传感器融合技术 1课件

1、第五章 身份融合2010年4月5.1 引言1. 身份融合：就是根据各个传感器给出的带有不确定性的身份报告或说明进一步进行信息融合处理,对所观测的实体给出联合的身份判断。 2. 位置估计与身份识别的联系3. 身份说明的例子战术飞机上装载威胁告警传感器，以确定是否有武器制导装置（如激光或导弹制导雷达）照射该飞机；使用雷达截面积，确定一个实体是否是火箭体、飞机、雷达站或舰艇；敌中我识别（IFFN)设备使用特征波形和有关数据来识别敌我飞机；非军事：机器人语音识别、视觉；汽车雷达防碰撞；机场安检等等4 . 单一传感器身份说明的思想赵宗贵书P136 图5-1单一传感器身份识别分为两步：特征提取和身份说明特

2、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。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

3、，对各个特征向量进行分类。1.常用特征几何特征：能表现目标的几何尺寸/形状；如边缘、线、线长、线关系（平行、垂直）、弧、圆、大小、区域结构特征在多维空间内表征图像各部分的比例和关系样式：统计特征用于局部和总体图像级表征图像数据：表面数、矩、均值方差时域特征脉冲表征（下降时间、上升时间、幅度、脉宽）、脉冲重复周期、瞬时扰动、脉冲与周围噪声环境的关系频域特征时频域特征小波、Wigner-Ville分布2.不同信息源的有效特征传感器信号形式有用特征ELINT接收机微波发射器的频率和时间关系RF、PW、PRF、fd、频率调制、幅度调制声音传感器声音发射体的频率和时间关系fd、谐波、频率比、水泵和发电机

4、频率以及特殊的噪声源微波雷达Doppler调制，距离-横截面反射图像、调频调相、编码RF、PW、PRF、fd、RCS、图像、码的类型、码长、距离、速度电视可视二维图像形状、构成、内部结构、范围SAR2D（距离-横截面）反射图像大小、纵横比、散射体的数量和位置激光雷达3D图像反射图像；Doppler调制；fd，大小、三维形状、散射体位置、结构mmw雷达一维反射或二维偏振图像fd，散射体形状、大小、比例结构红外成像二维热辐射图像形状结构、辐射能量、热点数量、位置、范围5.3.1 相似性系数法数学模型模型特性（1）若X=Y，则RXY=1.0（2）若X=0或Y=0，则RXY=0（3）若X0， Y0，则

5、0RXY1.0决策（1）若RXY1.0，则目标X被识别为Y（2）若RXY0.0，则目标X与Y不为同一目标（3）若RXY0.5，则不进行决策5.3.2 统计模式识别Bayesian统计模型Xi：未知目标特征向量；Ti：目标；Yi：已知目标特征矢量模型特性（1）对所有j=1，2，n，（2）对所有j=1，2，n，决策规则（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TkBayes

6、ian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。5.3.4 聚类分析技术监督式模式识别和非监督式模式识别聚类分析试图根据数据集内部结构或相似性将数据集分成若干个子集；确定样本相似性的方法明氏距离、欧式距离等，类似于关联度量聚类方法硬聚类方法：启发式和划分式 计算开销少；缺点是：割断了样本之间的联系，无法表达样本间在性态和类属方面的中介性，使得聚类结果的偏差较大模糊聚类方法：将样本对各类的隶属度扩展到0，1区间；要求每个样本对各类的隶属度之和为1可能性聚类方法：将样本对各类的隶属度扩展到0，1区间；不要求每个样

7、本对各类的隶属度之和为1。可用于对含有噪声的数据进行聚类。求解步骤2. 模糊c-均值聚类算法（FCM）模糊聚类问题的一般表示通过最小化方法，解出最佳隶属度和聚类中心3. 分层凝聚法基本思想：对每个观测对都计算相似性度量，使用连接规则将最相似的观测对聚集到一起，连续不断地进行层次比较、聚集，直到将全部观测聚集成一大类。五个基本步骤（1）收集采样数据，将数据规格化（2）提取特征向量，作为聚类处理器的输入；（3）对每个特征向量Yj，计算对其它特征向量Yk的相似性度量；（4）聚类，建立相似实体组（5）确认得到的聚类解分为：单连接，全连接，平均连接最短距离最远距离a1Ab1b2Ba25.3.5 自适应神

