北航多源信息融合2017课件4属性融合

《多源测试信息融合》第三讲多源属性融合原理Outline属性融合算法概述属性融合算法分类属性融合算法概述贝叶斯统计理论2020/3/2多源测试信息融合2Outline属性融合算法概述属性融合算法分类属性融合算法概述贝叶斯统计理论2020/3/2多源测试信息融合3多属性融合概述多属性融合属性即事物本身所固有的性质。是物质必然的、基本的、不可分离的特性，是事物某个方面质的表现。一定质的事物常表现出多种属性。多属性融合是利用多传感器检测信息对目标的属性和类型进行判断。42020/3/2多源测试信息融合多属性融合概述多属性融合与通常所说的多属性决策不同，多属性融合一般包含以下3个步骤：1.在[0,1]上映射属性的信任度或可能性等；2.按一定的融合规则，对反应各属性的信任度和可能性进行融合，得到各属性的最终信任度或可能性；3.根据融合结果作出决策。52020/3/2多源测试信息融合多属性融合概述由于属性的表达形式复杂多样，有可度量的，也有不可度量的形式，因此，检测方法各不相同。本次课程先简单介绍属性融合算法的分类，然后介绍几种常用的属性融合算法。62020/3/2多源测试信息融合Outline属性融合算法概述属性融合算法分类属性融合算法概述贝叶斯统计理论72020/3/2多源测试信息融合1属性融合算法分类1.1属性融合算法分类对属性融合不存在精确的和唯一的算法分类，在属性融合领域中有统计法、经典推理、Bayes方法、模板法、表决法以及自适应神经网络等算法。一般归纳为三大类：物理模型、参数分类技术和基于知识的模型法。2020/3/2多源测试信息融合8属性融合(识别)算法参数分类物理模型基于知识的模型模拟估计语法分析映像代数极大似然估计Kalman滤波最小二乘法统计算法信息论技术Bayes经典推理Dempster-Shafer聚类分析参数模板自适应神经网络表决法熵法逻辑模板品质因数专家系统模糊集系统图1属性融合算法的分类92020/3/2多源测试信息融合属性融合算法--物理模型（1）物理模型所采用的技术是根据物理模型模拟出可观测或可计算的数据，并把观测数据与预先存储的目标特征或根据物理模型对观测对象进行预测所得出的模拟特征进行比较。比较过程涉及到计算预测数据和实测数据的相关关系。如果相关系数超过一个预先规定的阈值，则认为两者存在匹配关系。这种方法的处理过程如图2所示。102020/3/2多源测试信息融合对象目标传感器观测预处理属性识别处理属性识别报告观察模型图像信号物理模型2物理模型n物理模型1...观测信号观测模型观测模型先验信号文件对象物理特性图2属性识别的物理模型方法属性融合算法--物理模型（1）112020/3/2多源测试信息融合属性融合算法--物理模型（1）预测一个实体特征的物理模型必须建立在被识别物体的物理特征基础上。对于每一种（类）被识别物体，都需要建立一个（组）物理模型。因此，在实际应用中，即使物理模型相对简单或已有先验特征数据的情况下，其观测模型和信息处理过程的运算量也非常庞大。其实际应用很有限，但在非实时环境中，研究观测对象的物理现象时非常有用。122020/3/2多源测试信息融合属性融合算法--物理模型（1）例:成像传感器用于遥感，识别某一对象，并且已经有一些观测对象的简单模型，如：二维几何图形或实体照片。一般来讲识别过程看似很简单：将两幅图像进行比较，但实质计算需要进行很多工作：传感器几何校正、滤波补偿、平台校正、动态调整和照片匹配等等。2020/3/2多源测试信息融合13属性融合算法--参数分类法(2)参数分类技术是依据参数数据获得属性说明，而不使用物理模型。在参数数据（如特征）和一个属性说明之间建立一个直接的映像。具体包括统计算法和信息论方法。统计算法有经典推理、Bayes推理、D-S证据理论方法等。信息论方法有：模板法、聚类分析、自适应神经网络、表决法和熵法等。