多传感器数据融合技术PPT.ppt

多 传 感 器数 据 融 合 技 术 引言 基本原理、融合过程及关键技术 数据融合系统的结构及功能模型 数据融合方法 应用 研究方向和存在问题 1、引 言 1.1 定义 数据融合，是多元信息综合处理的一项新技术,它有多种译名,如多传感器相关、多源相关、多传感器融合、信息融合等。数据融合从20 世纪70 年代末被提出，多年来“融合”一词几乎无限制地被众多领域所引用。 数据融合比较确切的定义可概括为:充分利用不同的时间和空间的多传感器信息资源,采用计算机技术对按时序获得的多传感器观测信息在一定的准则下加以自动分析、综合、支配和使用,获得被测对象的一致性解释与描述,以完成所需的决策和估计任务,使系统获得比它的各个组成部分更优越的性能。 1.2 内容 数据关联:确定从多传感器来的数据是否反映同一个目标。 多传感器ID/轨迹估计:假设从多源来的报告反映的是同一目标,对这些数据进行综合以改进对该目标的估计,或是改进对整个当前/未来情况的估计。 采集管理: 给定传感器环境的一种认识状态,通过分配多个信息捕获和处理源,以最大限度地发挥其性能,从而使其操作成本降到最低。 简言之,传感器的数据融合功能主要包括多传感器的目标探测、数据关联、跟踪与识别、情况评估和预测。 1.3 特点 生存能力强； 扩展了空间覆盖范围； 扩展了时间的覆盖范围； 提高了可信度； 降低了信息的模糊度； 改进了探测性能； 提高了空间分辨率； 增加了测量维数； 2.3 关键技术 数据融合的关键技术主要是数据转换、数据相关、态势数据库和融合计算等,其中融合计算是多传感器数据融合系统的核心技术。 ①对多传感器的相关观测结果进行验证、分析、补充、取舍、修改和状态跟踪估计。 ②对新发现的不相关观测结果进行分析和综合。 ③生成综合态势, 并实时地根据多传感器观测结果通过数据融合计算, 对综合态势进行修改。 3、数据融合系统的结构及功能模型 3.1 结构 3.2 功能模型 4、数据融合方法 表1 各种融合方法的比较 融合方法 运行环境 信息类型 信息表示 不确定性 融合技术 适用范围 加权平均 动态 冗余 原始读数值 加权平均 低层数据融合 卡尔曼滤波 动态 冗余 概率分布 高斯噪声 系统模型滤波 低层数据融合 贝叶斯估计 静态 冗余 概率分布 高斯噪声 贝叶斯估计 高层数据融合 统计决策理论 静态 冗余 概率分布 累加噪声 极值决策 高层数据融合 证据推理 静态 冗余互补 命题 逻辑推理 高层数据融合 模糊推理 静态 冗余互补 命题 隶属度 逻辑推理 高层数据融合 神经元网络 动、静态 冗余互补 神经元输入 学习误差 神经元网络 低P高层 产生式规则 静态 冗余互补 命题 置信因子 逻辑推理 高层数据融合 4.1 综合平均法 该方法是把来自多个传感器的众多数据进行综合平均。它适宜于用同样的传感器检测同一个检测目标。如果对一个检测目标进行了k次检测,其平均值 Wi 为分配给第i 次检测的权数。 4.2 贝叶斯估计法 贝叶斯推理技术主要用来进行决策层融合，它是通过先验信息和样本信息合成为后验分布，对检测目标作出推断。 4.2 D-S (Dempster-Shafer) 证据推理法 是贝叶斯推理的扩充, 其3个基本要点是: 基本概率赋值函数mi 、信任函数Beli 和似然函数Plsi 。D-S 方法的推理结构是自下而上的,分3级,推理结构如图5所示 4.3 模糊逻辑法 针对数据融合中所检测的目标特征具有某种模糊性的现象,有人利用模糊逻辑方法来对检测目标进行识别和分类。建立标准检测目标和待识别检测目标的模糊子集是此方法的研究基础。但模糊子集的建立,需要有各种各样的标准检测目标,同时又必须建立合适的隶属函数。而确定隶属函数比较麻烦,目前还没有规范的方法可遵循。又由于标准检测目标子集的建立受到各种条件的限制,往往误差较大。 4.4 神经网络方法 一个人工神经网络(AN) 由多层处理单元或节点组成, 可以用各种方法互联，图6 表示一个具有3层节点的AN , 输入向量是与目标有关的测量参数集, 输入的数据向量经过AN 非线性变换, 得到一个输出向量, 输出向量可能是目标身份。 这样一种变换能够产生从数据到标识分类的映射, 也就把多传感器的数据变换为一个实体的联合标识, 这是一种特有的并行学习方式, 完全不同于传统的基于统计理论的数据融合法。 5、应 用 4.1 应用领域 随着多传感器数据融合技术的发展, 应用的领域也在不断