数据融合与信息融合课件.ppt

1、p传感器数据融合又称数据融合，是对多种信息的获取、表示传感器数据融合又称数据融合，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。及其内在联系进行综合处理和优化的技术。传感器数据融合技术从多信息的视角进行处理及综合，得到各传感器数据融合技术从多信息的视角进行处理及综合，得到各种信息的内在联系和规律，从而剔除无用的和错误的信息，保种信息的内在联系和规律，从而剔除无用的和错误的信息，保留正确的和有用的成分，最终实现信息的优化。它为智能信息留正确的和有用的成分，最终实现信息的优化。它为智能信息处理技术的研究提供了新的观念。处理技术的研究提供了新的观念。p定义：将经过集成处理的多传感器信

2、息进行合成，形成一种定义：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。对外部环境或被测对象某一特征的表达方式。多传感器数据融合技术是通过对这些传感器及其观测信息的合多传感器数据融合技术是通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在时间和空间上的冗余或互补信理支配和使用，把多个传感器在时间和空间上的冗余或互补信息依据某种准则进行组合，以获取被观测对象的一致性解释或息依据某种准则进行组合，以获取被观测对象的一致性解释或描述。描述。单一传感器只能获得环境或被测对象的部分信息段，而多传感单一传感器只能获得环境或被测对象的部分信息段，而多传感器信

3、息经过融合后能够完善地、准确地反映环境的特征。器信息经过融合后能够完善地、准确地反映环境的特征。（1）数据融合是多信源、多层次的处理过程，每个层次代）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；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；）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）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。次上的总战术态势的评估。包括：包括：多传感器的目标探测、数据关联、跟踪与识别、情况评估和多传感器的目标探测、数据关联、跟踪与识别、情况评

4、估和预测。预测。基本目的：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。性得以增强。多传感器数据融合系统可更大程度获取被探测目标和环境的信多传感器数据融合系统可更大程度获取被探测目标和环境的信息量。单传感器信号处理或低层次的数据处理方式只是对人脑信息息量。单传感器信号处理或低层次的数据处理方式只是对人脑信息处理的一种低水平模仿。处理的一种低水平模仿。实质：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

5、据进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。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：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，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。形成对外部环境某一特征的一种表达方式。p增加了系统的生存能力增加了系统的生存能力p扩展了空间覆盖范围扩展了空间覆盖范围p扩展了时间覆盖范围扩展了时间覆盖范围p提高了可信度提高了可信度p降低了信息的模糊度降低了信息的模糊度p改善了探测性能改善了探测性能p提高了空间分辨率提高了空间分辨

6、率p增加了测量空间的维数增加了测量空间的维数p组合：组合：由多个传感器组合成平行或互补方式来获得多组数据由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。在硬件这一级上输出方式的协调、综合以及传感器的选择。在硬件这一级上应用。应用。p综合综合：信息优化处理中的一种获得明确信息的有效方法。：信息优化处理中的一种获得明确信息的有效方法。例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧

7、面的两幅图像，综合这两幅图像可以复原出一一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。个准确的有立体感的物体的图像。p融合融合：当将传感器数据组之间进行相关或将传感器数据与系：当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。统内部的知识模型进行相关，而产生信息的一个新的表达式。p相关相关：通过处理传感器信息获得某些结果，不仅需要单项信：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到

8、正确信息，剔除无用和错误的信息。之间的关系，从而得到正确信息，剔除无用和错误的信息。相关处理的目的：对识别、预测、学习和记忆等过程的信息进行相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。综合和优化。p信息融合技术的实现和发展以信息电子学的原理、方法、技信息融合技术的实现和发展以信息电子学的原理、方法、技术为基础。术为基础。信息融合系统要采用多种传感器收集各种信息，包括声、光、电、运信息融合系统要采用多种传感器收集各种信息，包括声、光、电、运动、视觉、触觉、力觉以及语言文字等。信息融合技术中的分布式信动、视觉、触觉、力觉以及语言文字等。信息融合技术中的分布式信息处理结构通过

