（检测技术与自动化装置专业论文）基于生理信息融合的运动评价系统结构及算法.pdf

摘要 摘要 近年来，随着信息多元化的发展，以及计算机技术、微电子技术和多传感器网络的 日益成熟，信息融合作为一种有效的信息综合处理方法，其理论及应用研究都得到了快 速的发展。信息融合已经广泛的应用于目标识别、故障诊断、态势评估、战场监视、自 动飞行器导航、机器人、遥感、医疗诊断、图像处理、模式识别和复杂工业过程控制等 领域。目前，信息融合技术在生理信息领域的应用研究还处于初级阶段，研究内容大多 集中在定性的医疗诊断方面，对于动态生理信息融合的研究还比较少。随着信息技术的 发展，动态生理信息融合必然会得到越来越广泛的关注，尤其是在运动保健、体育和军 事训练以及宇航员的太空模拟训练等多种领域。 通过对多项人体生理信息的融合分析，可以获得对人体健康状况的评估，还可以通 过对特定状态下的人体生理信息的融合处理和监测，得到对运动过程或训练效果的评 价。但是由于生理信息信号弱、噪声强、非平稳的一般特点，使得生理信息的融合具有 一定的特殊性。本文从实际应用的角度出发，结合信息融合理论，提出了基于生理信息 融合的运动评价系统的模型，并从模型的结构和功能上进行了分析说明。在此基础上， 分析论证各种融合算法的优缺点，最终确定了基于分布式卡尔曼滤波和模糊b p 神经网 络的生理信息融合的核心算法。通过河北大学附属医院提供的医疗运动平台，进行了运 动状态下人体的血压、脉搏、心率及血氧饱和度等生理指标数据的采集，利用g u i 仿真 工具进行了实例仿真。仿真结果验证了算法的有效性和可行性。 关键词生理信息融合分布式卡尔曼滤波模糊神经网络运动评价 a b s t r a c t a b s t r a c t i nr e c e n ty e a r s ，谢t ht h ed e v e l o p m e n to fi n f o r m a t i o nd i v e r s i f i c a t i o n ，m i c r o e l e c t r o n i c t e c h n i q u ea n dm u l t i s e n s o rn e t w o r k ，r e s e a r c ho ni n f o r m a t i o nf u s i o nh a sb e e nd e v e l o p e d r a p i d l ya sa l le f f e c t i v em e t h o dt op r o c e s si n f o r m a t i o ns y n c h r o n o u s l y t h ei n f o r m a t i o nf u s i o n h a sb e e na p p l i e dt om a n ya r e a s ，s u c ha sa u t o m a t i ct a r g e tr e c o g n i t i o n ，b a t t l e f i e l ds u r v e i l l a n c e ， a u t o m a t i c f l i g h t v e h i c l en a v i g a t i o n , r o b o t ，r e m o t es e n s i n g ，m e d i c a l d i a g n o s i s ，p i c t u r e p r o c e s s i n g ，p a t t e mr e c o g n i t i o na n dc o m p l e xi n d u s t r yp r o c e s sc o n t r o la n ds oo n t h e a p p l i c a t i o ni np h y s i o l o g yf i e l di s s t i l li nt h ej u n i o rs t a g e t h es t u d ym a i n l yf o c u s e do n q u a l i t a t i v em e d i c a ld i a g n o s e s ，a n dt h ed y n a m i c a lp h y s i o l o g yf u s i o ni sd e l e dw i t hc o m p a r a t i v e s h o r t l y w i mt h ed e v e l o p m e n to fi t , d y n a m i c a lp h y s i o l o g yf u s i o ns u r e l yi sa b l et og e tm o r e a n dm o r eb r o a da t t e n t i o n ，e s p e c i a l l yi nt h es p o r t sh e a l t h ，m i l i t a r yt r a i n i n ga sw e l la st h eo u t e r s p a c ei m i t a t e s b yf u s i n gm u c hb