多传感器数据融合五——身份融合
时间:2022-08-29 15:00:00
身份融合可分为三类:原始数据级、特征向量级、决策级。
5.1 身份融合算法分类
基于物理模型、特征推理和理解模型的方法。
- 物理模型
将实测数据与传感器观测模型数据匹配进行身份估计。包括模拟技术和估计技术,kalman虽然有可能使用经典的估计技术来实现目标身份估计,但身份的物理模型很难构建。模拟,估计,kalman,MLE,LS】
- 特征推理
根据身份数据构造身份报告。不采用物理模型,直接在身份数据和身份报告之间进行映射。分为有参技术和无参技术。有参技术包括基于统计原理的经典推理,Bayes推理,D-S无痛技术包括神经网络技术、模板技术、熵法和表决法
- 认识模型
试图模仿人们在识别实体身份时的思维和推理过程,包括逻辑模板技术、基于知识或专家系统的技术和模糊集理论。
5.2 特征及其提取
特征提取方法:
(1)提取距离测量特征
(2)概率测量特征提取
(3)提取散度标准特征
(4)提取量小熵特征
选择特征的方法有:
(1)最优搜索法
(2)次优搜索法
(3)模拟退火算法
(4)遗传算法
5.2.1 图像特征
几何、结构、统计和频谱信息
- 几何特征:边缘形状
- 结构特征:3D特征
- 时域统计特征:平均值、方差、高阶矩等基本元素的数量和概率分布,以及其统计参数。总体上可以加强对目标和图像的理解。
- 频域特征:频率高低、频谱宽度、峰值位置、谱形状等。
- 小波域特征:小波稀疏
5.2.2 信号数据特征
-
时域特征:信号稳定、噪声随机、信噪比等
-
频域特征:傅里叶展开的时域信号稀疏,或FFT形成的频谱形状、平均值等。时域的白噪声在频域表现为均匀频谱,相关性强的噪声在频域表现为低频谱,形状可能是高斯、全极或马尔科夫。
-
复合特性:时频分析表现,小波表达式,Wigner-Villy分布等。
传感器类型 | 信号形式 | 有用特征 |
---|---|---|
激光雷达 | 三维图像 | f_d,大小、三维形状、散射位置、结构 |
毫米波雷达 | 一维图像轮廓或二维偏振图像 | f_d,散射体形状、尺寸、比例、结构 |
红外呈像 | 二维热辐射图像 | 形状、结构、辐射能量、热点数量、内容 |
5.3 身份识别
相似稀疏法,统计识别法,模版法,聚类分析,神经网络或基于知识的识别技术等。
5.4 识别技术概述
5.4.1 相似系数法
1.数学模型
根据目标特征矢量测量两个目标相似度的数学方法。
R X Y = X ? Y X ? X ? X ? Y Y ? Y R_{XY}=\frac{X\cdot Y}{X\cdot X-X\cdot Y Y\cdot Y} RXY=X?X?X?Y Y?/span>YX⋅Y
2.相似性稀疏模型特征
(1) X=Y,则R_xy=1.0;
(2)X=0;Y=0;则R_xy=0;
(3)X≠0;Y=0;则R_xy=0;
(4)X=0;Y≠0;则R_xy=0;
(5)X>0,Y>0;则0.0 3.决策 (1)如果R_xy ->1.0,则x正确被识别为目标Y (2) 如果R_xy->0.0,则X与目标Y不属于同一个目标; (3)如果R_xy->0.5,则不进行决策。
5.4.2 统计模式识别技术
1.Bayesian统计模型的数学表达式
P r ( T k / X i ) = P r ( X i / T k ) P r ( T k ) ∑ P r ( X i / T j ) P r ( T j ) P r ( T k ) − 目 标 T k 的 先 验 概 率 ; P r ( X i / T j ) − 已 知 目 标 是 T j 的 情 况 下 , 目 标 X i 出 现 的 概 率 ; P r ( T k / X i ) − 目 标 T k 出 现 的 后 验 概 率 。 P_r(T_k/X_i)=\frac{P_r(X_i/T_k)P_r(T_k)}{\sum P_r(X_i/T_j)P_r(T_j)} \\ P_r(T_k)-目标T_k的先验概率;\\ P_r(X_i/T_j)-已知目标是T_j的情况下,目标X_i出现的概率;\\ P_r(T_k/X_i)-目标T_k出现的后验概率。 Pr(Tk/Xi)=∑Pr(Xi/Tj)Pr(Tj)Pr(Xi/Tk)Pr(Tk)Pr(Tk)−目标Tk的先验概率;Pr(Xi/Tj)−已知目标是Tj的情况下,目标Xi出现的概率;Pr(Tk/Xi)−目标Tk出现的后验概率。
假设Xi是一个多维正态分布的随机变量,
P r ( X i / T j ) = 1 2 π ∑ j e x p { − 1 2 ( Y j − X i ) T ( ∑ j ) − 1 ( Y j − X i ) } P_r(X_i/T_j)=\frac{1}{2\pi \sum j}exp\{-\frac{1}{2}(Y_j-X_i)^T(\sum j)^{-1}(Y_j-X_i)\} Pr(Xi/Tj)=2π∑j1exp{
−21(Yj−Xi)T(∑j)−1(Yj−Xi)}
2.Bayesian模型的特性
(1)所有的j=1,2,3,…,n,Pr(Tj)≥0
(2)所有的j=1,2,3,…,n,sum {Pr(Ti/Xi)}=1.0.