9、无线网络、有线网络，智能网络，宽带智能综合数字息处理结构通过无线网络、有线网络，智能网络，宽带智能综合数字网络等汇集信息，传给融合中心进行融合。除了自然网络等汇集信息，传给融合中心进行融合。除了自然(物理物理)信息外，信信息外，信息融合技术还融合社会类信息，以语言文字为代表，涉及到大规模汉息融合技术还融合社会类信息，以语言文字为代表，涉及到大规模汉语资料库、语言知识的获取理论与方法、机器翻译、自然语言解释与语资料库、语言知识的获取理论与方法、机器翻译、自然语言解释与处理技术等，信息融合采用分形、混沌、模糊推理、人工神经网络等处理技术等，信息融合采用分形、混沌、模糊推理、人工神经网络等数学和物理

10、的理论及方法。它的发展方向是对非线性、复杂环境因素数学和物理的理论及方法。它的发展方向是对非线性、复杂环境因素的不同性质的信息进行综合、相关，从各个不同的角度去观察、探测的不同性质的信息进行综合、相关，从各个不同的角度去观察、探测世界。世界。p在计算机科学中，目前正开展着并行数据库、主动数据库、在计算机科学中，目前正开展着并行数据库、主动数据库、多数据库的研究。多数据库的研究。信息融合要求系统能适应变化的外部世界，因此，空间、时间数据库信息融合要求系统能适应变化的外部世界，因此，空间、时间数据库的概念应运而生，为数据融合提供了保障。空间意味着不同种类的数的概念应运而生，为数据融合提供了保障。空

11、间意味着不同种类的数据来自于不同的空间地点，时间意味着数据库能随时间的变化适应客据来自于不同的空间地点，时间意味着数据库能随时间的变化适应客观环境的相应变化。信息融合处理过程要求有相应的数据库原理和结观环境的相应变化。信息融合处理过程要求有相应的数据库原理和结构，以便融合随时间、空间变化了的数据。在信息融合的思想下，提构，以便融合随时间、空间变化了的数据。在信息融合的思想下，提出的空间、时间数据库，是计算机科学的一个重要的研究方向。出的空间、时间数据库，是计算机科学的一个重要的研究方向。p以各种控制理论为基础，信息融合技术采用模糊控制、智能以各种控制理论为基础，信息融合技术采用模糊控制、智能控

12、制、进化计算等系统理论，结合生物、经济、社会、军事控制、进化计算等系统理论，结合生物、经济、社会、军事等领域的知识，进行定性、定量分析。等领域的知识，进行定性、定量分析。按照人脑的功能和原理进行视觉、听觉、触觉、力觉、知觉、注意、按照人脑的功能和原理进行视觉、听觉、触觉、力觉、知觉、注意、记忆、学习和更高级的认识过程，将空间、时间的信息进行融合，对记忆、学习和更高级的认识过程，将空间、时间的信息进行融合，对数据和信息进行自动解释，对环境和态势给予判定。目前的控制技术，数据和信息进行自动解释，对环境和态势给予判定。目前的控制技术，已从程序控制进入了建立在信息融合基础上的智能控制。智能控制系已从程

13、序控制进入了建立在信息融合基础上的智能控制。智能控制系统不仅用于军事，还应用于工厂企业的生产过程控制和产供销管理、统不仅用于军事，还应用于工厂企业的生产过程控制和产供销管理、城市建设规划、道路交通管理、商业管理、金融管理与预测、地质矿城市建设规划、道路交通管理、商业管理、金融管理与预测、地质矿产资源管理、环境监测与保护、粮食作物生长监测、灾害性天气预报产资源管理、环境监测与保护、粮食作物生长监测、灾害性天气预报及防治等涉及宏观、微观和社会的各行各业。及防治等涉及宏观、微观和社会的各行各业。信息融合层次的划分主要有两种方法。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

14、信息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）。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。信号级、证据级和动态级。p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。具有的细微信息。p局限性：局限性：(1)

15、由于所要处理的传感器信息量大，故处理代价高；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；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，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；故要求传感器信息来自同质传感器；(4)通信量大。通信量大。监监测测对对象象传感器传感器1 1特征特征提取提取传感器传感器2 2传感器传感器N N