o d yp h y s i o l o g yi n f o r m a t i o n ，w ec a nn o to n l yg a i nt h ee s t i m a t i o na b o u t h u m a nb o d ys i t u a t i o n ，b u ta l s ov a l u a t et h em o v i n gp r o c e s so rt r a i n i n ge f f e c t sb yf u s i n ga n d m o n i t o r i n gt h eb o d yp h y s i o l o g yi n f o r m a t i o nu n d e rs p e c i a la p p o i n t e ds t a t e s i n c et h e p h y s i o l o g yi n f o r m a t i o ns i g n a li sw e bn o i s ei ss t r o n g ，a n dn o n - s t a t i o n a r y , t h ep h y s i o l o g y i n f o r m a t i o nf u s i o nh a v ec e r t a i np a r t i c u l a r i t y f r o ma c t u a lu s e ，a n db yc o m b i n i n gt h ef u s i o n t h e o r y , as y s t e mm o d e lw a sp r o p o s e di nt h i sp a p e rb a s e do np h y s i o l o g yi n f o r m a t i o nf u s i o n t h em o d e lw a su s e dt oe v a l u a t et h em o v i n ge f f e c t ，a n dw a se x p l a i n e di ns t r u c t u r ea n d f u n c t i o nd e t a i l e d i nt h i sp a p e r m o r ea l g o r i t h m sh a v eb e e na n a l y z e d ，a n dt h en u c l e a r a l g o r i t h mw a sd e v e l o p e db a s e do nd i s t r i b u t e dk a l m a nf i l t e r i n ga n df u z z yb pn e u r a ln e t w o r k s t h r o u g ht h em o v i n gp l a t f o r mp r o v i d e db yt h es u b s i d i a r yh o s p i t a lo fh e b e iu n i v e r s i t y , t h e d a t aa b o u tb l o o dp r e s s u r e ，h e a r tr a t e ，a n dp u l s ea n do x y g e ns a t u r a t i o no fb l o o di nt h em o v i n g w e r ec o l l e c t e d t h e s ed a t aw a su s e di nt h eg u it oc a r r yo u ta ne x a m p l e s i m u l a t i o nr e s u l t s h o w e dt h a tt h ea l g o r i t h mi sv a l i d i t ya n df e a s i b i l i t y k e yw o r d s p h y s i o l o g i c a li n f o r m a t i o nf u s i o n d i s t r i b u t e dk a l m a nf i l t e r i n g f u z z y n e u r a ln e t w o r k s m o v i n ge v a l u a t i o n i i 河北大学 学位论文独创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下进行的研究工作及取得的 研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已 经发表或撰写的研究成果，也不包含为获得河北大学或其他教育机构的学位或证书所使 用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说 明并表示了致谢。 作者签名：瘤函筮 隔碎年月且日 学位论文使用授权声明 本人完全了解河北大学有关保留、使用学位论文的规定，即：学校有权保留并向国 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。