《数据融合技术简介.docx》由会员分享，可在线阅读，更多相关《数据融合技术简介.docx（4页珍藏版）》请在三一文库上搜索。
1、数据融合技术简介数据融合技术是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理技术。数据融合的概念虽始于7 0年代初期，但真正的技术进步和发展乃是8 0年代的事11,尤其是近几年来引起了世界范围内的普遍关注，美、英、日、德、意等发达国家不但在所部署的一些重大研究项目上取得了突破性进展，而且已陆续开发出一些实用性系统投入实际应用和运行。我国 “八五 ”规划亦已把数据融合技术列为发展计算机技术的关键技术之一，并部署了一些重点研究项目，尽可能给予了适当的经费投入。但这毕竟是刚刚起步，我们所面临的挑战和困难是十分严峻的，当然也有机遇并存
2、。这就需要认真研究，针对我国的国情和军情，采取相应的对策措施，以期取得事半功倍的效果。数据融合可分为：（ 1 ）像素级融合：它是直接在采集到的原始数据层上进行的融合，在各种传感器的原始测报未经预处理之前就进行数据的综合与分析。数据层融合一般采用集中式融合体系进行融合处理过程。 这是低层次的融合，如成像传感器中通过对包含若一像素的模糊图像进行图像处理来确认目标属性的过程就属于数据层融合。（ 2 ）特征层融合：特征层融合属于中间层次的融合，它先对来自传感器的原始信息进行特征提取（特征可以是目标的边缘、方向、速度等），然后对特征信息进行综合分析和处理。特征层融合的优点在于实现了可观的信息压缩，有利于
3、实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度的给出决策分析所需要的特征信ho特征层融合一般采用分布式或集中式的融合体系。特征层融合可分为两大类：一类是目标状态融合；另一类是目标特性融合。（ 3 ）决策层融合决策层融合通过不同类型的传感器观测同一个目标，每个传感器在本地完成基本的处理，其中包括预处理、特征抽取、识别或判决，以建立对所观察目标的初步结论。然后通过关联处理进行决策层融合判决，最终获得联合推断结果。数据融合作为一种数据综合和处理技术，实际上是许多传统学科和新技术的集成和应用，其中涉及的知识包括通信、模式识别、决策论、不确定性理论、信号处理、估计理论、最优化技
4、术、计算机科学、人工智能、神经网络等，特别是神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。多传感器数据融合技术的核心问题是选择合适的融合算法，由于信息的多样性和复杂性，对数据融合方法的基本要求是具有鲁棒性和并行处理能力。具体的数据融合的方法很多【3】 【 4】 ，常用的方法大体上可分成三大类：（ 1 ）基于统计理论的融合方法基于统计理论的融合方法有：经典推理法、贝叶斯估计法和证据理论法（ Dempster-Shafer） 。经典推理法在早起的数据融合中得到了广泛的应用，由于其完全依赖数学理论，则形式简单、易操作，缺点是必须要求先验知识和计算先验概率密度分布函数，
5、同时一次仅能估计两个假设，特别是用于多变量统计时计算更加复杂。贝叶斯推理技术比经典推理法有了较大的进步，它可以处理多个假设问题，贝叶斯估计法传感器信息依据概率原则进行组合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进行融合，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。但其定义先验似然函数比较困难，缺乏很好的表述及分配总体不确定性的能力等。D-S 证据推理是贝叶斯推理的重要推广扩充，其主要有三个基本要点：基本概率赋值函数、信任函数和似然函数，其用置信区间代替概率，用集合表示事件，用D-S 组合规则代替贝叶斯公式来更新置信函数。其自上而
6、下的推理结构是分为目标合成、推断和更新三级。D-S理论优点是解决了一般水平的不确定性分配问题，能够很好地表示“不确定性”、 “不知道 ”等认知学上的重要概念，因此具有很大的应用前景。（ 2）基于信息论的融合方法基于信息论的融合方法包括模板法、聚类分析法和人工神经网络等，这些方法的共同点是将自然分组和目标类型相联系。模板法通过对观测数据与先验模板匹配处理，来确定观测数据是否支持已有模板所表征的假设。其根据具体的时域、频域或小波域的数据或图像与预先存储的目标特征或预测的目标模型作比较，通过计算预测数据和实测数据的关联，若两者的相关系数超过了一个预先设定的阂值，则认为两者存在匹配关系。模板法由于计算