16、数数据据融融合合识别识别决策决策 利用从各个传感器原始数据中提取的特征信息，进行综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。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。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：特征级融合分类：目标状态信息融合目标状态信息融合目标特性融合。目标特性融合。监监测测对对象象特特征征融融合合传感器传感器1 1传感器传感器2 2传感器传感器N N识别识别决策决策特征提取特征提取特征提取特征提取

17、特征提取特征提取目标状态信息融合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。要实现参数相关和状态矢量估计。目标特性融合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，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

18、，已分类组合。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。许多方法可以借用。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。策级

19、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。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：决策级融合优点：实时性最好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。容错性。监监测测对对象象决决策策融融合合传感器传感器1 1传感器传感器2 2传感器传感器N N决策决策特征提取特征提取特征提取特征提取特征提取特征提取识别识

20、别识别识别识别识别 首先将被测对象它们转换为电信号，然后经过首先将被测对象它们转换为电信号，然后经过AD变换将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。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。最后，输出融合的结果。p三种结构形式：串联、并联和混合融合形式。三种结构形式：串联、并联和混合融合形式。1.1.加权平均加权平均 2.2.嵌入约束法：

21、嵌入约束法：卡尔曼滤波、贝叶斯估计卡尔曼滤波、贝叶斯估计 3.3.多贝叶斯方法多贝叶斯方法 4.4.统计决策理论统计决策理论 5.5.证据组合法：概率统计方法、证据组合法：概率统计方法、Dempster-Shafer证据推理法证据推理法 6.6.模糊逻辑法模糊逻辑法 7.7.产生式规则法产生式规则法 8.8.神经网络方法神经网络方法 加权平均是最简单、最直观的数据融合方法。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。果作为融合值。由多种传感器所获得的客观环境由多种传感器所获得的客观环境(即

22、被测对象即被测对象)的多组数据，就是的多组数据，就是客观环境按照某种客观环境按照某种映射关系形成的形成的像，信息融合就是通过，信息融合就是通过像求解原像，即对客观环境加以了解。即对客观环境加以了解。用数学语言描述就是，所有传感器的全部信息，也只能描述环用数学语言描述就是，所有传感器的全部信息，也只能描述环境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数据对应惟一的环境据对应惟一的环境(即上述映射为一一映射即上述映射为一一映射)，就必须对映射的原像和，就必须对映射的原像和映射本身加约束条件，使问题能有惟一的解。映射本身加约束

23、条件，使问题能有惟一的解。嵌入约束法最基本的方法：嵌入约束法最基本的方法：Bayes估计和和卡尔曼滤波是融合静态环境中多传感器低层数据的一种常用方法。其信息描述为概率分布，适用于具有可加高斯噪声的不确定性信息。假定完成任务所需的有关环境的特征物用向量f表示，通过传感器获得的数据信息用向量d来表示，d和f都可看作是随机向量。信息融合的任务就是由数据d推导和估计环境f。假设p(f，d)为随机向量f和d的联合概率分布密度函数，则，则)()|()()|(),(fpfdpdpdfpdfp)(/)()|()|(dpfpfdpdfp上式为概率论中的Bayes公式，是嵌入约束法的核心。信息融合通过信息融合通过

24、数据信息数据信息d做出对环境做出对环境f的推断，即求解的推断，即求解p(f|d)。由。由Bayes公式公式知，只须知道知，只须知道p(d|f)和和p(f)即可。因为即可。因为p(d)可看作是使可看作是使p(f|d)p(f)成为概率密度函成为概率密度函数的归一化常数，数的归一化常数，p(d|f)是在已知是在已知客观环境变量客观环境变量f的情况下，传感器得到的的情况下，传感器得到的d关于关于f的条件密度。当环境情况和传感器性能已知时，的条件密度。当环境情况和传感器性能已知时，p(f|d)由决定环境和传感器原由决定环境和传感器原理的物理规律完全确定。而理的物理规律完全确定。而p(f)可通过可通过先验

