基于模糊證據(jù)理論的數(shù)據(jù)融合算法研究文獻(xiàn)綜述

1、基于模糊證據(jù)理論的數(shù)據(jù)融合算法研究文獻(xiàn)綜述摘要：首先描述了數(shù)據(jù)融合技術(shù)發(fā)展歷史與研究現(xiàn)狀，然后對(duì)數(shù)據(jù)融合框架的三種形式以及幾種常用的融合方法作了簡(jiǎn)單的介紹，并詳細(xì)介紹了模糊證據(jù)理論框架下的數(shù)據(jù)融合算法，最后對(duì)數(shù)據(jù)融合技術(shù)研究中存在的問題以及在CPS信息物理融合系統(tǒng)中的應(yīng)用前景進(jìn)行了論述。0 引言 信息物理融合系統(tǒng)CPS，是通過計(jì)算、通信與控制技術(shù)的有機(jī)與深度融合實(shí)現(xiàn)計(jì)算資源與物理資源的緊密結(jié)合與協(xié)調(diào)的下一代智能系統(tǒng)1。CPS的典型應(yīng)用包括智能交通領(lǐng)域的自主導(dǎo)航汽車、無人飛行機(jī)以及智能電網(wǎng)、家庭機(jī)器人、智能建筑等, 是構(gòu)建人類未來智慧城市的基礎(chǔ)2。CPS的基本組件包括傳感器、執(zhí)行器和決策控制單元

2、，各個(gè)層級(jí)的組件與子系統(tǒng)都圍繞數(shù)據(jù)融合向上提供服務(wù)數(shù)據(jù)沿從物理世界接口到用戶的路徑上不斷提升抽象級(jí)用戶最終得到全面的精確的事件信息。 汽車CPS，簡(jiǎn)單來說是指把CPS技術(shù)應(yīng)用在汽車上，以使汽車更易于駕駛，更安全。具體指用帶微處理器的實(shí)時(shí)輸入傳感器和分布在汽車的不同部件上的提供輸出的制動(dòng)器等控制單元，收集本車的實(shí)時(shí)信息或其他車輛的信息，通過一個(gè)統(tǒng)一的網(wǎng)絡(luò)如控制局域網(wǎng)(Controller Area Network, CAN )來完成信息的交互、計(jì)算，并根據(jù)信息的反饋來完成對(duì)汽車的控制，使得汽車更易于駕駛，響應(yīng)更快，更安全，更智能。人類對(duì)汽車性能要求的提高以及智能交通系統(tǒng)的建設(shè)，物理設(shè)備(比如EC

3、U)和信息系統(tǒng)(比如ITS中的信息電子系統(tǒng))的深度融合，海量數(shù)據(jù)的處理，多維度復(fù)雜開放系統(tǒng)的建立等，使得汽車CPS的研究與發(fā)展成為汽車電子中物理設(shè)備系統(tǒng)發(fā)展的必然趨勢(shì)。 文獻(xiàn)3指出未來CPS的全球化、自主的網(wǎng)絡(luò)架構(gòu)需要能夠容納大量的物理數(shù)據(jù)源執(zhí)行器和分布的計(jì)算元素，所以需要以數(shù)據(jù)融合與提升信息抽象能力為中心以滿足應(yīng)用需求。CPS系統(tǒng)中收集到的數(shù)據(jù)具有異構(gòu)性、海量性、不確定性、動(dòng)態(tài)性等特點(diǎn)，如何對(duì)這些數(shù)據(jù)進(jìn)行有效的融合，從而得到具有自適應(yīng)性、自主性、高效性、可靠性、安全性等特點(diǎn)的一個(gè)智能的有自主行為的系統(tǒng)至關(guān)重要。1 數(shù)據(jù)融合技術(shù)發(fā)展歷史與現(xiàn)狀1.1 數(shù)據(jù)融合定義數(shù)據(jù)融合又稱為多傳感器數(shù)據(jù)融合，

