《多信息融合技术概述》由会员分享，可在线阅读，更多相关《多信息融合技术概述（2页珍藏版）》请在金锄头文库上搜索。
1、本次讲座主要讲了多源数据融合的定义、应用领域、所具有的优势、信息融合的级别、 通用处理结构、主要技术方法、要解决的几个关键问题和未来的主要研究方向。下面就围绕这几个方面进行阐述。多源信息融合是一种多层次，多方面的处理过程，包括对多源数据进行检测、相关、组合和估计，从而提高状态和身份估计的精度，以及对战场态势和威胁的重要程度进行实时完整的评估。简单说，多源信息融合就是对多源信息进行综合处理，从而得出更为准确、可靠的结论。例如我们感知天气，通过我们的体表感觉温度的高低，通过眼睛观察天气的晴朗或阴雨，通过耳朵听风的大小， 然后将这些信息通过大脑的综合处理，对天气有一个总体的感知定位。多源信息融合在各
2、个领域都有着广泛的应用。如军事上进行战场监视、图像融合，包含医学图像融合等、工业智能机器人（对图像、声音、电磁等数据进行融合，以进行推理，从 而完成任务）、空中交通管制（由导航设备、监事和控制设备、通信设备和人员四部分组成）、 工业过程监控（过程诊断）、刑侦（将人的生物特征如指纹、虹膜、人脸、声音等信息进行 融合，可提高对人身份识别的能力）、遥感等。信息融合技术越来越受到人们的重视，这时因为它在信息处理方面具有一定的优势。增强系统的生存能力， 也就是防破坏能力， 改善系统的可靠性； 可以在时间、空间上扩展覆盖 范围；提高可信度，降低信息的模糊度， 如可以使多传感器对同一目标或时间加以确定；提
3、高空间分辨率，多传感器信息的合成可以获得比任一单传感器更高的分辨率；增加了测量空间的维数，从而使系统不易受到破坏。信息融合的级别有多种分类方法，若按数据抽象的层次来分， 可分为数据级融合、 特征级融合和决策级融合。数据级融合是直接对传感器的观测数据进行融合处理，然后基于融合后的结果进行特征提取和判断决策。数据级融合的精度高， 但由于数据量大，故处理的时间长，代价高，数据通信量大，抗干扰能力差，并且要求传感器是同类的。多应用在多源图像 复合、同类雷达波形的直接合成等。 特征级融合是先由每个传感器抽象出自己的特征向量（比如目标的边缘、方向、速度等信息），融合中心完成的是特征向量的融合处理。这种融合
4、级 别实现了可观的数据压缩，降低了通信带宽的要求，有利于实现实时处理，但却损失了一部 分有用信息，使融合性能有所降低。决策级融合是先由每个传感器基于自己的数据作出决策， 然后融合中心完成的使局部决策的融合处理。这种级别的融合数据损失量大，相对来讲精度低，但却抗干扰能力强，通信量小，对传感器依赖小，不要求同质传感器，融合中心处理代 价低。图1、集中式结构多源数据融合的通用结构有集中式结构、分布式结构和混合式结构。集中式结构是所有传感器的数据直接送给融合中心进行处理，结构如图1所示。分布式结构是融合中心收到的是经过局部处理的数据，结构如图2所示。混合式结构是集中式结构与分布式结构的组合，即融合中心
5、收到的既有原始数据，又有经过局部与处理后的数，如图3所示。图2、分布式结构传感器2传感器N传感器1局部估计1Jr融合状态估计中心bL局部测量2局部估计N图3、混合式结构多源数据融合主要用到的技术方法有信号处理与估计理论方法、统计推断方法、信息论方法、决策论方法、人工智能方法等。信号处理与估计理论方法包括Kalman滤波、最小二乘法、小波变换等。统计推断法包括Bayes推理、随即理论等。信息论方法有熵方法等。决策论方法一般用于决策融合。人工智能方法包括模糊逻辑、神经网络等。多源数据融合的发展还处于一个初期阶段，在各个方面还需要发展完善。急需解决的几个关键问题主要有数据对准，即将时域上不同步，空间
6、上属于不同坐标系的多源观测数据进 行时空对准，从而将多源数据纳入一个统一的参考框架中，为数据融合的后期工作做铺垫； 数据关联，将隶属于同一数据源的数据组合在一起，主要处理分类和组合问题；如何处理观测数据的不确定性比如还有噪声；如何处理不完整、不一致、虚假的数据等。对于不同的问题将会有不同的研究方向。目前尚未形成完整的理论体系，也缺乏完整有效的一般解决方法， 故需要完善基础理论；改进融合算法，提高系统性能，特别是异类信息的融合还没有成熟的算法；传感器资源管理优化，包括空间管理、时间管理、模式管理等； 研究系统性能评估方法；研究工程化评估方法等。这些都将是多源数据融合技术在未来比较 有前景的发展方向。
