（计算机应用技术专业论文）多压力传感器数据融合方法研究.pdf

摘要 多传感器数据融合问题已经引起许多学者的广泛关注。通常，压力传感器 都存在交叉灵敏度，其主要表现在传感器静态特性不仅受目标参量的影响而且 还受多个非目标参量的影响。由于传感器的输出受多个参量的变化的影响，导 致其性能不稳定，测量精度降低。 针对温度、噪声、电源波动等多种环境因素影响压力传感器输出电压值这 一问题，在阅读了大量的参考文献资料后，经过研究，本文提出了基于电压门 限值，对传感器输出电压值进行预处理，然后再利用b p 神经网络对数据进行 融合补偿，以提高其鲁棒性、容错性、实时性。主要工作如下： 1 、对数据融合理论进行了较深入研究，对多种数据融合方法进行比较， 得到了各自的特点和适用的条件，确定了一种符合本系统需求的合适的融合算 法。 2 、通过对用于数据融合的神经网络输入选取的研究，给出了神经网络输 入选取的三个规则：网络实现的数据融合功能、类别可分性及考虑噪声对类别 可分性的影响。 3 、构建了基于b p 神经网络的压力传感器数据融合的方法，通过对数据 进行多层预处理，以减少噪声等影响；再利用神经网络进行数据融合得到更准 确的测量数据，并通过实验数据比较证明了该方法的实用性。 关键字：数据融合：b p 神经网络；压力传感器 a b s t r a c t m u l t i s e n s o rd a t af u s i o nh a sa t t r a c t e db r o a da t t e n t i o n t h ec r o s s s e n s i t i v i t y p r o b l e mw i d e l ye x i s t si nt h ep r e s s u r es e n s o r , w h o s es t a t i cc h a r a c t e r i s t i c sa r en o t o n l ys u b j e c t e dt ot h ev a r i e t yo ft a r g e tp a r a m e t e r sb u ta l s oa f f e c t e db yan u m b e ro f n o n - t a r g e tp a r a m e t e r s b e c a u s ei ti sd e t e r m i n e db yt h ec o r r e s p o n d i n gp a r a m e t e r s ， p e r f o r m a n c eo ft h es e n s o r so u t p u t sa r ev e r yu n s t a b l ea n di n a c c u r a c y i nt h i sp a p e r ，w ea d d r e s s e dt h ec o n c e r no nt h ep r o b l e mo ft h eu n s t a b l eo u t p u t v o l t a g eo fp r e s s u r es e n s o rc a u s e db ye n v i r o n m e n t a lf a c t o r ss u c ha st e m p e r a t u r e ， n o i s e ，a n dp o w e rs u p p l yf l u c t u a t i o n s a f t e rr e a d i n gal a r g en u m b e ro fr e f e r e n c e s ， w ep r o p o s e di n t h i sp a p e ran o v e la p p r o a c h ，w h i c hm a k e su s eo fb pn e u r a l n e t w o r kt o o lt os o l v et h ed a t af u s i o nc o m p e n s a t io np r o b l e mb a s e do nt h ev o l t a g e t h r e s h o l da n ds o m es e n s o ro u t p u tv o l t a g ep r e p r o c e s s e dm e t h o d t h i sn e wm e t h o d i m p r o v e st h ep e r f o r m a n c eo fr o b u s t n e s s ，f a u l tt o l e r a n c ea n dr e a l t i m e t h em a i n r e s e a r c hw o r ko ft h i sp a p e ra r ea sf o l l o w s ： f i r s to fa l l ，w ed oi n t e n s i v er e s e a r c ha sw e l la sm a k es o m ec o m p a r i s o n s a m o n gm a n yd a t