4、是針對(duì)一個(gè)系統(tǒng)使用多種傳感器這一特定問題而展開的一種關(guān)于數(shù)據(jù)處理的研究。目前，對(duì)數(shù)據(jù)融合還很難給出一個(gè)統(tǒng)一、全面的定義4,5。隨著數(shù)據(jù)融合和計(jì)算機(jī)應(yīng)用技術(shù)的發(fā)展，根據(jù)國(guó)內(nèi)外研究成果，多傳感器數(shù)據(jù)融合比較確切的定義可概括為：充分利用不同時(shí)間與空間的多傳感器數(shù)據(jù)資源，采用計(jì)算機(jī)技術(shù)對(duì)按時(shí)間序列獲得的多傳感器觀測(cè)數(shù)據(jù)，在一定準(zhǔn)則下進(jìn)行分析、綜合、支配和使用，獲得對(duì)被測(cè)對(duì)象的一致性解釋與描述，進(jìn)而實(shí)現(xiàn)相應(yīng)的決策和估計(jì)，使系統(tǒng)獲得比它的各組成部分更充分的信息6,7。它要強(qiáng)調(diào)數(shù)據(jù)融合的3個(gè)核心方面：數(shù)據(jù)融合是在幾個(gè)層次上完成對(duì)多源信息的處理過程，其中每一層次都表示不同級(jí)別的信息抽象；數(shù)據(jù)融合包括檢測(cè)、關(guān)聯(lián)

5、、相關(guān)、估計(jì)及信息組合； 數(shù)據(jù)融合的結(jié)果是指較低層次上的狀態(tài)和身份估計(jì)，以及較高層次上的整個(gè)態(tài)勢(shì)估計(jì)。這一技術(shù)廣泛應(yīng)用于C3I系統(tǒng)、復(fù)雜工業(yè)過程控制、機(jī)器人、自動(dòng)目標(biāo)識(shí)別、交通管制、慣性導(dǎo)航、海洋監(jiān)視和管理、農(nóng)業(yè)、遙感、醫(yī)療診斷、圖像處理、模式識(shí)別等領(lǐng)域8。文獻(xiàn)9指出，與單傳感器系統(tǒng)相比，運(yùn)用多傳感器數(shù)據(jù)融合技術(shù)在解決探測(cè)、跟蹤和目標(biāo)識(shí)別等問題方面，能夠增強(qiáng)系統(tǒng)生存能力，提高整個(gè)系統(tǒng)的可靠性和魯棒性，增強(qiáng)數(shù)據(jù)的可信度，并提高精度，擴(kuò)展整個(gè)系統(tǒng)的時(shí)間、空間覆蓋率，增加系統(tǒng)的實(shí)時(shí)性和信息利用率等。1.2 數(shù)據(jù)融合的發(fā)展歷史與現(xiàn)狀數(shù)據(jù)融合出現(xiàn)于20世紀(jì)70年代10。美國(guó)是數(shù)據(jù)融合技術(shù)起步最早的國(guó)家，

6、1983年，美國(guó)國(guó)防高級(jí)研究計(jì)劃局( DARPA )推出的戰(zhàn)略計(jì)算機(jī)計(jì)劃中，將多傳感器數(shù)據(jù)融合列為重大研究課題；1984 年，美國(guó)國(guó)防部(DOD)成立了數(shù)據(jù)融合專家組，負(fù)責(zé)指導(dǎo)、組織并協(xié)調(diào)有關(guān)這一國(guó)防關(guān)鍵技術(shù)的系統(tǒng)研究，1988 年又將其列入國(guó)防部22項(xiàng)關(guān)鍵技術(shù)之一，同時(shí)其它西方發(fā)達(dá)國(guó)家和國(guó)際組織(如英、日、德、法及歐共體等) 也積極開展了數(shù)據(jù)融合技術(shù)研究工作。1986年開始, 每年IEEE主辦的機(jī)器人與自動(dòng)化學(xué)術(shù)會(huì)議上都有專門關(guān)于數(shù)據(jù)融合的專題11。各種學(xué)術(shù)刊物也紛紛開辟專欄和出版專集，交流和探討數(shù)據(jù)融合的有關(guān)問題。1987 年歐洲共同體開始為期5 年的SK IDS ( Signal and

7、 Knowledge Integration with Decisional Control for Multisensory System )計(jì)劃，主要目標(biāo)是研究多傳感器數(shù)據(jù)融合的通用結(jié)構(gòu)及實(shí)時(shí)信息融合技術(shù)等。1998年成立了國(guó)際信息融合學(xué)會(huì)( IS IF) ，每年舉行一次信息融合國(guó)際學(xué)術(shù)會(huì)議，促進(jìn)了信息融合技術(shù)的交流與發(fā)展, 相繼取得了一些有重要影響的研究成果12。和國(guó)外相比，我國(guó)在數(shù)據(jù)融合領(lǐng)域的研究起步較晚，1991年海灣戰(zhàn)爭(zhēng)結(jié)束以后，數(shù)據(jù)融合技術(shù)引起國(guó)內(nèi)有關(guān)單位和專家的高度重視13。一些高校和科研院所相繼對(duì)數(shù)據(jù)融合的理論、系統(tǒng)框架和融合算法開展了大量研究，但基本上處于理論研究的層次上，

