数据融合算法及其应用

多传感器信号融合及应用
结课论文
数据融合算法及其应用
姓名：李东正
学号：112081101175
专业：控制理论与控制工程
数据融合算法及其应用
一数据融合的发展及基本概念
数据融合一词最早出现在20世纪70年代末期，开始并未受到足够的重视。

近几十年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，使其得到了长足的进步。

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任务而进行的信息处理过程称为数据融合。

二数据融合的几种方式
很多学者从不同角度出发提出了多种数据融合技术方案。

可以按不同的方式进行分类:如按技术原理分，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;按传感器的类型分又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分，又可分为像素级融合、特征级融合和决策级融合。

从方法来分数据融合，有Bayes推理法、表决法、D- S 推理法、神经网络融合法等。

下而分别对这几种方法的优缺点进行讨论。

2.1 Bayes推理法
多源信息的集成并不仅仅依赖于数学上的分析，因为在实际应用中由于信息不完全会造成系统具有不确定性。

至少有两方而的原因会导致信息不完全:一是噪声破坏了信号中原有的部分信息，并且无法在后处理中从噪声中将原始信息提取还原;二是因为即使不考虑噪声的干扰，信息本身也不可能包含监测对象完整、全部的信息，这和传感器的精度等因素有关。

因此，一方而无法通过获得完全、精确的信息，进而用纯数学方法分析解决问题;另一方而，信号的后处理无法增加己获取信号的信息含量，所以，需要通过采用归纳推理的方法来解决。

从应用
结果来看，采用Bayes推理法可以有效地对多源信息进行融合。

Bayes推理法有严格完善的理论基础，比较成熟，作为一种传统的方法，应用十分广泛，现有的融合系统中，有相当一部分采用了这种方法。

但是Bayes推理法需要先验概率，而在很多实际情况中这种先验信息很难获得或不够精确，因此Bayes推理法具有很大的局限性。

2.2 表决法
由于表决融合所采用的是硬决策方法，数据由各传感器独自处理，其输出到融合中心的是根据其所定阈值而得到的决策结果，低于阈值的信息都被忽略掉了。

这种方法的优点是经济性好，速度快，容易用硬件实现，可进行在线的融合处理决策，这在实时监测时是非常有效的。

缺点是信息损失量较大，而且其二值逻辑输出使得许多的理论和方法不能被借鉴来发展和完善融合技术。

2.3 D-S证据推理
D_S推理算法具有很强的处理不确定信息的能力。

它不需要先验信息，对不确定信息的描述采用“区间估计，而不是“点估计”的方法，解决了关于“未知”即不确定性的表小方法，在区分不知道与不确定方面以及精确反映证据收集方而显示出很大的灵活性。

当不同传感器所提供的测量数据对结论的支持发生冲突时，D_S算法可以通过“悬挂”在所有目标集上共有的概率使得发生的冲突获得解决。

它用集合表示事件。

用DempsterShafer（D-S）组合规律代替Bayes推理法来实现信任函数的更新。

2.4 神经网络法
神经网络技术是模拟人类大脑而产生的一种信息处理技术，近年来得到了飞速的发展和广泛的应用，如信号处理和自动控制等。

神经网络使用大量的简单处理单元(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联接，采用并行结构和并行处理机制，因而网络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。

神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器信息融合技术处理的要求，可以利用神经网络的信号处理能力和自动推理功能实现多传感器信息融合技术。

三数据融合的应用
卫星跟踪是一项复杂的高科技系统工程，所涉及到的领域是多方面的。

从应用的成功性分析主要包含两方面内容，第一核心技术;主要有大发射口径望远镜;高跟踪精度和有效跟踪距离的跟瞄系统等;第二系统综合;卫星目标的搜索引导;多传感器跟踪效能发挥;复合轴跟踪，综合指挥决策等。

而信息融合技术在这方面具有举足轻重的作用，一定程度上将影响到系统综合效能的发挥和潜力的开发。

卫星跟踪系统是以新一代传感器，伺服转台和信息融合处理三大技术为基石的。

只有将三者有机结合，将信息融合技术应用到系统，采用复合跟踪方式，实现智能控制与决策，才能更有效地克服单一传感器在工作彼段，作用距离，背景区分，灵敏度，天候等方面的差异，提高指挥决策的有效性和系统的自动化程度。

3.1 卫星目标引导中的信息融合
卫星跟踪系统中的卫星是远距离的弱小目标，对其能否成功引导到跟踪瞄准视场是卫星跟踪的前提，由于卫星相对于常规的飞行目标(导弹、飞机等)的特殊性，简单的主动式警戒搜索和大范围侦察来捕获卫星的成功概率很小，必须考虑用多种手段进行信息融合。

可能的融合信息有：大区域卫星定轨预报;卫星观测站的多普勒雷达探测信息;系统主动侦察信息;卫星运动轨道参数数据库信息;系统在有效的卫星空间搜索的图像信息等。

这是一个结合多源预报，数据库，人工判断等图、库、数据信息一体的广义信息融合过程，其基本实现步骤如下:
1)建立跟踪卫星运动的轨道参数数据库;
2)大区域卫星定轨预报信息采集;
3)卫星观测站的多普勒雷达探测信息接受:
4)系统主动侦察信息分析;
5)外部探测预报引导信息时空坐标变换;
6)多源引导数据与数据库中所需的卫星轨道参数综合相关分析.确认引导目标的正确性;
7)综合相关后的信息引导跟瞄系统进入相应区域，进行主动图像搜索捕获，并最终结合人工判定是否卫星目标引导成功。

3.2 跟踪时的多传感器数据融合
卫星跟踪系统的关键之一是光电传感器技术的发展和应用，利用可见光和红外多传感器的光电武器系统具有探测范围宽，适应能力强的特点，已成为当令发
展的主流。

