信息融合的分类方法.docx

一、信息融合技术分类：多源信息融合技术分为假设检验型信息融合技术、滤波跟踪型信息融合技术、聚类分析型信息融合技术、模式识别型信息融合技术、人工智能型信息融合技术等。1、假设检验型信息融合技术假设检验型信息融合技术是以统计假设检验原理为基础，信息融合中心选择某种最优化假设检验判决准则执行多传感器数据假设检验处理，获取综合相关结论。2、滤波跟踪型信息融合技术滤波跟踪型信息融合技术是将卡尔曼滤波(或其他滤波)航迹相关技术由单一传感器扩展到多个传感器组成的探测网，用联合卡尔曼滤波相关算法执行多传感器滤波跟踪相关处理。3、聚类分析型信息融合技术聚类分析型信息融合技术是以统计聚类分析或模糊聚类分析原理为基础，在多目标、多传感器大量观测数据样本的情况下，使来自同一目标的数据样本自然聚集、来自不同目标的数据样本自然隔离，从而实现多目标信息融合。4、模式识别型信息融合技术模式识别型信息融合技术是以统计模式识别或模糊模式识别原理为基础，在通常的单一传感器模式识别准则基础上建立最小风险多目标多传感器模式识别判决准则，通过信息融合处理自然实现目标分类和识别。5、人工智能信息融合技术人工智能信息融合技术将人工智能技术应用于多传感器信息融合，对于解决信息融合中的不精确、不确定信息有着很大优势，因此成为信息融合的发展方向。智能融合方法可分为：基于专家系统的融合方法；基于神经网络的融合方法；基于生物基础的融合方法；基于模糊逻辑的融合方法等。二、按融合判决方式分类：多源信息融合的融合判决方式分为硬判决方式和软判决方式。所谓硬判决或软判决指的是数据处理活动中用于信号检测、目标识别的判决方式。每个传感器内部或信息融合中心都既可选用硬判决方式，也可选用软判决方式。1、硬判决方式硬判决方式设置有确定的预置判决门限。只有当数据样本特征量达到或超过预置门限时，系统才做出判决断言；只有当系统做出了确定的断言时，系统才向更高层次系统传送”确定无疑”的判决结论。这种判决方式以经典的数理逻辑为基础，是确定性的。2、软判决方式软判决方式不设置确定不变的判决门限。无论系统何时收到观测数据都要执行相应分析，都要做出适当评价，也都向更高层次系统传送评判结论意见及其有关信息，包括评判结果的置信度。这些评判不一定是确定无疑的，但它可以更充分地发挥所有有用信息的效用，使信息融合结论更可靠更合理。三、按信息融合处理层次分类：按信息融合处理层次分类，多源信息融合可分为数据层信息融合、特征层信息融合、决策层信息融合等。1、数据层信息融合数据层信息融合联合来自每一个传感器的原始数据，其优点是信息丰富，结果精确，但是通讯和运算量大，数据需要预处理，传感器之间往往要求同质或者同等精度。主要的数学方法是：加权平均法、卡尔曼滤波[147,148]、贝叶斯估计、参数估计法等，与信号处理有一定的相似性。2、特征层信息融合特征层融合联合从观测量中提取的特征向量，既保持足够数量的重要信息，又实现信息压缩，有利于实时性；但是不可避免地会有某些信息损失，精确性有所下降，因而需对传感器预处理提出较严格的要求。主要的数学方法是：分离性判据方法，搜索树方法，模拟退火方法，遗传算法等[149]，与模式识别有一定的相似性。3、决策层信息融合决策层融合联合各传感器的判决形成最终的推理和决策，它具有很强的灵活性和很小的通讯带宽，没有同质传感器的要求，前提是需要很多预处理。主要的数学方法是：投票表决法[150,151]，贝叶斯方法，模糊积分法，证据理论方法，模糊逻辑法等。如果进一步按照信息融合过程的输入输出关系来分，可以把这三个融合层次进一步细分为五种融合过程[152,153]：数据输入－数据输出融合(Data in-data out)、数据输入－特征输出融合(Data in-feature out)、特征输入－特征输出融(Feature in-featureout)、特征输入－决策输出融合(Feature in-decision out)、决策输入－决策输出融合(Decision in-decision out)。这种描述能够清楚的解释在输入输出数据之间存在的差异。四、按信息融合结构模型分类多源信息融合结构模型可分为集中式、分布式和混合式。1、集中式信息融合结构每个传感器获得的观测数据都被不加分析地传送给上级信息融合中心，在那里进行数据对准、点迹相关、数据互联、航迹滤波、预测与综合跟踪，一次性地提供信息融合结论输出。这种结构特点是信息损失小，对系统通信要求较高，融合中心计算负担重，系统的生存能力也较差。2、分布式信息融合结构每个传感器都先对原始观测数据进行初步分析处理，做出本地判决结论，只把这种本地判决结论及其有关信息，或经初步分析认定可能存在某种结论但又不完全可靠的结论及其有关信息，向信息融合中心呈报；然后再由信息融合中心在更高层次