《传感器技术》课件第9章

第9章多传感器信息融合技术9.1多传感器信息融合的定义及特点9.2多传感器信息融合系统的分类9.3身份识别的多传感器信息融合9.4多传感器目标检测9.5信息融合技术的应用

9.1多传感器信息融合的定义及特点

9.1.1多传感器信息融合的定义

多传感器信息融合概念是20世纪70年代提出的，80年代以后，特别是近几年，多传感器信息融合技术在理论、方法、性能等方面都获得了很大的提高，各种面向复杂应用背景的多传感器系统大量涌现。在多传感器系统中，由于信息表现形式的多样性、信息数量的巨大性、信息关系的复杂性，以及要求信息处理的及时性，都已大大超出了人脑的信息综合处理能力，而且，军事、工业等领域中不断增长的复杂度使得军事指挥人员或工业控制环境面临数据繁多、信息超载等一系列问题，迫切需要新的技术途径对过多的信息进行消化、解释和评估，因此，多传感器信息融合技术越来越受到人们的普遍关注，并广泛地应用于军事和非军事等领域，受到高度重视。

信息融合本身并不是一门单一的技术学科，而是一门跨领域的综合理论与方法。信息融合的另一种常用说法是数据融合，但就信息和数据的内涵而论，用信息融合一词更广泛、更确切、更具有概括性。一般认为，信息不仅包含数据还包含信息和知识，故本书称为信息融合。人是一个最复杂的且自适应性极强的信息融合系统，人身上有许多功能不同的传感器。实际上，人的眼睛、耳朵、鼻子、舌头和四肢，就是视觉、听觉、嗅觉、味觉和触觉传感器。例如，一个人到一个黑屋子中，去取一只带有异味的闹钟，他进屋后，要“尽量地”看，要“拼命地”听，要用手去触摸，用鼻子去闻，以确定闹钟的方向和位置，他对闹钟的定位，是通过综合各种信息进行的。信息融合是针对使用多个或多类传感器的一个系统这一特定问题而开展的一种信息处理的新方法，要给出信息融合的准确定义是非常困难的，这种困难是由所研究的内容的广泛性和多样性带来的，目前，信息融合还没有统一的定义。具有代表性的定义为：利用计算机技术对按时序获得的若干传感器的观测信息，在一定准则下加以自动分析、优化综合，为完成所需要的决策和估计任务而进行的信息处理过程。按照这一定义，各种传感器是信息融合的基础，多源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。另一个定义为：信息融合是一种通过集成多知识源的信息和不同专家的意见，以产生一个决策的方法，完成对目标的识别、分类与决策任务。即对多源信息进行综合处理，从而得出更为准确、可靠的结论。这种信息融合的定义，基本上能够描述信息融合的三个主要功能：

(1)信息融合是在多个层次上对多源信息进行处理的，每个层次代表信息处理的不同级别；

(2)信息融合过程包括检测、关联(相关)、跟踪、估计和综合；

(3)信息融合过程的结果包括低层次上的状态和属性估计，以及高层次上的战场态势和威胁评估。9.1.2多传感器信息融合的特点

多传感器融合系统中，各传感器的信息可能具有不同的特征：可能是实时信息，也可能是非实时信息；可能是快变或瞬变的，也可能是缓变的；可能是确定的，也可能是模糊的；可能是相互支持或互补的，也可能是互相矛盾或竞争的。而多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，它充分地利用多个传感器资源，通过对各种传感器极其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息，这是最佳协同作用的结果，它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。由于在模式识别及机器人研究领域，多传感器信息融合技术得到了最广泛的直接应用，因此，信息融合被比拟为是对人脑综合处理复杂问题的一种较全面的高水平的模仿；而所有单传感器的信号处理或低层次的多传感器信息处理方式都是对人脑信息处理的一种低水平模仿。多传感器信息融合系统是有效地利用传感器资源，可以最大限度地获得有关被探测目标和环境的相关信息。同时，多传感器信息融合与经典信号处理方法之间存在着本质区别，其关键在于信息融合所处理的多传感器信息具有更复杂的形式，而且可以在不同的信息层次上出现。运用多传感器信息融合技术进行信息综合处理，解决探测、跟踪和目标识别等方面问题具有如下特点：

(1)增加了系统的生存能力。在有若干传感器不能利用或受到干扰，或某个目标不在覆盖范围时，总还会有一部分传感器可以提供信息，使系统能够不受干扰连续运行、弱化故障，并增加检测概率。

