多傳感器數(shù)據(jù)融合技術

多傳感器

數(shù)據(jù)融合技術引言基本原理、融合過程及關鍵技術數(shù)據(jù)融合系統(tǒng)的結構及功能模型數(shù)據(jù)融合方法應用研究方向和存在問題1、引言1.1定義數(shù)據(jù)融合，是多元信息綜合處理的一項新技術,它有多種譯名,如多傳感器相關、多源相關、多傳感器融合、信息融合等。數(shù)據(jù)融合從20世紀70年代末被提出，多年來“融合”一詞幾乎無限制地被眾多領域所引用。數(shù)據(jù)融合比較確切的定義可概括為:充分利用不同的時間和空間的多傳感器信息資源,采用計算機技術對按時序獲得的多傳感器觀測信息在一定的準則下加以自動分析、綜合、支配和使用,獲得被測對象的一致性解釋與描述,以完成所需的決策和估計任務,使系統(tǒng)獲得比它的各個組成部分更優(yōu)越的性能。1.2內容數(shù)據(jù)關聯(lián):確定從多傳感器來的數(shù)據(jù)是否反映同一個目標。多傳感器ID/軌跡估計:假設從多源來的報告反映的是同一目標,對這些數(shù)據(jù)進行綜合以改進對該目標的估計,或是改進對整個當前/未來情況的估計。采集管理:給定傳感器環(huán)境的一種認識狀態(tài),通過分配多個信息捕獲和處理源,以最大限度地發(fā)揮其性能,從而使其操作成本降到最低。簡言之,傳感器的數(shù)據(jù)融合功能主要包括多傳感器的目標探測、數(shù)據(jù)關聯(lián)、跟蹤與識別、情況評估和預測。1.3特點生存能力強；擴展了空間覆蓋范圍；擴展了時間的覆蓋范圍；提高了可信度；降低了信息的模糊度；改進了探測性能；提高了空間分辨率；增加了測量維數(shù)；2、基本原理、融合過程及關鍵技術2.1基本原理多傳感器數(shù)據(jù)融合就像人腦綜合處理信息一樣,其基本原理就是充分利用多傳感器資源，通過對這些傳感器及觀測信息的合理支配和使用，把多傳感器在空間或時間上的冗余或互補信息依據(jù)某種準則進行組合，以獲得被測對象的一致性解釋或描述。數(shù)據(jù)融合的目的是通過數(shù)據(jù)信息組合而不是出現(xiàn)在輸入數(shù)據(jù)中的任何個別信息，推導出更多的信息，得到最佳協(xié)同作用的結果。也就是利用多個傳感器共同或聯(lián)合操作的優(yōu)勢，提高傳感器系統(tǒng)的有效性，消除單個或少量傳感器的局限性。在多傳感器數(shù)據(jù)融合系統(tǒng)中，各種傳感器的數(shù)據(jù)可以具有不同的特征，可能是實時的或非實時的、模糊的或確定的、互相支持的或互補的，也可能是互相矛盾或競爭的。2.2融合過程數(shù)據(jù)融合過程主要包括多傳感器(信號獲取)、數(shù)據(jù)預處理、數(shù)據(jù)融合中心(特征提取、數(shù)據(jù)融合計算)和結果輸出等環(huán)節(jié),其過程如下圖所示。2.3關鍵技術

