不確定理論與多傳感器數據融合 - 綜述

1. 引言

0x1:不確定性理論與多傳感器數據融合理論的由來

爲了更好地獲取複雜的、關鍵的形勢信息,人們會將多個傳感器組合起來使用

不僅是在物理世界領域,在信息技術的各個領域(包括網絡安全),我們經常性地開發新技術,這些技術允許即使在最惡劣的條件下也可以研究更多事物,看得更遠、更準確、更可靠。

伴隨着傳感器數量和採集能力的增加,由此產生的信息量及其多樣性超出了人類的大腦理解能力,人類大腦可以對少量幾個核心因素進行綜合考慮,但無法對數百個乃至海量的高維向量進行綜合處理。

另一個需要考慮的主要趨勢是,在各種獨立部件必須智能交互的日益複雜的系統中,集成越來越多的傳感器。用於防禦目的開發“系統的系統”就是這樣的情形,特別是在網絡中心戰中,其目的是將觀察、指揮和控制的一切手段網絡化。

另一個例子是安全性,其國土安全的概念已經逐漸演變成全球安全,其中包括監視、信息、決策支持和保障手段的聯合,沒有地域國界之分。所有這些系統的部署均需要來自一組截然不用且獨立的觀察而收集到的大範圍的非常具體的信息,然後這些信息會以滿足使用需求的適當形式進行傳輸。

自主的“智能”系統也代表着主要進展的領域。無論是就一般的機器人技術而言,還是更具體的陸上、空中或海上飛機的資助部署而言,系統的自主決策權依賴於關鍵的觀察數據及其環境的解釋。系統需要實現的功能非常多樣化:

  • 導航
  • 觀測
  • 偵查
  • 規劃
  • 干預

在這些場景中,往往需要一個高層次的感知能力的發展,能夠提供可能遇到非常多變情況下的詳細的認識,這通常需要基於不充分的觀察數據

決策支持是問題多樣性和複雜性需要不斷進步的另一個領域。無論是在醫學診斷、專業技術、情報、安全業務支持還是監視方面,目的是使用通常難以解釋的多種觀察數據,重建定義不清的認知數據。

0x2:解決大量複雜因素不確定問題的理論發展分支

在所有的應用領域中,需要協作處理大量的多維度因素,尤其是性質和質量方面都不同的因素。因此,基於現有的目標設計出能夠適應輸入數據不完善的處理技術很有用。

同時,不完善的因素非常多元化,正如每個觀察數據都有其優點和弱點一樣,這取決於如何利用它。例如:

  • 一個定義欠佳的事件的不確定性
  • 一個難以估計的值的不準確性
  • 部分不可觀察的現象的不完整性
  • 由於使用條件限制導致的可靠性缺乏

因此,一個特定的數據處理技術的質量直接關係到其處理各級信息缺陷的能力,以便更充分和更好地利用真正有意義的內容而不會被不完善的知識所迷惑,無論其採用何種形式。解決這一問題的一個核心理論就是“不確定性理論”

1、概率論模型 -- 解決不確定性問題的首次嘗試

這些理論中最古老的、目前最廣泛使用於商業系統的是概率論。概率論專門處理不確定性,即評估事件發生的可能性,使用相對簡單。但是其侷限性也非常明顯,其中最大的點就在於“難以產生可靠的概率模型”。

每個概率論模型都有其對應的前提假設(例如.i.i.d.獨立同分布假設),只有滿足了對應的前提假設後,概率模型才能對目標問題進行正確的“建模”,模型的預測結果才具有可解釋意義

很多時候,概率模型在特定場景下失效,並不是概率論模型本身或者計算過程有問題,而是使用了錯誤的前提假設。

2、模糊集理論

另一種理論就是“模糊集”理論,由Zedeh於1965年以同名的開創性文章[ZAD65]創立。這一相對容易理解的理論較好地補充了先前的理論,皆在應對所使用值的不精確性,即只有這些值的大概的認識。這一可用於高度非線性或難以識別系統的推理以及魯棒控制的技術,由於其易於使用且能夠即刻自然考慮可用數據的事實,迅速變得非常成功。

