數(shù)據(jù)融合的關鍵技術(shù)PPT學習教案

1、會計學1數(shù)據(jù)融合的關鍵技術(shù)數(shù)據(jù)融合的關鍵技術(shù)智能信息處理技術(shù)智能信息處理技術(shù)2第1頁/共33頁覆蓋盡可能大的搜索空域覆蓋盡可能大的搜索空域較小的代價，較低的虛警率較小的代價，較低的虛警率較高的發(fā)現(xiàn)率、精度與可信度較高的發(fā)現(xiàn)率、精度與可信度傳感器的選擇傳感器工作模式的選擇傳感器工作優(yōu)化策略第2頁/共33頁傳感器系統(tǒng)中，大部分傳感器不是全傳感器系統(tǒng)中，大部分傳感器不是全向工作向工作 的，并且傳感器之間是非同的，并且傳感器之間是非同步的；步的；第3頁/共33頁多傳感器系統(tǒng)可能由多種多樣的多傳感器系統(tǒng)可能由多種多樣的傳感器組成的，每個傳感器都有傳感器組成的，每個傳感器都有不同的任務，即有不同分工。不同

2、的任務，即有不同分工。如水下無線傳感器網(wǎng)絡，水聽器如水下無線傳感器網(wǎng)絡，水聽器陣列、水聲陣列、水聲modem可能在某一時刻，只需要某些傳感可能在某一時刻，只需要某些傳感器工作，或只需要某些方向上傳感器工作，或只需要某些方向上傳感器工作。器工作。例如，傳感器節(jié)點幾種工作狀態(tài)例如，傳感器節(jié)點幾種工作狀態(tài)根據(jù)事件出現(xiàn)的順序，選用不同的根據(jù)事件出現(xiàn)的順序，選用不同的傳感器組合，按一定的時間順序進傳感器組合，按一定的時間順序進行統(tǒng)一管理。行統(tǒng)一管理。第4頁/共33頁第5頁/共33頁把當前各傳感器的觀測結(jié)果及時提供給融合中心，提供融合計算所需各種其他數(shù)據(jù)。同時也存貯融合處理的最終態(tài)勢/決策分析結(jié)果和中間結(jié)

3、果。第6頁/共33頁第7頁/共33頁第8頁/共33頁第9頁/共33頁第10頁/共33頁在考慮可靠度情況下傳感器測量需要解決的一個關鍵問題：真值和測量值考察一個隨機試驗，在該試驗中n個互不相容的事件A1，A2，An必然會發(fā)生一個，且只能發(fā)生一個，用P（Ai）表示Ai發(fā)生的概率設利用一傳感器對A事件的發(fā)生進行檢測，檢測結(jié)果為B，則Ai為真值，B為測量值第11頁/共33頁顯然有顯然有v后驗知識后驗知識：檢驗后檢驗后事件事件A A1 1，A A2 2，A An n發(fā)生的概率表現(xiàn)為發(fā)生的概率表現(xiàn)為條件概率：條件概率：BAPBAPBAPn、.210BAPi11niiBAPBayes統(tǒng)計理論認為，人們在檢驗

4、前后對某事件的發(fā)生情況的估計是不同的，而且一次檢驗結(jié)果不同對人們的最終估計的影響是不同的。P(A1),P(A2)到 P(An) 表示事件A1,A2到An發(fā)生的概率，這是試驗前的知識稱“先驗知識”由于一次檢驗結(jié)果B的出現(xiàn)，改變了人們對事件A1，A2，An發(fā)生情況的認識，這是試驗后的知識稱為“后驗知識”。第12頁/共33頁Bayes估計是檢驗過程中對先驗知識向后驗知識的不斷修正Bayes公式： 對一組互斥事件Ai，i=1，2，n，在一次測量結(jié)果為B時，Ai發(fā)生的概率（后驗概率）為：其中Ai為對樣本空間的一個劃分，即Ai為互斥事件且 11niiAP niiiiiiiAPABPAPABPBPBAPBA

