多傳感器信息融合考點總結(jié)

考點1：多傳感器數(shù)據(jù)融合的定義、目的和實質(zhì)考點2：多傳感器數(shù)據(jù)融合過程考點3：JDL功能模型的級別、功能考點4：數(shù)據(jù)融合的三個層次以及優(yōu)缺點考點5：數(shù)據(jù)融合方法的結(jié)構(gòu)以及優(yōu)缺點考點6：多傳感器數(shù)據(jù)融合技術(shù)存在的局限性考點7：多源信息融合的檢測、狀態(tài)和屬性融合的工作原理及其優(yōu)缺點考點8：多傳感器目標檢測的融合結(jié)構(gòu)及各自的優(yōu)缺點考點9：分布式融合檢測系統(tǒng)二元假設檢驗問題考點10：分布式檢測融合系統(tǒng)常見的結(jié)構(gòu)考點11：分布式檢測融合系統(tǒng)常見的融合策略。它們的檢測概率和虛警概率公式和判決準則公式考點12：多傳感器數(shù)據(jù)融合常用算法、基本原理、優(yōu)缺點考點13：數(shù)據(jù)關(guān)聯(lián)的步驟考點14:卡爾曼濾波算法的5條核心公式及其含義考點15：基于貝葉斯統(tǒng)計理論的屬性融合識別過程考點16：模糊集合與隸屬函數(shù)的定義考點17：模糊推理綜合評價的步驟和作用考點18：從功能上看，模糊推理系統(tǒng)的組成和作用數(shù)據(jù)融合的目的一傳感器的局限性。數(shù)據(jù)融合的定義最后對目標進行完整精確評價。列獲得多傳感器的觀測數(shù)據(jù)，在一定準則下進行分析、綜合、支配和使用。獲得各個組成部分更為充分的信息。分析和綜合，可以獲得被測對象及其性質(zhì)的最佳一致估計。數(shù)據(jù)融合的過程聯(lián)、相關(guān)、估計、分類與信息反饋等處理。配準：將傳感器數(shù)據(jù)統(tǒng)一到同一時間和空間參考系中關(guān)聯(lián)的候選配對相關(guān)：對關(guān)聯(lián)后的數(shù)據(jù)進行處理以確定它們是否屬于同一個目標估計對目標的未來狀態(tài)預測分類：通過對特征數(shù)據(jù)的分析，確定目標的類型等JDL功能模型的級別、功能JDL模型是美國國防部數(shù)據(jù)融合聯(lián)合指揮實驗室提出的，分為四級。第一級：目標評估，包括數(shù)據(jù)配準、數(shù)據(jù)關(guān)聯(lián)、目標位置參數(shù)及運動學和屬性參數(shù)估計，以及身份估計等。第二級:態(tài)勢評估，是對整個態(tài)勢的抽象和評定。分析在各種態(tài)勢下的數(shù)據(jù)，包括天氣、地形、海況、水下情況、敵情或社會政治因素等。響進行評估。如實例估計、預測敵方意圖、威脅識別、多方面分析、進攻與防御分析。第四級：過程評估，它是一個更高級的處理階段，包括融合性能效果評價、融合控制、對特殊信息源要求的處理和任務管理。數(shù)據(jù)融合的三個層次以及優(yōu)缺點：處理過程每個傳感器先基于自己的數(shù)據(jù)做出決策，然后由融合中心完成局部決策。優(yōu)點：通信量小、抗干擾能力強、融合中心處理代價低。每個傳感器先抽象出自己的特征向量，然后由融合中心完成融合處理。優(yōu)點：進行了數(shù)據(jù)壓縮、對通信帶寬的要求低、利于實時處理。缺點：有信息損失、融合性能降低直接對傳感器的觀測數(shù)據(jù)及預處理各階段產(chǎn)生的信息進行融合處理，然后基于融合后的結(jié)果進行特征提取和判斷決策。缺點：代價高、要求傳感器是同質(zhì)的、數(shù)據(jù)通信量大、抗干擾能力差、處理的數(shù)據(jù)量大。數(shù)據(jù)融合方法的結(jié)構(gòu)以及優(yōu)缺點集中式融合結(jié)構(gòu)：將檢測數(shù)據(jù)傳遞到融合中心，然后進行數(shù)據(jù)對準、點跡相關(guān)、數(shù)據(jù)互聯(lián)、航跡濾波、預測與綜合跟蹤等。優(yōu)點：信息損失量最小缺點：互聯(lián)比較困難。并且要求系統(tǒng)必須具備大容量的存儲能力，計算負擔重，系統(tǒng)生存能力較差分布式融合結(jié)構(gòu)處理器產(chǎn)生局部決策結(jié)論，然后將處理過的信息送至融合中心，完成綜合決策，形成全局估計。優(yōu)點：計算量小，易實現(xiàn)，系統(tǒng)生存能力強缺點：信息損失量大混合式融合結(jié)構(gòu)：集中式混合與分布式融合相結(jié)合優(yōu)點：適合復雜度高、難度大的大系統(tǒng)，可擴充性一般缺點：在通信和計算上要付出昂貴的代價多級式融合結(jié)構(gòu)：中心，系統(tǒng)的融合節(jié)點再次對各局部節(jié)點傳來的航跡進行相關(guān)和合成。