畢業(yè)論文外文翻譯-多傳感器數(shù)據(jù)融合的多分類器系統(tǒng)

1、多傳感器數(shù)據(jù)融合的多分類器系統(tǒng)多傳感器數(shù)據(jù)融合的多分類器系統(tǒng)一、引言一、引言在許多應用識別和自動識別的模式中，從不同的傳感器監(jiān)測物理現(xiàn)象提供的免費信息中獲得數(shù)據(jù)是很罕見的。對這類信息的適當組合通常就叫做數(shù)據(jù)或者信息的融合，而且可以提高分類決策的準確性和信賴度相對于那些基于單個數(shù)據(jù)源的任何單獨的決策。之前我們已經(jīng)介紹過Learn，一種以整體分類為基礎的方法，作為一種有效的自動分類算法是能逐步學習的。該算法能夠獲得額外的數(shù)據(jù)，在分類系統(tǒng)設計

2、好后就能變成有用的數(shù)據(jù)了。為了實現(xiàn)增量學習，Learn生成一個整體的分類器（專家），其中每個分類器都是作為前面的數(shù)據(jù)庫。為了認清數(shù)據(jù)融合和增量學習之間概念的相似性，我們討論了數(shù)據(jù)融合的一些類似的方法：聘用一個正義專家，從提供的數(shù)據(jù)中訓練每個數(shù)據(jù)，然后戰(zhàn)略性的結合他們的輸出。我們能發(fā)現(xiàn)這些系統(tǒng)的性能在決策應用中是很重要的而且向來是優(yōu)于那些基于單一的數(shù)據(jù)源決策的決策在一些基準和真實的數(shù)據(jù)源世界。這樣一個系統(tǒng)中的應用很多，其中的數(shù)據(jù)是從相同的

3、應用程序所產(chǎn)生的多種來源（或多個傳感器）提供的可能包含補充信息中獲得的。例如，在對管道做非破壞性評估時，缺陷信息可從渦流，磁泄漏的圖像，超聲波掃描，熱成像獲得，或者幾個不同的診斷信息可從不同的醫(yī)學檢測獲得，如血液分析心電圖，腦電圖或者醫(yī)療成像設備，如超聲波，磁共振或正電子掃描等。直觀的，如果來自多個來源的信息可以適當?shù)慕Y合起來，那么分類系統(tǒng)（檢測是否有缺陷，或是否可以做出診斷決定）的性能可以得到改善。所以，增量學習和數(shù)據(jù)融合涉及學習不同

4、的數(shù)據(jù)集。在增量學習中補充信息必須提取新的數(shù)據(jù)集，其中可能包含新的分類實例。而在數(shù)據(jù)融合中補充信息也必須提取新的數(shù)據(jù)集，其中可能包含代表數(shù)據(jù)使用不同的特點。傳統(tǒng)的方法一般是根據(jù)概率理論（葉貝斯定理，卡爾曼濾波），或登普斯特謝弗（DS）和它的變化，其中主要用于軍事上的應用開發(fā)，特別是目標檢測和跟蹤，如決策理論。以整體分類為基礎的方法尋求一個新的和更通用的解決方案提供更廣泛的應用。還應當指出的是，在一些應用中如上述的無損檢測和醫(yī)療診斷等，從

5、不同的來源獲得的數(shù)據(jù)可能已產(chǎn)生不同的物理方式，并因此獲得的功能可能是不一樣的。雖然在這種情況下使用概率或者決策理論的方法會變得更加的復雜，但異構的功能可以很容易的被安置整體的系統(tǒng)，討論如下。一個集成系統(tǒng)結合了集中不同的分類和特定的輸出。分類的多樣性可以允許使用略有關于數(shù)據(jù)融合的learn算法輸入：對于每個功能集FSkk=12…K?訓練數(shù)據(jù)Sk=[(xiyi)]i=1…mk?監(jiān)督算法中相應的分類。?整數(shù)Tk指定的分類。對于每一個k=12…

6、K：初始化w1(i)=D1(i)=1mk，i=12…，mki?對于每一個t=12...Tk:1、設定???kmitttiwwD1)(2、從Dt中畫訓練子集TRt.3、通過訓練數(shù)據(jù)TRt獲得ht4、計算ht的錯誤???iityxhittiD)(:)(?對于Sk.，If，丟棄ht跳到步驟2.21?t?5、對于，通過加權的多數(shù)表決，獲得的符合假說。??ttt?????1自變量最大值?tH????yyxhttt)1log()(:?6、計算Ht的