信息融合技术 .pdfVIP

信息融合技术 　　1 引言 　　 　　融合(Fusion)的概念开始出现于70 年代初期，当时称之 为多源相关、多源合成、多传感器混合或数据融合(Data Fusion),现在多称之为信息融合(Information Fusion)或数据融 合。 　　融合是指采集并集成各种信息源、多媒体和多格式信 息，从而生成完整、准确、及时和有效的综合信息过程。数 据融合技术结合多传感器的数据和辅助数据库的相关信息 以获得比单个传感器更精确、更明确的推理结果。经过融合 的多传感器信息具有以下特征:信息的冗余性、互补性、协同 性、实时性以及低成本性。 　　多传感器信息融合与经典信号处理方法之间存在本质 的区别，其关键在于信息融合所处理的多传感器信息具有更 为复杂的形式，而且可以在不同的信息层次上出现。 　　 　　2 信息融合的结构模型 　　 　　由于信息融合研究内容的广泛性和多样性，目前还没有 统一的关于融合过程的分类。 　　2.1 按照信息表征层次的分类系统的信息融合相对于信 息表征的层次相应分为三类:数据层融合、特征层融合和决策 层融合。 　　数据层融合通常用于多源图像复合、图像分折与理解等 方面，采用经典的检测和估计方法。特征层融合可划分为两 大类:一类是目标状态信息融合，目标跟踪领域的大体方法都 可以修改为多传感器目标跟踪方法;另一类是目标特性融合， 它实质上是模式识别问题，具体的融合方法仍是模式识别的 相应技术。 　　决策层融合是指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处理，其中包括顶处理、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、决策层触合判决，最终获得联合推断结果。 　　 　　2.2JDL 模型 (Joint Directors of Laboratories, JDL)和λ- JDL 模型该模型将融合过程分为四个阶段:信源处理,第一层 处理(即目标提取) 、第二层处理(即态势提取) 、第三层提取 (即威胁提取)和第四层提取(即过程提取) 。模型中的每一个模 块都可以有层次地进一步分割，并且可以采用不同的方法来 实现它们。 　　λ-JDL 模型为 JDL 模型的简化，把 0 层包含进了 1 层， 　　4 层融入其他各层中。 　　 　　2.3 按照数据流融合的位置进行分类多传感器融合系统 中的一个关键问题是在何处对数据流进行融合。按照融合位 置的不同可以将融合结构分为以下三种类型:集中式融合、分 布式多传感器融合和无中心融合结构。对于特定的信息融合 应用不可能找到一种最优的融合结构，结构的选择必须综合 考虑计算资源、可用的通信带宽、精度要求、传感器能力等 　　 　　3 信息融合的典型方法 　　 　　数据融合技术综合了多种传统的学科，包括:数字信号处 理，统计估算，控制理论，人工智能和经典数字方法。融合 方法研究的内容是与信息融合有关的算法。比较典型的融合 方法有:加权平均、卡尔曼滤波、贝叶斯估计、统计决策理论、 D-S 证据推理、模糊推理、小波变换和神经网络技术。 　　加权平均方法是对一组冗余的原始传感数据进行加权 平均处理，处理的结果作为最后融合的结果。 　　卡尔曼滤波是用测量模型的统计特性递推决定最优融 合数据的估计。贝叶斯估计理论是将多传感器作为不同的贝 叶斯估计器，由他们组成一个决策系统，然后利用某一种决 策规则来选择对被测对象的最佳假设估计。 　　在 D-S 证据推理中，每一个传感器相当于一个证据体， 多传感器信息融合实质就是在同一鉴别框架下，将不同特征 的证据体合并成一个新的证据体的过程。这种方法要求所使 用的依据必须相互独立。 　　模糊推理利用模糊集合和隶属函数来表示不确定性推 理。该方法运用模糊集合的知识通过综合考虑客观证据与人 的主观评判，将主客观之间的信息进行最佳的匹配，由此获 得问题的最优解。 　　人工神经网络具有分布式存储和并行处理方式、自组织 和自学习的功能以及很强的容错性和鲁棒性等优点。将神经 网络用于多传感器信息融合技术，首先要根据系统的要求以 及传感器的特点选择合适的神经网络模型，然后再对建立的 神经网络系统进行离线学习。确定网络的联接权值和联接结 构，最后把得到的网络用于实际的信息融合当中。 　　小波分析具有良好的信号时域局部化特征，能处理信号 的局部特征信息。将小波分析引入遥感数据融合，是目前正 在探索的课题之一。 　　由于处理对象和处理过程的复杂性，而且每种方法都有 自己的适用范围，目前还没有一套系统的方法可以很好