数据融合

1数据融合定义

1.1数据融合的定义

数据融合是面对不同级别，不同层次的对数据的处理流程，它的功能主要表现在将来自相异数据源的信息自动地做预处理，关联，预测更新和整合等相关处理。为了正规化管理数据融合中的专属词汇，美国国家安全部专门成立了一个特别的行动组织团体进行这项工作，从而实现了对数据融合的研究目的，定义和它的相关功能的预研究目的。随后数据融合的相关定义又被华尔兹和利纳斯进行了改进和补充。简而言之，人类本身就好比是一个天然的数据融合系统，我们的鼻子，嘴巴，耳朵，四肢以及眼睛就好比是一个个传感器，它们将各自获取的“数据”先进行“预处理”，也就是靠各自单一的感官去感觉，最后反馈给大脑这个中央处理器，大脑再对这些多源的“数据”进行处理，滤波和估计。

数据融合的定义基本上体现了数据融合的三个关键功能:(1)由于每个层级表示信息处理的不同级别，因此数据融合是在若干个层级上对空间分布的信息源进行操作的;(2)数据融合的本质其实就是对锁定的目标进行观测，追踪，状态预测和整合;(3)在数据融合操作完毕后会得到的高关联正确率的状态估计以及实时的威胁判断，这些处理结果将成为用户有价值的先验知识，从而使决策者做出正确的操作。

由数据融合的定义也可以看出，数据融合的过程是依托不同的层次来逐步完成的，一般主要由四层来共同完成。第一层主要是把各个传感器上获取的观测数据进行预处理，包括时间空间校对，坐标系变换等等;第二层主要是评估低层上得到的数据信息的态势，包括对现阶段态势的判断和未来时间的态势预测;第三层是面向整体态势的一种评估，其中有对总体态势的把握以及威胁级别的估计等等一系列。第四层主要是制定相关的补充计划。

1.2数据融合模型

在不同的应用范围，数据融合有不同的理论模型。在我们这个特定的数据融合系统中，通过用户在态势模拟服务器端自定义的起始点属性，传感器参数，配置信息来仿真传感器获取的局部航迹数据，并且保存在后台的理论航迹数据库中，然后分别传送到相应的终端节点，进行局部航迹的时间校对，空间校对等数据预处理过程，然后生成局部的态势信息。接着通过与其它终端节点间的相互通信，来共享彼此的局部态势信息，最后综合处理得到全局的态势信息和威胁评估，存入航迹数据库。具体模型如图2一1所示：

2数据融合的分类

根据不同的具体情况，数据融合也有不同的分类方法。按照信息范围的差异来划分，可按时间域，空间域和频率域等一系列来划分；按照融合手段的差异进行划分，可按基于统计学，基于概率论等一系列来划分；面向数据融合中不同的级别和次序来划分，可按高级，中级以及低级来划分。目前应用较为广泛的是将

数据融合分为像素级融合，特征级融合和决策级融合。

2.1像素级融合

像素级融合是指不对传感器接收到的信息进行处理，但在融合过程中要求达到一个像素的精准度。它的主要优缺点如下表:

2.2特征级融合

特征级融合主要是指从不同传感器中提取局部的有代表性的数据，然后根据这些局部数据组合得到具有显著特征的矢量。这种层次的融合在多层人工神经网络中有很好的应用，从毫米波雷达和激光雷达数据中获取需要的代表性数据，输入到神经网络中的数据就是由这些获取的代表性数据融合得到。为了在大量干扰目标中识别出我们所关注的特定目标，这些特征矢量需要由神经网络进行离线训练。这样的操作流程就可以实现以较高的精准度和概率分辨出该代表性矢量的类别。但是需要注意的是该训练结果由所有的传感器参与融合而得到的，因此一旦其中的某个传感器被替代成其他种类，那么需要重复收集数据和离线训练的操作。

2.3决策级融合

决策级融合主要是指先单独处理来自于各个传感器的目标信息，接着再对各个传感器的局部结果进行处理，从而得出整个系统的综合结果。决策融合，决策及其可信度融合和概率融合是决策级融合的三种主要的种类。其主要优缺点如下表:

三个融合层次优缺点的比较如下：

3数据融合技术

3.1数据融合中的状态估计和跟踪算法

传统的状态预测和跟踪算法主要包含:数据信息校对;将目标和数据信息联系起来;估计跟踪范围;数据之间的关联度量;将数据进行关联;找出航迹间的联系;实现目标定位，属性以及性能的预测;定义航迹的初始状态。在本数据融合系

统中，跟踪算法主要是针对局部航迹信息处理的，它的基本流程是根据获取的本地观测数据得到航迹的初始状态，经过关联处理把得到的局部航迹数据传递给融合模块进行融合处理。数据预处理模块，航迹起始模块，点迹航迹关联模块和航迹管理模块是组成跟踪算法的四个基本元素，其处理流程如图2一2。

跟踪算法把从传感器经由专用通信信道传输而得到的观测数据交给点迹预处理模块进行数据类型转换等一系列预处理操作。数据流经过处理以后将会在航迹起始模块和点迹航迹关联模块中进行运算，航迹管理模块对航迹信息更新的依据就是这里得到的运算结果，然后航迹管理模块中的航迹信息会被传送给融合算法进行融合处理。

图2一3详细地描述了航迹起始模块从点迹预处理模块和点迹航迹关联模块获取数据后进行航迹起始运算的流程。传递给点迹航迹关联模块的新航迹是为未来的点迹航迹关联做好预备工作。点迹航迹关联模块不仅从航迹起始模块获取新的航迹，同时对现有航迹和获取的航迹数据进行关联运算，最后搜索出关联流程中从未曾被航迹关联到的点迹再次交给航迹起始模块进行处理。

航迹管理模块一并把由点迹航迹关联模块与航迹起始模块获取的数据加上更新的航迹组成一个整体，把这个整体传递给融合模块处理。

3.2数据融合中的融合算法

时间空间校对、航迹与航迹之间的关联、对航迹态势进行融合以及整体航迹态势的管理是融合算法的四大功能。对于相异的数据融合系统，都有各自相异的最好的融合方法。在分布式数据融合系统中运用航迹间融合的方法比较适合，因

为航迹间融合的运算量比较小并且传送速度快。对于集中式数据融合系统，最好的融合方法是点迹融合，点迹融合的规则是把所有传感器的观察数据交给融合中心进行点迹与航迹融合，但是这种方法的明显劣势是传感器观察的数据量比较大，在强干扰波区会生成许多由干扰波造成的点迹，使得融合鲁棒性不足。因此航迹处理问题是不同数据融合系统中均存在的问题，无论是分布式数据融合系统还是集中式数据融合系统，唯一的区别是完成处理工作是在相异的节点上。因此生成航迹，存储航迹以及删除航迹的规范是航迹处理过程中的一个异常关键的问题，同时也是对目标进行不间断跟踪的核心技术。

数据预处理和数据关联是数据融合之前必要的准备工作。数据预处理主要包括点迹过滤和坐标转换两个方面。在多传感器体系中，有用的目标回波生成的同时往往伴随着很多低速目标回波和非动态目标回波，但是就是这些无效的干扰波造成了运算繁琐从而加重了系统负担。因此系统必须找到一类有效的点迹过滤方法来减少许多由干扰波造成的独立点迹和虚点迹，有效的过滤方法不仅能减少无用波引发的干扰因素，同时也能提升系统的状态预测准度，改善系统性能。点迹滤波主要是根据非动态目标和动态目标在跨周期特性上的差异然后运用一定的判断策略来判断数据的跨周期性，以此来区分非动态目标和动态目标。点迹过滤主要是针对点迹过滤，点迹组合和去野值这三个方面来进行操作。点迹过滤的主要功能是划分传感器观察数据的种类，点迹组合是将对相同观察目标的几个观察数据组合成为一个整体数据，去野值就是摒弃些严重不合理或者发生明显错误的数据对象。另外一方面的坐标转换就是把由传感器传送过来的数据进行坐标转换，从而成为数据融合系统中所需要的笛卡尔坐标系。

对数据对象进行数据关联的时候，面对不同的系统需求，会运用不同类型的数据关联算法，然而数据关联算法有很多种，这里只列出比较常用的四类。这四类常用的数据关联算法的主要优缺点如表2一4所示。