多傳感器數(shù)據(jù)融合PPT課件

1、本節(jié)內(nèi)容本節(jié)內(nèi)容多傳感器問題的引入多傳感器問題的引入1數(shù)據(jù)融合的定義數(shù)據(jù)融合的定義2數(shù)據(jù)融合的應(yīng)用數(shù)據(jù)融合的應(yīng)用3數(shù)據(jù)融合技術(shù)發(fā)展數(shù)據(jù)融合技術(shù)發(fā)展4第1頁/共139頁多傳感器問題的引入多傳感器問題的引入非關(guān)聯(lián)測試項(xiàng)目非關(guān)聯(lián)測試項(xiàng)目測量不同目標(biāo)或?qū)ν荒繕?biāo)的不同參數(shù)進(jìn)行獨(dú)立測量。多傳感器多傳感器測試系統(tǒng)測試系統(tǒng)關(guān)聯(lián)的測試項(xiàng)目關(guān)聯(lián)的測試項(xiàng)目利用多個傳感器對同一目標(biāo)的相同或不同項(xiàng)目進(jìn)行測量，綜合測量結(jié)果用于分析目標(biāo)特性。第2頁/共139頁當(dāng)檢測對象為多目標(biāo)或快速機(jī)動目標(biāo)時，單一傳感器測量困難。復(fù)雜的電磁環(huán)境使檢測的目標(biāo)信號淹沒在大量噪聲及不相關(guān)信號與雜波中。當(dāng)單一傳感器失效或傳感器的可靠性有待提高時

2、采用多傳感器系統(tǒng)。多傳感器問題的引入多傳感器問題的引入環(huán)境復(fù)雜目標(biāo)復(fù)雜可靠性為什么要采用多個傳感器測量同一目標(biāo)參數(shù)？為什么要采用多個傳感器測量同一目標(biāo)參數(shù)？第3頁/共139頁數(shù)據(jù)融合的定義數(shù)據(jù)融合的定義 功能定義： 將來自多個傳感器和信息源的數(shù)據(jù)和信息加以聯(lián)合、相關(guān)、組合，以獲得對目標(biāo)精確的位置估計(jì)、身份估計(jì)、以及對戰(zhàn)場情況和威脅及其重要程度進(jìn)行適時的完整評價。 該定義的重點(diǎn)：該定義是軍事應(yīng)用方面的功能性定義；多個傳感器對同一目標(biāo)進(jìn)行測量；重點(diǎn)是融合：聯(lián)合、相關(guān)、組合；目的：狀態(tài)估計(jì)、身份估計(jì)、態(tài)勢估計(jì)、威脅估計(jì)。 第4頁/共139頁數(shù)據(jù)融合的定義數(shù)據(jù)融合的定義 技術(shù)定義： 充分利用不同時間與

3、空間的多傳感器數(shù)據(jù)資源，采用計(jì)算機(jī)技術(shù)按時間序列獲得多傳感器的觀測數(shù)據(jù)，在一定準(zhǔn)則下進(jìn)行分析、綜合、支配和使用。獲得對被測對象的一致性解釋與描述，進(jìn)而實(shí)現(xiàn)相應(yīng)的決策和估計(jì)，使系統(tǒng)獲得比它各組成部分更為充分的信息。 該定義的重點(diǎn)：方法：分析、綜合、支配、使用；目的：一致性解釋與描述、更為充分的信息。 第5頁/共139頁數(shù)據(jù)融合技術(shù)的應(yīng)用數(shù)據(jù)融合技術(shù)的應(yīng)用多傳感器多傳感器數(shù)據(jù)融合數(shù)據(jù)融合航跡預(yù)測航跡預(yù)測身份識別身份識別威脅估計(jì)威脅估計(jì)測試技術(shù)測試技術(shù)多光譜圖像多光譜圖像車輛識別車輛識別第6頁/共139頁數(shù)據(jù)融合技術(shù)發(fā)展數(shù)據(jù)融合技術(shù)發(fā)展目前1995年海灣戰(zhàn)爭海灣戰(zhàn)爭20世紀(jì)世紀(jì)70年代年代第7頁/共

4、139頁第8頁/共139頁多傳感器數(shù)據(jù)融合技多傳感器數(shù)據(jù)融合技術(shù)術(shù)數(shù)據(jù)融合的基本原理第9頁/共139頁本節(jié)內(nèi)容本節(jié)內(nèi)容數(shù)據(jù)融合處理的一般過程數(shù)據(jù)融合處理的一般過程1多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)2數(shù)據(jù)融合的常用算法數(shù)據(jù)融合的常用算法3第10頁/共139頁數(shù)據(jù)融合處理的一般過程數(shù)據(jù)融合處理的一般過程第11頁/共139頁多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)1目標(biāo)狀態(tài)估計(jì)目標(biāo)狀態(tài)估計(jì)集中式數(shù)據(jù)融合結(jié)構(gòu)集中式數(shù)據(jù)融合結(jié)構(gòu)分布式數(shù)據(jù)融合結(jié)構(gòu)分布式數(shù)據(jù)融合結(jié)構(gòu)綜合式數(shù)據(jù)融合結(jié)構(gòu)綜合式數(shù)據(jù)融合結(jié)構(gòu)2目標(biāo)身份估計(jì)目標(biāo)身份估計(jì)數(shù)據(jù)級數(shù)據(jù)融合結(jié)構(gòu)數(shù)據(jù)級數(shù)據(jù)融合結(jié)構(gòu)特征級數(shù)據(jù)融合結(jié)構(gòu)特

