多傳感器信息融合的應用

1.1 引言目前，多傳感器信息融合系統設計還缺乏一個統一的規范，還找不到一個行之有效的方法。信息融合模型主要包括融合的功能模型、結構模型和融合的數學模型。功能模型是從融合的過程出發，描寫信息融合包含哪些功能、數據庫以及進行信息融合時系統各組成不認之間的星湖作用過程；結構模型從融合組成出發，說明信息融合系統的結構；數學模型則是信息融合算法和綜合邏輯。這三大模型是任何一個融合系統都必須解決的，因此他們構成了融合系統的核心問題，其中又以數學模型為關鍵之關鍵，也是目前研究最多的一部分。

1.2 信息融合的功能模型信息融合的功能模型目前已有很多學者從不同的角度提出了信息融合系統的一般功能模型，最有權威的是美國三軍政府組織的實驗室理事聯席會下邊的技術委員會提出的功能模型。該模型把數據融合分為三級。第一級是單源或多源處理，主要是數字處理、跟蹤相關和關聯；第二級是評估目標估計的集合，以及他們彼此和背景的關系來評估整個情況；第三極用一個系統的先驗目標集合來檢驗評估的情況。

1.2.1 分布式多傳感器信息融合分布式多傳感器信息融合是每個局部的傳感器所獲得的待估計參數模型或待決策現象的觀測的同時，順便給出估計或決策，并將他們的結果傳遞到融合中心，融合中心就將所有傳感器的結果融合起來，得到最終的估計或決策。

1.2.2中心式多傳感器信息融合中心式多傳感器信息融合是傳感器能夠將觀測完全傳遞到融合中心，就相當于融合中心直接獲得了所有的觀測，這樣的融合方式叫做中心式多傳感器信息融合。

1.3信息融合的層次化描述在實際環境中，各類傳感器接收到的信息可能是實時信息，也可能是非實時信息;可能是快變的，也可能是緩變的;可能是模糊的，也可能是確定的;可能是相互支持或互補，也可能是互相矛盾或競爭。而多傳感器信息融合的基本原理或出發點就是充分利用多個傳感器資源，通過合理支配和使用，把多個傳感器在空間或時間上的冗余或互補信息依據某種準則進行融合，以獲得被測對象的一致性描述或解釋，使該系統由此獲得比其它各組成部分的子集所構成的系統更優越的性能。互補，也可能是互相矛盾或競爭。而多傳感器信息融合的基本原理或出發點就是充分利用多個傳感器資源，通過合理支配和使用，把多個傳感器在空間或時間上的冗余或互補信息依據某種準則進行融合，以獲得被測對象的一致性描述或解釋，使該系統由此獲得比其它各組成部分的子集所構成的系統更優越的性能。多傳感器信息融合與經典信號處理方法之間存在本質的區別，其關鍵在于信息融合所處理的多傳感器信息具有更復雜的形式，且可在不同的信息層次上體現。主要的信息表征層次有數據層、特征層和決策層。多傳感器信息融合在不同問題領域采用不同的實現形式，因此我們難以對大量涌現的信息問題進行分類描述。一般來說，大多數的融合問題都是針對同一層次上的信息形式來開展研究的，因此我們根據融合系統所處的信息層次，對信息融合的方法進行簡單的描述。

1.3.1數據層融合數據層融合的特點是直接在多傳感器分布檢測系統中的檢測判決層或信號層上進行融合。屬于底層數據融合，優點是信息量大！信息準確，缺陷是很難達到實時要求、數據通信量大、抗干擾能力差，同時要求各個傳感器信息具有同質性，否則需要進行尺度校準。數據層融合通常用于多源圖象合成，圖象分析與理解等方面。

1.3.2特征層融合特征層融合是對各個傳感器的原始數據進行特征提取后獲得的信息進行融合。這些特征信息包括邊緣、方向、速度、形狀等。一般來說，形成特征的過程是一個較大幅度的信息壓縮的過程，這為實時處理提供了前提條件。特征層融合可劃分為兩大類：目標狀態信息融合、目標特性融合。（1）目標狀態信息融合目標狀態信息融合主要應用于多傳感器的目標跟蹤領域，目標跟蹤領域的大量方法都可以修改移植為多傳感器目標跟蹤方法。融合系統首先對傳感器數據進行預處理以完成數據配準，即通過坐標變換和單位換算，把各傳感器輸人數據變換成統一的數據表達形式，在數據配準之后，融合處理主要實現參數關聯和狀態估計。常見的是序貫估計技術，其中包括卡爾曼濾波和擴展卡爾曼濾波。（2）目標特征信息融合目標特征信息融合就是特征層聯合識別，它實質就是模式識別問題。多傳感器系統為識別提供了比單個傳感器更多的有關目標的特征信息，增大了特征空間維數。具體的融合方法仍是模式識別的相應技術，但是在融合一前必須先對特征進行關聯處理，再對特征矢量分類成有意義的組合。對目標進行的融合識別，就是基于關聯后的聯合特征矢量、具體實現技術包括參量模板法！特征壓縮和聚類算法、K階最近鄰、神經網絡等，除此之外，基于知識的推理技術也可應用于特征融合識別，但由于難以抽取環境和目標特征的先驗知識，因而這方面的研究僅僅才開始。特征層融合無論在理論還是應用上都逐漸趨于成熟，形成了一套針對問題的具體解決方法。在融合的三個層次中，特征層上的融合可以說是發展最完善的，而且由于在特征層已建立了一整套的行之有效的特征關聯技術，可以保證融合信息的一致性，所以特征層融合有著良好的應用與發展前景。

