数据融合的概率方法
数据分析、统计与概率
2007-05-23 v1
摘要
本文的主要目的是展示如何使用经典的概率方法，如最大熵（ME）、最大似然（ML）和/或贝叶斯（BAYES）方法来进行微观和宏观数据融合。实际上，当我们有宏观数据（期望）时，ME 可用于为未知量分配概率律。当我们有微观数据（直接观测）时，ML 可用于估计概率律的参数。当我们通过似然函数获得微观数据时，BAYES 可用于更新先验概率律。当我们同时拥有微观和宏观数据时，我们可以首先使用 ME 分配先验，然后使用 BAYES 将其更新为后验律，从而实现所需的数据融合。然而，在实际的数据融合应用中，我们可能仍然需要一些工程直觉来提出现实的数据融合解决方案。本文给出了一些使用不同类型数据的传感器数据融合和图像重建的简单示例来说明这些思想。关键词：数据融合，最大熵，最大似然，贝叶斯数据融合，EM 算法。
引用
@article{arxiv.physics/0111118,
title = {Probabilistic methods for data fusion},
author = {A. Mohammad-Djafari},
journal= {arXiv preprint arXiv:physics/0111118},
year = {2007}
}
备注
Presented at MaxEnt97. Appeared in Maximum Entropy and Bayesian Methods, G.J. Erickson, J.T. Rychert and C.R. Smith (Ed.), Kluwer Academic Publishers (http://www.wkap.nl/prod/b/0-7923-5047-2)