多傳感器數(shù)據(jù)融合技術(shù)

多傳感器數(shù)據(jù)融合技術(shù)第一頁，共三十四頁，2022年，8月28日9.5.1概念與意義1．概念2．意義上一頁下一頁返回第二頁，共三十四頁，2022年，8月28日1．概念美國國防部JDL從軍事應(yīng)用的角度將數(shù)據(jù)融合定義為這樣的一個過程:把來自許多傳感器和信息源的數(shù)據(jù)進(jìn)行聯(lián)合(association)、相關(guān)（coorelation）、組合（combination）和估值的處理，以達(dá)到精確的位置估計（positionestimation）與身份估計（identityestimation），以及對戰(zhàn)場情況和威脅及其重要程度進(jìn)行適時的完整評價。上一頁下一頁返回第三頁，共三十四頁，2022年，8月28日定義補(bǔ)充和修改用狀態(tài)估計代替位置估計，并加入了檢測(detection)的功能，從而給出了如下定義：信息融合是一種多層次、多方面的處理過程，這個過程是對多源數(shù)據(jù)進(jìn)行檢測、結(jié)合、相關(guān)、估計和組合，以達(dá)到精確的狀態(tài)估計和身份估計，以及完整及時的態(tài)勢評估和威脅估計。上一頁下一頁返回第四頁，共三十四頁，2022年，8月28日定義三個要點(diǎn)：（1）數(shù)據(jù)融合是多信源、多層次的處理過程，每個層次代表信息的不同抽象程度；（2）數(shù)據(jù)融合過程包括數(shù)據(jù)的檢測、關(guān)聯(lián)、估計與合并；（3）數(shù)據(jù)融合的輸出包括低層次上的狀態(tài)身份估計和高層次上的總戰(zhàn)術(shù)態(tài)勢的評估。上一頁下一頁返回第五頁，共三十四頁，2022年，8月28日多傳感器數(shù)據(jù)融合包括：多傳感器的目標(biāo)探測、數(shù)據(jù)關(guān)聯(lián)、跟蹤與識別、情況評估和預(yù)測?；灸康模和ㄟ^融合得到比單獨(dú)的各個輸入數(shù)據(jù)更多的信息。這一點(diǎn)是協(xié)同作用的結(jié)果，即由于多傳感器的共同作用，使系統(tǒng)的有效性得以增強(qiáng)。實(shí)質(zhì)：一種多源信息的綜合技術(shù)，通過對來自不同傳感器的數(shù)據(jù)進(jìn)行分析和綜合，可以獲得被測對象及其性質(zhì)的最佳一致估計。多傳感器數(shù)據(jù)融合：將經(jīng)過集成處理的多種傳感器信息進(jìn)行合成，形成對外部環(huán)境某一特征的一種表達(dá)方式。上一頁下一頁返回第六頁，共三十四頁，2022年，8月28日多傳感器數(shù)據(jù)融合技術(shù)應(yīng)用最早是圍繞軍用系統(tǒng)開展研究的。非軍事領(lǐng)域：智能機(jī)器人、計算機(jī)視覺、水下物體探測、收割機(jī)械的自動化、工業(yè)裝配線上自動插件安裝、航天器中重力梯度的在線測量、信息高速公路系統(tǒng)、多媒體技術(shù)和虛擬現(xiàn)實(shí)技術(shù)、輔助醫(yī)療檢測和診斷等領(lǐng)域。上一頁下一頁返回第七頁，共三十四頁，2022年，8月28日2．意義主要作用可歸納為以下幾點(diǎn)：（1）提高信息的準(zhǔn)確性和全面性。