8、在工程化、實(shí)用化方面尚未取得有成效的突破。有許多關(guān)鍵技術(shù)問題尚待解決，在工程應(yīng)用領(lǐng)域，需要開發(fā)出有重要應(yīng)用價(jià)值的實(shí)用系統(tǒng)。近年來數(shù)據(jù)融合技術(shù)已形成研究熱點(diǎn)， 國(guó)家自然科學(xué)基金和國(guó)家863計(jì)劃已將其列入重點(diǎn)支持項(xiàng)目14。 2 數(shù)據(jù)融合框架及方法介紹 傳感器1傳感器2傳感器n. 數(shù)據(jù)關(guān)聯(lián) 數(shù)據(jù)融合 特征提取 特征識(shí)別判決輸出數(shù)據(jù)級(jí)融合.傳感器1傳感器2傳感器n 特征提取 特征融合 特征關(guān)聯(lián)判決輸出特征級(jí)融合 特征提取 決策融合 決策關(guān)聯(lián)判決輸出傳感器1傳感器2傳感器n特征識(shí)別特征識(shí)別特征識(shí)別.決策級(jí)融合圖 1 三種信息融合框圖數(shù)據(jù)級(jí)融合是在原始的傳感器數(shù)據(jù)經(jīng)過很小程度的處理后進(jìn)行的，因此保留了盡可

9、能多的原始信息，融合結(jié)果具有最好的精度，可以給人更加直觀、全面的認(rèn)識(shí)，但這種融合方式的數(shù)據(jù)處理量大，抗干擾能力差，可用于精度要求不高的場(chǎng)合。特征級(jí)融合屬于中間層次，是指從各個(gè)傳感器提供的原始數(shù)據(jù)中進(jìn)行特征提取，然后融合這些特征，在融合前實(shí)現(xiàn)了一定的信息壓縮，有利于實(shí)時(shí)處理，具有很大的靈活性。決策級(jí)融合是指在融合之前，各傳感器數(shù)據(jù)源都經(jīng)過變換并獲得獨(dú)立的身份估計(jì)，信息根據(jù)一定準(zhǔn)則和決策的可信度對(duì)各自傳感器的屬性決策結(jié)果進(jìn)行融合，最終得到整體一致的決策，這種融合方式具有很好的容錯(cuò)性和實(shí)時(shí)性15,16。從理論上說，決策級(jí)融合輸出的聯(lián)合決策結(jié)果比任何單傳感器更為精確和明確，而且可以用于異質(zhì)傳感器數(shù)據(jù)的

10、融合，在一個(gè)或多個(gè)傳感器失效時(shí)也能正常工作。目前已有的決策層數(shù)據(jù)融合方法包括：經(jīng)典推理法、Kalman濾波法17、Bays估計(jì)法18、D-S證據(jù)推理法19、聚類分析法、專家系統(tǒng)法、模糊集合理論20,21、神經(jīng)網(wǎng)絡(luò)22、粗集理論23等等。其中證據(jù)理論和模糊集理論是決策級(jí)數(shù)據(jù)融合中最常用的兩種算法。表1對(duì)幾種常用的融合方法作了簡(jiǎn)單的介紹。表 1 融合框架比較框架特 點(diǎn)功 能局限性概率論法采用概率分布來表示數(shù)據(jù)，在貝葉斯框架內(nèi)融合處理不確定性數(shù)據(jù)的容易構(gòu)建和理解的方法不能處理不完整性數(shù)據(jù)的其他方面證據(jù)理論基于概率分配利用信任函數(shù)和似然函數(shù)進(jìn)一步特征化數(shù)據(jù)，在D-S融合規(guī)則下融合處理不確定性和模糊數(shù)據(jù)

