搜索
信息融合4信息融合的概念概念目的和作用，信息融合系统的模型和结构，信息融合的主要技术和方法，信息融合要解决的几个关键问题，信息融合研究历史、现状和热点4线性系统估计基本方法，Kalman滤波技术，运动模型的稳态滤波器，非线性系统的状态估计4坐标变换技术，时间对准技术，野值剔除，滤波技术4不确定性推理方法中的主观Bayes方法，不确定性推理方法中的证据理论，主观Bayes方法和证据理论的比较4局部判决融合规则设计，并行结构中的分布检测与融合4串行结构中的分布检测与融合，带反馈并联网络中的分布检测与融合，分布式CFAR检测，分布式CFAR检测4集中式多传感器综合跟踪算法，分布式多传感器信息融合中的统计航迹关联算法4分布式多传感器信息融合中的模糊航迹关联算法，多传感器信息融合中的状态估计与航迹文件管理技术，多传感器目标识别融合模型1.1信息融合的概念、目的和作用传感器信息融合又称数据融合，是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。将经过集成处理的多传感器信息进行合成，形成一种对外部环境或被测对象某一特征的表达方式。经过融合后的传感器信息具有以下特征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。目前，在军事领域一般把信息融合定义为：一个利用计算机技术对按时序获得的多个传感器的观测信息，按照一定的准则进行检测、互联、相关、估计和组合的自动分析、优化综合的信息处理过程，其目的是为了获得更准确的状态和身份估计，以及完整而及时的战场态势和威胁估计。可以着重从以下三个方面理解这个定义：第一，信息融合是一个利用计算机技术进行自动信息处理的过程，没有计算机技术的应用就不可能有信息融合；第二，信息融合是一种多层次的、多方面的信息处理过程，它涉及到信息检测、互联、相关、估计和组合的方方面面，它是一种在多个层次上实现对多源信息处理的过程，而每一个层次都表示了不同级别的信息抽象；第三，信息融合的功能和结果既包括在较低层次上的状态和身份估计，还包括在较高层次上的整个战场态势估计和威胁估计。信息融合目的多传感器信息融合在解决探测、跟踪和目标识别等问题上，具有许多优势。军事领域信息融合的目的是为了获得更准确的状态和身份估计，以及完整而及时的战场态势和威胁估计。①增加了系统的生存能力。②扩展了空间覆盖范围。③扩展了时间覆盖范围。④增加了可信度。⑤减少了信息的模糊性。⑥改善了探测性能。⑦提高了空间分辨力。⑧改善了系统的可靠性。⑨增加了测量空间的维数。与单传感器系统相比，多传感器的复杂性大大增加，由此会产生一些不利因素，如成本提高了，设备的尺寸、重量、功耗等物理因素增大了，以及因辐射增多而使系统被敌方探测的概率增加了。信息融合的研究范围信息融合技术是为了解决由于同一个系统使用多个传感器或多个系统使用多个传感器问题的一种信息处理技术，因此信息融合的研究范围主要是多传感器系统，包括对多种目标的探测、识别和跟踪，以及战场监视、态势和威胁评估、决策支持等，主要集中在军事领域。作为一种信息综合和处理技术，信息融合实际上是许多传统学科和新技术相结合的一个边缘新兴学科，它包括了通信、信号处理、模式识别、估计理论、决策论、计算机科学、人工智能和神经网络等众多学科和技术领域的内容。信息融合的基本功能多传感器信息融合的基本功能与人脑信息融合的基本功能是类似的。多传感器信息融合就是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调配，把多个传感器在空间或时间上的冗余或补充信息依据某种准则来进行综合，以获取对被测对象全面正确的解释或描述。功能模型从融合过程出发，描述数据融合包括哪些主要功能、数据库，以及进行数据融合时系统各组成部分之间的相互作用过程。数据源数据预处理一级处理目标评估二级处理态势评估三级处理影响评估人际接口数据库管理系统支持数据库融合数据库四级处理过程评估数据融合模型信息融合在军事的应用及其特点信息融合在军事上的应用绝大部分是在敌对的现实世界中进行的。被观测目标的特点对信息融合系统提出了较高的要求，如系统要有可变的响应特性，快速、精确的信息处理能力，必要时还要求人工干预等。信息融合层次的划分主要有两种方法。第一种方法是按照融合对象的层次不同，将信息融合划分为低层（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。信息融合的分类数据级融合(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：(1)由于所要处理的传感器信息量大，故处理代价高；(2)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；(3)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；(4)通信量大。监测对象传感器1特征提取传感器2传感器N数据融合识别决策…数据级融合(或像素级融合)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。监测对象特征融合传感器1传感器2传感器N…识别决策特征提取特征提取特征提取…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。