《D-S证据理论的基本原理.doc》由会员分享，可在线阅读，更多相关《D-S证据理论的基本原理.doc（3页珍藏版）》请在三一文库上搜索。
1、多证据判决信息融合基础 信息融合的本质是系统的全面协调优化5：将不同来源、不同模式、不同媒质、不同时间、不同表示方法，特别是不同层次的信息加以有机地结合，寻求一种更为合理的准则来组合信息系统在时间和空间上的冗余和互补信息，以获得对被评估问题的一致性解释和全面的描述，从而使该系统获得比它的各个组成部分或其简单的加和更优越的性能。现有的信息融合数学模型主要采用嵌入约束模型、证据组合模型和人工神经网络模型等。证据理论的基本原理 证据理论采用信度的“半可加性”原则，较好地对不确定性推理问题中主、客观性之间的矛盾进行了折衷处理。而且，证据理论下先验概率的获得比主观Bayes方法要容易得多，已经成为构造具
2、有更强的不确定性处理能力专家系统的一种有效手段。以下给出证据理论的一些基本定义和定理首先定义框架信任测度似然测度定理2 （Dempster-Shafer证据合成公式）设m1和m2是Q上的两个mass函数，对于m(F)=0及 在证据理论中，不同专家的经验和知识可以通过式(4)来有效融合；而某个诊断结论成立的可信度可以通过信任区间Bel，Pl来表示。提高目标检测概率-多传感器信息融合已成为信息处理技术领域的研究热点问题近年来,随着基于多传感器系统的军事作战平台的形成和发展,多传感器信息融合已成为信息处理技术领域的研究热点问题。对于多传感器的分布式检测,人们已经做了大量的研究。而在双色红外成像系统中
3、,如何充分利用双色红外传感器获得的图像信息来提高目标的检测概率,是实现远距离探测和抗干扰能力的关键。其中,实现双色红外成像系统中远距离弱目标检测的一种有效途径,就是通过对目标在两个不同红外波段的成像信息进行融合处理。这里所涉及到的图像信息融合,根据信息表征层次的不同,可以分为像素级融合、特征级融合和决策级融合。像素级融合,是直接对各传感器图像的像素点灰度信息进行综合的过程。特征级融合是对图像进行特征提取后,对各传感器图像的特征信息进行综合处理的过程。而在进行决策级融合之前,各传感器已独立地完成了决策或分类任务,融合工作实质上是根据各局部判决做出全局最优决策。决策级融合检测的核心思想是,各传感器
4、根据各自的观测结果做出局部判决(硬判决或软判决) ,然后将判决结果经由通信信道传送到融合中心,再由融合中心对各局部判决进行综合处理,做出最终判决。对于局部判决为”硬”判决(非”0”即”1”) 的情况.典型的融合规则有”与”、”或”逻辑和”K秩”方法。”与”逻辑的意义为:当所有传感器都判决为目标点时,融合中心才将该像素判决为目标点;”或”逻辑的意义为:只要有一个传感器判决为目标点,融合中心就将该像素判决为目标点;” K 秩”方法则是当N 个传感器中有多于K 个判决为目标点时,融合中心才将该像素判决为目标点。另外还有些方法,如采用各个传感器的性能参数对局部二值判决结果进行自适应加权处理等.但是由于
5、存在各种干扰而导致各传感器局部判决结果的不确定性,使得决策级融合中的各种”最优”准则未必为系统的”最优”或全局”最优”。为了解决这个问题,可以采用证据理论中的基本概率分配函数来描述这种不确定性,并在此基础上提出一种基于D2S 证据理论的红外小目标融合检测算法。该算法首先提取双色红外成像系统中各传感器图像的多个图像特征,建立各传感器的特征矢量图;然后计算图像中各像素的特征矢量与目标和背景原型特征矢量之间的距离,并根据相应传感器的目标检测基本概率分配函数,计算得到各传感器的目标检测基本可信度图,即做出”软”判决;接着再应用正交和规则复合来自各传感器的目标检测判决证据,获得整个系统的目标检测基本可信度图;最后根据决策规则输出最终目标检测结果。