第13章 多传感器数据融合

第13章多传感器数据融合,13.1多传感器数据融合概述13.1.1多传感器数据融合过程13.1.2多传感器数据融合形式13.2多传感器数据融合模型13.4多传感器数据融合技术的应用,13.1多传感器数据融合概述,多传感器数据融合是针对一个系统中使用多个（种）传感器这一特定问题而提出的信息处理方法，是将来自多传感器或多源的信息和数据进行综合处理，从而对观测对象形成准确结论的过程。与经典信号处理方法相比，多传感器数据融合所处理的传感信息具有更复杂的形式，而且通常处于不同的层次。数据融合的目的是基于各独立传感器的观测数据，通过融合导出更丰富的有效信息，获得最佳协同效果，发挥多个传感器的联合优势，提高传感器系统的有效性和鲁棒性，消除单一传感器的局限性。,13.1.1多传感器数据融合过程,1数据检测：多传感器不间断扫描观测对象，输出检测数据。扫描过程中，各传感器进行独立的测量和判断，并将各种测量参数(对象特性参数和状态参数等)报告数据融合中心。,2数据校准：若各传感器在时间和空间上是独立的或异步工作的，则必须利用数据校准统一各传感器的时间和空间基准。,3数据相关：将收集到的观测数据与其它传感器的观测数据以及该传感器过去的观测数据进行关联处理，判别不同时间和不同空间的数据是否来自同一对象。,在此基础上，将收集到的每个新的观测数据指派给以下假设中的一个：（1）新增对象观测集：建立目前尚未观测到的新观测对象。（2）已存在对象观测集：根据以往观测到的对象标记更新或补充数据。（3）虚警：传感器观测不形成一个实际对象，删除数据。,13.1.1多传感器数据融合过程,5对象识别：也称属性分类或身份估计。根据多传感器的观测结果形成一个多维的特征向量，其中每一维代表对象的一个独立特征。若被观测对象有多个类型且每类对象的特征已知，则可将实测特征向量与已知类型的特征向量进行比较，从而确定对象的类别。对象识别可看作是对象属性的估计和比较。,4参数估计：也称目标跟踪。传感器每次扫描结束后即将新的观测结果与数据融合系统原有的观测结果进行融合，对下一次扫描可能获得的参数进行预测。预测值被反馈给随后的扫描过程，以便进行相关处理，调整扫描状态。参数估计单元的输出是目标的状态估计值。,6行为估计：将所有对象数据集（目标状态和类型）与此前确定的可能态势行为模式相比较，以确定哪种行为模式与对象的状态最匹配。行为估计单元的输出是态势评定、威胁估计以及目标趋势等。,13.1.2多传感器数据融合形式,如果多传感器数据是同质的，原始数据可以直接融合，称为数据级融合。数据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，其优点是保持尽可能多的客体数据，基本不发生数据丢失或遗漏，缺点是处理数据量大，实时性差。多传感器测量同一物理量时，如两个图像传感器获得的对象同一时刻的数据或者一个图像传感器获得的对象不同时刻的数据（用运动物体的相邻两帧图像相关计算物体运动速度）可以直接进行数据融合。,13.1.2多传感器数据融合形式,特征级融合从不同质的传感器数据中提取数据的特征表达，构成特征向量供估计和识别使用，按照特征信息对多传感器数据进行分类、综合和分析。特征级融合亦称文件级数据融合，其优点是既保持足够数量的重要数据，又经过可容许的数据压缩，可以提高处理的实时性。特征级数据融合不可避免地会有某些数据损失，因而需对传感器预处理提出较严格的要求。,13.1.2多传感器数据融合形式,决策级融合在各传感器和各低级数据融合中心已经完成相应决策的基础上，根据一定准则和每个传感器的决策与决策可信度执行综合评判，形成决策。决策级融合从具体问题出发，充分利用特征级融合的最终结果，直接针对具体决策目标，融合结果直接影响决策结论。,13.1.2多传感器数据融合形式,多传感器数据融合形式的应用在实际中往往无法绝对区分，更多的情况是交替使用或联合使用。多传感器数据融合过程中，一般先进行低级处理，对应于数据级融合和特征级融合，输出的是状态、特征和属性等。然后再进行行为估计，对应的是决策级融合，输出的是抽象结果，如威胁、企图和目的等。,第13章多传感器数据融合,13.1多传感器数据融合概述13.2多传感器数据融合模型13.2.1多传感器数据融合结构13.2.2多传感器数据融合模型13.4多传感器数据融合技术的应用,13.2.1多传感器数据融合结构,串联型多传感器数据融合先将两个传感器数据进行一次融合，再把融合结果与下一个传感器数据进行融合，依次进行下去，最后一次数据融合综合了所有前级传感器数据所携带的信息，输出将作为串联融合系统的结论。