shitu08042的博客

在有一些应用场合，对两类错误没有什么特殊的区别，那么令所有误差的代价函数最小也是一个合理的准则。即C00=C11=0，C01=C10=1。使Pe最小，就是使上式积分项最小，P0p0(z)-P1p1(z)

融合中心的判决结果是 u0 ，每个传感器的判决结果统一由 u=(u1，u2，....，uN) 表示。求解最优贝叶斯融合检测准则，需要在给定CF和CD时，求解出P(u|H1)和P(u|H0)。以上一次计算的各个传感器的贝叶斯判决门限为基础，计算新的贝叶斯判决门限。已知各传感器的观测分布，以及假设各个传感器的贝叶斯判决门限，算出。而一般在传感器技术文档中，是不会给出似然函数概率的，通常以。，且彼此统计独立的条件下的贝叶斯融合检测准则。根据各个传感器新的门限计算对应传感器的。在多传感器环境下，各个传感器的。

在概率论理论体系中，贝叶斯融合检测准则是多传感器系统优化决策的主流技术，是迄今为止理论上最完整的信息融合方法。在工程应用中，漏检和虚警两类错误的后果并非同等严重，为了反映这些差别，应对各类错误概率分别规定不同的代价，即。p0(z)为没有目标的量测分布概率密度函数，p1(z)为有目标的量测分布概率密度函数。的方法，但是如何获得所需先验概率知识及各种错误决策的代价是应用该方法的一个关键问题。：通过新获取的数据来修正我们作出的先验判断，最后得到我们新的后验判断。贝叶斯融合检测准则的检测策略是使。

多元融合检测：在某种假设下各种判定输出的概率函数，p(u | Hi)，u=u1,u2,u3,...是各个传感器处理后的数据。最大后验概率检测准则是选择似然函数比大于P0/P1的数据为R1数据空间进行检测。单个传感器检测：在某种假设下观测信号的条件概率函数，即p(z | Hi)最大后验概率准则使平均错误概率达到最小，但是必须知道假设H1和H0的。二元检测中：若P(H1|u)>P(H0|u)，则选择H1。，分析给定全局决策值u下各种假设的概率，选择最有可能。就是条件概率密度函数p(z | θ)。

统计判决：根据观测量落在观测空间中的位置，按照某种检验规则，作出信号状态是属于哪个假设的判决。每个传感器都先对原始观测数据进行初步分析处理，做出本地判决结论，只将结论向数据融合中心呈报。主要研究在受噪声干扰的随机信号中信号的有无或信号处于哪个状态的最佳判决。数学基础：统计判决理论/假设检验理论；其基本模型为二元信号检测问题。1、H0为真，决策值u=1 =>虚警。2、H1为真，决策值u=0 =>漏检。实际上是对观测空间R的划分问题。先验概率：假设H出现的概率；