论文部分内容阅读
摘要:多传感器信息融合广泛应用于自动目标识别、战场监视、机器人、工业过程控制、遥感、图象处理、模式识别等领域。采用信任函数作为度量的证据理论可处理由不知道所引起的不确定性。本文对信息融合技术的概念以及重要融合方法进行初探。
关键词:多传感器;信息融合;融合方式;D—S证据理论
中图分类号:TP212 文献标识码:A文章编号:1007-9599 (2010) 01-0000-02
所谓信息融合就是将来自多个传感器或多源的信息进行综合处理,从而得出更为准确、可靠的结论。这里的传感器是广义的,是指各种数据获取系统和相关数据库等。
信息融合的另一种普遍说法是数据融合,但就信息和数据的内涵而论,用信息融合一词更广泛、更确切、更合理、更具概括性。一般人们普遍认为,信息不仅包括了数据,而且也包括了信号和知识。
传感器信息融合具有信息冗余性、信息互补性、信息实时性和信息获取低成本性等特征。
一、信息融合的基本原理
信息融合是采用多传感器系统模仿人类自身信息处理过程,对复杂信息综合处理需求的结果。如图1:
图1:信息融合基本过程
多传感器信息融合就是对人脑信息处理的一种高水平模仿。其融合原理为:
(1)N个不同类型的传感器收集观测目标的数据;
(2)传感器的输出数据进行特征提取的变换,提取代表观测数据的特征矢量r;
(3)对特征矢量r进行模式识别处理,完成各传感器关于目标的说明;
(4)将各传感器关于目标的说明数据按同一目标进行分组,即关联;
(5)利用融合算法将目标和传感器数据进行合成,得到该目标的一致性解释与描述。
二、多传感器信息融合的优点
(1)增加了系统的生存能力。多传感器的存在,使系统能够不受干扰连续运行、弱化故障,并增加检测概率。
(2)扩展了空间覆盖范围。通过多个交叠覆盖的传感器作用区域,扩大了空间覆盖范围,进而增加了系统的监视能力和检测概率。
(3)扩展了时间覆盖范围。多个传感器的协同作用可提高系统的时间监视范围和检测概率。
(4)增加了可信度。一部或多部传感器能确认同一目标或事件
三、多传感器信息融合的功能模型
从信息融合的功能角度,可将信息融合过程分为5级,即检测级融合、状态级融合、属性级、事态评估和威胁估计,其中事态评估和威胁估计主要应用于军事领域。
(1)检测级融合。检测级融合的功能可概括为判断目标的有无。它与传感器的布置密切相关,有并行拓扑、串行拓扑和树状拓扑等三种拓扑结构。
(2)特征级融合。特征级融合可概括为估计目标的状态,分为集中式、分散式和分级式结构。
(3)像素级融合。像素级融合的目的是确定目标的身份,分为数据层融合、特征层融合和决策层融合。
四、D—S证据理论
证据理论是由Dempster于1967年提出的,后由Shafer加以扩充和发展,所以证据理论又称为D-S理论。它是信息融合中解决不确定性问题的一种有效方法。它是经典概率论的一种扩充形式,与贝叶斯理论相比,证据理论具有以下一些优点:①具有比较强的理论基础,既能处理随机性所导致的不确定性,又能处理模糊性所导致的不确定性。②可以依靠证据的积累,不断地缩小假设集。③能将“不知道”和“不确定”区分开来。④可以不需要先验概率和条件概率密度。
(一)D—S算法基本理论
1.概率分配函数
设D为样本空间,领域内的命题都由D的子集表示,则概率分配函数定义如下:
设函数M:2D→[0,1]而且满足M(Φ)=0, 。则称M是2D上的概率分配函数,M(A)为A的基本概率数。2D是D中子集的个数,概率分配函数的作用是把D的任意一个子集A都映射为[0,1]上的一个数M(A),M(A)表示对相应命题的精确信任度。
假设有n个互斥且穷尽的原始子命题存在,这个命题集组成了整个假设事件的空间,我们称之为识别框架,用Θ来表示。比如目标的类型是a1或a2…或an。则Θ={a1,a2…an}。对该命题集里的每个子命题都可以赋予一个概率分配值m(ai)。还可以根据传感器提供的信息为某些子命题的并赋予概率分配值,如m(a1∪a2)。所有的命题数称作该命题集的幂集数。幂集数等于2n-1。
