第2章 數(shù)據(jù)融合與信息處理課件

第2章數(shù)據(jù)融合與信息處理1概述2基本原理3分布式自適應(yīng)動(dòng)態(tài)數(shù)據(jù)融合第2章數(shù)據(jù)融合與信息處理集成與融合新系統(tǒng)：升華、再生融合：綜合、互補(bǔ)集成：基礎(chǔ)、結(jié)構(gòu)圖2.1集成、融合關(guān)系圖第2章數(shù)據(jù)融合與信息處理數(shù)據(jù)融合20世紀(jì)80年代誕生，主要解決多傳感器信息處理問(wèn)題，把分布在不同位置的多個(gè)同類或不同類傳感器的局部、不完整的觀察量加以綜合，利用其互補(bǔ)性、冗余性，克服單個(gè)傳感器的不確定性和局限性，提高整個(gè)傳感器系統(tǒng)的有效性能，已形成對(duì)系統(tǒng)環(huán)境相對(duì)完整一致的感知描述，提高測(cè)量信息的精度和可靠性內(nèi)涵的延展，不同方法獲得的參量的綜合第2章數(shù)據(jù)融合與信息處理數(shù)據(jù)融合的三層定義全空間綜合互補(bǔ)多傳感器動(dòng)態(tài)信息處理算法融合圖2.2數(shù)據(jù)融合的3層定義第2章數(shù)據(jù)融合與信息處理數(shù)據(jù)融合的內(nèi)涵延展舉例紅外和可見(jiàn)光圖像融合？PET,MR,CT等模式圖像間的融合？特征點(diǎn)、面、區(qū)域提取與基于體素方法的融合用于配準(zhǔn)基于顏色、紋理、光度等特征的融合用于識(shí)別？基于顏色、面積、紋理等特征的融合用于分割？特征選擇？第2章數(shù)據(jù)融合與信息處理信息的互補(bǔ)問(wèn)題本質(zhì)在于對(duì)不確定處理和精確處理的互補(bǔ)，復(fù)雜，并不是簡(jiǎn)單的代數(shù)相加運(yùn)算。包括信息表達(dá)方式上的、結(jié)構(gòu)上、功能上的、不同層次上的互補(bǔ)。把握不同信息的本質(zhì)舉例：特征點(diǎn)和體素/像素的互補(bǔ)？紋理和顏色的互補(bǔ)？時(shí)域、頻域、復(fù)頻域的互補(bǔ)？第2章數(shù)據(jù)融合與信息處理數(shù)據(jù)融合的基本框架信息源信息轉(zhuǎn)換、傳遞、交換信息互補(bǔ)、綜合處理信息融合處理報(bào)告

信息流：信息獲取信息預(yù)處理信息融合融合決策第2章數(shù)據(jù)融合與信息處理2多傳感器數(shù)據(jù)融合的基本原理N個(gè)不同類型的傳感器收集觀測(cè)目標(biāo)的數(shù)據(jù)。對(duì)傳感器的輸出數(shù)據(jù)（離散的或連續(xù)的時(shí)間函數(shù)數(shù)據(jù)，輸出矢量，成像數(shù)據(jù)或一個(gè)直接的屬性說(shuō)明）進(jìn)行特征提取的變換，提取代表觀測(cè)數(shù)據(jù)的特征矢量。對(duì)特征矢量進(jìn)行模式識(shí)別處理（如聚類算法，自適應(yīng)神經(jīng)網(wǎng)，或其它能將特征矢量變換成目標(biāo)屬性判決的統(tǒng)計(jì)模式識(shí)別法等），完成各傳感器關(guān)于目標(biāo)的說(shuō)明。將各傳感器關(guān)于目標(biāo)的說(shuō)明數(shù)據(jù)按同一目標(biāo)進(jìn)行分組，即關(guān)聯(lián)。利用融合方法將各一目標(biāo)各傳感器數(shù)據(jù)進(jìn)行合成，得到該目標(biāo)的一致性解釋與描述。