北航多源信息融合总复习课2016

分布式融合结构
混合式融合结构
集中式融合与分布式融合结合相结合 特点：适合复杂高、难度大的大系统，可扩充性一般 各局部节点可以同时或分别是集中式、分布式或混合式的融合 中心，系统的融合节点再次对各局部节点传送来的航迹进行相关和 合成。 优点：信息损失中等，融合难度中等；缺点：系统结构复杂，实现 难度高，成本高
传 感 器 采 集
数据
数据级融合
1.2 数据融合方法的分类
集中式融合结构
集中式融合结构将检测数据传递到融合中心，然后进行数据 对准、点迹相关、数据互联、航迹滤波、预测与综合跟踪等。 优点：信息损失最小；缺点：互联比较困难，并且要求系统必须具 备大容量的存储能力，计算负担重，系统生存能力较差 分布式融合结构中，每个传感器的检测数据在进入融合以前， 先由它自己的处理器产生局部决策结论，然后将处理过的信息送至 融合中心，完成综合决策，形成全局估计。 优点：计算量小，易实现，系统生存能力强；缺点：信息损失量大
0, 存在判决为0的传感器 u0 1, 所有传感器判决为 1
系统的检测概率和虚警概率分别为：
Pd＝ P
i 1
N
i d
Pf ＝ Pfi
i 1
N
可大大降低系统的虚警概率，但系统检测概率
也随之降低。
2.3 分布式融合检测系统
表决融合检验准则
在具有n个传感器的检测网络中，设定一个阈值k，
改善检测性能
2. 1 检测融合系统的分类
多传感器检测融合系统由多个传感器及融合中心构成。
sensor 1
MCU
融合中心
sensor 2 …
传感器节点
sensor n 能量供给单元
融合系统的融合方式分为集中式和分布式
2. 2 集中式检测融合系统特点
优点：
融合中心数据全面 最终判决结果理论置信度高
其中λ0 是Pf 的函数。
2.3 分布式融合检测系统
λ0值的确定
对于给定值 Pf，应满足：
P(D1 / H0 ) P[ p1 ( y) 0 p0 ( y) / H0 ] Pf
显然，Neyman-Pearson准则不需要各个假设 的先验概率。
从而最大后验概率融合检测准则也可写为：
P(u / H1 ) P( H 0 ) ? H1 : H 0 P(u / H 0 ) P( H1 )
2.3 分布式融合检测系统
一般表示为：
(u) 0 ? H1 : H0
(u )
P(u / H1 ) P(u / H 0 )
定义为似然比。
Neyman-Pearson融合检测准则
该融合准则的基本原则是在假定虚警概率不超过某个
特定上限的前提下，使检测概率最大。即通过选择y空 间的R1 区来解决以下问题：
max P( D1 / H1 ) max p1 ( y )dy
R1
P ( D1 / H 0 )
R1
p ( y)dy P
2.3 分布式融合检测系统
2.3.2 二元假设检验问题

在二元假设检验问题中，每个传感器的决策值ui为二元值，定义 如下：
0，假设 H 0 (判定为无目标） ui (i 1,2,…,N) 1，假设 H1 (判定为有目标）

设 P(H0)=P0 和 P(H1)=P1分别为H0和H1出现的先验概率，且P0 +P1=1
2.3 分布式融合检测系统
最大后验概率融合检测准则
根据已有数据，选择最有可能产生该数据的假设。令 P(H
j
/ u)
表示在给定全局观测u的前提下，H j 为真的概率，则取 对应于 max P( H j / u) 的一个假设。融合规则为： P( H1 / u ) 1? H1 : H 0 P( H 0 / u )
P(u / H1 )
因此，式
、 P(u / H0 ) 为似然函数。
(u) 0 ? H1 : H0
也称为似然比检验。
2.3 分布式融合检测系统
以上给出的是最大后验概率准则的一般原理，下面
推导分布式多传感器检测系统中基于最大后验概率 准则的融合检测原理。
(u )
P (u / H1 ) P(u / H 0 )
Pd
j k
n
n
ui j
ui j