5、征級數(shù)據(jù)融合結(jié)構(gòu)決策級數(shù)據(jù)融合結(jié)構(gòu)決策級數(shù)據(jù)融合結(jié)構(gòu)第12頁/共139頁多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)目標(biāo)狀態(tài)估計(jì)目標(biāo)狀態(tài)估計(jì)集中式數(shù)據(jù)融合結(jié)構(gòu)集中式數(shù)據(jù)融合結(jié)構(gòu)第13頁/共139頁多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)目標(biāo)狀態(tài)估計(jì)目標(biāo)狀態(tài)估計(jì)分布式數(shù)據(jù)融合結(jié)構(gòu)分布式數(shù)據(jù)融合結(jié)構(gòu)第14頁/共139頁多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)目標(biāo)身份估計(jì)目標(biāo)身份估計(jì)數(shù)據(jù)級數(shù)據(jù)融合結(jié)構(gòu)數(shù)據(jù)級數(shù)據(jù)融合結(jié)構(gòu)第15頁/共139頁多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)目標(biāo)身份估計(jì)目標(biāo)身份估計(jì)特征級數(shù)據(jù)融合結(jié)構(gòu)特征級數(shù)據(jù)融合結(jié)構(gòu)第16頁/共139頁多傳感器數(shù)據(jù)融合

6、體系結(jié)構(gòu)多傳感器數(shù)據(jù)融合體系結(jié)構(gòu)目標(biāo)身份估計(jì)目標(biāo)身份估計(jì)決策級數(shù)據(jù)融合結(jié)構(gòu)決策級數(shù)據(jù)融合結(jié)構(gòu)第17頁/共139頁 數(shù)據(jù)融合的常用算法數(shù)據(jù)融合的常用算法人工人工智能智能假設(shè)假設(shè)檢驗(yàn)法檢驗(yàn)法Bayes估計(jì)法估計(jì)法聚類聚類分析分析模式模式識別識別數(shù)據(jù)融合算法數(shù)據(jù)融合算法按技術(shù)原理分類按技術(shù)原理分類濾波濾波跟蹤跟蹤第18頁/共139頁數(shù)據(jù)融合的常用算法數(shù)據(jù)融合的常用算法傳感器輸出不可能傳感器輸出不可能包含被測量全部、完整的信息包含被測量全部、完整的信息第19頁/共139頁數(shù)據(jù)融合的常用算法數(shù)據(jù)融合的常用算法 經(jīng)典統(tǒng)計(jì)理論： 將被測參數(shù)看做一個固定值，沒有充分利用其先驗(yàn)信息； 精度和信度是預(yù)定的，不依賴

7、于樣本。 Bayes估計(jì)理論： Bayes方法具有嚴(yán)格的理論基礎(chǔ)，應(yīng)用廣泛； 采用歸推理的方法對多源信息進(jìn)行有效地融合； 充分利用了測量對象的先驗(yàn)信息。第20頁/共139頁數(shù)據(jù)融合的常用算法數(shù)據(jù)融合的常用算法 濾波跟蹤型數(shù)據(jù)融合算法： 利用數(shù)字濾波方法根據(jù)測量值估計(jì)被測量真值； 利用當(dāng)前和歷史測量數(shù)據(jù)估計(jì)目標(biāo)未來狀態(tài)。 神經(jīng)網(wǎng)絡(luò)方法： 是一種規(guī)則透明的非線性映射方法； 信息存儲于網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)值； 增強(qiáng)了信息處理的容錯性； 具有自組織和自學(xué)習(xí)能力。第21頁/共139頁第22頁/共139頁多傳感器數(shù)據(jù)融合技多傳感器數(shù)據(jù)融合技術(shù)術(shù)基于Bayes估計(jì)的數(shù)據(jù)融合方法及應(yīng)用第23頁/共139頁本節(jié)內(nèi)容

8、本節(jié)內(nèi)容Bayes統(tǒng)計(jì)理論統(tǒng)計(jì)理論1基于基于Bayes估計(jì)的身份識別方法估計(jì)的身份識別方法2基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合3第24頁/共139頁Bayes統(tǒng)計(jì)理論統(tǒng)計(jì)理論 基于經(jīng)典統(tǒng)計(jì)方法的多傳感器數(shù)據(jù)處理。 經(jīng)典統(tǒng)計(jì)理論的兩個特征： 不采用先驗(yàn)概率； 概率是一種類似頻數(shù)的解釋。 經(jīng)典統(tǒng)計(jì)理論的基本原理：小概率原理。 經(jīng)典統(tǒng)計(jì)理論的不足： 將被測參數(shù)看做一個固定值，沒有充分利用其先驗(yàn)信息； 精度和信度是預(yù)定的，不依賴于樣本。第25頁/共139頁Bayes統(tǒng)計(jì)理論統(tǒng)計(jì)理論 niiAP11 在考慮可靠度情況下傳感器測量需要解決的一個關(guān)鍵問題：真值和測量值。 考察

9、一個隨機(jī)試驗(yàn)，在該試驗(yàn)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，則有：v設(shè)利用一傳感器對設(shè)利用一傳感器對A A事件的發(fā)生進(jìn)行檢測，檢測事件的發(fā)生進(jìn)行檢測，檢測結(jié)果為結(jié)果為B B，則，則A Ai i為真值，為真值，B B為測量值。為測量值。第26頁/共139頁Bayes統(tǒng)計(jì)理論統(tǒng)計(jì)理論v先驗(yàn)知識：先驗(yàn)知識：P(AP(A1 1) ) 、 P(AP(A2 2) ) 、 P(AP(An n) ) 表示事件表示事件A A1 1，A A2 2，A An n發(fā)生的概率，這是試驗(yàn)前的知識稱發(fā)生的概率，這是試驗(yàn)前的知識稱為為“先驗(yàn)知識先驗(yàn)知識”。vBay