第2章數(shù)據(jù)融合與信息處理2.1數(shù)據(jù)融合的層次結(jié)構(gòu)數(shù)據(jù)層融合特征層融合決策層融合第2章數(shù)據(jù)融合與信息處理數(shù)據(jù)層融合全部傳感器的觀測(cè)數(shù)據(jù)直接進(jìn)行融合，然后從融合的數(shù)據(jù)中提取特征矢量，并進(jìn)行判斷識(shí)別。傳感器必須同質(zhì)優(yōu)點(diǎn)：保持了盡可能多的原始信息缺點(diǎn)：處理的信息量大，處理實(shí)時(shí)性差。第2章數(shù)據(jù)融合與信息處理數(shù)據(jù)層融合圖例待識(shí)別物體圖像數(shù)據(jù)聲音數(shù)據(jù)氣味數(shù)據(jù)傳感器傳感器傳感器統(tǒng)一的數(shù)據(jù)矩陣特征提取決策第2章數(shù)據(jù)融合與信息處理特征層融合將每個(gè)傳感器的觀測(cè)數(shù)據(jù)進(jìn)行特征抽取以得到一個(gè)特征矢量，然后將這些特征矢量融合起來(lái)，并根據(jù)融合得到的特征矢量進(jìn)行判定優(yōu)點(diǎn)：對(duì)通信帶寬的要求較低缺點(diǎn)：由于數(shù)據(jù)丟失使其準(zhǔn)確性有所下降第2章數(shù)據(jù)融合與信息處理特征層融合圖例待識(shí)別物體圖像數(shù)據(jù)聲音數(shù)據(jù)氣味數(shù)據(jù)傳感器傳感器傳感器統(tǒng)一的特征矩陣決策特征提取特征提取特征提取第2章數(shù)據(jù)融合與信息處理決策層融合決策層融合是根據(jù)一定的準(zhǔn)則以及每個(gè)決策的可信度作出最優(yōu)決策。每個(gè)傳感器執(zhí)行一個(gè)對(duì)目標(biāo)的識(shí)別過(guò)程，將來(lái)自每個(gè)傳感器的識(shí)別結(jié)果進(jìn)行融合。優(yōu)點(diǎn)：對(duì)通信帶寬要求最低缺點(diǎn)：產(chǎn)生的結(jié)果相對(duì)最不準(zhǔn)確。第2章數(shù)據(jù)融合與信息處理決策層融合圖例待識(shí)別物體圖像數(shù)據(jù)聲音數(shù)據(jù)氣味數(shù)據(jù)傳感器傳感器傳感器統(tǒng)一的決策結(jié)果特征提取特征提取特征提取決策結(jié)果決策結(jié)果決策結(jié)果第2章數(shù)據(jù)融合與信息處理各種融合層次的特性比較特性數(shù)據(jù)層融合特征層融合決策層融合信息量最大中等最小信息損失最小中等最大容錯(cuò)性最差中等最好抗干擾性最差中等最好對(duì)傳感器的依賴性最大中等最小數(shù)據(jù)融合方法最難中等最易預(yù)處理最小中等最大分類能力最好中等最差第2章數(shù)據(jù)融合與信息處理2.2數(shù)據(jù)融合的體系結(jié)構(gòu)集中式分布式混合式第2章數(shù)據(jù)融合與信息處理集中式將各傳感器結(jié)點(diǎn)的數(shù)據(jù)都送到中央處理器進(jìn)行融合處理。