與一個傳感器相比，多傳感器數(shù)據(jù)融合處理可以獲得有關(guān)周圍環(huán)境更準(zhǔn)確、全面的信息；（2）降低信息的不確定性，一組相似的傳感器采集的信息存在明顯的互補(bǔ)性，這種互補(bǔ)性經(jīng)過適當(dāng)處理后，可以對單一傳感器的不確定性和測量范圍的局限性進(jìn)行補(bǔ)償；（4）提高系統(tǒng)的可靠性，某個或某幾個傳感器失效時，系統(tǒng)仍能正常運(yùn)行；（5）增加系統(tǒng)的實(shí)時性。上一頁下一頁返回第八頁，共三十四頁，2022年，8月28日使用傳感器數(shù)據(jù)融合技術(shù)將使測量系統(tǒng)具有如下優(yōu)勢：（1）增加測量維數(shù)，增加置信度，提高容錯功能，改進(jìn)系統(tǒng)的可靠性和可維護(hù)性。當(dāng)一個甚至幾個傳感器出現(xiàn)故障時，系統(tǒng)仍可利用其它傳感器獲取環(huán)境信息，以維持系統(tǒng)的正常運(yùn)行。（2）提高精度。在傳感器測量中，不可避免地存在各自各種噪聲，而同時使用描述同一特征的多個不同信息，可以減小這種由測量不精確所引起的不確定性，顯著提高系統(tǒng)的精度。

上一頁下一頁返回第九頁，共三十四頁，2022年，8月28日（3）擴(kuò)展了空間和時間的覆蓋，提高了空間分辯率，提高適應(yīng)環(huán)境的能力。多種傳感器可以描述環(huán)境中的多個不同特征，這些互補(bǔ)的特征信息，可以減小對環(huán)境模型理解的歧義，提高系統(tǒng)正確決策的能力。（4）改進(jìn)探測性能，增加響應(yīng)的有效性，降低了對單個傳感器的性能要求，提高信息處理的速度。在同等數(shù)量的傳感器下，各傳感器分別單獨(dú)處理與多傳感器數(shù)據(jù)融合處理相比，由于多傳感器信息融合中使用了并行結(jié)構(gòu)，采用分布式系統(tǒng)并行算法，可顯著提高信息處理的速度。（5）降低信息獲取的成本。信息融合提高了信息的利用效率，可以用多個較廉價的傳感器獲得與昂貴的單一高精度傳感器同樣甚至更好的效果，因此可大大降低系統(tǒng)的成本。上一頁下一頁返回第十頁，共三十四頁，2022年，8月28日9.5.2基本原理充分利用多個傳感器資源，通過對這些傳感器及其觀測信息的合理支配和使用，把多個傳感器在空間或時間上的冗余或互補(bǔ)信息依據(jù)某種準(zhǔn)則來進(jìn)行組合，以獲得比它的各組成部分的子集所構(gòu)成的系統(tǒng)更優(yōu)越的性能。多傳感器數(shù)據(jù)融合技術(shù)可以對不同類型的數(shù)據(jù)和信息在不同層次上進(jìn)行綜合，它處理的不僅僅是數(shù)據(jù)，還可以是證據(jù)和屬性等。多傳感器數(shù)據(jù)融合并不是簡單的信號處理。信號處理可以歸屬于多傳感器數(shù)據(jù)融合的第一階段，即信號預(yù)處理階段。上一頁下一頁返回第十一頁，共三十四頁，2022年，8月28日9.5.3層次數(shù)據(jù)融合層次的劃分主要有兩種方法。第一種方法是將數(shù)據(jù)融合劃分為低層（數(shù)據(jù)級或像素級）、中層（特征級）和高層（決策級）。另一種方法將是將傳感器集成和數(shù)據(jù)融合劃分為信號級、證據(jù)級和動態(tài)級。上一頁下一頁返回第十二頁，共三十四頁，2022年，8月28日數(shù)據(jù)級融合(或像素級融合)對傳感器的原始數(shù)據(jù)及預(yù)處理各階段上產(chǎn)生的信息分別進(jìn)行融合處理。盡可能多地保持了原始信息，能夠提供其它兩個層次融合所不具有的細(xì)微信息。