新型智慧城市信息融合典型模型、常用算法

1、附录A（资料性附录）信息融合典型模型A.1 DFIG2004 模型DFIG 提出了作为第三代信息融合系统雏形的DFIG2004 和作为第三代信息融合系统典型代表的“用户 -融合”模型。信息融合传感器显式融合隐式融合人工和0级5级信息源1级2/3 级判定机器知识描述4级推理平台资源管理6级地面站规划任务管理附图 1：第三代信息融合的DFIG2004 模型DFIG2004 模型具有以下特征：a)将场景感知资源和任务管理纳入信息融合范围（称“级融合” ），从而将场景感知管理与感知信息处理纳入一个整体结构中，更易于场景感知的统一控制和优化以及与场景应用的紧密耦合；b)将人的认知判定纳入信息融合范围，由

2、人负责解决机器自动融合显示出的判定、选择与优化问题（称级融合） ，由人负责感知任务的规划并推断资源管理中的问题（称级融 合），即从“人在其外”迈向“人在其中”的信息融合。DFIG2004 模型对于人在信息融合中的作用并未描述清楚，仅为初步考虑。如将第级融合仅表现为知识描述， 即机器融合呈现给人的问题与人的思维判定采用统一的知识表述形式，以利于人与机器的一致理解。A.2用户 - 融合”模型分布本地情报信号（ SIG）影像（ IM ）光电（ EO）.传感器声纳雷达-高分辨雷达-合成孔径雷达-动目标指示.0级：预处理价值5级 :用户精炼优先级5 级 :过程精炼1级：对象估计人机界面设计周边关系人机界

3、面设计2级：态势估计3级：影响估计意图团队交互性能估计 / 度量有效性风险流量效用数据库管理系统分布式44级:过程精炼信息源传感器管理支持数据库融合数据库附图 2第三代信息融合的“用户 - 融合”模型用户融合模型中的级融合在融合系统中的功能主要指人在人机界面上对系统的认知交互功能。交互的依据是融合系统显示界面提供的融合信息、人（情报员、 操作员和控制员）的经验与知识及其他来源信息，这些信息通过人的头脑思维与用户任务联系起来，对系统提供的信息进行修正、 判断和选择， 使融合信息质量和应用效能得以提升。由附图可见：a)用户精炼向 0 级融合提供数据价值信息，支持级融合优先收集和处理价值较高的数据，

4、提高级融合对后续级别的支持效能。b)用户精炼向 1 级融合提供优先级信息，指人对 1 级融合对象提供处理优先级，提升系统对任务的支持度。c)用户精炼向 2 级融合提供周边关系信息，是态势估计不可或缺的信息。态势估计实质上是关系估计。无论是实体内部、 实体间还是实体与外部环境关系，甚至实体属性的识别，都需要外部信息。 如时空上聚集在一起的实体一般具有相同属性，例如增加道路信息后，在公路内的目标是汽车，而在公路外的目标可能是坦克，尽管它们距离很近。d) 用户精炼向 3 级融合提供意图信息，将己方场景意图或判断对手意图提供给融合系统，可修正系统自动产生意图估计的不足或错误。e)用户精炼向4 级融合提

5、供精炼效用信息，该信息指用户基于任务需求与融合系统（经与用户交互） 产生的诸级融合结果的差距，确定每一级别的融合规划需求，作为相应融合级别需达到的性能指标。有文献将该点作为资源管理对信息融合的多级控制功能来表述，反映了用户在融合过程精炼中的作用。用户融合模型未包含融合管理功能（感知资源和感知任务管理） ，以及用户精炼过程精炼与融合管理功能的关系， DFIG2004 模型对其进行了弥补。附录B（资料性附录）信息融合常用算法城市信息融合常用算法包括（但不限于）如下算法：a) 贝叶斯网络：宜用于不确定知识表达和推理领域， 贝叶斯网络是 Bayes方法的扩展；b)卡尔曼滤波：卡尔曼滤波（Kalman

6、filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法；c) D-S证据理论：宜用于需要综合考虑来自多源的不确定信息以完成问题求解的场合，属于人工智能范畴， 最早应用于专家系统中， 具有处理不确定信息的能力， 能满足比贝叶斯概率论更弱的条件；d)e)神经网络： 对环境变化具有较强的自适应能力和自学习能力，采用典型的黑箱学习模式，具有泛化能力强、稳定性高、容错性好、快速高效等优势。模糊集合理论：建立在被广泛接受的产生式规则“if then”表达方式之上的计算方法，宜用于需要进行模糊逻辑推理的应用场合；f) 神经网络技术和模糊集合理论相结合：使用神经网络来实现系统的模糊逻辑推理，为传统的神经网络中没有明确物理含义的权值赋予模糊逻辑中推理参数的物理含义，提高整个系统的学习能力和表达能力，为信息融合问题提供有效的解决方案。g) 遗传算法： 一种能够较好地解决多参数优化问题的并行算法，并且针对算法的特点采用了某些新的算子，具有良好的处理性能