对某些子命题的并可以表示为某个命题的反命题,所以也可以把概率分配值赋给某一子命题的反命题。如 。如果碰到不是所有的概率分配值都能直接赋予各子命题或他们的并时,我们把剩下的概率分配值全部分配给识别框架Θ,即m(Θ)=m(a1∪a2…∪an)。把概率分配值赋给识别框架实际上就代表了传感器对所关心的证据的精确性,或对证据的解释还存在不确定性。
2.支持度、似然度
传感器直接分配给该命题证据所对应的概率分配值的和。
按照这个定义,某个传感器判决目标类型为的a1支持度S(a1)或表示为Bel(a1)等于S(a1)=m(a1)。
给定命题的似然度定义:所有没有分配给这个命题的反命题的概率分配值的和。
ai的似然度可以写为 。
称为ai疑惑度,他代表了证据反驳命题的程度。
似然度也可以这样来计算,把ai及与ai有关的并命题的所有概率分配值相加起来,即Pl(ai)=m(ai)+m(ai∪a1)+…m(Θ)。
3.Dempster合成法则
设S1,…,S2是同一识别框架上的信任函数m1,…,m2是对应的基本可信度分配,如果S1,S2存在且基本可信度分配为m,则
其中
,其中k1有称为冲突系数。
Dempster合成法则是一个反映证据联合作用的法则。给出同一识别框架上基于不同证据的信任函数,如果这几个证据不是完全冲突的,就可以用Dempster合成法则计算出一个信任函数作为那几个证据联合作用下产生的信任函数。
(二)证据理论的算法例解
假定两个独立的证据源导出的基本概率赋值函数,则利用组合规则可以计算这两个证据共同作用下产生的基本概率赋值函数。假定两个传感器同时反映对象为a,且m1(a)=0.8,m1(D)=0.2,m2(a)=0.7,m2(D)=0.3
m2(a)=0.7 m2(D)=0.3
采用D—S规则进行组合,结果为
可以看出,利用D—S推理增强了对对象a持,且有 。
假设一个传感器支持对象A的程度为0.8,而另一个传感器支持对象B的程度为0.9,即
m1(A)=0.8,m1(D)=0.2, m2(B)=0.9,m2(D)=0.1
可以看出,信任度低的对象报告影响了信任度高的对象报告。
D-S规则具有很好的证据聚焦能力,证据经它作用后,概率赋值函数向D中更小的子集移动,但是它无法处理不一致的极限情况。如当m1(A)=1,m2(B)=1时,组合公式中的分母项为零,D-S规则无法对其进行组合。对存在判断冲突的证据,D.S规则也不能起到正确的聚合作用,必须对规则进行修正以后才能使用D.S证据理论进行证据聚合。
(三)D—S证据理论在事态估计中的应用
对于势态估计系统来说,由领域知识产生的网络空间中可能出现的势态分类就是命题,各个传感器通过检测,处理给出的对事件发生的判断就是证据。这样,把势态分类看作假设的原因,而从传感器获得事件发生的数据则可以看作是已经检测到的结果。势态估计从检测事件的发生开始,在检测到事件后,由领域知识产生对某些命题的度量,这些度量即构成了证据,并利用这些证据通过构造相应的基本概率分配函数,对所有命题赋予一个置信度。对于一个基本概率分配函数以及相应的辨识框架,合称为一个证据体,而势态估计的实质就是
在当前每个势态分类的条件下,利用Dempster合成规则将从事件产生的不同证据合成为一个证据体。
由于多个证据的结合与次序无关。所以多个的证据合成计算等同于两个证据合成的计算递推得到的结构等效图(如图2)。
图2:多个证据结合的等效形式
显然,图2所示的证据合成计算对实时性要求很高的势态估计是非常有用的。在势态估计系统中,先初始化一次对基本概率的分配,然后,每收到一则事件发生的上报信息,就进行一次基本概率的分配,再使用Dempster合成规则得到新的基本概率分配,并把合成后的结果送到决策逻辑进行判断,将具有最大置信度的命题作为备选命题。当不断有事件发生时,这个过程便得以继续,直到备选命题的置信度超过了一定的阀值,即认为该命题成立。
参考文献:
[1]何友,王国宏,彭应宁.多传感器信息融合及应用[M].北京电子工业出版社,2000
[2]徐华中,吴苏.浅谈多传感器信息融合技术[J].东华理工学院学报,2007(2):189-192
