文档介绍：该【信息融合综述 】是由【1781111****】上传分享，文档一共【13】页，该文档可以免费在线阅读，需要了解更多关于【信息融合综述 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。近二十年来,传感器技术比获得了迅速发展,各种面向复杂应用背景的多传感器信息系统大量涌现,在一个系统中装配的传感器在数量上和种类上也越来越多。因此需要有效地处理各种各样的大量的传感器信息。在这些系统中,信息表现形式的多样性,信息容量以及信息的处理速度等要求已经大大超出人脑的信息综合能力。处理各种各样的传感器信息意味着增加了待处理的信息量,很可能会涉及到在各传感器数据组之间数据的矛盾和不协调。在这样的情况下,多传感器信息融合技术,MIF)应运而生。“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、及确时和有效的综合信息的过程。信息融合是针对一个系统中使用多种传感器(多个/或多类)这一特定问题而展开的一种信息处理的新研究方向。其实,信息融合是人类的一个基本功能,我们人类可以非常自如地把自己身体中的眼、耳、鼻、舌、皮肤等各个感官所感受到的信息综合起来,并使用先验知识去感知、识别和理解周围的事物和环境。信息融合技术研究如何加工、协同利用信息,并使不同形式的信息相互补充,以获得对同一事物或目标的更客观、更本质的认识的信息综合处理技术。经过融合后的系统信息具有冗余性、互补性、实时性等特点。根据信息融合的定义,信息融合技术包括以下方面的核心内容:(1)信息融合是在几个层次上完成对多源信息处理的过程,其中每一个层次都具有不同级别的信息抽象;(2)信息融合包括探测、互联、相关、估计以及信息组合;(3)信息融合的结果包括较低层次上的状态估计和身份估计,以及较高层次上的整个战术态势估计。因此,多传感器是信息融合的硬件基础,多源信息是信息融合的加工对象,协调优化和综合处理是信息融合技术的核心。信息融合的基本目标是通过信息组合而不是出现在输入信息中的任何个别元素,推导出更多的信息,这是最佳协同作用的结果。即利用多个传感器共同操作的优势,提高传感器系统的有效性用于融合的信息既可以是未经处理的原始数据,也可以是经过处理的数据,处理也可以是支持某个命题的证据或赞成某个假设的决策。在融合过程中,需要对这些性质不同,变化多样的信息进行复合推理,以改进分类器的决策能力。信息融合(informationfusion)起初被称为数据融合(datafusion),起源于1973年美国国防部资助开发的声纳信号处理系统,其概念在20世纪70年代就出现在一些文献中。在20世纪90年代,随着信息技术的广泛发展,具有更广义化概念的“信息融合”被提出来。在美国研发成功声纳信号处理系统之后,信息融合技术在军事应用中受到了越来越广泛的青睐。20世纪80年代,为了满足军事领域中作战的需要,多传感器数据融合MSDF(Multi-sensorDataFusion)技术应运而生。1988年,mand,micationandIntelligence)系统中的数据融合技术列为国防部重点开发的二十项关键技术之一。由于信息融合技术在海湾战争中表现出的巨大潜力,在战争结束后,美国国防部又在C3I系统中加入puter),开发了以信息融合为中心的C4I系统。此外,英国陆军开发了炮兵智能信息融合系统(AIDD)和机动与控制系统(WAVELL)。欧洲五国还制定了联合开展多传感器信号与知识综合系统(SKIDS)的研究计划。法国也研发了多平台态势感知演示验证系统(TsMPF)。军事领域是信息融合的诞生地,也是信息融合技术应用最为成功的地方。特别是在伊拉克战争和阿富汗战争中,美国军方的信息融合系统都发挥了重要作用。当前,信息融合技术在军事中的应用研究己经从低层的目标检测、识别和跟踪转向了态势评估和威胁估计等高层应用。20世纪90年代以来,传感器技术和计算机技术的迅速发展大大推动了信息融合技术的研究,信息融合技术的应用领域也从军事迅速扩展到了民用。目前,信息融合技术己在许多民用领域取得成效。这些领域主要包括:机器人和智能仪器系统、智能制造系统、战场任务与无人驾驶飞机、航天应用、目标检测与跟踪、图像分析与理解、惯性导航、模式识别等领域[1][2][3][4][5][6]。我国对信息融合理论和技术的研究起步较晚,也是从军事领域和智能机器人的研究开始。20世纪90年代以后,信息融合的研究在我国逐渐形成高潮。