Zedeh以此作爲他的可能性理論創建的基礎。可能性理論專門致力於處理事件的不確定性。模糊集理論比概率論更靈活,並與理論設計的不確定性處理完美兼容,這一方法使得用戶能夠通過適應可用知識來管理複雜的推理過程。

3. Dempster-Shafer證據理論

Dempster在1967年發表了一篇“由一個多值映射引起的上下概率”的早期研究論文,以該研究爲跳板,Shafer於1976年在他的《證據數學理論》一書中奠定了可信度函數理論的基石。

這一理論較之先前的理論,在不確定性和不精確性的充分分析方面更加有影響力。在D-S證據理論中,“概率”和“可能性”是可信度函數的兩種不同的具體例子,這就使得這一理論成爲共同處理多樣性數據的一個普遍的和總體的框架。

4. 多傳感器數據融合理論

多傳感器數據融合理論完美地契合了數據融合的關注點,數據融合的研究使得科學界自 1998 年信息融合的國際協會成立以來定期聚在一起,其年度會議“融合”以及信息融合的國際期刊也具有越來越多的影響力。

Relevant Link:     

不確定性理論與多傳感器數據融合 阿蘭•阿皮諾

 

2. 使用多傳感器數據融合的考量因素

爲什麼我們需要尋求研究多個傳感器的組合,它們都有哪些具體的考量因素和對應的挑戰呢?

0x1:信噪比方面的考量和成本因素的挑戰

使用多傳感器的第一個優勢可能是,可以使用多個相同的傳感器以提升其性能。然而,如果 n 個傳感器在相同的信噪比條件下提供相同的估值,那麼這 n 個傳感器聯合起來使用充其量將導致信噪比產生的增益,同時導致結果系統的所有因素(成本、重量、體積等)要乘以一個接近於 n 的因子。

此外,在這種情況下,往往有可用的更簡單和更有效的解決方案,即基於從單個傳感器獲得數據的時間積分得到的特別的解決方案。

這一例子強調的事實是,多傳感器的組合使用,僅僅是在其具有無可辯駁的優勢時,即在單個傳感器無法提供信息生成的特定條件下。

0x2:魯棒性方面的考量

多傳感器的第二個好處是,它們在任意觀察環境中的魯棒性,這通常是選擇使用這類系統的決定性因素

例如,系統可能對干擾不那麼敏感,無論是人爲的(例如特定波長的干擾信號、無用的花指令),或是自然的(例如影響測量的大氣因素)。

當觀察環境或條件妨礙單個傳感器工作而如果同時使用多個觀察設備又不具有相同效果的情況下,多傳感器系統卻具有可以正常工作的能力。

除此之外,用某些數據來訓練給定傳感器,識別出的與目標相關的對象,也有一些代表性的問題。如果所使用的訓練數據並不具有代表性,識別目標對象的唯一方案是交叉訪問來自不同傳感器的數據。

0x3:信息收集多維度方面的考量 

多傳感器的第三個好處是,收集信息的敏銳性和豐富性

例如,一個傳感器可能不依賴於其大小而基於轉動件的特徵來區分目標,而另一個傳感器不能夠觀察到這些特徵,卻通過大小進行區分。

類似地,能夠提供良好測距的雷達和帶有良好角分辨率的無源光學器件的多普勒成像儀的聯合,能夠在四維空間產生細粒度的分析結果,這些維度是位置、方向、距離和多普勒效應。某些傳感器的部分不可得的數據,也可以通過另一個傳感器的數據進行補償。

這些傳感器各自獨特的觀察角度的聯合,將很明顯地有助於細化最終的分類,即所謂的高維多元線性分類器理論上可以無限逼近任意目標函數。

多傳感器帶來的多維度探測能力還有另一個優勢,每個不同的傳感器可以並行地專注於適合自身能力的特定的職責,隨後通過採集和處理的協同工作優化整個系統的反應性

例如,雷達可以很容易地用簡單的波形對空間進行快速的“預篩分(具有高檢出率和高虛警率的檢視)“,從而顯著降低光電子識別系統的識別壓力,相當於起到了一層信息過濾層的作用。