10、es統(tǒng)計(jì)理論認(rèn)為，人們在檢驗(yàn)前后對某事統(tǒng)計(jì)理論認(rèn)為，人們在檢驗(yàn)前后對某事件的發(fā)生情況的估計(jì)是不同，而且一次檢驗(yàn)結(jié)件的發(fā)生情況的估計(jì)是不同，而且一次檢驗(yàn)結(jié)果不同對人們的最終估計(jì)的影響是不同的果不同對人們的最終估計(jì)的影響是不同的。第27頁/共139頁Bayes統(tǒng)計(jì)理論統(tǒng)計(jì)理論v后驗(yàn)知識：后驗(yàn)知識：由于一次檢驗(yàn)結(jié)果由于一次檢驗(yàn)結(jié)果B B的出現(xiàn)，改變了人們對的出現(xiàn)，改變了人們對事事件件A A1 1，A A2 2，A An n發(fā)生情況的認(rèn)識，這是試驗(yàn)發(fā)生情況的認(rèn)識，這是試驗(yàn)后的知識稱為后的知識稱為“后驗(yàn)知識后驗(yàn)知識”。檢驗(yàn)后檢驗(yàn)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

11、表現(xiàn)為條件概率：條件概率：顯然有：顯然有：BAPBAPBAPn、.210BAPi11niiBAP第28頁/共139頁Bayes統(tǒng)計(jì)理論統(tǒng)計(jì)理論 BPABPBAP Bayes估計(jì)是檢驗(yàn)過程中對先驗(yàn)知識向后驗(yàn)知識的不斷修正。 條件概率公式： BPBAPABP或或v全概率概率公式：全概率概率公式： niiiAPABPBP1其中其中Ai為對樣本空間的一個劃分，即為對樣本空間的一個劃分，即Ai為互斥事件且為互斥事件且 11niiAP第29頁/共139頁Bayes統(tǒng)計(jì)理論統(tǒng)計(jì)理論 niiiiiiiAPABPAPABPBPBAPBAP1 Bayes公式： 對一組互斥事件Ai，i=1，2，n，在一次測量結(jié)果為

12、B時，Ai發(fā)生的概率為：v利用利用Bayes統(tǒng)計(jì)理論進(jìn)行測量數(shù)據(jù)融合：統(tǒng)計(jì)理論進(jìn)行測量數(shù)據(jù)融合：充分利用了測量對象的先驗(yàn)信息。是根據(jù)一次測量結(jié)果對先驗(yàn)概率到后驗(yàn)概率的修正。第30頁/共139頁基于基于Bayes估計(jì)的身份識別方法估計(jì)的身份識別方法 假設(shè)由n個傳感器對一未知目標(biāo)參數(shù)進(jìn)行測量，每一傳感器根據(jù)測量結(jié)果利用一定算法給出一個關(guān)于目標(biāo)的身份說明。設(shè)A1，A2，An為n個互斥的窮舉目標(biāo)，Bi為第j個傳感器給出的目標(biāo)身份說明，且Ai滿足： niiAP11則：則： niiiiiiiAPABPAPABPBPBAPBAP1第31頁/共139頁基于基于Bayes估計(jì)的身份識別方法估計(jì)的身份識別方法基于

13、Bayes統(tǒng)計(jì)的目標(biāo)識別融合模型第32頁/共139頁基于基于Bayes估計(jì)的身份識別方法估計(jì)的身份識別方法基于Bayes統(tǒng)計(jì)的目標(biāo)識別融合的一般步驟：獲得每個傳感器單元輸出的目標(biāo)身份說明B1，B2，Bn； 計(jì)算每個傳感器單元對不同目標(biāo)的身份說明的不確定性即 ；i=1,2,n第33頁/共139頁基于基于Bayes估計(jì)的身份識別方法估計(jì)的身份識別方法基于Bayes統(tǒng)計(jì)的目標(biāo)識別融合的一般步驟： 計(jì)算目標(biāo)身份的融合概率：如果B1，B2，Bn相互獨(dú)立，則：miimmiBBBPAPABBBPBBBAP,212121 imiiimABPABPABPABBBP2121,第34頁/共139頁基于基于Bayes

14、估計(jì)的身份識別方法估計(jì)的身份識別方法基于Bayes統(tǒng)計(jì)的目標(biāo)識別融合的一般步驟： 目標(biāo)識別決策（判據(jù)）：mjmjmkBBBAPBBBAP,max,21, 2, 121第35頁/共139頁基于基于Bayes估計(jì)的身份識別方法估計(jì)的身份識別方法舉例計(jì)算某醫(yī)院采用以下兩種設(shè)備檢驗(yàn)?zāi)撤N疾病，設(shè)備1對該疾病的漏診率為0.1，誤診率為0.25；設(shè)備2對該疾病的漏診率為0.2，誤診率為0.1。已知人群中該疾病的發(fā)病率為0.05。分析分別利用兩臺設(shè)備和同時使用兩臺設(shè)備時檢驗(yàn)結(jié)果的概率。第36頁/共139頁基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合方法思路傳感器傳感器A傳感器傳感器C傳感

15、器傳感器B融合結(jié)果融合融合算法算法關(guān)關(guān) 系系矩矩 陣陣置置 信信距距 離離矩矩 陣陣最佳最佳融合融合數(shù)數(shù)數(shù)數(shù) 據(jù)據(jù)選選 擇擇第37頁/共139頁基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合基本理論和方法置信距離和置信距離矩陣v利用多個傳感器測量某參數(shù)的過程中有兩個利用多個傳感器測量某參數(shù)的過程中有兩個隨機(jī)變量，一是被測參數(shù)隨機(jī)變量，一是被測參數(shù)，二是每個傳感，二是每個傳感器的輸出器的輸出X Xi i，i=1i=1，2 2，m m。一般認(rèn)為它們。一般認(rèn)為它們服從正態(tài)分布，用服從正態(tài)分布，用x xi i表示第表示第i i個測量值的一次個測量值的一次測量輸出，它是隨機(jī)變量測量輸

