信息融合通过数据信息d做出对环境的推断,即求解 p(d)。由 Bayes公式知,只须知道p(/a)和p(即可。因为 p(d)可看作是使p(fad)p(成为概率密度函数的归一化常 数,p(ω是在已知客观环境变量f的情况下,传感器得 到的d关于f的条件密度。当环境情况和传感器性能已知 时,p(和ω)由决定环境和传感器原理的物理规律完全确定。 而p(刀可通过先验知识的获取和积累,逐步渐近准确地 得到,因此,一般总能对p(有较好的近似描述。 在嵌入约束法中,反映客观环境和传感器性能与原理的 各种约束条件主要体现在p(1dn)中,而反映主观经验知 识的各种约束条件主要体现在p(中。 在传感器信息融合的实际应用过程中,通常的情况是在 某一时刻从多种传感器得到一组数据信息d,由这一组 数据给出当前环境的一个估计。因此实际中应用较多 的方法是寻找最大后验估计g,即信息融合通过数据信息d做出对环境f的推断，即求解 p(f|d)。由Bayes公式知，只须知道p(f|d)和p(f)即可。因为 p(d)可看作是使p(f|d)•p(f)成为概率密度函数的归一化常 数，p(d|f)是在已知客观环境变量f的情况下，传感器得 到的d关于f的条件密度。当环境情况和传感器性能已知 时，p(f|d)由决定环境和传感器原理的物理规律完全确定。 而p(f)可通过先验知识的获取和积累，逐步渐近准确地 得到，因此，一般总能对p(f)有较好的近似描述。 在嵌入约束法中，反映客观环境和传感器性能与原理的 各种约束条件主要体现在p(f|d) 中，而反映主观经验知 识的各种约束条件主要体现在p(f)中。 在传感器信息融合的实际应用过程中，通常的情况是在 某一时刻从多种传感器得到一组数据信息d，由这一组 数据给出当前环境的一个估计f。因此,实际中应用较多 的方法是寻找最大后验估计g，即