(2)扩展了空间覆盖范围。通过多个交叠覆盖的传感器作用区域，扩大了空间覆盖范围，一些传感器可以探测其他传感器无法探测的地方，进而增加了系统的监视能力和检测概率。

(3)扩展了时间覆盖范围。多个传感器的协同作用可提高系统的时间监视范围和检测概率，即当某些传感器不能探测时，另一些传感器可以检测、测量目标或事件。

(4)提高了可信度。一种或多种传感器能对同一目标或事件加以确认。

(5)降低了信息的模糊性。多传感器联合信息降低了目标或事件的不确定性。

(6)改善了探测性能。对目标或事件多种测量的有效融合，提高了探测的有效性。

(7)提高了空间分辨率。多传感器孔径可以获得比任何单一传感器更高的分辨率。

(8)增加了测量空间的维数。使用不同的传感器来测量电磁频谱的各个频段的系统，不易受到敌方行动或自然现象的破坏。

9.2多传感器信息融合系统的分类

9.2.1检测级融合

检测级融合是直接在多传感器分布检测系统中，检测判决或信号层上进行的融合。在经典的多传感器检测中，所有的局部传感器将检测到的原始观测信号全部直接送给中心处理器，然后利用由经典的统计推断理论设计的算法完成最优目标检测任务。在多传感器分布检测系统中，每个传感器对所获得的观测先进行一定的预处理，然后将压缩的信息传送给其他传感器，最后在某一中心汇总和融合这些信息，产生全局检测判决。从分布检测的角度看，检测级融合的结构模型主要有五种；并行结构、分散式结构、串行结构、树状结构和带反馈并行结构。

1.并行结构

并行结构的分布检测系统如图9.2.1所示，n个局部节点S1，S2，…，Sn的传感器在收到未经处理的原始数据Y1，Y2，…，Yn之后，在局部节点分别做出局部检测判决u1，u2，…，un，然后，它们在检测中心，通过融合得到全局判决u。这种结构在分布检测系统中的应用较为普遍。图9.2.1并行结构图9.2.2分散式结构

2.分散式结构

分散式结构的分布检测系统如图9.2.2所示，这种空间结构实际上是将并行结构中的融合节点取消后得到的。每个局部判决ui(i=1，2，…，n)又都是最终决策。在具体应用中，可按照某种规则将这些分离的子系统联系起来，看成一个大系统，并遵循大系统中的某种最优化准则来确定每个子系统的工作点。图9.2.3串行结构图9.2.4树状结构

4.树状结构

为方便起见，给出了包含5个节点的树状结构，如图9.2.4所示，n个节点的情况类似。在这种结构中，信息传递处理流程是从所有的树枝到树根，最后，在树根即融合节点，融合从树枝传来的局部判决和自己的检测，做出全局判决u。

5.带反馈并行结构

带反馈并行结构的检测系统如图9.2.5所示，在这种结构中，n个局部检测器在接收到观测之后，把它们的判决送到融合中心，中心通过某种准则组合n个判决，然后把获得的全局判决分别反馈到各局部传感器，作为下一时刻局部决策的输入，这种系统可明显改善各局部节点的判决质量。图9.2.5带反馈的并行结构9.2.2位置级融合

1.集中式结构

集中式多传感器跟踪系统是将各传感器节点的数据都传递到融合中心，从而进行融合处理，如图9.2.6所示。首先，按对目标观测的时间先后对测量点迹进行时间融合，然后对各个传感器在同一时刻对同一目标的观测进行空间融合，它包括了多传感器综合跟踪与状态估计的全过程。此结构可以实现实时融合，具有信息损失小、数据处理精度高等优点。但是，数据量大，计算负担重，要求系统必须具备大容量的能力，不易实现。图9.2.6集中式融合

2.分布式结构

在分布式多传感器跟踪系统中，各传感器首先完成单传感器的多目标跟踪与状态估计，也就是完成时间上的信息融合，产生局部多目标跟踪航迹，然后把处理后的信息送至融合中心，中心根据各节点的航迹数据来完成航迹关联和航迹融合，形成全局估计，如图9.2.7所示。此结构对通信带宽需求低、计算速度快、可靠性和延续性好，但跟踪精度没有集中式高。图9.2.7分布式融合

3.混合式结构

混合式多传感器跟踪系统是集中式和分布式多传感器系统相组合的混合结构，如图9.2.8所示。传感器的检测报告和目标状态估计的航迹信息都被送入融合中心，在那里既可以进行时间融合，也可以进行空间融合。由于这种结构要同时处理检测报告和航迹估计，并进行优化组合，它需要复杂的处理逻辑。混合式方法也可以根据所运行问题的需要，在集中式和分布式结构中进行选择变换。图9.2.8混合式融合9.2.3属性级融合