学校可以公布 论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。 本学位论文属于 1 、保密口，在年月日解密后适用本授权声明。 2 、不保密。 ( 请在以上相应方格内打“4 ) 保护知识产权声明 本人为申请河北大学学位所提交的题目为( 的学位论文，是我个人在导师() 指导并与导师合作市取得的研究成果，研 究工作及取得的研究成果是在河北大学所提供的研究经费及导师的研究经费资助下完 成的。本人完全了解并严格遵守中华人民共和国为保护知识产权所制定的各项法律、行 政法规以及河北大学的相关规定。 本人声明如下：本论文的成果归河北大学所有，未经征得指导教师和河北大学的书 面同意和授权，本人保证不以任何形式公开和传播科研成果和科研工作内容。如果违反 本声明，本人愿意承担相应法律责任。 声明人： 作者签名： 导师签名： 珥年月卫日 日期：五丑年月j l 昌日期：趔年鱼月卫日 日期：毕年月且日 第1 章绪论 ! , , , im!u_ _|ll i 一一n e 鼍e 曼 第1 章绪论 1 1 课题来源及背景 本课题来源于河北大学电子信息工程学院的智能机器人实验室所承担的国家科技 部国际科技合作项目“载人六自由度并联机器人与虚拟环境的智能交互控制研究。 “载人六自由度并联机器人与虚拟环境的智能交互控制研究 项目围绕六自由度并 联机器人的运动及其和高临场感多投影面虚拟现实环境交互的关键技术问题展开研究。 人在运动过程中的生理信息融合问题是本课题的重要研究内容，研究的目的在于研究机 构承载对象( 人) 在运动过程中的生理反应检测，并将其作为反馈量对机构的运动和虚拟 环境的情景变化加以调节，将信息融合分析技术引入运动生理领域，在复杂系统的表达 和智能控制的问题上有所突破。 1 2 生理信息融合研究意义 随着人们生活水平的不断提高，越来越多的人开始关注自身健康，整个社会对于健 康的认识也提高到重要位置，清华大学校长送给2 0 0 9 年毕业生的五句话中就指出未来 的世界“健康比成绩重要”。同时，城市的密集性和生活的快节奏促使室内健身运动逐 渐成为人们体育锻炼的重要手段。但是由于人体个体之间存在差异性，进行运动的强度 和效果也会因人而异。如果能够快速准确的对当前的运动效果进行客观的评价，才能更 广泛的发挥健身运动的积极作用，避免盲目运动可能带来的机体损伤。根据运动生理学 的研究表明运动过程中人体生理信息指标的变化趋势可以在一定程度上反映当前运动 的效果。但是人体是庞大而复杂的有机系统，只通过简单的一项生理指标信息很难对相 关的运动效果进行准确的判断。借助信息融合技术，通过多项生理指标信息的融合分析 才能准确全面的反映当前运动的效果。 随着微电子技术、嵌入式计算技术和无线通信技术的飞速发展和日益成熟，具有感 知能力、计算能力和通信能力的微型无线传感器开始在世界范围内出现。尤其是各种测 量人体生理指标的无线传感器，已经广泛应用到人体生理指标检测、医疗、运动医学等 领域，近年来，出现了可植入动脉的血压监测传感器、无线心率表、无线遥测电子体温 计、红外光电式血氧探头等。无线生理传感器的成熟为生理信息融合提供了实现的保障。 洞北大学工学硕士学位论文 通过对人体生理指标信息的融合分析不仅可以获得对人体健康状况的评估，还可以 通过对特定状态下的人体生理指标信息的融合分析和监测，得到对运动或训练效果的评 价。其研究成果可扩展到运动保健、体育和军事训练以及宇航员的太空模拟训练等多种 领域。 1 3 信息融合研究发展现状 信息融合技术是利用计算机对多维信息进行自动分析和综合处理的项新技术，其 目的是完成估计、判断和决策的任务。它最早起源于军事领域，现代战争对于信息的依 赖促进了信息融合技术的快速发展。国外对信息融合技术的研究起步比较早。2 0 世纪 7 0 年代美国康涅狄格大学的y b a r - s h a l o m 教授提出了概率数据互联滤波器的概念，这 是信息融合理论的雏形。随后概率数据互联滤波由美国军事研究机构应用到连续声纳信 号处理，较高精度的检测出敌方舰艇位置，从而推动信息融合理论和技术的全面发展【1 1 。 2 0 世纪8 0 年代超远程武器的出现和发展从根本上改变了c 4 i s r 系统信息处理方式，对 信息量和获得信息速度的迸一步要求使得信息融合技术更多的应用到c 4 i s r 军事系统。 1 9 8 8 年美国国会军事委员会把信息融合技术列为其国防至关重要的2 1 项关键技术之 一，且列为最优先发展的a 类【2 】。9 0 年代初，美国已经将5 4 个信息融合系统应用到军 事电子系统中，进行目标跟踪、目标识别、态势评估及威胁评估，用于空中拦截、战事 监控、军事指挥等。目前其他各军事大国都竞相投入大量的人力、物力和财力进行信息 融合技术的研究，并取得大量的研究成果【3 】。