1.3.3決策層融合特征層融合無論在理論還是應用上都逐漸趨于成熟，形成了一套針對問題的具體解決方法。在融合的三個層次中，特征層上的融合可以說是發展最完善的，而且由于在特征層已建立了一整套的行之有效的特征關聯技術，可以保證融合信息的一致性，所以特征層融合有著良好的應用與發展前景。決策層融合輸出是一個聯合決策結果，在理論上這個聯合決策應比任何單傳感器決策更精確或更明確，決策層融合所采用的方法有：Bayes理論、DS證據理論、模糊集理論及專家系統方法等。決策層融合在信息處理方面具有很高的靈活性，系統對信息傳輸帶寬要求很低，能有效地融合反映環境或目標各個側面的不同類型信息，而且可以處理非同步信息，因此目前有關信息融合的大量研究成果都是在決策層上取得的，并且構成了信息融合的一個熱點。但是由于環境和目標的時變動態特性、先驗知識獲取的困難、知識庫的巨量特性、面向對象的系統設計要求等，決策層融合理論與技術的發展仍受到一定的限制。

現有的信息融合的數學模型可分為三大類：（1）嵌入約束觀點（2）證據組合觀點（3）神經網絡方法盡管有些方法還不盡完善，但這些方法和基于這些方法的具體算法確實解決了不少實際問題，也推動著信息融合技術發展。第三章多傳感器信息融合的前景雖然數據融合已得到了廣泛的應用，但至今為止未形成一套完整的理論體系和有效的融合算法。絕大部分都是針對特定的問題、特定的領域來研究，也就是說目前數據融合的研究都是根據問題的種類、特定的對象、特定的層次建立自己的融合模型和推理規則，有的在此基礎上形成所謂的最佳方案。所謂的最佳準則、最佳判斷等只是理論上通過．若應用到實際上還有很大的距離。即使在實際中得到了應用，也沒有一個完善的評價體系對之作合理的評價。所以，多傳感器數據融合系統的設計帶有一定的盲目性，有必要建立一套完整的方法論體系來指導數據融合系統的設計。

具體的不足之處有：1）未形成基本的理論框架和有效廣義模型及算法；

2）并聯的二義性是數據融合的主要障礙；

3）融合系統的容錯性或穩健性沒有得到很好的解決；

4）對數據融合的具體方法的研究尚處于初步階段；

5）數據融合系統的設計還存在許多實際問題。隨著傳感器技術、數據處理技術、計算機技術、網絡技術、人工智能技術、并行計算機的軟件和硬件技術等相關技術的發展，多傳感器數據融合必將成為未來復雜T業系統智能檢測與數據處理的重要技術。

從目前收集到的國內外研究資料來看，多傳感器數據融合的研究方向歸納如下：

1）改進融合算法以進一步提高融合系統的性能。目前，將模糊邏輯、神經網絡、進化計算、粗集理論、支持向量機、小波變換等計算智能技術有機地結合起來，是個重要的發展趨勢。

2）如何利用有關的先驗數據提高數據的融合性能，也是一個需要認真研究的問題。

3）開發并行計算的軟件和硬件，以滿足大量數據的計算復雜的多傳感器融合的要求。

4）研究出能處理多傳感器集成與融合的集成電路芯片，以及傳感器模型和接口標準化是當前系統硬件的主要發展方向。

5）未知和動態環境中多傳感器集成與融合的研究。

6）采用并行計算機結構的多傳感器集成與融合的研究。

7）開展虛擬現實技術的研究，為多傳感器數據融合研究提供理想的仿真平臺。

隨著科技的發展以及技術的進步，多傳感器信息融合技術越來越廣泛的應用于各種領域，尤其是軍事方面的應用。信息融合技術能夠綜合各個傳感器的不同信息，對目標信息進行預處理、關聯、決策和融合。本文主要針對信息融合中的一些關鍵技術進行了理論研究，主要工作為：特征層融合是信息融合的重要部分，決策層融合是信息融合的關鍵部分，數據決策從多個目標中做出判決，以確定最終打擊的目標“本文分析了常用的DS證據合成理論以及其改進方法。針對DS證據合成理論的不足，將信息嫡理論應用到數據決策中，該方法能夠很好的解決DS證據理論出現的沖突過大、一票否決等問題，獲得合理的融合效果。多傳感器信息融合將來仍然有很長的路要走，需要不斷克服各種困難，在現在的基礎上，更好的被人們所利用，方便人們的生活。