基于犹豫模糊集统计相关系数的多源异类数据融合识别

合集下载

基于模糊信息处理的数据融合方法研究

基于模糊信息处理的数据融合方法研究基于模糊信息处理的数据融合方法研究摘要：数据融合是一种通过整合多个传感器或多个数据源的信息，以提供更准确、完整和可靠的结果的技术。

在本文中，我们将介绍基于模糊信息处理的数据融合方法。

模糊信息处理是一种能够处理不完全或不确定信息的技术，通过模糊逻辑和模糊推理来处理模糊性。

我们将探讨模糊信息处理在数据融合中的应用，以提高数据融合的效果。

1. 引言数据融合是将多个数据源的信息进行整合，以得到更可靠、可靠和全面的结果的过程。

在现实生活中，我们经常面对大量的信息，这些信息来自于不同的数据源，如传感器、数据库、社交媒体等。

然而，由于数据源的不同，这些信息可能存在不一致性、不完整性和不确定性，从而影响到结果的准确性。

因此，数据融合成为了一门关键技术，其目的是通过整合多个数据源的信息，消除数据的不确定性，提高结果的准确性。

2. 模糊信息处理的基本概念模糊信息处理是一种能够处理不完全或不确定信息的技术，它通过引入模糊逻辑和模糊推理来处理模糊性。

在传统的信息处理方法中，我们通常根据事实的明确性和确切性进行推理和判断。

然而，在现实生活中，很多信息是模糊的，即存在不确定性和不完全性。

模糊信息处理通过引入模糊集合、隶属度函数和模糊规则来描述和处理这些模糊性。

3. 模糊信息处理在数据融合中的应用在数据融合中，由于不同数据源之间存在着信息的差异和不确定性，传统的信息处理方法往往难以处理这种情况。

而模糊信息处理方法通过引入模糊逻辑和模糊推理，能够有效地处理这种不确定和不完全的信息。

下面我们将介绍几种常见的模糊信息处理在数据融合中的应用。

3.1 模糊集合理论在数据融合中的应用模糊集合是一种用于描述模糊信息的数学工具。

在数据融合中，往往需要根据不同数据源的信息，对结果进行归类或划分。

然而，由于不同数据源之间存在信息的差异和不确定性，传统的划分方法不一定能够满足需求。

而模糊集合理论通过引入隶属度函数和模糊规则，能够根据数据的模糊性，对结果进行模糊化处理，从而提高数据融合的准确性。

确定多分类器融合中模糊测度的一种新方法

ｌｌ＝ｌ＝ｌ
单类的要测一个分器重性度，般有∑ ＞，１由
维普资讯
・
３４・
洛阳师范学院学报２０年第５０７期
确定多分类器融合中模糊测度的一种新方法
段宝彬，孙梅兰
（合肥学院数理系，安徽合肥２００）３６１
摘要：了解决多分类器融合中确定模糊测度困难的问题，本文提出了一种简单实用的为方法：先利用基于模糊一致矩阵的决策方法计算各分类器的主观模糊密度值。然后将其与
（）２单调性，即对Ｖ，，ＡｃＢ，ＡＢ∈ 若则
（＝【１Ａ）１Ａ ÷ ｎ（＋ｇ一］）ｆ
维普资讯
洛阳师范学院学报２００７年第５期
・５・３
其中Ａ的值可由下式唯一确定
去这些分类器所对应的行和列即可。
作为客观模糊密度值的分类器识别率进行组合得到各分类器的综合模糊密度值。进而确定出相应的模糊测度值。关键词：糊测度；糊一致矩阵；主客观相结合；糊密度模模模
中图分类号：５０１９
文献标识码：Ａ
除满足上、下连续性外，还满足：
（）＾）１（＝１；
（）２对于ＶＢ ∈Ｘ，ＡＢ＝，Ａ，且Ｉ均有
＾
（ＡＵＢ）＾（）＾）＋，ｚ（Ｉ＾）・＝Ａ＋（ｈ＾Ａ）（ｌｘ
ｌ模糊测度和模糊一致矩阵的相关理论

基于ENVI的多源遥感影像数据融合毕业设计论文

存档日期：存档编号：本科生毕业设计（论文）论文题目：基于ENVI的多源遥感影像数据融合姓名：董建系别：环境与测绘系专业：测绘工程年级、学号： 11 测绘 118324107指导教师：林卉江苏师范大学科文学院印制摘要在世界遥感技术领域极速发展的情况下，对于用卫星传感器来观测和获取某一地域遥感影像数据的方法越来越多，此时多时相、多平台、高光谱和高分辨率卫星等影像数据大量涌现，并且在有关地学的多个领域都用到了这些影像数据。

多源遥感影像融合技术在处理怎么使各种有差别的的遥感影像既保存着各自重要的使用特点和对象，同时也会将其局限性缩至最小这方面是最有效的途径之一。

并且在不同的学科范畴都涉及到多源遥感影像数据融合技术，因此该技术被不断地完善与推行。

而当前在世界上对该技术还尚未形成一套完善的理论与方法，于是目前在遥感领域研究的一个重要的研究技术就是周密处理与剖析遥感信息。

本文基于ENVI对多源遥感影像数据融合的研究。

第一章介绍了遥感影像数据融合的基本理论知识和本论文内容研究的背景和意义，以及国内外目前对遥感图像融合技术的发展现状。

第二章是对数据融合三个层次（像素级融合、决策级融合和特征级融合）的对比介绍，像素级融合、决策级融合和特征级融合，另外还展示了每个层次数据处理流程图。

第三章对像素级融合中加权融合法变换、Brovery 变换、IHS变换和PCA变换等融合方法进行了分析比较。

第四章介绍了融合的评价指标（主观评价、客观评价）。

第五章通过对Quickbird多光谱影像的4、3、2波段和Quickbird全色影像的1波段数据的进行融合实验，对实验结果进行分析，总结出这四种融合方法的特点和适用范围，得到更准确，更可靠、更安全的估计和判断，为相关工作提供帮助。