優(yōu)點(diǎn)：實(shí)時(shí)融合，精度高，解法靈活缺點(diǎn)：對(duì)處理器要求高，可靠性較低，數(shù)據(jù)量大，難以實(shí)現(xiàn)第2章數(shù)據(jù)融合與信息處理集中式結(jié)構(gòu)圖示傳感器1傳感器2傳感器n預(yù)處理預(yù)處理預(yù)處理融合結(jié)點(diǎn)第2章數(shù)據(jù)融合與信息處理分布式各傳感器利用自己的量測(cè)單獨(dú)跟蹤目標(biāo)，將估計(jì)結(jié)果送到總站，總站再將子站的估計(jì)合成為目標(biāo)的聯(lián)合估計(jì)優(yōu)點(diǎn)：對(duì)通信帶寬要求低，計(jì)算速度快，可靠性和延續(xù)性好缺點(diǎn)：跟蹤精度沒(méi)有集中式高第2章數(shù)據(jù)融合與信息處理分布式結(jié)構(gòu)圖示傳感器1傳感器2傳感器n預(yù)處理預(yù)處理預(yù)處理融合結(jié)點(diǎn)局部判決局部判決局部判決第2章數(shù)據(jù)融合與信息處理2.3多傳感器融合系統(tǒng)的設(shè)計(jì)的注意問(wèn)題系統(tǒng)中傳感器的類型、分辨率、準(zhǔn)確率傳感器的分布形式系統(tǒng)的通信能力和計(jì)算能力系統(tǒng)的設(shè)計(jì)目標(biāo)系統(tǒng)的拓?fù)浣Y(jié)構(gòu)（包括數(shù)據(jù)）第2章數(shù)據(jù)融合與信息處理2.4數(shù)據(jù)融合中的檢測(cè)、分類和識(shí)別算法基于物理的模型仿真估計(jì)：卡爾曼濾波、最大似然、最小方差句法：圖像代數(shù)基于特征推理技術(shù)基于參數(shù)的方法：古典概率推理、貝葉斯方法、D-S理論、廣義證據(jù)基于信息論的方法：神經(jīng)網(wǎng)絡(luò)、聚類、表決方法、熵、品質(zhì)因數(shù)、相關(guān)量測(cè)基于知識(shí)的模型邏輯模板、基于知識(shí)的專家系統(tǒng)、模糊集第2章數(shù)據(jù)融合與信息處理2.4.1統(tǒng)計(jì)和估計(jì)方法運(yùn)用概率估計(jì)的方法獲取不同信息源的融合權(quán)重包括：古典概率推理、卡爾曼濾波、貝葉斯準(zhǔn)則、D-S證據(jù)理論、廣義證據(jù)理論第2章數(shù)據(jù)融合與信息處理古典概率推理在給定的假設(shè)條件下，觀測(cè)是來(lái)源于某一物體或事件的概率主要缺點(diǎn)：1）用于分類物體或事件的觀測(cè)量的概率密度函數(shù)難以得到2）在多變量數(shù)據(jù)情況下，計(jì)算的復(fù)雜性加大3）一次只能評(píng)估兩個(gè)假設(shè)條件4）無(wú)法直接應(yīng)用先驗(yàn)似然這個(gè)有用的先驗(yàn)知識(shí)第2章數(shù)據(jù)融合與信息處理卡爾曼濾波是一種線性遞推的濾波方法，將狀態(tài)變量引入濾波理論，用信息干擾的狀態(tài)空間模型代替通常濾波采用的協(xié)方差函數(shù)，并把狀態(tài)空間描述與離散時(shí)間聯(lián)系起來(lái)特點(diǎn)：基于最小二乘法的信息優(yōu)化方法，運(yùn)算量小，始于實(shí)時(shí)處理，用于目標(biāo)跟蹤、狀態(tài)估計(jì)等中。第2章數(shù)據(jù)融合與信息處理貝葉斯準(zhǔn)則利用樣本提供的信息時(shí)也充分利用了先驗(yàn)知識(shí)，以先驗(yàn)分布為出發(fā)點(diǎn)，克服了古典統(tǒng)計(jì)中精度和信度預(yù)定，不依賴于樣本的不合理性缺點(diǎn)：1）確定先驗(yàn)的似然函數(shù)非常困難2）當(dāng)潛在具有多個(gè)假設(shè)事件并且是多個(gè)事件條件依賴時(shí)，計(jì)算將變的非常復(fù)雜3）各假設(shè)事件要求互斥4）不能處理廣義的不確定問(wèn)題第2章數(shù)