监测对象决策融合传感器1传感器2传感器N…决策特征提取特征提取特征提取…识别识别识别…决策级融合三个层次的比较数据级融合特征级融合决策级融合处理信息量最大中等最小信息量损失最小中等最大抗干扰性能最差中等最好容错性能最差中等最好算法难度最难中等最易融合前处理最小中等最大融合性能最好中等最差对传感器的依赖程度最大中等最小信息融合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。信息融合系统的通用处理结构通用处理结构：在整个融合处理流程中，依照实现融合处理的场合不同，研究人员提出了通用处理结构的概念。Heisttand描述了三种处理结构，分别是集中式结构、分布式结构以及混合式结构。不同处理结构针对不同的加工对象。集中式结构：加工的是传感器的原始数据；分布式结构：加工的是经过预处理的局部数据；混合式结构：加工的既有原始数据，又有预处理过的数据。通用处理结构——集中式集中式系统结构在此结构中，各个传感器录取的检测报告直接被送到融合中心，在那里进行数据对准、点迹相关、数据互联、航迹滤波、预测与综合跟踪。这种结构特点是信息损失小，对系统通信要术较高，融合中心计算负担重，系统的生存能力也较差。传感器1传感器2传感器N预处理预处理预处理数据对准关联组合滤波目标状态检测与估计传感器控制与反馈信息选通和控制分类跟踪和分类参数＊目标分类＊成功说明的概率集中式融合系统结构通用处理结构——分布式分布式系统结构分布式结构与集中式结构的区别在于，每个传感器的检测报告在进入融合中心以前，先由它自己的数据处理器产生局部多目标跟踪航迹，然后把处理后的信息送至融合中心，融合中心根据各结点的航迹数据完成航迹关联和航迹融合，形成全局估计。相对于集中式系统，此类系统具有造价低、可靠性高、通信量小等特点。传感器1传感器2传感器N预处理预处理预处理数据对准关联组合滤波目标状态检测与估计选通和控制分类跟踪和分类参数＊目标分类＊成功说明的概率分布式融合系统结构跟踪和分类跟踪和分类跟踪和分类传感器控制与反馈信息通用处理结构——混合式混合式系统结构混合式融合系统同时传输检测报告和经过局部结点处理后的航迹信息，它保留了上述两类系统的优点，但在通信和计算上要付出较昂贵的代价。此类系统也有上述两类系统难以比拟的优势，在实际场合往往采用此类结构。传感器1传感器2传感器N预处理预处理预处理数据对准关联组合滤波目标状态检测与估计选通和控制分类跟踪和分类参数＊目标分类＊成功说明的概率混合式融合系统结构跟踪和分类跟踪和分类跟踪和分类传感器控制与反馈信息多路复用选择与合并检测参数另一种结构形式分类：串联、并联和混合融合形式。信息融合系统的模型和结构—检测级现象融合中心H1S2SNS1Y2YNY1u2uNu0u带反馈并行结构分散式结构现象H1S2SNS1Y2YNY1u2uNu并行结构现象H1S2SNS1Y2YNY1u2uNu检测中心串行结构现象H1S2SNS1Y2YNY1u2u0Nuu树状结构现象H1S2S4S1Y2Y5Y1u2u50uu3S5S3Y4Y3u4u信息融合的主要技术和方法信息融合的研究内容极其丰富，涉及的基础理论也非常广泛，而信息融合方法是信息融合研究的核心技术。目前融合方法大致可以分两类:概率统计方法和人工智能方法。概率统计方法主要有卡尔曼滤波、假设检验、贝叶斯方法、统计决策理论以及其他变形的方法。人工智能方法包括D-S证据推理、模糊逻辑以及神经网络、专家系统等。其中贝叶斯估计、D-S证据推理、模糊理论、神经网络占整个信息融合算法的85％。而支持向量机作为一种比较新的机器学习方法也已经在信息融合中应用。（1）Kalman滤波及其扩展此方法用测量模型的统计特性递推决定在统计意义下是最优的融合数据估计。如果系统具有线性动力学模型，且系统噪声和传感器噪声是符合高斯分布的白噪声，那么，Kalman滤波为融合数据提供唯一的统计意义下的最优估计。（2）贝叶斯估计贝叶斯融合方法产生于多传感器融合技术的初期，它首先对各传感器信息进行相容性分析，删除可信度低的错误信息，在假定已知相应的先验概率的前提下，根据贝叶斯规则获得每个输出假设的概率。对可信度低的错误信息可以采用数据探测技术中的分布图法剔除。（3）人工神经网络基于神经网络的信息融合实质上是一个不确定性推理过程，它充分利用外部环境的信息，实现知识的自动获取以及在此基础上进行联想推理。现在也有学者将神经网络和D-S证据理论相结合的数据融合算法研究。由此可见各种数据融合算法相结合，是未来算法研究的一个趋势。融合方法运行环境信息类型信息表示不确定性融合技术适用范围加权平均动态冗余原始读数值加权平均低层数据融合卡尔曼滤波动态冗余概率分布高斯噪声系统模型滤波低层数据融合贝叶斯估计静态冗余概率分布高斯噪声贝叶斯估计高层数据融合统计决策理论静态冗余概率分布高斯噪声极值决策高层数据融合证据推理静态冗余互补命题逻辑推理高层数据融合模糊推理静态冗余互补命题隶属度逻辑推理高层数据融合神经元网络动/静态冗余互补神经元输入学习误差神经元网络低/高层产生式规则动/静态冗余互补命题置信因子逻辑推理高层数据融合产生式系统由一个综合数据库、一组产生式规则和一个控制系统三个基本要素组成。其中：综合数据库是产生式系统所用的主要数据结构，它主要用来表示问题的状态，即初始状态、中间状态和目标状态等，以及状态之间的关系。它不