不仅召开了关于数据融合的会议,出版了关于信息融合的专著和译著,国家自然科学基金和国家863计划也将其列入重点支持项目。目前已有许多高校和研究机构正积极开展这方面的研究工作,也分别在军用和民用方面取得了一些成果[7][8][9][10]。但是在信息融合模型、结构、算法等理论方面的原创性成果较少,与世界先进水平还有一定的差距。等方式设置在预定的监控区域,形成的智能自治测控网络系统,能够监测、感知和采集各种环境信息或监测对象的信息。传感器网络具有重要的科研价值和广泛的应用前景,它的出现引起了全世界的广泛关注,被公认为是将世纪产生巨大影响的技术之一。微电子技术的迅速发展奠定了设计使得将多种传感器集成一体,制造小型化、低成本、多功能的传感器成为了可能。大量的微电子传感器节点只有通过低功耗的无线电通讯技术连成网络才能够发挥整体的综合作用。在通信方式上,无线电、红外、声等多种无线通信技术的发展为微传感器通信提供了多种选择,。由于传感器节点数量众多,布设一般采用随机投放的方式,传感器节点的位置不能预先确定;在任意时刻,节点间通过无线信道连接,自组织网络拓扑结构;传感器节点间具有很强的协同能力,通过局部的数据采集、预处理以及节点间的数据交互来完成全局任务。感器网络是一种无中心节点的全分布系统。由于大量传感器节点是密集布设的,传感器节点间的距离很短,因此,多跳、对等通信方式比传统的单跳、主从通信方式更适合在床干起网络中使用,由于每跳的距离较短,收发器可以在较低的能量级别上工作。另外,多跳通信方式可以有效地避免在厂距离新信号传播过程中遇到的信号衰减和干扰等问题。此类传感器系统具有以下显著特点[11]:1)无中心和自组织性2)动态变化的网络拓扑3)受限的传输带宽4)节点的能力有限5)多跳路由6)安全性差7)网络的扩展性不强其控制结构可归纳如下。集中式结构是以中心处理单元为核心的结构模式,融合中心处理单元直接与各个传感器或它们的处理器连接,它有三种不同的结构类型:第一种,传感器层信息融合结构,各传感器都有自己独立的信号处理单元,分别完成特征提取、目标分类与跟踪,然后将目标信息。由于每个传感器都有各自独立的信号处理单元,从而减少了融合处理的负担,传感器可任意增减而不必改变原来的结构和融合算法。第二种,中心层融合结构,各传感器的原始数据经滤波、放大和整形等初步处理后直接送入中心处理单元进行信息融合。由于取消了各传感器的信号处理单元,使得结构更为简单,提高了系统的可靠性,降低了成本,同时可对不同传感器的数据进行优化处理,提高了信息的利用率和效率。但中央处理单元的负担过重,对于不同的目标、任务和传感器,融合算法也不同,从而降低了系统的适应能力。第三种,混合式融合结构,它兼有上述两中结构的功能和特点,传感器数据既可直接送入中心处理单元,也可以先经过各自的信号处理单元加工后送再到中央处理器进行融合。该结构的适应性比前二种更强,但显然结构也最复杂。分布式多传感器系统结构:前面三种结构中的融合(中心)处理单元都是直接与各个传感器或它们的处理器连接,属于集中式融合结构。图所示的分布式融合结构的中心处理单元(全局数据融合中心)不是与传感器直接连接,而是与局部(本地)信息融合单元相连,局部数据融合单元融合本地传感器的数据。该结构的优点是组合方便灵活,可根据需要将系统分成不同层次和不同方式的融合,每一层次具有自己独立的融合结果,同时又是全局融合的一个组成部分。但它显然保留了集中式融合结构的某些缺点,需要两种不同的融合算法,一个面对传感器数据,一个面对局部融合结果。无中心融合结构:前面四种结构的共同点是都有一个中心融合单元,不管它是集中式的还是分部式的。无中心的融合结构中,每一个节点与传感器或其它节点连接,输入传感器的测量值和其它节点的融合结果,并输出本节点的融合结果。由于取消了中心融合单元,系统输出不再只依赖于中心融合单元,而可从任何一个节点输出,任何一个传感器或节点出错或损坏对整个系统不会产生太大影响。但该结构的通信和融合算法比较复杂,这是它的不足。该结构中的节点可与其它所有节点连接,也可以只与部分节点连接。三级并行结构,,分别由“信号级融合”、“证据级融合”和“动力学级融合”三级并行构成。NBS分级感知与控制结构:由美国国家标准局(NBS)制造工程中心自动制造研究实验室提出,是一种多传感器交互作用的分级感知与控制的多传感器机器人系统结构,该结构源于“小脑模型计算机”,它由一个逐级上升的“传感处理”层和逐级下降的“任务分解”控制层,以及每一层的“世界模型”构成,应用在NBS装配机器人系统中。完整信息,主要体现在融合算法上。因此,多传感器系统的核心问题是选择合适的融合算法。