多传感器数据融合

多传感器数据融合技术概述本节内容多传感器问题的引入1数据融合的定义2数据融合的应用3数据融合技术发展4多传感器问题的引入非关联测试项目测量不同目标或对同一目标的不同参数进行独立测量。多传感器测试系统关联的测试项目利用多个传感器对同一目标的相同或不同项目进行测量，综合测量结果用于分析目标特性。当检测对象为多目标或快速机动目标时，单一传感器测量困难。复杂的电磁环境使检测的目标信号淹没在大量噪声及不相关信号与杂波中。当单一传感器失效或传感器的可靠性有待提高时采用多传感器系统。多传感器问题的引入环境复杂目标复杂可靠性为什么要采用多个传感器测量同一目标参数？数据融合的定义功能定义：将来自多个传感器和信息源的数据和信息加以联合、相关、组合，以获得对目标精确的位置估计、身份估计、以及对战场情况和威胁及其重要程度进行适时的完整评价。该定义的重点：该定义是军事应用方面的功能性定义；多个传感器对同一目标进行测量；重点是融合：联合、相关、组合；目的：状态估计、身份估计、态势估计、威胁估计。数据融合的定义技术定义：充分利用不同时间与空间的多传感器数据资源，采用计算机技术按时间序列获得多传感器的观测数据，在一定准则下进行分析、综合、支配和使用。获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它各组成部分更为充分的信息。该定义的重点：方法：分析、综合、支配、使用；目的：一致性解释与描述、更为充分的信息。数据融合技术的应用多传感器数据融合航迹预测身份识别威胁估计测试技术多光谱图像车辆识别数据融合技术发展位置估计和身份识别目前1995年海湾战争20世纪70年代1973年美国声纳信息融合研究现代化战争的警钟我国首次数据融合技术专题会议多传感器数据融合技术数据融合的基本原理本节内容数据融合处理的一般过程1多传感器数据融合体系结构2数据融合的常用算法3数据融合处理的一般过程多传感器系统A/D数据预处理特征提取融合计算结果输出多传感器数据融合体系结构1目标状态估计集中式数据融合结构分布式数据融合结构综合式数据融合结构2目标身份估计数据级数据融合结构特征级数据融合结构决策级数据融合结构多传感器数据融合体系结构目标状态估计集中式数据融合结构传感器A传感器C传感器B预处理预处理预处理数据调整与互连相关综合滤波跟踪分类目标状态目标分类多传感器数据融合体系结构目标状态估计分布式数据融合结构传感器A传感器C传感器B预处理预处理预处理数据调整与互连相关跟踪、分类跟踪、分类跟踪、分类多传感器数据融合体系结构目标身份估计数据级数据融合结构传感器A传感器C传感器B互联数据级融合特征提取身份报告多传感器数据融合体系结构目标身份估计特征级数据融合结构传感器A传感器C传感器B特征提取特征提取特征提取互联特征级融合身份报告多传感器数据融合体系结构目标身份估计决策级数据融合结构传感器A传感器C传感器B特征提取特征提取特征提取身份报告身份报告身份报告IDAIDBIDC互联决策级融合身份报告数据融合的常用算法人工智能假设检验法Bayes估计法聚类分析模式识别数据融合算法按技术原理分类滤波跟踪数据融合的常用算法传感器信息的不确定性传感器输出不可能包含被测量全部、完整的信息噪声破坏可靠度精度目标因素数据融合的常用算法经典统计理论：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。Bayes估计理论：Bayes方法具有严格的理论基础，应用广泛；采用归推理的方法对多源信息进行有效地融合；充分利用了测量对象的先验信息。数据融合的常用算法滤波跟踪型数据融合算法：利用数字滤波方法根据测量值估计被测量真值；利用当前和历史测量数据估计目标未来状态。神经网络方法：是一种规则透明的非线性映射方法；信息存储于网络结构和连接权值；增强了信息处理的容错性；具有自组织和自学习能力。多传感器数据融合技术基于Bayes估计的数据融合方法及应用本节内容Bayes统计理论1基于Bayes估计的身份识别方法2基于Bayes估计的传感器检测数据融合3Bayes统计理论基于经典统计方法的多传感器数据处理。经典统计理论的两个特征：•不采用先验概率；•概率是一种类似频数的解释。经典统计理论的基本原理：小概率原理。经典统计理论的不足：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。Bayes统计理论niiAP11在考虑可靠度情况下传感器测量需要解决的一个关键问题：真值和测量值。考察一个随机试验，在该试验中n个互不相容的事件A1，A2，…，An必然会发生一个，且只能发生一个，用P（Ai）表示Ai发生的概率，则有：设利用一传感器对A事件的发生进行检测，检测结果为B，则Ai为真值，B为测量值。Bayes统计理论先验知识：P(A1)、P(A2)、…、P(An)表示事件A1，A2，…，An发生的概率，这是试验前的知识称为“先验知识”。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，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。Bayes统计理论后验知识：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”。检验后事件A1，A2，…，An发生的概率表现为条件概率：显然有：BAPBAPBAPn、、、...210BAPi11niiBAPBayes统计理论BPABPBAPBayes估计是检验过程中对先验知识向后验知识的不断修正。