随机集理论概述
OFDMA上行系统中基于随机集理论的多用户信道估计

收 稿 日期 : 2 1-11 ;修 回 日期 :2 1-70 0 10 —7 0 l0 —1
的 OF DMA 上行 多用 户信 道估 计算 法 。 献 [】 文 3则是 将 不 规 则 采 样 (rg lrsmpig 技 术 引 入 到 信 道 i e ua a l ) r n
估 计算法 中,降低 了信 道估 计算 法 的复杂度 。与文
且信 道状 态和 系 数在 一个 O DM 符 号 内保持 不变 , F
会 消 失或有 新 的活 动用 户 出现I 因此 系统 中活 动 6 , ,
用 户数 是动 态变 化 的 :此 外 ,每 个 活动 用户 对应 的 信 道 多径 数 以及 多径 衰 落系 数也 可 能是 时变 的L。 8 J
( 宁大学 信 息 学 院,辽 宁 沈 阳 1 0 3 ) 辽 0 6 1
摘
要 :针对正交频分 多址( F MA) O D 上行系统 ,提 出一种基于随机集理论的导频辅助多用户信道估计算法 。该算
法利用有 限随机集合来 建模 和表 示 O DMA上行系统中的用户状 态、各用户对应的多径信道状态 以及信道冲激 响 F 应等未知量 ,采用 贝叶斯滤波理论来描述多用户信道估计 问题 ,通过使用 R oBak lz d 子滤波 算法 ,实现 a — l we ie 粒 c l 了活动用户数和信道 多径 数动态 变化情况下的多用户时变信道估计。计算机仿真结果证明了该算法的有效性。 关键词 :OF DMA系统 ;信道估计 ;随机集 ;粒子滤波
基于随机集理论的多个声目标融合跟踪

Ke wo d :r n o s lt e r ;m u t t r e r c i g;Ba e it r y r s a d m e h o y li a g t a k n t y sfle ;PH D i r a sv c u tcl c l a i n f he ;p s i e a o s i o ai t z o
p o a i t y o h ss d n iy ( qD)p r il i e s u e 0 s l e t e mo e . Ai i g a h r b e o h r b b l y h p t e i e s t PI i a t e fl r i s d 1 o v h c t d1 m n t t e p o lm f t e
机 有 限 集 模 型 , 用 概 率假 设 密度 ( r b bl y h p t e i d n i , lI) 子 滤 波 对 该模 型 进 行 求 解 。针 对 P 采 p o a it y o h s e s y P I 粒 i s t ) HD 滤 波 器 只 适 用 于单 传 感 器 的 问 题 。 出 了一 种 实现 多个 声传 感 器 融 合 跟 踪 的 方 法 。 该 方 法 在 序 贯 P 提 HD 滤 波 器 的 基 础 上进 行 改 进 , 高 了 目标 检 测 率 , 过 仿 真 实验 验 证 了该 方 法 的 有 效 性 。 提 通 关 键 词 :随机 集理 论 ;多 目标 跟 踪 ; a e 滤 波 ; 率 假 设 密度 滤 波 ; 动 声 定 位 B ys 概 被
DSmT框架下PCR分配法则的随机集表示

0 引 言
随机集理论是一种能够有效地统一 概率论 、证据 理论 、 模糊集理论 、可能性 理论 和粗糙集 理论等 多种 不确定 性理 论 的有效数学工具L 1 。 ] 。随机集理论作为一 门基 础理论 ,它 的研究起源 于经济系统和控制 系统 的需求 。Ke n d a l l 对基于 关联 函数 的随机集 理论进 行研 究 ,从而奠 定 了随机集 理论 的基础 ;Ma t h e r o n给出了随机集 与随机过 程和现代 鞅论 的
MA Li — l i 。Z HANG F e n。CHEN J i n - g u a n g
( S c h o o l o f C o mp u t e r S c i e n c e ,Xi ’ a n P o l y t e c h n i c Un i v e r s i t y ,Xi ’ a n 7 1 0 0 4 8,Ch i n a ) Ab s t r a c t : Re p r e s e n t a t i o n o f e v i d e n c e t h e o r y b y r a n d o m s e t s c a n ma k e s d i f f e r e n t t y p e s o f i n f o r ma t i o n t o b e mo d e l e d a n d p r o c e s s e d