25、知识先验知识的获取和积累，逐步渐近准确的获取和积累，逐步渐近准确地得到，因此，一般总能对地得到，因此，一般总能对p(f)有较好的近似描述。有较好的近似描述。在嵌入约束法中，反映客观环境和传感器性能与原理的各种约束条件主要在嵌入约束法中，反映客观环境和传感器性能与原理的各种约束条件主要体现在体现在p(f|d)中，而反映主观经验知识的各种约束条件主要体现在中，而反映主观经验知识的各种约束条件主要体现在p(f)中。中。在传感器信息融合的实际应用过程中，通常的情况是在某一时刻从多种传在传感器信息融合的实际应用过程中，通常的情况是在某一时刻从多种传感器得到一组数据信息感器得到一组数据信息d，由这一组数据

26、给出当前环境的一个估计，由这一组数据给出当前环境的一个估计f。因此。因此,实实际中应用较多的方法是寻找最大后验估计际中应用较多的方法是寻找最大后验估计g，即，即)()|()()|(),(fpfdpdpdfpdfp)(/)()|()|(dpfpfdpdfp即最大后验估计是在即最大后验估计是在已知数据为已知数据为d的条件下，使后验概率密度的条件下，使后验概率密度p(f)取得最大值得取得最大值得点点g，根据概率论，最大后验估计，根据概率论，最大后验估计g满足满足当当p(f)为均匀分布时，最大后验估计为均匀分布时，最大后验估计g满足满足 此时，最大后验概率也称为极大似然估计。此时，最大后验概率也称为极

27、大似然估计。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。在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。在大多数情况下，多传感器从不同的坐标框架对环境中同一物体进行描述，这时大多数情况下，多传感器从不同的坐标框架对环境中同一物体进行描述，这时传感器测量数据要以间接的方式采用传感器测量数据要以间接的方式采用Bayes估计进行数据融合。间接法要解决估计进行数据融合。间接法要解决的问题是求出与多个传感器读数相一致的旋转矩阵的问题是求出与多个传感器读数相一致的旋转矩阵R和平移矢量和平移矢量H。）（）（dfpdgpf|max）（）（）（）（fpfdpgpdgpf

28、|max）（）（fdpfgpf|max 21121)(21xxCxxTT 用于用于实时融合动态的低层次冗余传感器数据，该方法用测量模型的，该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。如果系统具有线统计特性，递推决定统计意义下最优融合数据合计。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高斯分布的白噪声模型性动力学模型，且系统噪声和传感器噪声可用高斯分布的白噪声模型来表示，来表示，KF为融合数据提供惟一的统计意义下的最优估计，为融合数据提供惟一的统计意义下的最优估计，KF的递推的递推特性使系统数据处理不需大量的数据存储和计算。特性使系统数据处理不需大量的数据存储和计

29、算。KF分为分分为分散卡尔曼滤波(DKF)和和扩展卡尔曼滤波(EKF)。DKF可实现多传感器数据融合完全分散化，其可实现多传感器数据融合完全分散化，其优点：每个传感器：每个传感器节点失效不会导致整个系统失效。而节点失效不会导致整个系统失效。而EKF的的优点：可有效克服数据处理：可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产生的影响。不稳定性或系统模型线性程度的误差对融合过程产生的影响。应用卡尔曼滤波器对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。获得系统的当前状态估计，又可以预报系

30、统的未来状态。应用领域：应用领域：目标识别、机器人导航、多目标跟踪、惯性导航和遥目标识别、机器人导航、多目标跟踪、惯性导航和遥感等。感等。嵌入约束法传感器信息融合的最基本方法之一。嵌入约束法传感器信息融合的最基本方法之一。其其缺点：需要对多源数据的整体物理规律有较好的了解，才能准确地：需要对多源数据的整体物理规律有较好的了解，才能准确地获得获得p(d|f)，但需要预知先验分布，但需要预知先验分布p(f)。pDurrantWhyte将任务环境表示为不确定几何物体集合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的多传感器模型，提出了传感器信息融合的多贝叶斯估计