16、出，它是隨機(jī)變量X Xi i的一次取樣。的一次取樣。v設(shè)：設(shè)：2200,kkNXN第38頁/共139頁基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合基本理論和方法置信距離和置信距離矩陣v為對傳感器輸出數(shù)據(jù)進(jìn)行選擇，必須對其可為對傳感器輸出數(shù)據(jù)進(jìn)行選擇，必須對其可靠性進(jìn)行估計(jì)，為此定義各數(shù)據(jù)間的置信距靠性進(jìn)行估計(jì)，為此定義各數(shù)據(jù)間的置信距離。離。v用用X Xi i、X Xj j表示第表示第i i個和第個和第j j個傳感器的輸出，個傳感器的輸出，則其一次讀數(shù)則其一次讀數(shù)x xi i和和x xj j之間的置信距離定義為：之間的置信距離定義為：ijjixxjjjixxiiijdxx

17、xpddxxxpd22第39頁/共139頁基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合基本理論和方法置信距離和置信距離矩陣v若若X Xi i、X Xj j服從正態(tài)分布，則上式中：服從正態(tài)分布，則上式中：2221exp2121exp21jjjjjiiiiixxxxpxxxxp故可知：故可知：v當(dāng)當(dāng) 時，時，v當(dāng)當(dāng) 時，時，jixx 0jiijddijjixxxx或1jiijdd第40頁/共139頁基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合基本理論和方法置信距離和置信距離矩陣mjidij，, 21,v置信距離矩陣：對置信距離矩陣：對m m個傳感器的一次

18、測量數(shù)據(jù)，個傳感器的一次測量數(shù)據(jù)，利用上述方法可以分別計(jì)算任意兩個傳感器利用上述方法可以分別計(jì)算任意兩個傳感器數(shù)據(jù)之間的置信距離數(shù)據(jù)之間的置信距離得到一個得到一個 m X m m X m 矩陣。矩陣。mmmmmmmdddddddddD212222111211第41頁/共139頁基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合基本理論和方法關(guān)系矩陣和數(shù)據(jù)選擇v根據(jù)具體問題選擇合適的臨界值根據(jù)具體問題選擇合適的臨界值 由由 對數(shù)對數(shù)據(jù)的可靠性進(jìn)行判定。據(jù)的可靠性進(jìn)行判定。mmmmmmmrrrrrrrrrR212222111211ijdijijijijijijddr01v由此得到一

19、個二值矩陣，稱為關(guān)系矩陣。由此得到一個二值矩陣，稱為關(guān)系矩陣。第42頁/共139頁基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合基本理論和方法基于Bayes估計(jì)的數(shù)據(jù)融合算法v設(shè)被測參數(shù)設(shè)被測參數(shù) ，第，第k k個傳感器的個傳感器的測量數(shù)據(jù)測量數(shù)據(jù) ，經(jīng)過刪選，選擇，經(jīng)過刪選，選擇l l個數(shù)據(jù)作為最佳融合數(shù)。融合結(jié)果個數(shù)據(jù)作為最佳融合數(shù)。融合結(jié)果 為：為：2,kkNX200,Nlkklkkkx12021200211第43頁/共139頁基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合基于Bayes估計(jì)的數(shù)據(jù)融合一般步驟計(jì)算計(jì)算m m個傳感器數(shù)據(jù)的置信距離矩陣

20、，為簡化個傳感器數(shù)據(jù)的置信距離矩陣，為簡化計(jì)算，當(dāng)測試數(shù)據(jù)服從正態(tài)分布時可利用誤計(jì)算，當(dāng)測試數(shù)據(jù)服從正態(tài)分布時可利用誤差函數(shù)計(jì)算置信距離。差函數(shù)計(jì)算置信距離。 0222dueerfxxerfduiijij第44頁/共139頁基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合基于Bayes估計(jì)的數(shù)據(jù)融合一般步驟選擇合適的距離臨界值，由置信距離矩陣產(chǎn)選擇合適的距離臨界值，由置信距離矩陣產(chǎn)生關(guān)系矩陣。生關(guān)系矩陣。ijijijijijddr01由關(guān)系矩陣對多傳感器數(shù)據(jù)進(jìn)行選擇，產(chǎn)生由關(guān)系矩陣對多傳感器數(shù)據(jù)進(jìn)行選擇，產(chǎn)生最佳融合數(shù)。最佳融合數(shù)。第45頁/共139頁基于基于Bayes估計(jì)的

21、傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合基于Bayes估計(jì)的數(shù)據(jù)融合一般步驟將將 、 和最佳融合數(shù)對應(yīng)的和最佳融合數(shù)對應(yīng)的 、 代代入入BayesBayes融合估計(jì)公式求的參數(shù)估計(jì)值。融合估計(jì)公式求的參數(shù)估計(jì)值。020kx2klkklkkkx12021200211第46頁/共139頁傳感器編號傳感器編號1 12 23 34 45 56 67 78 8方差方差25.7325.7323.8123.8124.9524.9525.7525.7535.6535.6521.3321.3323.9423.9422.9622.96測量值測量值848.1848.1850.5850.5851.9851.9849