比较典型的军用信息融合系统有：t c a c 战术指挥控制；b e t a 一战场使用和目标获取系统；a s a s 全源分析系统；d a g r - 辅助空 中作战命令分析专家系统；p a r t - 军用双工无线电雷达瞄准系统；a i d d 炮兵情报数据 融合系统；a m s v i 自动多传感器部队识别系统；t r w d s 目标获取和武器输送系统； a n a l y s t - 地面部队战斗态势评定系统；n c c s 海军指挥控制系统；o s i f 海面监视信息 融合专家系统；i k b s 舰艇编队多传感器信息融合系统；g n c s t - 全球网络中心监视与瞄 准系统等【4 】。 随着信息融合技术在军事领域的成功应用，信息融合技术也越来越多的出现在现代 高科技民用领域。信息融合技术是机器人技术的重要支撑，它为多传感器的综合利用提 供了最有效的技术手段，智能机器人中信息融合技术的研究已经成为当前的研究热点； 工业过程监控中对通过程信息的融合分析，进行系统状态是否超出正常运行范围的识 2 第1 章绪论 别；核反应堆监视和石油平台的监视是典型的应用实例；现代城市的智能交通系统中通 过对声音传感器、立体摄像机、机光雷达等多类传感器的信息融合来实现对车辆运行的 自动控制、交通监视和跟踪：现代医学中利用图像信息融合为医疗诊断和治疗提供重要 的技术手段。 我国国内对于信息融合技术的研究起步比较晚，2 0 世纪8 0 年代才开始出现关于多 目标跟踪技术进行研究，到8 0 年代末才出现了有关信息融合技术研究的报道。2 0 世纪 9 0 年代初逐渐形成信息融合技术的研究高潮，在国家和各种基金部门的资助下，国内一 批高校和研究所开始广泛从事信息融合技术的研究工作，并出现大批的理论研究成果和 学术专著，其中代表性的成果包括黄玉明和李庚田的“空间机器人多传感器信息融合 、 潘震中的“战场侦查中的多传感器数据集成及融合”、林品兴、毛士艺等“分布式多传 感器数据融合系统”等；有代表性的专注包括杨靖宇的战场数据融合技术、韩崇朝 的多源信息融合、康耀红的数据融合理论及应用等。信息融合技术在国内已发 展为多方关注的共性关键技术，出现了许多研究方向，许多学者致力于机动目标跟踪、 分布检测融合、目标识别、决策信息融合、态势评估与威胁估计等领域的理论与应用研 究，并相继出现了一批目标跟踪系统和具有初步综合能力的信息融合系统【2 】。 就信息融合技术在生理信息领域的应用而言，基于生理信息融合的研究还处于初级 阶段，其应用也大多集中在定性的医疗诊断领域。在国外，e l i z a b e t hs b u m s i d e ， m s b y a e s i a n 等人利用b a y e s 判别的融合方法实现放射治疗中的计算机辅助诊断。p a r k j ，e d i n g o t ndw 借助人工神经网络技术进行融合分析实现糖尿病预测。近些年来国内 对生理信息融合这一领域的研究也有了很大的发展，许多高校和研究单位的专家和学者 对此做了大量的、卓有成效的研究。清华大学生物医学工程专业的李新胜在生理信息融 合技术的研究进展一文中对采用生理信息融合技术分析生理系统的动态特性以及动态 评价人体健康状况的原理进行了综述并对该领域目前需要解决的问题和发展方向作了 简要的分析【5 1 。西北工业大学的向平、范子雄研究了用于建立多生理信息诊断模型的方 法，选取了血压、血氧、脉搏、心电四类相对比较容易获得的人体生理指标，提出一种 十字交叉的特征提取方法，并做了基于支持向量机融合方法的心脏病诊断应用研究【6 1 。 中国科技大学的葛运建、雷建和在构建运动员训练指导系统的工作中，以抓举运动为例， 提出了一种基于运动过程中的肌电信息、运动学及动力学信息和运动图像信息融合的人 河北大学工学硕士学位论文 体建模与运动评价的总体框架，对运动员的技术动作进行全面分析、推理和评判【7 1 。山 东大学李桥、庞心梅等人进行了心电和血压生理信号的融合在危重症检测中的应用【8 】o 空军航空医学研究所的杨军、俞梦孙、王宏山等人通过利用在不使用脑电的条件下较易 获得的心动周期、呼吸、体动等基本生理参数，提取其与睡眠过程及其变化有关的规律 和信息，建立知识规则库，采用不确定推理的证据理论进行多参数睡眠信息融合计算， 实现睡眠结构分期【9 】。哈尔滨工业大学的王宽全、何苗还将信息融合技术应用到了中医 舌象诊断系统1 0 1 。 1 4 本论文的主要研究内容 从实际应用的角度出发，构建具有广泛适用性的基于生理信息融合的运动评价系统 的基本结构，并进行相关系统算法的研究，实现运动效果及时准确便捷地评价的融合目 标，并借助于医疗运动平台实现实例化仿真。本文主要内容共分为六章，每一章的主要 内容主要包括： 第1 章主要介绍了课题的来源及背景；指出生理信息融合研究的意义和国内外信息 融合研究的发展及现状；并概括性的介绍了本文主要内容 第2 章主要是信息融合的基本理论的概述。首先介绍了信息融合的一般定义和常见 的分类；然后对信息融合的常见算法从实现功能的角度分为估计、分类、推理及人工智 能四类，并分别对每一类包含的算法进行了概要介绍。 第3 章主要是通过对信息融合一般模型功能及结构的分析来提出一种基于生理信息 融合的运动评价系统的模型结构。这一章首先介绍了信息融合系统的基本功能模型和各 种结构形式的结构模型以及典型的应用模型。然后在此基础上，充分考虑生理信息融合 的特点及实际应用的可行性，提出了适用于生理信息融合的系统一般模型，并从功能和 结构上进行了分析说明。 第4 章主要是以上一章提出的基于生理信息融合的运动评价系统的模型结构为线 索，对不同融合层次的融合算法进行了探讨研究。