2022年多传感器数据融合 .pdf

《2022年多传感器数据融合 .pdf》由会员分享，可在线阅读，更多相关《2022年多传感器数据融合 .pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、多传感器数据融合1 引言数据融合一词最早出现在20 世纪 70 年代末期。几十年来，随着传感器技术的迅速发展，尤其在军事指挥系统中对提高综合作战能力的迫切要求，使其得到了长足的发展。 其早期主要是应用在军事上， 而随着工业系统的复杂化和智能化，近年来该技术推广到了民用领域，如医疗诊断、空中交通管制、工业自动控制及机械故障诊断等。数据融合是针对一个系统中使用多个传感器这一问题而展开的一种信息处理的新的研究方向，所以数据融合也称为传感器融合。数据融合一直没有一个统一的定义，一般认为：利用计算机技术，对按时间顺序获得的若干传感器的观测信息，在一定的准则下加以自动分析、综合，从而完成所需要的决策和估计

2、任务而进行的信息处理过程称为数据融合。2 数据融合技术的分类多传感器数据融合涉及到多方面的理论和技术如信号处理、估计理论、不确定性理论、模式识别最优化技术、神经网络和人工智能等。很多学者从不同角度出发提出了多种数据融合技术方案。从技术原理角度，可分为假设检验型数据融合、滤波跟踪型数据融合、聚类分析型数据融合、模式识别型数据融合、人工智能型数据融合等；按判决方式分有硬判决型和软判决型数据融合；按传感器的类型分有同类传感器数据融合和异类传感器数据融合按对数据的处理方式，可分为象素级融合、特征级融合和决策级融合；从方法来分有Bayes推理法、表决法、D-S 推理法、神经网络融合法等。从解决信息融合问

3、题的指导思想或哲学观点加以划分，可分为嵌入约束观点、证据组合观点和人工神经网络观点三大类。3 常用的数据融合方法数据融合方法种类繁多，图1 归纳了常用的一些信息融合方法。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 5 页 - - - - - - - - - 3.1 估计方法加权平均法是一种最简单和直观的方法，即将多个传感器提供的冗余信息进行加权平均后作为融合值该方法能实时处理动态的原始传感器读数，但调整和设定权系数的工作量很大，并具有一定的主观性。极大似然估计法不仅对

4、任何总体皆可用，且在相当广泛的条件下用此法所获估计量具有一致性、渐近正态性及渐近最小方差性。尽管所获统计量不一定具有无偏性，但常可通过修正成为无偏估计量。然而不是所有待估计的参数都能求得似然估计量，且使用极大似然估计法求估计量时，往往要求解一个似然方程。最小二乘法的准则是选取X使得估计性能指标（估计误差的平方和）达到最小。当各次数据测量精度不等时，应采用加权处理，对精度较高的测量结果赋以较大的权。最小二乘法是以误差理论为依据，在诸数据处理方法中，误差最小，精确性最好。在实际工作中，常需要对新获得的数据进行实时处理，每增加一个数据都需要重新对所有的数据进行计算，计算量较大。卡尔曼滤波主要用于融合

5、低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。如果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提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统不需要大量的数据存储和计算。这种方法实时性好，适合于处理动态的、低层次、冗余的数据，缺点是仅仅能够处理线性问题，观测度不高，易发散。3.2 统计方法贝叶斯估计是融合静态环境中多传感器高层信息的常用方法。它把每个传感器看作是一个贝叶斯估计器，将每一个目标各自的关联概率分布综合成一个联合后验分布函数，随着观测值的到来，不断更新假设的联合分布的似然函数，并

6、通名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 5 页 - - - - - - - - - 过该似然函数的极大或极小进行数据的最后融合。贝叶斯推理解决了部分经典推理中的问题，其难点是定义先验似然函数，在存在多个潜在假设和多个条件独立事件时比较复杂，要求有些假设是互斥的和缺乏通用不确定性能力。经典推理和统计方法是在已知先验概率的情况下求所观察事件的概率。它建立在牢固的数学基础之上缺点是先验概率往往是不确知的；在一个时刻只有估计二值（H0和 H1 ）假设的能力； 对多变量情

7、况， 复杂性指数增加， 不存在先验似然估计的优点。D-S 证据理论是一种广义的贝叶斯推理方法，它采用概率区间和不确定区间来求取多证据下假设的似然函数，允许对部分数据支持和似是而非之间存在的不确定事件定义等级， 从而客观地描述不确定事件。 其优点是具有较强的理论基础，既能处理随机性导致的不确定性，又能处理模糊性导致的不确定性；可以依靠证据的积累，不断地缩小假设集；能将“不知道和“不确定”区分开来；不需要先验概率和条件概率密度。不足之处在于其组合规则无法处理证据冲突且无法分辨证据所在子集的大小，从而按不同的权重聚焦；其次，证据推理的组合条件十分严格，要求证据之间是条件独立的， 且辨识框架能够识别证