 

3. 面臨的挑戰和問題

0x1:複雜的應用場景

實際上,不同傳感器的組合使用可能對兩類目標有用:

  • 離散集區分:針對檢測、提取、分類、識別、鑑定、計數或更普遍的診斷功能的情形
  • 估算連續集的變量:例如定位、追蹤、導航,或者更一般的計量(基於觀測的定量描述)功能

在這兩種情況下,融合算法不僅要儘可能地利用所有可用信息的豐富性,而且也要滿足日趨複雜系統因不同觀測方式的聯合所產生的高層次的操作需求。

0x2:數據詮釋與建模方面的挑戰

1、異構理論框架下數據融合中的數據不一致問題

融合過程中的數據輸入來自於傳感器的輸出,例如:

  • 尺寸
  • 信號
  • 圖像
  • 某一時間段內進程啓動日誌
  • 某一段時間內網絡flow日誌

同時所有有幫助的知識均從這些數據中收益,例如資料庫、專家知識、先驗特徵、或者先期或在線識別模式,無論它們是動態的、統計的、描述性的或者行動性的。

因此,這些數據非常多樣化,這裏的多樣化包括:

  • 語境語義的多樣化:不同的傳感器由於其所處環境、採集對象的不同,所採集到的信號所代表的的語境是不同的
  • 各個傳感器所採集數據的用途不同
  • 不充足性的不一致:多傳感器系統的運行過程中,必須不斷融合”有用數據“和”不良數據“。然而,好的和壞的數據的簡單組合總是會產生不準確的結果,因爲壞數據”污染“了好數據。因此,需要不斷地使用所有可用的信息,不論是外衍或者是系統內生的,並據此在理論框架內對其建模,以此來在運行時中不斷評估和修正來自不同傳感器的觀察數據,並基於其相關性加以利用。

當然,凡是都有兩面,多傳感器融合進一步增加了需要整合的信息的複雜性和容量,反過來又進一步增加了處理的複雜性。實時操作必須要求反映迅捷度方面的目標,通常與”在線處理能力“參數相關。因此,在數據融合處理方面的一個關鍵目標是在確保所需收益的複雜性和適應操作限制的簡單性之間尋求折中。

2、數據的不確定和不精確問題

  • 不確定性表示對所發生的事件缺乏瞭解(如可能會下雨)
  • 不精確性表示不能準確知道其數值(如海流速度的估計)

不確定性是由於系統訓練不充分或不適當;不精確性通常是由於傳感器採集端的靈敏度不足或近似的描述。

3、數據不完整

多傳感器的數據通常也是不完整的,因爲系統沒有進行所有必要的訓練,或者關注事件暫時不可觀察。

某些需要的特性因此也不能基於適當的觀察值直接進行評估,而必須基於其他可用信息儘可能地近似。

4、不同信息片斷的異質性

除了考慮信息的不同性質,還需要考慮不同信息片斷各自缺陷的異質性。因此,這些信息片斷必須在相同的總的理論框架內共同處理。

0x3:可靠性方面的挑戰

由於數據融合的主要目的是通過使用一個或多個其他的傳感器來補償某個傳感器的缺陷,當遇到的一個或多個信息段不可靠時,必須儘可能地確保高質量的信息段不能被錯誤地污染。這是非常重要的,因爲當一個好的和差的信息段不小心融合後,結果通常繼承的是兩者質量水平中差的那個。

因此,這一目標只有在系統對不同信源的相對可靠性具有足夠的知識,並能夠有效地利用該知識時才能實現。這就提出了基於附加信息儘可能地準確地進行可靠性評估的問題,或者預先編譯或實時獲取關於背景和環境的信息