31、方法。计方法。p多贝叶斯估计多贝叶斯估计把每个传感器作为一个贝叶斯估计，将各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。多传感器信息的最终融合值。p与多贝叶斯估计不同，统计决策理论中的不确定性为可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。加噪声，从而不确定性的适应范围更广。p不同传感器观测到的数据必须经过一个鲁棒综合测试以不同传感器观测到的数据必

32、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。策规则融合。p由由Dempster首先提出，由首先提出，由Shafer发展。发展。一种不精确推理理论，贝叶斯方法的扩展。一种不精确推理理论，贝叶斯方法的扩展。p贝叶斯方法必须给出先验概率，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。证据理论则能够处理这种由不知道引起的不确定性。p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，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

33、一个信息源就相当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。于一个证据体。p在同一个鉴别框架下，在同一个鉴别框架下，将不同的证据体通过将不同的证据体通过Dempster合并规则并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。规则，获得最后的结果。证据组合法认为完成某项智能任务是依据有关环境某方面证据组合法认为完成某项智能任务是依据有关环境某方面的信息做出几种可能的决策，而多传感器数据信息在一定程度的信息做出几种可能的决策，而多传感器数据信息在一定程度上反映环境这方面

34、的情况。因此，分析每一数据作为支持某种上反映环境这方面的情况。因此，分析每一数据作为支持某种决策证据的支持程度，并将不同传感器数据的支持程度进行组决策证据的支持程度，并将不同传感器数据的支持程度进行组合，即证据组合，分析得出现有组合证据支持程度最大的决策合，即证据组合，分析得出现有组合证据支持程度最大的决策作为信息融合的结果。作为信息融合的结果。证据组合法是对完成某一任务的需要而处理多种传感器的证据组合法是对完成某一任务的需要而处理多种传感器的数据信息，完成某项智能任务，实际是做出某项行动决策。它数据信息，完成某项智能任务，实际是做出某项行动决策。它先对单个传感器数据信息每种可能决策的支持程度

35、给出度量先对单个传感器数据信息每种可能决策的支持程度给出度量(即即数据信息作为证据对决策的支持程度数据信息作为证据对决策的支持程度)，再寻找一种证据组合方，再寻找一种证据组合方法或规则，在已知两个不同传感器数据法或规则，在已知两个不同传感器数据(即证据即证据)对决策的分别对决策的分别支持程度时，通过反复运用组合规则，最终得出全体数据信息支持程度时，通过反复运用组合规则，最终得出全体数据信息的联合体对某决策总的支持程度。得到最大证据支持决策，即的联合体对某决策总的支持程度。得到最大证据支持决策，即信息融合的结果。信息融合的结果。证据组合法较嵌入约束法优点：证据组合法较嵌入约束法优点：(1)对多种

36、传感器数据间的物理关系不必准确了解，即无须准确地建立对多种传感器数据间的物理关系不必准确了解，即无须准确地建立多种传感器数据体的模型；多种传感器数据体的模型；(2)通用性好，可以建立一种独立于各类具体信息融合问题背景形式的通用性好，可以建立一种独立于各类具体信息融合问题背景形式的证据组合方法，有利于设计通用的信息融合软、硬件产品；证据组合方法，有利于设计通用的信息融合软、硬件产品；(3)人为的先验知识可以视同数据信息一样，赋予对决策的支持程度，人为的先验知识可以视同数据信息一样，赋予对决策的支持程度，参与证据组合运算。参与证据组合运算。常用证据组合方法：常用证据组合方法：概率统计方法、概率统计

37、方法、Dempster-Shafer证据推理证据推理利用证据组合进行数据融合的利用证据组合进行数据融合的关键关键在于：在于：u选择合适的数学方法描述选择合适的数学方法描述证据证据、决策决策和和支持程度支持程度等概念等概念u建立快速、可靠并且便于实现的通用证据组合建立快速、可靠并且便于实现的通用证据组合算法结构算法结构假设一组随机向量假设一组随机向量x1，x2，xn分别表示分别表示n个不同传感器得到的数个不同传感器得到的数据信息，根据每一个数据据信息，根据每一个数据xi可对所完成的任务做出一决策可对所完成的任务做出一决策di。xi的概的概率分布为率分布为pai(xi)，ai为该分布函数中的未知参