af u s i o nm e t h o d s b a s e do nt h ed i f f e r e n tc h a r a c t e r i s t i c sa n d a p p l i c a b l ec o n d i t i o n so ft h e s em e t h o d s ，w ep r e s e n tan e wa p p r o p r i a t ef u s i o n a l g o r i t h mw h i c hc a ns a t i s f yt h ed e s i r eo fo u rs y s t e m s e c o n d l y , w es t u d yo nt h es e l e c t i n gm e t h o d sc o r r e s p o n d i n gt on e u r a l n e t w o r ki n p u tv a l u ew h i c hi su s e df o rd a t af u s h i o na n dp r e s e n tt h r e er u l e so nt h e s e l e c t i n gm e t h o do fn e u r a ln e t w o r ki n p u t ：t h ed a t an e t w o r ki n t e g r a t i o nc a p a b i l i t i e s ， c l a s ss e p a r a b i l i t ya n dt h ei m p a c to nt h ec l a s ss e p a r a b i l i t ya f t e rc o n s i d e r i n gt h e s y s t e mn o i s e t h i r d l y ，w ec o n s t r u c tan e wd a t af u s i o na p p r o a c ho ft h ep r e s s u r es e n s o r b a s e do nb pn e u r a ln e t w o r k ，w h i c hc a nm a k em u l t i 1 a y e rp r o c e s st ot h ed a t aa n d r e d u c et h ei m p a c to fn o i s e t h e n ，w ec a no b t a i nm o r ea c c u r a t e l yd a t a s e ta f t e r c o m p l e t i n gd a t af u s i o nw i t ht h en e u r a ln e t w o r km e t h o d a tl a s t ，w em a k es o m e c o m p a r i s i o nw i t ht h ee x p e r i e n t a lr e s l u t sa n da l s op r o v et h ef e a s i b i l i t yo fo u r a p p r o a c h k e y w o r d s ：d a t af u s i o n ；b pn e u r a ln e t ；p r e s s u r es e n s o r i i 长沙理工大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含 任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重 要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本 声明的法律后果由本人承担。 作者签名：_ 芦铂日期：户6 月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意 学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论 文被查阅和借阅。本人授权长沙理工大学可以将本学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手 段保存和汇编本学位论文。 本学位论文属于 l 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“4 ) 名：帝并 吼叫、年6 月日 导师签名： 日弓 曰 第一章绪论 多传感器数据融合技术在目前智能信息处理领域中一种应用广泛的重要方 法。多传感器数据融合就是将由多个传感器所获得的观测信息，依据某种特定 的融合方法对信息进行分析、综合的信息处理的过程。多传感器数据融合问题 已经引起了人们广泛的兴趣。本章从数据融合的背景出发，描述国内外多传感 器数据融合技术的发展现状，最后说明本论文的研究内容。 1 1 课题的背景和意义 数据融合是一门新兴发展起来的新技术，它最早起源于军事领域，在上世 纪7 0 年代出现，它与计算机技术、信号处理技术、概率统计学、人工智能学 科和图像处理技术紧密相关。