《2022年数据融合技术归纳》由会员分享,可在线阅读,更多相关《2022年数据融合技术归纳(6页珍藏版)》请在金锄头文库上搜索。
1、数据融合技术的研究方法及现状学科专业:模式识别与智能系统姓名:高鸽学号: S20110399 日期: 2012年4月名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页,共 6 页 - - - - - - - - - 1 常用数据融合方法多传感器数据融合涉及到多方面的理论和技术,如信号处理、 估计理论、 不确定性理论、最优化理论、模式识别、神经网络、人工智能、小波分析理论和支持向量机等。很多学者从不同角度出发提出了多种数据融合技术方案。表1对现有比较常用的数据融合方法进行了归纳,主
2、要分为经典方法和现代方法两大类。目前,人们已开始将多传感器信息融合应用于复杂工业过程控制系统,文献 25 提出的复杂工业过程综合集成智能控制系统便是其中的一种。表1 常用的数据融合方法信息融合方法经典方法加权平均法极大似然估计最小二乘法Kalman滤波法贝叶斯估计法经典推理法D-S证据理论品质因数法现代方法聚类分析逻辑模板法熵理论表决法模糊逻辑产生式规则模糊集合理论 17,18 遗传算法神经网络 19,20 粗糙集理论小波分析理论 21-23 专家系统1)加权平均法加权平均法是最简单直观地实时处理信息的融合方法。基本过程如下:设用 n个传感器对某个物理量进行测量, 第i 个传感器输出的数据为i
3、X, 其中, i= 1,2, ,n, 对每个传感器的输出测量值进行加权平均, 加权系数为iw , 得到的加权平均融合结果为:i1=niiXwX加权平均法将来自不同传感器的冗余信息进行加权平均, 结果作为融合值。 应用该方法必须先对系统和传感器进行详细分析, 以获得正确的权值。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页,共 6 页 - - - - - - - - - 2 2)极大似然估计极大似然估计是静态环境中的常用方法,能将信息融合取为使似然函数得到估计值。3)Kalma
4、n 滤波 Kalman 滤波用于动态环境中冗余信息的实时融合。对线性模型系统, 且噪声是高斯分布的白噪声, 可获得最优融合信息统计。非线性模型, 可采用扩展 Kalman 滤波。系统模型有变化或系统状态有渐/ 突变时 , 可采用基于强跟踪的Kalman 滤波。4)贝叶斯估计法贝叶斯估计属静态环境信息融合方法,信息描述为概率分布,适用于具有加高斯噪声的不确定信息处理。贝叶斯推理技术主要用来进行策略层融合,它是通过把先验信息和样本信息合成为后验分布,对检测目标作出推断。设来自第i 个传感器的信息为is,i=1,2,k,则数据融合后目标 d 的后验概率是:111()(|)|()(|)()(|)kii
5、kkiiiiiP dPdPP dPdP dPdssss( d) =缺点:对先验概率比较敏感,并且要找到一个合适的先验分布并不容易。4)D-S 法Dempster-Shafter(简称 D-S 法)是目前数据融合技术中比较常用的一种方法。该方法通常用来表示对于检测目标的大小、位置及存在与否进行推断。它实际上是广义的贝叶斯方法。 根据人的推理模式,采用了概率区间和不确定区间来决定多证据下假设的似然函数来进行推理。由各种传感器检测到的信息提取的特征参数构成了该理论中的证据,利用这些证据构造相应的基本概率分布函数,对于所有的命题赋予一个信任度。基本概率分布函数及其相应的分辨框合称为一个证据体。因此,
6、每个传感器就相当于一个证据体。多个传感器数据融合,实际上就是在同归分辨框下,用Dempster 合并规则将各个证据体合并成一个新的证据体。产生新证据体的过程就是D-S 法数据融合。5)聚类分析法聚类分析定义相似性函数或关联度量以提供任何两个特征向量间“接近”程度或不相似程度的值, 依隶属度将样本归并到某类。可分成硬聚类和模糊聚类和可能性聚类等方法。6)模糊逻辑法针对数据融合中所检测的目标特征具有某种模糊性的现象,有人利用模糊逻辑方法对检测目标进行识别和分类。建立标准检测目标和待识别检测目标的模糊子集是此方法的研究基础。但模糊子集的建立需要有各种各样的标准检测目标,同时又必须建立合适的隶属函数。
7、实际上,确定隶属函数比较麻烦,目前还没有规范的方法可遵循。又由于名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页,共 6 页 - - - - - - - - - 3 标准检测目标子集的建立受到各种条件的限制,总与实际中目标类型有出入,而且其结果往往仅对标准检测目标类型敏感,所以往往误差较大。数据融合的层次多传感器数据融合与经典信号处理方法之间也存在本质的区别,其关键在于数据融合所处理的多传感器信息具有更复杂的形式,而且, 可以在不同的信息层次上出现,每个层次代表了对数据不同程度
8、的融合过程,这些信息抽象层次包括数据层( 像素级 ) 、特征层和决策层2 。相应的数据融合也主要有数据级、特征级和决策级融合3种方式,表 2对其所属层次、主要特点、方法及应用进行了总结归纳。表2 不同的信息层次上的数据融合分类类型数据级融合特征级融合决策级融合所属层次最低层次中间层次高层次主要优点原始信息丰富,并能提供另外 2个融合层次所不能提供娥详细信息,精度最高1,4。实现了对原始数据的压缩,减少了大量干扰数据,易实现实时处理,并具有较高的精确度。所需要的通信量小,传输带宽低,容错能力比较强,可以应用于异质传感器 5,6. 主要缺点所要处理的传感器数据量巨大,处理代价高,耗时长,实时性差1