2020/3/2多源测试信息融合14属性融合算法--参数分类法(2)经典推理技术在给定先验前提假设下计算一个观测的概率，它的缺点是一次仅能估计两个假设，而多变量数据复杂度高，不能直接使用先验似然估计。Bayes推理在目标属性估计中，其缺点是定义先验似然函数困难；当存在多个可能假设和多条相关事件时复杂度高，需要对应的互不相容的假设，缺乏分配总的不确定性的能力。2020/3/2多源测试信息融合15属性融合算法--参数分类法(2)D-S证据理论方法是一种较新的属性融合方法，是经典概率论的扩展，是一种不确定性推理方法，为不确定信息的表达和合成提供了强有力的方法，特别适用于决策级信息融合。但其在计算上的复杂度比较高。2020/3/2多源测试信息融合16属性融合算法--基于知识的方法(3)属性融合算法的第三种主要方法是基于知识的模型。这些方法主要是模仿人类对属性判别的推理过程，它们可以在原始传感器数据或抽取的特征基础上进行。图3是用此类方法进行目标属性识别的原理。这类方法主要包含：逻辑模版、知识（专家）系统和模糊集合论。2020/3/2多源测试信息融合17对象目标传感器特征抽取基于知识的系统属性识别报告先验知识库观测信号观测模型语法规则框架逻辑模板图3基于知识的属性识别属性融合算法--基于知识的方法(3)182020/3/2多源测试信息融合Outline属性融合算法概述属性融合算法分类属性融合算法概述贝叶斯统计理论192020/3/2多源测试信息融合1.2属性融合算法概述（1）经典推理经典推理技术中的假设检验，是在给定先验知识的两种假设H0和H1中做出接受哪一个的判断。该技术是从样本出发，根据样本的量测值制定一个规则（阈值），因此，这种方法，只要知道事件的观测值，就可以利用这一规则做出判定。2020/3/2多源测试信息融合20经典推理（1）假设检验是根据概率来进行判定的，因此有可能判断错误。这种错误不外乎有两种类型：第一种错误是原假设H0为真，却被拒绝的错误，犯这类错误的是根据情况规定的小概率α；第二种错误是原假设H0为假，却被接受的错误，其概率为β。以上两种错误可以归纳如表1。2020/3/2多源测试信息融合21类型接受H0接受H1H0为真，H1为假判断正确（1-α）αH0为假，H1为真β判断正确（1-β）表1假设检验规则的错误概率经典推理（1）例：利用经典推理技术识别不同型号雷达假设两个不同型号的雷达具有不同的脉冲重复周期（PRI），现在要根据雷达侦察传感器获得的雷达的PRI来识别属于哪一部雷达，即两种假设分别为H0：目标为1型雷达；H1：目标为2型雷达。2020/3/2多源测试信息融合22经典推理（1）图4（a）给出了两部雷达（1型记为E1，2型记为E2）的PRI的概率密度函数f(PRI/H0)和f(PRI/H1)它们出现重叠范围。2020/3/2多源测试信息融合23图4(a)PRI密度函数经典推理（1）2型雷达以脉冲重复周期PRI（PRIN≤PRI≤PRIN+1）由图中阴影区域表示，根据概率密度函数积分得：•其中z=PRI,z1=PRIN,z2=PRIN+1。2020/3/2多源测试信息融合24dzHzfHzPzz),(1121)/()/(经典推理（1）经典推理根据观测到的PRIobs来接受或拒绝所提出的假设，也就是确定与其关联的雷达是1型还是2型。对于给定阀值PRIC，识别规则为PRIobs〉PRIc？H1：H02020/3/2多源测试信息融合25图4(b)1型和2型的误差经典推理（1）在这个例子中，由于PRI重叠，因此基于PRIc的判定会导致错误的识别。具体来说，图4（b）表示存在一个有限概率α（区域①），此时1型雷达的观测PRI将大于PRIc；一个有限概率β（区域②），2型雷达的观测PRI将小于PRIc。