随着现代军事系统与民用生产生活系统的多传感 器系统的发展，传感器已经可以各方面对系统和对象的特性进行测量，但是由 于传感器提供的信息的时间与地点不同，采样频率与表达形式不同，不确定性 与可信度不同，有不同的侧重点用途，因此如何综合利用这些信息，怎样最大 限度的将可用信息提取出来，从而得出最正确的识别与判断成为人们最关心的 问题。 近年来，不管是在民事领域还是军事领域的多传感器数据融合技术应用都 极为广泛。多传感器数据融合技术已成为工业控制、军事和高技术开发等都关 心的问题。这一技术现在已经应用于c 3 i ( c o m m a n d ，c o n t r o l ，c o m m u n ic a t i o n a n di n t e ll ig e n c e ) 系统、海洋监视和管理、复杂工业过程控制、惯性导航、 机器人、交通管制、自动目标识别、遥感、农业、医疗诊断、模式识别、图像 处理等领域。实践证明：运用多传感器数据融合技术与单传感器系统进行比 较，在解决目标识别、探测和跟踪等问题方面，多传感器数据融合技术能够使 系统生存能力与数据的可信度得到增强，让整个系统更可靠、稳定，而且还提 高了精度，扩展空间覆盖率和整个系统的时间，增加了信息利用率和系统的实 时性等心1 。 现在工业测控现场的环境温度经常发生变化，传感器都对温度大多数会有 一定的敏感度，这就会造成传感器的灵敏度和零点变得不准确，传感器还会受 一些其它因素的影响，都会随环境的影响造成输出值发生变化，使得测量结果 出现附加误差，因此本课题提出利用多传感器进行数据融合的方法，来提高传 感器的测量精度，并在文中对这一方法进行了一定的研究。 1 2 国内外多传感器数据融合技术的研究现状 数据融合理论最早出现是在2 0 世纪7 0 年代，美国康涅狄格大学的著名系 统科学家y b a r - s h a lo m 教授提出了概率数据互联滤波器的概念，而这个概念就 是数据融合的雏形。随后他又与美国军事研究机构研究发现，同时对多个连续 声纳信号采用概率数据互联滤波处理之后，敌方舰艇的位置可以被高精度的检 测出来，正是这个发现推动了数据融合理论的发展，并在之后成功研制了多个 适用的军用数据融合系统。 1 9 8 8 年，数据融合技术被美国国会军事委员会列为对国防有至关重要作用 的2 l 项关键技术之一，而且还把它列为最优先发展类别。到1 9 9 1 年，美国已 成功的将5 4 个数据融合系统直接引入到军事系统中去，其中8 7 己有试验样 机或已被应用。8 0 年代以来，美国利用数据融合技术相继研究开发了进行目 标识别与跟踪、战场态势评估及威胁评估等各种军事系统，这些系统在后来的 军事战场上都发挥了不同程度的作用，比如在海湾战争中这些系统对导弹拦截 就发挥了相当重要作用。 近些年来，人们对多传感器数据融合技术越来越关注，数据融合一词在众 多军事以及非军事领域中十分频繁地出现。其军事应用主要包括导弹防御、海 上监视、战略预警和防御以及监视和获取目标情报等。现代战争中都利用一切 可以利用的手段进行信息获取，其中包括光学摄像机、红外摄像机、计算机网 络、雷达、通信设备等，并对这些信息进行融合，把这些信息综合转变成有用 的信息，达到对目标进行获取、跟踪和识别的目的。非军事领域的应用包括医 疗诊断和机器人、设备自动监视、遥感技术等。如今对数据融合技术进行研究 的研究者显著增加，因此每年都能获得大量的成果，充实和壮大自己。随着时 代的进步，传感器性能不断提高，并涌现出大量的多传感器系统应用于各个领 域。 在学术方面，从1 9 8 7 年开始，美国军方每年都会召开一次n a t io n a ls y m p o ns e n s o rf u s i o n 学术会议，s p i e 的a e r o s e n s e 年度大会中有两个分会分别 是s e n s o rf u s i o n ：a l g o r i t h m s a n da r c h i t e c t u r e 和s i g n a l a n dd a t a p r o c e s s i n go fs m a l lt a r g e t ，这两个分会的讨论重点也是关于数据融合技术 和目标跟踪技术。从1 9 9 5 年开始，i e e e 每两年召开一次m u l t i s e n s o rf u s i o n a n di n t e g r a t i o n 学术会议。1 9 9 8 年，国际信息融合学会( i s i f ) 成立，并且每 年都会举办一次国际性学术会议，总结数据融合领域的研究成果。期刊方面， i e e et r a n s o na e c ，a c ，s p 及s m c ，i e e ep r o e o fr s n ，j o u r n a lo f s p 上经常会有有关信息融合的论文的发表。2 0 0 0 年，j o u r n a lo fi n f o r m a t i o n f u s io n 创办并正式发行。国外有关数据融合的学术专著有很多，其中j l 1in a s 2 和e w a lt z 的多传感器数据融合，d l h a l1 的多传感器数据融合中的数 学技术以及d l h a l1 和j l 1in a s 编著的多传感器数据融合手册全面的、 系统的阐述了数据融合的研究内容、应用。