38、数，若参数已知时，则为该分布函数中的未知参数，若参数已知时，则xi的概率分布就完全确定了。用非负函数的概率分布就完全确定了。用非负函数L(ai，di)表示当分布参数确表示当分布参数确定为定为ai时，第时，第i个信息源采取决策个信息源采取决策dj时所造成的损失函数。在实际问题时所造成的损失函数。在实际问题中，中，ai是未知的，因此，当得到是未知的，因此，当得到xi时，并不能直接从损失函数中定出时，并不能直接从损失函数中定出最优决策。最优决策。先由先由xi做出做出ai的一个估计，记为的一个估计，记为ai(xi)，再由损失函数，再由损失函数L ai(xi),di决定出决定出损失最小的决策。其中利用损

39、失最小的决策。其中利用xi估计估计ai的估计量的估计量ai(xi)有很多种方法。有很多种方法。概率统计方法适用于概率统计方法适用于分布式传感器目标识别和和跟踪信息融合问题假设假设F为所有可能证据所构成的有限集，为集合为所有可能证据所构成的有限集，为集合F中的某个元素中的某个元素即某个证据，首先引入信任函数即某个证据，首先引入信任函数B(f)0，1表示每个证据的信表示每个证据的信任程度：任程度：1)(FB0）（BijinnjiinAABAABABAAAB)()1()()()(1121从上式可知，信任函数是概率概念的推广，因为从概率论的知识出发，上式应取等号。1)()(ABAB 1)(0FAAmm

40、 引入基础概率分配函数m(f)0，1ACCmAB),()(FCA,由基础概率分配函数定义与之相对应的信任函数：当利用当利用N个传感器检测环境个传感器检测环境M个特征时，每一个特征为个特征时，每一个特征为F中的中的个个元素。第元素。第i个传感器在第个传感器在第k-1时刻所获得的包括时刻所获得的包括k1时刻前关于第时刻前关于第j个特个特征的所有证据，用基础概率分配函数表示，其中征的所有证据，用基础概率分配函数表示，其中i=1，2，m。第。第i个传感器在第个传感器在第k时刻所获得的关于第时刻所获得的关于第j个特征的新证据用基础概率分配个特征的新证据用基础概率分配函数表示。由和可获得第函数表示。由和可

41、获得第i个传感器在第个传感器在第k时刻关于第时刻关于第j个特征的联合证个特征的联合证据。类似地，利用证据组合算法，由和可获得在据。类似地，利用证据组合算法，由和可获得在k时刻关于第时刻关于第j个特征个特征的第的第i个传感器和第个传感器和第i+1个传感器的联合证据。如此递推下去，可获得个传感器的联合证据。如此递推下去，可获得所有所有N个传感器在个传感器在k时刻对时刻对j特征的信任函数，信任度最大的即为信息融特征的信任函数，信任度最大的即为信息融合过程最终判定的环境特征。合过程最终判定的环境特征。D-S证据推理优点：算法确定后，无论是静态还是时变的动态证证据推理优点：算法确定后，无论是静态还是时变

42、的动态证据组合，其具体的证据组合算法都有一共同的算法结构。但其缺点：据组合，其具体的证据组合算法都有一共同的算法结构。但其缺点：当对象或环境的识别特征数增加时，证据组合的计算量会以指数速度当对象或环境的识别特征数增加时，证据组合的计算量会以指数速度增长。增长。模糊逻辑实质上是一种多值逻辑，在多传感器数据融合中，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将每个命题及推理算子赋予0到到1间的实数值，以表示其在登间的实数值，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

43、子对各种命题（即各传感源用多值逻辑推理法，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。提供的信息）进行合并运算，从而实现信息的融合。p人工智能中常用的控制方法。人工智能中常用的控制方法。p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。统改换或增减传感器时，其规则要重新产生。p特点：特点：系统扩展性较差，但推理较明了，易于系统解释，所系统扩展性较差，但推理较明了