3.决策规划
(1)概率P(Tj/Xi)最大的Xi属于目标Tj。
(2)其他目标不属于轨迹Tj
4.等价决策
D j ( X i ) = ( Y j − X i ) T ( ∑ j ) − 1 ( Y j − X i ) D_j(X_i)=(Y_j-X_i)^T(\sum j)^{-1}(Y_j-X_i) Dj(Xi)=(Yj−Xi)T(∑j)−1(Yj−Xi)
(1)D最小为Xi为Tj的后验识别
(2)其他目标不属于Tj
5.Bayesian模型的限制
(1)多正态变量不符合实际中的很多问题
(2)目标的先验概率大多未知
(3)目标概率估计在大多数时候是未知的
5.4.3 神经网络技术
1.BP网络模型
三层BP网络
H i 隐 藏 层 H i = 1 1 + e x p ( − S i ) S i = ∑ W i j X j Y i 输 出 层 Y i = e x p ( − S i ) ∑ e x p ( − S k ) S i = ∑ V i j H j H_i \quad 隐藏层 \\ H_i=\frac{1}{1+exp(-S_i)} \\ S_i=\sum W_{ij}X_j \\ Y_i \quad 输出层 \\ Y_i=\frac{exp(-S_i)}{\sum exp(-S_k)} \\ S_i=\sum V_{ij}H_j Hi隐藏层Hi=1+exp(−Si)1Si=∑WijXjYi输出层Yi=∑exp(−Sk)exp(−Si)Si=∑VijHj
2.输出函数特性
(1)Yi≥0
(2)Yi的综合等于1
3.应用
训练相关的方程:
隐 藏 层 : H i = 1 1 + e x p ( − S i ) s i = ∑ W i j X j 输 出 层 : Y i = e x p ( − S i ) ∑ e x p ( − S k ) 输 出 层 误 差 矢 量 : ϵ R i = ( d i − Y i ) Y i ( 1 − Y i ) 隐 藏 层 和 输 出 层 的 加 权 矩 阵 : V i j ( k + 1 ) = V i j ( k ) + N u ϵ R i Y j + c ( V i j ( k ) − V i j ( k − 1 ) ) c − 平 滑 因 子 , N u 学 习 速 率 隐 藏 层 误 差 : ϵ H j = H j ( 1 − H j ) S j S j = ∑ ϵ R i W i j 隐藏层:H_i=\frac{1}{1+exp(-S_i)} \\ s_i=\sum W_{ij}X_j \\ 输出层:Y_i=\frac{exp(-S_i)}{\sum exp(-S_k)} \\ 输出层误差矢量:\epsilon _{Ri}=(d_i-Y_i)Y_i(1-Y_i) \\ 隐藏层和输出层的加权矩阵: V_{ij}(k+1)=V_{ij}(k)+N_u\epsilon _{Ri}Y_j+c(V_{ij}(k)-V_{ij}(k-1)) \\ c-平滑因子,N_u 学习速率\\ 隐藏层误差:\epsilon _{Hj}=H_j(1-H_j)S_j \\ S_j=\sum \epsilon_{Ri}W_{ij} \\ 隐藏层:Hi=1+exp(−Si)1si元器件数据手册、IC替代型号,打造电子元器件IC百科大全!