9. 5 多传感器数据融合9.5.1 概念和意义9.5.2 基本原理9.5.3 层次9.5.4 过程9.5.5 方法9.5.1
概念与意义 1．概念 2．意义 1．概 念 美国国防部JDL从军事应用的角度将数据融合定义为这样的一个过程:把来自许多传感器和信
息源的数据进行联合(association)、相关（coorelation）、组合（combination）和估值的处理，以达到精
确的位置估计（position estimation）与身份估计（identity estimation），以及对战场情况和威胁及
其重要程度进行适时的完整评价。定义补充和修改用状态估计代替位置估计，并加入了检测(detection)的功能，从而给出了如下定义：
信息融合是一种多层次、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合，以达到精确的状态估计和身份估计，以及
完整及时的态势评估和威胁估计。 定义三个要点：（1）数据融合是多信源、多层次的处理过程，每个层次代表信息的不同抽象程度；（2）数据
融合过程包括数据的检测、关联、估计与合并；（3）数据融合的输出包括低层次上的状态身份估计和高层次上的总战术态势的评估。 多传感器数
据融合 包括：多传感器的目标探测、数据关联、跟踪与识别、情况评估和预测。 基本目的：通过融合得到比单独的各个输入数据更多的信息。这
一点是协同作用的结果，即由于多传感器的共同作用，使系统的有效性得以增强。 实质：一种多源信息的综合技术，通过对来自不同传感器的数据
进行分析和综合，可以获得被测对象及其性质的最佳一致估计。 多传感器数据融合：将经过集成处理的多种传感器信息进行合成，形成对外部环境
某一特征的一种表达方式。多传感器数据融合技术应用最早是围绕军用系统开展研究的。非军事领域：智能机器人、计算机视觉、水下物体探测、收
割机械的自动化、工业装配线上自动插件安装、航天器中重力梯度的在线测量、信息高速公路系统、多媒体技术和虚拟现实技术、辅助医疗检测和诊
断等领域。2．意 义主要作用可归纳为以下几点：提高信息的准确性和全面性。与一个传感器相比，多传感器数据融合处理可以获得有关周围环境
更准确、全面的信息；降低信息的不确定性，一组相似的传感器采集的信息存在明显的互补性，这种互补性经过适当处理后，可以对单一传感器的不
确定性和测量范围的局限性进行补偿；提高系统的可靠性，某个或某几个传感器失效时，系统仍能正常运行；增加系统的实时性。使用传感器数据融
合技术将使测量系统具有如下优势：（1）增加测量维数，增加置信度，提高容错功能，改进系统的可靠性和可维护性。当一个甚至几个传感器出现
故障时，系统仍可利用其它传感器获取环境信息，以维持系统的正常运行。（2）提高精度。在传感器测量中，不可避免地存在各自各种噪声，而同
时使用描述同一特征的多个不同信息，可以减小这种由测量不精确所引起的不确定性，显著提高系统的精度。 （3）扩展了空间和时间的
覆盖，提高了空间分辩率，提高适应环境的能力。多种传感器可以描述环境中的多个不同特征，这些互补的特征信息，可以减小对环境模型理解的歧
义，提高系统正确决策的能力。 （4）改进探测性能，增加响应的有效性，降低了对单个传感器的性能要求，提高信息处理的速度。在同等
数量的传感器下，各传感器分别单独处理与多传感器数据融合处理相比，由于多传感器信息融合中使用了并行结构，采用分布式系统并行算法，可显
著提高信息处理的速度。 （5）降低信息获取的成本。信息融合提高了信息的利用效率，可以用多个较廉价的传感器获得与昂贵的单一高精度
传感器同样甚至更好的效果，因此可大大降低系统的成本。9. 5 多传感器数据融合9.5.1 概念和意义9.5.2 基本原理9.