,13.2.1多传感器数据融合结构,并联型多传感器数据融合将所有传感器数据都输入给同一个数据融合中心，融合中心对各信息按适当方法综合处理后，输出最终结果。并联结构中各传感器的输出之间不存在影响,比较适合解决时空多传感器数据融合问题，但当输入数据量较大时要求数据融合中心的处理速度很快。,13.2.1多传感器数据融合结构,混联型是串联融合和并联融合的结合：或总体串联，局部并联；或总体并联，局部串联。,13.2.1多传感器数据融合结构,从数据融合的控制关系来看，反馈型多传感器数据融合过程中，传感器或数据融合中心的处理方式及判断规则受数据融合中心最终结论或中间结论的影响。数据处理依赖于一个反馈控制过程。,13.2.2多传感器数据融合模型：1.JDL,数据预处理是传感数据的检测判决融合，利用滤波、门限判决等方法优化检测数据，根据观测时间、传感器类型、信息属性和特征等对数据进行分选和归类。控制进入下级处理的信息量，提高检测信息的利用率。,目标评估包括数据校准、关联、属性参数估计等，建立实体属性的表征和描述，为更高级别的融合过程提供辅助信息。通过数据校准将时域上不同步、空间域上属于不同坐标系的多源观测数据进行时空对准，将多源数据纳入到统一的参考框架中，同时对目标进行预测，保持对目标的连续跟踪。,态势评估包括态势提取、态势分析和态势预测。利用大量不完整的数据构造目标态势的一般表达，为前级处理提供关联说明。通过目标实体合并、协同关系分析与推理等明确目标动向，并对目标实体的未来位置和部署进行预测和推理。,威胁评估是对目标实体未来实力和发展趋势的评价，包括综合环境判断、威胁等级判断及辅助决策。,过程评估是一个更高级的处理阶段。通过优化约束和自适应反馈，对整个融合过程进行实时监控与评价，实现多传感器自适应数据获取和处理，资源的有效利用和传感器的优化管理，提高数据融合系统的性能。,13.2.2多传感器数据融合模型:1.JDL,数据来源包含利用多种手段获得的传感信息和环境监视/跟踪数据。辅助信息包括人工情报、先验信息和环境参数等。,第一级处理是数据融合：通常根据所选择的检测准则产生最优门限，形成检测输出。,预滤波根据信息特征控制进入下级处理的信息量，以避免融合系统过载而导致瘫痪。,第二级处理获得目标的位置量和速度，通过综合来自多传感器的位置信息建立目标的航迹和数据库，包括数据校准、关联、跟踪、滤波、预测、航迹关联及航迹融合等。,第三级处理是属性融合：对来自多个传感器的目标属性数据进行组合，形成对目标身份的联合估计，用于目标属性融合的数据包括雷达横截面积、脉冲宽度、重复频率、红外谱或光谱等。,第五级处理是威胁程度处理：从有效打击敌人的需求出发，估价敌方的杀伤力和威胁等级，估计我方的薄弱环节，并针对敌方意图给出提示和告警。,第四级处理包括态势提取与评估：建立目标态势的一般性描述，对前几级处理产生的兵力分布情况做合理的解释，对复杂战场环境进行正确分析，导出敌我双方兵力分布推断，给出意图、告警、行动计划与结果。,13.2.2多传感器数据融合模型,2.Boyd控制环:(1)观测环节获取目标信息，与JDL模型的数据预处理功能相当。(2)定向环节确定对象的基本特征，与JDL模型的目标评估、态势评估和威胁评估功能相当。(3)决策环节确定最佳评估，制定反馈控制策略，与JDL模型过程优化与评估功能相当。(4)执行环节利用反馈控制调整传感系统状态，获取额外数据等。,13.2.2多传感器数据融合模型,3.Waterfall模型,第一层次基于传感模型和物理测量模型对原始数据进行预处理，提取有用信息。,第二层次进行特征提取和特征融合以获取信息的抽象表达，减少数据量，提高信息传递效率，第二层次的输出是关于对象特征的估计及其置信度。,第三层次利用现有知识对对象特征进行评价，形成关于对象、事件或行为的认识。传感器系统利用第三层次形成的反馈信息不断调整自身状态和数据准备策略，进行重新设置和标定等，提高传感信息的利用率。,13.2.2多传感器数据融合模型,4.Dasarathy模型:充分注意到传感器数据融合中数据融合、特征融合和决策融合三者往往交替应用或联合使用的事实，根据所处理信息的类型对数据融合功能进行了归纳，明确了五种可能的融合形式。实际应用中可以根据具体情况选择合适的算法对融合形式进行组合。