3.Dempster-Shafer证据推理
该方法是贝叶斯方法的扩展,它将前提严格的条件从仅是可能成立的条件中分离出来,从而使任何涉及先验概率的信息缺乏得以显示化。它用信任区间描述的信息,不但表示信息的已知性和确定性,而且能够区分未知性。多传感器信息融合时,将传感器采集的信息作为证据,在决策目标集上建立相应的基本可信度,这样,证据推理能在同一决策框架下,用Dempster合并规则将不同的信息合并成一个统一的信息表示。证据决策理论允许直接将可信度赋予传感器信息的合取,既避免了对未知概率分布所做的简化假设,又保留了信息。证据推理的这些优点使其广泛应用于多传感器信息的定性融合。
4.模糊理论和神经网络
在多传感器系统中,各种信息源提供的环境信息都具有一定程度的不确定性,对这些不确定的信息的融合过程实质上是一个不确定性推理过程。模糊逻辑是一种多值型逻辑,指定一个从0到1之间的实数表示其真实度。模糊融合过程直接将不确定性表示在推理过程中。如果采用系统中的方法对信息融合中的不确定性建模,则可产生一致性模糊推理。
神经网络根据样本的相似性,通过网络权值表述在融合的结构中,首先通过神经网络特定的学习算法来获取知识,得到不确定性推理机制,然后根据这一机制进行融合和再学习。神经网络的结构本质上是并行的,这为神经网络在多传感器信息融合中的应用提供了良好的前景。基于神经网络的多信息融合具有以下特点:
(1)具有统一的内部知识表示形式,并建立基于规则和形式的知识库;
(2)利用外部信息,便于实现知识的自动获取和并行联想推理;
(3)能够将不确定的复杂环境通过学习转化为系统能够理解的形式;
(4)神经网络的大规模并行处理信息能力,使系统的处理速度变快。
5.卡尔曼滤波
卡尔曼滤波用于动态环境中冗余传感器信息的实时融合,该方法同测量型的统计特性系统递推给出统计意义上的最优融合信息估计。如果系统具有线性动力学模型,且系统和传感器噪声是高斯分布的白噪声,卡尔曼滤波为融合信息提供一种统计意义上的最优估计。
……
展开