第10章 多传感器信息融合技术

二、Bayes估计法
假定完成任务所需的有关环境的特征物用向量f表示， 通过传感器获得的数据信息用向量d来表示，d和f都可看作 是随机向量。信息融合的任务就是由数据d估计环境f。
假设p(f,d)为随机向量f和d的联合概率分布密度函数，则：
p (f,d ) p (f|d )p ( d ) p ( d |f)p (f)
S1 1
S2
S N 1
2
N 1
检测中心
0
SN N
图2 并行结构
(c)串行结构 每个局部节点分别接收各自的检测后，首先由节点1作 出局部判决，然后将它通信到节点2，而节点2则将它本身 的检测与之融合形成自己的判决，以后，重复前面的过程， 并将最后一个节点的判决作为全局判决。
现象H
Y1
Y2
YN 1 YN
12i n1ei[X(k)Xˆ(kk)]' fXiX(k)[X(k)Xˆ(kk)]
(高阶项)G(k)V(k)
对扩展卡尔曼滤波的余下步骤，只需按标准Kalman滤 波的方法对上述泰勒展式进行推导即可。
目前，扩展卡尔曼滤波虽然被广泛用于解决非线性系统 的状态估计问题，但非线性因子的存在对滤波稳定性和状 态估计精度都有很大的影响，其滤波效果在很多复杂系统 中并不能令人满意。模型的线性化误差往往会严重影响最 终的滤波精度，在模型非线性较强．以及系统噪声非高斯 时估计的精度严重下降，并可能导致滤波发散。
应用领域
1、在信息电子学领域
信息融合技术的实现和发展以信息电子学的原理、方法、 技术为基础。信息融合系统采用多种传感器收集各种信息，包 括声、光、电、运动、视觉、触觉、力觉等。
除了自然(物理)信息外，信息融合技术还融合社会类信息， 以语言文字为代表，涉及到大规模汉语资料库、语言知识的获 取理论与方法、机器翻译、自然语言解释与处理技术等。
Pk IHkCkPk
图6 卡尔曼滤波过程
扩展Kalman滤波
在多目标多传感器融合中，系统可能是非线性的。 其最优解通常不能用解析式表示，而且随着时间的推移 将趋于无穷维，运算量和存储量的急剧膨胀使得这种最 优解在物理上是不可实现的，在工程上也没有必要实现 这种最优解。对这类系统，至今尚未研究出完善的解法， 目前所用的非线性算法都是近似的。
依据前一时刻的估计值 xˆ k 1 以及当前时刻的观测值 y k
给出当前时刻的估计值。用状态方程和测量方程描述。
状态方程： xkAkxk1wk1
量测方程： yk ckxk vk
假x k设
是状态变量，例如量测数据与系统的
各状态变量之间呈现线性关系。
ck
：观测矩阵
vk
：观测噪声
前提条件：w k 、v k 为互为不相关的高斯白噪声。
S1
S2
1
2
SN 1
N 1
SN N 0
图3 串行结构
(d) 树状结构 信息传递处理流程是从所有的树枝到树根，最后，在 树根即融合节点，融合从树枝传来的局部判决和自己的检 测，作出全局判决。
现象 H
Y2
Y1
S2
பைடு நூலகம்
Y3 S3
Y4 S4
Y5
2 S1 3 1
4
S5
0
图4 树状结构
(e)反馈结构 每个局部检测器在接收到观测之后，把它们的判决送 到融合中心，中心通过某种准则组合这些判决，然后把获 得的全局判决分别反馈到各局部传感器作为下一时刻局部 决策的输入。可明显地改善各局部节点的判决质量。
优点
➢增加了系统的生存能力 ➢扩展了空间、时间覆盖范围 ➢提高了可信度 ➢降低了信息的模糊度 ➢改善了探测性能 ➢提高了空间分辨率 ➢增加了测量空间的维数
第二节 传感器信息融合分类和结构
一、传感器信息融合分类
1、组合：由多个传感器组合成平行或互补方式来获得多 组数据输出的一种处理方法，涉及的问题有输出方式的协 调、综合以及传感器的选择。 2、综合：信息优化处理中的一种获得明确信息的有效方 法。例：在虚拟现实技术中，使用两个分开设置的摄像机 同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅 图像可以复原出一个准确的有立体感的物体的图像。 3、融合：将传感器数据与系统内部的知识模型进行相关， 而产生信息的一个新的表达式。