優(yōu)點：信息損失中等，融合難度中等缺點：系統(tǒng)結(jié)構(gòu)復雜，實現(xiàn)難度高，成本高多傳感器數(shù)據(jù)融合技術(shù)存在的局限性1.數(shù)據(jù)融合處理不可能修正預處理或單個傳感器處理時的錯誤。2.數(shù)據(jù)融合過程中希望用一種簡單的方式來描述傳感器性能，而用模型來準確描述傳感器的性能是非常困難的。3.由于數(shù)據(jù)來源不同，一種單一的融合算法可能很難實現(xiàn)預想的融合效果，往往需要綜合各門學科的多種技術(shù)。對于給定的數(shù)據(jù)如何選擇合適的算法來進行有效的信息融合是數(shù)據(jù)融合技術(shù)發(fā)展所面臨的挑戰(zhàn)。4.并未形成基本的理論框架和有效的廣義融合模型及算法，絕大部分工作都是圍繞特定應用領(lǐng)域內(nèi)的具體問題來展開的。5.缺乏對數(shù)據(jù)融合技術(shù)和數(shù)據(jù)融合系統(tǒng)性能進行評估的手段。如何建立評價機制，對數(shù)據(jù)融合系統(tǒng)進行綜合分析，對數(shù)據(jù)融合算法和系統(tǒng)性能進行客觀準確的評價，是亟待解決的問題。多源信息融合的檢測、狀態(tài)和屬性融合的工作原理及其優(yōu)缺點多傳感器檢測融合統(tǒng)的可靠性、改善檢測性能、更加實用狀態(tài)融合目標位置或運動狀態(tài)的過程中，包含兩類基本處理，狀態(tài)估計和數(shù)據(jù)關(guān)聯(lián)技術(shù)多源屬性融合：是利用多傳感器檢測信息對目標的屬性、類型進行判斷多傳感器目標檢測的融合結(jié)構(gòu)及各自的優(yōu)缺點集中式檢測融合優(yōu)點：融合中心數(shù)據(jù)全面；最終判決結(jié)果理論置信度高缺點：數(shù)據(jù)量大，通信帶寬要求高；信息處理時間長；融合中心負荷大分布式檢測融合優(yōu)點：數(shù)據(jù)傳輸量小，通信帶寬要求低；分布式計算，融合效率高；融合中心負荷小缺點：缺乏相互之間的關(guān)聯(lián)；數(shù)據(jù)損失大分布式融合檢測系統(tǒng)二元假設檢驗問題y假設分布式并行檢測融合系統(tǒng)由融合中心及N基于自己的觀測值Yi完成同一個決策任務，之后將決策值Ui傳送到融合中心。U0分布式檢測融合系統(tǒng)常見的結(jié)構(gòu)并行結(jié)構(gòu)、分散結(jié)構(gòu)、串行結(jié)構(gòu)、樹形結(jié)構(gòu)分布式檢測融合系統(tǒng)常見的融合策略；它們的檢測概率和虛警概率公式和判決準則公式“與”融合檢測準則“或”融合檢測準則表決融合檢測準則最大后驗概率融合檢測準則Neyman-pearson融合檢測準則貝葉斯融合檢測準則最小誤差概率準則【表決融合檢測準則】【最大后驗概率融合檢測準則】【Neyman-pearson融合檢測準則】【貝葉斯融合檢測準則】【最小誤差概率準則】內(nèi)容。把人類專家對特定的被控對象或過程的控制策略總結(jié)成一系列以“IF(條件)THEN(作用)”形式表示的控制規(guī)則，通過模糊推理得到控制作用集，作用于被控對象或過程?？刂谱饔眉癁橐唤M條件語句,狀態(tài)語句和控制作用均為一組被量化了的模糊語言集，如“正大”、“負大”、“正小”、“負小”、零等。利用控制法則來描述系統(tǒng)變量間的關(guān)系。完整的數(shù)學模式。模糊控制器是一語言控制器，使得操作人員易于使用自然語言進行人機對話。及強健性(Robustness)、較佳的容錯性(FaultTolerance)。[3]復雜系統(tǒng)以如何建立一套系統(tǒng)的模糊控制理論統(tǒng)化設計方法等一系列問題；2.如何獲得模糊規(guī)則及隸屬函數(shù)世紀初完全憑經(jīng)驗進行；實時控制；4.如何保證模糊控制系統(tǒng)的穩(wěn)定性即如何解決模糊控制中關(guān)于穩(wěn)定性和魯棒性問題。NeuralNetworks，簡寫為ANNs）也簡稱變突觸權(quán)重值過設計者原有的知識水平隨系統(tǒng)所處環(huán)境（即輸入信號情況）而異，系統(tǒng)可以自動發(fā)現(xiàn)環(huán)境特征和規(guī)律性，具有更近似人腦的功能。學習規(guī)則簡單，便于計算機實現(xiàn)。