p r o c e s s i n g f o r i n f o r ma t i o n f u s i o n . Ke y wo r d s :DS mT;P CR;r a n d o m s e t s ;e v i d e n c e t h e o r y;i n f o m a r t i o n f u s i o n
随机集理论

(2)对于任意的 A1, A2,L , An P (U ) n
U I Bel( Ai ) [(1) I 1 Bel( Ai ) :
i 1
iI
I {1, 2,L , n}]
则称Bel是U上的一个信任测度。
如果集函数 pl :P (U ) [0,1] ,满足
(1) pl() 0, pl(U ) 1
电子与信息工程学院综合自动化研究所 电话(029)82668775
设 m1, m2 是U上的两个mass函数,则 m() 0
m( A)
1 N
EI
m1( E)m2 ( F ),
FA
是随机集,且对 , X () , X () U ,则
m(A) P{X 1(A)}
注意:原来mass函数、信任测 度和似然测度可以用随机集完 全描述。 mass函数是集合逆的 概率,而信任测度只是集合下 逆的概率,似然测度只是集合 上逆的概率。
Dempster-Shafer合成公式
随机集的上概率与下概率
电子与信息工程学院综合自动化研究所 电话(029)82668775
设 X : P (U ) 是随机集,对于AP (U ) ,其上概率定义
为
PX ( A) @P( A) / P(U );
下概率定义为
PX ( A) @P( A) / P(U ) ; 在假定 ,X () 时 ,则U ,P(U ) 1 ,此
证据理论的随机集描述
电子与信息工程学院综合自动化研究所 电话(029)82668775
➢ 再说医生诊断病例 ➢ mass函数的定义 ➢ mass函数与随机集 ➢ Dempster-Shafer合成公式 ➢ 合成公式的随机集证明 ➢ 可能性分布与mass函数的转换
粗糙集理论的基本概念与原理

粗糙集理论的基本概念与原理粗糙集理论是一种用于处理不确定性和模糊性问题的数学工具,它的提出源于20世纪80年代初期的波兰学者Zdzisław Pawlak。
粗糙集理论的核心思想是通过将数据划分成不同的等价类,来描述和处理不完全和不确知的信息。
本文将介绍粗糙集理论的基本概念与原理。
1. 粗糙集的定义与等价关系粗糙集是指将一个数据集划分成若干个等价类,其中每个等价类称为一个粗糙集。
在粗糙集理论中,等价关系是一个重要的概念。
等价关系是指具有自反性、对称性和传递性的关系。
在粗糙集理论中,等价关系用来描述数据中的相似性和差异性。
2. 上近似集与下近似集上近似集是指在一个粗糙集中,包含了所有与该粗糙集中的元素相似的元素。
下近似集是指在一个粗糙集中,包含了所有与该粗糙集中的元素不相似的元素。
上近似集和下近似集是粗糙集理论中的两个重要概念,它们用来描述数据的粗糙性和不确定性。
3. 约简与精确度约简是粗糙集理论中的一个重要操作,它的目的是通过删除一些不必要的属性或条件,从而减少数据集的复杂性,提高数据的处理效率。
约简可以通过删除一些不重要或不相关的属性来实现。
精确度是用来评估数据集的质量和可靠性的指标,粗糙集理论通过约简来提高数据集的精确度。
4. 粗糙集与模糊集粗糙集理论与模糊集理论有一些相似之处,但也存在一些差异。
模糊集理论是一种用来处理模糊和不确定性问题的数学工具,它通过给每个元素赋予一个隶属度来描述元素的模糊性。
而粗糙集理论是一种用来处理不完全和不确知信息的数学工具,它通过将数据划分成不同的等价类来描述数据的粗糙性。
5. 粗糙集的应用领域粗糙集理论在许多领域中都有广泛的应用。
在数据挖掘领域,粗糙集理论可以用来处理不完全和不确定的数据。
在人工智能领域,粗糙集理论可以用来处理模糊和不确定性问题。
在决策支持系统领域,粗糙集理论可以用来辅助决策过程。
在模式识别领域,粗糙集理论可以用来提取和分类模式。
