第2章 数据融合与信息处理

1、 1 概述 2 基本原理 3 分布式自适应动态数据融合 新系统：升华、再生 融合：综合、互补 集成：基础、结构 图2.1 集成、融合关系图 20世纪80年代诞生，主要解决多传感器信 息处理问题，把分布在不同位置的多个同 类或不同类传感器的局部、不完整的观察 量加以综合，利用其互补性、冗余性，克 服单个传感器的不确定性和局限性，提高 整个传感器系统的有效性能，已形成对系 统环境相对完整一致的感知描述，提高测 量信息的精度和可靠性 内涵的延展，不同方法获得的参量的综合 全空间 综合 互补 多传感器 动态信息处理 算法 融 合 图2.2 数据融合的3层定义 红外和可见光图像融合？ PET,MR,CT

2、等模式图像间的融合？ 特征点、面、区域提取与基于体素方法的融合用 于配准 基于颜色、纹理、光度等特征的融合用于识别？ 基于颜色、面积、纹理等特征的融合用于分割？ 特征选择？ 本质在于对不确定处理和精确处理的互补，复杂，并不是 简单的代数相加运算。 包括信息表达方式上的、结构上、功能上的、不同层次上 的互补。 把握不同信息的本质 举例： 特征点和体素/像素的互补？ 纹理和颜色的互补？ 时域、频域、复频域的互补？ 信 息 源 信 息 转 换 、 传 递 、 交 换 信 息 互 补 、 综 合 处 理 信 息 融 合 处 理 报 告 信息流：信息获取 信息预处理 信息融合 融合决策 N个不同类型的传

3、感器收集观测目标的数据。 对传感器的输出数据（离散的或连续的时间函数数据，输 出矢量，成像数据或一个直接的属性说明）进行特征提取 的变换，提取代表观测数据的特征矢量。 对特征矢量进行模式识别处理（如聚类算法，自适应神经 网，或其它能将特征矢量变换成目标属性判决的统计模式 识别法等），完成各传感器关于目标的说明。 将各传感器关于目标的说明数据按同一目标进行分组，即 关联。 利用融合方法将各一目标各传感器数据进行合成，得到该 目标的一致性解释与描述。 数据层融合 特征层融合 决策层融合 全部传感器的观测数据直接进行融合，然 后从融合的数据中提取特征矢量，并进行 判断识别。 传感器必须同质 优点：优

4、点：保持了尽可能多的原始信息 缺点：缺点：处理的信息量大，处理实时性差。 待 识 别 物 体 图像数据 声音数据 气味数据 传感器 传感器 传感器 统一的 数据矩阵 特征提取 决策 将每个传感器的观测数据进行特征抽取以 得到一个特征矢量，然后将这些特征矢量 融合起来，并根据融合得到的特征矢量进 行判定 优点：优点：对通信带宽的要求较低 缺点：缺点：由于数据丢失使其准确性有所下降 待 识 别 物 体 图像数据 声音数据 气味数据 传感器 传感器 传感器 统一的 特征矩阵 决策 特征提取 特征提取 特征提取 决策层融合是根据一定的准则以及每个决 策的可信度作出最优决策。 每个传感器执行一个对目标的

5、识别过程， 将来自每个传感器的识别结果进行融合。 优点：对通信带宽要求最低 缺点：产生的结果相对最不准确。 待 识 别 物 体 图像数据 声音数据 气味数据 传感器 传感器 传感器 统 一 的 决 策 结 果 特征提取 特征提取 特征提取 决策结果 决策结果 决策结果 特性数据层融合特征层融合决策层融合 信息量最大中等最小 信息损失最小中等最大 容错性最差中等最好 抗干扰性最差中等最好 对传感器的依 赖性 最大中等最小 数据融合方法最难中等最易 预处理最小中等最大 分类能力最好中等最差 集中式 分布式 混合式 将各传感器结点的数据都送到中央处理器 进行融合处理。 优点：实时融合，精度高，解法灵

6、活 缺点：对处理器要求高，可靠性较低，数 据量大，难以实现 传感器1 传感器2 传感器n 预处理 预处理 预处理 融 合 结 点 各传感器利用自己的量测单独跟踪目标， 将估计结果送到总站，总站再将子站的估 计合成为目标的联合估计 优点：对通信带宽要求低，计算速度快， 可靠性和延续性好 缺点：跟踪精度没有集中式高 传感器1 传感器2 传感器n 预处理 预处理 预处理 融 合 结 点 局部判决 局部判决 局部判决 系统中传感器的类型、分辨率、准确率 传感器的分布形式 系统的通信能力和计算能力 系统的设计目标 系统的拓扑结构（包括数据） 基于物理的模型 仿真 估计：卡尔曼滤波、最大似然、最小方差 句

