信息融合技术

信息融合技术 1引言 融合(Fusion)的概念开始出现于70年代初期，当时称之为多源相关、多源合成、多传感器混合或数据融合(Data Fusion),现在多称之为信息融合(Information Fusion)或数据融合。 融合是指采集并集成各种信息源、多媒体和多格式信息，从而生成完整、准确、及时和有效的综合信息过程。数据融合技术结合多传感器的数据和辅助数据库的相关信息以获得比单个传感器更精确、更明确的推理结果。经过融合的多传感器信息具有以下特征:信息的冗余性、互补性、协同性、实时性以及低成本性。 多传感器信息融合与经典信号处理方法之间存在本质的区别，其关键在于信息融合所处理的多传感器信息具有更为复杂的形式，而且可以在不同的信息层次上出现。 2信息融合的结构模型 由于信息融合研究内容的广泛性和多样性，目前还没有统一的关于融合过程的分类。 2.1按照信息表征层次的分类系统的信息融合相对于信息表征的层次相应分为三类:数据层融合、特征层融合和决策层融合。 数据层融合通常用于多源图像复合、图像分折与理解等方面，采用经典的检测和估计方法。特征层融合可划分为两大类:一类是目标状态信息融合，目标跟踪领域的大体方法都可以修改为多传感器目标跟踪方法;另一类是目标特性融合，它实质上是模式识别问题，具体的融合方法仍是模式识别的相应技术。 决策层融合是指不同类型的传感器观测同一个目标，每个传感器在本地完成处理，其中包括顶处理、特征抽取、识别或判决，以建立对所观察目标的初步结论。然后通过关联处理、决策层触合判决，最终获得联合推断结果。 2.2JDL模型 (Joint Directors of Laboratories, JDL)和-JDL模型该模型将融合过程分为四个阶段:信源处理,第一层处理(即目标提取)、第二层处理(即态势提取)、第三层提取(即威胁提取)和第四层提取(即过程提取)。模型中的每一个模块都可以有层次地进一步分割，并且可以采用不同的方法来实现它们。 -JDL模型为JDL模型的简化，把0层包含进了1层， 4层融入其他各层中。 2.3按照数据流融合的位置进行分类多传感器融合系统中的一个关键问题是在何处对数据流进行融合。按照融合位置的不同可以将融合结构分为以下三种类型:集中式融合、分布式多传感器融合和无中心融合结构。对于特定的信息融合应用不可能找到一种最优的融合结构，结构的选择必须综合考虑计算资源、可用的通信带宽、精度要求、传感器能力等 3信息融合的典型方法 数据融合技术综合了多种传统的学科，包括:数字信号处理，统计估算，控制理论，人工智能和经典数字方法。融合方法研究的内容是与信息融合有关的算法。比较典型的融合方法有:加权平均、卡尔曼滤波、贝叶斯估计、统计决策理论、D-S证据推理、模糊推理、小波变换和神经网络技术。 加权平均方法是对一组冗余的原始传感数据进行加权平均处理，处理的结果作为最后融合的结果。 卡尔曼滤波是用测量模型的统计特性递推决定最优融合数据的估计。贝叶斯估计理论是将多传感器作为不同的贝叶斯估计器，由他们组成一个决策系统，然后利用某一种决策规则来选择对被测对象的最佳假设估计。 在D-S证据推理中，每一个传感器相当于一个证据体，多传感器信息融合实质就是在同一鉴别框架下，将不同特征的证据体合并成一个新的证据体的过程。这种方法要求所使用的依据必须相互独立。 模糊推理利用模糊集合和隶属函数来表示不确定性推理。该方法运用模糊集合的知识通过综合考虑客观证据与人的主观评判，将主客观之间的信息进行最佳的匹配，由此获得问题的最优解。 人工神经网络具有分布式存储和并行处理方式、自组织和自学习的功能以及很强的容错性和鲁棒性等优点。将神经网络用于多传感器信息融合技术，首先要根据系统的要求以及传感器的特点选择合适的神经网络模型，然后再对建立的神经网络系统进行离线学习。确定网络的联接权值和联接结构，最后把得到的网络用于实际的信息融合当中。 小波分析具有良好的信号时域局部化特征，能处理信号的局部特征信息。将小波分析引入遥感数据融合，是目前正在探索的课题之一。 由于处理对象和处理过程的复杂性，而且每种方法都有自己的适用范围，目前还没有一套系统的方法可以很好地解决多传感器融合中出现的所有问题。比较理想的解决方案就是多种融合方法的综合使用。 4典型应用 多传感器信息融合在军事、工业、医学、交通和金触等领域也有着十分广泛的应用前景。下面介绍多传感器信息融合在几个特定领域的应用，主要有:信号检测、跟踪、机器人导航、图像融合等。对于信号检测，多采用并行或串行的结构。并用Nyman- Pearson准则或贝叶斯公式得到最优化的决策规则。对于目标跟踪的融合包括两个主要的操作:估计和关联。分布式跟踪问题的两个主要方法是联合概率的数据关联和多假设跟踪。机器人导航所采用的主要方法有:卡尔曼滤波、基于规则的技术、基于行为的算法以及从信息论中借鉴的方法(D-S推理、摸糊逻辑和神经网络)。图像融合的目的是利用多传感器提供的关于统一场景的多幅图像得到这个场景的完整理解，不仅是在位置和几何上，更重要的是从语义上的解释。采用的工具有:贝叶斯框架下的概率论、模糊集理论、证据理论、马尔可夫随机场以及和其它领域(如人工智能)相结合的方法。图像融合中的难点是如何建立一个合适的模型，即如何从图像信息中寻找估计的条件概率、模糊隶属度函数和信任度函数。具体的应用包括:图像定位、图像复原、图像解释、图像分割等。 5发展方向 虽然信息融合的应用研究已是如此广泛，但至今仍未形成基本的理论框架和有效的广义融合模型及算法。正在进行的研究有新算法的形成、己有算法的改进以及如何综合这些技术以形成统一的结构用于多样的信息融合应用。建立融合系统的关键技术和难点是如何获得可靠的隶属度和基本概率赋值等。另外，信息融合学科一直缺少对算法的严格的测试或评价，以及如何在理论和应用之间进行转换。数据融合团体需要使用高标准的算法、测试和评估准则、标准测试的产生和适于实际应用的技术的系统评价。 交叉学科的交流和研究将进一步促进信息融合技术的发展，人工智能和神经网络方法将继续成为信息融合研究的热点。神经网络会在目标识别和鲁棒多传感器系统两个领域里发挥重要的作用。 参考文献 1 Lambert, D.A.; Grand challenges of information fusion. Information Fusion, 2003. Proceedings ofthe Sixth International Conferen