关键词：数据融合；ENVI；IHS变换；PCA变换；评价指标；多源遥感影像；AbstractFast development in the field of remote sensing technology in the world, with satellite sensors to measure and obtain a regional method of remote sensing image data is becoming more and more this time multi temporal, multi platform, hyperspectral and high-resolution satellite , and in the study of the image data used in these areas. Multi-source remote sensing image fusion technology in dealing with how to make a variety of discriminating the use of remote sensing image is kept their important characteristics and objects, and at the same time its limitations will be shrunk to a minimum is one of the most effective way. And in different disciplines category involves multi-source remote sensing image data fusion technology, thus being constantly perfected and the implementation of the technology. And the current in the world and also with the technology has not yet formed a perfect theory and method, so the current research in the field of remote sensing is an important research techniques careful processing and analysis of remote sensing information.This article is based on ENVI of multi-source remote sensing image data fusion research. The first chapter introduces the basic theoretical knowledge of remote sensing image data fusion and the content of this thesis research background and significance, as well as the present situation on the development of remote sensing image fusion technology at home and abroad. Second chapter on three levels of data fusion (pixel level fusion and decision level fusion and feature level fusion) contrast, pixel level fusion and decision level fusion and feature level fusion, it also shows the data processing flow chart of each level. The third chapter of weighted fusion method in pixel level fusion transformation, Brovery transformation, IHS transform and PCA transform fusion method are analyzed and compared. The fourth chapter of the fusion evaluation (subjective evaluation and objective evaluation). Fifth chapter through to the Quickbird multispectral image of 4, 3, 2 band and Quickbird panchromatic image 1 band data fusion experiments, analysis of the experimental results, summarized the characteristics of the four fusion method and the applicable scope, get more accurate, more reliable and safer estimates and judgment, to offer help for related work.Key words：Data Fusion；ENVI；IHS transform；PCA transform；Evaluation;Multi-source remote sensing image目录摘要 (Ⅰ)Abstract (Ⅱ)1 绪论 (1)1.1 概述 (1)1.2 选题研究的背景与意义 (1)1.3 国内外研究现状 (2)1.3.1 国外研究现状 (2)1.3.2国内研究现状 (3)1.4论文结构 (4)2 多源遥感影像数据融合 (5)2.1 层次分类 (5)2.2 像素级融合 (5)2.3特征级融合 (5)2.4 决策级融合 (6)3 影像融合的常用方法 (10)3.1 融合常用方法分类 (10)3.2 加权融合法 (11)3.3 Brovery 变换法 (11)3.4 IHS 变换 (11)3.5 PCA变换 (13)3.6方法比较 (14)4 融合影像质量评价 (15)4.1 主观评价 (16)4.2 客观评价 (17)4.2.1 均值 (18)4.2.2 标准差 (18)4.2.3 信息熵 (18)4.2.4 平均梯度 (18)4.2.5 相关系数 (18)5 融合实验数据分析 (20)6 总结与展望 (25)6.1总结 (25)6.2展望 (25)7致谢 (27)1 绪论1.1 概述在二十世纪七十年代美国最早提出了数据融合（Data Fusion）的概念，然而那时人们并没有对其足够重视，直到进入80 年代以后在军事中广泛应用直接促使其快速发展[1]。

基于NSST和稀疏表示的多源异类图像融合方法

ｄｉｆｅｒｅｎｃｅａｍｏｎｇＳＡＲｉｍａｇｅ，ｉｎｆｒａｒｅｄｉｍａｇｅａｎｄｖｉｓｉｂｌｅｉｍａｇｅ．Ｆｉｒｓｔｌｙ，ｍｕｌｔｉ — ｓｃａｌｅｓｔｕｄｙｄｉｃｔｉｏｎａｒｙｉｓｂｕｉｌｔ
中图分类号：ＴＰ３９１．４１文献标识码：Ａ文章编号：１００１ — ８８９１（２０１５）０３ — ０２１０ — ０８
Ｍｕｌｔｉ－ｓｏｕｒｃｅＨｅｔｅｒ０ｇｅｎｅ０ｕｓＩｍａｇｅＦｕｓｉｏｎＢａｓｅｄｏｎＮＳＳＴａｎｄＳｐａｒｓｅＰｒｅｓｅｎｔａｔｉｏｎ
ｉｍａｇｅｂｌｏｃｋｓｅｑｕｅｎｃｅｗｉｔｈｓｌｉｄｉｎｇｗｉｎｄｏｗｍｅｔｈｏｄ．Ｓｐａｒｓｅｄｅｃｏｍｐｏｓｉｔｉｏｎｉｓｕｓｅｄｏｒｆｉｍａｇｅｂｌｏｃｋｓｅｑｕｅｎｃｅａｆｔｅｒｚｅｒｏｍｅａｎｐｒｏｃｅｓｓｉｎｇ，ａｎｄｔｈｅｕｓｆｉｏｎｒｕｌｅｏｆｔｈｅｌｏｗｒｅｆｑｕｅｎｃｙｃｏｅｉｃｆｉｅｎｔｓｉｓｔｈａｔａｂｓｏｌｕｔｅｖａｌｕｅｏｆｓｐａｒｓｅｃｏｅｉｃｆｉｅｎｔｉｓｌａｒｇｅｒ￣Ｔｈｅｕｓｆｉｏｎｕｌｒｅｏｆｈｉｇｈｒｅｆｑｕｅｎｃｙｓｕｂｂａｎｄｃｏｅｉｃｆｉｅｎｔｓｉｓｔｈａｔｓｉｇｎｉｉｃｆａｎｔｆａｃｔｏｒｏｆｌｏｃａｌｏｒｉｅｎａｔｔｉｏｎｉｎｆｏｍａｒｔｉｏｎｅｎｔｒｏｐｙｉｓｌａｒｇｅｒ．ＦｉｎａｌｌｙｉｆｎａｌｕｓｆｉｏｎｉｍａｇｅｉｓｏｂｔａｉｎｅｄｂｙＮＳＳＴｉｎｖｅｒｓｅｔｒａｎｓｆｏｒｍａｔｉｏｎｏｒｆｕｓｆｉｏｎｃｏｅｉｃｆｉｅｎｔｓ．