多跟踪传感器的混合使用可利用其性能的差异进行优势互补。

提高复杂背景下的目标提取识别能力，降低单个探测器的失效影响。

提高系统跟踪的作用距离、提高系统的伉干扰能力和跟踪可靠性。

远距离的卫星在传感器上成像很小，只有满足一定的信号对比度，才能有效提取和跟踪目标。

由于卫星飞行姿态、天候等的动态变化。

单一传感器难以满足各种条件下有效的信号提取。

而必须利用多个传感器从多角度、多波段、多侧面提供目标信息。

做到优势互补、统计优化和相关匹配。

使整个系统在多传感器协调、优化、融合的基础上接力运行，确保连续稳定跟踪。

提高系统跟踪目标的自适应能力。

3.3 复合轴伺服跟踪系统中的多传感器数据融合
卫星跟踪系统要有效跟踪远距离的卫星，要求跟瞄系统具有秒级跟踪精度。

一般的伺服跟踪系统难以满足。

而采用复合轴跟踪伺服系统是实现秒级跟踪精度的有效途径之一，在复合轴跟踪伺服系统中分为粗跟踪和精跟踪两部分，分别都由粗跟踪传感器和主伺服系统构成粗跟踪部分，由精跟踪传感器和子伺服系统构成精跟踪部分，假定粗跟踪和精跟踪分别都由可见光和红外两种波段的传感器组成，由于粗跟踪和精跟踪系统的作用及视场的差异，相应传感器的分辨率及灵敏度的差异，将导致这两类传感器在作用距离和信号提取能力上的差异。

一般精跟踪视场应小于粗跟踪视场，精跟踪传感器的作用距离可能大于粗跟踪传感器。

若跟踪传感器的使用仅局限于设定的工作方式，将不能更充分发挥系统的跟踪效能，一种可行的工作方式是在精或粗跟踪各自双传感器数据融合的基础上，当一类跟踪传感器信号失效时。

瞬态用另一类跟踪传感器的目标信息闭环相应的伺服系统工作，保证系统工作的连续性和平稳性。

信息融合技术在卫星跟踪系统中的应用，即是必须的，也是现实的。

在现有的系统中对这一技术的实际应用已做了有益的探索，为进一步应用打下了必要的技术摹础，以计算机为主体的数字化信息产业的迅速发展，数字时代的到来，多处理器技术的发展。

信息传递速率的提高，使得快速复杂的多传感器数字信息处理技术成为可能，使实时、实用的多传感器信息融合技术在卫星跟踪系统中的实际应用成为可能。

四数据融合技术的发展方向
4.1 遗传算法和模糊聚合相结合
这种方法的优点在于:首先遗传算法是一种并行化算法，能够较好地解决多参数的优化问题，并目引一对算法的特点采用某些较新的算子，如实编码方式及对应的交义算子，和不一致变异技术应用都保证遗传算法具有较好的性能并节省时间;其次，遗传算法所采用的某些算子能更好的模拟模糊关系，可以使融合达到较高的精度。

这两种方法的结合还可以在信息源的可靠性、信息的冗余度互补性以及进行融合的分级结构不确定的情况下，以近似最优的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
神经网络虽然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。

因此，当学习完成后，神经网络所获得的输入/输出关系无法用容易被人接受的方式表小出来;目_神经网络诊断方法存在故障判断中非此即彼的绝对性，有时使诊断结果与实际情况不符。

而模糊系统是建立在被人容易接受的“如果二则”表达方式之上，但如何自动生成和调整隶属度函数和模糊规则，则是麻烦的问题，它依赖于专家，很费时间。

如果将模糊逻辑与神经网络融合，取长补短，利用神经网络来实现系统的模糊逻辑推理，(使传统的神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理含义)建立一种基于模糊系统与神经网络融合的方法，可提高整个系统的学习能力和表达能力，克服各自的不足，充分发挥两者优势。

这些问题都不是仿真所能解决的。

4.3 兼有稳健性和准确性的融合算法和模型的
着重研究相关处理、融合处理、系统模拟算法和模型，开展对数据融合系统的评估技术和度量标准研究。

目前，国内外已有不少学者致力于此，钊一对具体的应用对象提出了相应的各种模型及算法。

4.4 研究数据融合用的数据库和知识库，高速并行检索和推理机制
利用大型空间数据库中数据和知识进行推理是融合系统过程中的关键任务，但其数据量往往非常庞大时，这就有必要深入研究和探讨用于空间数据库的知识发现机制和方法。

日前己有许多学者致力于此领域的研究，提供了多种数据挖掘方法:如基于泛化的空间数据挖掘方法、空间数据聚类、近似计算与聚类、挖掘
光栅数据库。

POSS- II决策树方法的分类稳定性优于神经网络。

1996年，Shek 研发了CONQUEST(基于内容的空间和时间查询)。

五结束语
数据融合不是一门单一的技术，而是一门跨学科的综合理论和方法，尚处在不断的变化和发展过程中。

随着研究者的不断努力，不久的将来，数据融合的基础理论、兼有稳健性和准确性的融合算法都将得以完善和实现，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。

参考文献：
1 刘源;基于模糊信息处理的数据融合方法研究[D];西安电子科技大学;1999年
2 梁继民;多传感器决策融合方法研究[D];西安电子科技大学;1999年
孙翱;基于网络环境的多传感器信息融合理论及应用模型研究[D];大连理工大学;2000 3
年
4 关键;多传感器分布式恒虚警率（CFAR）检测算法研究[D];清华大学;2000年
5 刘贵喜;多传感器图像融合方法研究[D];西安电子科技大学;2001年
6 李树涛;多传感器图象信息融合方法与应用研究[D];湖南大学;2001年。