信息融合技術(shù)

1、信息融合技術(shù)1引言融合(Fusion)的概念開始出現(xiàn)于70年代初期，當(dāng)時(shí)稱之 為多源相關(guān)、多源合成、多傳感器混合或數(shù)據(jù)融合(Datn Fusion),現(xiàn)在多稱之為信息融合(Information Fusion)或數(shù)據(jù)融 合。融合是指采集并集成各種信息源、多媒體和多格式信 息，從而生成完整、準(zhǔn)確、及時(shí)和有效的綜合信息過程。數(shù) 據(jù)融合技術(shù)結(jié)合多傳感器的數(shù)據(jù)和輔助數(shù)據(jù)庫的相關(guān)信息 以獲得比單個(gè)傳感器更精確、更明確的推理結(jié)果。經(jīng)過融合 的多傳感器信息具有以下特征:信息的冗余性、互補(bǔ)性、協(xié)同 性、實(shí)時(shí)性以及低成本性。多傳感器信息融合與經(jīng)典信號處理方法之間存在本質(zhì) 的區(qū)別，其關(guān)鍵在于信息融合所處理的多傳感

2、器信息具有更 為復(fù)雜的形式，而且可以在不同的信息層次上出現(xiàn)。2信息融合的結(jié)構(gòu)模型由于信息融合研究內(nèi)容的廣泛性和多樣性，目前還沒有 統(tǒng)一的關(guān)于融合過程的分類。2.1按照信息表征層次的分類系統(tǒng)的信息融合相對于信 息表征的層次相應(yīng)分為三類:數(shù)據(jù)層融合、特征層融合和決策 層融合。數(shù)據(jù)層融合通常用于多源圖像復(fù)合、圖像分折與理解等 方面，采用經(jīng)典的檢測和估計(jì)方法。特征層融合可劃分為兩 大類:一類是目標(biāo)狀態(tài)信息融合，目標(biāo)跟蹤領(lǐng)域的大體方法都 可以修改為多傳感器目標(biāo)跟蹤方法;另一類是目標(biāo)特性融合， 它實(shí)質(zhì)上是模式識別問題，具體的融合方法仍是模式識別的 相應(yīng)技術(shù)。決策層融合是指不同類型的傳感器觀測同一個(gè)目標(biāo)，每

3、 個(gè)傳感器在本地完成處理，其中包括頂處理、特征抽取、識 別或判決，以建立對所觀察目標(biāo)的初步結(jié)論。然后通過關(guān)聯(lián) 處理、決策層觸合判決，最終獲得聯(lián)合推斷結(jié)果。2.2JDL 模型（Joint Directors of Laboratories, JDL）和入 -JDL模型該模型將融合過程分為四個(gè)階段:信源處理，第一層 處理（即目標(biāo)提?。⒌诙犹幚恚磻B(tài)勢提?。?、第三層提取（即 威脅提?。┖偷谒膶犹崛。催^程提取）。模型中的每一個(gè)模塊 都可以有層次地進(jìn)一步分割，并且可以采用不同的方法來實(shí) 現(xiàn)它們。X-JDL模型為JDL模型的簡化，把0層包含進(jìn)了 1層, 4層融入其他各層中。 2.3按照數(shù)據(jù)流融合的位

4、置進(jìn)行分類多傳感器融合系統(tǒng) 中的一個(gè)關(guān)鍵問題是在何處對數(shù)據(jù)流進(jìn)行融合。按照融合位 置的不同可以將融合結(jié)構(gòu)分為以下三種類型:集中式融合、分 布式多傳感器融合和無中心融合結(jié)構(gòu)。對于特定的信息融合 應(yīng)用不可能找到一種最優(yōu)的融合結(jié)構(gòu)，結(jié)構(gòu)的選擇必須綜合 考慮計(jì)算資源、可用的通信帶寬、精度要求、傳感器能力等3信息融合的典型方法數(shù)據(jù)融合技術(shù)綜合了多種傳統(tǒng)的學(xué)科，包括:數(shù)字信號處 理，統(tǒng)計(jì)估算，控制理論，人工智能和經(jīng)典數(shù)字方法。融合 方法研究的內(nèi)容是與信息融合有關(guān)的算法。比較典型的融合 方法有:加權(quán)平均、卡爾曼濾波、貝葉斯估計(jì)、統(tǒng)計(jì)決策理論、 DS證據(jù)推理、模糊推理、小波變換和神經(jīng)網(wǎng)絡(luò)技術(shù)。加權(quán)平均方法是對

5、一組冗余的原始傳感數(shù)據(jù)進(jìn)行加權(quán) 平均處理，處理的結(jié)果作為最后融合的結(jié)果?？柭鼮V波是用測量模型的統(tǒng)計(jì)特性遞推決定最優(yōu)融 合數(shù)據(jù)的估計(jì)。貝葉斯估計(jì)理論是將多傳感器作為不同的貝 葉斯估計(jì)器，由他們組成一個(gè)決策系統(tǒng)，然后利用某一種決 策規(guī)則來選擇對被測對彖的最佳假設(shè)估計(jì)。在DS證據(jù)推理中，每一個(gè)傳感器相當(dāng)于一個(gè)證據(jù)體， 多傳感器信息融合實(shí)質(zhì)就是在同一鑒別框架下，將不同特征 的證據(jù)體合并成一個(gè)新的證據(jù)體的過程。這種方法要求所使 用的依據(jù)必須相互獨(dú)立。模糊推理利用模糊集合和隸屬函數(shù)來表示不確定性推 理。該方法運(yùn)用模糊集合的知識通過綜合考慮客觀證據(jù)與人 的主觀評判，將主客觀之間的信息進(jìn)行最佳的匹配，由此獲