基于模糊逻辑的数据融合与决策支持研究

基于模糊逻辑的数据融合与决策支持研究随着信息技术的发展和应用扩展，获取和处理大量数据已成为现代社会和企业管理不可或缺的一部分。

然而，由于数据来源多样、属性复杂、精确度和可靠性差异大，直接利用这些数据进行有效决策支持成为了一项挑战。

为了解决这一问题，研究者们开始探索基于模糊逻辑的数据融合与决策支持方法。

模糊逻辑作为一种数学工具，可以解决问题中存在的不确定性和模糊性。

通过模糊逻辑的理论和方法，可以将不同数据源的信息进行有效融合，并提高决策的准确性和可靠性。

首先，基于模糊逻辑的数据融合可以解决不同数据源属性的差异问题。

例如，不同传感器获取的数据具有不同的分辨率和准确性。

通过模糊逻辑的方法，可以将这些数据进行融合，并得到一个更全面、准确的数据集。

同时，模糊逻辑可以处理数据之间的关联性，进一步提高数据融合的效果。

其次，基于模糊逻辑的数据融合可以解决不确定性问题。

在实际决策过程中，往往会伴随着一定的不确定性。

通过模糊逻辑的方法，可以对不确定性进行建模，并将其纳入决策分析中。

这种方法可以有效地处理决策中的风险和不确定性，提高决策的可靠性。

同时，基于模糊逻辑的决策支持可以为决策者提供更准确的决策信息。

通过对多源数据的融合和分析，可以得到更全面、准确的决策依据。

决策者可以根据这些信息制定决策方案，并对其进行评估和优化。

模糊逻辑的方法可以帮助决策者在面对复杂、模糊的决策环境时，做出更科学、合理的决策。

然而，基于模糊逻辑的数据融合与决策支持方法也面临一些挑战。

首先，数据融合过程中需要解决数据质量的问题。

由于数据来源的不确定性和可靠性问题，如何对数据进行筛选和修正成为了关键。

其次，模糊逻辑方法需要建立合理的数学模型和算法。

这对研究者提出了高要求，需要他们具备较强的数学基础和理论研究能力。

最后，模糊逻辑方法的应用仍然面临一定的局限性。

虽然模糊逻辑可以处理不确定性和模糊性，但在某些复杂问题中，可能需要其他方法的辅助和支持。

一种基于多源异类信息统一表示的多传感器数据融合算法

第35卷第3期河南大学学报(自然科学版)Vol.35　No.3 2005年9月Journal of Henan University(Natural Science)Sep.2005一种基于多源异类信息统一表示的多传感器数据融合算法徐晓滨1,陈丽2,文成林13(1.河南大学计算机与信息工程学院,河南开封475001;　2.郑州师范高等专科学校,河南荥阳450100)摘　要:针对异类多传感器所获信息在形式上的多样性和复杂性,分析了由多源异类信息所构成的目标特征空间的结构,运用集合空间理论构造出多源异类信息统一的表示形式,并基于Kal m an滤波给出了一种适用于多种异类信息的数据融合算法.关键词:集合空间;多源异类信息;多传感器系统;数据融合;Kal m an滤波中图分类号:TP30116 文献标识码:A文章编号:1003-4978(2005)03-0067-05A Dat a Fusi on Algorith m of HeterogeneousM ultisensorSyste m Based On Un i for m Descri pti on of M ultisource I nfor mati onXU Xiao2bin1,CHE N L i2,W E N Cheng2lin1(1.College of Co m puter and Infor m ation Engineering,Henan U niversity,Henan Kaifeng475001,China;2.Zhengzhou Teachers College,Henan X ingyang450100,China)Abstract:According t o comp lexity and diversity of infor mati on fr om heter ogeneous multisens or,this paper analyzes character s paces of objects consisting of these inf or mati on and gives a unif or m descri p ti on of multis ource infor mati on;Based on Kal m an filtering,this paper p resents a data fusi on algorith m t o multis ource and heter ogeneous infor mati on.Key words:theory of set s pace;multis ource and heter ogeneous I nf or mati on;multisens or system;data fusi on;Kal m an filtering0　引言随着科学技术的不断进步,战争的状态已发展成为陆、海、空、天、电磁五维结构的全面对抗.现代C3I系统仅靠单传感器无法提供作战所需的准确、及时、全方位的信息,而且单传感器的综合和对抗能力也不足以应对战争中高度密集、隐身的目标环境和高强度的电磁干扰环境[1].为了获得战场的信息控制权并取得最佳的作战效果,就必须运用包括微波、毫米波、电视、红外、激光、电子支援措施(ES M)、一级电子情报技术(EL I N T)等覆盖宽广频段的各种有源和无源探测在内的异类传感器来提供描述目标各类特征的信息1这些多源异类信息在形式上具有多样性和复杂性的特点,怎样对这些信息进行合理地描述并进一步给出适用于多种异类信息的滤波方法成为多传感器数据融合算法研究中的热点与难点.本文根据集合空间的思想构造出多源异类信息的统一表示形式,并基于Kal m an滤波给出了适用于异类多传感器系统的数据融合算法.1　分布式异类多传感器系统的结构在异类多传感器系统当中,目标的不同特征可用来自于不同类型的信息进行刻画、描述或表示,如用方位、速度、加速度刻画目标的空间状态,用方位角、仰角刻画目标的态势,用目标发射的电磁波刻画目标的形　收稿日期:2005203215　基金项目:国家自然科学基金重点项目(60434020);国家自然科学基金项目(60374020);河南省杰出青年科学基金项目(0312001900);河南省国际合作项目(0446650006)　作者简介:徐晓滨(1980-),男,河南郑州人,河南大学硕士研究生.　3通信联系人,博士,教授68　河南大学学报(自然科学版),2005年,第35卷第3期状,用体积和重量刻画目标的类型,用像素刻画目标的颜色等,这些异类信息包含声学、光学或化学等特性,它们都是通过相应类型的传感器(如雷达、声纳、红外传感器、光学传感器等)采集到的.分布式异类多传感器系统的结构如图1所示.整个系统由M 类传感器组构成,其中每组中含有r (i )(i =1,2,…,M )个同类型的传感器.假设经时间上的配准之后,它们以相同的采样率对目标进行观测,并能及时地将采集到的相应类型的观测信息送到中心处理器进行融合,利用相应的融合算法就能得到对目标特征的基于全局信息的估计结果.