11、不能處理數(shù)據(jù)不精確性的其他方面，不能用于對(duì)高沖突數(shù)據(jù)的融合模糊理論用模糊隸屬函數(shù)表示模糊數(shù)據(jù)，在模糊規(guī)則下融合直觀處理模糊數(shù)據(jù)，特別是人為 的錯(cuò)誤定義的數(shù)據(jù)只能用來融合模糊數(shù)據(jù)可能性理論數(shù)據(jù)表示與概率論和證據(jù)理論類似，在模糊框架下融合可以對(duì)環(huán)境信息已知很少下的不確定信息融合在數(shù)據(jù)融合領(lǐng)域沒有得到廣泛使用和很好的理解粗糙集理論使用明確的近似上下界處理模糊數(shù)據(jù)，在經(jīng)典集下實(shí)現(xiàn)不需要任何先驗(yàn)知識(shí)和附加信息數(shù)據(jù)的粒度要選取合適混合方法目的是更全面的處理數(shù)據(jù)不完整性以互補(bǔ)的方式而不是相對(duì)立的方式來構(gòu)建融合框架需要一個(gè)特定的融合框架來包容其它框架，計(jì)算量大隨機(jī)集理論利用狀態(tài)空間的隨機(jī)子集來表示不完整數(shù)據(jù)的

12、多個(gè)方面可以為不完整數(shù)據(jù)的融合提供一個(gè)統(tǒng)一的框架相對(duì)較新的方法，在數(shù)據(jù)融合領(lǐng)域還未被深入研究3 模糊證據(jù)理論框架下的數(shù)據(jù)融合算法3.1 證據(jù)理論與模糊集理論 證據(jù)理論是處理不確定信息的代表，廣泛應(yīng)用于目標(biāo)檢測(cè)、分類、識(shí)別和判斷，主要解決決策級(jí)融合的各種應(yīng)用問題24，其融合步驟如下：（1）分別計(jì)算各證據(jù)基本概率賦值函數(shù)mass,信任函數(shù)Bel，似然函數(shù)pl；（2）利用組合規(guī)則得到所有證據(jù)聯(lián)合作用下的基本概率賦值函數(shù)、信任函數(shù)和似然函數(shù)；（3）利用一定的決策規(guī)則，選擇聯(lián)合證據(jù)作用下支持度最大的假設(shè)。上述過程可由圖2表示，先由n個(gè)傳感器分別給出m個(gè)決策目標(biāo)集的信度,經(jīng)Dempster合并規(guī)則合成一致

13、的m個(gè)決策目標(biāo)集的信度。最后，對(duì)各可能決策利用某一判決規(guī)則，得到結(jié)果。.傳感器1傳感器2傳感器n預(yù)處理器1預(yù)處理器2預(yù)處理器nBel1 Pl1Bel2 Pl2 Belm PlmBel1 Pl1Bel2 Pl2 Belm PlmBel1 Pl1Bel2 Pl2 Belm PlmD-S組合規(guī)則Bel1 Pl1Bel2 Pl2 Belm Plm決策規(guī)則決策圖 2 D-S證據(jù)理論的數(shù)據(jù)融合過程模糊集理論的基本思想是把普通集合中的絕對(duì)隸屬關(guān)系靈活化，使元素對(duì)集合的隸屬度從原來只能取0,1中的值，擴(kuò)展到可以取0，1區(qū)間的任何數(shù)值。在應(yīng)用于多傳感器信息融合時(shí)，模糊集理論用隸屬函數(shù)表示各傳感器信息的不確定性，

14、然后，利用模糊變換進(jìn)行數(shù)據(jù)處理25。但它只能用于融合模糊信息，應(yīng)用范圍受到限制。3.2 證據(jù)理論存在的問題證據(jù)理論可以處理由不知道引起的不確定性，它采用信任函數(shù)而不是概率作為度量，通過對(duì)一些事件的概率加以約束以建立信任函數(shù)而不必說明精確的難以獲得的概率，但傳統(tǒng)證據(jù)理論的論域內(nèi)的元素與論域上的集合之間的關(guān)系是屬于與不屬于的關(guān)系，很難處理現(xiàn)實(shí)世界中具有模糊性的亦此亦彼的現(xiàn)象，而模糊集合正反映了這類亦此亦彼的模糊性，因此，可以將證據(jù)理論向模糊集擴(kuò)展，利用證據(jù)理論和模糊集的優(yōu)點(diǎn)來表示和處理不精確和模糊的信息，這對(duì)擴(kuò)大證據(jù)理論的應(yīng)用范圍具有重要的意義。而且，證據(jù)理論在應(yīng)用時(shí)存在很大的局限性，它要求證據(jù)間