局限性：(1)由于所要處理的傳感器信息量大，故處理代價高；(2)融合是在信息最低層進(jìn)行的，由于傳感器的原始數(shù)據(jù)的不確定性、不完全性和不穩(wěn)定性，要求在融合時有較高的糾錯能力；(3)由于要求各傳感器信息之間具有精確到一個像素的配準(zhǔn)精度，故要求傳感器信息來自同質(zhì)傳感器；(4)通信量大。上一頁下一頁返回第十三頁，共三十四頁，2022年，8月28日特征級融合利用從各個傳感器原始數(shù)據(jù)中提取的特征信息，進(jìn)行綜合分析和處理的中間層次過程。通常所提取的特征信息應(yīng)是數(shù)據(jù)信息的充分表示量或統(tǒng)計量，據(jù)此對多傳感器信息進(jìn)行分類、匯集和綜合。特征級融合分類：目標(biāo)狀態(tài)信息融合目標(biāo)特性融合。上一頁下一頁返回第十四頁，共三十四頁，2022年，8月28日特征級融合分類：目標(biāo)狀態(tài)信息融合主要應(yīng)用于多傳感器目標(biāo)跟蹤領(lǐng)域。融合系統(tǒng)首先對傳感器數(shù)據(jù)進(jìn)行預(yù)處理以完成數(shù)據(jù)配準(zhǔn)。數(shù)據(jù)配準(zhǔn)后，融合處理主要實(shí)現(xiàn)參數(shù)相關(guān)和狀態(tài)矢量估計。目標(biāo)特性融合特征層聯(lián)合識別，具體的融合方法仍是模式識別的相應(yīng)技術(shù)，只是在融合前必須先對特征進(jìn)行相關(guān)處理，對特征矢量進(jìn)行分類組合。在模式識別、圖像處理和計算機(jī)視覺等領(lǐng)域，已經(jīng)對特征提取和基于特征的分類問題進(jìn)行了深入的研究，有許多方法可以借用。上一頁下一頁返回第十五頁，共三十四頁，2022年，8月28日決策級融合在信息表示的最高層次上進(jìn)行的融合處理。不同類型的傳感器觀測同一個目標(biāo)，每個傳感器在本地完成預(yù)處理、特征抽取、識別或判斷，以建立對所觀察目標(biāo)的初步結(jié)論，然后通過相關(guān)處理、決策級融合判決，最終獲得聯(lián)合推斷結(jié)果，從而直接為決策提供依據(jù)。因此，決策級融合是直接針對具體決策目標(biāo)，充分利用特征級融合所得出的目標(biāo)各類特征信息，并給出簡明而直觀的結(jié)果。決策級融合優(yōu)點(diǎn)：實(shí)時性最好在一個或幾個傳感器失效時仍能給出最終決策，因此具有良好的容錯性。上一頁下一頁返回第十六頁，共三十四頁，2022年，8月28日9.5.4過程首先將被測對象它們轉(zhuǎn)換為電信號，然后經(jīng)過A／D變換將它們轉(zhuǎn)換為數(shù)字量。數(shù)字化后電信號需經(jīng)過預(yù)處理，以濾除數(shù)據(jù)采集過程中的干擾和噪聲。對經(jīng)處理后的有用信號作特征抽取，再進(jìn)行數(shù)據(jù)融合；或者直接對信號進(jìn)行數(shù)據(jù)融合。最后，輸出融合的結(jié)果。上一頁下一頁返回第十七頁，共三十四頁，2022年，8月28日9.5.5方法1.加權(quán)平均2.卡爾曼濾波3．貝葉斯估計4.多貝葉斯方法5.統(tǒng)計決策理論6.Dempster-Shafer證據(jù)推理法7.模糊邏輯法8.產(chǎn)生式規(guī)則法9.神經(jīng)網(wǎng)絡(luò)方法上一頁下一頁返回第十八頁，共三十四頁，2022年，8月28日1.加權(quán)平均加權(quán)平均是最簡單、最直觀的數(shù)據(jù)融合方法。該方法將一組傳感器提供的冗余信息進(jìn)行加權(quán)平均，結(jié)果作為融合值。上一頁下一頁返回第十九頁，共三十四頁，2022年，8月28日2.卡爾曼濾波應(yīng)用：融合低層的實(shí)時動態(tài)多傳感器冗余數(shù)據(jù)。該方法應(yīng)用測量模型的統(tǒng)計特性遞推地確定融合數(shù)據(jù)的估計，且該估計在統(tǒng)計意義下是最優(yōu)的。如果系統(tǒng)可以用一個線性模型描述，且系統(tǒng)與傳感器的誤差均符合高斯白噪聲模型，則卡爾曼濾波將為融合數(shù)據(jù)提供唯一的統(tǒng)計意義下的最優(yōu)估計。濾波器的遞推特性使得它特別適合在那些不具備大量數(shù)據(jù)存儲能力的系統(tǒng)中使用。應(yīng)用領(lǐng)域：目標(biāo)識別、機(jī)器人導(dǎo)航、多目標(biāo)跟蹤、慣性導(dǎo)航和遙感等。上一頁下一頁返回第二十頁，共三十四頁，2022年，8月28日卡爾曼濾波器應(yīng)用應(yīng)用卡爾曼濾波器對n個傳感器的測量數(shù)據(jù)進(jìn)行融合后，既可以獲得系統(tǒng)的當(dāng)前狀態(tài)估計，又可以預(yù)報系統(tǒng)的未來狀態(tài)。所估計的系統(tǒng)狀態(tài)可能表示移動機(jī)器人的當(dāng)前位置、目標(biāo)的位置和速度、從傳感器數(shù)據(jù)中抽取的特征或?qū)嶋H測量值本身。上一頁下一頁返回第二十一頁，共三十四頁，2022年，8月28日

3．貝葉斯估計

貝葉斯估計是融合靜態(tài)環(huán)境中多傳感器低層信息的常用方法。它使傳感器信息依據(jù)概率原則進(jìn)行組合，測量不確定性以條件概率表示。當(dāng)傳感器組的觀測坐標(biāo)一致時，可以用直接法對傳感器測量數(shù)據(jù)進(jìn)行融合。大多數(shù)情況下，傳感器是從不同的坐標(biāo)系對同一環(huán)境物體進(jìn)行描述，這時傳感器測量數(shù)據(jù)要以間接方式采用貝葉斯估計進(jìn)行數(shù)據(jù)融合。上一頁下一頁返回第二十二頁，共三十四頁，2022年，8月28日4.多貝葉斯方法Durrant－Whyte將任務(wù)環(huán)境表示為不確定幾何物體集合的多傳感器模型，提出了傳感器信息融合的多貝葉斯估計方法。多貝葉斯估計把每個傳感器作為一個貝葉斯估計，將各單獨(dú)物體的關(guān)聯(lián)概率分布組合成一個聯(lián)合后驗概率分布函數(shù)，通過使聯(lián)合分布函數(shù)的似然函數(shù)最小，可以得到多傳感器信息的最終融合值。上一頁下一頁返回第二十三頁，共三十四頁，2022年，8月28日

5.統(tǒng)計決策理論

與多貝葉斯估計不同，統(tǒng)計決策理論中的不確定性為可加噪聲，從而不確定性的適應(yīng)范圍更廣。不同傳感器觀測到的數(shù)據(jù)必須經(jīng)過一個魯棒綜合測試以檢驗它的一致性，經(jīng)過一致性檢驗的數(shù)據(jù)用魯棒極值決策規(guī)則融合。上一頁下一頁返回第二十四頁，共三十四頁，2022年，8月28日6.Dempster-Shafer證據(jù)推理法由Dempster首先提出，由Shafer發(fā)展 一種不精確推理理論，貝葉斯方法的擴(kuò)展。