这些无法识别的错误分别称为1类错误和2类错误：2020/3/2多源测试信息融合26,)/(),(0dzHzfcPRIdzHzfcPRI),(1)/(经典推理（1）另外，上述两个PRI分布可以从不同的传感器得到，在这种情况下融合处理可由判定策略表示出来，而使用经典推理的另一个融合策略一般是从多变量情况的广义方法得到或从特定的传感器判定结果的逻辑组合得到。经典推理技术的优点是能提供判定错误概率的一个度量值。但如果需要把这个方法推广到多变量统计情况，则需要先验知识并计算多维概率密度函数。这对实际应用是个严重的缺陷。2020/3/2多源测试信息融合27Bayes推理（2）考察一个随机试验:试验中，设已知n个互不相容的事件H1，H2，…，Hn的可能性大小（先验信息）为P(H1)，P(H2)，…P(Hn)。在试验中观测到事件E发生了，由于这个新情况的出现，我们对事件H1，H2，…，Hn的可能性有了新的认识，即有后验信息P(H1/E)，P(H2/E)，…，P(Hn/E)：2020/3/2多源测试信息融合28式中:P（Hj/E）为给定证据E条件下，假设Hj为真的后验概率；j=1，2，…，3；P（Hj）为假设Hj为真的先验概率；P（E/Hj）为给定Hj为真的条件下，观测到的证据E的概率。1)()()/()()/()/(jjjjjjjjHPHPHEPHPHEPEHP这个公式就是数学上著名的Bayes公式，（1）首先构造先验概率，（2）使用一个新的证据E来改善对事件的先验假设。Bayes公式的特征就是由先验信息到后验信息的转化过程。Bayes推理（2）292020/3/2多源测试信息融合Outline属性融合算法概述属性融合算法分类属性融合算法概述贝叶斯统计理论302020/3/2多源测试信息融合1)(1jiiAP2贝叶斯统计理论2.1贝叶斯统计理论概述考查一个随机试验，在这个试验中，n个互不相容的事件A1，A2，…，An必发生一个，且只能发生一个，用P（Ai）表示Ai的概率，则有2020/3/2多源测试信息融合31niAPABPAPABPBAPnjjjiii,,2,1,)()()()()(12.1贝叶斯统计理论概述设B为任一事件，则根据条件概率的定义及全概率公式，有这就是著名的Bayes公式。在上式中，P(A1)，P(A2)，…，P(An)表示A1，A2，…，An出现的可能性，这是在做试验前就已知道的信息，这种知识叫做先验信息，这种先验信息以一个概率分布的形式给出，成为先验分布。2020/3/2多源测试信息融合32niiiBAPBAP11)(0)(2.1贝叶斯统计理论概述现假设在试验中观察到B发生了，由于这个新情况的出现，对事件A1，A2，…，An的可能性有了新的估计，这个知识是在做试验后获得的，可称为后验知识，此处也以一个概率分布P(A1|B)，P(A2|B)，…，P(An|B)的形式给出，显然有这称为“后验分布”。它综合了先验信息和试验提供的新信息，形成了关于Ai出现的可能性大小的当前认识。这个由先验信息到后验信息的转化过程就是Bayes统计的特性。2020/3/2多源测试信息融合332.1贝叶斯统计理论概述贝叶斯统计的基本观点是把未知参数Θ看做一个有一定概率分布的随机变量，这个分布总结了抽样以前对Θ的先验分布，这是贝叶斯统计理论区别于古典统计学派的本质区别。贝叶斯学派在处理任何统计分析问题时，均以先验分布为基础和出发点。2020/3/2多源测试信息融合342.2基于Bayes统计理论的信息融合假设有m个传感器用于获取未知目标的参数数据。每一个传感器基于传感器观测和特定的传感器分类算法提供一个关于目标属性的说明。设O1，O2，…，On为所有可能的n个目标，D1，D2，…，Dm表示m个传感器各自对于目标属性的说明。O1，O2，…，On实际上构成了观测空间的n个互不相容的穷举假设，则根据前面几个式子得到2020/3/2多源测试信息融合351)(1niiOPjiinjiii=1P(DO)P(O)ijP(DO)P(O)P(OD)=,i=1,2,…,n;j=1,2,…,m2.2基于Bayes统计理论的信息融合2020/3/2多源测试信息融合36目