這種附加信息必須在合適的理論框架中進行處理,通過將附加信息有效的嵌入到合適的理論框架(理論前提假設)中,我們得以處理新信息中提供的或多或少的不確定性。

此外,重要的是融合過程可確保有關可靠性的信息集成在觀測過程中。

考慮到這一點,需要確定適當的處理體系結構,並採用合適的運算以校正基於每個知識片段相關性的觀察所得出的知識。即需要基於一定的策略和規則,給不同的知識片斷以不同的權重。 

在融合過程中,還必須對不同信息片段作用於處理最後結論的效果進行排序,基於其特異性對目標問題的功效,鑑於該信息演變的潛力(背景、要求等)

0x4:異構理論框架下知識傳播與遷移方面的挑戰

如前所述,輸入數據的必然的多樣性,意味着在對那些數據建模時,必須使用適合於特定不同數據的理論集。但這裏可能會面臨一些挑戰:

  • 一方面,爲了能夠支持最終決策,必須將可用的知識在最終決策層歸爲合乎決策的統一集合,這一集合必然高於輸入集。
  • 另一方面,複雜系統中的許多資源彙集在一起並且不同層次的資源彼此相互影響。同一個信息段可能用於不同的目的,這就要求我們採用不同的理論框架,來對在不同語境下的同一個信息段進行建模
  • 最後,爲了執行可操作的系統,有必要考慮環境可能同時發生的演變,不同時刻會產生不同的觀測信息。因此,能夠在某一時間在給定的集合內觀察可用的知識片段,並在同一個集合內使用可能隨時間演變的情況模型,並將其轉換到稍後的時間段是有用的。

所有這一切暗示着有必要發展將某個集合中的給定知識片段轉移到第二個不同的集合中的能力這種轉移當然只有在第二個集合中的元素與第一個的鏈接關係已知時纔有可能。然而,一般情況下,由可獲得的專業知識給出的關係定義是不確定或不精確的,並且需要在執行過程中考慮

0x5:模糊數據匹配(不同傳感器視角下的同一對象的聯合)方面的挑戰

由多個傳感器觀測的單一對象,通常由其各自在針對該對象的集合內進行分析。因此,使用不同傳感器獲取到對象的不同視圖,通過比較對比這些視圖,系統能夠獲得關於它的更準確的描述。

但是,當同時觀測大量對象時,問題開始變得複雜。

在這種情況下,困難在於正確地組合每一個傳感器對同一個對象的觀測數據,確保只融合了關於該特定對象的數據。

這裏我們舉兩個典型的例子,來更好地說明這種挑戰,值得說明的是,這些例子本身都是抽象性的,意味着它們是可以遷移到其他具體的場景中的,比如網絡安全,筆者會在討論中建立二者之間的聯繫。

1、空間模糊數據匹配問題

第一個問題是空間模糊數據匹配,也稱爲“去重影”。

例如,假設兩個遠程無源傳感器,共同觀察一個處於穿過這兩個傳感器所在平面的目標,然後每個傳感器報告檢測目標的方位角,被觀測的目標通過三角測量定位,即傳感器報告的兩個方向的交叉點。

但是,如果觀測平面上出現了2個目標,那麼每個傳感器就會報告2個方位角,這樣三角測量就發現4個交叉點。這些交叉點中的其中2個對應了目標的實際位置,而另外2個則是虛像,也稱爲“重影”。

融合系統所要做的事就是,盡力消除這兩個虛像以明確確定兩個目標的位置。

筆者插入

“重影問題”在網絡安全入侵檢測中非常常見。作爲系統行爲日誌採集器的傳感器,時刻處於觀測狀態,而同一時刻,由攻擊者引起的異常行爲和系統自身運行的合法軟件,都可能會產生大量的觀測結果,這些觀測結果之間互相產生“重影”,典型的表現就是,很難精確統計出不同觀測對象的概率分佈

2、暫時的模糊數據融合問題

第二個問題是暫時的模糊數據融合,也稱爲“去殘影”。

假設某一個傳感器在給定時刻檢測到兩個鄰近的移動目標,而另一個傳感器存在一定的時延,即在不同的時刻,也檢測到了兩個鄰近的移動目標。顯然,由於目標在這段延遲的時間窗口中已經移動過了,所以第二個傳感器檢測到的位置一定不同於第一個傳感器的檢測。

現在問題就變成了,如何確定來自第一個和第二個傳感器對同一個目標的檢測,哪個與事實更相符?是否可以融合起來成爲一個統一的結論?