9、 ; 原始数据易受噪声污染,需融合系统具有较好的容错能力5 。在融合前必须先对特征进行相关处理,把特征向量分类成有意义的组合 2 。判决精度低,误判决率升高,同时数据处理的代价比较高2,5。主要方法HIS变换, PCA 变换,小波变换及加权平均等。聚类分析法,贝叶斯估计法,信息熵法,加权平均法 6,D-S证据推理法,表决法及神经网络法等。贝叶斯估计法、专家系统、神经网络法、模糊集理论、可靠性理论以及逻辑模板法等1,6。主要应用多源图像复合、图像分析和理解 2 。多传感器目标跟踪领域,融合系统主要实现参数相关和状态向量估计。其结果可为指挥控制与决策提供依据。数据级融合是指在融合算法中,要求进行融
10、合的传感器数据间具有精确到一个像素的匹配精度的任何抽象层次的融合;特征级融合是指从各只传感器提供的原始数据中进行特征提取,然后,融合这些特征;决策级融合是指在融合之前,各传感器数据源都经过变换并获得独立的身份估计。信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合,最终得到整体一致的名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页,共 6 页 - - - - - - - - - 4 决策 3 。数据融合技术的研究现状数据融合技术起源于军事应用的需要,作为对固定和跟
11、踪目标分布的结构化的可能状态和前景估计,目前还没有一种单一的方法或过程去进行数据融合以支持态势评估和威胁估计。从现有的文献资料看,人工智能技术在这一领域有较为乐观的应用前景,推理和专家系统、神经网络等理论已受到研究人员的高度重视,并取得了一定成果。这些成果根据不同的原理散布在不同的学科领域中,Sikka 和Varshney 讨论了分布式人工智能在数据融合中的应用。 Chaudhuri 和Agrawal 则讨论了这一技术在3C I及其子系统中的应用。关于这方面较早工作是由 Dillard 、Cross和Payne进行的。 Priebe和Marchette提出一种保留自适应网络系统自然分布的统计方
12、法,从而使得网络能够学习逼近数据的概率分布。这不仅使网络有潜在的较高效益,并允许其他系统可以在概况意义上使用该网络的输出。Brown 等考虑了数据融合算法的神经网络实现。我国学者也很重视对数据融合的研究。杨静宇和李银杰等1991年就分别讨论了多源信息数据融合技术。 这是我国最早关于数据融合的论述。我国学者主要在吸收、消化国外研究成果方面作了大量工作,已有大量国外数据融合技术的文章被翻译成中文介绍给国内同行。当前和今后的一个时期要积极收集、吸收国外的有关理论和方法,并力争在某些关键技术上有所突破。从数据融合的整个现状来看,高层次的数据融合方法都不具有通用性。现有的系统中成功的不确定推理方法无论是
13、定性的还是定量的都不具有普遍的指导意义,他们都是针对特定的应用环境而设计的。在这种情形下, 必须避免把一个问题的有效解决方法施加于另一个给定的问题。 人们已经开始寻求一种能够被广泛接受的数据融合理论,以便用该理论解释和评估不同形势下的数据融合问题。这是一个必然的前景。参考文献1 李静,贾利民数据融合综述J 交通标准化,2007(9) :192-194 2 吴艳多传感器数据融合算法研究D 西安:西安电子科技大学,20033 周芳,韩立岩多传感器信息融合技术综述J 遥测遥控, 2006,27(3) :1-7 4 祝宏,曾祥进多传感器信息融合研究综述J 计算机与数字工程, 2007, 35(12)
14、: 46-48 5 姜万录,李冲祥,刘继刚多传感器数据融合技术的现状及展望J 机床与液压,2003(3) :16-19 6 李娟,李娃,李斯娜, 等多传感器数据融合技术综述J 云南大学学报, 2008, 30(S2) :241-246 7Waltz E,Buede D M.Data fusion and decision support for command and controlJ.IEEE Trans on Syst,Man & Cybern,1986,16(6):865-879. 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - -
15、- - 名师精心整理 - - - - - - - 第 5 页,共 6 页 - - - - - - - - - 5 8Comparato V G.FusionThe key to tactical mission successJ. SPIE,1988,93(1):2-7. 9Hamilton M K,Kipp T A.ATR architecture for multisensor fusionJ.spie,1996,275(5):126-133. 10Abidi M A,Conzalez R C. Data fusion in robotics and machine intelligenc
