64多传感器数据融合

第13章多传感器数据融合13.1多传感器数据融合概述13.2多传感器数据融合模型13.3多传感器数据融合技术13.4多传感器数据融合应用13.1多传感器数据融合概述多传感器数据是针对一个系统中使用多个（种）传感器这一特定问题而提出的信息处理方法，是将来自多传感器或多源的信息和数据进行综合处理，从而对观测对象形成准确结论的过程。数据融合的目的是基于各独立传感器的观测数据，通过融合导出更丰富的有效信息，获得最佳协同效果，发挥多个传感器的联合优势，提高传感器系统的有效性和鲁棒性，消除单一传感器的局限性。13.1多传感器数据融合概述从生物学的角度来看，人类和自然界中其他动物对客观事物的认知过程，就是对多源数据的融合过程。人类不是单纯依靠一种感官，而是通过视觉、听觉、触觉、嗅觉等多种感官获取客观对象不同质的信息，或通过同类传感器（如双耳）获取同质而又不同量的信息，然后通过大脑对这些感知信息依据某种未知的规则进行组合和处理，从而得到对客观对象和谐与统一的理解和认识。这一处理过程是复杂的，也是自适应的，它将各种信息（图像、声音、气味和触觉）转换为对环境的有价值的解释。自动化数据融合系统实际上就是模仿这种由感知到认知的过程。13.1多传感器数据融合概述应用简例多传感器系统可以用于地球环境监测。主要应用于对地面的监视、以便识别和监视地貌、气象模式、矿产资源，植物生长、环境条件和威胁情况(如原油泄漏、辐射泄漏等)如右图所示图源：D.L.HallandJ.Llinas,‘‘Anintroductiontomultisensordatafusion’’13.1多传感器数据融合概述数据融合过程主要由数据校准、相关、识别、估计等部分组成。其中校准与相关是识别和估计的基础，数据融合在识别和估计中进行。校准、相关、识别和估计贯穿于整个多传感器数据融合过程，既是融合系统的基本功能，也是制约融合性能的关键环节。13.1.1多传感器数据融合过程数据检测数据校准数据相关参数估计目标识别行为估计13.1.2多传感器数据融合形式数据级融合特征级融合决策级融合13.2.1多传感器数据融合结构串联型融合13.2多传感器数据融合融合模型混联型融合并联型融合13.2.1多传感器数据融合结构从数据融合的控制关系来看，反馈型多传感器数据融合过程中，传感器或数据融合中心的处理方式及判断规则受数据融合中心最终结论或中间结论的影响。数据处理依赖于一个反馈控制过程，这种反馈可以是正反馈，也可以是负反馈。反馈控制可分为融合结论对传感器的控制、对数据融合中心的控制，以及中间结论对传感器的控制三种。对传感器的控制多体现在对传感器策略、精度的控制、对传感器跟踪目标的跟踪控制等。对融合中心的控制包括对融合中心判断规则的控制、对融合中心数据融合方式的控制、对融合中心某一参数的控制等。13.2.1多传感器数据融合结构结论对传感器的反馈控制结论对融合中心的反馈控制中间结论对传感器的反馈控制13.2.2多传感器数据融合模型多传感器数据融合系统的模型设计是多传感器数据融合的关键问题，取决于实际需求、环境条件、计算机、通信容量及可靠性要求等，模型设计直接影响融合算法的结构、性能和融合系统的规模。多传感器数据融合模型实际上是一种数据融合的组织策略，根据任务、要求和设计者认识不同，模型设计千差万别。目前流行的有多种数据融合模型，其中JDL数据融合模型最具通用性。13.2.2多传感器数据融合模型JDL模型JDL数据融合模型如右图所示，数据融合过程包括五级处理和数据库、人机接口支持等。五级处理并不意味着处理过程的时间顺序，实际上，处理过程通常是并行的。13.2.2多传感器数据融合模型Boyd控制环Boyd控制环包括四个处理环节：(1)观测环节获取目标信息，与JDL模型的数据预处理功能相当。(2)定向环节确定对象的基本特征，与JDL模型的目标评估、态势评估和威胁评估功能相当。(3)决策环节确定最佳评估，制定反馈控制策略，与JDL模型过程优化与评估功能相当。