数据融合

传感器 间接 信息 信息 收集 初 级 滤 波 二级处理 态势评估 数据配准 数据关联 目标跟踪 身份识别 态势数据库
一级处理
采集管理
三级处理 威胁评估
数据 管理 系统 支持 数据库
四级处理 优化控制
5
4.数据融合的层次

1.像素级融合
特点： 1)直接在采集到的原始数据层上进行融合； 2)原始观测信息未经预处理之前或只进行很少 的处理就进行数据综合分析，是最低层次的融合； 3) 参与融合的传感器信息间具有一个像素的配 准精度。 应用： 多源图像复合，图像分析和理解； 同类雷达波形的直接合成。
6
优点：提供其它融合层次不能提供的细微信息. 缺点：实时性差 抗干扰能力差 在信息的最低层进行，要求在数据融 合时有较高的纠错能力

7
传感器1 像 素 级 融 合 一致 性解 释与 描述
物 体
传感器2
特征提取
识别
传感器n
8

2.特征级融合 对来自传感器的原始信息进行特征提取(特 征可以是被观测对象的各种物理量)，然后对 特征信息进行综合分析和处理。 特征级融合属于中间层次，融合过程为： 1)提取特征信息(数据信息表示量或统计量) 2)按特征信息对多传感器数据进行分类、综合 和分析。
应用： C3I系统
11
传感器1
特征提取 特 征 级 融 合 一致 性解 释与 描述
物 体
传感器2
特征提取
识别
传感器n
特征提取
12

3.决策级融合
特点： 1)是一种高层次融合，其结果为检测、控制、 指挥、决策提供依据； 2)从具体决策问题出发，充分利用特征级融合 的最终结果，直接针对具体决策目标，融合结果直 接影响决策水平。
3
2.数据融合的定义

数据融合是利用计算机技术对时序获得的若干 感知数据，在一定准则下加以分析、综合，以 完成所需决策和评估任务而进行的数据处理过 程。 数据融合的实质是针对多维数据进行关联或综 合分析，进而选取适当的融合模式和处理算法， 用以提高数据的质量，为知识提取奠定基础
4
3.数据融合的体系结构
18
常用的数据融合方法比较
19
二、数据融合技术的应用

现如今数据融合主要应用于以下几个领域： 智能检测系统 利用智能检测系统的多传感器进行数据融合 处理，可以消除单个或者单类传感器检测的不 确定性，提高智能检测系统的可靠性，获得对 检测对象的更准确的认识和解释。

20

工业过程监控 工业过程监控是一个比较明显的数据融合的 应用领域。融合的目的是识别引起系统状态超 出正常的运行范围的故障条件，并据此触发若 干的报警器。目前，数据融合技术已经在核反 应堆和石油平台监视系统中得到应用。
9
特征级融合分类： 1)目标状态数据融合 主要应用： 多传感器目标跟踪领域 融合过程： ①对传感器数据进行预处理以完成数据校准； ②实现参数相关的状态向量估计。
10

2)目标特性融合 在融合前必须先对特征进行相关处理，把特征向量分成 有意义的组合。
优点： ①实现可观的信息压缩，有利于实时处理； ②所提取的特征直接与决策分析有关，融合结果能最大 限度地给出决策分析所需特征信息。
22

全局监控 监控较大范围内的人和事物。例如利用空中 和地面的传感器可以监控庄稼成长的情况，预 测农作物的产量；根据卫星云图、气流、温度 等观测信息，可预测天气。还可以根据各种医 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。
17

传感网数据融合路由算法 目前，针对传感网中的数据融合问题，国内在 以数据为中心的路由协议以及融合函数、融合 模型等方面已经取得了许多研究成果，主要集 中在数据融合路由协议方面。按照通信网络拓 扑结构的不同, 比较典型的数据融合路由协议 有：基于数据融合树的路由协议、基于分簇的 路由协议，以及基于节点链的路由协议。
传感器1
特征提取
识别 决 策 级 融 合 一致 性解 释与 描述
物 体
传感器2
特征提取
识别
传感器n
特征提取
识别
16
5.算法

目前有大量的多传感器数据融合算法，基本上 可概括为两大类：一是随机类方法，包括加权 平均法、卡尔曼滤波法、贝叶斯估计法、D-S 证据推理等。二是人工智能类方法，包括模糊 逻辑、神经网络等。不同的方法适用于不同的 应用背景。神经网络和人工智能等新概念、新 技术在数据融合中将发挥越来越重要的作用。
数据融合技术及应用
1
一、何谓数据融合
数据融合一词最早出现在20 世纪70 年代，并于 20 世纪80 年代发展成一项专门技术。它是人类 模仿自身信息处理能力的结果，类似人类和其它 动物对复杂问题的综合处理。数据融合技术最早 用于军事，1973 年美国研究机构就在国防部的 资助下，开展了声纳信号解释系统的研究。目前， 工业控制、机器人、空中交通管制、海洋监视和 管理等领域也向着多传感器数据融合方向发展。
13
优点： 1)融合中心处理代价低，具有很高灵活性； 2)通信量小，抗干扰能力强； 3) 具有容错性； 4)对传感器的依赖性小，可以是同质的， 也可以是异质的； 5)能有效反映环境或目标各侧面不同类型 信息。
14

缺点： 1)对原传感器信息进行预处理以获得各自 的判定结果； 2)预处理代价高。
15
2

1.数据融合的概念

数据融合概念是针对多传感器系统而提出的。在多 传感器系统中，由于信息表现形式的多样性，数据 量的巨大性，数据关系的复杂性，以及要求数据处 理的实时性、准确性和可靠性，都已大大超出了人 脑的信息综合处理能力，在这种情况下，多传感器 数据融合技术应运而生。多传感器数据融合(MultiSensor Data Fusion ，MSDF)，简称数据融合；也 被称为多传感器信息融合(Multi-Sensor Information Fusion ，MSIF)。
21

通过时间序列分析、频率分析、小波分析，从各 传感器获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行特征级数据融合，以识 别出系统的特征数据，并输入到模糊专家系统进 行决策级融合；专家系统推理时，从知识库和数 据库中取出领域知识规则和参数，与特征数据进 行融合；最后，决策出被测系统的运行状态、设 备工作状况和故障等。