15、相互獨(dú)立，而且在證據(jù)高度沖突的情況下會(huì)出現(xiàn)錯(cuò)誤的判斷，因此，如何獲得彼此獨(dú)立的信任函數(shù)以及如何處理沖突問題，也嚴(yán)重限制了證據(jù)理論的應(yīng)用范圍。證據(jù)組合規(guī)則是證據(jù)理論的核心，它將來自不同信息源的獨(dú)立證據(jù)信息組合，產(chǎn)生更可靠的證據(jù)信息26。但證據(jù)理論本身存在兩大問題：第一，要融合的證據(jù)的獲取，簡(jiǎn)單的說為如何得到基本信任分配Bel。針對(duì)這一問題目前已有的有效解決方法包括利用模糊理論確定mass函數(shù)進(jìn)行信息融合的方法27-30，利用BPNN,PNN,MLPNN等神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練得到后驗(yàn)概率轉(zhuǎn)化為基本概率分配的方法31-34等等。第二，當(dāng)證據(jù)間存在沖突或不一致性時(shí)，證據(jù)合成規(guī)則的正則化過程可能會(huì)導(dǎo)致推

16、理結(jié)果出現(xiàn)悖論，尤其是在證據(jù)高度沖突和完全沖突的情況下D-S理論的組合規(guī)則失效，甚至?xí)贸鲥e(cuò)誤的結(jié)果，在許多系統(tǒng)中是不允許出現(xiàn)這些情況的，否則會(huì)引起嚴(yán)重的后果。針對(duì)這些問題，已有很多研究，主要分為兩大類：修改證據(jù)源模型和修改組合規(guī)則。Lefevre等15研究了合成的證據(jù)源數(shù)目與沖突之間的關(guān)系，指出沖突部分的合理分配是解決問題的關(guān)鍵所在，類似研究如未知元素分配法、部分沖突分配法、加權(quán)分配法等等。文獻(xiàn)33認(rèn)為沖突證據(jù)是傳感器不可靠造成的，可將其去掉或用其他證據(jù)取代。對(duì)合成規(guī)則的修改包括基于可信度系數(shù)的合成規(guī)則34、基于證據(jù)間距離的合成規(guī)則35、基于證據(jù)預(yù)處理的合成規(guī)則等等。文獻(xiàn)36認(rèn)為證據(jù)理論的沖

17、突證據(jù)帶來的反常結(jié)果與群決策的一票否決和多數(shù)規(guī)則機(jī)制很相似，利用群決策機(jī)制對(duì)證據(jù)進(jìn)行預(yù)處理后，通過改進(jìn)的組合規(guī)則進(jìn)行融合，從而得到了合理的、可靠的決策。3.3 模糊證據(jù)理論 模糊證據(jù)理論把模糊集與D-S證據(jù)理論的結(jié)合起來，得到一個(gè)新的理論框架，實(shí)現(xiàn)多傳感器數(shù)據(jù)融合，不僅用模糊集解決證據(jù)理論的mass函數(shù)不易獲取和沖突悖論問題，也克服了模糊集的應(yīng)用局限問題，兩者互補(bǔ)不足。把模糊集加進(jìn)證據(jù)理論中，一方面利用模糊邏輯的隸屬度函數(shù)得到數(shù)據(jù)的可信度，從而得到證據(jù)理論的基本分配函數(shù)；另一方面在證據(jù)已知但存在沖突的情況下，利用模糊相似矩陣修正證據(jù)模型，最終得到一種有效的數(shù)據(jù)融合算法。目的是提高融合結(jié)果的準(zhǔn)確

18、性，擴(kuò)展算法的使用范圍。已有的研究也考慮把神經(jīng)網(wǎng)絡(luò)與證據(jù)理論結(jié)合起來，利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力對(duì)樣本進(jìn)行學(xué)習(xí)得到后驗(yàn)概率，轉(zhuǎn)化為基本信任分配，提高融合的自適應(yīng)性，因此在重點(diǎn)改進(jìn)模糊證據(jù)理論算法的基礎(chǔ)上，也考慮加入神經(jīng)網(wǎng)絡(luò)，從而提高融合結(jié)果的準(zhǔn)確性與魯棒性。隨著大數(shù)據(jù)時(shí)代的到來，數(shù)據(jù)間的關(guān)系越來越復(fù)雜，建立統(tǒng)一的融合理論、數(shù)據(jù)融合的體系結(jié)構(gòu)和廣義融合模型，利用集成的計(jì)算方法來提高多傳感器數(shù)據(jù)融合的性能，成為今后數(shù)據(jù)融合領(lǐng)域研究的重點(diǎn)。4 數(shù)據(jù)融合研究中存在的問題和發(fā)展前景展望4.1 數(shù)據(jù)融合研究中存在的問題 現(xiàn)代感知環(huán)境的日趨復(fù)雜多變、感知對(duì)象的日益豐富、感知手段與能力的顯著提升、用戶對(duì)感知要求