p(f|d)表示在已知d的条件下，f关于d的条件概率密度函数； p(d|f)表示在已知f 的条件下，d关于f的条件概率密度函数； p(d)和p(f)分别表示d和f的边缘分布密度函数；
已知d时，要推断f，只须掌握p(f|d)即可，即： p (f|d ) p (d |f)p (f)/p (d )
上式为概率论中的Bayes公式。 信息融合通过数据信息d做出对环境 f的推断，即求
第一节 多传感器信息融合概述
传感器信息融合又称数据融合，是对多种信息的获 取、表示及其内在联系进行综合处理和优化的技术。传感 器信息融合技术从多信息的视角进行处理及综合，得到各 种信息的内在联系和规律，保留正确的和有用的成分，最 终实现信息的优化。 定义：将经过集成处理的多传感器信息进行合成，形成一 种对外部环境或被测对象某一特征的表达方式。单一传感 器只能获得环境或被测对象的部分信息段，而多传感器信 息经过融合后能够完善地、准确地反映环境的特征。
Ewk0 covwk,wjQkkj Evk0 covvk,vjRkkj
经过推导，可得到迭代式为：
xˆk Akxˆk1 Hky%k
Akxˆk1 Hk yk yˆk Akxˆk1 Hk yk CkAkxˆk1
增益矩阵：
H kP kC k T C kP kC k TP k 1
均方误差阵：
P kA kP k1A k TQ k1
下面介绍在跟踪系统中常用的非线性滤波方法：扩 展Klaman滤波.
扩展Kalman算法 对非线性滤波问题常用的处理方法是利用线性化技巧
将其转化为一个近似的线性滤波问题。其中最常用的线性化 方法是对非线性问题在状态变量均值的邻域内进行泰勒级数 展开，由此得到的滤波方法称为扩展卡尔曼滤波（EKF）。
设非线性系统的状态方程为： X ( k 1 ) f [ k ,X ( k ) ] G ( k ) V ( k )
二、信息融合系统的结构模型 从检测的角度看，检测级融合的结构模型主要有五
种，即：分散式结构、并行结构、串行结构、树状结构和 带反馈并行结构。
(a)分散式结构 每个局部决策都是最终决策，可按照某种规则将这 些分离的子系统联系起来，看成一个大系统，并遵循大系 统中的某种最优化准则来确定每个子系统的工作点。
解p(f|d)。由Bayes公式知，只须知道p(d|f)和p(f)即可。 p(d|f)是在已知客观环境变量f的情况下，传感器得到
的d关于f的条件密度。
通常, 在某一时刻从多种传感器得到一组数据信息d， 由这一组数据给出当前环境的一个估计f。因此，实际中应 用较多的方法是寻找最大后验估计g，即：
p（ g|d） map（ xf|d） f
2、在自动化领域 以各种控制理论为基础，信息融合技术采用模糊控制、
智能控制、进化计算等系统理论，结合生物、经济、社会、 军事等领域的知识，进行定性、定量分析。
目前的控制技术，已从程序控制进入了建立在信息融 合基础上的智能控制。智能控制系统不仅用于军事，还应 用于工厂企业的生产过程控制、城市建设规划、道路交通 管理、商业管理、金融管理与预测、地质矿产资源管理、 环境监测与保护、粮食作物生长监测、灾害性天气预报及 防治等各行各业。
Y1
现 Y2
象 H
M
S1 1 S2 2
M
融合中心
0
YN
SN N
图5 带反馈的并行结构
第三节 多传感器信息融合一般方法
1、标准Kalman滤波技术 Kalman滤波是对离散线性系统进行状态估计的一种常
用方法，它是一组基于递推的数据处理算法。 Kalman滤波引入了状态空间模型，其基本思想是利用
前一时刻的估计值和当前的观测值来得到对当前状态变量 的估计，其估计准则为最小均方误差准则。下面我们通过 一个框图来说明卡尔曼滤波所处理的问题。
接口是用户与专家系统间的沟通渠道为用户提供直观方便的交互作用手段五聚类分析法对于没有标示类别或没有明确特征的数据样本集可以根据样本之间的某种相似程度进行分类相似的归一类不相似的归为另一类或另一些类这种分类方法称为聚类分析如图所示
传感器与智能检测技术
第10章 多传感器信息融合技术
概 述 多传感器信息融合的分类和结构 多传感器信息融合的一般方法 多传感器信息融合的实例
即最大后验估计是在已知数据为d的条件下，使后验概率密 度p(f)取得最大值得点g。