条件概率公式：BPBAPABP或全概率概率公式：niiiAPABPBP1其中Ai为对样本空间的一个划分，即Ai为互斥事件且11niiAPBayes统计理论niiiiiiiAPABPAPABPBPBAPBAP1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发生的概率为：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。是根据一次测量结果对先验概率到后验概率的修正。基于Bayes估计的身份识别方法假设由n个传感器对一未知目标参数进行测量，每一传感器根据测量结果利用一定算法给出一个关于目标的身份说明。设A1，A2，…，An为n个互斥的穷举目标，Bi为第j个传感器给出的目标身份说明，且Ai满足：niiAP11则：niiiiiiiAPABPAPABPBPBAPBAP1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iABP1iABP2imABP基于Bayes估计的身份识别方法基于Bayes统计的目标识别融合的一般步骤：①获得每个传感器单元输出的目标身份说明B1，B2，…，Bn；②计算每个传感器单元对不同目标的身份说明的不确定性即；i=1,2,…,nijABP基于Bayes估计的身份识别方法基于Bayes统计的目标识别融合的一般步骤：③计算目标身份的融合概率：如果B1，B2，…，Bn相互独立，则：miimmiBBBPAPABBBPBBBAP,,,,,,,,,212121imiiimABPABPABPABBBP2121,,,基于Bayes估计的身份识别方法基于Bayes统计的目标识别融合的一般步骤：④目标识别决策（判据）：mjmjmkBBBAPBBBAP,,,max,,,21,,2,121基于Bayes估计的身份识别方法举例计算某医院采用以下两种设备检验某种疾病，设备1对该疾病的漏诊率为0.1，误诊率为0.25；设备2对该疾病的漏诊率为0.2，误诊率为0.1。已知人群中该疾病的发病率为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。基于Bayes估计的传感器检测数据融合方法思路传感器A传感器C传感器B融合结果融合算法关系矩阵置信距离矩阵最佳融合数数据选择基于Bayes估计的传感器检测数据融合基本理论和方法—置信距离和置信距离矩阵利用多个传感器测量某参数的过程中有两个随机变量，一是被测参数μ，二是每个传感器的输出Xi，i=1，2，…，m。一般认为它们服从正态分布，用xi表示第i个测量值的一次测量输出，它是随机变量Xi的一次取样。设：2200,~,~kkNXN基于Bayes估计的传感器检测数据融合基本理论和方法—置信距离和置信距离矩阵为对传感器输出数据进行选择，必须对其可靠性进行估计，为此定义各数据间的置信距离。用Xi、Xj表示第i个和第j个传感器的输出，则其一次读数xi和xj之间的置信距离定义为：ijjixxjjjixxiiijdxxxpddxxxpd22基于Bayes估计的传感器检测数据融合基本理论和方法—置信距离和置信距离矩阵若Xi、Xj服从正态分布，则上式中：2221exp2121exp21jjjjjiiiiixxxxpxxxxp故可知：当时，当时，jixx0jiijddijjixxxx或1jiijdd基于Bayes估计的传感器检测数据融合基本理论和方法—置信距离和置信距离矩阵mjidij，，，,21,置信距离矩阵：对m个传感器的一次测量数据，利用上述方法可以分别计算任意两个传感器数据之间的置信距离得到一个mXm矩阵。mmmmmmmdddddddddD212222111211基于Bayes估计的传感器检测数据融合基本理论和方法—关系矩阵和数据选择根据具体问题选择合适的临界值由对数据的可靠性进行判定。mmmmmmmrrrrrrrrrR212222111211ijdijijijijijijddr01由此得到一个二值矩阵，称为关系矩阵。基于Bayes估计的传感器检测数据融合基本理论和方法—基于Bayes估计的数据融合算法设被测参数，第k个传感器的测量数据，经过删选，选择l个数据作为最佳融合数。融合结果为：2,~kkNX200,~Nˆlkklkkkx12021200211ˆ基于Bayes估计的传感器检测数据融合基于Bayes估计的数据融合一般步骤①计算m个传感器数据的置信距离矩阵，为简化计算，当测试数据服从正态分布时可利用误差函数计算置信距离。0222dueerfxxerfduiijij基于Bayes估计的传感器检测数据融合基于Bayes估计的数据融合一般步骤②选择合适的距离临界值，由置信距离矩阵产生关系矩阵。ijijijijijddr01③由关系矩阵对多传感器数据进行选择，产生最佳融合数。基于Bayes估计的传感器检测数据融合基于Bayes估计的数据融合一般步骤④将、和最佳融合数对应的、代入Bayes融合估计公式求的参数估计值。020kx2klkklkkkx12021200211ˆ传感器编号12345678方差25.7323.8124.9525.7535.6521.3323.9422.96测量值848.1850.5851.9849.9854.6849.3848.0848.3利用8个传感器对一个恒温槽的温度进行测量，已知恒温槽温度满足正态分布，其中=850.50℃，=4.50258个传感器的测量结果如下：020举例计算基于Bayes估计的传感器检测数据融合多传感器数据