数据融合领域研究前沿机构有：美 国的新奥尔良大学、乔治梅森大学、海军水面作战中心( n s w c ) 、康涅狄格大 学、佐治亚理土学院、澳国防部下属机构中的传感器信号与信息处理合作研究 中心( c s s i p ) 与澳大利亚墨尔本大学、法国计算机科学与控制研究院( i n r i a ) 等。 在国内，对多传感器数据融合技术的研究发展比较晚，到了2 0 世纪8 0 年代初，才有人开始对多目标跟踪技术进行研究，8 0 年代末才有对有关多传 感器数据融合技术的研究报道。9 0 年代初，多传感器数据融合技术才在国内 形成研究高潮，9 0 年代中期，这一关键技术被多方关注，并陆续出现了许多 热门的研究方向，同时一些有初步综合能力的多传感器数据融合系统也相继出 现，并且有一大批高校和研究所开始深入研究多传感器数据融合技术，并形成 一大批理论研究成果。 f a r a v e l li 等提出用4 个b p ( b a c kp r o p a g a tio n ) 神经网络对一个悬臂析架 进行损伤识别，他用一个网络进行损伤类型的识别，判断其是否损伤，若损伤 则损伤的杆件属于弦杆、竖直腹杆还是斜腹杆，在完成杆件的分类之后，再调 用识别相应杆件的网络对损伤单元进行识别旧1 。 郑柳萍、梁列全利用数据融合系统提出一种基于g s m g p r s ( g 1 0 b a ls y s t e m f o rm o b il ec o m m u n i c a t i o n g e n e r a lp a c k e tr a d i 0s e r v i c e ) 技术的工程机 械设备远程监测与故障诊断系统，这个系统结合多传感器数据融合、网络通信 的相关理论，对工程机械设备运行状态进行故障诊断和远程监测分析，并协助 工程接卸制造商位用户提供及时有效地售后服务，为企业和用户带来巨大的经 济效益h 1 。 王随平、魏炜等人在深海集矿机的海底鱼定位研究中提出一种基于多传感 器数据融合思想的深海集矿机定位与导航方法，它通过采用自适应卡尔曼滤波 算法，融合通过一种修正的长基线水声定位系统得到的位置测量值与利用多普 勒测速仪器等传感器得到的推算值，得出某时刻集矿机位置的最优估计，很好 的克服了单传感器测量的单一性和局限性口】。 刘海燕、陈红林等人为了提高空中目标多传感器融合的准确性和可靠性， 对充满不确定性、模糊性的控制目标识别数据进行处理，提出了一种以模糊贝 叶斯网络作为基本结构的数据融合模型。它可以用于战场，对战前的各种信息 与专家的经验与战场上收集到的数据进行综合判断，得到合理的、完备的信息 【6 】 0 罗永健、彭政等人利用最优加权法和最小二乘法相结合的数据融合方法， 3 在系统噪声相关时仍能获得较高的测量精度 1 。陈双叶，戴志峰等人利用粗糙 集理论对数据进行分析，从大量的原始数据中发现精简的、概略化的规则，建 立一套逻辑推理模型，以提高测量精度叫0 1 。钱光耀，孙东延等人根据人工神 经网络自适应的学习特性，通过神经网络方法对信息进行数据融合处理，来提 高传感器的稳定性和准确度叫钔。 数据融合的发展趋势如下： ( 1 ) 建立统一的数据融合体系结构和数据融合理论。 ( 2 ) 融合过程中进行状态估计和决策分析，研究开发更有效的推理系统。 ( 3 ) 将人工智能理论应用到数据融合领域中，综合利用计算智能方法进 行多传感器融合，以提高系统的性能。 ( 4 ) 构建多传感器管理体系与数据融合评估测试平台。 ( 5 ) 解决数据融合中不确定性因素的表达和推理演算。 ( 6 ) 解决数据预处理、数据配准、数据库构建与管理等问题，建立满足 具体应用目标要求的数据融合系统。 ( 7 ) 为了在获取数据的同时就能实时的完成数据融合，开发能够完成多 种复杂数据融合算法处理的硬件。 1 3 本文的主要研究工作 综上所述，数据融合绝大部分的研究都只是针对特定的问题、特定的对象， 而形成所谓的最佳方案，因此数据融合还存在许多不足： ( 1 ) 数据融合还没有能够形成一套完整的理论体系。 ( 2 ) 融合系统中的容错性或鲁棒性问题还没有得到很好的解决。 ( 3 ) 数据融合的具体方法的应用研究还只处于初步阶段。 ( 4 ) 如果数据融合对象是来自不同的目标或者事件，由于对观测信息的关 联还存在很大的障碍，系统难以得到正确的结论。 ( 5 ) 在设计数据融合系统时还存在许多实际问题。 针对当前数据融合中所存在的一些问题，考虑到时间的局限性，本文将 结合多传感器的数据融合的特点，选择一种合适的人工智能的方法，将其应用 于提高压力传感器的测量精度；将组合多类传感器，与压力传感器进行多传感 器数据融合处理，通过多源互补信息减小压力传感器的测量不确定性。使多传 感器数据融合系统能更准确的对被测对象的状态进行描述，提高其鲁棒性，容 错性，实时性。这对工业控制过程中压力传感器的测量求精具有重要的现实价 值。 本论文章节安排如下： 第一章对数据融合的研究现状和发展前景进行描述，提出本文的主要研究 4 工作。 第二章主要介绍数据融合的基本理论以及方法。 第三章利用对神经网络理论的研究，提出了神经网络输入选取的三个规 则。 