第7章 软件、服务和算法技术-《物联的网技术基础教程》.ppt

7.3.5数据融合的层次结构 像素级融合 7.3.5数据融合的层次结构 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息。 7.3.5数据融合的层次结构 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。 特征层融合 7.3.5数据融合的层次结构 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。 决策层融合 7.3.6 多传感器数据融合算法 在多传感器系统中，由于信息表现形式的多样性，数据量的巨大性，数据关系的复杂性，以及要求数据处理的实时性、准确性和可靠性，都已大大超出了人脑的信息综合处理能力，在这种情况下，多传感器数据融合技术应运而生。 多传感器数据融合(Multi-Sensor Data Fusion ，MSDF)，简称数据融合；也被称为多传感器信息融合(Multi-Sensor Information Fusion ，MSIF)。 7.3.6 多传感器数据融合算法 在多传感器系统中，由于信息表现形式的多样性，数据量的巨大性，数据关系的复杂性，以及要求数据处理的实时性、准确性和可靠性，都已大大超出了人脑的信息综合处理能力，在这种情况下，多传感器数据融合技术应运而生。 多传感器数据融合(Multi-Sensor Data Fusion ，MSDF)，简称数据融合；也被称为多传感器信息融合(Multi-Sensor Information Fusion ，MSIF)。 目前已有大量的多传感器数据融合算法，基本上可概括为两大类： 一是随机类方法，包括加权平均法、卡尔曼滤波法、贝叶斯估计法、D-S证据推理等。 二是人工智能类方法，包括模糊逻辑、神经网络等。 不同的方法适用于不同的应用背景。神经网络和人工智能等新概念、新技术在数据融合中将发挥越来越重要的作用。 7.3.6 多传感器数据融合算法 1. 多传感器数据融合概念 多传感器数据融合比较确切的定义可概括为： 充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 7.3.6 多传感器数据融合算法 2.多传感器数据融合原理 （1）N个不同类型的传感器（有源或无源的）收集观测目标的数据； （2）对传感器的输出数据（离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明）进行特征提取的变换，提取代表观测数据的特征矢量Yi； 7.3.6 多传感器数据融合算法 （3）对特征矢量Yi进行模式识别处理（如，聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等）完成各传感器关于目标的说明； （4）将各传感器关于目标的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。 7.3.6 多传感器数据融合算法 3. 多传感器数据融合方法 多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类： 随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer（D-S）证据推理、产生式规则等； 而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。 7.3.6 多传感器数据融合算法 4. 应用领域 （1）军事应用 （2）复杂工业过程控制 （3）机器人 （4）遥感 （5）交通管理系统 （6）全局监视 7.3.7 传感网数据融合路由算法 比较典型的数据融合路由协议有：基于数据融合树的路由协议、基于分簇的路由协议，以及基于节点链的路由协议。 从网络层来看，数据融合通常和路由的方式有关，例如以地址为中心的路由方式（最短路径转发路由），路由并不需要考虑数据的融合。 然而，以数据为中心的路由方式，源节点并不是各自寻找最短路径路由数据，而是需要在中间节点进行数据融合，然后再继续转发数据。 7.3.7 传感网数据融合路由算法 以地址为中心的路由与以数据为中心的路由的区别 7.3.7 传感网数据融合路由算法