一般來說,模糊數據融合要求審查可用信息,以識別可能反映觀測數據相似性特徵的資料,目的是匹配數據。不幸的是,一般情況下,當孤立考查數據片段時,現有的數據不足以可靠地確定其正確的聯合,只有通過共同地使用衆多不完善的信息片段,處理纔有效果。在對這些數據建模時必須考慮到由此產生的不確定性,並在處理時進行匹配。

筆者插入

“殘影問題”在網絡安全領域中同樣非常常見,我們知道,基礎安全入侵檢測中最重要的一個概念就是“攻擊鏈路(killchain)”,攻擊鏈路是一個串行的時序概念,攻擊並不是在一瞬間完成的,而是按照一定的邏輯、時序順序,在一個不固定長度的時間窗口內完成的。同時,HIDS/NIDS中的採集器分署於不同的系統模塊中,它們就像上文中提到的“錯位的傳感器”那樣,對同一個killchain對象,不同的採集器所採集的日誌是存在時延,甚至時間斷層的。這就對多傳感器的異構日誌融合帶來了不小的挑戰

0x6:信源組合方面的挑戰

1、組合運算 -- 多源信源融合的方法論

信源組合是數據融合過程中的核心。因此,自然地成爲主要困難的焦點。

正如前面章節討論的,我們根據所考察數據的不同性質和質量要求,使用最合適的理論形式對每條信息進行建模。這裏主要的挑戰在於,在每一種情況下,找到能夠包括所有面臨問題的同時儘量減少所產生的複雜性的理論框架

此外,被融合的數據通常以不同的集合表示,反過來,融合的結果需要用不同於輸入集的形式表示,這也就意味着,融合的結果需要用不同於輸入集的形式表示。

因此,能夠同時融合並傳播數據並確保儘可能“最佳地”利用其“有用”內容,成爲了一個關鍵挑戰因素

解決上述問題的解決思路是“組合運算(combinatorial operation)”。

對組合運算來說,至關重要的一點是底層邏輯的定義,以及根據公理需要得到滿足的邏輯的表述。例如,邏輯可能是合取(共識)、析取(多元化)等,而公理通常典型地是中性元素、單調性、交換性、相關性等定義。

當選擇邏輯時,其目的是滿足施加在融合過程的要求。同時由於期望通常是最大化信息輸出量,因此聯合一般是要考慮的第一個選擇。

2、信源衝突問題 -- 聯合典型問題一

在選擇底層邏輯的時候,信源之間經常出現的衝突是一個大問題,可能導致聯合毫無意義。

例如,如果一個信源給出集合A的解決方案,而第二個源給出完全區別於A的集合B的方案,這些意見的聯合產生了一個空集的解決方案!

這種情況的發生往往是由如下幾個原因導致,

  • 所考慮的解決方案的集合不全面,信源本身就存在信息丟失,甚至是關鍵的核心特徵部分存在信息丟失
  • 所考慮的解決方案的集合非專用,信源所用的理論框架和信源對象的假設前提不匹配
  • 並非所有的源都是可靠的等

在這種情況下,最好的方法是分析衝突,確定其原因,充分糾正它,並重復該問題的建模。但是如果實際證明這是不充分或不可能的,唯一的選擇就是尋找僅利用現有數據一致部分的組合方案,忽略不能相互驗證的數據。 

3、動態性問題 -- 聯合典型問題二

數據融合的另一個主要挑戰是考慮動態性方面,特別是考慮到所有源並不都在完全相同的時間傳送數據的這是事實。

所以,通過模擬對象的時間演變,推算來自每個源的知識到那一刻,通常是有必要的。此外,某些源可能產生幾乎常見的、幾乎最新的信息等。具體地說,這涉及知識預測、更新、修訂等問題。