图1　分布式异类多传感器系统2　多源异类信息的统一描述假设在各个时刻,系统可将各类传感器观测到的多源异类信息即时地传送到中心处理器,为了对这些异类信息进行有效地融合,首先要解决的关键问题应是如何给出这些多源异类信息统一形式的描述.本节将基于集合空间的理论给出多源异类信息一种统一的描述.2.1　目标特征向量的表示假定目标有N 类特征,每类特征中又有n(i )(i =1,2,…,N )个子特征,并假定各类特征间是不相关的,基于集合空间的理论,可以将目标特征全体用集合S 表示,并且S <Hn ×1,　n =∑Ni =1n(i ).其中,H 是一个由n 维向量构成的线性希尔伯特空间.若记相应时刻第i 类特征的全体为子集S(i )<Hn (i )×1,那么对于子空间Hn (i )×1,一定存在一组子基{e (i )1,e (i )2,…,e (i )n (i )},使得S(i )=span {e (i )1,e (i )2,…,e (i )n (i )}.其中,e (i )j=[0,…,1第j个,…,0]T,　j =1,2,…,n (i ).若要将Hn (i )×1扩维成Hn ×1的一个子空间,必须先对基向量e (i )j 扩维.在不引起混淆的情况下,仍记扩维后的基向量为e (i )j ,则有e (i )j=[0,…n (1)+…+n (i-1),0,0,…,0j-1,　1　第n (1)+…+n (i-1)+j 个,0,…n (i )-j-1,0,0,…n (i+1)+…+n (N ),0]T.因此,以{e (i )1,e (i )2,…e (i )n (i )}为基的空间就是扩维后的子空间,并仍将其记为H n (i )×1.相应的,若仍记扩维后的特征子集为S(i ),则有S(i )<Hn ×1=span {e (i )1,e (i )2,…e (i )n (i )}. 若记某一时刻目标的第i 类特性向量为x (i ),且x(i )∈S(i ),则它可被表示为x(i )=∑n (i )j =1x (i )j e (i )j>[0,…n (1)+…+n (i-1)个,0,x (i )1,x (i )2,…,x (i )n (i ),0,…n (i+1)+…+n (N )个,0]T. 在各个子空间之间是不相交的假设下,有<Hn (i )×1,Hn (j )×1>=0,　i ≠j ,则空间Hn ×1可表示成N 个正交的子空间的直和徐晓滨,等:一种基于多源异类信息统一表示的多传感器数据融合算法69　Hn ×1= Ni =1Hn (i )×11由S(i )<Hn (i )×1可知,S = Ni =1Sn (i ),且S <Hn ×1=span {e (1)1,e (1)2,…e (1)n (1),e (2)2,…e (2)n (2),…,e (N )1,e (N )2,…e (N )n (N )}.对该时刻目标总的特征向量x <S,有唯一表示:x =[x (1)1,x (1)2,…,x (1)n (1),x (2)1,x (2)2,…,x (2)n (2),…x (N )1,x (N )2,…,x (N )n (N )]×[(e (1)1)T ,(e (1)2)T ,…,(e (1)n (1))T ,(e (2)1)T ,(e (2)2)T ,…,(e (2)n (2))T ,…(e (N )1)T ,(e (N )2)T ,…,(e (N )n (N ))T ]T=∑Ni =1∑n (i )j =1x(i )je(i )j=∑Ni =1x(i )(1)上式给出了目标特征向量的统一描述形式.2.2　多源异类观测信息的向量描述在图1描述的多源异类传感器观测环境中,有M 类传感器组对目标相应类型的特征进行观测,每组中含有r (i )(i =1,2,…,M )个同类传感器.每类传感器组通常是对同一目标特征中的某一子类进行观测,这一子类是对目标中相关特征的描述,如位移、速度等表示目标运动状态的量,但由于传感器自身性能上的局限和目标特征的复杂性,M 类传感器组通常无法对目标的N 类特征的每一类都进行观测,一般情况下有M ≤N ,并且一类传感器往往只能观测到目标特征某一子类中的部分信息,即每个传感器获得观测的维数都小于或者等于相应特征子集所属的子空间的维数.对于图1中第i 类传感器组,假设它最多可对目标第j 类特征中的m (i )个特征项进行观测,即m (i )≤n (i ).若记该组中第j 个传感器得到观测向量为z (i,j ),则z (i,j )=[z (i,j )1,z (i,j )2,…,z (i,j )m (i ,j )]T,且有m (i,j )≤m (i ),z (i,j )∈Rm (i ,j )×1,即每个传感器只能观测到m(i )个特征项中的一部分,并且不同的传感器观测的维数可能不同,但它们有可能对m(i )个特征项中的某些项同时进行观测.3　多源异类信息动态系统系统状态模型x (k +1)=A (k )x (k )+G (k )w (k ).其中,k 表示离散时刻变量;状态x (k )<Rn ×n,n =∑Mi =1n(i );系统矩阵A (k )∈Rn ×n;系统过程噪声w (k )∈Rn ×1为高斯白噪声序列,具有如下的统计特性:E{w (k )}=0,　E{w (k )w T(k ′)}=Q (k )δkk ′,　k,k ′Ε0. 假设有M (M ≤N )类传感器对目标状态或特征进行观测,其中第i 类传感器组中第j 个传感器的观测方程为z(i,j )(k )=C (i,j )(k )x (i )(k )+v (i,j )(k );　i =1,…,M;　j =1,2,…,r (i ).(2)式(2)中观测z (i,j )(k )∈R m i ,j ×1,C (i,j )(k )∈R m i ,j ×n 是观测矩阵,观测噪声v (i,j )(k )∈H m i ,j ×1是高斯白噪声序列,具有如下的统计特性:E{v(i,j )(k )}=0,E{v (i,j )(k )(v(i,j )(k ))T }=R(i,j )(k ).基于每个传感器模型给出第i 类传感器组总的观测模型z(i )(k )=C(i )(k )x(i )(k )+v(i )(k ).其中,z(i )(k )=[(z (i,1)(k ))T ,(z(i,2)(k ))T ,…,(z (i,r (i ))(k ))T]T,C(i )(k )=[(C(i,1)(k ))T ,(C(i,2)(k ))T,…,(C(i,r (i ))(k ))T]T,v(i )(k )=[(v(i,1)(k ))T,(v (i,2)(k ))T,…,(v(i,r (i ))(k ))T]T.且有E{v(i )(k )(v(i )(k ))T}=R(i )(k ),R(i )(k )=diag {R (i,1)(k ),R (i,2)(k ),…,R(i,r (i ))(k )}.假设在k 时刻,各组传感器得到的所有观测信息都及时送入中心处理器进行集中处理,则全局观测模型为z (k )=C (k )x (k )+v (k ).其中,z (k )=[(z(1)(k ))T,(z(2)(k ))T,…,(z(M )(k ))T ]T,v (k )=[(v(1)(k ))T,(v(2)(k ))T,…,(v(M )k ))T]T.70　河南大学学报(自然科学版),2005年,第35卷第3期由各类目标特征间的相互独立性可知,总的观测矩阵C (k )为分块对角阵,对角线上的子阵为各类传感器组观测模型中的观测矩阵C (k )=diag {C(1)(k ),C(2)(k ),…,C(M )(k )}. 同理,由各类传感器组之间观测噪声的相互独立性可知,全局观测噪声方差R (k )也为分块对角阵即E{v (k )(v (k ))T}=R (k ),R (k )=diag {R(1)(k ),R(2)(k ),…,R(M )(k )}.由以上分析,多源异类信息系统可以描述为x (k +1)=A (k )x (k )+G (k )w (k );E{w (k )}=0,　E{w (k )(w (k ′))T}=Q (k )δkk ′　k,k ′Ε0;z (k )=C (k )x (k )+v (k );E{v (k )}=0,E{v (k )(v (k ))T}=R (k ).系统的初始状态为E{x (0)}=x 0,　E{[x (0)-x 0][x (0)-x 0]T}=P 0.假设x (0),v (k )之间是统计独立的.4　异类多传感器融合算法4.1　算法描述第2节中,基于集合空间理论,将目标各类特征子向量统一表示成总的特征空间中相应基向量加权和的形式,再根据异类特征集之间的正交性,目标在某一时刻的总特征向量就可以表示成各类特征子向量的和.基于这种多源异类信息的统一表示形式和Kal m an 滤波,我们给出一种异类传感器融合算法,它的基本思想是,将对目标特征向量的滤波分解成对每个子向量的滤波.假设已获得k 时刻状态x (k )基于全局的估计值^x (k |k )及相应的估计误差协方差P (k |k ),则算法的具体步骤如下:(1)一步预测1用^x (k |k )和P (k |k )计算出预测值^x (k +1|k )和预测误差协方差P (k +1|k );(2)分解1将^x (k +1|k )和P (k +1|k )分解到各个子特征集当中得到x (i )(k +1|k )和P(i )(k +1|k )(i =1,…,M );(3)子特征向量的更新1用z (i )(k +1)对^x (i )(k +1|k )进行更新,得到对目标第i 类特征的预测估计^x (i )(k +1|k +1)和相应的估计误差方差P(i )(k +1|k +1)(i =1,…,M );(4)合成1根据子特征集之间的正交性,将各个子特征估计值相加得到总的特征估计^x (k +1|k +1),将P(i )(k +1|k +1)作为对角线元素得到对角型估计误差方差阵P (k +1|k +1).4.2　算法推导基于多源异类信息的统一表示及Kal m an 滤波方程,这里给出算法推导过程.(1)已知^x (k |k )和P (k |k ),根据Kal m an 滤波方程得^x (k +1|k )=A (k )^x (k |k ),P (k +1|k )=A (k )P (k |k )A T(k )+G (k )Q (k )G T(k ). (2)若记分解矩阵为Γ(i )=[0,…n (1)+…+n (i-1),0,e (i )1,e (i )2,…,e (i )n (i ),0,…n (i+1)+…+n (N ),0]T.其中,0是n ×1的零向量1这里n =∑Mi =1n(i ),用Γ(i )可将^x (k +1|k ),P (k +1|k )分解成^x (i )(k +1|k )=Γ(i )(k )^x (k +1|k ),P(i )(k +1|k )=Γ(i )(k )P (k +1|k ).其中,i =1,…,M 1 (3)当k +1时刻到来时,在第i 个特征子集中用z (i )(k +1)对^x (i )(k +1|k )进行更新,由Kal m an 滤波得^x (i )(k +1|k +1)=^x (i )(k +1|k )+K(i )(k +1)[z(i )(k +1)-C(i )(k +1)^x (i )(k +1|k )],徐晓滨,等:一种基于多源异类信息统一表示的多传感器数据融合算法71　K(i )(k +1)=P(i )(k +1|k +1)(C (i )(k +1))T(R(i )(k +1))-1,(P(i )(k +1|k +1))-1=(C (i )(k +1))T(R(i )(k +1))-1C(i )(k +1)+(P(i )(k +1|k ))-1. (4)类似于式(1)可得^x (k +1)=∑Mi =1^x(i )(k +1).由子特征向量之间的正交性可得P (k +1|k +1)=diag {P (1)(k +1|k +1),P (2)(k +1|k +1),…,P(M )(k +1|k +1)}.5　结论本文运用集合空间理论,分析了由多源异类信息所组成的目标特征空间的结构,基于异类信息数量形式的表示,将目标子类特征向量表示为总特征空间基向量加权和的形式,并且根据目标各类子特征之间的不相交性,把特征向量直接表示成子向量相加的形式,从而给出了多源异类信息的统一表示形式1基于这种表示形式,本文提出了一种多传感器Kal m an 滤波算法,将对目标特征向量的滤波分解成对每个子向量的滤波.在各类传感器模型确定的情况下,本方法可以将基于各类局部观测的估计值直接合并得到基于全局观测的目标特征估计,使得该算法可以同时应用于多种异类信息的融合.参考文献:[1]何友,王国宏,陆大王金,等.多传感器信息融合及应用[M ].北京:电子工业出版社.[2]文成林,周东华.多尺度估计理论及其应用[M ].北京:清华大学出版社,2002.127-140.[3]田继善,吴志勤,吴永杰,等.多传感器分布式Kal m an 滤波融合算法[J ].河南大学学报(自然科学版),1999,29(2):1-4.[4]冯秀芳,侯玉华,文成林.单模型多传感器多尺度交互式数据综合估计算法[J ].河南大学学报(自然科学版),2000,30(2):22-26.[5]Lang Hong .Centralized and D istributed Multisens or I ntegrati on with Uncertainties in Communicati on Net w orks [J ].I EEETransacti ons on Aer os pace and Electr onic Syste m s,1991,27(2):370-379.[6]L i X paris on of t w o measure ment fusi on methods f or Kal m an -Filter -Based multisens or data fusi on [J ].I EEE Transacti ons on Aer os pace and Electr onic Syste m s,2001,37(1):273-280.。

运用模糊积分进行信息融合的人脸识别方法

运用模糊积分进行信息融合的人脸识别方法
吴彦文;艾学轶
【期刊名称】《小型微型计算机系统》
【年(卷),期】2008(29)6
【摘要】提出一种运用模糊积分的原理对整体和局部特征进行融合的人脸识别方法.在实际应用中,现有人脸识别系统缺乏对外界环境进行自适应调节的能力,为此,首先将人脸的关键特征点眼睛,鼻子和嘴巴进行分割,接着采用Fisherface方法对人脸图象进行特征提取和压缩,并建立了三个基于局部特征和一个基于整体特征的分类器,最后利用模糊积分的思想对这些分类器进行融合,将融合后的结果用于人脸识别中.试验表明:该方法能够有效的结合人脸图像的互补信息,提高了识别率.
【总页数】4页(P1154-1157)
【作者】吴彦文;艾学轶
【作者单位】华中师范大学,信息技术系,湖北,武汉,430079;华中师范大学,信息技术系,湖北,武汉,430079
【正文语种】中文
【中图分类】TP391
【相关文献】
1.模糊积分方法在多模导引头信息融合技术中的应用研究 [J], 王妮芝;仲照祥;崔得东
2.基于模糊积分的多源信息融合及目标融合识别方法 [J], 米丽萍
3.基于(G)模糊积分的信息融合方法 [J], 段宝彬;孙梅兰
4.基于多分类器多模糊积分的信息融合方法 [J], 段宝彬;孙梅兰
5.一种基于模糊积分的多分类器人脸识别方法 [J], 梁晓辉;游志胜
因版权原因，仅展示原文概要，查看原文内容请购买。

模糊聚类信息融合算法在异构多传感器网络中的应用

模糊聚类信息融合算法在异构多传感器网络中的应用
王锦;肖勇
【期刊名称】《计算机测量与控制》
【年(卷),期】2014(22)10
【摘要】在多传感器协同探测的应用背景下,提出将模糊聚类算法应用于多传感器网络的数据融合方向,解决异构多传感器网络由于各传感器探测信息粒度、时空不同而造成的航迹分裂和航迹冗余现象;通过仿真结果表明,该算法可以减少传统统计学方法错关联、漏关联的概率,对于复杂运动轨迹的机动目标(交叉航路目标)能够很好地进行多传感器测量数据的聚类,正确地进行测量数据的关联和融合,并进一步在通用航空监视管理系统的工程应用中加以验证;该算法在通用航空监管、物联网、协同探测信息系统方向均有广泛的应用空间.
【总页数】3页(P3282-3284)
【作者】王锦;肖勇
【作者单位】上海航天电子通讯设备研究所,上海201109;上海航天电子通讯设备研究所,上海201109
【正文语种】中文
【中图分类】TP273.4
【相关文献】
1.数据时空融合算法在无线多传感器网络中的应用 [J], 闫保中;徐志鹏;李晓宇
2.多传感器模糊信息融合算法在煤矿瓦斯监测中的应用 [J], 徐耀松;郭磊;王丹丹
3.无线传感器网络中的信息融合算法 [J], 李强;张旭帆;王加;梁浩聪
4.一种高性能数据融合算法在无线传感器网络中的应用 [J], 蔡宗吟;刘才铭;刘毅;叶秋冬
5.基于免疫模糊聚类RBF网络的交通信息融合算法 [J], 杨立才;叶杨;聂红涛;刘慧慧;林洁
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于犹豫模糊集统计相关系数的多源异类数据融合识别关欣;孙贵东;衣晓;赵静【摘要】为解决由犹豫模糊数、直觉模糊数、区间数和实数4类基本数据组成的多源异类数据的融合识别问题,在犹豫模糊框架内,提出犹豫模糊集相关系数计算方法进行识别判定.首先,将多源异类数据用犹豫模糊数统一描述;其次,分析现有的犹豫模糊集相关系数的局限性,提出了既满足统计学直觉,又不需要各犹豫模糊数中隶属度个数相同,并具有更强数学概念的犹豫模糊集统计相关系数;最后,应用到多源异类数据的融合识别中,利用最大相关系数准则进行识别判定.仿真算例对比分析验证了犹豫模糊集统计相关系数的有效性,并具有精度高、区分度好的优点.%In order to solve the multi-source heterogeneous data fusion recognition problem in w hich the multi-source heterogeneous data is expressed as hesitant fuzzy element(HFE),intuitionistic fuzzy number (IFN),interval number and real number,a correlation coefficient between hesitant fuzzy sets(HFSs)is pro-posed to recognize these data in the HFS domain.Firstly,the multi-source heterogeneous data is transformed into the HFS domain.After towards,pointing out the weakness of the existing correlation coefficients between HFS,we propose a correlation coefficient between two HFSs which has advantages in three aspects:firstly it conforms to the statistics intuition,secondly,it is not necessary to have the same length in membership,and thirdly,it is more theoretical in mathematics.Finally,apply the proposed correlation coefficient to recognize the multi-source heterogeneous data based on the principle of the maximum correlation coefficient.The simulation examples demonstrate the vadidity of theproposed correlation coefficient with a comparision analysis,and prove its advantages in high precision and discrinination.【期刊名称】《系统工程与电子技术》【年(卷),期】2018(040)003【总页数】9页(P509-517)【关键词】相关系数;犹豫模糊集;识别;多源异类数据【作者】关欣;孙贵东;衣晓;赵静【作者单位】海军航空大学电子信息工程系,山东烟台264001;海军航空大学电子信息工程系,山东烟台264001;海军航空大学电子信息工程系,山东烟台264001;海军航空大学电子信息工程系,山东烟台264001【正文语种】中文【中图分类】TN95;TP2740 引言多传感器多源数据识别是根据各传感器上报的带有不确定性的身份信息需要进一步进行融合处理,给出量测目标身份判断的过程。

实际上是对量测信息进行分类与处理的过程,给出量测目标的类别与属性。

在融合识别问题中由于属性的差异性,导致描述方法往往不一致,有的属性倾向于用定量数据表示,而有的更适合用定性概念描述,产生了多源异类数据融合识别的问题。

文献[1]指出数据融合的数据往往是处理描述同一现象的多源异类信息。

由于数据源的多源异类性,往往导致融合识别的不确定性。

而模糊集作为不确定性处理的一种重要手段,自文献[2]提出其概念来,经过半个多世纪的发展,相继产生了区间模糊集、二型模糊集、模糊多重集、直觉模糊集、犹豫模糊集等多种样式的模糊集,并且在多源异类数据融合领域得到了应用。

文献[3]研究了实数、区间数、三角模糊数、直觉模糊数和语义变量组成的混合多属性决策问题,通过将混合数据统一到区间框架内进行多属性决策。

文献[4]研究了实数、区间数、语义变量、直觉模糊数、犹豫模糊数和犹豫模糊标签组成的多源异类多属性群决策问题,并基于TOPSIS方法进行多属性决策判定。

文献[5-7]则分别基于直觉模糊集、区间直觉模糊集数学规划方法,研究了具有直觉模糊信度和区间直觉模糊信度的区间直觉模糊数、直觉模糊数、三角模糊数、语义变量、区间数和实数组成的混合多属性决策问题,并采用逼近理想解的方法进行决策判定。

尽管上述文献较好地处理了多源异类数据的决策问题,但是其框架主要是基于区间数和直觉模糊数讨论的,而犹豫模糊集作为新概念,2010年由文献[8-9]提出,相比其他模糊集,在确定隶属度函数时,不像2-型模糊集的隶属度为概率分布,也不像区间模糊集和直觉模糊集由不确定误差幅度确定隶属度,是因为隶属度的取值有一系列可能值。

