新型智慧城市信息融合典型模型、常用算法

附录 A

（资料性附录）

信息融合典型模型

A.1 DFIG2004 模型

DFIG提出了作为第三代信息融合系统雏形的DFIG2004和作为第三代信息融合系统典型代表的“用户-融合”模型。

附图1：第三代信息融合的DFIG2004模型

DFIG2004模型具有以下特征：

a)将场景感知资源和任务管理纳入信息融合范围（称“６级融合”），从而将场景感知管理

与感知信息处理纳入一个整体结构中，更易于场景感知的统一控制和优化以及与场景应用的紧密耦合；

b)将人的认知判定纳入信息融合范围，由人负责解决机器自动融合显示出的判定、选择与

优化问题（称５级融合），由人负责感知任务的规划并推断资源管理中的问题（称６级融合），即从“人在其外”迈向“人在其中”的信息融合。

DFIG2004模型对于人在信息融合中的作用并未描述清楚，仅为初步考虑。如将第５级融合仅表现为知识描述，即机器融合呈现给人的问题与人的思维判定采用统一的知识表述形式，以利于人与机器的一致理解。

A.2 用户-融合”模型

附图2 第三代信息融合的“用户-融合”模型

用户－融合模型中的５级融合在融合系统中的功能主要指人在人机界面上对系统的认

知交互功能。交互的依据是融合系统显示界面提供的融合信息、人（情报员、操作员和控制员）的经验与知识及其他来源信息，这些信息通过人的头脑思维与用户任务联系起来，对系统提供的信息进行修正、判断和选择，使融合信息质量和应用效能得以提升。由附图２可见：a)用户精炼向0级融合提供数据价值信息，支持０级融合优先收集和处理价值较高的数

据，提高０级融合对后续级别的支持效能。

b)用户精炼向1级融合提供优先级信息，指人对1级融合对象提供处理优先级，提升系统

对任务的支持度。

c)用户精炼向2级融合提供周边关系信息，是态势估计不可或缺的信息。态势估计实质上

是关系估计。无论是实体内部、实体间还是实体与外部环境关系，甚至实体属性的识别，都需要外部信息。如时空上聚集在一起的实体一般具有相同属性，例如增加道路信息后，在公路内的目标是汽车，而在公路外的目标可能是坦克，尽管它们距离很近。

d)用户精炼向3级融合提供意图信息，将己方场景意图或判断对手意图提供给融合系统，

可修正系统自动产生意图估计的不足或错误。

e)用户精炼向4级融合提供精炼效用信息，该信息指用户基于任务需求与融合系统（经与

用户交互）产生的诸级融合结果的差距，确定每一级别的融合规划需求，作为相应融合级别需达到的性能指标。有文献将该点作为资源管理对信息融合的多级控制功能来表述，反映了用户在融合过程精炼中的作用。

用户－融合模型未包含融合管理功能（感知资源和感知任务管理），以及用户精炼／过程精炼与融合管理功能的关系，DFIG2004模型对其进行了弥补。

附录 B

（资料性附录）

信息融合常用算法

城市信息融合常用算法包括（但不限于）如下算法：

a)贝叶斯网络：宜用于不确定知识表达和推理领域，贝叶斯网络是Bayes方法的扩展；

b)卡尔曼滤波：卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通

过系统输入输出观测数据，对系统状态进行最优估计的算法；

c)D-S证据理论：宜用于需要综合考虑来自多源的不确定信息以完成问题求解的场合，

属于人工智能范畴，最早应用于专家系统中，具有处理不确定信息的能力，能满足比贝叶斯概率论更弱的条件；

d)神经网络：对环境变化具有较强的自适应能力和自学习能力，采用典型的黑箱学习

模式，具有泛化能力强、稳定性高、容错性好、快速高效等优势。

e)模糊集合理论：建立在被广泛接受的产生式规则“if then”表达方式之上的计算

方法，宜用于需要进行模糊逻辑推理的应用场合；

f)神经网络技术和模糊集合理论相结合：使用神经网络来实现系统的模糊逻辑推理，

为传统的神经网络中没有明确物理含义的权值赋予模糊逻辑中推理参数的物理含义，提高整个系统的学习能力和表达能力，为信息融合问题提供有效的解决方案。

g)遗传算法：一种能够较好地解决多参数优化问题的并行算法，并且针对算法的特

点采用了某些新的算子，具有良好的处理性能；

h)遗传算法和模糊集合相结合：遗传算法所采用的某些算子能很好地模拟模糊关系，

可以使融合达到较高的精度，二者结合可以充分利用多源信息的冗余度和互补性，以近似最优的方式进行融合处理，显著改善系统的可靠性。