贝叶斯推理

举例说明

用来自两个传感器的不同类型的量测数据提高矿物的检测率

• 金属检测器（A）能检测出大于1cm且只有几克重的金属碎片的存在
• 地下探测雷达（B）能利用电磁波的差异从土壤和其他背景中发现大于10cm的物体

尽管金属检测器只能简单地区分物体是否含有金属，但是地下探测雷达却具有物体地分类功能，因为它能对物体地多个属性有所响应，如尺寸，形状，物体类型及内部结构等。

可以用贝叶斯推理来计算被测物体是属于哪类的后验概率。因为这里主要检测矿物，所以简单地将物体的类别限定为矿物和非矿物。设矿物类为O1,非矿物类为O2并假设：

P(O1) =0.2 物体为矿物的概率为0.2
P(O2) = 0.8 物体为非矿物的概率为0.8

并且假设金属检测器和地下探测雷达这两个传感器所观测到的数据均为：
1：代表矿物
0：代表非矿物

再进一步假设：
传感器检测出来是矿物质的概率

简单来说，上面就是传感器准确检测出物质的种类的概率

用贝叶斯方法来进行数据融合可以其过程如如下图所示:

因为两传感器产生的信号相互独立，所以传感器联合报表概率为：

其中，i即为A和B。
例如数据当物质为矿物时，检测数据是1,1的概率

简单来说上面就是联合报表里面保存的东西

当数据位(x,x)时，物体是第j类的概率：

简单来说上面就是对数据判断的依据，00,01,10,11改如何判断

结果: