多传感器数据融合中的鲁棒检测技术_苏惠敏

多传感器数据融合中的鲁棒检测技术_苏惠敏

ID:39587888

大小:151.63 KB

页数:4页

时间:2019-07-06

多传感器数据融合中的鲁棒检测技术_苏惠敏_第1页
多传感器数据融合中的鲁棒检测技术_苏惠敏_第2页
多传感器数据融合中的鲁棒检测技术_苏惠敏_第3页
多传感器数据融合中的鲁棒检测技术_苏惠敏_第4页
资源描述:

《多传感器数据融合中的鲁棒检测技术_苏惠敏》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、1999年4月北京航空航天大学学报April1999第25卷第2期JournalofBeijingUniversityofAeronauticsandAstronauticsVol.25No12多传感器数据融合中的鲁棒检测技术苏惠敏张明廉(北京航空航天大学自动控制系)摘要研究了多传感器数据融合中的鲁棒检测技术.检测问题中设计最优决策规则通常需要知道观测量的统计特性,在实际系统中对观测量的统计特性一般只知道一部分或完全不了解,此时可采用寻找最不利分布设计系统的决策规则.从数据融合的观点来看,鲁棒分布检测在信息的传输、

2、系统的容错等方面优于鲁棒集中检测.最后研究了当N个传感器工作频率不同时的数据压缩方法.关键词传感器;检测;数据压缩;数据融合;鲁棒分类号TP274近年来,随着军事作战平台的多传感器系统的形成,多传感器信息融合成为研究的热点问题,1鲁棒集中检测其思想就是如何协调多传感器的信息得到战场情[12]1965年Huber第1次提出了极小极大鲁况的最优估计.棒检测问题,其思想如下:在(X,F)测度空间文献[1~9]中研究了分布检测融合问题.在(measurablespace)上,P0,P1是在其上的概率测这些文献中,都假设观测

3、量的统计特性为预先知度,X是在X上的测量值,在假设H0(H1)下X道的,在实际情况中这种假设并不能完全满足,一的分布为P0(P1),决策D=U(X).当概率P0,P1般对观测量的统计特性只知道一部分或毫无所不确定时,在H0,H1之间建立假设检验.Huber知.在这种情况下,如果概率分布遵循族分布,称法先在H0,H1上定义一个不确定性分布系为不确定性系(uncertaintyclasses),则可用极小极(classesofdistribution),然后在这对分布系中作大融合处理方法进行处理,其设计思想是在不确极小

4、极大假设.如果在Hj下,用Pj表示不确定性定性集合中,使系统最大可能的风险为最小,则此系,则极小极大的Bayesian,minimax和Neyman2时设计的决策规则对于概率分布的不确定性是鲁Pearson3种形式下的假设检验如下:[10]棒的.GerraniotisandChau研究了Bayesian形minU[MsupPIPPF(U,P0)+00式两值假设问题,并且局限于下列2种情况:同类(1-M)supPIPPM(U,P1)](1)传感器采用同类决策准则,1)系统采用大量传感11器的情况.2)2次观测信息间隔

5、较长的情况.minUmax{supP0IP0PF(U,P0),[11]Veeravalli,BasarandPoor考虑了多传感器系统supPIPPM(U,P1)}(2)11有融合中心时有限传感器、有限观测间隔、非两值minUsupPIPPM(U,P1)11决策问题,且考虑了Bayesian,minimax和Ney2满足supPIPPF(U,P0)[A(3)man2Pearson3种检测问题.00本文以并行融合(blockfusionrule)为例,介其中PM(U,P1)=P1(D=0)绍鲁棒检测理论.第2部分介绍

6、鲁棒集中检测问PF(U,P0)=P0(D=1)题,它是分布检测的基础;第3部分介绍有融合中分别称为检测系统的漏检概率和误警概率;M为心时的分布检测;第4部分针对现有文献,提出当假设H0的先验概率.检测系统中每个传感器的工作频率不同时的数据在文献[12]中考虑了正态分布和正态分布的融合问题,即对高频工作的传感器进行数据压缩,临域:Econtamination和全变差(totalvariation)2从而更好地利用传感器的测量信息;第5部分总类不确定性.Huber指出对每种情况可找出一对结全文.最不利分布(leastf

7、avorabledistribution)进行极小收稿日期:1997212209第一作者女28岁博士生100083北京第2期苏惠敏等:多传感器数据融合中的鲁棒检测技术1571N极大鲁棒检测.理可定义Qj,Qj=Qj@,@Qj,则有下面的引定义1联合随机界限(jointstochastic理1.boundedness).假设H0,H1如果存在分布Q0IP0,Q1IP1满足X1kP01,P11P0N,P1NXNkP0(l(X)>t)[Q0(l(X)>t)传感器S1,传感器SNP1(l(X)>t)Q1(l(X)>t)(

8、u1,,,uN)u1uN(u1,,,uN)k-1k-1kkk-1k-1则Q0(Q1)是P0(P1)联合随机界限.其中l是融合中心Q0,Q1间的似然比;t为似然比检验的阈值.图2分散序贯检测定义1表明,似然比l(X)在分布Q0下比其X1在分布P0下随机大,而在分布Q1下比其在分布传感器S1P1下随机小,在检测系统中这意味着基于Q0,u1Q1的似然比检验比基于(

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。