[传感器数据与融合第五章2.ppt

* 多层网络的表达能力： 任何从输入到输出的连续映射函数都可以用一个三层非线性网络实现，条件是给出足够数量的隐单元数、适当的非线性函数和权值。 BP算法，更确切地说是“误差反向传播“ 在训练过程中，一个”误差“（其实是敏感度）必须从输出层传播回隐含层，以实现输入层到隐含层的权值学习； 本质上反向传播只是”分层模型“里的梯度下降法。 * * * MLE-极大似然估计, LS-最小二乘法 物理模型：力图精确地仿造可观测的传感器数据（如RCS、IR频谱），并通过预测的观测与实际数据的匹配来估计身份。困难在于开发物理模型的不可行性：目标多且复杂，建模非常困难。 基于特征的推理：不采用物理模型，直接在身份数据和身份报告之间进行映射。有参技术需要身份数据的先验知识，无参技术不需要先验知识 基于认知的方法力图模仿人在识别实体身份是的思维和推理过程 * 二值假设检验，是在已知先验概率的条件下对事件存在与否进行判别的。 * Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 3. D-S证据理论用于融合的例子 例1 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 例2 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 例3 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 4. D-S证据理论与Bayes理论的比较 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. “无知”概念的表示 Bayes理论：可信度的可加性对应于以下两个基本特征 1）某个命题的可信度是按照人们对它的信任程度按比例赋予的值； 2）独立性和完备性：当某一命题赋予一可信度的同时，必须将剩余的可信度赋给其非命题。 D-S证据理论只保留第一条 判断在两理论中的作用 D-S证据理论：由某证据提供的对某一命题的支持度以及某个人对某一命题的可信度只是人们作出的判断（judgment）； Bayes理论：逻辑观点—支持度的大小是由证据客观决定的； 证据观点—可信度是由心理因素造成的 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. “合并”与“条件” D-S证据理论中，新的证据和老的先验知识都表示成信任函数的形式。Dempster组合规则是一种对称的方法。 Bayes规则对新证据与先验知识是不对称的。 概率推理的