总结:粗糙集理论是一种用于处理不确定性和模糊性问题的数学工具,它通过将数据划分成不同的等价类来描述和处理不完全和不确知的信息。
粗糙集理论简介及基本概念解析

粗糙集理论简介及基本概念解析粗糙集理论是一种用于处理不确定性和模糊性问题的数学工具,它由波兰学者Pawlak于1982年提出。
粗糙集理论的核心思想是通过对数据进行粗糙化处理,将不完全、不确定的信息转化为可处理的粗糙集,进而进行数据分析和决策。
粗糙集理论的基本概念包括:粗糙集、等价关系、下近似集和上近似集。
首先,粗糙集是指在不完全信息条件下,通过将数据进行粗糙化处理得到的集合。
粗糙集可以看作是原始数据的一个近似描述,它包含了原始数据的一部分信息。
粗糙集的构建是通过等价关系来实现的。
其次,等价关系是粗糙集理论中的一个重要概念。
等价关系是指在给定的数据集中,将数据划分为若干等价类的关系。
等价关系的划分可以通过相似性度量来实现,相似性度量可以是欧氏距离、余弦相似度等。
等价关系的划分可以将原始数据进行分类,从而构建粗糙集。
下面,我们来介绍下近似集和上近似集。
下近似集是指在给定的粗糙集中,对于某个特定的属性或条件,能够确定的元素的集合。
换句话说,下近似集是能够满足某个条件的元素的集合,它是粗糙集的一个子集。
而上近似集是指在给定的粗糙集中,对于某个特定的属性或条件,可能满足的元素的集合。
上近似集是包含下近似集的最小集合,它是粗糙集的一个超集。
粗糙集理论的应用非常广泛,特别是在数据挖掘和模式识别领域。
通过粗糙集理论,可以对大量的数据进行处理和分析,从中发现隐藏的规律和模式。
粗糙集理论可以用于特征选择、属性约简、数据分类等任务,为决策提供有力支持。
总结起来,粗糙集理论是一种处理不确定性和模糊性问题的数学工具。
它通过粗糙化处理将不完全、不确定的信息转化为可处理的粗糙集,进而进行数据分析和决策。
粗糙集理论的基本概念包括粗糙集、等价关系、下近似集和上近似集。
粗糙集理论在数据挖掘和模式识别领域有着广泛的应用,可以用于特征选择、属性约简、数据分类等任务。
通过粗糙集理论,我们可以更好地理解和处理不确定性和模糊性问题,为决策提供有力支持。
数学中的随机矩阵理论

数学中的随机矩阵理论随机矩阵理论是概率论和线性代数相结合的一个重要分支,研究的是由随机元素构成的矩阵的性质和行为。
随机矩阵理论在金融风险评估、统计物理、无线通信等领域有广泛的应用。
本文将介绍随机矩阵的基本概念以及与其相关的一些重要结果。
一、随机矩阵的定义和表示随机矩阵是由随机变量构成的矩阵,矩阵的每个元素都是一个随机变量。
随机矩阵可以用分布函数、特征函数或密度函数来表示。
例如,一个n×n的随机矩阵可以表示为:X = [X_{ij}]_{n×n}其中,X_{ij}表示随机矩阵X的第i行第j列的元素。
二、随机矩阵的矩阵期望和方差在随机矩阵理论中,由于矩阵的元素是随机变量,我们可以对矩阵的期望和方差进行定义。
对于一个n×n的随机矩阵X,它的矩阵期望是一个与其维度相同的矩阵,其中的每个元素是对应位置上随机变量的期望值。
矩阵期望可以表示为:E[X] = [E[X_{ij}]]_{n×n}其中,E[X_{ij}]表示随机矩阵X的第i行第j列元素的期望。
类似地,随机矩阵的方差也可以定义为一个与其维度相同的矩阵,其中的每个元素是对应位置上随机变量的方差。
方差可以表示为:Var[X] = [Var[X_{ij}]]_{n×n}其中,Var[X_{ij}]表示随机矩阵X的第i行第j列元素的方差。
三、随机矩阵的谱分布随机矩阵的谱分布是指矩阵特征值的分布。
在随机矩阵理论中,研究随机矩阵的谱分布是一个重要课题。
基于大数定律和中心极限定理,对于大部分随机矩阵,它们的谱分布将收敛于一个确定的分布,即谱分布的极限分布。
谱分布的极限分布可以用概率密度函数来表示。
常见的谱分布有高斯分布、圆法分布和毛普尔-库斯捷涅兹谱等。
根据不同类型的随机矩阵,谱分布的极限分布也会有所不同。
四、随机矩阵的性质和应用随机矩阵理论不仅研究随机矩阵本身的性质,还研究它们与其他数学对象之间的关系。
例如,随机矩阵与图论、随机过程等数学工具的结合可以分析网络数据、金融市场的波动性等问题。
随机集理论及其在信息融合中的应用

1 引言
经过几十年的研究和发展,多源信息融合技术 已经被 应 用于军事 、航天、多 目标跟 踪和 识别 、惯性导航 、遥感、机 器人 自主导航 、医学诊断 、工业过程监控 、设备故 障诊 断、 网络入侵检测 、防止恐怖袭击和评估袭击 结果、生物认证 、