16、eM.Boston:Academic,1992. 11Murphy R R. Dempster-shafer theory for sensor fusion in autonomous mobile robotsJ. IEEE Trans on Robot Autom,1998,14(2):197-206. 12 李圣怡 , 吴学忠 , 范大鹏 . 多传感器融合理论及在智能制造系统中的应用M. 长沙:国防大学出版社 ,data fusionJ.IEEE Trans on Instrum Meas,1994,43(2):288-294. 13Murphy R R. Sensor and inf
17、ormation fusion for improved vision-based vehicle guidanceJ.IEEE Expert,1998,13(6):49-56. 14Neira J,Tardos J D,Horn Jet al.Fusing range and intensity image for mobile robot localizationJ.IEEE Trans on Robot Autom,1999,15(1):76-84. 15Katyal S,Kramer E L,Noz M E et al.Fusion of imunoscinti graphy SPEC
18、T with CT of the chest in patients with non-small cell lung cancerJ.Cancer Res,1995,55(s):5759-5763. 16Hernandez A I,Carrault G,Mora F et al.Multisensor fusion for atrial and ventricular activity detection in coronary care monitoringJ.IEEE Trans on Biomed Eng,1999,46(10):1186-1190. 17Russo F,Ramponi
19、 G.Fuzzy methods for multisensor data fusionJ.IEEE Trans on Instrum Meas,1994,43(2):288-294. 18Chanussot J,Mauris G,Lambert P.Fuzzy fusion techniques for linear features detection in multitemporal SAR imagesJ.IEEE Trans on Geosci Remote Sening,1999,37(3):1292-1305. 19Wan W,Fraser D.Multisource data
20、fusion with multiple self-organizing mapsJ.IEEE Trans on Geosci Remote Sening,1999,37(3):1344-1349. 20Jimenez L O,Morales-Morell A,Creus A.Classification of hyperdimensional data based on feature and decision approaches using projection pursuit,majority voting and neural networksJ.IEEE Trans on Geos
21、ci Remote Sening,1999,37(3):1360-1365. 21Mallat S G. Atheory for multiresolution signal decomposition:The wavelet representationJ.IEEE Trans on Pattern Anal Machine Intell,1989,11(7):674-693. 22Zhang Z,Blum R S.Acategorization of multicsale-de-composition-based image fusion schmes with a performance
22、 study for a digital camera applicationJ.Proc IEEE,1999,87(8):1315-1326. 23Li S T,Wang Y N.Multisensor image fusion using discrete multiwavelet transformA.Proc of the 3rd Int Conf on Visual ComputingC.Mexico,2000.93-103. 24Ben-Yacoub S,Abdeljaoued Y,Mayoran E.Fusion of face and speech data for person identity verificationJ.IEEE Trans on Neural Networks,1999,10(5):1065-1074. 25 王耀南 . 国家 863计划项目验收技术报告复杂工业过程的综合集成智能控制及应用R. 长沙:湖南大学,2000,150-200. 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页,共 6 页 - - - - - - - - -