基于貝葉斯推理的數(shù)據(jù)融合

1、基于貝葉斯推理的數(shù)據(jù)融合1 貝葉斯推理的基本原理12 數(shù)據(jù)融合中的貝葉斯推理23 貝葉斯推理方法的優(yōu)缺點31 貝葉斯推理的基本原理貝葉斯推理是英國學者thomas bayes于1763年提出的，兩個世紀以來，它越發(fā)展現(xiàn)出廣闊的應用前景。貝葉斯推理的基本原理是隨著測量的到來，將給定假設的先驗密度更新為后驗密度。貝葉斯推理與經典推理的不同之處，除對似然函數(shù)進行變換外，還可以用于多假設情況。貝葉斯推理的基本原理是：給定一個前面的似然估計后，若又增加一個證據(jù)（測量），則可以對前面的（關于目標屬性的）似然估計加以更新。也就是說，隨著測量值的到來，可以將給定假設的先驗密度更新為后驗密度。貝葉斯推理的另一個

2、特點是它適合于多假設情況。假設表示n個互不相容的窮舉假設（即存在具有屬性i的一個目標）為一個事件（或事實，觀測等），貝葉斯公式的形式為： (1)且 表示事件出現(xiàn)的可能性大小，為假設為真的先驗概率，這是實驗前就已知道的事實。為給定證據(jù)b（目標i存在）條件下，假設為真的后布密度。2 數(shù)據(jù)融合中的貝葉斯推理貝葉斯推理方法可以對多傳感器測量數(shù)據(jù)進行融合，以計算出給定假設為真的后驗概率。設有n個傳感器，它們可能是不同類的，他們共同對一個目標進行探測。再設目標有m個屬性需要進行識別，即有m個假設或命題。貝葉斯融合算法在實現(xiàn)上分多級進行。在傳感器一級，將測量數(shù)據(jù)依其獲取的信息特征與要識別的目標屬性聯(lián)系進行分

3、類，最終給出關于目標屬性的一個說明，它依賴于測量數(shù)據(jù)和傳感器分類法。第二步是計算每個傳感器的說明（證據(jù)）在各假設為真條件下的似然函數(shù)。第三步是依據(jù)貝葉斯公司計算多測量證據(jù)下各個假設為真的后驗概率。最后一步是判定邏輯，以產生屬性判定結論，過程如圖1所示圖1 基于貝葉斯推理的數(shù)據(jù)融合在第三步中，計算目標身份的融合概率應分兩步。首先，計算出假設條件下，n個證據(jù)聯(lián)合似然函數(shù)，當各傳感器獨立探測時，相互獨立，該聯(lián)合似然函數(shù)為 (2)然后，應用bayes公式得到n個證據(jù)條件下，假設的后驗概率 (3)第四步一般是采用極大后驗判定邏輯，直接選取或判定門限選取具有最大后驗聯(lián)合概率的目標屬性。取滿足下述條件的假設

4、 (4)作為判定結果。在需要的場合，還需要對最大后驗概率的假設景象門限判定，判定規(guī)則如下：為判定門限，若 (5)則接受否則拒絕判斷等下一觀測的到來。形成新的證據(jù)，再進行上述判定過程。 在使用貝葉斯方法時，需要我們實現(xiàn)能計算每個傳感器對每個假設時間的似然函數(shù),以及各假設事件的先驗概率。當先驗知識里缺少各假設事件發(fā)生的可能性時，我們可以采用無差別對待原則，即可以為各設置相同的值。3 貝葉斯推理方法的優(yōu)缺點貝葉斯推理方法是最早用于補確定推理的方法，主要優(yōu)點是具有公理基礎和易于理解的數(shù)學性質，而且僅需中等計算時間。主要缺點有：（1） 所有要求的概率都是獨立的，這給實際系統(tǒng)帶來了很大的困難。有時甚至是不實際的。（2） 先驗知識的條件概率的獲取，一方面比較困難，另一方面，很難保證領域專家給出的概率具有前有一致性，就需要領域專家和計算機花大量的時間來檢驗系統(tǒng)中概率的一致性。（3） 為了保證系統(tǒng)的相關性和一致性，在系統(tǒng)中增加或刪除一個規(guī)則時，需要重新計算所有的概率，不利于規(guī)則庫的及時增加新規(guī)則或刪除舊規(guī)則。（