分别提出针对数据位置局部滤波的分 布式卡尔曼滤波、实现时域同步化的递推线性插值、基于加权平均的特征值关联合并以 及基于模糊神经网络的融合算法。 第5 章是基于生理指标融合运动效果评价的实例仿真，通过对运动过程中人体的血 压、脉搏、心率及血氧饱和度的融合处理，获得当前运动效果评价的融合目标。借助多 4 第1 章绪论 生理传感器的检测获得相关的样本数据，利用仿真工具m a t l a b 中g u i 图形用户界面 实现基于模糊神经网络生理信息融合的仿真研究，并对使用单纯的b p 神经网络仿真和 使用模糊神经网络仿真得到的结果进行了比较分析。 第6 章结论部分对本文的主要工作进行了全面的概括总结，并指出了当前研究存在 的不足，以及下一步的研究方向。 河北大学工学硕士学位论文 第2 章信息融合概述 2 1 信息融合的定义 近年来，随着信息融合技术越来越多的受到关注，信息融合一词被众多军事和非军 事领域频繁引用，但是由于信息融合研究的广泛性和多样性，使得到目前为止信息融合 还没有一个统一的定义。 目前最为普遍接受的信息融合的定义是1 9 9 1 年由美国三军组织实验室理事联 合会提出，并于1 9 9 4 年由澳大利亚防御科学技术委员会加以扩展形成的：它将信息融 合定义为一种多层次、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，从而提高状态和特性估计精度，以及对战场态势和威胁及其重要程度进行适时的完 整评价【1 1 。 但是也有研究学者认为，信息融合就是由多种信息源例如传感器、数据库、知识库 和人类本身获取的相关信息，进行滤波、相关和集成，从而形成一个表示构架，这种构 架适合获得有关决策，比如对信息解释达到系统目标( 例如识别、跟踪和态势评估) ， 传感器管理和系统控制等。 一般意义上的多源信息融合技术是一种利用计算机技术，对来自多种信息源的多个 传感器观测的信息，在一定的准则下进行自动分析、综合以获得单个或单类信息源所无 法获得的有价值的综合信息，并最终完成其最终任务的信息处理技术。这一处理过程称 为融合，表示把多源信息综合或混合成一个整体的处理过程。 我国国内的研究人员一般将信息融合的定义概括为：利用计算机技术对按时序获得 的若干传感器的观测信息在一定的准则下加以自动- 分析、优化综合以完成所需的决策和 估计任务而进行的信息处理过程。这一定义将传感器视为信息融合的基础，多源传感器 信息是信息融合的加工对象，协调优化和综合处理是信息融合的核心【3 】。 尽管到目前为止人们对于信息融合的定义还不能统一，但是无论国外还是国内的研 究人员对于信息融合的认识还是一致的。研究者对于信息融合认识的一致性主要体现在 以下几个关键点： 融合对象的多源性 6 第2 章信息融合概述 融合手段辅助计算机技术实现滤波、相关、综合等处理 融合目标实现态势评估、决策及状态描述 融合的优越性融合结果优于未处理信息的表达能力 2 2 信息融合分类 信息融合可以分别按照其融合的目的、信息处理的层次、融合技术、融合的结构及 融合处理信息的类型等进行不同的分类【2 】。 2 2 1 按融合目的分类 按照融合的目的进行分类，信息融合可以分为检测融合、估计融合和属性融合三类。 检测融合的主要目的是利用多传感器进行信息融合处理以消除单个或单类传感器 检测的不确定性，提高检测系统的可靠性，获得对检测对象更准确的认识。 估计融合的主要目的是利用多传感器的检测信息对目标的运动轨迹进行估计，并利 用多个估计信息进行融合，以最终确定目标运动轨迹。 属性融合的主要目的是利用多传感器检测信息对目标的属性、类型进行识别判断。 2 2 2 按融合处理层次分类 按照处理层次分类，信息融合可以分为数据级融合、特征级融合和决策级融合三类。 数据级融合也称像素级融合，直接对未经预处理的传感器原始观测数据进行综合和 分析，实现数据的预处理、特征提取及初步分类。 特征级融合也称文件级融合，是对经过预处理实现基本特征提取、提供文件报告的 基础上执行的综合分析处理。 决策级融合是在各传感器和各低层信息融合中心已经完成各自决策的基础上，根据 一定的准则和每个传感器的决策与决策可信度执行综合评判，得到统一的最终决策。 2 2 3 按信息融合技术分类 信息融合按融合的技术分类，可以分为假设检验型信息融合、滤波跟踪型信息融合、 聚类分析型信息融合、模式识别型信息融合、人工智能型信息融合。 假设检验型信息融合是以统计假设检验原理为基础，信息融合中心通过选择某种最 优假设检验判决准则来执行传感器数据的假设检验处理，以获取综合相关的结论。 滤波跟踪型信息融合是将卡尔曼滤波( 或其他滤波) 航迹相关技术由单一传感器扩 7 河北大学工学硕士学位论文 m l l ；： i 曼曼! ! 曼曼曼曼曼! 曼皇曼! ! ! 曼! 曼曼曼曼曼曼! 曼曼曼曼曼! 曼曼曼曼皇曼鼍曼曼! ! 窟曼! 曼! 量曼! ! ! 曼曼 展到多传感器网络，利用联合卡尔曼滤波相关算法执行多传感器滤波跟踪相关处理。 聚类分析型信息融合是以统计聚类分析或模糊聚类分析原理为基础，在多目标大量 观测样本的情况下，使来自同一目标的数据样本自然聚集，来自不同目标的数据样本自 然隔离，从而实现多目标信息融合。 