[3]杨露菁,余华.多源信息融合理论和应用[M].北京邮电大学出版社,2006
关键词:多传感器;信息融合;融合方式;D—S证据理论
中图分类号:TP212 文献标识码:A文章编号:1007-9599 (2010) 01-0000-02
所谓信息融合就是将来自多个传感器或多源的信息进行综合处理,从而得出更为准确、可靠的结论。这里的传感器是广义的,是指各种数据获取系统和相关数据库等。
信息融合的另一种普遍说法是数据融合,但就信息和数据的内涵而论,用信息融合一词更广泛、更确切、更合理、更具概括性。一般人们普遍认为,信息不仅包括了数据,而且也包括了信号和知识。
传感器信息融合具有信息冗余性、信息互补性、信息实时性和信息获取低成本性等特征。
一、信息融合的基本原理
信息融合是采用多传感器系统模仿人类自身信息处理过程,对复杂信息综合处理需求的结果。如图1:
图1:信息融合基本过程
多传感器信息融合就是对人脑信息处理的一种高水平模仿。其融合原理为:
(1)N个不同类型的传感器收集观测目标的数据;
(2)传感器的输出数据进行特征提取的变换,提取代表观测数据的特征矢量r;
(3)对特征矢量r进行模式识别处理,完成各传感器关于目标的说明;
(4)将各传感器关于目标的说明数据按同一目标进行分组,即关联;
(5)利用融合算法将目标和传感器数据进行合成,得到该目标的一致性解释与描述。
二、多传感器信息融合的优点
(1)增加了系统的生存能力。多传感器的存在,使系统能够不受干扰连续运行、弱化故障,并增加检测概率。
(2)扩展了空间覆盖范围。通过多个交叠覆盖的传感器作用区域,扩大了空间覆盖范围,进而增加了系统的监视能力和检测概率。
(3)扩展了时间覆盖范围。多个传感器的协同作用可提高系统的时间监视范围和检测概率。
(4)增加了可信度。一部或多部传感器能确认同一目标或事件
三、多传感器信息融合的功能模型
从信息融合的功能角度,可将信息融合过程分为5级,即检测级融合、状态级融合、属性级、事态评估和威胁估计,其中事态评估和威胁估计主要应用于军事领域。
(1)检测级融合。检测级融合的功能可概括为判断目标的有无。它与传感器的布置密切相关,有并行拓扑、串行拓扑和树状拓扑等三种拓扑结构。
(2)特征级融合。特征级融合可概括为估计目标的状态,分为集中式、分散式和分级式结构。
(3)像素级融合。像素级融合的目的是确定目标的身份,分为数据层融合、特征层融合和决策层融合。
四、D—S证据理论
证据理论是由Dempster于1967年提出的,后由Shafer加以扩充和发展,所以证据理论又称为D-S理论。它是信息融合中解决不确定性问题的一种有效方法。它是经典概率论的一种扩充形式,与贝叶斯理论相比,证据理论具有以下一些优点:①具有比较强的理论基础,既能处理随机性所导致的不确定性,又能处理模糊性所导致的不确定性。②可以依靠证据的积累,不断地缩小假设集。③能将“不知道”和“不确定”区分开来。④可以不需要先验概率和条件概率密度。
(一)D—S算法基本理论
1.概率分配函数
设D为样本空间,领域内的命题都由D的子集表示,则概率分配函数定义如下:
设函数M:2D→[0,1]而且满足M(Φ)=0, 。则称M是2D上的概率分配函数,M(A)为A的基本概率数。2D是D中子集的个数,概率分配函数的作用是把D的任意一个子集A都映射为[0,1]上的一个数M(A),M(A)表示对相应命题的精确信任度。
假设有n个互斥且穷尽的原始子命题存在,这个命题集组成了整个假设事件的空间,我们称之为识别框架,用Θ来表示。比如目标的类型是a1或a2…或an。则Θ={a1,a2…an}。对该命题集里的每个子命题都可以赋予一个概率分配值m(ai)。还可以根据传感器提供的信息为某些子命题的并赋予概率分配值,如m(a1∪a2)。所有的命题数称作该命题集的幂集数。幂集数等于2n-1。
