多传感器数据融合技术的理论及应用.docx

多传感器数据融合技术的理论及应用张宁110101256摘要：多传感器数据融合技术是一门兴前沿技术。近年来，多传感器数据融合技术已经受到广泛关注，它的理论和方法已经被应用到很多争论领域。本文主要论述了多传感器数据融合的根本概念、工作原理、数据融合特点与构造、数据融合方法及其应用领域，并总结了当前数据融合争论中存在的主要问题及其进展趋势。关键词：多传感器；数据融合；融合方法1 引言多传感器数据融合是一个兴的争论领域，是针对一个系统使用多种传感器这一特定问题而开放的一种关于数据处理的争论。多传感器数据融合技术是近几年来进展起来的一门实践性较强的应用技术，是多学科穿插的技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。近年来，多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。多传感器数据融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于简单工业过程掌握、机器人、自动目标识别、交通管制、惯性导航、海洋监视和治理、农业、医疗诊断、模式识别等领域。实践证明：与单传感器系统相比， 运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增加系统生存力量，提高整个系统的牢靠性和鲁棒性，增加数据的可信度，并提高精度，扩展整个系统的时间、空间掩盖率，增加系统的实时性和信息利用率等。2 根本概念及融合原理2.1 多传感器数据融合概念数据融合又称作信息融合或多传感器数据融合，对数据融合还很难给出一个统 一、全面的定义。随着数据融合和计算机应用技术的进展，依据国内外争论成果， 多传感器数据融合比较精准的定义可概括为：充分利用不同时间与空间的多传感器数据资源，承受计算机技术对时间序列获得的多传感器观测数据，在肯定准则下进展分析、综合、支配和使用，获得对被测对象的全都性解释与描述，进而实现相应的决策和估量，使系统获得比它的各组成局部更充分的信息。2.2 多传感器数据融合原理多传感器数据融合技术的根本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间和时间上冗余或互补信息依据某种准则来进展组合，以获得被测对象的全都性解释或描述。具体的说，多传感器数据融合原理如如下：1N 个不同类型的传感器有源或无源的收集观测目标的数据；（2） 对传感器的输出数据离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明进展特征提取的变换，提取代表观测数据的特征矢量Yi；（3） 对特征矢量 Yi 进展模式识别处理，完成各传感器关于目标的说明；（4） 将各传感器关于目标的说明数据按同一目标进展分组，即关联；（5） 利用融合算法将每一目标各传感器数据进展合成，得到该目标的全都性解释与描述。3 多传感器数据融合方法利用多个传感器所猎取的关于对象和环境全面、完整的信息，主要表达在融合算法上。因此，多传感器系统的核心问题是选择适宜的融合算法。对于多传感器系统来说，信息具有多样性和简单性，因此，对信息融合方法的根本要求是具有鲁棒性和并行处理力量，此外，还有方法的运算速度和精度；与前续预处理系统和后续预处理信息识别系统的接口功能；与不同技术和方法的协调力量；对信息样本的要求等。一般状况下，基于非线性的数学方法，假设它具有容错性、自适应性、联想记忆和并行处理力量，则都可以用来作为融合方法。多传感器的常用方法根本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估量法、证据推理，产生式规章等；而人工智能类则有模糊规律理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等概念、技术在多传感器数据融合中将起到越来越重要的作用。3.1 随机类方法3.1.1 加权平均法信号级融合方法最简洁、最直观方法是加权平均法，该方法将一组传感器供给的冗余信息进展加权平均，结果作为融合值，该方法是一种对数据源进展操作的方法。3.1.2 卡尔曼滤波法卡尔曼滤波法主要用于融合低层次多传感器实时动态冗余数据。该方法用测量模型的统计特性递推，打算统计意义下的最优融合和数据统计。