模式识别型信息融合是以统计模式识别或模糊模式识别原理为基础，在单一传感器 模式识别准则基础上建立最小风险模式识别判决准则，通过信息融合处理实现目标分类 和识别。 人工智能型信息融合是将人工智能技术应用于信息融合，对于解决信息融合中的不 精确、不确定信息有很大优势，人工智能融合方法主要包括：基于专家系统的融合方法、 基于人工神经网络的融合方法及以生物技术为基础的融合方法等。 2 2 4 按信息融合结构分类 按照融合的结构进行分类，信息融合可以分为集中式信息融合和分布式信息融合。 集中式信息融合是将每个传感器获得的数据不加分析的传送到上级融合中心，信息 融合中心借助一定的准则和算法对全部初始数据执行联合、筛选、相关和合成处理，一 次性地提供信息融合结论输出。 分布式信息融合中每个传感器都先对原始数据进行初步的分析处理，做出本地判决 结论，只把本地判决结论及其相关信息向信息融合中心呈报，然后再由融合中心集中多 方面的数据作进一步的合成处理，获取最终判决结论。 2 2 。5 按信息融合处理对象的格式分类 按照融合处理的信息格式区分，信息融合可以分为数据融合和图像融合。 数据融合处理的信息格式为数据形式。 图像融合的信息来源包括可见光、合成孔径雷达、红外等成像设备，主要目的是由 原始图像得到更多的图像信息。例如，有多个二维图像经融合后得到三维图像或者是利 用不同信息源得到的图像经过融合后产生新的图像。 2 3 信息融合算法概述 信息融合技术是多种学科和技术的综合，涵盖了计算机科学、专家系统、决策论、 认识论、概率论、数字信号处理、模糊逻辑和神经网络等多个领域。信息融合的方法可 8 第2 罩信息融合概述 曼曼寰ii i l 。i i ii i i 一一_ 一i i i i 一一i i 窟曼苎曼曼皇曼曼曼 以从实现功能上分为融合估计算法、融合分类算法、推融合理算法和人工智能的融合算 法四类【i i j 。 2 3 1 融合估计算法 融合估计的算法主要包括：加权融合算法、最下二乘算法、卡尔曼滤波以及小波变 换等【1 2 】。 1 加权融合算法 加权平均是最简单、最直观融合多传感器低层数据的方法，通过对一组传感器提供 的冗余信息进行加权平均，并将加权平均值作为信息融合值1 3 】。 设n 个传感器的方差分别为仃i 2 ，盯；，仃：；所要估计的真值为x ，各传感器的 测量值分别为x 。，x ：，x 。它们彼此互相独立，并且是x 的无偏估计。各传感器的 加权因子分别为w l ，w j ，w n ，则融合后的只值和加权因子满足以下两式： 行 c ：z w , x p p = l ( 2 1 ) 否2 1 o 1 - + ：z g x ， p = i ( 2 3 ) 因为x 。，x ：，x 。彼此独立，并且是x 的无偏估计，故总均方差可写成： 从上式可看出，总均方差是关于各加权因子的多元二次函数，因此必然存在最小值。 该最小值的求取是加权因子w l ，w j ，w n 满足约束条件的多元函数极值求取。根据 多元函数求极值理论，可求出总均方误差最小时所对应的加权因子为： 9 4q 2 ， 1 3 嘭 。一 = r o x l 嘭 。硝 e = 铲 x x k e = 仃 河北大学工学硕士学位论文 融合后的方差小于各传感器的方差，融合后的估计是各传感器测量值的线性函数。 2 最d , - 乘算法 最d , - 乘算法是统计意义下观测数据的最优估计，利用最d x - - 乘法算法在多数情况 下能够去除或减少测量过程中由于偶然因素带来的误差，使平滑后的数据比源数据更有 规律性【1 4 1 。最d x - 乘算法的基本原理表述如下： 设( x ，y ) 是一对观测量，且x = ( x 1 ，x 2 ，x ”) r r ”，y r 满足理论函数： y 2 f ( x ；w l ，w 2 ，w m ) ( 2 6 ) 其中：w ( 扛1 , 2 ，朋) 是待定参数。 为了寻找函数y = f ( x ；w l ，w 2 ，) 中参数( f _ 1 ，2 ，聊) 的最优估计值，给出n 对 观测数据( x i ，y i ) ( 对实际问题而言有n 1 1 1 ) 。求解使得目标函数： 三( w l ，1 4 2 ，w i n ) = ( y j - f ( x f ；，w 2 ，) ) 2 i = 1 ( 2 7 ) 取最小值时的参数( f = 1 ，2 ，胴) 。求解的这类问题就是通常的最小二乘问题，该方法 的几何语言也称为最小二乘拟合。拟合函数与观测数据对中函数在各观测点上的差值称 为残差。 i ( w ) = ( 儿一厂( t ；w l ，w 2 ，) ( 2 - 8 ) 为了保证拟合的精度，常用各观测残差的加权平方和作为目标函数，即求参数 w = ( ，) r r 4 ，使： 为最小。其中：y 。 0 称为在观测点( x i ，y i ) 处的权。权n 可以简单地理解为该观测点在 实验观测时出现的次数。 3 k a l m a n 滤波 卡尔曼滤波是一种基于模型统计特性的递推线性最小方差估计技术【1 5 】，它采用递推 形式，在前一时刻状态估计值的基础上，根据当前时刻的测量值递推得到当前时刻的状 1 0 母q 2 ”mo ， 一 yly 。瑚 i i 片 w 从y ，汹 = 、， 屹嵋 l 第2 章侣思融合概述 态估计值【1 6 1 。