6、 得問題的最優(yōu)解。人工神經(jīng)網(wǎng)絡(luò)具有分布式存儲(chǔ)和并行處理方式、自組織 和自學(xué)習(xí)的功能以及很強(qiáng)的容錯(cuò)性和魯棒性等優(yōu)點(diǎn)。將神經(jīng) 網(wǎng)絡(luò)用于多傳感器信息融合技術(shù)，首先要根據(jù)系統(tǒng)的要求以 及傳感器的特點(diǎn)選擇合適的神經(jīng)網(wǎng)絡(luò)模型，然后再對建立的 神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行離線學(xué)習(xí)。確定網(wǎng)絡(luò)的聯(lián)接權(quán)值和聯(lián)接結(jié) 構(gòu)，最后把得到的網(wǎng)絡(luò)用于實(shí)際的信息融合當(dāng)中。小波分析具有良好的信號時(shí)域局部化特征，能處理信號 的局部特征信息。將小波分析引入遙感數(shù)據(jù)融合，是目前正 在探索的課題之一。由于處理對彖和處理過程的復(fù)雜性，而且每種方法都有 自己的適用范圍，目前還沒有一套系統(tǒng)的方法可以很好地解 決多傳感器融合中出現(xiàn)的所有問題。比較理想的解決

7、方案就 是多種融合方法的綜合使用。4典型應(yīng)用多傳感器信息融合在軍事、工業(yè)、醫(yī)學(xué)、交通和金觸等 領(lǐng)域也有著十分廣泛的應(yīng)用前景。下面介紹多傳感器信息融 合在幾個(gè)特定領(lǐng)域的應(yīng)用，主要有:信號檢測、跟蹤、機(jī)器人 導(dǎo)航、圖像融合等。對于信號檢測，多采用并行或串行的結(jié) 構(gòu)。并用Nyman- Pearson準(zhǔn)則或貝葉斯公式得到最優(yōu)化的決 策規(guī)則。對于目標(biāo)跟蹤的融合包括兩個(gè)主要的操作:估計(jì)和關(guān) 聯(lián)。分布式跟蹤問題的兩個(gè)主要方法是聯(lián)合概率的數(shù)據(jù)關(guān)聯(lián) 和多假設(shè)跟蹤。機(jī)器人導(dǎo)航所采用的主要方法有:卡爾曼濾 波、基于規(guī)則的技術(shù)、基于行為的算法以及從信息論中借鑒 的方法（DS推理、摸糊邏輯和神經(jīng)網(wǎng)絡(luò)）。圖像融合的目的

8、是利用多傳感器提供的關(guān)于統(tǒng)一場景的多幅圖像得到這個(gè) 場景的完整理解，不僅是在位置和幾何上，更重要的是從語 義上的解釋。采用的工具有:貝葉斯框架下的概率論、模糊集 理論、證據(jù)理論、馬爾可夫隨機(jī)場以及和其它領(lǐng)域（如人工智 能）相結(jié)合的方法。圖像融合中的難點(diǎn)是如何建立一個(gè)合適的 模型，即如何從圖像信息中尋找估計(jì)的條件概率、模糊隸屬 度函數(shù)和信任度函數(shù)。具體的應(yīng)用包括:圖像定位、圖像復(fù)原、 圖像解釋、圖像分割等。5發(fā)展方向雖然信息融合的應(yīng)用研究已是如此廣泛，但至今仍未形 成基本的理論框架和有效的廣義融合模型及算法。正在進(jìn)行 的研究有新算法的形成、己有算法的改進(jìn)以及如何綜合這些 技術(shù)以形成統(tǒng)一的結(jié)構(gòu)用于

9、多樣的信息融合應(yīng)用。建立融合 系統(tǒng)的關(guān)鍵技術(shù)和難點(diǎn)是如何獲得可靠的隸屬度和基本概 率賦值等。另外，信息融合學(xué)科一直缺少對算法的嚴(yán)格的測 試或評價(jià)，以及如何在理論和應(yīng)用之間進(jìn)行轉(zhuǎn)換。數(shù)據(jù)融合 團(tuán)體需要使用高標(biāo)準(zhǔn)的算法、測試和評估準(zhǔn)則、標(biāo)準(zhǔn)測試的 產(chǎn)生和適于實(shí)際應(yīng)用的技術(shù)的系統(tǒng)評價(jià)。交叉學(xué)科的交流和研究將進(jìn)一步促進(jìn)信息融合技術(shù)的 發(fā)展，人工智能和神經(jīng)網(wǎng)絡(luò)方法將繼續(xù)成為信息融合研究的 熱點(diǎn)。神經(jīng)網(wǎng)絡(luò)會(huì)在目標(biāo)識別和魯棒多傳感器系統(tǒng)兩個(gè)領(lǐng)域 里發(fā)揮重要的作用。參考文獻(xiàn)1 Lambert, D.A.; Grand challenges of information fusion. Information Fusion, 2003. Proceedings ofthe Sixth International Con