第四章提出利用门限对数据进行预处理，然后用神经网络方法进行多压力 传感器组的数据融合方法，并对其实验分析。 第二章数据融合问题 2 1 数据融合的定义 数据融合这一技术最早起源于军事领域，在上世纪7 0 年代出现。随着科 学信息技术的进步，数据融合这一技术已经在多个领域广泛的应用：如医学、 气象预报、智能交通、生物信息科学、机器人、检测系统、农业、故障诊断系 统等等。数据融合就是利用多传感器收集各种信息，并将这些信息进行多方面 和多层次的数据信息检测、估计及综合，从而能正确的估计目标对象的状态和 特征，以及进行态势和威胁评估的一种综合信息处理过程。它将不同时间、地 点、模式和不同表现形式的信息加以融合，使系统能得到被测对象更精确的描 述。从本质上说，数据融合的功能实现主要依靠信息冗余与信息互补。 由于数据融合在许多不同的领域中应用，各个领域对它的理解不一样，因 此数据融合至今没有一个统一的定义，都是站在不同的角度对数据融合理论进 行解释。美国国防部在1 9 9 1 年对数据融合的定义：数据融合是将多传感器和 信息源获取的数据进行联合、相关和组合，从而获得精确的身份估计和位置估 计，完成对整个战场的威胁和态势以及它的重要程度进行完整的、实时的评价 处理过程l l5 1 。这一定义对数据融合的功能进行了描述，说明数据融合包括了 低层次的身份和位置估计和高层次的威胁评估和态势估计。 e d w a r dw a l t z 和j a m e sl l i n a s 经过研究，对美国国防部的定义进行了补充 修改，他们用状态估计替代了位置估计，并提出了检测功能的应用，给出了如 下定义：数据融合是一种对信息进行多方面、多层次处理的过程，它通过对多 源数据进行检测、关联、估计、相关和组合处理，获得精确的身份估计和状态 估计以及及时的、完整的态势估计和威胁估计6 1 。该定义说明了数据融合的 信息处理过程是分层次的，在不同的层次上对数据进行不同程度的处理；数据 融合的过程中包括了对数据的检测、相关、估计以及数据组合；它的最后结果 不仅有低层次的状态估计与身份估计还有高层次的态势估计与威胁评估。 数据融合这一技术涉及到了许多学科，它是一门综合信息处理技术，它涉 及到的学科包括决策论、通信技术、估计论、信号处理、人工智能与计算机科 学等。网络计算、分布处理、多媒体技术、面向对象技术、开放的体系结构以 及定性知识表达等技术对数据融合的实现起了重要的支撑作用。 6 2 2 数据融合的原理 数据融合是将各种不同类型、性质的信息有机的组合在一起，通过系统融 合来获得被测对象的更精确的解释与描述。多传感器的信息融合得到的对象特 征描述要比仅靠单传感器收集到的特征描述更精确。在现实生活中，多传感器 数据融合也有很多实例体现。比如人体的各个器官( 眼、耳、鼻、嘴、皮肤等) 就像一个个的传感器帮人体收集各种不同的外界信息，如物体的颜色、味道、 声音、触觉等，将这些信息组合起来，通过我们自己的经验和相关知识去判断、 估计、理解，然后总结得出对这些事物的最准确的评价。数据融合系统也就是 将由各传感器收集的各种实时的、非实时的、准确的、模糊的、速变的、渐变 的、相似的或矛盾的测量数据进行合理的分配和使用，依据某种特定的规则对 这些冗余或互补的信息进行综合分析处理，从而获得对被测量对象的综合性描 述。具体的说，多传感器数据融合的原理如下： ( 1 ) 依靠不同类型的传感器对目标进行多类数据采集； ( 2 ) 各类传感器收集的数据可能是离散或连续的时间函数数据、输出矢 量、成像数据或者仅仅只是一个简单的属性说明，对它们进行特征 提取，提取表示目标测量数据的特征矢量f ； ( 3 ) 利用人工智能或其他的可以将目标的特征矢量r 转换成属性判决的 模式识别等方法对特征矢量f 进行有效的模式识别处理，以完成各 传感器数据关于被测目标的说明； ( 4 ) 根据第三步的结果，将目标的说明数据进行同一目标的关联分组； ( 5 ) 利用某种适当的融合算法将按每个目标的分组数据进行合成，最终 得到被测目标的更精确的一致性解释与描述。 数据融合的特点就是它能扩大信息的瞬时、空间搜索范围，提高系统的探 测性能，增加目标的特征矢量维数，增强系统自适应性和容错能力，降低系统 推理模糊程度，提高目标信息的可信度，得以提高整个系统的性能。其主要依 靠的是信息的互补性和信息的冗余性。信息的互补性指的是用多个传感器获取 信息进行互补，可以获取仅用单个传感器所不能获得的目标环境特征。信息的 冗余性指的是每一个传感器在目标环境中对相同的特征进行不同的精度测量， 这些信息自然而然的会产生冗余，因此用这些冗余进行信息融合必然会降低信 息的不确定性，从而提高对象特征描述的准确度。 由于利用多传感器所获得的信息有互补性和冗余性，可以弥补系统自身的 不完善信息，使得多传感器数据融合的鲁棒性更强。 7 2 3 数据融合的结构 多传感器数据融合的结构一般有两种分类标准。种是根据在把传感器数 据输入到融合处理中心前，对数据处理程度的不同将融合结构分为：传感器级 融合、中央级数据融合、混合式融合；另一种是根据数据和系统处理过程的不 同分辨率将融合结构分为：像素级融合、特征级融合、决策级融合。 