智能信息处理导论PPT第10章-信息融合

10.1多源信息融合概述10.1.1多源信息融合基本概念10.1.2多源信息融合分类10.1.3多源信息融合技术的发展10.1.1多源信息融合基本概念多源信息融合的来源多源信息融合是人类和其他生物系统进行观察的一种基本功能，自然界中人和动物感知客观对象，不是单纯依靠一种感官，而是多个感官的综合。多源信息融合的定义信息融合就是由多种信息源如传感器、数据库、知识库和人类本身获取相关信息，并进行滤波、相关和集成，从而形成一个表示架构，这种架构适合于获得有关决策，如对信息的解释，达到系统目标（例如识别、跟踪或态势评估），传感器管理和系统控制等。多传感器系统的定义例如在C3I系统中，多传感器系统是指由有源和无源两类传感器（如单基地和双-多基地雷达、激光探测器、声学探测器、电子侦查信息、电子情报等）组成的网络。它们覆盖了整个频谱（从微波经毫米波、红外直到电光）。10.1.2多源信息融合分类按融合技术分类假设检验型信息融合技术滤波跟踪型信息融合技术聚类分析型信息融合技术模式识别型信息融合技术人工智能信息融合技术按融合判决方式分类硬判决方式软判决方式按传感器组合方式分类同类传感器组合异类传感器组合10.1.2多源信息融合分类按信息融合处理层次分类数据级信息融合特征级信息融合决策级信息融合按信息融合结构模型分类集中式信息融合结构分布式信息融合结构按信息融合目的分类检测融合（DetectionFusion）估计融合（EstimationFusion）属性融合（RecognitionFusion）按融合的信息类型分类数据融合图像融合10.1.3多源信息融合技术的发展促进多源信息融合理论发展的主要动因之一是现代战争的迫切需要。促进信息融合理论发展的另一个重要因素是现代民用高科技发展的需要。现代身份认证系统要求能对人或物进行识别和辨认，这也需要多传感器信息融合技术的支持。10.2信息融合模型与算法10.2.1信息融合的模型10.2.2多源信息融合算法概述10.2.1信息融合的模型信息融合系统的功能模型信息融合系统的三级功能模型信息融合系统的五级功能模型信息融合系统的四级功能模型信息融合系统功能模型的新进展——六级模型第六级为精细处理，包括了评估、规划、管理和控制，主要有以下几个方面性能评估融合控制要求信源要求任务管理信源管理10.2.1信息融合的模型10.2.1信息融合的模型信息融合系统的结构模型检测级融合结构位置级融合结构目标识别级融合结构基本融合结构灵活的数据—特征—决策组合融合结构10.2.1信息融合的模型10.2.2多源信息融合算法概述信息融合理论分为基于概率论的方法和非概率论的融合方法。信息融合的支撑学科有如下几种：计算机科学与工程；信息论：Shannon理论；数学：概率论、泛函分析、随机集与鞅论、最优化理论等；模式识别：目标基本的分类方法；理解与推理：不确定性推理；传感器技术：雷达（普通雷达、成像SAR）、红外IR传感器（非成像、亚成像和成像）和声呐等；信号处理技术：经典信号处理理论和现代的数字滤波器、FFT、自适应信号处理、多抽样信号处理等；统计学：随机过程、统计信号检测与估计理论；系统与控制；人工智能和专家系统。10.2.2多源信息融合算法概述在信息融合领域使用的主要数学工具或方法有概率论、推理网络、模糊理论和神经网络等，其中使用较多的是概率论、模糊理论、推理网络。当然，除了这几种常有的方法之外，还有其他很多解决途径。概率论推理网络模糊理论神经网络10.3贝叶斯信息融合方法10.3.1贝叶斯统计理论概述10.3.2基于贝叶斯统计理论的信息融合10.3.1贝叶斯统计理论概述Bayes统计学派和古典统计学派的基本观点是对立的，它对古典统计学派的批判有如下几点：（1）古典统计仅能估计两个假设，即假设0H和与其相对的备选假设1H。（2）古典统计将参数看作一个固定的数值，只知道它属于参数空间，在抽样之前，对它一无所知，不考虑的先验信息，这对于先验信息确实存在的情形是十分可惜的。（3）在古典统计中精度和信度是前定的，即在抽样之前就确定下来，而不依赖于样本，这通常是不合理的。10.3.2基于贝叶斯统计理论的信息融合10.3.2基于贝叶斯统计理论的信息融合Bayes融合识别算法的主要步骤为：（1）将每个传感器关于目标的观测转化为目标属性的分类与说明mDDD,,,21。（2）计算每个传感器关于目标属性说明或判定的不确定性，即)|(ijODP,,,21jnim,,,;,21。（3）计算目标属性的融合概率：niOPODDDPOPODDDPDDDOPniiimiimmi,,,,)()|,,,()()|,,,(),,,|(211212121（10-3）如果mDDD,,,21相互独立，则)|()|()|()|,,,(imiiimODPODPODPODDDP2121（10-4）10.4信息的模糊决策融合算法10.4.1模糊逻辑概述10.4.2多传感器模糊关系函数的融合10.4.3基于可能性理论的信息融合应用10.4.1模糊逻辑概述模糊理论模糊推理模糊关系函数的融合决策树方法提取模糊规则决策树算法框架评价标准可能性理论10.4.2多传感器模糊关系函数的融合当从一个传感器（知识源）获得了某个目标的一些信息，可能还希望得到该目标的其他附加知识，该附加知识使用该传感器可能无法测到，而另一种传感器能够提供该信息，也就是说，两种传感器中的哪一个都能提供彼此所不能提供的必要信息，在这种情况下，不是除去那些只被一种传感器未证实的信息，而是增加信息，这称为知识源证实原理。10.4.3基于可能性理论的信息融合应用在逐点模糊集运算中，有几种方法可用来定义可能性分布的逻辑乘和逻辑加融合。