内容简介

《D-S证据理论信息建模与应用》以D-S证据理论应用中的关键问题研究为主线,研讨了D-S证据理论领域有关证据生成、冲突处理和决策等方面的经典研究成果,并介绍了不确定环境下基于证据理论的信息融合应用实例。《D-S证据理论信息建模与应用》共7章。第1章综述了证据理论的基本概念、存在的关键问题、研究现状以及主要应用领域等;第2~6章分别针对证据理论在实际应用中所存在的不确定信息建模、证据冲突度量、冲突证据融合、信度决策及计算复杂度等几个关键问题展开研究,并介绍了国内外一些相关的代表性工作。第7章给出了证据理论的两个典型应用案例,分别是故障诊断及多光谱图像弱小目标跟踪,展示了如何应用证据理论来解决实际工程问题。

目录

目录
第1章绪论1
1.1信息融合1
1.1.1信息融合概述1
1.1.2信息融合模型4
1.1.3信息融合中信息的特性5
1.1.4多源信息融合方法介绍6
1.1.5信息融合的应用7
1.2D-S证据理论8
1.2.1证据理论基本概念9
1.2.2Dempster组合规则10
1.2.3证据理论融合框架12
1.2.4证据理论关键问题13
1.3证据理论研究现状14
1.4证据理论应用概述16
1.5本章小结17
第2章基于证据理论的不确定信息建模18
2.1引言18
2.2现有的BPA生成方法18
2.3基于三角模糊数的BPA生成方法19
2.3.1模糊集理论19
2.3.2基于三角模糊数的BPA生成过程21
2.3.3算例分析27
2.4基于高斯分布的BPA生成方法29
2.4.1基于高斯分布的BPA生成过程29
2.4.2算例分析32
2.5基于可靠性的二元组BPA生成方法35
2.5.1预备知识35
2.5.2基于可靠性的二元组BPA生成过程36
2.5.3算例分析42
2.6本章小结47
第3章证据理论中的冲突48
3.1引言48
3.2证据组合中的冲突悖论49
3.2.1证据冲突49
3.2.2证据冲突产生的原因51
3.2.3证据冲突产生的影响52
3.3证据冲突表示方法概述53
3.3.1冲突系数k53
3.3.2Jousse1me证据距离55
3.3.3Pignistic概率距离以及二元组冲突表示方法57
3.4基于证据关联系数的冲突度量60
3.4.1证据关联系数60
3.4.2证据关联系数的性质61
3.4.3基于证据关联系数的冲突表示63
3.4.4新冲突表示方法下的组合规则适用性67
3.5本章小结71
第4章冲突证据融合研究72
4.1引言72
4.2Dempster组合规则分析72
4.2.1Dempster组合规则及其性质73
4.2.2冲突证据融合问题76
4.3冲突证据融合方法概述77
4.3.1基于修改Dempster组合规则的方法78
4.3.2基于修改原始证据的方法82
4.3.3其他冲突证据组合方法84
4.4基于证据关联系数的冲突证据融合86
4.4.1基于证据关联系数的加权平均组合模型87
4.4.2算例分析88
4.5本章小结91
第5章信度决策模型92
5.1引言92
5.2基于BPA的决策方法92
5.2.1最大信度值原则93
5.2.2“最小点”原则93
5.2.3基于最小风险的决策96
5.3BPA转换概率的方法96
5.3.1Pignistic概率转换97
5.3.2似真函数概率转换100
5.3.3区间概率转换102
5.3.4DSmP概率转换103
5.4证据关联系数最大准则下的BPA转换概率106
5.5本章小结113
第6章证据理论计算复杂度研究114
6.1引言114
6.2问题简述114
6.3近似算法116
6.3.1经典近似算法介绍117
6.3.2基于证据关联系数的BPA近似算法124
6.3.3近似算法的对比分析126
6.4硬件加速129
6.4.1FPGA简介129
6.4.2FPGA开发流程131
6.4.3Dempster组合规则的FPGA实现133
6.5本章小结137
第7章证据理论典型应用案例138
7.1故障诊断138
7.1.1引言138
7.1.2应用背景140
7.1.3电机转子故障诊断框架142
7.1.4故障样板模式隶属度函数的建立143
7.1.5诊断实施145
7.2多光谱图像弱小目标跟踪152
7.2.1引言152
7.2.2应用背景155
7.2.3弱小目标跟踪框架156
7.2.4模型建立157
7.2.5背景运动估计159
7.2.6像素点分类161
7.2.7飞机选取及模型更新167
7.2.8实验结果168
7.3本章小结173
附录175
参考文献183