具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力，因此有很大的應用市場。可以充分逼近任意復雜的非線性關(guān)系；和容錯性；采用并行分布處理方法，使得快速進行大量運算成為可能；可學習和自適應不知道或不確定的系統(tǒng)；能夠同時處理定量、定性知識。缺點：最嚴重的問題是沒能力來解釋自己的推理過程和推理依據(jù)。作。信息。理論和學習算法還有待于進一步完善和提高。D-s證據(jù)理論稱為Dempster/Shafer證據(jù)理論(D-S于專家系統(tǒng)貝葉斯證據(jù)理論中，由互不相容的基本命題（假定）組成的完正確的。該框架的子集稱為命題。分配給各命題的信任程度稱為基本概率分配（BPA，也稱mA的信度大小。信任函數(shù)A的信任程度，似然函數(shù)Pl(A)表示對命題A非假的信任程AA的不確定區(qū)間，[0,Bel(A)]表示命題A支持證據(jù)區(qū)間，[0,Pl(A)]表示命題A的擬信區(qū)間，[Pl(A),1]表示命題Am1和m2是由兩個獨立的證據(jù)源（傳感器）導出的基本概率分配函數(shù)，則Dempster組合規(guī)則可以計算這兩個證據(jù)共同作用產(chǎn)生的反映融合信息的新的基本概率分配函數(shù)。理論是對貝葉斯推理方法推廣，主要是利用概率論中貝葉斯條件概率D-S地表示“不確定”，被廣泛用來處理不確定數(shù)據(jù)缺點：無法解決證據(jù)沖突嚴重和完全沖突的情況難以辨識模糊程度基本概率分配函數(shù)的微小變化會使組合結(jié)果產(chǎn)生急劇變化貝葉斯理論通常，事件A在事件B(發(fā)生)的條件下的概率，與事件B在事件A的條件下的概貝葉斯公式（發(fā)表于1763年）為：P(H[i]|A)=P(H[i])*P(A│H[i])/{P(H[1])*P(A│H[1])+P(H[2])*P(A│H[2])+…+P(H[n])*P(A│H[n])}P(A│H[1])為擊中率，P(A│H[2])為誤報率[1][2]它能對調(diào)查結(jié)果的可能性加以數(shù)量化的評價,而不是像一般的決策方法那樣,對調(diào)查結(jié)果或者是完全相信,或者是完全不相信.以相信的,那么貝葉斯決策則巧妙地將這兩種信息有機地結(jié)合起來了.學.盾就更為突出.（2）有些數(shù)據(jù)必須使用主觀概率,有些人不太相信,這也妨礙了貝葉斯決策方法的推廣使用.數(shù)據(jù)關(guān)聯(lián)一共六個步驟過濾；計算關(guān)聯(lián)矩陣；分配邏輯卡爾曼濾波公式是k，根據(jù)系統(tǒng)的模型，可以基于系統(tǒng)的上一狀態(tài)而預測出現(xiàn)在狀態(tài)：X(k|k-1)=AX(k-1|k-1)+BU(k)………..(1)式(1)中，X(k|k-1)是利用上一狀態(tài)預測的結(jié)果，X(k-1|k-1)是上一狀態(tài)最優(yōu)的結(jié)果，U(k)為現(xiàn)在狀態(tài)的控制量，如果沒有控制量，它可以為0。X(k|k-1)的covariance還沒更新。我們用P表示covariance：P(k|k-1)=AP(k-1|k-1)A’+Q………(2)式(2)中，P(k|k-1)是X(k|k-1)對應的covariance，P(k-1|k-1)是X(k-1|k-1)對應的A是系統(tǒng)過程的covariance。式子1，2就是卡爾曼濾波器5個公式當中的前兩個，也就是對系統(tǒng)的預測。測值和測量值，我們可以得到現(xiàn)在狀態(tài)(k)的最優(yōu)化估算值X(k|k)：X(k|k)=X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))………(3)其中Kg為卡爾曼增益(KalmanGain)：Kg(k)=P(k|k-1)H’/(HP(k|k-1)H’+R)………(4)到現(xiàn)在為止，我們已經(jīng)得到了k狀態(tài)下最優(yōu)的估算值X(k|k)。但是為了要另卡爾曼濾波器不斷的運行下去直到系統(tǒng)過程結(jié)束，我們還要更新k狀態(tài)下X(k|k)的covariance：P(k|k)=（I-Kg(k)H）P(k|k-1)………(5)其中I為1k+1就是式子(2)的P(k-1|k-1)。這樣，算法就可以自回歸的運算下去。和5就是他的5個基本公式。根據(jù)這5個公式，可以很容易的實現(xiàn)計算機的程序。基于貝葉斯統(tǒng)計理論的屬性融合識別過程計算一：計算二：模糊集合與隸屬函數(shù)的定義:如果X是對象x的集合，則將X的模糊集合