Bibliographie & annexes
Présentation
English
RÉSUMÉ
La fusion des données consiste au développement de procédés de combinaison de données et d’information pour estimer ou prédire des états. L’objectif visé est de réduire l’incertitude sur l’information résultante, cette incertitude pouvant être modélisée par différentes théories. Cet article traite de l’ensemble des fonctions de la chaîne perceptive (détection, identification, estimation, pistage et analyse de la situation). Sont abordés entre autres la prise en compte la fiabilité des sources, la qualité d’une distribution d’événements hypothèses, l’intégration de l’information, ainsi que les opérateurs bayésiens de combinaison.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Jean-François GRANDIN : Ingénieur de l’Institut national des télécommunications Expert en traitement d’information Direction technique - Systèmes de guerre électronique Thales Systèmes Aéroportés
INTRODUCTION
La fusion de données consiste essentiellement à confronter et intégrer des informations multiples dans le but de réduire l’incertitude sur l’information résultante. Ce document s’intéresse à l’application de la théorie des probabilités à l’ensemble des fonctions de la chaîne perceptive, à savoir : la détection, l’identification, l’estimation, le pistage et l’analyse de la situation. Dans ce cadre, on explicite comment modéliser et prendre en compte la fiabilité des sources, comment estimer la qualité d’une distribution d’événements hypothèses, comment fusionner en présence de corrélation, comment intégrer l’information experte et l’observation. La fusion, pour être efficace, doit prendre en compte les degrés d’incertitude de l’information entrante : à cette fin, la fusion repose sur une combinaison des éléments d’information pondérée par leurs incertitudes respectives. De plus, pour « combler » l’information manquante, la fusion utilise le raisonnement hypothétique et évalue les diverses options potentielles ; l’inférence bayésienne est construite pour ce type d’évaluation et se prête à des propagations d’hypothèses élaborées (MHT : « multiple hypothesis tracking », réseaux bayésiens) intégrant des connaissances de nature et de niveau hétérogènes.
L'expertise technique et scientifique de référence
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Technologies radars et applications > Systèmes radars > Fusion de données - Théorie et méthodes > Conclusion
Accueil > Ressources documentaires > Électronique - Photonique > Technologies radars et applications > Systèmes radars > Fusion de données - Théorie et méthodes > Conclusion
Cet article fait partie de l’offre
Automatique et ingénierie système
(139 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Introduction à la fusion de données
English
8. Conclusion
La fusion de données ne peut être performante que si l’on dispose, ou l’on estime, des incertitudes sur les informations issues des différentes sources. Il est donc souhaitable que chaque élément du système fournisse une décision soft, soit un vecteur de vraisemblance (une densité de probabilité sur les valeurs possibles de l’état), et si ce n’est pas le cas, qu’au minimum les nœuds de fusion disposent d’une information sur les qualités des sources. Dès que ce minimum est atteint, on constate des performances étonnamment bonnes des opérateurs de fusion pondérés par la qualité des sources.
Un second facteur de réussite est de gérer la redondance informationnelle inhérente à ce type de système, que ce soit la corrélation des erreurs intercapteurs ou la duplication non contrôlée des éléments d’information dans le système. Sans précaution particulière, on observe de désastreux biais de décision. Des méthodes ad hoc permettent en général de traiter efficacement ces problèmes.
Le raisonnement hypothétique est requis par les systèmes d’information dont la caractéristique majeure est d’être incomplète. Les hypothèses sont alors des informations par défaut qui comblent l’information manquante. Les pistages et identifications multihypothèses, les réseaux bayésiens offrent des possibilités de converger rapidement sur la solution en intégrant des mécanismes permettant de favoriser les hypothèses les plus intéressantes ou les plus prioritaires.
Enfin, l’inférence bayésienne est un outil au large domaine d’application utilisable sur toute la chaîne de fusion :
-
au niveau de la détection ;
-
au niveau de l’estimation d’identité ou d’estimées partielles ;
-
au niveau de l’estimation des états des entités composées ;
-
au niveau du raisonnement hypothétique.
La conception d’un système de fusion n’a pu être développée ici tant elle mériterait à elle seule un exposé. Disons brièvement que la conception d’un système commence généralement à allouer des exigences sur les sous-systèmes et que des analyses de sensibilité (calcul des matrices d’information) permettent de définir les besoins en terme d’échange, de partage d’information,...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Automatique et ingénierie système
(139 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Conclusion
BIBLIOGRAPHIE
-
(1) - HALL (D.), LLINAS (J.) - Handbook of Multisensor Data Fusion - . CRC Press (2001).
-
(2) - HALL (D.) - Mathematical Techniques in Multisensor Data Fusion - . Artech House, (1992).
-
(3) - WALTZ (E.), LLINAS (J.) - Multisensor Data Fusion - . Artech House (1990).
-
(4) - HARRIS (C.J.) - Application of Artificial Intelligence to Command & Control Systems - . IEE Computing series 13.
-
(5) - YAAKOV BAR-SHALOM - Multitarget-Multisensor Tracking : Advanced Applications - . Artech House (1990).
-
(6) - BAYES (T.) - Essay Toward Solving a Problem in the Doctrine of Changes - . Philosophical Transactions of the Royal Society, London, (1763).
-
...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Automatique et ingénierie système
(139 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