數(shù)據(jù)融合的關鍵技術主要是數(shù)據(jù)轉換、數(shù)據(jù)相關、態(tài)勢數(shù)據(jù)庫和融合計算等,其中融合計算是多傳感器數(shù)據(jù)融合系統(tǒng)的核心技術。①對多傳感器的相關觀測結果進行驗證、分析、補充、取舍、修改和狀態(tài)跟蹤估計。②對新發(fā)現(xiàn)的不相關觀測結果進行分析和綜合。③生成綜合態(tài)勢,并實時地根據(jù)多傳感器觀測結果通過數(shù)據(jù)融合計算,對綜合態(tài)勢進行修改。3、數(shù)據(jù)融合系統(tǒng)的結構及功能模型3.1結構3.2功能模型4、數(shù)據(jù)融合方法表1各種融合方法的比較融合方法運行環(huán)境信息類型信息表示不確定性融合技術適用范圍加權平均動態(tài)冗余原始讀數(shù)值加權平均低層數(shù)據(jù)融合卡爾曼濾波動態(tài)冗余概率分布高斯噪聲系統(tǒng)模型濾波低層數(shù)據(jù)融合貝葉斯估計靜態(tài)冗余概率分布高斯噪聲貝葉斯估計高層數(shù)據(jù)融合統(tǒng)計決策理論靜態(tài)冗余概率分布累加噪聲極值決策高層數(shù)據(jù)融合證據(jù)推理靜態(tài)冗余互補命題邏輯推理高層數(shù)據(jù)融合模糊推理靜態(tài)冗余互補命題隸屬度邏輯推理高層數(shù)據(jù)融合神經(jīng)元網(wǎng)絡動、靜態(tài)冗余互補神經(jīng)元輸入學習誤差神經(jīng)元網(wǎng)絡低P高層產(chǎn)生式規(guī)則靜態(tài)冗余互補命題置信因子邏輯推理高層數(shù)據(jù)融合4.1綜合平均法該方法是把來自多個傳感器的眾多數(shù)據(jù)進行綜合平均。它適宜于用同樣的傳感器檢測同一個檢測目標。如果對一個檢測目標進行了k次檢測,其平均值

Wi為分配給第i次檢測的權數(shù)。4.2貝葉斯估計法貝葉斯推理技術主要用來進行決策層融合，它是通過先驗信息和樣本信息合成為后驗分布，對檢測目標作出推斷。

4.2D-S(Dempster-Shafer)證據(jù)推理法是貝葉斯推理的擴充,其3個基本要點是:基本概率賦值函數(shù)mi、信任函數(shù)Beli和似然函數(shù)Plsi。D-S方法的推理結構是自下而上的,分3級,推理結構如圖5所示4.3模糊邏輯法針對數(shù)據(jù)融合中所檢測的目標特征具有某種模糊性的現(xiàn)象,有人利用模糊邏輯方法來對檢測目標進行識別和分類。建立標準檢測目標和待識別檢測目標的模糊子集是此方法的研究基礎。但模糊子集的建立,需要有各種各樣的標準檢測目標,同時又必須建立合適的隸屬函數(shù)。而確定隸屬函數(shù)比較麻煩,目前還沒有規(guī)范的方法可遵循。又由于標準檢測目標子集的建立受到各種條件的限制,往往誤差較大。

4.4神經(jīng)網(wǎng)絡方法一個人工神經(jīng)網(wǎng)絡(AN)由多層處理單元或節(jié)點組成,可以用各種方法互聯(lián)，圖6表示一個具有3層節(jié)點的AN,輸入向量是與目標有關的測量參數(shù)集,輸入的數(shù)據(jù)向量經(jīng)過AN非線性變換,得到一個輸出向量,輸出向量可能是目標身份。這樣一種變換能夠產(chǎn)生從數(shù)據(jù)到標識分類的映射,也就把多傳感器的數(shù)據(jù)變換為一個實體的聯(lián)合標識,這是一種特有的并行學習方式,完全不同于傳統(tǒng)的基于統(tǒng)計理論的數(shù)據(jù)融合法。5、應用4.1應用領域隨著多傳感器數(shù)據(jù)融合技術的發(fā)展,應用的領域也在不斷擴大,多傳感器融合技術已成功地應用于眾多的研究領域。工業(yè)過程監(jiān)視系統(tǒng)智能檢測系統(tǒng)工業(yè)機器人空中交通管制全局監(jiān)視自備式運載器軍事應用4.2