貝葉斯方法必須給出先驗概率， 證據(jù)理論則能夠處理這種由不知道引起的不確定性。上一頁下一頁返回第二十五頁，共三十四頁，2022年，8月28日在多傳感器數(shù)據(jù)融合系統(tǒng)中，每個信息源提供了一組證據(jù)和命題，并且建立了一個相應(yīng)的質(zhì)量分布函數(shù)。因此，每一個信息源就相當(dāng)于一個證據(jù)體。在同一個鑒別框架下，將不同的證據(jù)體通過Dempster合并規(guī)則并成一個新的證據(jù)體，并計算證據(jù)體的似真度，最后用某一決策選擇規(guī)則，獲得最后的結(jié)果。上一頁下一頁返回第二十六頁，共三十四頁，2022年，8月28日7.模糊邏輯法模糊邏輯實(shí)質(zhì)上是一種多值邏輯，在多傳感器數(shù)據(jù)融合中，將每個命題及推理算子賦予0到1間的實(shí)數(shù)值，以表示其在登記處融合過程中的可信程度，又被稱為確定性因子，然后使用多值邏輯推理法，利用各種算子對各種命題（即各傳感源提供的信息）進(jìn)行合并運(yùn)算，從而實(shí)現(xiàn)信息的融合。上一頁下一頁返回第二十七頁，共三十四頁，2022年，8月28日8.產(chǎn)生式規(guī)則法人工智能中常用的控制方法。產(chǎn)生式規(guī)則法中的規(guī)則一般要通過對具體使用的傳感器的特性及環(huán)境特性進(jìn)行分析后歸納出來的，不具有一般性，即系統(tǒng)改換或增減傳感器時，其規(guī)則要重新產(chǎn)生。特點(diǎn)：系統(tǒng)擴(kuò)展性較差，但推理較明了，易于系統(tǒng)解釋，所以也有廣泛的應(yīng)用范圍。上一頁下一頁返回第二十八頁，共三十四頁，2022年，8月28日9.神經(jīng)網(wǎng)絡(luò)方法模擬人類大腦而產(chǎn)生的一種信息處理技術(shù)，它采用大量以一定方式相互連接和相互作用的簡單處理單元（即神經(jīng)元）來處理信息。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的容錯性和自組織、自學(xué)習(xí)、自適應(yīng)能力，能夠?qū)崿F(xiàn)復(fù)雜的映射。神經(jīng)網(wǎng)絡(luò)的優(yōu)越性和強(qiáng)大的非線性處理能力，能夠很好的滿足多傳感器數(shù)據(jù)融合技術(shù)的要求。上一頁下一頁返回第二十九頁，共三十四頁，2022年，8月28日特點(diǎn)：具有統(tǒng)一的內(nèi)部知識表示形式，通過學(xué)習(xí)方法可將網(wǎng)絡(luò)獲得的傳感器信息進(jìn)行融合，獲得相關(guān)網(wǎng)絡(luò)的參數(shù)（如連接權(quán)矩陣、節(jié)點(diǎn)偏移向量等），并且可將知識規(guī)則轉(zhuǎn)換成數(shù)字形式，便于建立知識庫；利用外部環(huán)境的信息，便于實(shí)現(xiàn)知識自動獲取及進(jìn)行聯(lián)想推理；能夠?qū)⒉淮_定環(huán)境的復(fù)雜關(guān)系，經(jīng)過學(xué)習(xí)推理，融合為系統(tǒng)能理解的準(zhǔn)確信號；神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理信息的能力，使得系統(tǒng)信息處理速度很快。上一頁下一頁返回第三十頁，共三十四頁，2022年，8月28日基于神經(jīng)網(wǎng)絡(luò)的