19、的日益提高，使得信息融合成為一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)，呈現(xiàn)出不確定、多模態(tài)、高沖突、強(qiáng)相關(guān)、網(wǎng)絡(luò)化等諸多特性37,38。歸納如下：1）融合框架：隨著越來越多的信源加入，許多信息融合系統(tǒng)成為復(fù)雜巨系統(tǒng)，表現(xiàn)為信源數(shù)量大、種類多，并且它們之間的關(guān)系以及層次結(jié)構(gòu)復(fù)雜。因此需要系統(tǒng)建模，綜合集成并整體優(yōu)化；2）不確定：傳感器的觀測(cè)總會(huì)受到噪聲影響，使得其不準(zhǔn)確或者產(chǎn)生虛警等；同時(shí)，雜波、多目標(biāo)的存在使得量測(cè)來源具有不確定性。信息融合算法需要利用冗余有效降低不確定性；3）多模態(tài)：在多傳感器系統(tǒng)中，針對(duì)同一待觀測(cè)現(xiàn)象，可能存在著聲音、視頻、文字等多模態(tài)量測(cè)，系統(tǒng)須具備融合這些量測(cè)的能力，給出一致理解和高品

20、質(zhì)態(tài)勢(shì)；4）高沖突：當(dāng)多個(gè)專家對(duì)同一現(xiàn)象給出不同意見時(shí)，信息就產(chǎn)生了沖突。在基于證據(jù)置信推理和Dempster組合規(guī)則的融合算法中，融合帶有沖突的數(shù)據(jù)很容易產(chǎn)生與直覺不一致的結(jié)果。因此，融合算法需要小心處理高沖突數(shù)據(jù)；5）強(qiáng)相關(guān)：該問題在分布式融合中尤為重要和普遍，例如，在無線傳感器網(wǎng)絡(luò)中，一些傳感器節(jié)點(diǎn)很可能受相同噪聲的影響，產(chǎn)生有偏量測(cè)。另外，在估計(jì)過程中使用近似濾波器也會(huì)造成局部節(jié)點(diǎn)估計(jì)之間相關(guān)。如果不考慮數(shù)據(jù)相關(guān)性，會(huì)產(chǎn)生有偏估計(jì)；6）網(wǎng)絡(luò)化：在大尺度分布傳感器網(wǎng)絡(luò)中，會(huì)產(chǎn)生多采樣率、網(wǎng)絡(luò)延遲、丟包、錯(cuò)序、量化失真等現(xiàn)象。好的融合算法需要有能力處理這些問題，尤其是在精確、實(shí)時(shí)應(yīng)用中，從

21、而避免性能下降；7）非線性：目標(biāo)運(yùn)動(dòng)建模與量測(cè)建模坐標(biāo)系的非線性關(guān)系引起運(yùn)動(dòng)建模的非線性，分布式觀測(cè)的信息在空間變換配準(zhǔn)中引起非線性等。對(duì)非線性的處理不當(dāng)會(huì)損失有用信息。 其他問題還包括高維數(shù)、大尺度等，不再贅述。4.2 數(shù)據(jù)融合在汽車CPS中的應(yīng)用前景汽車CPS具有自適應(yīng)性、自主性、高效性、功能性、可靠性、安全性等特點(diǎn)，是一個(gè)智能的有自主行為的系統(tǒng)，能夠從環(huán)境中獲取數(shù)據(jù)，進(jìn)行數(shù)據(jù)融合，提取有效信息，并且根據(jù)系統(tǒng)規(guī)則通過效應(yīng)器作用于環(huán)境。獲取的數(shù)據(jù)具有四個(gè)關(guān)鍵特征：（1）異構(gòu)性。從數(shù)據(jù)本身的屬性來看，有描述物理不同特征的數(shù)據(jù)；從數(shù)據(jù)的基本格式來看，有數(shù)據(jù)格式、科學(xué)文本格式以及XML格式等；從數(shù)