5.3 层次9.5.4 过程9.5.5 方法9.5.2 基本原理 充分利用多个传感器资源，通过对这些传感器及其观测信息的合
理支配和使用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则来进行组合，以获得比它的各组成部分的子集所构成的系统更优越的性
能。多传感器数据融合技术可以对不同类型的数据和信息在不同层次上进行综合，它处理的不仅仅是数据，还可以是证据和属性等。多传感器数据融
合并不是简单的信号处理。信号处理可以归属于多传感器数据融合的第一阶段，即信号预处理阶段。9. 5 多传感器数据融合9.5.1
概念和意义9.5.2 基本原理9.5.3 层次9.5.4 过程9.5.5 方法9.5.3 层次 数据融合层次的划分主要有
两种方法。第一种方法是将数据融合划分为低层（数据级或像素级）、中层（特征级）和高层（决策级）。另一种方法将是将传感器集成和数据融合
划分为信号级、证据级和动态级。 数据级融合(或像素级融合)对传感器的原始数据及预处理各阶段上产生的信息分别进行融合处理。尽可能多地
保持了原始信息，能够提供其它两个层次融合所不具有的细微信息。局限性：由于所要处理的传感器信息量大，故处理代价高；融合是在信息最低层
进行的，由于传感器的原始数据的不确定性、不完全性和不稳定性，要求在融合时有较高的纠错能力；由于要求各传感器信息之间具有精确到一个像
素的配准精度，故要求传感器信息来自同质传感器；通信量大。特征级融合利用从各个传感器原始数据中提取的特征信息，进行综合分析和处理的中
间层次过程。通常所提取的特征信息应是数据信息的充分表示量或统计量，据此对多传感器信息进行分类、汇集和综合。特征级融合分类：目标状态
信息融合目标特性融合。特征级融合分类： 目标状态信息融合主要应用于多传感器目标跟踪领域。融合系统首先对传感器数据进行预处理以完成数
据配准。数据配准后，融合处理主要实现参数相关和状态矢量估计。目标特性融合特征层联合识别，具体的融合方法仍是模式识别的相应技术，只是
在融合前必须先对特征进行相关处理，对特征矢量进行分类组合。在模式识别、图像处理和计算机视觉等领域，已经对特征提取和基于特征的分类问
题进行了深入的研究，有许多方法可以借用。决策级融合在信息表示的最高层次上进行的融合处理。不同类型的传感器观测同一个目标，每个传感器
在本地完成预处理、特征抽取、识别或判断，以建立对所观察目标的初步结论，然后通过相关处理、决策级融合判决，最终获得联合推断结果，从而
直接为决策提供依据。因此，决策级融合是直接针对具体决策目标，充分利用特征级融合所得出的目标各类特征信息，并给出简明而直观的结果。决
策级融合优点：实时性最好在一个或几个传感器失效时仍能给出最终决策，因此具有良好的容错性。9. 5 多传感器数据融合9.5.1
概念和意义9.5.2 基本原理9.5.3 层次9.5.4 过程9.5.5 方法9.5.4 过程 首先将被测对象它们转换为
电信号，然后经过A／D变换将它们转换为数字量。数字化后电信号需经过预处理，以滤除数据采集过程中的干扰和噪声。对经处理后的有用信号作
特征抽取，再进行数据融合；或者直接对信号进行数据融合。最后，输出融合的结果。9. 5 多传感器数据融合9.5.1 概念和意义9
.5.2 基本原理9.5.3 层次9.5.4 过程9.5.5 方法9.5.5 方法 1. 加权平均 2. 卡尔曼滤波
3． 贝叶斯估计 4. 多贝叶斯方法 5. 统计决策理论 6. Dempster-Shafer证据推理法 7. 模糊逻辑
法 8. 产生式规则法 9. 神经网络方法 1. 加权平均 加权平均是最简单、最直观的数据融合方法。该方法将一组传感器提供的冗
余信息进行加权平均，结果作为融合值。 2. 卡尔曼滤波 应用：融合低层的实时动态多传感器冗余数据。该方法应用测量模型的统计特性递推
地确定融合数据的估计，且该估计在统计意义下是最优的。如果系统可以用一个线性模型描述，且系统与传感器的误差均符合高斯白噪声模型，则卡
尔曼滤波将为融合数据提供唯一的统计意义下的最优估计。滤波器的递推特性使得它特别适合在那些不具备大量数据存储能力的系统中使用。应用领
域：目标识别、机器人导航、多目标跟踪、惯性导航和遥感等。 卡尔曼滤波器应用应用卡尔曼滤波器对n个传感器的测量数据进行融合后，既可以