复杂工业过程控制和环境髓测等众多军用和民用领域【 。
维普资讯
第 2 卷第 1 期 8 1
2 0 年 1 月 06 1
电 子I No 1 2 NO . 0 6 V2 0
J u n l fEe to is& If r to e h oo y o r a o lcrnc no mainT c n lg
几年 由 Ma lr h 提出的有限集合统计学(IS ) 论—— 随机集理论 的特例 ,从概率论 角度统一表述 了信息融合技术 e FS T L  ̄
的主要 方面 。 该文对近十几年随机集信息融合技术的发展加 以回顾 , 主要包括随机集理论的产生背景、 基小的思想
和理论框架,以及 当前 的应用领域 。最后指 出了随机集理论将来可 能的发展方 向。 关键 词 信 息融合 ,随机集 ,有 限集合统计学 ,多 目标跟踪,贝p 沂滤波 - I 寸 中图分类号 : P 9 T 3I 文献标识码 : A 文章编号:10 .8 62 0 ) 1 l90 0 95 9 (0 6 l. 9 .6 2
( s tt o nom t na dC nrl nzo a z U i ri , a gh u 10 8 C ia I tue fI r ai n o t , g h u ni nv sy H nz o O I, hn ) ni f o o Ha Di e t 3
Ab t a t T ete r n to fmut s uc fr t nfso a ea q i dpe t f h uc me ntep s 0 sr c h h o ya d meh do l-o rei omai u inh v c ur lny o t eo to si h a t i n o e 2 y as Ho v rtete rt a fa wo ko fr t u ini n t sa l h du h rs n. e e t h nt s t e r. we e h o ei l rme r fi o mai f so o tb i e pt tep ee t R c nl tef i e h c n on s e s O y i e
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
随机集概述1 引言随机集理论(Random Sets Theory, RST)主要是指有限集统计(FISST)理论,需要较为复杂的数学基础,如集合论、逻辑代数、测度论、拓扑学和泛函分析等。
该理论能够解决复杂环境下信息融合、多目标跟踪的各种问题,是目前信息融合和多目标跟踪研究领域最受关注的方向之一。
利用随机集理论,可以将多目标问题中的探测、跟踪、属性识别等问题统一起来,并能解决多目标状态的后验估计、多目标信息融合算法的性能评估等棘手问题。
20世纪70年代,随机集理论最早由D.G.Kendall和G.Matheron分别基于统计几何的思想各自独立提出的。
G. Matheron在研究的过程中丰富了随机集理论。
随后,Mahler于1994年系统地提出了随机集理论的一种特例即有限集合统计学理论,该理论在信息融合和多目标跟踪领域中的应用经历了三个发展阶段:(1)研究起步阶段(1994—1996年)该阶段的研究主要集中在多传感器多目标跟踪问题利用随机集理论的数学描述。
Mahler 将一些单传感器和单目标的概念“直接”推广到多传感器多目标系统。
利用Bayes方法、随机集统计学理论对多传感器多目标状态估计问题进行了重新描述,并证明Dempster-Shafer 理论、模糊逻辑、基于准则的推理都是规范Bayes建模方法的推论。
(2)研究发展阶段(1997—1999年)这段时期,Mahler等人在前期研究基础上完善了多目标系统规范Bayes方法的有关内容,更着力设计一种更为系统和实际的不确定信息处理和融合方法。
(3)理论研究成果的实现阶段(2000—至今)在此期间,Mahler等人利用随机集理论将单传感器单目标系统推广到多传感器多目标系统的研究中。
从统计的角度提出了多目标集合概率分布的“一阶矩滤波器”概念以及相应的PHD滤波算法。
近年来,基于随机集理论的方法应用在信息融合和多目标跟踪中,越来越受到学者的重视,国外学者以I. R. Goodman,Ronald Mahler,Ba-Ngu V o等为代表,已取得大量的理论成果以及一些应用成果。