由于其隶属度是在[0,1]内犹豫不定,更能符合多源异类数据融合时各传感器上报的独立决策不确定性,因此基于犹豫模糊集描述多源异类数据来对多源异类数据的融合识别进行研究。

相关分析是衡量两个变量之间线性接近程度的重要方法,关于犹豫模糊集相关系数的研究目前也有许多进展。

文献[10]首先定义了5种犹豫模糊数(hesitant fuzzy element,HFE)的相关系数,将其应用到医疗诊断领域。

在此基础上,文献[11]提出了犹豫模糊集(hesitant fuzzy sets,HFS)相关系数,并解决聚类问题。

文献[12]分析了现有相关系数的不足,提出了新的相关系数,在医疗诊断、聚类分析问题中得到了应用。

文献[13-19]又分别将相关系数拓展到区间犹豫模糊集、二重犹豫模糊集、区间二重犹豫模糊集和犹豫语义标签集领域,并在特征提取、模式识别、多属性决策、聚类分析、水质评估和医疗诊断等领域具体应用。

尽管上述文献提出了几种HFS相关系数,也在多个领域得到了应用,但是都存在不足。

文献[10]中5种定义方法仅限于计算HFE的相关系数。

文献[11]的定义虽然可以计算HFS的相关系数,但是其定义不符合统计学直觉,并且需要各HFE中隶属度个数相同。

文献[12]的定义虽然符合统计学直觉,但相关定义过程中的数学概念存在争议。

并且目前还没有以犹豫模糊集为框架的基于其相关系数的多源异类数据融合方法。

本文试图基于犹豫模糊集框架,解决多源异类数据的融合识别问题,主要讨论犹豫模糊数HFE、直觉模糊数IFN、区间数和实数4类基本数据组成的多源异类数据。

首先将多源异类数据犹豫模糊描述以统一进行相关分析,其次在现有HFS相关系数基础上,提出HFS统计相关系数,使其既满足统计学直觉,又不需要各HFE中隶属度个数相同,并且修正了相关系数定义过程中数学概念不明确的问题,考虑实际问题中属性权重的影响将其拓展为加权HFS相关系数,最后利用所提出的HFS统计相关系数解决多源异类数据的融合识别问题。

1 犹豫模糊集描述记论域X={x1,x2,…,xn},则X上的犹豫模糊集(hesitant fuzzy sets, HFS)定义[8-9]为M={[x,hM(x)]|x∈X}(1)式中,hM(x)为犹豫模糊数(hesitant fuzzy element,HFE),由一系列[0,1]内的不同数值组成,描述集合X中元素x对M的隶属度,有时候也称M为HFE,即HFES,HFES 与HFS实际上是等价的,文中统一用HFS表示。

实际上,犹豫模糊数hM(x)中隶属度的个数可能不相等,令l(hM(x))表示hM(x)中隶属度个数,通常将hM(x)中隶属度降序排列,并令表示hM(x)中大小排序为第j的隶属度。

文献[20-22]提出,如果隶属度的个数不相等,可通过数值延拓的方法将隶属度补齐。

文献[8-9]提出犹豫模糊数包络的概念,用来表示直觉模糊数。

对于X上的犹豫模糊数h(x),简记为h,γ为h中隶属度可能值,即γ∈h(x),表示为μ=h-, h-=min{γ|γ∈h}(2)υ=1-h+, h+=max{γ|γ∈h}(3)犹豫模糊数的包络可以用直觉模糊数(μ,υ)表示,记为Aenv(h)。

文献[23-24]定义了犹豫模糊数的记分函数和方差来比较犹豫模糊数。

对于犹豫模糊数h,其记分函数和方差为(4)(5)式中,l(h)为h中元素的个数;γ∈h(x)。

则对于两个犹豫模糊数h1和h2有(1) 如果s(h1)>s(h2),则h1 > h2。

(2) 如果s(h1)=s(h2),那么满足v(h1)>v(h2),则h1 < h2;满足v(h1)=v(h2),则h1=h2。

2 多源异类数据分析记X上犹豫模糊数h(x)、直觉模糊数A(x)、区间数I(x)和实数R(x)分别为(6)式中,γ为h(x)的隶属度;u、v分别为A(x)的隶属度和非隶属度,且0≤u+v≤1;a-、a+分别为I(x)的下界和上界。

式(2)和式(3)将h(x)用A(x)表示,同理也可以将A(x)用h(x)表示[8-9],即对于给定的犹豫模糊数A(x)=〈u,v〉,可以将其用犹豫模糊数表示为A(x)→h(x)={u,1-v}(7)而直觉模糊数A(x)和区间数I(x)之间关系为I(x)→A(x)={a-,1-a+}(8)则可以用犹豫模糊数h(x)将区间数I(x)表示为I(x)→h(x)={a-,a+}(9)而实数R(x)的犹豫模糊数h(x)为I(x)→h(x)={a}(10)通过式(7)～式(10)实现将犹豫模糊数h(x)、直觉模糊数A(x)、区间数I(x)和实数R(x)组成的多源异类数据用犹豫模糊数h(x)统一表示,成功将多源异类数据问题转化为犹豫模糊集问题。

为此,只需讨论犹豫模糊数的相关分析即可实现对多源异类数据的融合识别。

3 犹豫模糊集统计相关系数现有的犹豫模糊集相关分析方法主要为文献[10]提出的5种HFE相关系数、文献[11]提出的2种HFS相关系数以及文献[12]改进的HFS相关系数。