5、P1利用Bayes統(tǒng)計理論進行測量數(shù)據(jù)融合： 充分利用了測量對象的先驗信息 根據(jù)一次測量結(jié)果對先驗概率到后驗概率的修正第13頁/共33頁15模型特點經(jīng)典概率推理貝葉斯推理缺點用概率模型把觀測數(shù)據(jù)與所有樣本數(shù)據(jù)聯(lián)系起來概率模型通常是基于大量樣本而得到由已知數(shù)據(jù)確定假設事件發(fā)生概率不需要密度函數(shù)主觀概率來自于經(jīng)驗多傳感器推廣到多維數(shù)據(jù)時需要先驗知識和多維概率密度只能同時判決兩種假設事件多變量數(shù)據(jù)使計算復雜性加大沒有利用主觀先驗知識必須要定義先驗概率和似然函數(shù)各假設事件必須互斥不能支持不確定類問題當多事件相關時計算復雜性加大第14頁/共33頁16舉例：舉例：有一病人去醫(yī)院診斷是否患有癌癥，該醫(yī)院檢測

6、方法的漏診率是5%，4%誤診率，并假設在人群中1000人中有5人患癌癥。如果該病人檢測出來是陽性，則他實際患癌癥的概率是多少?) ()()PPPP癥癥癥陽性|患癌患癌患癌|陽性陽性) ()()()PPPPP癥癥癥癥陽性陽性|患癌患癌陽性|無癌無癌)10.050.9(5P 癥檢測率陽性|患癌)0.04(P癥誤診率陽性|無癌)0.05(P癥陰漏診率性|患癌第15頁/共33頁.()0 005P癥患癌)1 0.00505(.99P 癥無癌0.95 0.005)10.7%0.95 0.0050.04 0.995(P癥患癌|陽性如提高檢測率到如提高檢測率到99.99%對結(jié)果的影響較?。▽Y(jié)果的影響較小（1

7、1.2%），但），但對漏診率影響較大，減小了一個數(shù)量級對漏診率影響較大，減小了一個數(shù)量級第16頁/共33頁第17頁/共33頁開始1獲得目標身份說明2計算似然函數(shù)3計算融合概率4 目標識別決策 計算每個傳感器單元對不同目標的身份說明的似然函數(shù)即 獲得每個傳感器單元 輸出的目標身份說明 B1，B2，Bn計算目標身份的融合概率： 目標識別決策（判據(jù)）： mjmjmkBBBAPBBBAP,max,21.2, 121 miimmiBBBPAPABBBPBBBAP,212121第18頁/共33頁03計算目標身份的融合概率： miimmiBBBPAPABBBPBBBAP,212121如果B1，B2，Bn相互

8、獨立，則： imiiimABPABPABPABBBP2121,第19頁/共33頁舉例：舉例：采用兩種設備檢驗某種癌癥，設備1對該癌癥的漏診率為0.1，誤診率為0.25；設備2對該癌癥的漏診率為0.2，誤診率為0.1。已知人群中該癌癥的發(fā)病率為0.05。分析分別利用兩臺設備和同時使用兩臺設備時檢驗結(jié)果的概率。設備1A 患癌癥有該A 癌癥無該11B 癌癥設備 診斷為該11B 癌癥設備 診斷為無該第20頁/共33頁1)(0.1AP B|設備設備1漏診率漏診率1)1 0.9(10.P BA |設備設備1檢測率檢測率5( )0.0AP該癌癥發(fā)病率該癌癥發(fā)病率5( )0.9AP1)2(0. 5AP B|設

9、備設備1誤診率誤診率根據(jù)貝葉斯公式根據(jù)貝葉斯公式1111)0.05 0.9)0.05 0.90.95 0.2515.(2 %(9 9AAAAAAAPP BPBPP BPP B|第21頁/共33頁設備2A 癌癥確有該2B 癌癥設備2診斷為該2)(0.2AP B|2)1 0.8(20.P BA |5( )0.0AP5( )0.9AP2)(0.1AP B|設備設備2漏診率漏診率設備設備2誤診率誤診率2222)0.05 0.8)0.05 0.80.95 0.129.6(9 %(2 6AAAAAAAPP BPBPP BPP B|第22頁/共33頁檢驗結(jié)果的正確率檢驗結(jié)果的正確率)(P癌癥癌癥存在該|診斷

