多传感器信息融合

第3章 通用的数据建模

3.1 本章建模

信息形式：高度迥异且模糊

可用统计形式的数据：雷达提供的数据

不可用统计形式的数据：

1. 合成孔径雷达图像
2. 自然语言表示
3. 从信号中提取的特征
4. 从知识库中抽取的规则

两种数据：状态估计和观测

四种类型的观测：

1. 本源明确的精确观测（UGU）
2. 本源明确的模糊观测（UGA）
3. 本源模糊的模糊观测（AGA）
4. 本源模糊的精确观测（AGU)

3.2 不确定性建模种的问题

多确定性的情况：

1. 多目标引入的不确定性
2. 虚警引入的不确定性
3. 不可信而引入的不确定性
4. 诱骗引入的不确定性
5. 逃避动坐引入的不确定性
6. 位置相关性引入的不确定性

不确定性：

1. 数据本身的不确定性
2. 生成过程种由随机性和知识局限性大致的各类不确定习性

由知识局限性引入的不确定性：

1. 不精确性
2. 模糊性
3. 不确定性
4. 偶然性（于规则相伴）

3.3 数据不确定性建模中的问题

观测表示：

1. 普遍做法：欧氏空间$R^m$中的矢量$z$表示观测

2. 实际：$z$是一种数学抽象，表示显示世界中一些称作数据的实体。$z$只不过是实际数据$D$的模型而已，即$z_D$，似然函数的真正形式：

$$f_{k+1}(D|x)=f_{k+1}(z_D|x)$$

观测：由信源（传感器、专家）发表的有关其观测内容的一种观点

综合数据建模的四个步骤：

1. 创建可以表示自然界中单个观测的数学抽象
2. 建模上述抽象过程中任何固有的模糊性
3. 创建可以表示数据生成过程的随机变量
4. 建模因对实际数据产生机理缺乏足够知识而引入的任何模糊性

3.4 例子

3.4.1 含有少量不精确性的随机观测

数字电压表：将电压离散为一系列区间并返回某个区间作为度数，由于噪声的存在，返回观测具有一定的随机性。即不确定性包含了不精确性和随机性。

非线性加性观测模型：
$$Z={\eta }_{k+1}(x)+W_{k+1}$$
其中：$W_{k+1}$为零均值的随机噪声矢量，其概率密度函数为$f_{W_{k+1}}(z)$

似然函数
$$f_{W_{k+1}}(z-{\eta }_{k+1}(x))$$
令$z$表示所得观测，从中起提出状态：
$$z-W_{k+1}={\eta }_{k+1}(x)$$
令$E_z$表示一$z$为中心半径固定的一个极小封闭超球，其体积$|E_z|=\epsilon$。

精确的随机观测：
$$Z={\eta }_{k+1}(x)+W_{k+1}$$
不精确的随机观测：
$$E_Z=E_{{\eta }_{k+1}(x)+W_{k+1}}$$
任何采集的已知观测$z$仅限于某种精确范围，即$z\in E_Z$

定义随机闭子集：
$${\Theta }_Z\triangleq E_{Z-W_{k+1}}$$
其表示了于$z$有关的不确定习性（包含随机性和不确定性）。
$$\begin{array}{rl}{f}_{k+1}({\Theta }_z|x)& \triangleq Pr(z\in E_X|x)=Pr({\eta }_{k+1}(x)\in {\Theta }_Z|x)\\ & =Pr(W_{k+1}\in E_{z-{\eta }_{k+1}(x)})\\ & ={\int }_{E_{Z-{\eta }_{k+1}(x)}}{f}_{W_{k+1}(\omega )}d\omega \\ & \approx f_{W_{k+1}(z-{\eta }_{k+1}(x))}\cdot \epsilon \\ & =f_{k+1}(z|x)\cdot \epsilon \end{array}$$
常规似然函数$f_{k+1}(z|x)$看作不同类型观测模型下非常规似然函数$f_{k+1}({\Theta }_Z|x)$的极限情况，其据偶相同的后验概率密度分布。

广义似然函数：
$$f_{k+1}(\Theta |x)\triangleq Pr({\eta }_{k+1}(x)\in \Theta )$$
广义似然函数具有高度的非高斯和非线性特性。

3.4.2 含有少量随机的不精确观测

入宫观测故精确但非随机，其包含于中心为$z$的某区域$B_z$内
$$f_{k+1}(B_z|x)=Pr({\eta }_{k+1}(x)\in B_z)=1_{B_z}({\eta }_{k+1}(x))$$

第4章 基于随机集的不确定表示

4.1 简介

• 随机集理论与专家系统理论的联系
• 介绍集中专家系统方法的随机集表示

4.2 论域、事件与事件逻辑

论域（辨识框架）：令$U$为一离散集或连续的无限集

• $U$中的元素赋予可区分彼此的多种特征
  • 特征是明晰的
  • 任意特征：由$U$中具有该特征的所有元素组成的子集唯一确定
  • 特征与$U$的子集（事件）一一对应
  • 可使用普通集合论中的交、并、补操作来组合不同特征
• 所有事件（$U$的子集）构成布尔代数
  • 交换律
  • 结合律
  • 分配律
  • 德.摩根定律

4.3 模糊集理论

论域$U$上的一个模糊隶属度函数（模糊事件）：在$[0,1]$区间上取值的函数$f(u)$，$f(u)$的值表示元素$u$属于模糊集$f$的隶属度。

• 对于某些$u\in U,f(u)=1$，则$f$是正常的
• $U$的常规（清晰）子集$S$：由示性函数$1_S(u)$表示

4.3.1 模糊逻辑

模糊逻辑：定义在模糊隶属函数上的三个操作组成

• 合取$f_1\wedge f_2$
• 析取$f_1\vee f_2$
• 取余$f^c$

满足定律：

• 交换律
  • $f_1\wedge f_2=f_2\wedge f_1$
  • $f_1\vee f_2=f_2\vee f_1$
• 结合律
  • $(f_1\wedge f_2)\wedge f_3=f_1\wedge (f_2\wedge f_3)$
  • $(f_1\vee f_2)\vee f_3=f_1\vee (f_2\vee f_3)$
• 德.摩根定律
  • $(f_1\wedge f_2{)}^c=f_1^c\vee f_2^c$
  • $(f_1\vee f_2{)}^c=f_1^c\wedge f_2^c$

模糊逻辑类型

• 扎德逻辑（唯一满足分配律的模糊逻辑）
  • ( f 1 ∧ f 2 ) ( u ) ≜ min ⁡ { f 1 ( u ) , f 2 ( u ) } (f_1 \land f_2)(u) \triangleq \min \{f_1(u),f_2(u)\} (f1​∧f2​)(u)≜min{ f1​(u),f2​(u)}
  • ( f 1 ∨ f 2 ) ( u ) ≜ max ⁡ { f 1 ( u ) , f 2 ( u ) } (f_1 \lor f_2)(u) \triangleq \max \{f_1(u),f_2(u)\}