2 3 1 传感器级融合结构、中央级融合结构及混合式融合结构 传感器级融合结构：首先依据传感器的扫描速度、频率、分辨率以及其他 属性将各个传感器收集的数据进行优化处理，然后把处理后的数据输入到融合 中心中。与单一传感器相比，这样综合了每个传感器的信息得出来的结果肯定 要更精确。一般来讲，如果传感器只采用独立的物理信号，并且目标参量唯一， 这种结构是最好最适合的融合结构。如图2 1 所示。 l 传感器l 盾拍特埕 z 习、u 弓 - 垌 融 i 传感器2 合 l l 7 l 融合结果 中 o 晤拍斯懈、m m m 心 i 传感器n 图2 1 传感器级融合结构图 中央级融合结构：将传感器的测量数据进行类似滤波处理的最小程度处 理，然后再传输给融合中心中。一般来讲，比起传感器融合结构，中央级融合 要更复杂些，数据处理的速度要求更高。它的不足之处是在融合处理中心内， 它需要实时的传输和处理大量的数据。但是，中央级融合系统在进行目标跟踪 与目标识别时，如果个别传感器发生数据丢失或缺省等情况，系统能接受并正 常的工作。如图2 2 所示。 7 y 、i p 、m i 传感器1 o 数据处理 li 。il 状态矢量 融 1 传感器2 数据处理 合 融合结果 中 悼太纪鲁 y 、“p 、* 心 l 传感器n 斗 数据处理 图2 2 中央级融合结构图 8 混合式融合结构：它兼容了传感器级融合结构与中央级融合结构的特点， 中央级数据融合结果从传感器的输出信息中得到补充，中央级数据融合结果也 会输入到传感器级数据融合中去。但是此结构在数据融合处理时，它的复杂程 度很高，并且它对数据传输速率的要求也很高。如图2 3 所示。 iil i 传感器1 i i 状态矢量 。 i广， 数据处理 融 原始数据 卜靴 r 合 蚪太年暑 v ，凹l 邑 斗 融合结果 数据处理 中 ha ，h l 传感器n r 悼太缸暑 心 y 、，i y 数据处理 图2 3 混合式融合结构图 2 3 2 像素级融合、特征级融合、决策级融合 像素级融合t 这种融合方式是将从同类传感器收集的数据直接进行融合， 直接对未经过预处理的原始数据进行数据的综合与分析，它是最低层次的数据 融合方式，如图2 4 所示。像素级融合对传感器输出数据的配准精度要求能精 确到一个像素，这种方式虽然能使结果更精确，但是对通信带宽的需求也更高， 而且由于传感器收集的信息稳定性不高，因此对系统的纠错能力有较高要求， 并且为了实现数据的配准关系要求各传感器为同一类传感器。这种融合方式一 般应用于图像的分析和理解、多源图像的复合、多个观察源同类数据的合成等。 l 传感器l 数 一 i il 关据特 识 i 传感器2 层 征 融提 l 传感器n 联 厶 取别口 图2 4 像素级融合 9 特征级融合：特征级融合是中间层次的融合方式，它要求把各传感器对观 测目标的观测结果进行特征提取，得到特征矢量，然后对各个特征矢量进行关 联得到有意义的组合，最后通过对特征矢量的合成做出其属性说明，如图2 5 所示。关联处理包括目标的特征与批次和目标与特性的关联两部分，对目标位 置估计技术可以用来解决目标特征与批次的关联，目标特征与特性的关联使得 各种特征的抽取产生在同一时刻。特征级融合依靠协调控制来保证信息在空间 和时间上的配准。这种融合方式的目的是保证抽取特征矢量是一致的和有用处 的，排除那些用处不大甚至有矛盾的数据，它是介于像素级与决策级之间的融 合方式。 lil i 传感器1 特 征 l 传感器2 特关识 层 l 。一 n 特征级融合 合：决策级融合属于高层次的融合方式，它利用不同类型的传感 器观一目标，然后对传感器输出数据进行预处理，包括特征识别与提取， 从而测目标建立一个初步结论，如图26所示。从理论上讲，决策级融合 综合的结果是经过联合判决所得到的，显然这一结果比任何单个判决结果 更精在像素级融合中，传感器必须是同种类型的，而这种方式是可以用不 同类，并且它还对数据进行了预处理，使得融合中心的通信量减小，抗干 扰力。由于决策级融合能很方便灵活的处理各种信息，对数据传输带宽的 要求高，可以对关于目标各种不同类型信息进行有效的合成，可以对非同 步信行处理，而且大大降低了信息关联要求，因此在决策级融合中获得了 大批数据融合的研究成果。 p - 决卜 卜 r - 判决p - 决策级融合 2 4 数据融合的方法 经过多传感器获取的信息主要依靠数据融合算法进行合成，以得到关于环 境或对象全面完整的信息，因此，选择合适的融合算法才是多传感器数据融合 系统的核心问题。多传感器数据融合系统所获取的信息多样并复杂，因此，有 较强的鲁棒性和具有并行处理能力是数据融合方法的基本要求。同时，还要求 数据融合方法有较快的运算速度和较高的融合精度，并且与数据预处理系统与 之后的信息识别系统之间的接口性能好，在与不同方法和技术结合时的协调能 力强等。在通常情况下，对于非线性的数学方法，理论上只要它具有并行处理 能力、自适应性和较强的容错性，就可以把它作为融合方法使用。 至今，多传感器的数据融合尚未形成一套有效的融合算法和合理完整的理 论体系，但是在某些应用领域，在其各自独立的应用背景下，已经出现了一些 成熟且有效的数据融合方法。多传感器数据融合方法基本上可以分为随机类方 法和人工智能类方法。