国内对随机集理论在多目标跟踪方面的研究只处于起步阶段,对于随机集的研究仍很大程度停留在枯燥的理论研究阶段的初期。
但对于有限集合统计(FISST)的研究已有了初步的成果,近五、六年内才逐渐有关于这方面的文章发表。
随着国外研究的发展推动,国内有很多科研单位已经开始进行该领域的探索研究,以上海交通大学的施文康教授、杭州电子科技大学的文成林教授、海军航空工程学院的何友教授为代表的研究者及其研究团队在随机集领域做了大量的理论工作,已取得一些研究成果,但并没有形成明显的应用研究成果。
因此,在随机集统计理论、PHDF算法研究和应用实践方面,特别是随机集在多目标跟踪方面的研究,我国仍然需要加大投入,赶超国外的先进技术,促使以后的研究工作将更多的集中在如何将它应用到现实环境中。
2 随机集理论及其性质2.1 随机集理论随机集是指取值为集合的随机元,是概率论中随机变量(或随机向量)概念的推广,实际上就是元素及其个数都是随机变量的集合。
随机变量处理的是随机点函数,而随机集处理的是随机集值函数。
随机集理论是点变量(向量)统计学向“集合变量”统计学的一种推广。
这里可用两个例子来形象的说明随机变量和随机集的概念。
图2.1(a)以“转盘赌博”游戏为例解释随机变量的概念。
转盘的每一次旋转相当于一个随机试验w,它属于样本空间Ω。
每次随机试验得到的结果是指针指向的随机整数值x ,它是一个随机变量,它取集合A 中的某一个数值。
这里A={$0,$5,$10,$15,$25,$30,$80,$100},可对每个x (w )的取值赋予一定的概率P 。
类似地,一个随机集也是一个随机变量,但是它的取值是一个集合,即由某个集合的若干子集构成的集类上的一个元素。
图2.1(b)是以多目标身份识别为例解释随机集的概念。
设A ’={a , b , c }代表三种不同类型的目标,则A ’的8个子集构成一个集类,其中包括空集。
若随机试验与上例中相同,则每次随机试验得到的结果是指针指向的随机有限集合X ,这就是一个随机集,并可对随机集的每次实现赋予一定的概率P ,如图2.1(b)所示,例如X (w )={a , b }表示观测到a 、b 两个目标,X (w )={Ø}表示没有观测到目标。
可见,当X (w )只取单元素集合时,它就相当于一个随机变量。
P (w ∈Ω:x (w )=$0)=0.284P (w ∈Ω:x (w )=$5)=0.200P (w ∈Ω:x (w )=$10)=0.126P (w ∈Ω:x (w )=$15)=0.131P (w ∈Ω:x (w )=$25)=0.082P (w ∈Ω:x (w )=$30)=0.095P (w ∈Ω:x (w )=$80)=0.048P (w ∈Ω:x (w )=$100)=0.034P (w ∈Ω:x (w )={a })=0.284P (w ∈Ω:x (w )={b })=0.126P (w ∈Ω:x (w )={c })=0.082P (w ∈Ω:x (w )={a ,b })=0.200P (w ∈Ω:x (w )={a ,b })=0.131P (w ∈Ω:x (w )={b ,c })=0.095P (w ∈Ω:x (w )={a ,b ,c })=0.048P (w ∈Ω:x (w )={Ø})=0.034(a)(b)图2.1 随机变量和随机集 (a)随机变量 (b)随机集2.2 随机集的基本概念在随机试验中用Ω表示试验的样本空间,Ω中的基本元素为ω,称为样本点。
事件是Ω的一个子集,但是一般情况下不把Ω的所有子集都作为事件来考虑,而是把具有某种限制而又相当广泛的一类Ω的子集作为事件,因此有事件域的概念。
定义2.1 设Ω是样本空间,F 是由Ω的一些子集构成的集合,如果满足以下条件: (1) Ω∈F ;(2) 若A ∈F ,则A 的补集也属于F ;(3) 若对于1,2,,n n A σ∀=∈ ,则1n n A F ∞=∈ 。
则称F 为事件域,F 中的元素称为事件。
一般把满足上述条件的集F 称为σ-域,所以事件域是一个σ-域。
在事件域F 的基础上,设定义在F 上的实值集函数P (A )满足下述条件:非负性:A F ∀∈,有P (A )≥0; 归一性:P (Ω)=1;可列可加性:若对于1,2,,n n A F ∀=∈ ,且对i j ∀≠,A i A j = Ø;有:11()()n n n n P A P A ∞∞===∑则称P 是定义在二元组(Ω,F )上的概率,P (A )为事件A 的概率。