令i为信息源i的可能性分布，则：)(*)(,uuUui（模糊集的交）)()(,uuUui（模糊集的并）式中，*可分别定义为：babababa*),,min(*，),max(*10baba；相应的，可分别定义为：),min(,),,max(bababababababa1。当所有的信息源并不一样可靠时，可使用定量加权的优先融合规则，给每个信息源一个可靠性评价指标i，则每个信息源提供的信息受确定度i的限制，逻辑乘融合规则可改进为))),(min(max()(,iiuuu110.5Dempster-Shafer证据理论10.5.1Dempster-Shafer证据理论概述10.5.2基于Dempster-Shafer证据理论的信息融合10.5.1Dempster-Shafer证据理论概述设是样本空间，由一互不相容的陈述集合组的幂集2构成命题集合。定义1基本概率分配函数M设函数M是满足下列条件的映射：],[:102M（1）不可能事件的基本概率是0，即0)(M；（2）2中全部元素的基本概率之和为1，即1AAM)(则称M是2上的概率分配函数，)(AM称为A的基本概率数，表示对A的精确信任。10.5.1Dempster-Shafer证据理论概述定义2命题的信任函数Bel对于任意假设而言，其信任度Bel(A)定义为A中全部子集对应的基本概率之和，即Bel：],[102Bel（A）ABBM)(，对所有的ABel函数也称为下限函数，表示对A的全部信任。由概率分配函数的定义容易得到Bel0)()(MBelBBM)()(10.5.1Dempster-Shafer证据理论概述定义3命题的似然函数Pl：Pl：],[102Pl1ABel)(A，对所有的APl函数也称为上限函数或不可驳斥函数，表示对A非假设的信任程度，即表示对A似乎可能成立的不确定性度量。容易证明，信任函数和似然函数有如下关系：Pl)(ABel)(A，对所有的AA的不确定性由)(AuPl)(ABel)(A表示。对偶空间（Bel（A），Pl（A））称为信任空间，它反映了关于A的许多重要信息。10.5.1Dempster-Shafer证据理论概述定义4（两个信任函数的组合规则）：设1M和2M是上的两个概率分配函数，则其正交和21MMM定义为0)(M)()()yMxMcMAAyx211，当A其中yxyxyMxMyMxMc)()()()(21211如果0c，则正交和M也是一个概率分配函数；如果0c，则不存在正交和M，称1M和2M矛盾。多个概率分配函数的正交和nMMMM21定义为0)(MniiiAAAMcAMi11)()(，当A其中niiiAAniiiAMAMcii111)()(10.5.2基于Dempster-Shafer证据理论的信息融合在贝叶斯方法中，决策的结果非此即彼，不能将不确定与不知道严格分开，而证据理论弥补了这一不足。单传感器多测量周期可信度分配的融合多传感器多测量周期可信度分配的融合中心式计算分布式计算10.6Vague集模糊信息融合10.6.1Vague集定义10.6.2信息融合模型描述10.6.3基于Vague集的融合方法10.6.4仿真实例10.6.1Vague集定义Vague集令X是一个点(对象)的空间},,,{nxxxX21，其中，任意一个元素用x表示；X中的一个Vague集A用一个真隶属函数)(xtA和一个假隶属函数)(xfA表示；)(xtA是从支持x的证据所导出的肯定隶属度下界；)(xfA则是从反对x的证据所导出的否定隶属度下界；)(xtA和)(xfA将区间[0,1]中的一个实数与X中的每一个点联系起来，即At:X→[0,1],)(xfA：X→[0,1]，其中，1)()(xfxtAA。称)()()(xfxtxhAAA1为元素x相对Vague集A的Vague度,它刻画了元素x相对Vague集A的不确定程度。元素x在Vague集A的隶属度被区间[0,1]的一个子区间[)(xtA,1-)(xfA]所界定，如A=[)(xtA,1-xfA][0.5,1-0.2]，此时x属于Vague集A的程度可解释为：x属于A的程度为0.5，x不属于A的程度为0.2，不确定程度为0.3。它也可用投票模型来解释：赞成票5票，反对票2票，弃权票3票。10.6.2信息融合模型描述设O为目标集合，S为传感器集合，mOOOO,,,21,nSSSS,,,21。传感器nSSS,,,21对目标iO的刻画程度可用Vague集表示为miftSftSftSOininniiiii,,,,,,,,,,,,21111222111。其中，ijt表示传感器jS对目标iO的满意程度；ijf表示传感器jS对目标iO的不满意程度，ijiijfth1为传感器jS对目标iO的不确定程度；ijt∈[0,1],ijf∈[0,1],minjftijij111,,。10.6.3基于Vague集的融合方法基于Vague集的信息融合方法如下：(1)分别输入来自于传感器对于目标所采集的各类数据以及各类目标所赋予的权重；(2)根据式（10-7）、式（10-8）计算各目标与正理想解*O、负理想解*O的距离；(3)由式（10-9）求出各目标的相对接近度，其中，相对接近度最大的目标即为最佳目标。10.7信息融合的神经网络模型与算法10.7.1信息融合模型的神经网络表示10.7.2基于神经网络的信息融合技术10.7.3基于神经网络的融合识别的基本原理10.7.1信息融合模型的神经网络表示一般把信息融合划分为三级，并把针对具体问题的处理功能赋予信息处理单元，故可以用三层神经网络描述融合模型。第一层神经元对应原始数据