10、為該同時使用兩臺設備A 癌癥確有該11B 癌癥設備 診斷為該2B 癌癥設備2診斷為該5( )0.0AP1)1 0.9(10.P BA |2)1 0.8(20.P BA |5( )0.9AP1)2(0. 5AP B|2)(0.1AP B|12121212212112(,(,(,(,()0.9 0.8 0.050.9 0.8 0.050.25 0.1 0.95(60.25%AAAAAAAAAAAAAAPP B BPB BPP B BPP B BPP BP BPP BP BPP BP BAA|即為診斷為該疾病確為該癌癥的概率即為診斷為該疾病確為該癌癥的概率第23頁/共33頁D-S數(shù)據(jù)融合過程第24頁

11、/共33頁識別框架假設有n個互斥且窮盡的原始子命題存在，這個命題集組成了整個假設事件的空間，我們稱之為識別框架分配概率naaa.,21nnaaaaaaaaaaaa2423213121.,.,.naaa.,21m(a1)m(a1，a2)總命題數(shù) 2n-1不能直接賦概率值的m( )1m如果不是所有概率都能直接分配給各子命題和他們的并時，把剩下的概率都分配給識別框架第25頁/共33頁 稱為 的疑惑度，它代表了證據(jù)反駁命題的程度，既證據(jù)支持反命題的程度所有沒有分配給這個命題的反命題的概率分配值的和，即某些方面支持該命題的和（包括識別框架）為：支持度是直接分配給該命題證據(jù)所對應的概率分配值的和，即該命題

12、與該命題子命題的概率分配值的和為： 不確定區(qū)間基于支持的證據(jù)基于反駁的證據(jù)支持度似然度01)()(cmaSiaci)()(cmaPliaci)(iaS不確定區(qū)間不確定區(qū)間解釋解釋0，1對命題 一無所知0.6，0.6命題 為真的確切概率是0.60.25，0.85證據(jù)同時支持 及其反命題 0.25，1證據(jù)部分支持命題0，0.85證據(jù)部分支持命題 的反命題1，1命題 完全為真0，0命題 完全為假)(iaPliaiaiaiaiaiaiaiaia)(iaSia)(-1)(iiaSaPl第26頁/共33頁命題命題支持度支持度S(ai)似然度似然度1-S( )不確定區(qū)間不確定區(qū)間0.4（給定） =0.80.

13、4，0.80.2（給定） =0.60.2，0.6 =0.7 =10.7，1 =11，1舉例：舉例：某一時刻可能有三種類型的目標a1、a2、a3被傳感器A探測到，A的識別框架為：321,aaa則a1的反命題為：321,aaa 假設傳感器A分配給各命題 和 的概率分配值為：2111,aaaa) 1 . 0 , 3 . 0 , 2 . 04 . 0(),(2111，aaaamAia1a1a21aa )()(211aamam)(S)(11aS)(11aS)(1 S211aaS第27頁/共33頁例例2：假設存在四個目標：a1=我方類型為1的目標 a3=敵方類型為1的目標a2=我方類型為2 的目標 a4=

14、敵方類型為2的目標傳感器A對目標類型的直接分配為：4 . 0)(6 . 031AAAmaamm這里 對應著傳感器A在判斷目標類型屬于1時，由不知道引起的不確定性)(Am傳感器B對目標類型的直接分配為：3 . 0)(7 . 043BBBmaamm這里 對應著傳感器B在判斷目標屬于敵方時由不知道所引起的不確定性)(Bm第28頁/共33頁在用Dempster融合規(guī)則時，首先形成一個矩陣，矩陣中的每個元素是相應命題的概率分配值，矩陣的第一列和最后一行就是被融合的那些相應命題的概率分配值。4 .0)(Am6 .031 aamA3 .0)(Bm7 .043 aamB28. 043 aam18.031 aa

15、m12. 0)(m42.03am12.0)()()(BAmmm18.031313aamaamamBA18.0)(3131aammaamAB28. 0)(4343ABmaamaam其中：第29頁/共33頁由于實際情況下因此由交命題計算得到其中 如果碰到交命題為空的情況，那么該交命題所對應的概率分配值應為0，其他非空的交命題所對應的概率分配值應該乘以一個因子K，使得它們的和為1。1)()(immi0)(m0)(m1)(imi1)(imKi理論交命題的和實際交命題和修正交命題的和為了使 添加系數(shù)K使得1)(imi第30頁/共33頁例例3： 為了說明所有非空交命題是怎樣被一因子線性放大的，假設例2中的傳感器B能夠識別目標2和目標4,而不是上