随机类融合方法包括加权平均法、多贝叶斯估计法， d s ( d e m p s t e r s h a f e r ) i 正据理论、卡尔曼滤波法、产生式规则等；人工智能融合 方法包括神经网络、模糊逻辑推理、遗传算法、粗集理论等。随着信息时代的 到来，神经网络等人工智能新技术方法在多传感器数据融合中的作用将越来越 重要。 2 4 1 随机类方法 加权平均法：加权平均法是一种最直观、最简单的融合方法，它对一组冗 余的原始传感器数据进行加权平均，得到的结果作为融合值，它的精度不高， 适合于动态环境。 多贝叶斯估计法：贝叶斯估计是在静态环境中对多传感器数据进行融合的 常用方法。它根据概率原则对传感器数据进行组合，以条件概率表示测量的不 确定性，如果传感器组观测对象是相同的目标，就可以直接融合传感器输出数 据。多贝叶斯估计是将传感器都作为贝叶斯估计，并且将个体的关联概率分布 进行组合，得到一个联合的后验概率分布函数，然后使用分布函数的最小似然 函数，得到数据融合的融合值，整个环境的特征描述是将信息与环境的先验模 型进行融合来得到的。 d s 证据理论：d s 证据理论是通过将贝叶斯推理进行扩充提出的，它有 3 个基本要点分别是信任函数、基本概率赋值函数和似然函数。d s 方法自上 而下的推理结构分为三级：首先是目标合成，它是将每一个传感器的输出数据 进行合成得到一个综合结果；下一级为推断，将传感器对目标的观测结果转变 为目标报告，因为传感器数据的综合结果在某种情况下是可信的，因此在逻辑 上就可以推断出可信的目标报告；最后一级为更新，由于传感器数据一般都会 l l 产生随机误差，所以一组连续的来自同一个在时间上充分独立的传感器的报告 的可靠性比单一报告高，因此在对传感器观测数据进行推理和合成之前，要先 更新观测数据。 卡尔曼滤波法：卡尔曼滤波法是利用测量模型的统计特性进行递推，在统 计意义下得到数据估计和数据最优融合，它主要是在实时动态环境中，将多传 感器的冗余数据进行低层次融合的应用。当系统具备线性动力学模型结构，同 时传感器与系统的误差适用于高斯白噪声模型结构，则卡尔曼滤波法能提供唯 一最优估计给融合数据。由于它的递推特性，系统不需要处理大量数据计算和 存储。它的不足之处在于如果系统有大量数据冗余，计算量会大量增加，实时 性得不到满足；在传感器子系统出现故障时，如果系统没有检测出，故障将会 把整个系统污染，系统的可靠性会降低。 产生式规则：产生式规则将传感器数据与对象特征之间的联系用符号来表 示，与联系每个规则的置信因子表示其不确定性程度。进行逻辑推理时，几个 规则可以联合组成一个规则，这就会产生融合。它的主要问题是倘若系统中要 加入新的传感器，而系统中单个规则的置信因子的确定和其余规则的置信因子 有相互影响，那么就需要添加相应的附加规则。 2 4 2 人工智能方法 神经网络：神经网络能够自组织和自学习，并且拥有较强的自适应能力和 容错性，它能对复杂的非线性映射进行模拟。而这些强大的特性和非线性处理 能力，正好适合进行多传感器数据融合处理。在多传感器数据融合系统中，传 感器的输出数据本来就具有很大的不确定性，对这些数据进行融合其实就是一 个对不确定数据进行推理的过程。神经网络的分类标准是根据系统所收到的数 据相似程度来确定的，它主要是在网络的权值分布上得到了体现，而且神经网 络可以从特定的学习方法中得到知识，从而做到不确定性推理。利用神经网络 的自动推理功能和它对信号的处理能力就能够实现多传感器的数据融合。 模糊逻辑推理：模糊逻辑就是多值逻辑，它利用一个o 1 之间的实数对其 真实度进行说明，类似隐含算子的前提下，允许在推理过程中直接将进行数据 融合时的不确定性表示出来。如果在数据融合过程中使用某种系统化方法进行 对其不确定性的推理建模，则产生的模糊推理将具有一致性。这种方法比较适 合应用在高层次上，可是方法本身还不够系统化。因为进行模糊逻辑推理时， 都是很主观的对信息进行描述，所以对信息的处理和表示就缺乏了客观性。模 糊逻辑推理是通过根据它的各种演算合并各种命题来实现数据融合。 遗传算法：遗传算法是一种全局优化算法，它是建立在自然遗传和自然选 择的基础上提出的。它对目标函数空间的搜索是采用群体方式同时进行多线索 1 2 的并行搜索，它不需要目标函数具有可微性和连续性，具有很强的鲁棒性和适 应能力。遗传算法不足之处在于容易陷入局部最优，并且收敛速度慢。 粗集理论：粗集理论主要应用在对知识的模糊性和不确定性的研究中，它 能够直接的从给定目标问题的描述集合出发，利用不可分辨关系和不可分辨类 来确定问题的近似域，从而找出其内在规律，属性或特征的数学描述不需要在 预先给定。当分类能力不变时，它通过对知识的约简，获得问题的决策或分类 规则。 2 5 应用领域 随着多传感器数据融合技术的发展，数据融合技术也在不断扩大其应用领 域，至今它已经成功的在众多研究领域中得到应用。由于它能够很好地消除系 统不确定因素，能够使系统的观测结果更准确，因此数据融合技术已经在军事、 智能检测、工业监控、图像分析、机器人、自动目标识别、目标检测与跟踪等 领域中得到广泛应用。 军事应用：数据融合技术最早就起源于军事领域，因此在军事上的应用范 围最广，已经涉及到战略或战术上的各个方面，其中包括控制、指挥、通信、 检测和情报任务等。现在，在些军事发达的国家已经研制出了很多应用于军 事的数据融合系统，比如说战术指挥控制系统，炮兵情报数据融合系统，战场 利用系统和目标截获系统等。