22、據(jù)的結(jié)構(gòu)來看，有結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)等；從數(shù)據(jù)語義來看，有采集的底層原始數(shù)據(jù)和數(shù)據(jù)聚合后的高層概括性數(shù)據(jù)等。（2）動(dòng)態(tài)性。描述CPS實(shí)體的數(shù)據(jù)具有顯著的動(dòng)態(tài)性。CPS的物理設(shè)備之間以及物理進(jìn)程與計(jì)算進(jìn)程之間具有緊密交互的特征，這種緊密交互行為也導(dǎo)致數(shù)據(jù)處于不斷動(dòng)態(tài)變化中。而數(shù)據(jù)的動(dòng)態(tài)性則會(huì)進(jìn)一步導(dǎo)致部分?jǐn)?shù)據(jù)存在不確定性。（3）實(shí)時(shí)性。CPS數(shù)據(jù)處理必須滿足實(shí)時(shí)需求，保證在限定的時(shí)間內(nèi)給出正確的處理結(jié)果。（4）可信性。由于CPS系統(tǒng)網(wǎng)絡(luò)的復(fù)雜性，系統(tǒng)中存在許多不可預(yù)知的因素，這些不可預(yù)知的因素所產(chǎn)生的數(shù)據(jù)不確定性將影響數(shù)據(jù)處理的各個(gè)階段，包括數(shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)加工和數(shù)據(jù)反

23、饋等，尤其是在數(shù)據(jù)加工處理的聚集計(jì)算、查詢處理、數(shù)據(jù)分析中更需要保證數(shù)據(jù)處理的可信性，對(duì)可能出現(xiàn)的錯(cuò)誤或者系統(tǒng)故障，應(yīng)具有容錯(cuò)能力，保證數(shù)據(jù)處理結(jié)果的正確性、可靠性和安全性。可信性包含的另外一個(gè)方面是隱私保護(hù)，要求在對(duì)原始數(shù)據(jù)內(nèi)容保密的情況下仍然提供定制的服務(wù)。因此，如何對(duì)這些來自不同傳感器的不同特征的數(shù)據(jù)進(jìn)行管理與融合成為汽車CPS系統(tǒng)研究的關(guān)鍵。5 總結(jié)汽車CPS系統(tǒng)中收集到的數(shù)據(jù)具有異構(gòu)性、海量性、不確定性、動(dòng)態(tài)性等特點(diǎn)，如何對(duì)這些數(shù)據(jù)進(jìn)行有效的融合，從而得到具有自適應(yīng)性、自主性、高效性、可靠性、安全性等特點(diǎn)的一個(gè)智能的有自主行為的系統(tǒng)是至關(guān)重要的。雖然已有的數(shù)據(jù)融合算法多種多樣，但還沒

24、有哪一算法能夠同時(shí)處理以上數(shù)據(jù)層面所面臨的全部挑戰(zhàn)。未來一個(gè)重要的發(fā)展趨勢(shì)是把各種算法按照優(yōu)勢(shì)互補(bǔ)原則有機(jī)結(jié)合起來，以克服單獨(dú)使用一種算法所存在的不足。模糊證據(jù)理論作為模糊集與D-S證據(jù)理論的結(jié)合，可以處理不確定性、模糊性以及異構(gòu)性并存的數(shù)據(jù)，因此研究一種改進(jìn)的模糊集與證據(jù)理論的結(jié)合算法，提高融合結(jié)果的準(zhǔn)確度，是一個(gè)非常具有實(shí)際意義的研究方向。參考文獻(xiàn)1 溫景榮，武穆清，宿景芳. 信息物理融合系統(tǒng). 自動(dòng)化學(xué)報(bào), 2012, 38(4)：507-5172 黎作鵬，張?zhí)祚Y，張菁. 信息物理融合系統(tǒng)（cps）研究綜述. 計(jì)算機(jī)科學(xué), 2011, 38(9)：25-313 王中杰，謝璐璐. 信息物理

25、融合系統(tǒng)研究綜述. 自動(dòng)化學(xué)報(bào), 2011, 37(10)：1157-11664 潘泉，王增福，梁彥等. 信息融合理論的基本方法與進(jìn)展(). 控制理論與應(yīng)用，2012，29(10)5 B. Khaleghi, A. Khamis, O. Karray, et al. Multi-sensor data fusion: A review of the state-of-the-art. Information Fusion，2013，14：28446 G. Shafer. A Mathematical Theory of Evidence. Princeton University Press,