,13.2.2多传感器数据融合模型,5.OMNIBUS模型（Boyd控制环、Dasarathy模型和Waterfall模型的混合）：既体现了数据融合过程的循环本质，用融合结论调整传感器系统的状态，提高信息融合的有效性，又细化了数据融合过程中各个环节的任务，改善了数据融合实现的可组合性。,13.2.2多传感器数据融合模型,6.多传感器集成融合模型:根据传感器所提供信息的等级参加不同融合中心的数据融合，融合结论在最高等级的融合中心产生。辅助信息系统为各融合中心提供资源，包括各种数据库、知识表达、特征解析、决策逻辑等。多传感器集成融合模型是一种串行融合结构，满足传感数据特性存在等级差别的应用需求。,第13章多传感器数据融合,13.1多传感器数据融合概述13.2多传感器数据融合模型13.4多传感器数据融合技术的应用13.4.1人体对气温的感受13.4.2管道泄漏检测中的数据融合13.4.4多传感器数据融合技术的局限性,13.4.1人体对气温的感受,之所以不能用简单的温度和湿度的值来表达人的感受，是因为用布尔逻辑来描述人的感受不符合实际。布尔逻辑用真/假两个值表示事物的属性，输入的微小变化会导致输出质的变化。,13.4.1人体对气温的感受,模糊逻辑用多值的隶属函数描述对象的属性，微小的输入变化所引起的输出变化也是比较小的，这符合人的感受描述。,13.4.1人体对气温的感受,基于模糊逻辑的温度和湿度数据融合系统：温度和湿度测量数据经模糊处理后，由专家系统根据融合规则形成结论，再将结论进行去模糊处理。,13.4.1人体对气温的感受,可以构造模糊关系矩阵来描述温度和湿度数据融合的全部情形。,13.4.2管道泄漏检测中的数据融合,当管道发生泄漏时，由于管道内外的压差，泄漏处流体迅速流失，压力迅速下降，同时激发瞬态负压波沿管道向两端传播。在管道两端安装传感器拾取瞬态负压波信号可以实现管道的泄漏检测和定位。,13.4.2管道泄漏检测中的数据融合,负压波在管道中的传播速度受传送介质的弹性、密度、介质温度及管材等实际因素的影响。泄漏点的定位与管道两端获取负压波信号的时间差有关。提高泄漏点的定位精度，不仅需要在负压波信号中准确捕捉泄漏发生的时间，还需要将两端获取的负压波信号建立在同一个时间基准上。,13.4.2管道泄漏检测中的数据融合,由于不可避免的现场干扰、输油泵振动等因素的影响，负压波信号被淹没在噪声中，准确捕捉泄漏发生的时间点并不是一件容易的事，在小泄漏情况下更是如此。根据质量守恒定律，没有泄漏时进入管道的质量流量和流出管道的质量流量是相等的。如果进入流量大于流出流量，就可以判断管道沿线存在泄漏。对于装有流量计的管道，利用瞬时流量的对比有助于区分管道泄漏与正常工况：管道发生泄漏时，上游端瞬时流量上升、压力下降，下游端瞬时流量下降、压力下降；正常工况下，两端流量、压力同时上升或下降。,13.4.2管道泄漏检测中的数据融合,管道运行时，正常的调泵、调阀所激发的声波信号可能与泄漏激发的负压波信号具有相同特征，造成泄漏检测的错误判断。在管道的两端各增加一个传感器，可利用辨向技术正确识别泄漏。调泵、调阀所激发的声波信号先到达传感器A，后到达传感器B，而泄漏激发的负压波信号则先到达传感器B，后到达传感器A。两个传感信号的相关处理可以准确区分信号来源。,13.4.2管道泄漏检测中的数据融合,有效利用泵、阀的控制信号也能达到准确获取泄漏所激发的负压波信号的目的，甄别工况调整与泄漏，减少漏报警和误报警。,13.4.4多传感器数据融合技术的局限性,多传感器数据融合结果并不能代替单一高精度传感器测量结果。尽管多个传感器的组合可以增强系统的性能，但这些传感器并不一定能检测到系统所感兴趣的目标特征。数据融合处理不可能修正预处理或单个传感器处理时的错误。后一级的数据融合处理不能弥补前一级处理过程中造成的信息损失。当信号的特征没有被正确提取时，数据融合得到的结论肯定是错误的，数据融合不可能修正这些特征。,13.4.4多传感器数据融合技术的局限性,数据融合过程中希望能用一种简单的方式来描述传感器性能。传感器模型的不准确将导致融合结果错误，这种错误在后续处理中也是无法修复的。实际上，对处于复杂观测环境的传感器，用模型来准确描述传感器的性能是非常困难的。数据融合至今并未形成基本的理论框架和有效的广义融合模型及算法，绝大部分工作都是围绕特定应用领域内的具体问题来展开的（各自建立直观融合准则，并在此