7、法：图像代数 基于特征推理技术 基于参数的方法：古典概率推理、贝叶斯方法、D-S理论、广义证据 基于信息论的方法：神经网络、聚类、表决方法、熵、品质因数、 相关量测 基于知识的模型 逻辑模板、基于知识的专家系统、模糊集 运用概率估计的方法获取不同信息源的融 合权重 包括：古典概率推理、卡尔曼滤波、贝叶 斯准则、D-S证据理论、广义证据理论 在给定的假设条件下，观测是来源于某一 物体或事件的概率 主要缺点： 1）用于分类物体或事件的观测量的概率密度函数难以得到 2）在多变量数据情况下，计算的复杂性加大 3）一次只能评估两个假设条件 4）无法直接应用先验似然这个有用的先验知识 是一种线性递推的滤波

8、方法，将状态变量 引入滤波理论，用信息干扰的状态空间模 型代替通常滤波采用的协方差函数，并把 状态空间描述与离散时间联系起来 特点：基于最小二乘法的信息优化方法， 运算量小，始于实时处理，用于目标跟踪、 状态估计等中。 利用样本提供的信息时也充分利用了先验 知识，以先验分布为出发点，克服了古典 统计中精度和信度预定，不依赖于样本的 不合理性 缺点： 1）确定先验的似然函数非常困难 2）当潜在具有多个假设事件并且是多个事件条件依赖时，计算将变 的非常复杂 3）各假设事件要求互斥 4）不能处理广义的不确定问题 针对事件发生后的结果（证据）探求事件发生的 主要原因（假设），分别通过各证据对所有的假

9、设进行独立判断，得到各证据下各种假设的基本 概率分配即mass函数，然后对某假设在各证据下 的判断信息进行融合，进而形成“综合”证据下 该假设发生的融合概率。概率最大的假设即为判 决结果。 特点： 1）概率论的推广，能区分“不确定”、“不知道”。 2）要求各证据之间彼此独立，很难满足。 3）随着推理过程的增加，计算量也大大增加。 把决策空间分为若干个假设事件（命题）， 然后把贝叶斯方法扩展到此假设空间中。 在此方法中，来自非斥命题的证据可以使 用贝叶斯公式融合，从而得到某一判决。 与D-S方法的不同之处在于：其概率分配值 的赋予与融合是基于命题或假设事件的先 验概率的。 能把参数数据转换或映射

10、到识别空间。所 有的这些方法都有着相同的概念，即识别 空间中的相似是通过观测空间中参数的相 似来反映的，但是却不能直接对观测数据 的某些方面建立明确的识别函数。包括： 参数模板匹配、人工神经网络、聚类算法、 表决算法、熵量测技术、品质因数、模式 识别以及相关量测等技术 在一定条件下，按照目标间的相似性把目标空间 划分为若干子集，划分的结果应使表示聚类质量 的准则函数为最大。当用距离来表示目标间的相 似性时，其结果降判别空间划分成若干区域，每 一个区域相当于一个类别。 常用的距离函数有明氏距离、欧式距离、马氏距 离、类块距离等。 包括：聚类分析法、表决法、神经网络法、参数 模板匹配法、熵量测、品

11、质因数、模式识别，等。 离差平方和法（离差平方和法（ward method） D2=WMWKWL 即 对异常值很敏感；对较大的类倾向产生较大的距离，从而不易合并， 较符合实际需要。 LKLK M kL KL XXXX n nn D 2 Cluster K Cluster L Cluster M 由每个传感器提供对被测对象状态的一个 判断，然后由表决方法对这些判断进行搜 索，以找到一个由板书以上传感器“同意” 的判断（或采取其它简单的判定规则）， 并宣布表决结果。 适合实时融合 融合无偿较大 非线性，自学习，自组织，并行性，容错 性 权值，学习收敛性，学习速度，网络模型， 结构，等需要人为地根据