據(jù)融合與信息處理D-S證據(jù)理論針對(duì)事件發(fā)生后的結(jié)果（證據(jù)）探求事件發(fā)生的主要原因（假設(shè)），分別通過(guò)各證據(jù)對(duì)所有的假設(shè)進(jìn)行獨(dú)立判斷，得到各證據(jù)下各種假設(shè)的基本概率分配即mass函數(shù)，然后對(duì)某假設(shè)在各證據(jù)下的判斷信息進(jìn)行融合，進(jìn)而形成“綜合”證據(jù)下該假設(shè)發(fā)生的融合概率。概率最大的假設(shè)即為判決結(jié)果。特點(diǎn)：1）概率論的推廣，能區(qū)分“不確定”、“不知道”。2）要求各證據(jù)之間彼此獨(dú)立，很難滿足。3）隨著推理過(guò)程的增加，計(jì)算量也大大增加。第2章數(shù)據(jù)融合與信息處理廣義證據(jù)處理

（generalizedevidenceprocessing,GEP）把決策空間分為若干個(gè)假設(shè)事件（命題），然后把貝葉斯方法擴(kuò)展到此假設(shè)空間中。在此方法中，來(lái)自非斥命題的證據(jù)可以使用貝葉斯公式融合，從而得到某一判決。與D-S方法的不同之處在于：其概率分配值的賦予與融合是基于命題或假設(shè)事件的先驗(yàn)概率的。第2章數(shù)據(jù)融合與信息處理2.4.2基于信息論的融合方法能把參數(shù)數(shù)據(jù)轉(zhuǎn)換或映射到識(shí)別空間。所有的這些方法都有著相同的概念，即識(shí)別空間中的相似是通過(guò)觀測(cè)空間中參數(shù)的相似來(lái)反映的，但是卻不能直接對(duì)觀測(cè)數(shù)據(jù)的某些方面建立明確的識(shí)別函數(shù)。包括：參數(shù)模板匹配、人工神經(jīng)網(wǎng)絡(luò)、聚類算法、表決算法、熵量測(cè)技術(shù)、品質(zhì)因數(shù)、模式識(shí)別以及相關(guān)量測(cè)等技術(shù)第2章數(shù)據(jù)融合與信息處理聚類分析法在一定條件下，按照目標(biāo)間的相似性把目標(biāo)空間劃分為若干子集，劃分的結(jié)果應(yīng)使表示聚類質(zhì)量的準(zhǔn)則函數(shù)為最大。當(dāng)用距離來(lái)表示目標(biāo)間的相似性時(shí)，其結(jié)果降判別空間劃分成若干區(qū)域，每一個(gè)區(qū)域相當(dāng)于一個(gè)類別。常用的距離函數(shù)有明氏距離、歐式距離、馬氏距離、類塊距離等。包括：聚類分析法、表決法、神經(jīng)網(wǎng)絡(luò)法、參數(shù)模板匹配法、熵量測(cè)、品質(zhì)因數(shù)、模式識(shí)別，等。第2章數(shù)據(jù)融合與信息處理類間距離離差平方和法（wardmethod）D2=WM－WK－WL即對(duì)異常值很敏感；對(duì)較大的類傾向產(chǎn)生較大的距離，從而不易合并，較符合實(shí)際需要。ClusterKClusterLClusterM第2章數(shù)據(jù)融合與信息處理表決法由每個(gè)傳感器提供對(duì)被測(cè)對(duì)象狀態(tài)的一個(gè)判斷，然后由表決方法對(duì)這些判斷進(jìn)行搜索，以找到一個(gè)由板書(shū)以上傳感器“同意”的判斷（或采取其它簡(jiǎn)單的判定規(guī)則），并宣布表決結(jié)果。