22、.9849.9854.6854.6849.3849.3848.0848.0848.3848.3v利用利用8 8個傳感器對一個恒溫槽的溫度進(jìn)行測量，個傳感器對一個恒溫槽的溫度進(jìn)行測量，已知恒溫槽溫度滿足正態(tài)分布，已知恒溫槽溫度滿足正態(tài)分布，其中其中 =850.50=850.50， =4.5025=4.50258 8個傳感器的測量結(jié)果如下：個傳感器的測量結(jié)果如下：020舉例計(jì)算舉例計(jì)算基于基于Bayes估計(jì)的傳感器檢測數(shù)據(jù)融合估計(jì)的傳感器檢測數(shù)據(jù)融合第47頁/共139頁第48頁/共139頁多傳感器數(shù)據(jù)融合技多傳感器數(shù)據(jù)融合技術(shù)術(shù)基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法及應(yīng)用第49頁/共139頁本節(jié)內(nèi)容本節(jié)內(nèi)容人

23、工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)1典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹2基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合3第50頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ) 什么是神經(jīng)網(wǎng)絡(luò)技術(shù)？ 神經(jīng)網(wǎng)絡(luò)是由數(shù)個至數(shù)十億個被稱為神經(jīng)元的細(xì)胞（組成我們大腦的微小細(xì)胞）所組成，它們以不同方式連接而型成網(wǎng)絡(luò)。 人工神經(jīng)網(wǎng)絡(luò)就是嘗試模擬這種生物學(xué)上的體系結(jié)構(gòu)及其操作用于信息處理技術(shù)。 人工神經(jīng)網(wǎng)絡(luò)是利用多個簡單計(jì)算模型有機(jī)構(gòu)成一個計(jì)算網(wǎng)絡(luò)用以實(shí)現(xiàn)一個復(fù)雜的規(guī)則。第51頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ) 神經(jīng)網(wǎng)絡(luò)技術(shù)的主要用途？ 利用一定數(shù)據(jù)在

24、一定誤差下逼近一個解析式未知的函數(shù)。 利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)空間的線性或非線性劃分，以此實(shí)現(xiàn)目標(biāo)分類。 神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)是基于數(shù)據(jù)的，最終的規(guī)則對用戶是透明的。第52頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)第53頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ) 由上圖可得：NkkkbWXFY1第54頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ) 階躍函數(shù) 0001xxxfv 對稱型階躍函數(shù)對稱型階躍函數(shù) 0001xxxf第55頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ) 階躍函數(shù) xexf11v 對稱型階躍函數(shù)對稱型階躍函數(shù) xxeexf11第56頁/共139

25、頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)第57頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)第58頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)第59頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ) 決定神經(jīng)網(wǎng)絡(luò)性能的幾個因素： 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)：包括神經(jīng)網(wǎng)絡(luò)的層數(shù)、每層神經(jīng)元數(shù)量； 每層神經(jīng)元的作用函數(shù)； 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)和學(xué)習(xí)算法； 神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初始值； 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。第60頁/共139頁人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ) 神經(jīng)網(wǎng)絡(luò)的應(yīng)用步驟： 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，包括確定網(wǎng)絡(luò)結(jié)構(gòu)、作用函數(shù)和學(xué)習(xí)算法； 神經(jīng)網(wǎng)絡(luò)初始化； 利用實(shí)驗(yàn)方法獲得神經(jīng)

26、網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)； 利用實(shí)驗(yàn)數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試； 利用訓(xùn)練后的網(wǎng)絡(luò)處理相關(guān)的輸入信息。第61頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 感知器神經(jīng)網(wǎng)絡(luò)特點(diǎn)： 網(wǎng)絡(luò)結(jié)構(gòu)上可以為單層或多層的前向網(wǎng)絡(luò)結(jié)構(gòu)； 作用函數(shù)為階躍函數(shù)，因此輸出為二值變量； 利用輸入和誤差簡單計(jì)算權(quán)值和閾值調(diào)整量，學(xué)習(xí)算法很簡單； 一般用于解決較為簡單的線性分類問題。第62頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹第63頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹第64頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 感知器神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法： 權(quán)值調(diào)整：

27、 權(quán)值增量： 閾值調(diào)整： 閾值增量： 在Matlab中訓(xùn)練網(wǎng)絡(luò)： net,y,e=adapt(net,p,t) 在Matlab中仿真網(wǎng)絡(luò)： A=sim(net,p)WWWii1TTeppatWbbbii1eatb1第65頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 感知器神經(jīng)網(wǎng)絡(luò)的局限性： 網(wǎng)絡(luò)結(jié)構(gòu)很簡單，用于解決線性問題； 作用函數(shù)為階躍函數(shù)，主要用于解決分類問題；第66頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 線性神經(jīng)網(wǎng)絡(luò)特點(diǎn)： 網(wǎng)絡(luò)結(jié)構(gòu)上可以為單層或多層的前向網(wǎng)絡(luò)結(jié)構(gòu)； 作用函數(shù)為線性函數(shù)，因此輸出為連續(xù)變化的任意值； 利用基于最速梯度和最小二乘原理的學(xué)習(xí)

28、算法，具有較好的學(xué)習(xí)性能； 一般用于解決較為簡單的線性逼近問題。第67頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹第68頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹第69頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 線性神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法： 權(quán)值調(diào)整： 權(quán)值增量： 閾值調(diào)整： 閾值增量： 在Matlab中訓(xùn)練網(wǎng)絡(luò)： net,tr=train(net,p,t) 在Matlab中仿真網(wǎng)絡(luò)： A=sim(net,p) iWiWiW1 ipieiWT ibibib1 ieib第70頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 線性神經(jīng)網(wǎng)絡(luò)的局限性

29、： 采用線性作用函數(shù)，只能反映線性映射關(guān)系； 訓(xùn)練不一定能達(dá)到零誤差； 網(wǎng)絡(luò)的訓(xùn)練和性能受學(xué)習(xí)速率的影響。第71頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)：第72頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 BP神經(jīng)網(wǎng)絡(luò)的作用函數(shù)： 常采用可微的單調(diào)遞增函數(shù) 輸出層可采用線性函數(shù)第73頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法： 網(wǎng)絡(luò)學(xué)習(xí)中的正向傳播和反向傳播 正向計(jì)算用于網(wǎng)絡(luò)輸出計(jì)算。 jkikjpkijkkipkkipnbynWfnetfy1U123456第74頁/共139頁典型的