8、经网络模仿生物神经连接，产生特征向量与身份分类之间的非线性变换神经元函数图非线性函数：阶梯函数、反曲形函数构造神经网络的考虑网络模型的选择（内部连接性、非线性函数的选择）；层数和节点数的选取；训练策略分类二进输入网络：有学习的（Hopfield网,Hanming网）；无监督的连续值输入网络：多层感知器；Konnen网训练策略BP算法（后向扩散）：使实际的网络输出向量与期望输出之间的均方差达极小1. BP 学习规则一般的前馈运算 判别函数网络学习考虑一个模式的训练误差，tk：输出端的期望输出值；zk：实际输出,构造训练误差函数基于梯度下降法（2）由输入层到隐含层2.用于身份说明的BP网络模型三层

9、结构：输入层、隐含层和输出层输入信息通过隐含层映射到输出层；映射误差又回送到输入层；当总的映射误差趋近于零时，完成映射3.输出函数特性意味着在三层BP模型的输出层，Yi是一个真正的概率密度函数4. BP网络的训练5.3.6 物理模型根据一个实际的物理模型设法直接计算实体的特征信号，即时域数据、频域数据和图像识别过程：将观测信号与预存的特征信号或一个模拟信号进行比较缺点：复杂，难以实时获得适用于研究潜在的物理现象，或非实时性研究5.3.7 基于知识的方法避开了物理模型，力图模仿人类在进行目标身份识别所使用的认识途径和推理方法；专家系统：使用知识表示技术和推理方法对所观测的事物进行推断；逻辑模板：

10、是参数模板技术的推广，可以对逻辑关系进行处理。核心是知识的表示和推理方法知识表示技术：包括 规则、框架和剧本，所收集的规则、框架和剧本的集合称为知识库；推理技术：包括布尔逻辑、决策树、模糊逻辑等；可以应用于身份说明的专用知识表示重点是确定对象的属性和对象之间的关系。适用于能够通过基本分量的聚集或通过分量的相互关系来识别对象；或者说适用于实体的概念很复杂的情况依赖于寻求对实体身份的实体分量和构造的基本理解。5.4 身份融合算法经典推理Bayes推理Dempster-Shafer证据理论表决融合模糊逻辑5.4.1 经典推理1. 二值假设检验假定： （1）H0表示观测数据不是身份为N引起的事件，有概

11、率密度函数f(x|H0);（2） H1表示观测数据是身份为N引起的事件，有概率密度函数f(x|H1);四种决策结果：2.经典推理的应用例雷达发射机的识别问题：两部雷达均采用码捷变的方式，捷变规律均服从正态分布，但两者有不同的平均值E1和E2 。P150 图5-12雷达信号的二元检测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。3.经典推理的缺陷5.4.2 Bayes推理1. Bayes定理 假设O1， O2， On表示n个互不相容的完备事件，在事件

12、E出现的情况下，出现的概率为 2. Bayes理论基于新的证据更新不确定性的方法 Bayes 组合规则3. Bayes理论用于融合的例子例1 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。如果判决为（0，1，0），则有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

13、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 4. 经典概率推理与Bayes推理的比较经典概率缺点：当使用多个传感器从而推广到多位数据时，需要知道先验知识和多维概率密度分布函数通常，在某一时刻只能判决两种假设没有利用主观先验知识Bayes推理缺点：必须要定义先验概率和似然函数各假设事件必须互斥如果有多个假设事件或多个条件事件相关时，使计算复杂性加大不能支持不确定类的问题 5.4.3 Dempster-Shafer证据理论1. 基本理论 辨识框架，记作：定义为一个互不相容事

14、件的完备集合。Bayes推理是对中的元素进行运算，而D-S证据理论是对2中的元素进行运算。引入命题信任度的概念，Bel(A)+Bel(A)1基本概率赋值函数命题的信任函数命题的似然函数命题的信任区间从传感器提供的信息计算不确定区间的例子考虑某时刻一共可能有的三种类型的目标a1,a2和a3被单传感器 A探测到，传感器 A的识别框架为=a1,a2,a3A的反命题为a1= a2,a3假设传感器分配给各命题的概率分配值为2. D-S证据理论用于融合 3. D-S证据理论用于融合的例子 例1例2例34. D-S证据理论与Bayes理论的比较“无知”概念的表示Bayes理论：可信度的可加性对应于以下两个基本特征1）某个命题的可信度是按照人们对它的信任程度按比例赋予的值；2）独立性和完备性：当某一命题赋予一可信度的同时，必须将剩余的可信度赋给其非命题。D-S证据理论只保留第一条判断在两理论中的作用 D-S证据理论：由某证据提供的对某一命题的支持度以及某个人对某一命题的可信