4、信源數據質量附加信息

由信源傳送的數據的處理,也必須包括所有需要處理對應不完善性的語義或專家信息。這是執行數據融合的一個關鍵點。

因此,在有必要在數據建模時,合理有效地確定用於描述數據質量的信息形式。

5、信源間相關性問題

需要特別注意的是,在大多數時候,信源之間不是互相獨立的。如果忽略了這一點,融合的數據之間的相互依存關係可能會導致不適當的確認或從某種角度來看的破壞。

因此,需要對這種關係的影響進行建模,並在處理時加以考慮,以避免任何對過程結論的有害影響。另一方面,在某些情況下,數據之間的相關性事實上可提供額外的有用信息,因此有必要適當地加以特別利用。

0x7:融合程度問題

該領域經常出現的問題是融合程度問題,即分佈式融合問題。

  • 分佈式融合:越靠近信源的低層次的數據融合,這種類型產生的語義信息最豐富,因爲它離傳感器最近。但另一方面,這種原則可能不適用於其他要求或約束。特別是,在非常早的階段融合數據可能被證實爲沒有意義,可能對結果質量無用甚至有害,這取決於期望結論的粒度和意圖。
  • 集中式融合:在較高的語義等級融合,減輕了每次測量時局部處理的困難。集中處理通常用於壓縮有用信息並由此減少數據傳輸所需的吞吐量。

 

4. 決策

決策是數據處理的最後一步操作,實際上是基於完成的觀察產生了所需的情報,或觀察形勢所需的直接行動。

下圖說明了系統決策所採取的主要路徑:

第一步是審視所有數據,以評估預先確定與待解決的特定問題相關的不同假象的可能性。 這些似然性的融合隨後生成形勢評估,要麼直接傳送到運算以服務於決策支持,要麼通過自動處理加以利用從而幫助自主系統。

在整個決策過程中,同樣存在很多問題和挑戰,我們接下來逐個討論它們。

0x1:輸入數據和結論需求之間兼容性的挑戰

第一個困難來自於,確保輸入數據和結論需求之間信息容量或大或小的兼容性。

因此,需要界定該系列所有等級的信息模型和底層決策原則,以在其性質和敏銳性量方面產生關於唯一可用知識的唯一合法結論。服務於該目的的多或少的複雜的決策原則相應地在運算方面必須嚴格表述,結論的形式必須能夠儘可能準確地嚴格表述可用知識。

0x2:決策矛盾

決策過程的第二個主要困難是處理不可避免的矛盾,例如,Condorcet悖論。

這裏簡要介紹Condorcet悖論,有三個決策者 D1、D2、D3,負責在三種可能的動作 A1、A2、A3 之間進行選擇,假設決策者的偏好如下:

如果對動作進行兩兩比較以通過多數投票建立協商一致的偏好,結果就如下圖所示:

 

Condorcet悖論的不可及性 

可以看到,一組不可及的同等偏好使得任何結論成爲不可能,出現了一種叫“循環悖論”的現象。

更一般地,Arrow驗證了集體決策的屬性,基於負責連貫的5條規律:

  • 不受限制的域:迎合所有的個人選擇
  • 全體一致性:如果所有選民都是 x>y,則 x>y 爲團體投票
  • 兩兩獨立性:兩個選項的集體排名僅僅依賴於這兩個選項各自的單項排名
  • 完整性:所有的組合都能排名
  • 傳遞性:如果 x>y,並且 y>x,則 x>z

Arrow證明僅有的能夠滿足所有這5條規律的決策規則是絕對專制的,即只考慮一種意見而忽略所有其他的!