对某些子命题的并可以表示为某个命题的反命题,所以也可以把概率分配值赋给某一子命题的反命题。如 。如果碰到不是所有的概率分配值都能直接赋予各子命题或他们的并时,我们把剩下的概率分配值全部分配给识别框架Θ,即m(Θ)=m(a1∪a2…∪an)。把概率分配值赋给识别框架实际上就代表了传感器对所关心的证据的精确性,或对证据的解释还存在不确定性。
2.支持度、似然度
传感器直接分配给该命题证据所对应的概率分配值的和。
按照这个定义,某个传感器判决目标类型为的a1支持度S(a1)或表示为Bel(a1)等于S(a1)=m(a1)。
给定命题的似然度定义:所有没有分配给这个命题的反命题的概率分配值的和。
ai的似然度可以写为 。
称为ai疑惑度,他代表了证据反驳命题的程度。
似然度也可以这样来计算,把ai及与ai有关的并命题的所有概率分配值相加起来,即Pl(ai)=m(ai)+m(ai∪a1)+…m(Θ)。
3.Dempster合成法则
设S1,…,S2是同一识别框架上的信任函数m1,…,m2是对应的基本可信度分配,如果S1,S2存在且基本可信度分配为m,则
其中
,其中k1有称为冲突系数。
Dempster合成法则是一个反映证据联合作用的法则。给出同一识别框架上基于不同证据的信任函数,如果这几个证据不是完全冲突的,就可以用Dempster合成法则计算出一个信任函数作为那几个证据联合作用下产生的信任函数。
(二)证据理论的算法例解
假定两个独立的证据源导出的基本概率赋值函数,则利用组合规则可以计算这两个证据共同作用下产生的基本概率赋值函数。假定两个传感器同时反映对象为a,且m1(a)=0.8,m1(D)=0.2,m2(a)=0.7,m2(D)=0.3
m2(a)=0.7 m2(D)=0.3
采用D—S规则进行组合,结果为
可以看出,利用D—S推理增强了对对象a持,且有 。
假设一个传感器支持对象A的程度为0.8,而另一个传感器支持对象B的程度为0.9,即
m1(A)=0.8,m1(D)=0.2, m2(B)=0.9,m2(D)=0.1
可以看出,信任度低的对象报告影响了信任度高的对象报告。
D-S规则具有很好的证据聚焦能力,证据经它作用后,概率赋值函数向D中更小的子集移动,但是它无法处理不一致的极限情况。如当m1(A)=1,m2(B)=1时,组合公式中的分母项为零,D-S规则无法对其进行组合。对存在判断冲突的证据,D.S规则也不能起到正确的聚合作用,必须对规则进行修正以后才能使用D.S证据理论进行证据聚合。
(三)D—S证据理论在事态估计中的应用
对于势态估计系统来说,由领域知识产生的网络空间中可能出现的势态分类就是命题,各个传感器通过检测,处理给出的对事件发生的判断就是证据。这样,把势态分类看作假设的原因,而从传感器获得事件发生的数据则可以看作是已经检测到的结果。势态估计从检测事件的发生开始,在检测到事件后,由领域知识产生对某些命题的度量,这些度量即构成了证据,并利用这些证据通过构造相应的基本概率分配函数,对所有命题赋予一个置信度。对于一个基本概率分配函数以及相应的辨识框架,合称为一个证据体,而势态估计的实质就是
在当前每个势态分类的条件下,利用Dempster合成规则将从事件产生的不同证据合成为一个证据体。
由于多个证据的结合与次序无关。所以多个的证据合成计算等同于两个证据合成的计算递推得到的结构等效图(如图2)。
图2:多个证据结合的等效形式
显然,图2所示的证据合成计算对实时性要求很高的势态估计是非常有用的。在势态估计系统中,先初始化一次对基本概率的分配,然后,每收到一则事件发生的上报信息,就进行一次基本概率的分配,再使用Dempster合成规则得到新的基本概率分配,并把合成后的结果送到决策逻辑进行判断,将具有最大置信度的命题作为备选命题。当不断有事件发生时,这个过程便得以继续,直到备选命题的置信度超过了一定的阀值,即认为该命题成立。
参考文献:
[1]何友,王国宏,彭应宁.多传感器信息融合及应用[M].北京电子工业出版社,2000
[2]徐华中,吴苏.浅谈多传感器信息融合技术[J].东华理工学院学报,2007(2):189-192
[3]杨露菁,余华.多源信息融合理论和应用[M].北京邮电大学出版社,2006