7、量大，在非实时环境中有很好的效果，而在实时环境中可能无法满足要求。聚类分析法根据预先指定的相似标准把观测分为一些自然组或聚集，再把自然组与目标预测类型相关，需要定义一个相似性函数或关联度量以提供一个表示任何两个特征向量之间“ 接近” 程度或不相似程度的值，缺点是本身的启发性使得数据排列方式、相似性参数的选择、聚类算法的选择等都对聚类有影响。人工神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器数据融合技术处理的要求。神经网络根据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布
8、上，同时，可以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。利用神经网络的信号处理能力和自动推理功能，即实现了多传感器数据融合。当输入数据中混有噪声时，人工神经网络的优点更加突出。（ 3）基于认识模型的融合方法基于认识模型的融合方法试图模仿人类辨别实体的过程，其中有模糊集合理论、逻辑模板法和专家系统等。模糊集合理论应用广义的集合论来确定指定集合所具有的隶属关系。模糊集理论对模糊集及其元素提供了一个集合变换代数算法（如并集、逻辑或等）。其建立在一组可变的模糊“ IF-THEN ”规则基础上的。这些规则的来源既可以是专家的信息也可以是通过输入一输出数据对的映射得到。“ IF-THEN
9、 ”规则的模糊概念是以隶属函数来表达的，通过使某些指标函数取得最优值，以获得最佳辨识效果。该方法的难点在于如何构造合理有效的隶属函数和指标函数。逻辑模板法是基于逻辑的识别技术的总称，其主要将通过模糊逻辑推理方法应在在系统匹配模型中，主要用于时间探测或态势估计所进行的多传感器数据融合的应用中。专家系统试图模拟专家对专业进行决策和推理的能力，其知识库包含事实、经验规则和启发性信息，使用观测数据，再根据知识库进行推理。专家系统或知识库系统适于实现较高水平的推理。由于专家系统方法依赖于知识的表示，因此其先验知识库的有效建立决定了专家系统应用的成败。数据融合的算法非常多，除了以上常见的数据融合方法外，还
10、有基本的加权平均法、卡尔曼滤波法、品质因数法，随着科学技术的飞速发展，一些智能方法如粗集理论、小波分析理论和支持向量机等也不断的出现，必将在多传感器数据融合中将起到越来越重要的作用【5】 。数据融合技术通过组合获得比单传感器数据更准确的信息，即通过各个传感器之间的协调和性能互补来提高整个多传感器系统的性能。从目前来看，应用数据融合技术主要有以下几个优点【6】 ：（ 1）可以提高信息的可信度由于多传感器数据融合技术拓展了时空分辨力，其利用多种传感器能够更加准确地获得环境目标的某一特征或一组相关特征，降低了目标位置估计和属性估计的不确定性，使整个系统所获得的综合信息具有更高的精度及可靠性。（ 2）
11、改进了系统探测性能由于多传感器数据融合技术对目标的多种测量的有效融合，在相同的时间内能获得更多的信息，特别是在测量运动速度快的目标时，提高了系统探测的有效性，弥补了手段缺乏而 引起的不足。（ 3）提供稳定的工作性能多传感器数据融合技术利用系统固有的冗余度，减少了关于目标或事件的假设集合，对同一目标或事件的多次同一传感器在不同的时序上或多个同一时刻不同传感器独立测量进行有效综合分析和处理，可以提高系统检测的有效性和生存能力。（ 4）提高了系统容错能力由于多个传感器所采集的信息具有冗余性，当系统中有一个甚至几个传感器出现故障时，尽管某些信息容量减少了，但仍可由其它传感器获得有关信息，使系统继续运行
12、，故经过数据融合处理无疑会使系统在利用这些信息时具有很好的容错性能。（ 5）实现信息的智能化处理多传感器数据融合技术为多信息源复杂系统的智能控制与决策奠定了基础。可以是信息处理更方便、快捷和智能化，数据融合技术可以进行更复杂信号的检测处理，提高系统检测的准确性。随着多传感器数据融合技术的发展，应用的领域也在不断扩大，多传感器融合技术已成功地应用于众多的研究领域。多传感器数据融合作为一种可消除系统的不确定因素、提供准确的观测结果和综合信息的智能化数据处理技术，己在军事、工业监控、智能检测、机器人、图像分析、目标检测与跟踪、自动目标识别等领域获得普遍关注和广泛应用。数据融合必将成为未来复杂工业系统
13、智能检测与故障诊断的重要技术。另外，如何将基于模糊逻辑、神经网络、遗传算法、粗集理论、支持向量机、小波变换等智能方法有机结合起来实现对当前数据融合算法的改进，也是将来的一个重要的发展趋势。1 计算机世界报1994年第4期2何友,王国宏,陆大金,等 .多传感器信息融合及应用M. 北京 :电子工业出版社, 2000:1-23 杨万海.多传感器数据融合及其应用M. 西安 :西安电子科技大学出版社，20044宋明,王耀南.复杂工业系统的多传感器信息融合智能技术研究J.计算技术与自动化，2003,22（2）:130-133.5胡丹丹，肖书明，王燕?#等.基于多传感器的数据融合技术J.东北电力学院学报，2004, 24（1）:62-67.6肖兵,蒋艳,瞿彬彬.多传感器数据融合性能评估结构的设计J. 武汉理工大学学报，2006, 28（12）:12-14.