30、神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 BP神經(jīng)網(wǎng)絡(luò)的反向誤差傳播算法： 確定網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)函數(shù)：目標(biāo)函數(shù)是網(wǎng)絡(luò)學(xué)習(xí)和調(diào)整的準(zhǔn)則，一般為反映誤差大小等網(wǎng)絡(luò)性能的函數(shù)。如取誤差的L2范數(shù)作為目標(biāo)函數(shù)，以Ep表示第p組樣本訓(xùn)練第n步時的目標(biāo)函數(shù)。 mmpmkmpmpkpppnenydnyTnE2222212121其中：ympk(n)為在第p組樣本輸入時網(wǎng)絡(luò)經(jīng)n次權(quán)值調(diào)整后第k層第m個神經(jīng)元的輸出。第75頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 BP神經(jīng)網(wǎng)絡(luò)的反向誤差傳播算法： 網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)即通過對個神經(jīng)元權(quán)值和閾值的調(diào)整使網(wǎng)絡(luò)目標(biāo)函數(shù)達(dá)到最優(yōu)。對表示誤差大小的目標(biāo)函數(shù)可以應(yīng)用梯

31、度下降法對網(wǎng)絡(luò)進(jìn)行調(diào)整使目標(biāo)函數(shù)達(dá)到最小。梯度下降法梯度下降法：設(shè)J(ak)是J(a)在ak點(diǎn)的梯度，則J(ak) 的負(fù)方向?yàn)楹瘮?shù)J(a)減小最快的方向，沿該方向調(diào)整ak尋找J(a)最小值的方法稱為梯度下降法。第76頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹其中為調(diào)整步長。用sk表示在ak點(diǎn)目標(biāo)函數(shù)的負(fù)梯度方向，即：kkaJsSk的單位向量為：的單位向量為：kkkaJaJs按梯度下降法應(yīng)沿該方向調(diào)整按梯度下降法應(yīng)沿該方向調(diào)整ak，用表示調(diào)整后的變量，即：，用表示調(diào)整后的變量，即：kkkkkkaJaJasaa1第77頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹也可寫

32、為：將梯度定義代入得將梯度定義代入得:按照上述方法，可得神經(jīng)網(wǎng)絡(luò)中權(quán)值和閾值的調(diào)整公式：按照上述方法，可得神經(jīng)網(wǎng)絡(luò)中權(quán)值和閾值的調(diào)整公式：kkkkaJaa1kkkkkaaJaa1 nWnEnWnWnWnWkijpkkijkijkijkij1 nnEnnnnkipkkikikiki1第78頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹第79頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹第80頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹第81頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 在Matlab中仿真神經(jīng)網(wǎng)絡(luò)。 對象命令方式： 生成網(wǎng)絡(luò)：n

33、et=newff( PR，S1 S2 Sn，TF1 TF2 TFn，BTF)；如：net=newff( 0,10;-1,2，5 1，tansig, purelin，trainlm)； 網(wǎng)絡(luò)訓(xùn)練：net, tr = train (net, P,T) 網(wǎng)絡(luò)仿真：Output = sim (net, p)第82頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 在Matlab中仿真神經(jīng)網(wǎng)絡(luò)。 基于GUI（Graphical User Interfaces）方式： 利用nntool命令進(jìn)入。第83頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹第84頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介

34、紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 創(chuàng)建新網(wǎng)絡(luò)第85頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 創(chuàng)建新網(wǎng)絡(luò)第86頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 網(wǎng)絡(luò)初始化第87頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 建立數(shù)據(jù)第88頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 建立數(shù)據(jù)第89頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 訓(xùn)練網(wǎng)絡(luò)第90頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 訓(xùn)練網(wǎng)絡(luò)第91頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 訓(xùn)練網(wǎng)絡(luò)第92頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹

35、典型的神經(jīng)網(wǎng)絡(luò)類型介紹 網(wǎng)絡(luò)仿真第93頁/共139頁典型的神經(jīng)網(wǎng)絡(luò)類型介紹典型的神經(jīng)網(wǎng)絡(luò)類型介紹 在Matlab中仿真神經(jīng)網(wǎng)絡(luò)。 基于Simulink方式：neural命令第94頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合舉例： 由于紅外光在介質(zhì)中的傳播速度受到溫度等環(huán)境因素影響，為獲得較準(zhǔn)確的測量結(jié)果需要對紅外測距系統(tǒng)的測量數(shù)據(jù)進(jìn)行處理。為確定某一紅外測距傳感器系統(tǒng)的數(shù)據(jù)處理算法，利用該測距系統(tǒng)進(jìn)行如下實(shí)驗(yàn)：在不同溫度下將目標(biāo)放置不同的距離分別進(jìn)行測距，每一溫度下對同一目標(biāo)連續(xù)測量5次，測量的實(shí)驗(yàn)數(shù)據(jù)見附表所示。請利用BP神經(jīng)網(wǎng)絡(luò)完成該系統(tǒng)的數(shù)據(jù)處理。 第9

36、5頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合 注：為說明問題上述數(shù)據(jù)擴(kuò)大了溫度對結(jié)果的影響。理論值理論值 750環(huán)境溫度環(huán)境溫度 2045測量值測量值 756.575 770.997765.326762.908 762.734 778.058768.418767.072753.322754.777 理論值理論值 850環(huán)境溫度環(huán)境溫度 2045測量值測量值 869.189 837.808 846.641 850.121 871.750 886.931 896.766 855.983 844.269 878.671 理論值理論值 950環(huán)境溫度環(huán)境溫度 204