获得系统的当前状态估计，又可以预报系统的未来状态。所估计的系统状态可能表示移动机器人的当前位置、目标的位置和速度、从传感器数据中抽
取的特征或实际测量值本身。 3．贝叶斯估计 贝叶斯估计是融合静态环境中多传感器低层信息的常用方法。它使传感器信息依据概率原则进行
组合，测量不确定性以条件概率表示。当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。大多数情况下，传感器是从不同的
坐标系对同一环境物体进行描述，这时传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。4. 多贝叶斯方法 Durrant－Why
te将任务环境表示为不确定几何物体集合的多传感器模型，提出了传感器信息融合的多贝叶斯估计方法。多贝叶斯估计把每个传感器作为一个贝叶
斯估计，将各单独物体的关联概率分布组合成一个联合后验概率分布函数，通过使联合分布函数的似然函数最小，可以得到多传感器信息的最终融合
值。 5. 统计决策理论 与多贝叶斯估计不同，统计决策理论中的不确定性为可加噪声，从而不确定性的适应范围更广。不同传感器观测到
的数据必须经过一个鲁棒综合测试以检验它的一致性，经过一致性检验的数据用鲁棒极值决策规则融合。 6. Dempster-Shafer
证据推理法 由Dempster首先提出，由Shafer发展 一种不精确推理理论，贝叶斯方法的扩展。贝叶斯方法必须给出先验概率，
证据理论则能够处理这种由不知道引起的不确定性。在多传感器数据融合系统中，每个信息源提供了一组证据和命题，并且建立了一个相应的质量
分布函数。因此，每一个信息源就相当于一个证据体。在同一个鉴别框架下， 将不同的证据体通过Dempster合并规则并成一个新的证据体
，并计算证据体的似真度，最后用某一决策选择规则，获得最后的结果。7. 模糊逻辑法模糊逻辑实质上是一种多值逻辑，在多传感器数据融合中
，将每个命题及推理算子赋予0到1间的实数值，以表示其在登记处融合过程中的可信程度，又被称为确定性因子，然后使用多值逻辑推理法，利用
各种算子对各种命题（即各传感源提供的信息）进行合并运算，从而实现信息的融合。8. 产生式规则法 人工智能中常用的控制方法。产生式规
则法中的规则一般要通过对具体使用的传感器的特性及环境特性进行分析后归纳出来的，不具有一般性，即系统改换或增减传感器时，其规则要重新
产生。特点：系统扩展性较差，但推理较明了，易于系统解释，所以也有广泛的应用范围。 9. 神经网络方法模拟人类大脑而产生的一种信息处
理技术，它采用大量以一定方式相互连接和相互作用的简单处理单元（即神经元）来处理信息。神经网络具有较强的容错性和自组织、自学习、自适
应能力，能够实现复杂的映射。神经网络的优越性和强大的非线性处理能力，能够很好的满足多传感器数据融合技术的要求。特点： 具有统一的内
部知识表示形式，通过学习方法可将网络获得的传感器信息进行融合，获得相关网络的参数（如连接权矩阵、节点偏移向量等），并且可将知识规则
转换成数字形式，便于建立知识库；利用外部环境的信息，便于实现知识自动获取及进行联想推理；能够将不确定环境的复杂关系，经过学习推理，
融合为系统能理解的准确信号；神经网络具有大规模并行处理信息的能力，使得系统信息处理速度很快。 基于神经网络的多传感器信息融合 处理
过程如下：(l)用选定的N个传感器检测系统状态；(2)采集N个传感器的测量信号并进行预处理；(3)对预处理后的N个传感器信号进行特
征选择；(4)对特征信号进行归一化处理，为神经网络的输入提供标准形式；(5)将归一化的特征信息与已知的系统状态信息作为训练样本，送
神经网络进行训练，直到满足要求为止。该训练好的网络作为已知网络，只要将归一化的多传感器特征信息作为输入送人该网络，则网络输出就是被测系统的状态。融合体系分级：在信号级使用多传感器检测过程中的状态，并转换成相应的物理量，此时还没有形成能充分描述过程特性的数学模型；在模型级将多传感器获得的信号进行处理，建立各自的过程模型，即能反映被监测对象特性或对被监测对象的表达式，如常用的功率谱估计、时间序列建模等；在特征级主要是对模型级提供的信息特征进行特征关联、特征抽取及归一化处理，为融合处理提供一致的特征数据；融合级通过神经网络进行融合处理，实现对监测对象的识别与估计。神经网络模型常见种类BP网络径向基函数网络自组织神经网络Hopfield神经网络End the 9.5 |
|