其基本递推过程可以表示为： 假设多传感器网络的系统模型为：x ( k + 1 ) = ( 尼) x ( 尼) + y ( 尼) ，观测模型为： z ( k + 1 ) = 日( 髟) x ( 后) + 形( 是) 。给定滤波器初始值：曼( o o ) ，p ( o s o ) ，从k = l 开始递推。 1 ) 预测方程： 舅( k l k 一1 ) = p ( 七一1 ) j ( 七一1 卜1 ) ( 2 1 0 ) 2 ) 预测协方差矩阵： p ( k l k 一1 ) = ( 后一1 ) p ( k 一1 陋一1 ) r ( 七一1 ) + q ( 七一1 ) ( 2 1 1 ) 其中：q ( | ； ) 为输入误差矽( 露) 的协方差矩阵。 3 ) 预测新信息量( 修正量) ： 2 ( k l 后一1 ) = 日( 尼) 宕( 纠后一1 ) ( 2 1 2 ) y ( 后) = z ( 尼) 一z ( 尼l 七一1 ) ( 2 。1 3 ， 4 ) k a l m a n 增益矩阵： k ( 的= p ( 翻老一1 ) 胃r ( 庀) s _ 1 ( 老) ( 2 1 4 ) s ( 七) = h ( k ) p ( k k 一1 ) 日r ( 尼) + r ( 后) ( 2 1 5 ) 其中：r ( 尼) 为系统噪声矿( 后) 的协方差矩阵。 5 ) k a l m a n 滤波方程： 圳七) = 利七一1 ) + k ( 尼) 矿( 尼) ( 2 1 6 ) 矿( 七) = e ( 尼) 形( d 信l ( 2 1 7 ) 6 ) 滤波协方差矩阵： e ( k l k ) = 【，一k ( j j ) 日( 七) 】删| | 一1 ) ( 2 1 8 ) 7 ) 令k = k + l ，转向1 。 卡尔曼滤波对非平稳信号具有较强的估计能力，能对信号所有频率成分同时进行处 理。对于低层次冗余信息的实时动态融合，卡尔曼滤波是统计意义下最优融合估计【1 7 】。 河北大学工学硕士学位论文 4 小波变换 小波分析是一种窗口大小固定但其形状可改变，时间窗和频率窗都可改变的时频局 部化分析方法。小波变换使得信号在低频部分具有较高的频率分辨率和较低的时间分辨 率，在高频部分具有较高的时间分辨率。小波变换的基本原理可以表述为： 设基本小波( 母小波) 为甲( f ) ，其傅氏变换为甲( ) ，且满足： 鲜 沼 小波序列可以表示为： 州2 丽1w t - 口l ) 像2 。， 其中：a 为伸缩因子，f 为平移因子。 小波变换可以表示为： 心) 5 赤妒e 等渺。， 小波变换具有分时分频，多分辨率的特点。变换后信号可分解到时间或频率的多个 尺度上，在时域和频域同时具有良好的局部化性质。 2 3 2 融合分类算法 融合分类算法主要是基于聚类分析算法，包括均值聚类分析和模糊聚类分析。 1 k 均值聚类分析算法 k 均值聚类分析算法是针对n 个样本的k 类聚集分析的通用算法【1 8 】。设样本集为 口1 ，x2 x s ，k 个类别w l ，w 2 用表示，每个类的中心为小，朋z 耽，k 一均值算 法采用的准则函数为： j = 主 忪，一加，l l 2 算法一般步骤为： 选择样本的k 个聚类的初始划分，计算各聚类的中心。 第2 章信息融合概述 计算所有样本与各聚类中心的距离并按最小距离原则进行聚类。 重新计算聚类中心聊t ( ，+ 1 ) = 1 。，托e m x ，并修正j 值。其中f 为当前 w i 类中样 本数目。 若连续迭代n 次不改变，则停止，否则转向步骤2 。 k 均值聚类分析算法具有易实现、复杂度与数据集的大小成线性关系的优点，但是 将其应用于大数据集时仍然存在效率低的问题。 2 模糊蝴值算法 模糊c 一均值算法是利用隶属度函数来定义一般聚类算法的准则函数1 9 】： = 壶兰 p ，( ) 】6i x _ 聊川2 j - 1i = l ( 2 2 3 ) 其中：b 表示模糊程度的大于1 的常数。 算法要求各个聚类的隶属度之和为1 ，在此条件下极小化准则函数可得： p ( z 7 ) 】6 x m ：= 2 生一 ( 2 2 4 ) j疗 e t , ，( 彳切6 i = l 纵一纠：c 荟商户一纠：c 模糊c - 一均值聚类分析算法的基本步骤为： 设定聚类数目和参数b 初始化各聚类中心( 方法同k 均值算法) 利用当前的聚类中心计算隶属度函数 利用当前的隶属度函数更新各类的聚类中心 重复步骤3 ，4 直到样本的隶属度值稳定 模糊c 均值聚类分析算法实现简单、结果较优、应用广泛，但算法存在过分依赖初 值、收敛于局部极值和需预先给定分类的数目等问题。模糊聚类方法在具体应用中，由 1 3 河北大学工学硕士学位论文 于模糊参数往往难于提前知道，这就会限制该方法在实际工程中的应用。 2 3 3 融合推理算法 融合推理算法包括基于经典贝叶斯统计的融合推理算法、基于d s 证据理论的融合 推理算法以及基于熵理论的融合推理算法等。 1 基于贝叶斯统计理论的融合推理 贝叶斯推理是融合静态环境中多传感器低层信息融合的一种常用方法。其信息描述 为概率分布，适用于具有可加高斯噪声的不确定性2 们。基本描述为： 假设有m 个传感器用于获取位置目标的参数数据，每个传感器可以提供一个关于目 标属性的说明d 1 ，d 2 见。 