37、5測量值測量值 975.678 936.677 953.530 936.952 972.731 969.696 966.840 967.399 991.950 960.165 第96頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)： 由于輸入向量有2個元素、輸出向量有1個元素，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有2個，輸出層神經(jīng)元數(shù)目為1。 神經(jīng)網(wǎng)絡(luò)是誤差后身傳播神經(jīng)網(wǎng)絡(luò)，其隱含層結(jié)構(gòu)的層數(shù)與各層的節(jié)點(diǎn)數(shù)直接影響網(wǎng)絡(luò)性能的優(yōu)劣。若隱層數(shù)較多，網(wǎng)絡(luò)所表達(dá)的映射就越復(fù)雜，不僅增大計(jì)算量，而且易導(dǎo)致數(shù)據(jù)失真；若各隱含層的節(jié)點(diǎn)數(shù)較多，會使其學(xué)習(xí)時間過長，誤差也不一定最小，

38、若節(jié)點(diǎn)數(shù)較少，會導(dǎo)致網(wǎng)絡(luò)容錯性較差，局部極小就多。 因此，隱含層是網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的重要問題。第97頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)： 隱含層數(shù)設(shè)計(jì)： 隱含層的層數(shù)應(yīng)大于1層，可由下式試算： 其中，N為隱層層數(shù)；J為輸出層神經(jīng)元個數(shù)；I為輸入層神經(jīng)元個數(shù)；K為標(biāo)準(zhǔn)樣本個數(shù)。本例取1層隱層。 隱含層神經(jīng)元個數(shù)設(shè)計(jì)： 隱含層節(jié)點(diǎn)個數(shù)設(shè)計(jì)相對于隱含層數(shù)的設(shè)計(jì)比較復(fù)雜，一般有基于最小二乘設(shè)計(jì)法、基于黃金分割設(shè)計(jì)法等。本例?。篗=2n+1，其中n為輸入層神經(jīng)元的個數(shù)。 211IKJceilN第98頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)

39、網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)： 作用函數(shù)設(shè)計(jì)： 隱層作用函數(shù)取正切S型傳遞函數(shù)tansig函數(shù)，即： 輸出層作用函數(shù)取對數(shù)S型傳遞函數(shù)logsig函數(shù)，即： xeexfxx,1122 xexfx,11第99頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)： 學(xué)習(xí)算法設(shè)計(jì)：traingdm是帶動量的梯度下降法、trainlm是指L-M優(yōu)化算法、trainscg是指量化共軛梯度法等，本例選擇trainlm學(xué)習(xí)算法。 輸入/輸出向量設(shè)計(jì)： 根據(jù)已知條件，可將目標(biāo)距離的理論值作為對測量溫度和測量值的一個映射（二元函數(shù)）。由此，可以確定網(wǎng)絡(luò)的輸入為2維向

40、量，且該網(wǎng)絡(luò)為單輸出神經(jīng)網(wǎng)絡(luò)。第100頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)： 訓(xùn)練樣本和測試樣本設(shè)計(jì)： 題給數(shù)據(jù)共30組，可在同類（共六類）數(shù)據(jù)組中各挑選一個樣本，從而得到六個測試樣本，構(gòu)成測試樣本集。剩余24組數(shù)據(jù)可作為訓(xùn)練樣本集。第101頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合第102頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合 TIWnet1.3919-6.1602-2.0847-5.8201-0.064564-6.731611.1545-35.951940.11

41、880.43261-1 , 1.Tbnet7.7457.0659-3.8506-36.3567-13.67661. 0.75872-12.910513.610112.967510.81151 , 2.LWnet 2.21522.bnet 輸入層到隱含層的連接權(quán)值：v 隱含層的神經(jīng)元閾值：隱含層的神經(jīng)元閾值：v 隱含層到輸出層的連接權(quán)值：隱含層到輸出層的連接權(quán)值：v 輸出層的神經(jīng)元閾值：輸出層的神經(jīng)元閾值：第103頁/共139頁基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合基于神經(jīng)網(wǎng)絡(luò)的傳感器檢測數(shù)據(jù)融合測試樣本測試樣本 樣本樣本1樣本樣本2樣本樣本3樣本樣本4樣本樣本5樣本樣本6測量溫度測量溫度 20452

42、0452045測量距離測量距離770.9971767.0724 846.6408855.9834 975.6780 960.1649 實(shí)際距離實(shí)際距離750750850850950950預(yù)測距離預(yù)測距離750.0001750.0000850.0000850.0000950.0000949.9994誤差誤差 -0.00010.00000.00000.00000.00000.0006第104頁/共139頁第105頁/共139頁多傳感器數(shù)據(jù)融合技多傳感器數(shù)據(jù)融合技術(shù)術(shù)Kalman濾波中的數(shù)據(jù)融合方法及應(yīng)用第106頁/共139頁本節(jié)內(nèi)容本節(jié)內(nèi)容Kalman濾波基礎(chǔ)濾波基礎(chǔ)1Kalman濾波中的數(shù)據(jù)融合

43、方法濾波中的數(shù)據(jù)融合方法2應(yīng)用舉例應(yīng)用舉例3第107頁/共139頁Kalman濾波基礎(chǔ)濾波基礎(chǔ)確定性信號：確定性信號：確定性信號的變化規(guī)律是既定的，可表示為一定的時間或空間函數(shù)；傅利葉頻譜分析技術(shù)的信號分析方法；經(jīng)典信號處理方法。兩種不同的兩種不同的信號類型信號類型隨機(jī)信號：隨機(jī)信號：沒有既定的變化規(guī)律，不能表示為時間或空間的函數(shù)；功率譜特性的信號分析方法；現(xiàn)代信號處理方法。第108頁/共139頁 將狀態(tài)空間法引入隨機(jī)將狀態(tài)空間法引入隨機(jī)信號濾波估值中在時域信號濾波估值中在時域?qū)崿F(xiàn)；實(shí)現(xiàn)； 需要求解狀態(tài)方程；需要求解狀態(tài)方程； 計(jì)算量較小，易于實(shí)時計(jì)算量較小，易于實(shí)時實(shí)現(xiàn)；實(shí)現(xiàn)； 通過對信號做

