Bayes推理
Bayes推理（贝叶斯推理）是一种基于贝叶斯定理的概率推理方法，通过先验概率和似然函数计算后验概率，从而在不确定性条件下做出推断和决策。在多传感器数据融合中，Bayes推理被列为决策层融合的典型技术。
Chapter And Type Index
浏览卡片
当前筛选：多传感器数据融合 / CONCEPT
共 617 张公开卡片，当前显示 30 张。
Cards
卡片列表
Dempster-Shafer证据理论
DempsterShafer证据理论（DS证据理论）是一种处理不确定性信息的数学理论，通过信任函数和似然函数来描述证据对命题的支持程度，能够区分"不确定"和"不知道"两种状态。在多传感器数据融合中，DempsterShafer证据理论被列为决策层融合的典型技术。
产生式规则
产生式规则是人工智能中常用的控制方法，在多传感器数据融合中用于实现基于规则的推理和决策。
人工神经网络
人工神经网络是一种受生物神经系统启发而建立的数学模型，通过大量人工神经元相互连接构成网络，具有学习和自适应能力。在多传感器数据融合中，人工神经网络被列为特征层融合的典型技术。
决策（数据融合）
在多传感器数据融合的上下文中，决策是数据融合功能步骤中的第五个环节，也是最终环节。决策就是根据被观测目标的行为、企图、动向等制定出己方的应对策略与措施。
分类（数据融合）
在多传感器数据融合的上下文中，分类又称为数据相关或数据关联，是数据融合功能步骤中的第二个环节。其作用是判别不同时间与空间的数据是否来自同一个被观测目标。
加权决策法
加权决策法（又称投票法）是一种简单而有效的多传感器数据融合决策层融合技术。其基本思想是每个传感器对目标属性做出初步决策后，根据各传感器的可靠性或重要性赋予不同的权重，通过加权投票的方式得到整体一致的决策结果。
加权平均法
加权平均法是信号级融合方法中最简单、最直观的方法。该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，是一种直接对数据源进行操作的方法。
卡尔曼滤波
卡尔曼滤波是一种经典的状态估计方法，在多传感器数据融合中作为原始层（数据层）融合的典型技术。它利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计。
参数估计（数据融合）
在多传感器数据融合的上下文中，参数估计也称为目标跟踪，是数据融合功能步骤中的第四个环节。传感器每次扫描结束时，就将新的观测结果与数据融合系统原有的观测结果进行融合，根据传感器的观测值估计目标参数，如位置、速度、温度等，并利用这些估计预测下一次扫描中参数的量值。
多传感器数据融合
多传感器数据融合（也称信息融合）是一种对来自不同传感器的信息进行分析和综合，以产生对被测对象统一的最佳估计的技术。它是智能信息处理与控制系统的两大发展方向之一，旨在通过组合多源信息获得比任何单一传感器更准确、更可靠、更全面的认知结果。
数据相关
数据相关（又称数据关联）是多传感器数据融合中的关键技术之一。在复杂的目标环境中，需要对多源测量信息进行相关性定量分析，即按照一定的判别准则，把信息归为不同的集合，每个集合与同一源（目标或事件）关联。
数据融合功能模型
数据融合功能模型是适用于任何融合系统的一组通用功能定义，描述了多传感器数据融合系统的完整处理流程。该模型包含五个核心功能：特征提取、分类、识别、参数估计和决策。其中特征提取和分类是基础，实际的融合主要在识别和参数估计阶段完成。
数据融合功能步骤
数据融合功能步骤是多传感器数据融合系统在执行融合处理时所遵循的五个核心功能环节，是对数据融合功能模型的具体化描述。这五个步骤跨越了数据融合层次中的不同层级，构成了一个从底层数据处理到高层决策的完整流程。
数据融合层次
数据融合层次是指多传感器数据融合过程中，按照信息抽象程度从低到高对融合处理进行的三个级别划分：原始层（数据层/像素层）、特征层和决策层（证据层）。不同层次在处理信息量、容错性、传感器依赖性和实时性等方面各有优劣，实际应用中需根据任务需求进行选择。
数据融合方法分类
数据融合方法可分为随机类和人工智能类两大类。随机类方法基于概率和统计理论，包括加权平均法、Bayes概率推理法、DempsterShafer证据推理、卡尔曼滤波和产生式规则；人工智能类方法基于符号处理和智能推理，包括模糊逻辑推理、神经网络方法和智能融合方法。
数据融合的互补性
数据融合的互补性是指不同类型的传感器采集的信息具有明显的互补特征。某些传感器提供密集的信息，另一些传感器给出的是稀疏信息。这种互补性经过适当处理后，可以补偿单一传感器的不准确性和测量范围的局限性。
数据融合的冗余性
数据融合的冗余性是指一组相似的传感器采集的信息存在重复或重叠的部分。这种冗余信息的适当融合可以在总体上降低信息的不准确性，提高系统的容错能力。
数据融合的处理形态
数据融合的处理形态是指传感器数据融合过程中，因融合层次或传感器类型不同而呈现的不同处理方式。一般分为四种形态：
数据融合的时间性
数据融合的时间性是指按时间先后对观测目标在不同时间的观测值进行融合。当利用单传感器在不同时间的观测结果进行数据融合时，需要考虑数据融合的时间性。
数据融合的空间性
数据融合的空间性是指对同一时刻不同空间位置的多传感器观测进行数据融合。当利用多传感器在同一时刻的观测结果进行数据融合时，需要考虑数据融合的空间性。
数据融合系统应用
数据融合作为消除系统不确定因素、提供准确观测结果与新的观测信息的智能化处理技术，可以作为智能检测系统、智能控制系统和军事控制系统的一个基本信息处理单元，直接用于检测、控制、态势评估和决策过程。
数据融合结构形式
多传感器数据融合的结构形式描述了传感器之间以及传感器与融合中心之间的连接和组织方式，分为三种基本情形：
数据转换
数据转换是多传感器数据融合中的关键技术之一。由于多传感器输出的数据形式、环境描述等各不相同，数据融合中心处理这些不同来源信息的首要任务是把这些数据转换成相同的形式和描述，然后进行相关处理。
智能融合方法
智能融合方法结合人工智能（AI）和专家系统（ES）的符号处理功能，对多传感器数据融合中的抽象数据进行推理和处理。
模糊聚类
模糊聚类是一种基于模糊数学理论的模式识别技术，通过将数据样本按照相似度划分到不同类别中，允许一个样本以不同的隶属度属于多个类别。在多传感器数据融合中，模糊聚类被列为特征层融合的典型技术。
模糊逻辑推理
模糊逻辑实质上是一种多值逻辑，将每个命题及推理算子赋予0~1间的实数值，以表示其在数据融合过程中的可信程度，称为确定因子，然后使用多值逻辑推理法，利用各算子对各传感器提供的信息进行合并计算，从而实现信息的融合。
特征提取（数据融合）
在多传感器数据融合的上下文中，特征提取是数据融合功能步骤中的第一个环节。其目的是统一各传感器的时间和空间参考点，即对各传感器的观测值进行时间校准和空间坐标变换，以形成数据融合所需要的统一的时间和空间参考点。
融合计算
融合计算是多传感器数据融合系统的核心技术，它定义了数据融合系统的主要功能流程，包括对多传感器观测数据的验证、分析、综合、状态估计、态势生成与决策分析。
识别（数据融合）
在多传感器数据融合的上下文中，识别是数据融合功能步骤中的第三个环节。其过程是根据多个传感器的观测结果形成一个N维的特征向量，其中每一维代表目标的一个独立特征。