8、据的相互作用；第三，证据组合会引起焦元“爆炸” ，焦元以指数级数递增，增大计算量。品质因数是一种度量机制，它来源于一些直观的或具有启发式的证据，这些证据有助于在观测值与物体属性之间建立关联。品质因数技术就是试图在多个证据间找到某种关系，以改善输入数据之间关联和分类的效果。该方法常用于相关和自相关方案中，以进行联系程序的定量说明。品质因数算法相对简单，缺点是不能及时地反映出观测环境的影响。3.3 信息论方法聚类分析技术是一种启发性算法，用来把数据组合为自然组或者聚类。这些聚类可解释为一种分类或者识别形式。所有的聚类算法都需要定义一个相似性度量或者关联度量，以提供一个表示接近程度的数值，从而可以开

9、发一些算法，以对特征空间中的自然聚集组进行搜索。聚类分析能发掘出数据中的新关系，以导出识别范例，因而是一个有价值的工具。缺点是其算法的启发性质使得其应用存在很大的潜在倾向性。模板法使用预先建立的边界来确定身份分类。假设能把多维特征空间分解为不同区域，每一区域表示一个身份类别。通过特征提取处理建立一个特征向量，将该特征向量变换到特征空间中，与预先指定的位置比较，若观测落到一个身份类别的边界内，则认为该观测具有与其关联的身份类同样的身份。缺点是特征空间中所划分的体积相互覆盖使识别产生模糊性，并且该方法强烈依赖于特征的选择及它们在特征空间中的相互关联分布。熵理论法主要用于计算与假设有关的信息的度量，

10、主观和经验概率估计等。从把多个传感器的观测数据组成特征说明来看，熵理论法是在概念上最简单的方法，但是由于要对传感器输入加权以及应用了阈值和其他判定逻辑，从而增加了算法的复杂性。尽管如此，对于实时性要求很强的系统，当准确的先验统计不可利用，或者从整个成本效益观点来看，熵理论法仍具有较大的应用空间。3.4 人工智能方法名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 5 页 - - - - - - - - - 模糊逻辑是多值逻辑，用一个01之间的实数来表示真实度，相当于隐含算子

11、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。与概率统计方法相比， 模糊逻辑推理对信息的表示和处理更接近人类的思维方式，适合在高层次上的应用 （如决策）。但由于模糊推理对信息的描述存在较大的主观因素，所以信息的表示和处理缺乏客观性。产生式规则采用符号表示目标特征和相应传感器信息之间的联系，与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中，两个或多个规则形成一个联合规则时，可以产生融合。问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关，如果系统中引入新的传感器，需要加入相应的附加规则。神经网络具有很强的容错性以及自学习、自组织及自适应

12、能力，能够模拟复杂的非线性映射。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，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。神经网络根据当前系统所接受的样本相似性确定分类标准，主要表现在网络的权值分布上，同时，可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能来实现多传感器数据融合，缺点是计算量大。遗传算法是一种基于自然选择和自然遗传的全局优化算法。特点是采用群体方式对目标函数空间进行多线索的并行搜索，不会陷入局部极小点；只需可行解目标函数的值，而不需其他信息，对目标函数的连续性、可微性没有要求，使用方便；解

13、的选择和产生用概率方式，因此，具有强的适应能力和鲁棒性。缺点在于收敛速度慢、易陷入局部最优。模糊积分的实质就是求得在客观证据对决策假设的实际估计与其期望值间的最大一致性。模糊积分是定义在模糊测度基础上的一种非线性函数，它具有融合多元信息的能力， 常用的模糊积分有Sugeno积分和 Choquet积分，主要用于决策支持、自动控制等。 Sugeno的模糊积分是定义在模糊测度上的非线性函数，特点是直接排除了次要因素的影响，与加权平均相比，强化了主要因素的作用，但却忽视次要因素的影响。 Choquet 模糊积分考虑了各种影响因素，以避免 Sugeno模糊积分的缺陷，而广义Choquet 模糊积分及其在

14、信息融合中的应用近年来得到了较广泛的关注。综上所述，单一的数据融合算法具有一定的局限性，将多种算法进行优势集成已逐渐成为数据融合算法的研究热点。4.1 遗传算法和模糊聚合相结合遗传算法是一种并行化算法，可较好地解决多参数优化问题，且其算子能更好的模拟模糊关系，从而达到较高精度。将其与模糊理论相结合可在信息源的可靠性、信息的冗余、互补性以及进行融合的分级结构不确定情况下，以近似最优方式对传感器数据进行融合。4.2 模糊系统与神经网络相结合神经网络对环境的变化具有较强的自适应能力和自学习能力，但从系统建模的角度而言，它采用的是典型的黑箱学习模式。当学习完成后，神经网络所获得名师资料总结 - - -

15、精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 5 页 - - - - - - - - - 的输入 / 输出关系难以用通俗的方式表示。 而模糊系统则采用简单的 “如果, 则, ”规则，但自动生成和调整隶属度函数和模糊规则是个难题。若将两者结合取长补短，则可提高整个系统的学习能力和表达能力。5 结束语数据融合技术是一门跨学科的综合理论和方法尚处在不断的发展和完善过程中。随着研究者的不断努力，数据融合的基础理论、兼有稳健性和准确性的融合算法必将得以完善和实现，多传感器数据融合系统将在更多的行业领域得到实际应用。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 5 页 - - - - - - - - -