 （2.23） （2.24） （2.22） 整理后可得： （2.25） 由式（2.25）可知，融合系统的贝叶斯风险由融合中心的判决准则和局部检测器的判决准则共同决定，融合检测系统的优化涉及上述两类判决准则的联合优化。通过极小化R来获得判决，进而设计融合系统。该优化问题可采用“逐个优化”方法来解决。 （2-25） “逐个优化”方法： 首先，假设融合中心的判决准则已经确定，分别求出各个局部检测器的最优判决准则； 然后，假设各个局部检测器的判决准则已经确定，求融合中心的最优融合准则。 可通过极小化来获得局部检测器k（k=1，2，…，N）的判决准则。在假定融合中心和k以外的所有其他局部检测器都已设计好并保持固定的前提下，对式（2.25）极小化，可得局部检测器k的判决准则 （2.25） 若 （2.26） 则判H1为真，否则判H0为真，其中 要使（2.25）最小，必须使 为了获得融合中心的判决准则，假定所有局部检测器已设计好并固定，条件分布 已知，则融合规则可表示为 （2.27） 则判H1为真，否则判H0为真。 2.4 串行分布式检测融合 2.4.1 串行分布式检测融合系统结构 串行分布式检测融合系统结构如图2-4所示。 传感器1 传感器2 传感器N … y1 y2 yN u1 u2 uN-1 uN 图2-4 串行分布式检测融合系统结构 从系统结构图