基于总概率和最大的一种判定目标类别归属方法

0 引言 　　利用多传感器数据融合理论，可将某一待测物体的多源信息进行融合，从而与某一传感器测量结果相比，能更准确的估计出待测物理量的状态和研究对象的类别，因此多传感器数据融合的目的大致可分为两种：一种使通过数据融合研究被测对象某些的特征数据，即对被研究对象的某些特征在一段时间中进行重复测定，通过特征参数的变化规律估计或预测出下一时刻的状态量，一般称之为状态估计，对于这类问题，所用的传感器可以是同质的也可以是异质的；另一类问题是希望通过数据融合最终能确定研究对象的类别归属，称之为模式识别，即被研究对象的归类问题，在此类问题中，所使用的传感器往往是不同种类的，各传感器分别用来测定被研究对象的不同特征参数。对于状态估计问题解决办法主要有 滤波[1]、最小二乘法[2]、Kalman滤波以及改进的Kalman滤波[2]、自适应滤波[3~5]，粒子滤波[6,7]和交互式多模型算法[8,9]等。对第二类问题由于异质传感器测量数据量纲的不一致性，对获得的数据不可进行简单的加权融合，处理此类问题则主要运用统计决策理论和模糊集理论中的一些思想，解决方法目前主要有贝叶斯统计分析[10]、聚类分析[11]、近邻法以及模糊模式识别方法[11]。但是以上方法均存在对先验信息要求比较苛刻，并随着研究对象的增加，计算量急剧增大的问题。文献[12]中提出了一种根据模糊集合理论，利用决策距离的概念将异质传感器的测量数据进行一致性检验，从而寻找最大的传感器连接组，最终实现目标类别归属的判定。但上述方法在寻找最大传感器连接组的过程中，由于决策距离中阈值的设定会造成有用信息的损失，而且，研究发现，当该方法判定多于两种类别归属的问题过程中，易产生类别归属判别的不确定性。针对以上问题，本文给出了一种基于总概率和最大的判定目标归属简便实用的目标归类方法，该算法充分利用每个传感器对不同特征参量的量测数据，运用描述被测对象本质的各个特征量测数据归属类别总概率和最大的思想进行目标归属类别判定。 3 仿真结果与分析 　　通过融合后数据的比较可知，传感器测得被研究对象各个特征指标数据归属于A的总概率远远大与属于B的概率，故认为该物体为A，这种结果与文献[12]的结论一致。并且，运用本文提出的方法大大简化计算量，消除了文献[12]中判定传感器相互支持度而带来的信息量的损失问题。另外从该方法得出的判别事物的归属结果分析，发现利用该方法得到的融合结果的稳定性明显的高于文献[12]中的结论，避免了多类判别中类别归属的不确定性。同时，该方法首先分别判定每一个特征属性归属于待选类别的概率，然后求取总概率最大，这种判别方式物理意义简明清晰，且易于在计算机上实现。 4 结论 　　通过异质传感器检测被测对象的不同物理特性，然后综合这些测量值判定被测对象的类别归属问题，是多传感器数据融合的一个重要组成部分。由于刻画不同特性的指标的量纲差异，造成利用传统的欧式距离判定事物的归属方法的不适用，而利用概率统计来描述被测对象不同特征对类别的归属程度，则可较为合理的解决不同类型数据之间的融合问题。同时本文所述方法大大的简化了计算量，使得数据融合的含义更加简明清晰。 参考文献 [1]徐隼慧. 距离跟踪α-β-γ滤波器[C]. 西安: 西北工业大学, 2001,27~45 [2]史忠科. 最优估计的计算方法[M]. 科学出版社, 2001 [3]Mohamed A Hand Schwarz K P. Adaptive Kalman Filtering for INS/GPS[J].Journal of Geodesy,1998,72:436~441 [4]Yang Y, He H, Xu G. Adaptively robust filtering for kinematic geodetic positioning[J].Journal of Geodesy, 2001,75:109~116 [5]胡国荣，欧吉坤. 改进的高动态GPS定位自适应卡尔曼滤波方法[J], 测绘学报, 1999, 28（4）：290～294 [6] Fredrik Gustafsson, Fredrik Gunnarsson, Niclas Bergman, Urban Forssell, Jonasson, Rickard Karlsson and Per Johan Nordlund. Particle Filters for positioning, Nevigation, and Tracking[J]. IEEE Trans on signal processing, 2002,50(2):425~437 [7]熊凯,张洪钺. 粒子滤波在惯导系统非线性对准中的应用[J] 中国惯性技术学报 2003,11(6):20~26 [8]Mazor E,Averbuch A, Bar-Shalom Y, Dayan J. Interacting Multiple Methods in Target Tracking: A Survey[J], IEEE Trans. On Aerospace anf Electronic Systems, 1998,34(1):103~123 [9] Li X R, Bar-Shalom Y. Multiple-model Estimation with Variable Structure[J]. IEEE Trans. on Automatic Control,1996,41(4):478~493 [10]范金城,梅长林. 数据分析[M].北京:科学出版社,2002,171~187 [11]边肇祺,张学工等. 模式识别[M].北京:清华大学出版社, 2003,46~80 [12]王婷杰,施惠昌. 一种基于模糊理论的一致性数据融合方法[J].传感器技术, 1999,18(6):50~53.