多传感器数据融合目标识别算法综述.doc

多传感器数据融合作为一种特殊的数据处理于段在H标识别领域得到了较大的重视和发展。在介 绍多传感器数据融合H标识别基木原理及其算法理论依据基础上，从概念分类方面，对H前多传感器数据 融合H标识别算法进行了全面综述，包括参数分类算法、基于认识模型的算法、物理模型算法及多类算法 综合识别法等，说明了各算法待点及对其的进一步改进，列举了目前国内外一些己经发表的朿要算法，为 下一步多传感器融合目标识别研究提供了一定的理论依据。 引言 众所周知，在高科技信息对抗环境下，各种监测设备功能不断增加，检测到的信息复杂 多变且I I益增多。另一方面由于各种隐身、干扰和欺骗等反对抗技术的应用，人为干扰的加 重，对独立单波段H标识别已提出了严峻的挑战，仅依靠单一传感器难以保证目标识别系统 高性能稳定T作，这就使得多传感器数据融合作为一种特殊的数据处理手段在目标识别领域 引起了世界乞国的重视。 在对目标进行识别时，单个传感器提取的特征往往因其白身的探测特点不能获得对目标 的完全描述，不 能充分利用与li标有关的信息，影响了特征集的有效性和可靠性，使得目标识别系统的 性能不理想，而利用多个传感器提取独立、互补的特征向量，采取综合处理的技术途径，可 获得对目标较为完全的描述，从而有利于提高识别的正确概率，降低错谋概率。利用多种类 传感器进行目标综合识别具有以下主要优点：⑴拓展了识别系统的时间、空间覆盖范围， 提高了识别系统的生存能力；⑵可发挥各传感器的优点，取长补短以提高目标识别率；⑶ 多传感器抗干扰的性能大大优于单个传感器，能够降低或消除非目标物体的欺骗和干扰；(4) 可改善识别系统稳定性，大大提高识别结果的有效性、可靠性。 识别原理 图1多传感器数据融合目标识别原理框图 图1多传感器数据融合目标识别原理框图 Figi. Theory block diagram of multi-sensor data fusion target recognition 多传感器数据融合目标识别原理框图如图I所示。单个传感器先度量和处理待识别目标 的属性，对接收到的目标信息进行采集和预处理，得到表不观测数据的特征向量，然麻进行 特征提取和选择并将其结果作为识别基础，继而对单个传感器的目标进行分类识别和麻续处 理，再将多个传感器提供的关于目标身份的信息进行综合处理(即进行数据对准与关联)，产 生比系统中任一单传感器更有效、更精确的身份估计和分类判决，报终稳定有效地给出目标 的识别结果。 按信息抽彖稈度，从输入信息的形式来看，多传感器数据融合可分为三种结构层次：数 据层融合，特征层融合和决策层融合。 数据层融合是对每个传感器的观测数据进行特征抽取，属于低层次的融合。将所有 特征参数融合麻得到关于目标的一个融合的特征向量。数据级融合处理的数据量大，代价高。 并且受传感器稳定性的 影响，数据级融合很难获得稳定一致的综合信息，具有较大的局限性。 特征层融合属于中层融合。首先对单传感器数据进行特征抽取得到一个特征向量, 再对备组特征信息进行融合。该层次兼容了数据层融合及决策层融合的优缺点，具有较大的 应用范围。 决策层融合高层次的数据融合。并传感器的数据通过乞白独立预处理，并对目标属 性进行独立决策，得出一个独立的身份判定，然后进行融合，获得敕体一致的决策结果，有 较好的容错性。另外，决策级融合对原始传感信息无特殊要求，可使用异质传感器，适应范 围广。 理论依据 多传感器数据融算法主要是基于以下儿种理论： 判断或检测理论是通过把被测对象的测量值与被选假设进行比较，以确定哪个假设 能最佳地描述观测值(如Baye理论就是川测最值的概率描述和先验概率来计算每个假设的 概率值)。 估计理论需要与该参量相关的多个观测变量的测量值来实现估计。据概率理论，采 用儿种最优化准则来实现估计(如观测残差的平方和最小法、加权的最小平方法和似然函数 极大法等)。 关联理论对所有的测最值的相关性进行度量，在相关的基础上把测量值按数据源分 成若干集合，可将来白多传感器的数据源的测量值按来源不同分成不同的集合，实现关联处 理。 算法种类 多传感器数据融合H标识别涉及到多方面的理论和技术，并没有完全统一确定的识别算 法，需要针对不同的应用背景，选择相应的融合识别算法。按算法概念分类,主要包括参数 分类算法、基于认识模型的算法、物理模型算法及多类算法综合识别法等。 参数分类算法 参数分类算法是最常见，也是应用最广、研究最深入的一类算法。该算法寻求一个标识 说明使Z依赖于参数数据，在参数数据和一个标识说明问建立一个右?接的映像。该算法可进 一步分为基于统计的算法和基于信息论技术的算法。 统计算法主要包括经典推理法、Bayes推理算法、基于D. S证据理论法等。 经典推理法 经典推理法描述在给出日标存在的假设条件下，所