对于多传感器系统来说,信息具有多样性和复杂性,因此,对信息融合方法的基本要求是具有鲁棒性和并行处理能力。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信息识别系统的接口性能;与不同技术和方法的协调能力;对信息样本的要求等。一般情况下,基于非线性的数学方法,如果它具有容错性、自适应性、联想记忆和并行处理能力,则都可以用来作为融合方法。多传感器数据融合虽然未形成完整的理论体系和有效的融合算法,但在不少应用领域根据各自的具体应用背景,已经提出了许多成熟并有效的融合方法。且信息融合主要模型近20年来,:a)功能型模型,主要根据节点顺序构建;b)数据型模型,,比较典型的功能型模型主要有UK情报环、Boyd控制回路(OODA环)典型;,提出了一种新的混合模型。下面简单对上述典型模型介绍。情报环[16]情报处理包括信息处理和信息融合。目前已有许多情报原则,包括:中心控制避免情报被复制;实时性确保情报实时应用;系统地开发保证系统输出被适当应用;保证情报源和处理方式的客观性;信息可达性;情报需求改变时,能够做出响应;保护信息源不受破坏;对处理过程和情报收集策略不断回顾,,而缺点是应用范围有限。:a)采集,包括传感器和人工信息源等的初始情报数据;b)整理,关联并集合相关的情报报告,在此阶段会进行一些数据合并和压缩处理,并将得到的结果进行简单的打包,以便在融合的下一阶段使用;c)评估,在该阶段融合并分析情报数据,同时分析者还直接给情报采集分派任务;d)分发,在此阶段把融合情报发送给用户通常是军事指挥官,以便决策行动,包括下一步的采集工作。?JDL模型[17]1984,美国国防部成立了数据融合联合指挥实验室,该实验室提出了他们的JDL模型,经过逐步改进和推广使用,该模型已成为美国国防信息融合系统的一种实际标准。JDL模型把数据融合分为3级:第1级为目标优化、定位和识别目标;第2级处理为态势评估,根据第1级处理提供的信息构建态势图;第3级处理为威胁评估,根据可能采取的行动来解释第2级处理结果,,可以称为第4级,它在整个融合过程中监控系统性能,识别增加潜在的信息源,以及传感器的最优部署。其他的辅助支持系统包括数据管理系统存储和检索预处理数据和人机界面等。Boyd控制环[18]Boyd控制环OODA环,即观测、定向、决策、执行环,它首先应用于军事指挥处理,现在已经大量应用于信息融合。可以看出,Boyd控制回路使得问题的反馈迭代特性显得十分明显。它包括4个处理阶段:a)观测,获取目标信息,相当于JDL的第1级和情报环的采集阶段;b)定向,确定大方向,认清态势,相当于JDL的第2级和第3级,以及情报环的采集和整理阶段;c)决策,制定反应计划,相当于JDL的第4级过程优化和情报环的分发行为,还有诸如后勤管理和计划编制等;d)行动,执行计划,和上述模型都不相同的是,只有该环节在实用中考虑了决策效能问题。OODA环的优点是它使各个阶段构成了一个闭环,表明了数据融合的循环性。可以看出,随着融合阶段不断递进,,决策和执行阶段对OODA环的其它阶段的影响能力欠缺,并且各个阶段也是顺序执行的。?扩展OODA模型[19]扩展OODA模型是加拿大的洛克西德马丁公司开发的一种信息融合系统结构。,,这些功能按照构成OODA模型的观测、形势分析、决策和执行4个阶段进行检测评估。:功能A和N在每个阶段都有分解和评估,,即环境只在观测阶段给各个功能提供信息输入,而各个功影响其下各自一阶段的功能而执行阶段不仅影响环境,而且直接影响OODA模型中其它各个阶段的瀑布模型。Dasarathy模型[20,16]Dasarathy模型包括有5个融合级别,如下表所示。综上可以看到,瀑布模型对底层功能作了明确区分,JDL模型对中层功能划分清楚,而Boyd回路则详细解释了高层处理。情报环涵盖了所有处理级别,但是并没有详细描述。而Dasarathy模型是根据融合任务或功能加以构建,因此可以有效地描述各级融合行为。输入输出描述数据数据数据级融合数据特征特征选择和特征提取特征特征特征级融合特征决策模式识别和模式处理决策决策决策级融合?混合模型[16]混合模型综合了情报环的循环特性和Boyd控制回路的反馈迭代特性,同时应用了瀑布模型中的定义,,从而明确了信息融合处理中的循环特性,,在模型中也较为容易地查找融合行为的发生位置。,随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等[1]-[6][12][13]。