在传感器数据进行融合之前，必须确保测量数据代表同 一实物，即要对传感器测量进行一致性检验。常用以下距离 公式来判断传感器测量信息的一致：
T1 2(x1x2)TC1x1x2
式中，x1和x2为两个传感器测量信号，C为与两个传感 器相关联的方差阵。
五、聚类分析法
对于没有标示类别或没有明确特征的数据样本集，可以 根据样本之间的某种相似程度进行分类，相似的归一类，不相 似的归为另一类或另一些类，这种分类方法称为聚类分析，如 图所示。
五、聚类分析法
聚类分析法试图根据传感数据的结构或相似性将数据 集分为若干个子集。将相似数据集中在一起成为一些可识 别的组，并从数据集中分离出来。众多的不同特征可用不 同的聚类来表征。
多传感器信息融合就像人脑处理信息过程一样，充分 利用多个传感器资源，通过对各种传感器及其观测信息的 合理支配与使用，将各种传感器的互补与冗余信息依据某 种准则组合起来，产生对观测环境的一致性解释和描述。
信息融合的目标是基于各传感器分离观测信息，通过 对信息的优化组合导出更多的有效信息。它的最终目的是 利用多个传感器共同或联合操作的优势，来提高整个传感 器系统的有效性。
进行聚类分析时，首先需要确定一种规则来确定数据集的
分离原则，寻找各个类之间的相似性是常用的办法。对于两个
给定的数据样本 X
i 和X
，几种常见的相似性度量如：
j
• 点积：
现象H
Y1
Y2
S1
S2
YN 1 YN
S N 1
SN
1
2
N 1 N
图1 分散式结构
(b) 并行结构 每个局部节点的传感器在收到未经处理原始数据之后， 在局部节点分别作出局部检测判决，然后，它们在检测中 心通过融合得到全局决策。这种结构在分布检测系统中的 应用较为普遍。
现象 H
Y1
Y2
Y N 1
YN
人工神经网络
神经元利用树突整合突触所接收到的外界信息，经轴突将 神经冲动由细胞体传至其他神经元。神经网络使用大量 的处理单元(即神经元)处理信息，神经元按层次结构的 形式组织，每层上的神经元以加权的方式与其它层上的 神经元连接，采用并行结构和并行处理机制，具有很强 的容错性以及自学习、自组织及自适应能力，能够模拟 复杂的非线性映射。
当距离T小于某个阈值时，两个传感器测量值具有一致 性。
三、人工神经网络法
神经网络是类型分析和函数逼近的常用方法，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。
神经网络多传感器信息融合的实现，分三个重要步骤： 根据智能系统要求及传感器信息融合的形式，选择其拓 扑结构； 各传感器的输入信息综合为一总体输入函数，通过神经 网络与环境交互作用把环境的统计规律反映网络本身结构； 对传感器输出信息进行学习，确定权值的分配，进而对 输入模式做出解释。
(1)启发性：专家系统能运用专家的知识和经验进行推理 、判断和决策。
(2)灵活性：专家系统能不断地增长知识，修改原有知识 ，不断更新，不断充实和丰富系统内涵，完善系统功能。
一个典型的专家系统由知识 库、推理器和接口三部分 组成，如图所示。
• 知识库组织事实和规则。 • 推理器籍由知识库中有效
的事实与规则，在用户输 入的基础上给出结果。 • 接口是用户与专家系统间 的沟通渠道，为用户提供 直观方便的交互作用手段
和线性情况一样，假定在 k时刻有估计：
X ˆ(kk)E[X(k)Zk]
扩展Kalman算法
为了得到预测状态 Xˆ (k 1 k) ，将系统的状态方程在 附近进行泰勒级数展开，取一阶或者二阶项，以便产生一 阶或二阶EKF。具有二阶项的展开式为：
X(k1)f[k,Xˆ(kk)]fX(k)[X(k)Xˆ(kk)]
典型的感知神经网络模型
图7 神经网络结构
如果将数据融合划分为二级，并针对具体问题将处理 功能赋予信息处理单元，可以用二层神经网络描述融合模 型。
第一层神经元对应原始数据层融合。 第二层完成特征层融合，并根据前一层提取的特征， 做出决策。
四、专家系统
专家系统是一个具有大量专门知识与经验的程序系统， 根据某领域一个或多个专家提供的知识和经验，进行推理和 判断，模拟人类专家的决策过程，以便解决那些需要人类专 家处理的复杂问题。专家系统具有如下特点：