ui i 1ui P (1 P di d) i
ui i 1ui P (1 P fi f ) i
Pf
j k

该准则下k的取值很关键，应该在满足一定虚警
率的前提下尽可能提高检测率，或在两者之间 进行权衡，与实际要求有关。
(1) H 为真，判决u 0;
0 0
(2) H 为真，判决u 1;
1 0
(3) H 为真，判决u 1;
0 0
(4) H 为真，判决u 0。
1 0
（1）、（2）为正确选择，（3）称为虚警（没有目标而判
断为有目标）、（4）称为漏检（有目标判断为没有目标）， 为错误选择。
多传感器目标检测的目的就是使目标检测的漏检率和虚警率
Y2
S1
Y1
S1
U1
现象 S2
……
YN
S2
SN
…… YN
S3
分散结构
Y2
U2
串行结构
树形结构
U1 Y4
S1
S4 S2
U2
……
U3
SＮ
…… UN
UN
U1
检测融合中心 U2
U0
Y5
S5
U5=U0
现象
Y1 Y2 U1
……
U2
YN UN-1
S1
S2
……
SＮ
U0
2.3 分布式融合检测系统
2.3.2 二元假设检验问题
尽可能低。
2.3 分布式融合检测系统
2.3.4 常见融合策略
“与”融合检测准则 “或”融合检测准则 表决融合检测准则 最大后验概率融合检测准则 Neyman-Pearson融合检测准则
贝叶斯融合检测准则
最小误差概率准则
2.3 分布式融合检测系统
“或”融合检测准则
“与”融合检测准则为：
当存在k个以上的传感器支持某一假设时，则判定 该假设成立。融合准则如下：
N 1, ui k i 1 u0 N 0, u k i i 1
其中， 1 k n
。当
kn
时，为“与”方
法； 当
k 1
时，为“或”方法。
2.3 分布式融合检测系统
系统的检测概率和虚警概率分别为：
1.1 数据融合级别
高 层 次 融 合
决策
决策级融合
每个传感器先基于自己的数据做出 决策，然后由融合中心完成局部决策。 优点：通信量小、抗干扰能力强、融 合中心处理代价低 不足：数据损失量最大、精度最低
由 筛 低 和 抽选 层 象、 到 整 合 高 层
信息
特征级融合
每个传感器先抽象出自己的特征向 量，然后由融合中心完成融合处理。 优点：进行了数据压缩、对通信带宽 的要求低、利于实时处理 不足：有信息损失、融合性能降低 直接对传感器的观测数据进行融合 处理，然后基于融合后的结果进行特征 提取和判断决策。 优点：数据损失量较少，精度最高 不足：实时性差、要求传感器是同类的、 数据通信量大、抗干扰能力差、处理的 数据量大
i

P(u P(u
R1 R1 i f R1
1/ H1 ) P(ui 0 / H1 ) 1/ H 0 ) P(ui 0 / H 0 )
R0 i m i m R0 R0
i

(1 P ) P
i f R1 R0
P (1 P )
2.3 分布式融合检测系统
将以上连乘式转化为连加式，两边取对数得：
两边取对数可得另外一种形式：
P( H1 / u ) log 0? H1 : H 0 P( H 0 / u )
2.3 分布式融合检测系统
应用贝叶斯法则：
P(u / H i ) P( H i ) P( H i / u ) , (i 0,1) P(u )
故：
P( H1 / u) P(u / H1 ) P( H1 ) P( H 0 / u ) P(u / H 0 ) P( H 0 )

局域决策值传送到融合中心构成融合中心的观测向量：
U (u1 , u2 , …… , uN )

融合中心基于U获得全局决策U0，融合中心的决策值为： 0，假设H 0 (判定为无目标）
u0 1，假设H1 (判定为有目标）
2.3 分布式融合检测系统
2.3.3 二元假设检验结果
这种判决结果有四种可能性：
定义：利用计算机技术，对不同传感器按时序获得 的观测信息，按照一定的准则加以自动分析、优化和综 合，为完成所需的决策和估计任务而进行的信息处理过 程。
1. 数据融合概述
数据融合过程：
分析来自所有传感器的数据，并对其进行配准、关联、相 关、估计、分类与信息反馈等。 配准：将传感器数据统一到同一时间和空间参考系中 关联：使用某种度量尺度对来自不同传感器的数据进行比较， 确定进行相关处理的候选配对 相关：对关联后的数据进行处理以确定它们是否属于同一个 目标 估计：依据相关处理后的结果对目标的状态变量与估计误差 方差进行更新，实现对目标的未来状态预测 分类：通过对特征数据的分析，确定目标的类型等
《多源测试信息融合》复习课
Outline
1. 2. 3. 4. 5. 6. 7. 8. 数据融合概述 检测融合 属性融合 基于Bayes统计理论的信息融合技术 基于模糊集合论的信息融合技术 证据理论基础知识及其改进 证据理论在数据融合中的应用 期末据融合