传感器数据融合.docx

传感器数据融合技术数据融合也称为信息融合，是将来自多个传感器或多源的信息进行综合处理，从而得出更为全面、准确和可靠的结论。数据融合出现于２０世纪７０年代，源于当时军事领域的需要，称为多源相关、多传感器混合数据融合，并于２０世纪８０年代建立其技术。美国是数据融合技术起步最早的国家，在随后的十几年时间里各国的研究开始逐步展开，并相继取得了一些具有重要影响的研究成果。和国外相比，我国在数据融合领域的研究起步较晚。海湾战争结束以后，数据融合技术引起国内有关单位和专家的高度重视。一些高校和科研院所相继对数据融合的理论、系统框架和融合算法展开了大量研究，但基本上处于理论研究的层次，在工程化、实用化方面尚未取得有成效的突破，许多关键技术问题尚待解决。多传感器数据融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息与先验知识进行融合的能力，以便对周围的环境和正在发生的事件作出估计。多传感器数据融合的基本原理就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对这些传感器及其获得信息的合理支配和使用，把其在时间或空间上的冗余或互补信息依据某种准则来进行综合，以获得被测对象的一致性解释或描述，使该系统由此而获得比它的各组成部分的子集所构成的系统具备更优越的性能。具体而言，多传感器数据融合基本原理如下：１）多个不同类型的传感器获取目标的数据；２）对输出数据进行特征提取，从而获得特征矢量；３）对特征矢量进行模式识别，完成各传感器关于目标的属性说明；４）将各传感器关于目标的属性说明数据按同一目标进行分组，即关联；５）利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。在各种系统中，靠单一的传感器不能满足对目标、环境的识别和控制的要求。若对不同传感器采集的数据单独、孤立地进行加工，不仅会导致数据处理工作量的剧增，而且割断了各传感器数据之间的有机联系，丢失数据有机组合蕴涵的特征，造成数据资源的浪费。因此，要对多传感器的数据进行综合处理即数据融合，从而得出更为准确、可靠的结论，使系统圆满地完成各种操作任务。归纳起来，多传感器数据融合的主要特点有：１）提高了对环境描述的能力；２）提高了系统的分辨能力和运行效率；３）提高了系统的可靠性和容错能力；４）在时间上和空间上扩展了观测的范围；５）增强了数据的可信度并降低了系统成本。由于数据的多样化，所以需要按照数据的类型和采集方式或工程需求等特点，根据具体问题及特定对象建立自己的融合层次。针对其在军事上的应用将数据融合划分为检测层、位置层、属性层、态势评估和威胁估计；根据数据融合功能的抽象层次和数据流通方式及传输形式，把数据融合分为高层次和低层次处理等。可见，数据融合层次的划分没有统一标准，一般来说目标属性级融合有三种基本结构：数据层融合、特征层融合和决策层融合结构。数据层融合——这是最低层次的融合。它首先将全部传感器的观测数据直接融合，然后对融合的数据进行特征提取和特征说明，并进行判断识别。这便要求传感器是同质的，若多个传感器是异质的，那么数据只能在特征层或决策层进行融合。其优点是能保持尽可能多的现场数据，提供其他融合层次所不能提供的细微信息。特征层融合——这是中间层次的融合。在这种方法中，每个传感器观测目标，并从观测数据中提取有代表性的特征，获得特征矢量，而后融合这些特征矢量，并做出基于联合特征矢量的属性说明。特征层融合是从传感器提供的原始数据中进行特征提取，因此，在融合前进现了一定的数据压缩，有利于实时处理，但由于数据的丢失使其准确性有所下降。决策层融合——这是最高层次的融合。在这种方法中，每个传感器观测目标，并将采集的信息进行特征提取，产生特征矢量，完成关于目标的说明，然后对各自传感器的说明结果进行融合，得到目标的一致性解释与描述。这种融合方式具有好的容错性和实时性，可以应用于异质传感器，而且在一个或多个传感器失效时也能正常工作，其缺点是预处理代价高。由于对传感器的数据进行了浓缩，这种方法产生的结果相对而言最不准确，但它对通信带宽的要求最低。数据融合的不同层次对应不同的算法，传统算法为数据融合技术奠定了不可或缺的理论基础，但近年来出现的一些新的基于统计推断、人工智能以及信息论等新方法，正成为推动数据融合技术向前发展的重要力量。下面我们重点谈一下证据组合方法进行多传感器数据融合。贝叶斯估计法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。证据理论法是贝叶斯方法的推广，但比贝叶斯法具有更多优点，贝叶斯方法需要先验概率，而运用证据理论法可以巧妙的解决这一问题，它是一种不确定情况下进行推理的强有力方法。多传感器数据融合最初是围绕军用系统开展研究的，此后，该项技术在军事和非军事领域的工