12、融合对象的特点 进行调整 把在一段时间内得到的多传感器数据与多 个信息源按照预先选择好的条件进行匹配， 然后判断观测量是否包含支持某一现象的 证据 来源于通信理论 通过事件发生的概率来度量实践中所包含 信息的重要程度。度量信息价值的函数应 具有这样的性质，即信息价值的大小与接 受到该信息的概率成反比。 基于认知的模型试图通过模拟人的处理过 程来自动实现决策的过程。这包括： 模拟人的处理过程来自动实现决策的过程 模糊逻辑法 逻辑模板法 专家系统 基于知识的系统 模糊集理论 隶属度函数，如正态函数、三角函数、梯 形函数等。 隶属度函数是主观确定的，但其对模糊推 理的影响并不大。 若对论域（研究的范

13、围）U中的任一元素x，都有一个数A （x）0，1与之对应，则称A为U上的模糊集，A（x ） 称为x对A的隶属度。当x在U中变动时，A（ x）就是一个 函数，称为A的隶属函数。隶属度A（x）越接近于1，表 示x属于A的程度越高，A（x）越接近于0表示x属于A的程 度越低。用取值于区间 0，1的隶属函数A（x）表征x 属 于A的程度高低。隶属度属于模糊评价函数里的概念：模 糊综合评价是对受多种因素影响的事物做出全面评价的一 种十分有效的多因素决策方法，其特点是评价结 果不是 绝对地肯定或否定，而是以一个模糊集合来表示。 A(x )=表示模糊集“年老”的隶属函数，A表示模糊集 “年老”，当年龄x50

14、时A（x）=0表明x不属于模糊集A （即“年老”），当x 100时，A（x）=1表明x 完全属于 A，当50 x100时，0A（x）1，且x越接近100，A （x）越接近1，x属于A的程度就越高。这样的表达方法显 然比简单地 说：“100岁以上的人是年老的，100岁以下 的人就不年老。”更为合理。 将人类专家的知识和经验以知识库的形式 存入计算机，并模仿人类专家解决问题的 推理方式和思维过程，运用人类的知识和 经验对现实中的问题作出判断和决策。 具有采用类似自然语言的方式表达，易于 理解和维护 缺乏自学习自我完善能力 将规则或知名的专家知识结合起来实现自 动对目标的识别。 包含以下4个部分：

15、1）知识库，包括基本事实、算法和启发式规则等 2）一个大型的包含动态数据的全局数据库 3）一个控制结构或推理机制 4）人机界面 模糊集理论是将不精确知识或不确定性边 界的定义引入到数学运算中来，它可以方 便地将系统状态变量映射成控制量、分类 或其他类型的输出数据。 允许知识或者身份边界的不确定性。 不累计所有输入输出，而只累计输出。 1）加强对多传感器的管理。 2）针对多传感器数据融合，建立统一的融合理论和广义融合模型。 3）研究不确定性融合推理方法和容错能力强、实时性好的高效融合 模型。 4）解决数据配准、数据预处理、等问题，建立高效性能可靠的数据 库管理系统和检索推理机制，利用成熟的辅助技

16、术，建立面向具体应 用需求的数据融合系统。 5）将人工智能技术引入到数据融合领域；利用集成的智能软计算方 法，提高多传感器融合的性能。 6）利用有关的先验数据提高数据融合的性能，研究更加先进复杂的 融合方法。 7）在多平台/单平台、多传感器背景下，建立计算复杂度低的数据处 理模型和算法。 8）建立数据融合测试评估系统和多传感器管理体系。 9）工业化、商品化、专业化。 3.1 测量模型和方法简述 3.2 测量数据范围的推导 3.3 最优范围的确定 模块1 模块2 模块3 模块N 被测单元 各模块间相互传 递测量数据 融合过程中考虑了测量时间小量误差对测量结果 造成的影响，真正实现动态融合。 综合

17、考虑了多传感器中各传感器测量精度对最终 融合结果造成的不同影响。 可通过改变传感器的精度参数使融合变得不再 “死板”，而是一个动态的过程，即方法可以 “适应”各传感器的精度变化。 以“表决”的方法，综合各传感器的测量数据， 判断各传感器是否处于正常的工作状态，以避免 处于故障状态的传感器所测量的数据给最终融合 带来的不良影响。这也体现了该方法对测量环境 变化的“适应”能力。 N个智能传感器分别对目标进行测量，并向其余智能传感 器发送。 某一智能传感器得到N组测量向量值后，根据外部定义的 各传感器测量精度确定各结点测量数据范围。 根据数据范围，以“表决”的方法判别是否存在故障传感 器，如有则将该传感器对应的测量数据范围剔除。 由“表决”后处于正常工作状态的传感器测量数据范围推 导包含正确测量值的最优范围。