(4)执行环节利用反馈控制调整传感系统状态，获取额外数据等。JDL模型没有这一环节。13.2.2多传感器数据融合模型Waterfall模型Waterfall模型的数据融合过程包括三个层次。(1)基于传感模型和物理测量模型对原始数据进行预处理(2)进行特征提取和特征融合以获取信息的抽象表达，减少数据量，提高信息传递效率，第二层次的输出是关于对象特征的估计及其置信度。(3)利用现有知识对对象特征进行评价，形成关于对象、事件或行为的认识。传感器系统利用第三层次形成的反馈信息不断调整自身状态和数据准备策略，进行重新设置和标定等，提高传感信息的利用率。。13.2.2多传感器数据融合模型Dasarathy模型Dasarathy模型充分注意到传感器数据融合中数据融合、特征融合和决策融合三者往往交替应用或联合使用的事实，根据所处理信息的类型对数据融合功能进行了归纳，明确了五种可能的融合形式，如表所示。13.2.2多传感器数据融合模型OMNIBUS模型是Boyd控制环、Dasarathy模型和Waterfall模型的混合，既体现了数据融合过程的循环本质，用融合结论调整传感器系统的状态，提高信息融合的有效性，又细化了数据融合过程中各个环节的任务，改善了数据融合实现的可组合性。13.2.2多传感器数据融合模型多传感器集成融合模型根据传感器所提供信息的等级参加不同融合中心的数据融合，低等级的传感器输出原始数据或信号，高等级的传感器输出特征或抽象符号信息，融合结论在最高等级的融合中心产生，辅助信息系统为各融合中心提供资源，包括各种数据库、知识表达、特征解析、决策逻辑等。13.3多传感器数据融合技术13.3.1多传感器数据融合算法的基本类型13.3.2Kalman滤波13.3.3基于Bayes理论的数据融合13.3.4基于神经网络的数据融合13.3.5基于专家系统的数据融合13.3.6基于聚类分析的数据融合13.3.1多传感器数据融合算法基本类型物理模型参数分类技术基于认知的方法13.3.1多传感器数据融合算法基本类型物理模型根据物理模型模拟出可观测或可计算的数据，并把观测数据与预先存储的对象特征进行比较，或将观测数据特征与物理模型所得到的模拟特征进行比较。比较过程涉及到计算预测数据和实测数据的相关关系。如果相关系数超过一个预先设定的值。则认为两者存在匹配关系(身份相同)。这类方法中，Kalman滤波技术最为常用。13.3.1多传感器数据融合算法基本类型参数分类技术参数分类技术依据参数数据获得属性说明，在参数数据(如特征)和一个属性说明之间建立一种直接的映像。参数分类分为有参技术和无参技术两类，有参技术需要身份数据的先验知识，如分布函数和高阶矩等；无参技术则不需要先验知识。常用的参数分类方法包括Bayesian估计，D－S推理，人工神经网络，模式识别，聚类分析，信息熵法等。13.3.1多传感器数据融合算法基本类型基于认知的方法基于认知的方法主要是模仿人类对属性判别的推理过程，可以在原始传感器数据或数据特征基础上进行。基于认知的方法在很大程度上依赖于一个先验知识库。有效的知识库利用知识工程技术建立，这里虽然未明确要求使用物理模型，但认知建立在对待识别对象组成和结构有深入了解的基础上，因此，基于认知的方法采用启发式的形式代替了数学模型。当目标物体能依据其组成及相互关系来识别时，这种方法尤其有效。13.3.2Kalman滤波•Kalman滤波Kalman滤波实时融合动态的低层次传感器冗余数据，只需当前的一个测量值和前一个采样周期的预测值就能进行递推估计。如果系统具有线性动力学模型，且系统噪声和传感器噪声可用白噪声模型来表示，Kalman滤波为融合数据提供了统计意义下的最优估计。13.3.2Kalman滤波离散序列的一阶递推估计模型如图所示()(1)(1)skaskk13.3.2Kalman滤波•Kalman滤波a13.3.2Kalman滤波Kalman滤波Kalman滤波可以实现不同层次的数据融合。