適合實(shí)時(shí)融合融合無(wú)償較大第2章數(shù)據(jù)融合與信息處理神經(jīng)網(wǎng)絡(luò)非線性，自學(xué)習(xí)，自組織，并行性，容錯(cuò)性權(quán)值，學(xué)習(xí)收斂性，學(xué)習(xí)速度，網(wǎng)絡(luò)模型，結(jié)構(gòu)，等需要人為地根據(jù)融合對(duì)象的特點(diǎn)進(jìn)行調(diào)整第2章數(shù)據(jù)融合與信息處理參數(shù)模板匹配把在一段時(shí)間內(nèi)得到的多傳感器數(shù)據(jù)與多個(gè)信息源按照預(yù)先選擇好的條件進(jìn)行匹配，然后判斷觀測(cè)量是否包含支持某一現(xiàn)象的證據(jù)第2章數(shù)據(jù)融合與信息處理熵量測(cè)來(lái)源于通信理論通過(guò)事件發(fā)生的概率來(lái)度量實(shí)踐中所包含信息的重要程度。度量信息價(jià)值的函數(shù)應(yīng)具有這樣的性質(zhì)，即信息價(jià)值的大小與接受到該信息的概率成反比。第2章數(shù)據(jù)融合與信息處理2.4.3認(rèn)知模型的數(shù)據(jù)融合方法基于認(rèn)知的模型試圖通過(guò)模擬人的處理過(guò)程來(lái)自動(dòng)實(shí)現(xiàn)決策的過(guò)程。這包括：模擬人的處理過(guò)程來(lái)自動(dòng)實(shí)現(xiàn)決策的過(guò)程模糊邏輯法邏輯模板法專家系統(tǒng)基于知識(shí)的系統(tǒng)模糊集理論第2章數(shù)據(jù)融合與信息處理模糊邏輯法隸屬度函數(shù)，如正態(tài)函數(shù)、三角函數(shù)、梯形函數(shù)等。隸屬度函數(shù)是主觀確定的，但其對(duì)模糊推理的影響并不大。第2章數(shù)據(jù)融合與信息處理隸屬度函數(shù)若對(duì)論域（研究的范圍）U中的任一元素x，都有一個(gè)數(shù)A（x）∈0，1與之對(duì)應(yīng)，則稱A為U上的模糊集，A（x）稱為x對(duì)A的隸屬度。當(dāng)x在U中變動(dòng)時(shí)，A（x）就是一個(gè)函數(shù)，稱為A的隸屬函數(shù)。隸屬度A（x）越接近于1，表示x屬于A的程度越高，A（x）越接近于0表示x屬于A的程度越低。用取值于區(qū)間0，1的隸屬函數(shù)A（x）表征x屬于A的程度高低。隸屬度屬于模糊評(píng)價(jià)函數(shù)里的概念：模糊綜合評(píng)價(jià)是對(duì)受多種因素影響的事物做出全面評(píng)價(jià)的一種十分有效的多因素決策方法，其特點(diǎn)是評(píng)價(jià)結(jié)果不是絕對(duì)地肯定或否定，而是以一個(gè)模糊集合來(lái)表示。A(x)=表示模糊集“年老”的隸屬函數(shù)，A表示模糊集“年老”，當(dāng)年齡x≤50時(shí)A（x）=0表明x不屬于模糊集A（即“年老”），當(dāng)x≥100時(shí)，A（x）=1表明x完全屬于A，當(dāng)50くx〈100時(shí)，0〈A（x）〈1，且x越接近100，A（x）越接近1，x屬于A的程度就越高。這樣的表達(dá)方法顯然比簡(jiǎn)單地說(shuō)：“100歲以上的人是年老的，100歲以下的人就不年老。”更為合理。第2章數(shù)據(jù)融合與信息處理專家系統(tǒng)將人類專家的知識(shí)和經(jīng)驗(yàn)以知識(shí)庫(kù)的形式存入計(jì)算機(jī)，并模仿人類專家解決問(wèn)題的推理方式和思維過(guò)程，運(yùn)用人類的知識(shí)和經(jīng)驗(yàn)對(duì)現(xiàn)實(shí)中的問(wèn)題作出判斷和決策。