假设系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据供给唯一统计意义下的最优估量，卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。但是，承受单一的卡尔曼滤波器对多传感器组合系统进展数据统计时，存在很多严峻的问题，例如：1在组合信息大量冗余的状况下，计算量将以滤波器维数的三次方剧增，实时性不能满足；2传感器子系统的增加使故障随之增加，在某一系统消灭故障而没来得及被检测出时，故障会污染整个系统，使牢靠性降低。3.1.3 多贝叶斯估量法贝叶斯估量为数据融合供给了一种手段，是融合静环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进展组合，测量不确定性以条件概率表示，当传感器组的观测坐标全都时，可以直接对传感器的数据进展融合，但大多数状况下，传感器测量数据要以间接方式承受贝叶斯估量进展融合。多贝叶斯估量将每一个传感器作为一个贝叶斯估量，将各个单独物体的关联概率分部合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，供给多传感器信息的最终融合值，融合信息与环境的一个先验模型供给整个环境的一个特征描述。3.1.4 D-S 证据推理方法D-S 证据推理是贝叶斯推理的扩大，其3 个根本要点是：根本概率赋值函数、信任函数和似然函数。D-S 方法的推理构造是自上而下的，分三级。第1 级为目标合成，其作用是把来自独立传感器的观测结果合称为一个总的输出结果ID；第 2 级为推断，其作用是获得传感器的观测结果并进展推断，将传感器观测结果扩展成目标报告。这种推理的根底是：肯定的传感器报告以某种可信度在规律上会产生可信的某些目标报告；第 3 级为更，各种传感器一般都存在随机误差， 所以，在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可 靠。因此，在推理和多传感器合成之前，要先组合更传感器的观测数据。3.1.5 产生式规章产生式规章承受符号表示目标特征和相应传感器信息之间的联系，与每一个规章相联系的置信因子表示它的不确定性程度。当在同一个规律推理过程中，2 个或多个规章形成一个联合规章时，可以产生融合。应用产生式规章进展融合的主要为题是每个规章的置信因子的定义与系统中其他规章的置信因子相关，假设系统中引入的传感器，需要参加相应的附加规章。3.2 人工智能类方法3.2.1 模糊规律推理模糊规律是多值规律，通过指定一个 0 到 1 之间的实数表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。假设承受某种系统化的方法对融合过程中的不确定性进展推理建模，则可以产生全都性模糊推理。与概率统计方法相比，规律推理存在很多优点，它在肯定程度上抑制了概率论所面临的问题，它对信息的表示和处理更加接近人类的思维方式，它一般比较适合于在高层次上的应用如决策，但是，规律推理本身还不够成熟和系统化，此外，由于规律推理对信息的描述存在很大的主观因素，所以，信息的表示和处理缺乏客观性。模糊集合理论对于数据融合的实际价值在于它外延到模糊规律，模糊规律是一种多值规律，隶属度可视为一个数据真值的不准确表示。在 MSF 过程中，存在的不确定性可以直接用模糊规律表示，然后， 使用多值规律推理，依据模糊集合理论的各种演算对各种命题进展合并，进而实现数据融合。3.2.2 人工神经网络法神经网络具有很强的容错性以及自学习、自组织及自适应力量，能够模拟简单的非线性映射。神经网络的这些特性和强大的非线性处理力量，恰好满足了多传感器数据融合技术处理的要求。在多传感器系统中，各信息源所供给的环境信息都具有肯定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络依据当前系统所承受的样本相像性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时，可以承受神经网络特定的学习算法来猎取学问，得到不确定性推理机制。利用神经网络的信号处理力量和自动推理功能，即实现了多传感器数据融合。4 应用领域随着多传感器数据融合技术的进展，应用的领域也在不断扩大，多传感器融合技术已成功地应用于众多的争论领域。多传感器数据融合作为一种可消退系统的不确定因素、供给准确的观测结果和综合信息的智能化数据处理技术，已在军事、工业掌握、智能检测、机器人、图像分析、目标检测与跟踪、自动识别等领域获得普遍关注和广泛应用。