Einführung in die Informationsfusion

Prüfungsprotokollinhalte

Hier findest du einige Inhalte von Prüfungsprotokollen

Allgemeines

Was ist IF?

  • Definition: Aus verschiedenen Wissensquellen höherwertiges Wissen generieren
  • Arten von höherwertigen Wissen
  • Neues Wissen
  • Besseres Wissen (weniger Unsicherheiten)

Nutzen?

  • Höhere Robustheit/Verlässlichkeit
  • Höhere Auflösung
  • Höhere Abdeckung
  • Kostenreduktion

Probleme von Sensorik?

  • Immer eine Informationsreduktion
  • Fensterung
  • Rauschen
  • Projektion
  • Abtastung

Wann ist Fusion möglich?

  • Gemeinsamer Kontext
  • Unsicherheitsbehaftete Informationen (Wenn sich Informationen widersprechen!)

Welche Unsicherheitsdarstellungen gibt es?

  • Wahrscheinlichkeit(en/sdichten)
  • Basismaße
  • Linguistische Modellierung (unscharfe Mengen)
  • Was sind unscharfe Mengen?
  • Neuronale Modellierung
  • Energiefunktionale (Kamen bei uns nicht dran!)

Ebenen der Fusion

  • Signalebene
  • Datenebene
  • Merkmalsebene
  • Entscheidungsebene

Dazu jeweils Beispiele

Fusionsarchitekturen

Schema malen

  • zentralisiert
  • verteilt
  • hybrid

Wahrscheinlichkeitsdefinition nach Kolmogorov

Axiomensystem

  • Nichtnegativität
  • Normiertheit
  • Additivität

Wie kann man Axiome interpretieren?

  • frequentistisch
  • DoB – Degree of Belief

Maximum Entropie Prinzip

  • Wie ermittelt man die a priori W!
  • Formel
  • Lagrange Methode
  • Sensormodell

Bayes

Formel nach Bayes

  • Formel/Satz
  • Normierungskonstante
  • Annahme der bedingten W!
  • Erklärung der Bestandteile
  • A priori
  • A posteriori
  • Bedingte W!
  • Likelihood nicht normmiert
  • Bei geg. X kein Likelihood, erst bei geg. Z
  • Wie für mehrere Datenquellen erweitern?
  • Bedingte unabh. W! vereinfachen (Formel)

Bayes’sche Fusion

  • Zentral
  • Verteilt
  • Wie weniger rechnen? Durch logaritmierte W!
  • Was passiert in den Sensoren?
  • Unterschiede?
  • Rechenkapazität
  • Kapazität der Kommunikationskanäle
  • Wo weniger Fusionsaufwand?
  • Verteilt

Kalman-Filter

  • Wie kann man Bayes bei dynamischen Systemen anwenden? -> Kalman
  • Schritte
  • Prädiktion
  • Korrektur
  • Wie werden Unsicherheiten modelliert?
  • Kovarianzmatrix
  • Was bei nicht-linearer Systemfunktion?
  • Extented Kalman-Filter
  • AP in jedem Schritt linearisieren

Dempster-Schäfer-Theorie (DST)

  • Auch Evidenztheorie gennannt
  • Subjektivere Darstellung von Unsicherheiten
  • Wodurch Fusion?
  • Rule of Combination

Basismaß

  • Definition
  • Entspricht das Basismaß einer Wahrscheinlichkeitsverteilung?
  • Nein: Monotonie und Additivität fehlen (Nur wenn Belief auf einelementige Mengen definiert)

Axiome

  • Normiert auf 1
  • Closed World Assumption m({})=0
  • Summe aller Teilmengen = 1

Glaubensfunktion

  • Auch Belief genannt
  • Definition

Plausibilitätsfunktion

  • Definition

Vergleich DST / Bayes

  • Explizites „nicht Wissen“
  • Rechenaufwand

DST Fusion

  • Kombinationsgrad
  • DRC (Dempster’sche Konbinationsregel)
  • Formel
  • Kommutativ? Ja
  • Assozziativ? Ja
  • Idempotent? Nein
  • Was ist k?
  • Konfliktgrad: Grad des widersprechenden Wissens

Fuzzyfusion

Wie wird Unsicherheit modelliert?

  • linguistische Terme
  • Zugehörigkeitsfunktion

Ablauf

  • Fuzzyfizierung
  • Eigenschaften der Funktion zur Fuzzifizierung:
  • Muss auf [0,1] abbilden
  • Teilmengen geben zusammen 1
  • Fuzzyfusion
  • Defuzzyfizierung

Wo wird Vorwissen eingebracht? In jedem Schritt!

Registierung

  • (Alignment)
  • Allgemeines Registrierungsproblem
  • Distanzmaß
  • Formel
  • Verfahren (mit Beispielen erklären können)
  • Intensitätsbasiert
  • Merkmalsbasiert
  • Transinformation

Neuronale Netze

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.