假设存在1 1 个可能的目标，实际上构成了观测空间中的1 1 个互不相容的穷举假设 d l ，q q ，则由贝叶斯条件概率公式可得： 一 p ( q ) 1 。，i 。、p ( d ，i q ) p ( q ) 以圳叩2 甄箫蒿 基于贝叶斯统计理论的融合算法基本流程如图2 1 所示： 传感器观测数据 l 弋夕 目标属性说明d j 多 l 计算目标属性说明的不确定性 之多 计算目标属性的融合概率l 之多 贝叶斯决策理论 图2 - 1 贝叶斯融合基本流程 1 4 第2 章信息融合概述 目标属性的融合概率表示为： 、p ( d 。d 2 d 。i p ) 尸( q ) p( o , d 1 d 2 d 。) = i l 型型 p ( d 。d ：d 。i q ) p ( 0 ，) i = l ( 2 - 2 8 ) 贝叶斯决策理论包括基于最小错误率的贝叶斯决策、基于最小风险的贝叶斯决策、 最小最大决策、序贯分类方法等。贝叶斯推理算法的融合结果一般较好，但该方法需要 给出所识别目标的先验概率，这在复杂系统中较为困难。在得到合适的先验概率后，贝 叶斯方法就可以计算出较满意的结果和具有较快的计算速度口1 1 。 2 基于d s 证据推理的信息融合 d s 证据推理的核心是定义基本概率分配函数、命题的信任函数和命题的似然函数， 以及函数组合规则【2 2 】。命题的信任函数也称下限函数表示对a 的全部信任，命题的似 然函数也称上限函数表示对a 非假的信任程度。 分配函数： m ：2 q 专 o ，l 】 ( 2 - 2 9 ) 膨( ) = 0 ，m ( 彳) = 1 a f , t ( 2 3 0 ) 信任函数： 似然函数： b e l ：2 qo 0 ，1 b e t ( a ) = 膨( b ) b a ( 2 3 1 ) p l ：2 q 专【0 , 1 】 p t ( a ) = 1 一b e t ( 一彳) ( 2 - 3 2 ) 定义信任函数的组合规则为：设m ，m ：m 。是q 上的两个概率分配函数，其正交 和m = m 1 + m 2 + m 。定义为： m ( 彳) = c 。1 兀m ，( 4 ) “4 。41 s 。如 ( 2 3 3 ) 当a 非空时： 河北大学工学硕士学位论文 c = l 一nm ，( 么，) = 兀m ，) n 一，= ol g s n 一，ol 0 是信息分配系数，满足信息分配原则 卢。+ 卢。= 1 i z l，d j 、 2 ) 信息的状态更新 状态更新过程在各局部滤波器和全局滤波器之间独立进行，各子滤波器和主滤 波的滤波算法为： 曼( 后陋) = 曼( 七陋一1 ) + k ( 七) 矿( 七) ( 4 3 ) 3 ) 量测更新 由于全局滤波器没有量测量，所以量测更新只在各局部滤波器中进行。 p ( kk ) = 【j k ( 尼) 日( 七) 】尸( 七i 尼一1 ) ( 4 - 4 ) 4 ) 全局合并 分布式滤波器的核心思想是将各个局部滤波器的局部估计信息进行融合，以得 到全局的最优估计。 p g ( 七+ 1 i 七+ 1 ) = ( 尸i ( 七+ 1 l 七+ 1 ) ) 。1 + ( 尸m ( 七十1 i 七) ) _ 】一( 4 - 5 ) i = l 圣8 ( 后+ 1 i 七+ 1 ) = p g ( 七+ l i 后+ 1 ) ( p ( 七+ 1 f 七+ 1 ) ) 1 舅( 七+ 1 l 七+ 1 ) + ( p m ( 后+ 1 l 詹) ) 一1 圣m ( 七+ 1 l 尼) 】 i = l ( 4 - 6 ) 3 4 第4 章生理信息融合系统算法研究 i i ii i-, ：- ：- - ：m曼 _iii i 曼曼曼曼曼曼曼蔓璺 4 2 时间校准和关联合并 4 2 1 基于递推插值的时间校准 由于采集生理信息所用的各种生理信息传感器的采样频率有较大差别，所以在对同 一目标进行数据采集时，所得到的观测数据在时间上的采样时刻不一致，因此要进行数 据的时间校准。在融合领域已有许多时间校准方法，由于应用背景不同，对应的时间校 准方法也不尽相同。 时间校准的原理就是根据已知时间节点的数据来估计某一时间节点的数据，生理信 息的融合中，就是将采样频率高低不同的各种生理信息传感器采集到的目标观测数据同 步化到统一的采样频率。时间校准主要有两种处理方式：批处理方式和递推处理方式。 批处理方式的基本思想是曲线拟合。目标的测量数据可视作目标的一条运动曲线， 以某种拟合原则对目标运动轨迹进行曲线拟合，以采样间隔t 对拟合曲线进行采样，得 到要求时间节点上的目标点迹，从而实现不同传感器对同一目标测量数据的时间校准。 由曲线拟合原理可知，要保证时间校准数据的精度，就要在获得大量数据的基础上对数 据进行操作，这势必会造成融合周期过长，实时性比较差。为此，人们研究出一种可用 于实时时间校准的最d , - 乘方法，但该法要求传感器采样时间起点相同。另外由于拟合 曲线不能保证过每个已知点迹数据，这将会导致校准过程中在传感器测量误差基础上引 入新误差，不利于数据融合。 递推处理方式的基本思想是插值，它可以保证插值函数与被插函数在插值节点处的 数据完全相等，不会引入新误差。递推方式的计算量小，