可以预见,神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。几类主要的方法?加权平均法[14]信号级融合方法最简单、最直观方法是加权平均法,该方法将一组传感器提供的冗余信息进行加权平均,结果作为融合值,该方法是一种直接对数据源进行操作的方法。?卡尔曼滤波法[12][13]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处理不需要大量的数据存储和计算。但是,采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时,存在很多严重的问题,比如:(1)在组合信息大量冗余的情况下,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,在某一系统出现故障而没有来得及被检测出时,故障会污染整个系统,使可性靠降低。多贝叶斯估计法贝叶斯估计为数据融合提供了一种手段,是融合静态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行组合,测量不确定性以条件概率表示,当传感器组的观测坐标一致时,可以直接对传感器的数据进行融合,但大多数情况下,传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计,将各个单独物体的关联概率分布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,提供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提供整个环境的一个特征描述。?证据推理方法证据推理是贝叶斯推理的扩充,其3个基本要点是:基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的,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成为一个总的输出结果(D);第2级为推断,其作用是获得传感器的观测结果并进行推断,将传感器观测结果扩展成目标报告。这种推理的基础是:一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告;第3级为更新,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(更新)传感器的观测数据。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,2个或多个规则形成一个联合规则时,可以产生融合。应用产生式规则进行融合的主要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。模糊逻辑是多值逻辑,通过指定一个0到1之间的实数表示真实度,相当于隐含算子的尽管信息融合在军事领域的地位始终突出但是随着信息融合技术的发展,。目前以模糊理论、神经网络、证据推理等为代表的所谓智能方法占有相当大的比例,这或许是因为,这些方法兼有对问题描述的非建模优势和语言化描述与综合优势的原因。从整体上分析,近年来,随着人工智能技术的发展,信息融合技术有朝着智能化、[22]:1)研究并完善实用的算法分类和层次划分方法;2)研究并发展实用的融合系统测试和评估方法;3)建立系统设计和算法选择的工程指导方针;4)编撰信息融合辞典,规范领域术语和定义;5)发展并完善JDL模型,以解决现有JDL所不能处理的多图像融合以及合成传感器(complexmetasensors)等问题;6)另外分布式信息融合方法也受到越来越多学者的关注[12,13,14]。信息融合技术在军事、机器人、航空航天领域、图像处理、生物医学工程、智能交通系统等有着广泛的应用。下面介绍几个比较典型的应用:1)信息融合在工业机器人当中的应用在工业机器人中除采用传统的位置速度和加速度传感器外装配焊接机器人还应用了视觉力觉和超声波等传感器。下表给出了多传感器信息融合技术在工业机器人领域应用的典型实例[21]。研究者使用传感器的类型所实现的功能Hitachi公司三维视觉传感器、力觉传感器抓取放置半导体器件Groen等人视觉传感器、超声波传感器力机械产品装配/力矩传感器、触觉传感器Smith,Nitan等人视觉传感器、力觉传感器粘贴包装标签Kremers等人视觉传感器、激光测距扫描仪完成无缝焊接ia理工学院视觉传感器、触觉传感器检验工件的一致性