因此,任何實際的解決辦法必須是合理性(Arrow規律的表達)、有效性(在任何情況下得出結論)、以及共識(尊重多數意見)的折中。

 

5. 解決方案

需要說明的是,並沒有一個通用的解決方案,一次性解決前面章節提到的所有問題與挑戰。雖然學術界目前有很多理論框架,但它們每個都是爲處理需求的不同方面而專門設計,通常,這些理論最初並不是爲數據融合而設計,但卻顯示出良好的遷移性。

因此,我們接下來重點討論一下這些理論框架,主要包括兩個部分:

  • 第一,爲了處理問題的某個方面,每個理論框架的特異性
  • 第二,可以在這些理論之間建立的所有協同以確保構成不同環節的處理鏈的整體一致性

0x1:各種理論框架綜述

多傳感器數據融合關聯的主要理論框架圖

圖框之間的重疊區域表示爲了其共同開發,可形式化表示所討論理論之間的聯繫。

  • 用於處理不確定性的理論:可信度函數理論以及後續將研究的兩個本質不用的特例,概率論可能性理論
  • 用於處理不精確性的理論:本質上是模糊集理論。除去與可能性理論聯合利用的不確定性和不精確性之間的二元性,模糊集理論可以很容易地與不確定性理論結合起來共同應對不確定性和不精確性
  • 信息度量:可用於評估由處理傳遞的不確定性和不精確性的程度,尤其是用於評估數據融合的進程。 
  • 多準則匯聚的不同方法,可分爲兩個主要類別。
    • 第一類是完全傳遞匯聚的方法,合成爲需要在決策空間優化的單個準則。這類方法的原型是多屬性效用理論
    • 第二類包括部分匯聚方法,在得出所獲得偏好的結論之前,兩兩比較所有的解決方案
  • 數學邏輯:推動了高級別的推理過程,這些邏輯可以有效地與不精確性和不確定性理論相結合以整合知識(模糊邏輯、能度邏輯等)的缺陷,它們比感興趣的系統本身更緊密地關聯了多傳感器數據融合所產生的具體的信息利用。
  • 聯結方法:特別是神經網絡,其基本思想是,從足夠數量的真實案例中提取歷史經驗,並在未來的預測中進行復現。這是一個有用的思想,但從方法論的角度來看,數據融合需要克服在未完成學習的基礎上的歸納問題。考慮到這一點,例如貝葉斯方法確定的神經模糊方法和某些類推法是切題的,但聯結方面並不是可能服務於先前陳述的要求的突破點所關心的問題。
  • 魯棒優化方法:對使用複雜成本函數在融合過程的所有階段,大範圍搜索解決方案。 

總之,鑑於上述討論,接下來的討論將集中於不確定性和不精確性理論,目的是發現能夠爲需求服務的理論框架工具。 

0x2:融合模型的特殊性

數據融合實際上涵蓋了非常廣泛的問題,取決於被利用的信息的性質和行動的目標。關於被利用信息,可以根據先驗區分爲四大類:

  • 由傳感器獲取的觀察數據
  • 以數據庫、專家知識庫、信息、情報等形式得到的知識
  • 多決策者在多準則決策中使用的偏好
  • 爲確定權利、責任等,在所有情況下所有參與者需要解決的多重法規、衝突和矛盾

總的來說,多傳感器數據融合的輸入包括觀測數據和知識(關聯的、推理的、外衍的等),其目標是現實世界模型的開發和更新。 

 

6. 多傳感器數據融合的應用

多傳感器數據融合理論還是一個在不斷發展中的理論,但是其應用範圍仍然是非常廣泛的。當然,防禦系統是主要的應用,尤其是:

  • 戰術態勢評估
  • 多平臺協同參與
  • 防空系統
  • 監控和報警系統
  • 識別系統和情報

在其他領域也同樣存在很多應用空間,這些領域需求的範圍尚未進行完全定義,包括:

  • 一般意義上的信息系統,爲了處理不同的數據集,通常設計用於決策支持
  • 一般意義上的機器人,由不用傳感器捕獲的數據用於或多或少複雜性的自動功能
  • 非侵入性診斷方法,特別是在醫療和網絡安全領域
  • 智能協作系統

 

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章