在发生在近些年的几次局部战争中，数据融合系 统显示出了它强大的威力，在战场上发挥了极其重要的作用。 复杂的工业过程控制：在工业过程控制中，数据融合也发挥了极其重要的 作用。数据融合在工业上运用是为了识别引起系统不能正常运行的故障条件并 触发报警器。首先从多传感器中提取特征数据，然后进行特征级融合，根据知 识库或数据库中保存的领域知识规则和系统参数，匹配特征数据，最后得到被 测系统的工作状态和工作设备的故障等。 机器人：多传感器数据融合技术在机器人领域主要在遥杆操作机器人和移 动机器人上应用，由于这些机器人是在不确定的、动态的环境中工作，就要求 机器人具有环境感知能力和高度自治能力，而多传感器数据融合技术能够有效 的提高环境感知能力。智能机器人利用多传感器信息的冗余性和互补性来获取 外部环境的动态变化，获得比较完整的外部环境信息，并对环境变化作出正确 的实时响应。 遥感：它主要是通过融合低光谱分辨力图像与高空间分辨力全色图像，以 得到高光谱分辨力和高空间分辨力的图像，通过多时段和多波段的遥感图像的 融合来提高分类的准确性。 交通管理系统：数据融合技术在交通管理系统中可以用于地面车辆的导 1 3 航、跟踪与定位和空中交通管制系统等。 全局监视：利用数据融合技术对在较大范围内的所有人或事物的状态进行 监视。例如：结合病人的病历、病史、气候以及医疗传感器等观测信息，对病 人进行自动监护；依靠地面上的各类传感器或空中的传感器对庄稼生长情况进 行监视，实现对产量的预测；天气预报也是结合卫星云图、温度、气流影响等 观测信息来实现的。 1 4 3 1 引言 第三章神经网络输入的选取 人工神经网络( a n n ，a r t i f i c i a ln e u r a ln e t w o r k ) 由大量简单的处理单 元组成，它是非线性、自组织、自适应的系统，是建立在现代人脑神经科学的 一系列研究成果基础上的，将人类神经系统如何对信息进行处理和记忆的过程 进行模拟后，设计出来的一种以人脑工作机制特点为目的的信息处理系统。 人工神经网络的研究最开始出现在2 0 世纪4 0 年代。1 9 4 3 年，数学逻辑 学家m c c u ll o c h 和心理学家w p it t s 在研究和分析了人脑生物神经元后，首先 提出了一个简单的神经元的数学模型，现在称之为m p 模型。他们是人工神经 网络研究的先驱。1 9 5 7 年，f r o s e n b l a t t 提出的感知器模型，这是一种多层 神经网络模型，他的研究首次将神经网络的研究理论应用于实际。1 9 6 2 年， w id r o w 提出了一种自适应性的神经网络，这是一种连续取值的线性网络，这 种网络现已在电力系统中有较广泛的应用。l9 8 2 年和19 8 4 年，美国物理学家 h o p f i e l d 连续发表了两篇有关于神经网络的重要论文，重新掀起了神经网络 研究的新热潮。他将能量函数的概念引入到神经网络中，使得人们可以明确的 度量神经网络的稳定状态；他用一些模拟电子器件对神经网络模型进行了构 造，并将其应用于计算机不易解决的问题中。1 9 8 6 年，r u m e l h a r t 和m cc e l l a n d 做出了杰出贡献，他们提出了神经网络的误差反向传播学习算法，又称为b p 算法这种算法使神经网络的训练方法这问题得到解决，而正是由于这一问 题的解决，使得神经网络的运算能力得到增强，大大拓宽了神经网络的应用范 围，至今b p 算法仍然是神经网络进行学习与训练的主要算法。 神经网络理论的研究对象是人脑的智能功能，它的研究背景是建立在人的 神经细胞对信息的处理方式的基础上。人工神经网络的研究目标是为了模拟人 体的神经系统，并使网络特征和人体神经系统特征一致。其表现形式为： ( 1 ) 所有的神经细胞都能够作为信息处理单元，它的状态是由外部条件与 自身条件共同决定的，并形成一定的规则，又称为激励规则。 ( 2 ) 神经网络系统是由神经细胞相互连接构成的，环境信息根据某些特定 的规则进行存储与传递。 ( 3 ) 神经网络系统能够利用在学习实践时所积累的经验来不断修改系统存 储数据和网络连接规则。这种网络的数据存储方式与连接规则具有相当的可塑 性和稳定性，它使得人类知识经验得以积累与修正。人们把这种修改方式称为 1 5 网络的学习规则。人们把这种为了得到正确计算的学习过程称之为学习与i ) l i 练。 神经网络系统理论在优化控制、经济管理、模式识别等方面的应用相当广 泛，与其发生联系的学科包括统计、数学中的多个分支，比如统计计算、数值 逼近、线性或非线性规划问题等。此外，它还广泛的应用在其他的信息处理过 程中，在密码学、股市分析、编码与数据压缩等领域中都有十分丰富的内容。 神经网络理论已经在各种领域中得到应用，特别是在模式识别、智能系统建模 与其控制器的设计、优化计算等领域的关注更为突出。站在控制理论的基础上， 神经网络对于非线性函数的逼近能力是极具意义的，由于非线性系统经常发生 变化导致利用常规方法无法进行控制与建模，而神经网络对非线性系统的描述 正适合于解决此类问题。在实际应用中，具有这一特性的神经网络应用占据了 相当大的神经网络应用比例。由于神经网络具有较强的容错性、较好地