《信息融合算法.docx》由会员分享，可在线阅读，更多相关《信息融合算法.docx（8页珍藏版）》请在三一文库上搜索。
1、信息融合算法1概述信息融合又称数据融合，是对多种信息的获取、表示及其内在联 系进行综合处理和优化的技术。经过融合后的传感器信息具有以下特 征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。1、组合：由多个传感器组合成平行或互补方式来获得多组数据 输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式 的协调、综合以及传感器的选择。在硬件这一级上应用。2、综合：信息优化处理中的一种获得明确信息的有效方法。例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到 一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准 确的有立体感的物体的图像。3、融合：当将传感器数据组之间进
2、行相关或将传感器数据与系 统内部的知识模型进行相关，而产生信息的一个新的表达式。4、相关：通过处理传感器信息获得某些结果，不仅需要单项信 息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关 系，从而得到正确信息，剔除无用和错误的信息。相关处理的目的：对识别、预测、学习和记忆等过程的信息进行 综合和优化2技术发展现状信息融合技术的方法，概括起来分为下面几种：1）组合：由多个传感器组合成平行或互补方式来获得多组数据 输出的一种处理方法，是一种最基本的方式，涉及的问题有 输出方式的协调、综合以及传感器的选择。在硬件这一级上 应用。2）综合：信息优化处理中的一种获得明确信息的有效方法。 例:
3、 在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到 一个物体的不同侧面的两幅图像，综合这两幅图像可以复原 出一个准确的有立体感的物体的图像。3）融合：当将传感器数据组之间进行相关或将传感器数据与系 统内部的知识模型进行相关，而产生信息的一个新的表达式。4）相关：通过处理传感器信息获得某些结果，不仅需要单项信 息处理，而且需要通过相关来进行处理，获悉传感器数据组 之间的关系，从而得到正确信息，剔除无用和错误的信息。 相关处理的目的：对识别、预测、学习和记忆等过程的信息 进行综合和优化。3算法描述3.1 Bayes 融合Bayes融合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
4、概率分布，适用于具有可加高斯噪声的不确定性信息。假定完成任务所需的有关环境的特征物用向量f表示，通过传感器获得的数据信息用向量d来表示，d和f都可看作是随机向量。信息融 合的任务就是由数据d推导和估计环境 九假设p(f, d)为随机向量f 和d的联合概率分布密度函数，则p(f ,d) p(f |d) p(d) p(f |d) p(f)p(f| d)表示在已知d的条件下，f关于d的条件概率密度函数 p(f|d)表示在已知f的条件下，d关于f的条件概率密度函数 p(d)和p(f)分别表示d和f的边缘分布密度函数已知d时,要推断f,只须掌握p(f|d)即可,即p(f |d) p(d| f) p(f)
5、/p(d)信息融合通过 数据信息d做出对环境f的推断，即求解p(f|d)。 由Bayes公式知，只须知道p(f|d )和p(f)即可。因为p(d)可看作是使 p(f|d )?p成为概率密度函数的归一化常数，p(d|f)是在已知客观环境 变量f的情况下，传感器得到的d关于f的条件密度。当环境情况和 传感器性能已知时，p(f|d )由决定环境和传感器原理的物理规律完全 确定。而p(f)可通过先验知识的获取和积累，逐步渐近准确地得到， 因此，一般总能对p(f)有较好的近似描述。在传感器信息融合的实际应用过程中，通常的情况是在某一时刻 从多种传感器得到一组数据信息 d,由这一组数据给出当前环境的一 个
6、估计f。因此，实际中应用较多的方法是寻找最大后验估计 g,即p (g |d) maxp (f |d)即最大后验估计是在已知数据为 d的条件下，使后验概率密度 p取得最大值得点g,根据概率论，最大后验估计g满足p(g|d)?p (g) maxp (d f) ?p 当p为均匀分布时，最大后验估计g满足p (g |f) maxp (d | f)此时，最大后验概率 也称为极大似然估计。当传感器组的观测坐标一致时，可以用直接法对传感器测量数据 进行融合。在大多数情况下，多传感器从不同的坐标框架对环境中同 一物体进行描述，这时传感器测量数据要以间接的方式采用 Ba#s估 计进行数据融合。间接法要解决的问题