44、功率譜分通過對信號做功率譜分解在變換域?qū)崿F(xiàn)；解在變換域?qū)崿F(xiàn)； 需要求解維納需要求解維納-霍普方霍普方程；程； 計(jì)算量較大。計(jì)算量較大。Kalman濾波基礎(chǔ)濾波基礎(chǔ)Wiener濾波器Kalman濾波器第109頁/共139頁Kalman濾波基礎(chǔ)濾波基礎(chǔ) 測量中的估計(jì)問題： 設(shè)以X表示待測的n維狀態(tài)向量，以Z表示利用測量系統(tǒng)可測得m維觀測向量，則可表示為：其中V表示m維觀測噪聲向量。VXfZ,第110頁/共139頁Kalman濾波基礎(chǔ)濾波基礎(chǔ) 測量中的估計(jì)問題： 因此，測量系統(tǒng)中需要根據(jù)觀測向量Z和噪聲向量V全部或部分統(tǒng)計(jì)特征，在一定的約束條件和準(zhǔn)則下，尋找合適的估計(jì)函數(shù)H，對被測系統(tǒng)的狀態(tài)向量X進(jìn)

45、行估計(jì)。即：VZHX,其中 表示對X的一個估計(jì)。X第111頁/共139頁Kalman濾波基礎(chǔ)濾波基礎(chǔ)設(shè)計(jì)準(zhǔn)則設(shè)計(jì)準(zhǔn)則第112頁/共139頁Kalman濾波基礎(chǔ)濾波基礎(chǔ) 離散系統(tǒng)模型：kkkkkkkkkkkVXHZWXX11,11,其中 表示k時刻的狀態(tài)向量； 表示k時刻的觀測向量； 表示k-1時刻到k時刻的狀態(tài)轉(zhuǎn)移矩陣； 表示k-1時刻的系統(tǒng)噪聲； 表示k時刻的測量噪聲；kXkZ1, kk1kWkV第113頁/共139頁Kalman濾波基礎(chǔ)濾波基礎(chǔ) 該系統(tǒng)模型的三種應(yīng)用情況： 當(dāng)由歷史和當(dāng)前觀測值估計(jì)當(dāng)前的系統(tǒng)狀態(tài)參數(shù)時，即為估值濾波； 當(dāng)由歷史和當(dāng)前觀測值估計(jì)未來的系統(tǒng)狀態(tài)參數(shù)時，即為預(yù)測濾

46、波； 當(dāng)由歷史和當(dāng)前觀測值估計(jì)系統(tǒng)歷史的狀態(tài)參數(shù)時，即為平滑或插值濾波。第114頁/共139頁Kalman濾波基礎(chǔ)濾波基礎(chǔ) 對離散系統(tǒng)模型的狀態(tài)方程求解得：1,1,11,1,kkkkdkkkkkkkkXHZKXXXXv上式可表示為：上式可表示為：v即為即為Kalman濾波器的基本形式。濾波器的基本形式。第115頁/共139頁Kalman濾波中的數(shù)據(jù)融合方法濾波中的數(shù)據(jù)融合方法 實(shí)際系統(tǒng)中經(jīng)常利用多個傳感器對系統(tǒng)狀態(tài)進(jìn)行測量； 在多傳感器系統(tǒng)中如利用集中式Kalman濾波方法，存在以下缺點(diǎn)：Kalman濾波器的維數(shù)較高，計(jì)算量較大；出現(xiàn)故障的危害較大，可靠性較低； 可采用分散式Kalman濾波技

47、術(shù)。第116頁/共139頁Kalman濾波中的數(shù)據(jù)融合方法濾波中的數(shù)據(jù)融合方法 聯(lián)邦濾波算法是一種常用的Kalman濾波數(shù)據(jù)融合算法； 設(shè)對兩個局部濾波器的狀態(tài)估計(jì)進(jìn)行融合處理，以 、 表示兩個濾波器的輸出狀態(tài)估計(jì)，相應(yīng)的估計(jì)誤差分別用 、 表示， 表示融合后的狀態(tài)估計(jì)，則：2211XWXWXgv W1和和W2為待定系數(shù)。為待定系數(shù)。1X2X11P22PgX第117頁/共139頁Kalman濾波中的數(shù)據(jù)融合方法濾波中的數(shù)據(jù)融合方法 應(yīng)在以下兩個目標(biāo)下確定這兩個系數(shù)： 若兩個局部濾波器的狀態(tài)估計(jì) 、 為無偏估計(jì)，則要求 也是無偏估計(jì)。即：0gXXEv 的估計(jì)誤差方差陣最小，即：的估計(jì)誤差方差陣最小，即：1X2XgXgX minTgggXXXXEP第118頁/共139頁Kalman濾波中的數(shù)據(jù)融合方法濾波中的數(shù)據(jù)融合方法 由此可得：1122111212211111122111PPPXPXPPPXggv N個局部濾波器的狀態(tài)估計(jì)個局部濾波器的狀態(tài)估計(jì) ，相應(yīng)的協(xié)方差陣為：相應(yīng)的協(xié)方差陣為： ，設(shè)，設(shè)N個個局部估計(jì)互不相關(guān)，則融合估計(jì)為：局部估計(jì)互不相關(guān)，則融合估計(jì)為：NiXi, 2 , 1,NiP