具有采用類似自然語(yǔ)言的方式表達(dá)，易于理解和維護(hù)缺乏自學(xué)習(xí)自我完善能力第2章數(shù)據(jù)融合與信息處理基于知識(shí)的系統(tǒng)將規(guī)則或知名的專家知識(shí)結(jié)合起來(lái)實(shí)現(xiàn)自動(dòng)對(duì)目標(biāo)的識(shí)別。包含以下4個(gè)部分：1）知識(shí)庫(kù)，包括基本事實(shí)、算法和啟發(fā)式規(guī)則等2）一個(gè)大型的包含動(dòng)態(tài)數(shù)據(jù)的全局?jǐn)?shù)據(jù)庫(kù)3）一個(gè)控制結(jié)構(gòu)或推理機(jī)制4）人機(jī)界面第2章數(shù)據(jù)融合與信息處理模糊集理論模糊集理論是將不精確知識(shí)或不確定性邊界的定義引入到數(shù)學(xué)運(yùn)算中來(lái)，它可以方便地將系統(tǒng)狀態(tài)變量映射成控制量、分類或其他類型的輸出數(shù)據(jù)。允許知識(shí)或者身份邊界的不確定性。不累計(jì)所有輸入輸出，而只累計(jì)輸出。第2章數(shù)據(jù)融合與信息處理多傳感器數(shù)據(jù)融合的特點(diǎn)1）加強(qiáng)對(duì)多傳感器的管理。2）針對(duì)多傳感器數(shù)據(jù)融合，建立統(tǒng)一的融合理論和廣義融合模型。3）研究不確定性融合推理方法和容錯(cuò)能力強(qiáng)、實(shí)時(shí)性好的高效融合模型。4）解決數(shù)據(jù)配準(zhǔn)、數(shù)據(jù)預(yù)處理、等問(wèn)題，建立高效性能可靠的數(shù)據(jù)庫(kù)管理系統(tǒng)和檢索推理機(jī)制，利用成熟的輔助技術(shù)，建立面向具體應(yīng)用需求的數(shù)據(jù)融合系統(tǒng)。5）將人工智能技術(shù)引入到數(shù)據(jù)融合領(lǐng)域；利用集成的智能軟計(jì)算方法，提高多傳感器融合的性能。6）利用有關(guān)的先驗(yàn)數(shù)據(jù)提高數(shù)據(jù)融合的性能，研究更加先進(jìn)復(fù)雜的融合方法。7）在多平臺(tái)/單平臺(tái)、多傳感器背景下，建立計(jì)算復(fù)雜度低的數(shù)據(jù)處理模型和算法。8）建立數(shù)據(jù)融合測(cè)試評(píng)估系統(tǒng)和多傳感器管理體系。9）工業(yè)化、商品化、專業(yè)化。第2章數(shù)據(jù)融合與信息處理3分布式自適應(yīng)動(dòng)態(tài)數(shù)據(jù)融合方法3.1測(cè)量模型和方法簡(jiǎn)述3.2測(cè)量數(shù)據(jù)范圍的推導(dǎo)3.3最優(yōu)范圍的確定第2章數(shù)據(jù)融合與信息處理3.1測(cè)量模型和方法簡(jiǎn)述模塊1模塊2模塊3模塊N被測(cè)單元各模塊間相互傳遞測(cè)量數(shù)據(jù)第2章數(shù)據(jù)融合與信息處理本方法的特點(diǎn)融合過(guò)程中考慮了測(cè)量時(shí)間小量誤差對(duì)測(cè)量結(jié)果造成的影響，真正實(shí)現(xiàn)動(dòng)態(tài)融合。綜合考慮了多傳感器中各傳感器測(cè)量精度對(duì)最終融合結(jié)果造