集中融合结构在系统融合中心采用Kalman滤波技术，可以得到系统的全局状态估计信息。传感器数据自低层向融合中心单方向流动，各传感器之间缺乏必要的联系。分散融合结构在对每个节点进行局部估计的基础上，接受其它节点传递来的信息进行同化处理，形成全局估计。分散融合结构网络中，任何一个节点都可以独立做出全局估计，某一节点的失效不会显著地影响系统正常工作，其它节点仍可以对全局做出估计，有效地提高了系统的鲁棒性和容错性。13.3.3基于Bayes理论数据融合利用Bayes方法进行数据融合的过程如图所示：(1)将每个传感器关于对象的观测转化为对象属性的说明:(2)计算每个传感器关于对象属性说明的不确定性:(3)计算对象属性的融合概率：12,,....,mDDD()1,2,...,;1,2,...,jiPDOinjm1212121(,,....,)()(,,....,)1,2,...,;1,2,...,(,,....,)()miiimnmiiiPDDDOPOPODDDinjmPDDDOPO13.3.3基于Bayes理论数据融合如果相互独立则：(4)应用判定逻辑进行决策。若选取的极大值作为输出，这就是所谓的极大后验概率（MAP）判定准则：运用Bayes方法中的条件概率进行推理，能够在出现某一证据时给出假设事件在此证据发生的条件概率，能够嵌入一些先验知识，实现不确定性的逐级传递。但它要求各证据之间都是相互独立的，当存在多个可能假设和多条件相关事件时，计算复杂性增加。另外，Bayes方法要求有统一的识别框架，不能在不同层次上组合证据。1212(,,....,)()()...()miiimiPDDDOPDOPDOPDO12(,,....,)imPODDD12,,....,mDDD121()max{(,,....,)}jimimPOPODDD13.3.4基于神经网络数据融合人工神经网络源于大脑的生物结构，神经元是大脑的一个信息处理单元，包括细胞体、树突和轴突，如图所示。13.3.4基于神经网络数据融合神经网络神经元利用树突整合突触所接收到的外界信息，经轴突将神经冲动由细胞体传至其他神经元或效应细胞。神经网络使用大量的处理单元(即神经元)处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其它层上的神经元连接，采用并行结构和并行处理机制，具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。13.3.4基于神经网络数据融合常用的人工神经元模型（PE模型）典型的多级前馈感知模型13.3.4基于神经网络数据融合神经网络的结构、功能特点和强大的非线性处理能力，恰好满足了多源信息融合技术处理的要求，人工神经网络以其泛化能力强、稳定性高、容错性好、快速有效的优势，在数据融合中的应用日益受到重视。如果将数据融合划分为三级，并针对具体问题将处理功能赋予信息处理单元，可以用三层神经网络描述融合模型。第一层神经元对应原始数据层融合。第二层完成特征层融合，并根据前一层提取的特征，做出决策。对于目标识别，输出就是目标识别结论及其置信度；对于跟踪问题，输出就是目标轨迹及误差。输出层对应决策融合，决策层的输入输出都应该为软决策及对应决策的置信度。融合模型的全并行结构对应神经网络的跨层连接。决策信息处理单元组的输出可以作为原始数据层数据融合单元组的输入，对应数据融合模型的层间反馈。数据融合模型的内环路对应前向神经网络中层内的自反馈结构。不论在数据融合的哪个层次，同层各个信息处理单元组或同一信息处理单元组的各个信息处理单元之间或多或少地存在联系。13.3.4基于神经网络数据融合人工神经网络信息融合具有如下性能：(1)神经网络的信息统一存储在网络的连接权值和连接结构上，使得多源信息的表示具有统一的形式，便于管理和建立知识库。(2)神经网络可增加信息处理的容错性