（1） 军事应用数据融合技术起源于军事领域，数据融合在军事上应用最早、范围最广，涉及战术或战略上的检测、指挥、掌握、通信和情报任务的各个方面。主要的应用是进展目标的探测、跟踪和识别，包括C31 系统、自动识别武器、自主式运载制导、遥感、战场监视和自动威逼识别系统等。（2） 简单工业过程掌握简单工业控过程掌握是数据融合应用的一个重要领域。目前，数据融合技术已在核反响堆和石油平台监视等系统中得到应用。融合的目的是识别引起系统状态超出正常运行范围的故障条件，并据此触发假设干报警器。通过时间序列分析、频率分析、小波分析，从各传感器猎取的信号模式中提取出特征数据，同时，将所提取的特征数据输入神经网络模式识别器，神经网络模式识别器进展特征级数据融合，以识别出系统的特征数据，并输入到模糊专家系统进展决策及融合；专家系统推理时，从学问库和数据库中取出领域学问规章和参数，与特征数据进展匹配融合；最终，决策出被测系统的运行状态、设备工作状况和故障等。（3） 机器人多传感器数据融合技术的另一个典型应用领域为机器人。目前，主要应用在移动机器人和遥操作机器人上，由于这些机器人工作在动态、不确定与非构造化的环境中，这些高度不确定的环境要求机器人具有高度的自治力量和对环境的感知力量，而多传感器数据融合技术正是提高机器人系统感知力量的有效方法。目前， 机器人学界提出向非构造化环境进军，其核心的关键之一就是多传感器系统和数据融合。（4） 遥感多传感器融合在遥感领域中的应用，主要是通过高空间区分力全色图像和低光谱区分力图像的融合，得到高空间区分力和高光谱区分力的图像，融合多波段和多时段的遥感图像来提高分类的准确性。（5） 交通治理系统数据融合技术可应用于地面车辆定位、车辆跟踪、车辆导航以及空中交通管制系统等。（6） 全局监视监视较大范围内的人和事物的运动和状态，需要运用数据融合技术。例如：依据各种医疗传感器、病例、病史、气候、季节等观测信息，实现对病人的自动监护； 从空中和地面传感器监视庄稼生长状况，进展产量推测；依据卫星云图、气流、温度、压力等观测信息，实现天气预报。5 存在问题及进展趋势数据融合技术方兴未艾，几乎一切信息处理方法都可应用于数据融合系统。随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术、并进展计算软件等相关技术的进展，尤其是人工智能技术的进步，的、更有效的数据融合方法将不断推出，多传感器数据融合必将成为将来简单工业系统智能检测与数据处理的重要技术，其应用领域将不断扩大。5.1 数据融合存在的问题（1） 尚未建立统一的融合理论和有效广义融合模型及算法；（2） 对数据融合的具体方法的争论尚处于初步阶段；（3） 还没有很好解决融合系统中的容错性或鲁棒性问题；（4） 关联的二义性是数据融合中的主要障碍；（5） 数据融合系统的设计还存在很多实际问题。5.2 数据融合进展趋势（1） 建立统一的融合理论、数据融合的体系构造和广义融合模型；（2） 解决数据配准、数据预处理、数据库构建、数据库治理、人机接口、通用软件包开发问题，利用成熟的关心技术，建立面对具体应用需求的数据融合系统；（3） 将人工智能技术引入到数据融合领域；利用集成的计算智能方法提高多传感融合的性能；（4） 解决不确定性因素的表达和推理演算。（5） 利用有关的先验数据提高数据融合的性能，争论更加先进简单的融合算法；（6） 在多平台/单平台、异类/同类多传感器的应用背景下，建立计算简单程度低，同时，又能满足任务要求的数据处理模型和算法（7） 构建数据融合测试评估平台和多传感器治理体系。（8） 将已有的融合方法工程化与商品化，开发能够供给多种简单融合算法的处理硬件，以便在数据猎取的同时就实时的完成融合。6 完毕语随着争论者的不断努力，不久的将来，数据融合的根底理论、兼有鲁棒性和准确性的融合算法将不断得到完善，实现技术将不断得到更，实际应用将不断的被扩展。多传感器数据融合技术必将不断的走向成熟。参考文献：1 周福娜，周梅，文成林. 多传感器数据融合效果分析J. 河南大学学报，2023,33(2):33-362 刘同明，夏祖勋，谢洪成.数据融合技术及其应用M.北京：国防工业出版社，1998.3 邓勇，施文康，朱振福.一种有效组合证据的方法J.红外与毫米波学报,2023,23(1) :45-504 何友，王国宏等. 多传感器信息融合及应用M. 北京：电子工业出版社，2023.5 David L. Hall,James Llinas. Handbook of Multisensor Data Fusion M. CRC Press LLC 2023.