样本空间Ω,事件域F 和概率P 是描述一个随机试验的三个基本组成部分,三者的有序总体(Ω,F ,P )为概率空间。
定义2.2 设F 是样本空间Ω上的一个σ-域,称序偶(Ω,F )为可测空间。
在概率空间与可测空间的基础上,引入随机集的概念。
定义2.3 设有概率空间(Ω, F , P ),(,)σψψ是一个可测空间,σψ是空间Ψ的σ-域,Ψ的所有子集构成的集类用幂集2Ψ表示,那么随机集可以定义为集值映射:Σ:Ω→2Ψ,定义随机集Σ的概率分布:(){:()},P A P A A ωωσ∑ψ=∑∈∀∈定义2.4 令(,,)P σΩΩΩ是一个概率空间,其中Ω是样本空间,σΩ是Ω上的σ-代数,P Ω是概率测度,(,)θσΘ是一个可测空间。
对于每一个可测映射(,)θσσΩ,有x :Ω→Θ,可以表示为:{x │x (w )∈A }∈σΩ,若A θσ∀∈,则x 是一个随机变量。
下面以一个实例说明随机集概念在信息融合系统中的具体表示:例2.1 已给定概率空间(,,)P σΩΩΩ,样本空间Ω={a , b , c , d }为不同进攻方式的集合,目标空间U={A 1, A 2, A 3, A 4}为几个将被攻击的城市集合,其中:a =“海上进攻”;b =“陆上进攻”;c =“空中进攻”;d =“远程导弹进攻” A i =“攻击第i 个城市”,i =1,2,3,4。
在实战中可以根据已存的经验条件,在进攻方式Ω和目标城市U 之间建立一个多值映射∑:Ω→U 来表示这种军事攻击的目的关系,∑就是一个随机集:∑(a )={A 1, A 2, A 4} ∑(b )={A 3, A 4} ∑(c )={A 1, A 2, A 3, A 4} ∑(d )={A 1, A 2}这种随机集模型的建立,为多信息融合中的态势及威胁估计提供了很好的算式基础,把模糊的威胁概念用清晰的数学形式表达了出来。
而且这种随机集表达,为在战场上利用信息融合技术进行态势和威胁估计提供了条件。
当随机量的值为集合时这个随机量就是随机集。
随机集是一种集合映射,与传统的函数映射相比,随机集将一事件映射为一个集合,当映射成一个变量时,随机集就蜕变为随机变量或随机向量。
因此,随机集理论实际上拓宽了基于概率论的随机过程理论。
从本质上来讲,随机集和随机变量并没有太大的区别,随机变量处理的是随机点函数,而随机集处理的是随机集值函数。
2.2 随机集的集积分和集导分RFS 统计理论的核心是多目标集积分和集导数计算。
因此,在Bayes 框架中,计算多目标估计问题的关键是基于集积分和集导数的信任密度的概念。
定义2.5 设Θ为非空集合,如果集函数m:2Θ→[0,1]满足:m(Ø)=0和()1A m A ⊆Θ=∑,则称由:()(),B ABel A m B A ⊆=∀⊂Θ∑,所定义的函数Bel:2Θ→[0,1]为Θ上的信度函数(BeliefFunction )。
利用随机集得到的概率质量函数需要借助Radon-Nikodym 导数,计算困难。
因此,常用信任质量函数的形式,并利用集导数得到随机集的概率密度函数。
(1)集积分在多目标跟踪中,不管f (Y )是多目标似然或多目标Markov 密度或多目标先验或后验,在区域S Y ⊆内f (Y )的集合积分均可定义为:()()()11112121(){,,}!1(){}{,}2n n n Ss n S S Sf Y Y f y y dy dy n f f y dy f y y dy dy δφ∞=⨯=+++∑⎰⎰⎰⎰其中,S n 是集合S 的n 重的笛卡尔积。
(2)集导数要构造多传感器多目标传感器模型的多目标似然函数g k (Z k |X k ),或者多目标运动模型的多目标Markov 转移密度f k|k -1(Z k |X k -1),就需要集积分的逆操作,即集导数。
令β(S)是任一函数,常为信任质量函数,其中自变量S 是任意闭子集。
如果Z ={z 1,…,z m },其中z 1,…,z m 是互不相同的,集导数定义为:()0()()()lim ()zz z S S S z λββδβδλ∆→∆-∆其中,z ∈Δz ∈S ,Δz 是z 的一个小邻域,()z λ∆是Δz 的Lebesgue 测度,即集合Δz 的超体积。