26、 19767 Pierre Dodin, Julien Verliac, Vincent Nimier. Analysis of the multi-sensor multi-target tracking resource allocation problem. In: Proceedings of 2000 International Conference on Information Fusion. France: Paris, 2000, 823-8288 L.A. Zadeh. Fuzzy sets as a basis for a theory of possibility. Fu

27、zzy Sets and Systems, 1978, 1(1): 3-289 李輝，潘愷，張新. 基于模糊理論的多傳感器信息融合算法. 計(jì)算機(jī)工程與應(yīng)用，2012，48（10）10 韓峰，楊萬海，袁曉光. 基于模糊集合的證據(jù)理論信息融合方法. 控制與決策，2010，25(3)：449-45211 韓靜，陶云剛. 基于DS證據(jù)理論和模糊數(shù)學(xué)的多傳感器數(shù)據(jù)融合算法. 儀器儀表學(xué)報(bào)，2000，21(6)：644-64712 H. Zhu, O. Basir. A novel fuzzy evidential reasoning paradigm for data fusion with appli

28、cations in image processing，Soft Computing Journal-A Fusion of Foundations，Methodologies and Applications，2006，10 (12)：1169118013 Ning Chen, Fuchun Sun, Linge Ding, et al. An adaptive Neural Network Approach to Target Classification Using Information Fusion with Multiple Sensors. Neural Comput & App

29、lic, 2009, 18：45546714 O. Basir, F. Karray, H. Zhu. Connectionist-Based DempsterShafer Evidential Reasoning for Data Fusion. IEEE Transactions on Neural Networks, 2005, 16(6): 1513-153015 Lefevre E, Colot O, Vannoorenbergue P. Belief Function Combination and Conflict Management. Information Fusion,

30、2002, 3(2): 149-16216 Marcos N. , Azcarraga A. Belief-Evidence Fusion in a Hybrid Intelligent System. Proceedind of the Seventh Tnternation Conference on Information Fusion. Stockholm, Sweden, 2004, 322-32917 Jousselme A L, Grenier D, Bosse E. A New Distance between Two Bodies of Evidence. Informati

31、on Fusion, 2001, 2(1): 99-101 18 Yee Leung, Nan-Nan Ji, Jiang-Hong Ma. An integrated information fusion approach based on the theory of evidence and group decision-making. Informat. Fusion, 2012, 1-1319 Y. Xia and M.S.Kamel, Novel cooperative neural fusion algorithms for image restoration and image

32、fusion, IEEE Transactions on Image Process 16 (2007), 367-381.20 M. Fontani, T. Bianchi, A. D. Rosa, A. Piva and M. Barni, A Framework for decision fusion in image forensics based on Dempster-Shafer theory of evidence, IEEE Transaction on Information and Security 8(4) (2013), 593-607.21 W. Huang and

33、 Z. L. Jing, Multi-focus image fusion using pulse coupled neural network, Pattern Recognition Letters 28 (2007), 1123-1132.22 M. A. Ashraf, A new multiple decisions fusion rule for targets detection in multiple sensors distributed detection systems with data fusion, Information Fusion 18 (2014), 175

34、-186.23 O. Basir and X. H. Yuan, Engine fault diagnosis based on multiple sensor information fusion using Dempster-Shafer evidence theory, Information Fusion 38(10) (2007), 379-386.24 L.A. Zadeh, A simple view of the Dempster-Shafer theory and its implications for the rule of combination, Artificial

35、 intelligence 2(7) (1986), 85-90.25 P. Smets, The combination of evidence in the transferable belief model, IEEE Trans on Pattern Analysis and Machine Intelligence 12(5) (1990), 447-458.26 R.R. Yager, On the Dempster-Shafer framework and new combination rules, Information Science 41(2) (1989), 93-13

36、7. 27 W. Q. Wang, Y.J. Zhao and J. Huang, A new evidence combination scheme for decision assistant, In Proceeding of the International Conference on Cyber-Enabled Distributed Computing and Knowledge Discover, IEEE, 2012, pp. 53-57.28 F. Cuzzolin, Three alternative combinatorial formulations of the t

37、heory of evidence, Intelligent Data Analysis 14 (2010), 439464.29 C. K. Murphy, Combining belief functions when evidence conflicts, Decision Support System 29(1) (2000), 1-9.30 Y. Deng, W.K. Shi, Z.F. Zhu and Q. Liu, Combining belief functions based on Distance of evidence, Decision Support Systems 38(3) (2004), 489-493. 31 J. P. Yang, H. Z. Huang, Q. Miao and R. Sun, A novel