44、，易于系统解释，所以也有广泛的应用范围。以也有广泛的应用范围。通过模仿人脑的结构和工作原理，设计和建立相应的机器和模型并完成通过模仿人脑的结构和工作原理，设计和建立相应的机器和模型并完成一定的一定的智能任务。神经网络根据当前系统所接收到的样本的相似性，确定分类标准。这种神经网络根据当前系统所接收到的样本的相似性，确定分类标准。这种确定方法主要表现在确定方法主要表现在网络权值分布上，同时可采用神经网络特定的分布上，同时可采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。神经网络多传感器信息融合来获取知识，得到不确定性推理机制。神经网络多传感器信息融合的实现，分三个重要步骤：的实现，分三

45、个重要步骤：n根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；n各传感器的输入信息综合处理为一总体输入函数，并将此函数映射定各传感器的输入信息综合处理为一总体输入函数，并将此函数映射定义为相关单元的映射函数义为相关单元的映射函数,通过神经网络与环境的交互作用把环境的统计通过神经网络与环境的交互作用把环境的统计规律反映网络本身结构；规律反映网络本身结构；n对传感器输出信息进行学习、理解，确定权值的分配，完成知识获取对传感器输出信息进行学习、理解，确定权值的分配，完成知识获取信息融合，进而对输入模式做出解释，将输入数据向量转换成高层逻

46、辑信息融合，进而对输入模式做出解释，将输入数据向量转换成高层逻辑(符号符号)概念。概念。基于神经网络的传感器信息融合特点：基于神经网络的传感器信息融合特点：u具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器信息进行融合，获得相应网络的参数，并且可将知识规则转换成数字信息进行融合，获得相应网络的参数，并且可将知识规则转换成数字形式，便于建立知识库；形式，便于建立知识库；u利用外部环境的信息，便于实现利用外部环境的信息，便于实现知识自动获取及及并行联想推理；u能够将不确定环境的复杂关系，经过能够将不确定环境的复杂关系，经过学习

47、推理，融合为系统能理解的，融合为系统能理解的准确信号；准确信号；u由于神经网络具有大规模并行处理信息能力，使得系统信息处理速度由于神经网络具有大规模并行处理信息能力，使得系统信息处理速度很快。很快。u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。器数据融合技术的要求。u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。现复杂的映射。(l)用选定的用选定的N个传感器检测系统状态；个传感器检测系统状态；(2)采集采集N个

48、传感器的测量信号并进行预处理；个传感器的测量信号并进行预处理；(3)对预处理后的对预处理后的N个传感器信号进行特征选择；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；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，

49、则网络输出就是被测系统的状态。网络，则网络输出就是被测系统的状态。一一.信息融合的民事应用领域信息融合的民事应用领域u工业过程监视及工业机器人工业过程监视及工业机器人u遥感与金融系统遥感与金融系统u空中交通管制与病人照顾系统空中交通管制与病人照顾系统u船舶避碰与交通管制系统船舶避碰与交通管制系统u生物特征的身份识别生物特征的身份识别二二.信息融合技术军事上的应用信息融合技术军事上的应用u采用多传感器的自主式武器系统和自备式运载器采用多传感器的自主式武器系统和自备式运载器u情报收集系统情报收集系统u采用多传感器进行截获、跟踪和指挥制导的火控系统采用多传感器进行截获、跟踪和指挥制导的火控系统u军事

50、力量的指挥和控制站军事力量的指挥和控制站u敌情指示和预警系统敌情指示和预警系统一种雷达测量的信息融合结构一种雷达测量的信息融合结构传感器故障检测系统局部处理器局部处理器 外部逻辑中央处理器传感器信号传感器信号先验信息修正信息先验信息修正信息控制和信息融合计算机自主移动装配机器人装配机械手力觉传感器触觉传感器视觉传感器超声波传感器激光测距传感器多传感器信息融合自主移动装配机器人外界环境外界环境视觉视觉视觉视觉超声波传感器超声波传感器红外接近觉红外接近觉立体视觉立体视觉地标识别地标识别障碍探测障碍探测目标物探测目标物探测景物识别景物识别内部传内部传感器感器融合融合力觉力觉触觉触觉环境模型环境模型定