7、是求出与多个传感器读数相一 致的旋转矩阵R和平移矢量H。在传感器数据进行融合之前，必须确保测量数据代表同一实物， 即要对传感器测量进行一致性检验。常用以下距离公式来判断传感器 测量信息的一致：T -(x1 x2)T C 1 x1 x2式中X1和X2为两个传感器测量信号，C为与两个传感器相关联的 方差阵，当距离T小于某个阈值时，两个传感器测量值具有一致性。 这种方法的实质是剔除处于误差状态的传感器信息而保留“一致传感器”数据计算融合值。3.2 卡尔曼滤波用于实时融合动态的低层次冗余传感器数据， 该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。如果系统具有 线性动力学模型，且系统噪
8、声和传感器噪声可用高斯分布的白噪声模 型来表示，KF为融合数据提供惟一的统计意义下的最优估计，KF的递推特性使系统数据处理不需大量的数据存储和计算。KF分为分散卡尔曼滤波(DKF和扩展卡尔曼滤波(EKF)DKF可实现多传感器数据融 合完全分散化，具优点：每个传感器节点失效不会导致整个系统失效。 而EKF的优点：可有效克服数据处理不稳定性或系统模型线性程度的 误差对融合过程产生的影响。其缺点：需要对多源数据的整体物理规律有较好的了解，才能准确地获得p(d|f),但需要预知先验分布p(f)。3.3 概率统计法假设一组随机向量X1, X2,，xn分别表示n个不同传感器得到 的数据信息，根据每一个数据
9、 xi可对所完成的任务做出一决策di。xi 的概率分布为Pai(Xi),ai为该分布函数中的未知参数，若参数已知时， 则Xi的概率分布就完全确定了。用非负函数 L(a, di)表示当分布参数 确定为ai时，第i个信息源采取决策dj时所造成的损失函数。在实际 问题中，ai是未知的，因此，当得到x时，并不能直接从损失函数中 定出最优决策。先由Xi做出ai的一个估计，记为ai(Xi),再由损失函数L ai(Xi),di 决定出损失最小的决策。其中利用 Xi估计ai的估计量ai(Xi)有很多种 方法。概率统计方法适用于 分布式传感器目标识别 和跟踪信息融合问3.4 Dempster-Shafer证据推
10、理(简称D-S推理)假设F为所有可能证据所构成的有限集，为集合F中的某个元 素即某个证据，首先引入信任函数 B6 0, 1表示每个证据的信任 程B ( ) 0 B(F) 1B(A A2An)B(A)B(A Aj)( 1)n1B(AAn)ii j从上式可知，信任函数是概率概念的推广，因为从概率论的知识 出发，上式应取等号。B(A) B(A) 1m 0引入基础概率分配函数 m60, 1m/A 1m(A) 1A F由基础概率分配函数定义与之相对应的信任函数：B(A) m(C), A,C F C A当利用N个传感器检测环境M个特征时，每一个特征为F中的 一个元素。第i个传感器在第k-1时刻所获得的包括
11、k1时刻前关于 第j个特征的所有证据，用基础概率分配函数表示，其中i=1, 2,， m。第i个传感器在第k时刻所获得的关于第j个特征的新证据用基 础概率分配函数表示。由和可获得第i个传感器在第k时刻关于第j个特征的联合证据。类似地，利用证据组合算法，由和可获得在k时刻关于第j个特征的第i个传感器和第i+1个传感器的联合证据。如 此递推下去，可获得所有 N个传感器在k时刻对j特征的信任函数， 信任度最大的即为信息融合过程最终判定的环境特征。D-S证据推理优点：算法确定后，无论是静态还是时变的动态证 据组合，其具体的证据组合算法都有一共同的算法结构。但其缺点:当对象或环境的识别特征数增加时，证据组
12、合的计算量会以指数速度 增长。3.5人工智能网络通过模仿人脑的结构和工作原理，设计和建立相应的机器和模型 并完成一定的智能任务。神经网络根据当前系统所接收到的样本的相似性， 确定分类标准c 这种确定方法主要表现在 网络权值分布上，同时可采用神经网络特定 的学习算法来获取知识，得到不确定性推理机制。神经网络多传感器 信息融合的实现，分三个重要步骤：?根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；?各传感器的输入信息综合处理为一总体输入函数，并将此函数映射定义为相关单元的映射函数 ，通过神经网络与环境的 交互作用把环境的统计规律反映网络本身结构；?对传感器输出信息进行学习、理解，确定权值的分配，完成 知识获取信息融合，进而对输入模式做出解释，将输入数据 向量转换成高层逻辑（符号）概念。基于神经网络的传感器信息融合特点:?具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器信息进行融合，获得相应网络的参数，并且可将知 识规则转换成数字形式，便于建立知识库；?利用外部环境的信息，便于实现知识自动获取及并行联想推 理；?能够将不确定环境的复杂关系，经过学习推理，融合为系统 能理解的准确信号；?由于神经网络具有大规模并行处理信息能力，使得系统信息 处理速度很快。