精彩书摘

  《D-S证据理论信息建模与应用》:
  第1章绪论
  1.1信息融合
  信息融合[1-4]指的是在一定条件下将来自多个传感器的数据进行综合、分析,以实现完成决策和评估等任务的信息处理过程。信息融合也称为数据融合,起源于20世纪70年代美国国防部资助的声呐信号处理研究。经过四十多年的发展,它已经成为一个集多科学、多技术于一体的信息综合处理技术。本章将针对多源信息融合的优势、层次和模型、主要应用领域、基本技术与方法,以及多源不确定信息融合方法等几个方面介绍。
  1.1.1信息融合概述
  多源信息融合(multi-sourceinformationfusion),也称为多传感器数据融合,提出于20世纪70年代。该技术最初应用于军事领域,主要是融合红外以及雷达等多传感器数据。对于信息融合的概念,学者从不同的角度给出了多种定义,比较典型的定义如[5]:信息融合是一种从多层次多方位来处理数据的过程,对多个信息源数据进行自动检测、关联组合和估计;信息融合是应用各种有效方法将从不同来源、不同时间获得的信息自动地转换为一种能为人类提供有效支持的表示形式的研究;信息融合通过组合来自多传感器的数据信息,来获得比单个传感器更准确的推断。美国国防部实验室理事联席会从军事应用角度对信息融合给出如下定义:“信息融合是一个多层次、多方位的过程,它是对多源数据进行检测、组合、关联、估计和组合,以实现准确的状态估计和身份估计,以及完整及时的态势估计和威胁估计”。[6]随着信息化社会的飞速发展,以及智能时代的到来,信息融合越来越受到各个领域的关注,已成为现代信息处理的一种通用工具和思维模式,传统的从军事角度的定义显然已经无法涵盖信息融合技术的全部内容。广义“信息融合”的定义是协同利用多源信息(如传感器数据、专家知识库等),以获得对事物或目标的更客观、更本质认识的信息综合处理技术。
  实际上,人类及其他有认知能力的动物对客观事物的认知过程,就是对多源信息进行融合的一种过程。在此过程中,首先是通过视觉、听觉、触觉、嗅觉和味觉等不同的感官对客观事物实施多种类、多方位的感知,然后由大脑对这些感知信息依据某种规则进行处理,从而得到对客观对象的统一理解和认识。这种由感知到认知的过程就是生物体的多源信息融合过程,而如果用机器来模仿这种由感知到认知的过程,即为人工智能技术。信息融合本质上是对大脑的综合分析信息能力的模拟[5],其目的是获取对事物的认知,来得到有效的决策。它的核心任务是:组合多源信息,使信息更完整;去除冗余与噪声,从而降低信息的不确定性;处理矛盾冲突,提高信息的一致性以及可信度。
  信息融合技术自20世纪70年代问世以来,在军事领域的发展突飞猛进。1973年美国研究机构利用计算机技术对多个连续声呐信号进行融合处理,实现了对敌方潜艇目标的自动检测。之后,美国又陆续开发了数十种不同的信息融合系统,其中战场管理和目标检测(battlefieldexploitationandtargetacquisition,BETA)系统是最典型的代表,该系统在一定程度上证实了信息融合的可行性和有效性。80年代,随着传感器技术的飞速发展和传感器投资的大量增加,军事系统中的传感器数目急剧增加,需要处理的信息量也随之增加,为了满足军事领域中作战的需要,多传感器数据融合(multi-sensordatafusion,MSDF)技术应运而生。1984年,美国国防部成立了数据融合专家小组指导、组织和协调信息融合技术的研究。伴随着在领域的成动应用,信息融合技术在民用领域也得到迅猛发展,主要包括智能交通系统、图像处理、故障诊断、项目投资管理以及城市规划资源管理和智能制造系统等[1]。
