多传感器数据融合技术研究和展望.docVIP

多传感器数据融合技术研究和展望 　　摘 要：多传感器数据融合是近年来的一个热点研究方向，具有广阔的应用前景。介绍了数据融合的概念与主要特点，总结了常用的数据融合过程与系统结构，以及几种经典的多传感器数据融合算法，介绍了多传感器数据融合技术的应用方向，并对未来的技术发展方向进行了展望。 　　关键词：多传感器；数据融合；结构；算法 　　中图分类号：TP274 文献标识码：A 文章编号：2095-1302（2015）05-00-03 　　0 引 言 　　随着电子信息技术的快速发展，各种大型电子系统不断涌现，其应用背景不断趋于复杂化，其功能实现需要各种多传感器数据系统支持，因此需要对各种不同的传感器和不同的信息源进行更加有效的融合集成。同时，随着现代战争的发展，多传感器数据融合技术在军事方面的作用愈加凸显，它结合利用了多种不同传感器的特点，可以多方位多角度获取目标不同类型的信息，提高C3I系统在各维度上的覆盖范围，提高对目标的检测和识别能力[1]。经过多年发展，多传感器数据融合技术已取得了长足的进步。在融合层级方面，形成了数据级融合、特征级融合与决策级融合三种层级。在系统结构方面，提出了集中式、分散式、分布式和混合式结构；在融合算法方面形成了加权平均方法、神经网络法、Kalman滤波法、贝叶斯估计法、D-S证据理论等算法。在应用方面，多传感器数据融合已广泛应用于军用和民用领域并取得了显著的效果。本文介绍了多传感器数据融合的过程和主要特点，总结了常用的数据融合系统结构与算法，概括了多传感器数据融合技术的应用情况，并针对现存问题对未来技术发展方向进行了展望。 　　1 融合模型 　　1.1 多传感器数据融合的一般过程 　　多传感器数据融合的一般过程大致如图1所示，首先传感器将测量环境中的被测对象转换为电信号，然后经过A/D变换将电信号转换为数字信号。数字信号经过预处理滤除干扰和噪声，再经过特征抽取后进行数据融合，最后输出融合结果。 　　图1 数据融合过程 　　1.2 多传感器数据融合的类别 　　数据融合通常可以根据处理阶段层次的不同分为数据级融合、特征级融合与决策级融合[2]，如图2所示。 　　图2 数据融合分类 　　（1）数据级融合 　　数据级融合是在各传感器原始数据的基础上进行的底层融合，如图3所示。数据级融合的优点是能够尽可能多地保持原始数据中的信息；缺点是数据量大、运算开销大，同时原始数据具有不确定性和不完全性。 　　图3 数据级融合 　　（2）特征级融合 　　特征级融合指的是首先对各个传感器的原始信息进行特征提取，然后再对特征信息进行融合的处理过程。特征级融合的优点在于通过对各传感器原始数据的处理实现了信息优选，降低了实时处理的压力。特征级融合是目前在实时系统中应用最为广泛的融合方式。特征级融合如图4所示。 　　（3）决策级融合 　　决策级融合的融合对象是对目标特征进行识别后的决策信息，直接为指挥控制决策提供依据，属于高层级融合。所以决策级融合应该从具体问题的需求出发，充分利用数据级融合和特征级融合所产生的目标的各类特征信息，利用一定的算法来实现。决策级融合的优点：实时性好、能有效反映出目标各不同类型的信息、具有一定的容错性，对传感器的依赖降低，具有较高的灵活性。决策级融合如图5所示。 　　图4 特征级融合 　　图5 决策级融合 　　1.3 数据融合的处理体系结构 　　多传感器数据融合处理在实现过程中通常具有分布式、集中式和混合式三种体系结构[3]。 　　集中式结构适合处理来自传感器的原始数据，其优点是数据信息损失较小，但对系统通信能力要求较高，融合计算的负担较重。集中式结构如图6所示。 　　图6 集中式处理结构 　　分布式结构适合处理的是经过一定预处理流程的数据，其特点是代价较低、通信量较小等。分布式结构如图7所示。 　　图7 分布式处理结构 　　混合式结构在实际应用中，常常采用混合式系统结构。混合式的融合系统保留了前两种系统的优点，但是其在通信和计算中代价较大。分布式结构如图8所示。 　　图8 分布式处理结构 　　1.4 融合方法 　　在多传感器数据融合系统中，需要大量采用各种数据融合方法对系统中的各类传感器数据进行有效处理。根据不同的应用背景需求，多传感器数据融合算法也多种多样，主要的融合方法有[4]： 　　（1）加权平均法 　　加权平均方法是最简单的数据融合算法，该方法对传感器数据进行加权平均，即得到融合结果。 　　（2）神经网络法 　　基于神经网络的多传感器数据融合算法通过利用大量具有非线性映射关系的神经元将数据信息转换为知识库；同时，可以自动进行知识获取及联想推理，能够将不确定的复杂数据经过学习与推理融合为系统能处理的数据。同时，神经网络可以大规模