  在学术研究方面,自1987年起,美国三军每年召开一次信息融合学术会议,并通过国际光学工程学会(SocietyofPhoto-OpticalInstrumentionEngineers,SPIE)传感器融合专集、IEEETrarnsactiornson,AerospaceandElectrofnicSystems等发表有关论文;多个IEEE国际会议也不断报道信息融合领域的最新研究成果。国际信息融合学会(InternationalSocietyofInformationFusion,ISIF)于1998年在美国成立,自成立以来每年召开一次信息融合国际学术大会,并创立了国际期刊InformationFusion;1985年以来,国外先后出版了多本有关信息融合方法的专著,其中Hall和Llinas等对常用的数据融合算法进行了汇总和概括[7]。国内关于信息融合理论和技术的研究则相对起步较晚,20世纪80年代末我国开始出现有关多源信息融合理论的报道。90年代初,这一领域在我国才逐渐形成高潮,并一直持续至今。1995年,关于数据融合的首次讨论会在长沙举行,之后我国也相继召开了几次小型信息融合研讨会。2009年,首届中国信息融合学术年会在山东烟台的海军航空工程学院召开,加强了我国信息融合领域的交流与合作,促进了信息融合理论和方法的深入研究与推广应用。此次会议中还成立了中国航空学会信息融合分会,它是国内首个信息融合学会组织。这些交流活动对我国信息融合事业的发展起到了积极推动作用。近年来,我国信息融合领域的专家、学者也出版了多部信息融合专著。
  信息融合的实现可分为不同的抽象层次,一般可归结为数据级融合、特征级融合以及决策级融合三层,它们分别对原始数据、提取的特征信息和经过评估得到的局部决策信息进行融合。数据级和特征级融合属于低层次融合,高层次的决策级融合涉及态势认识与评估、影响评估及融合过程优化等。
  数据级融合是最低层的融合,直接对传感器所观测的数据进行融合处理,然后基于融合结果进行特征提取和判断决策,如图1.1所示。数据级融合的主要优点有:数据量的损失较少,可以提供其他融合层次所不能提供的一些细微信息,精度较高,但也存在一定的局限性。例如,数据级融合所处理的传感器数据量较大,因此处理代价较高,消耗时间长,实时性差;因为在低层处理,传感器信息具有较高的不确定性、不稳定性以及不完整性,所以在融合过程中对系统的纠错处理能力要求较高;此融合过程还要求传感器的种类相同,而且由于数据通信量大,抗干扰能力较差。
  图1.1数据级融合
  特征级融合是位于中间层次的融合,大致过程如图1.2所示。首先,每个传感器抽象提取出自己的特征向量,这些特征信息一般是数据信息的充分表示量或充分统计量;其次,对特征向量进行关联分析;最后,融合各传感器的特征向量。特征级融合过程完成的是特征向量的融合处理,它的优点是实现了数据压缩,降低了对通信带宽的要求,利于实时处理,但因为在压缩的过程中会损失部分有效信息,所以融合性能有所降低。特征级融合可分为目标状态信息融合和目标特征信息触合两类。目标状态信息融合主要是用在多传感器目标跟踪领域,首先对传感器获得的数据进行处理来完成数据配准,然后进行数据关联和状态估计。目标状态信息融合的具体数学方法有联合概率数据关联法、交互式多模型法以及卡尔曼滤波理论等。而目标特征信息融合实际属于模式识别问题,具体的数学方法有聚类方法、人工神经网络以及k阶最近邻法等。
  ……

其他推荐