1.数据层融合

数据层融合的结构如图9.2.9所示，它是对来自等量级的传感器的原始数据直接进行融合，然后对融合的数据进行特征提取和身份估计。为了完成这种数据层融合，传感器必须是相同的(如几个红外传感器)或者是同类的(如一个红外传感器和一个视觉图像传感器)，通过对原始数据进行关联，来确定已融合的数据是否与同一目标或实体有关。有了融合的传感器数据之后，就可以完成同单传感器一样的识别处理过程。对于图像传感器，数据级融合一般涉及到图像画面元素级的融合，因而数据级融合也常称为像素级融合。像素级融合主要用于多源图像复合、图像分析和图像理解。图9.2.9数据层属性融合

2.特征层融合

特征层融合的结构如图9.2.10所示，它是对每个传感器观测的数据进行特征提取，以得到一个特征向量，然后对这些特征向量进行融合，并由获得的联合特征向量来产生身份估计。在这种方法中，必须使用关联处理，把特征向量分成有意义的群组。图9.2.10特征层属性融合

3.决策层融合

决策层融合的结构如图9.2.11所示，它是对每个信息源都执行一个变换，以得出一个独立的身份估计，然后对这些身份估计进行融合，并由此进行目标识别，其中I/Di是来自第i个传感器的属性判决结果。图9.2.11决策层属性融合图9.2.12信息融合的层次化结构对于具体的融合系统而言，它所接收到的信息可以是单一层次上的信息，也可以是几种层次上的信息。融合的基本策略就是先对同一层次上的信息进行融合，从而获得更高层次的融合信息，然后再汇入相应的信息融合层次，因此，总的说来，信息融合本质上是一个由低层到高层的对多源信息进行融合、逐渐抽象的信息处理过程。但在某种情况下，高层信息对低层信息的融合要起反馈控制作用，即高层信息也参与低层信息的融合，由此我们可以概括出信息融合节点的融合过程，其基本模型如图9.2.12所示。传感器各层次的信息逐渐在各融合节点合成，各融合节点的融合信息和融合结果，也可以以交互的方式通过数据库/黑板系统进入其他融合节点，从而参与其他节点上的融合。应该指出的是：系统的信息融合相对于信息的表征层次，虽然可分为数据层、特征层和决策层，但并不是说每个融合系统都必须包含这三个层次上的融合，它们仅仅是融合的一种分类形式，并没有对所有应用环境都适用的目标识别融合结构。结构类型的选择，既要能对给定的任务具有优化检测和识别的性能，也要受技术能力(软、硬件)的制约；同时，还与传感器质量、传输数据的带宽等因素有关。9.2.4态势评估与威胁估计

态势评估与威胁估计是信息融合的第四层和第五层。第一层属于低级融合，它是经典信号检测理论的直接发展，是近几十年才开始研究的领域，目前绝大多数多传感器信息融合系统还不存在这一级，仍然保持集中式检测，而不是分布式检测，但是分布式检测是未来的发展方向。第二和第三级属于中间层次，是最重要的两级，它们是进行态势评估和威胁估计的前提和基础。实际上，融合本身主要发生在前三个级别上，而态势评估和威胁估计只是在某种意义上与信息融合具有相似的含义，它们是决策级融合，即高级融合，它们包括对全局事态发展和某些局部形势的估计，主要适用于军事应用系统中的信息融合。态势评估包括态势的提取和评估。态势的提取是指由不完整的数据集合建立一般化的态势表示，从而对前几级处理产生的兵力分布情况有一个合理的解释。态势评估是通过对复杂战场环境的正确分析和表达，导出敌我双方兵力的分布推断，绘出意图、告警、行动计划与结果。态势评估是对战场上战斗力量分配情况的评价过程，它通过综合敌我双方及地理、气象环境等因素，将所观测到的战斗力量分布与活动和战场周围环境、敌作战意图及敌机性能有机地联系起来，分析并确定事件发生深层原因，得到关于敌方兵力结构、使用特点的估计，最终形成战场综合态势图。在综合电子战系统中，态势评估的功能是对战场监视区域内所有目标的状态与其先验的可能情况加以比较，以便获得战斗兵力、电子战武装部署情况、军事活动企图及敌我双方平台的分布、航向、速度等变化趋势的综合文件。

9.3身份识别的多传感器信息融合

9．3．1身份识别融合算法的分类

身份识别融合算法的准确分类方法实际上是不存在的，也是不可能存在的，但我们还是粗线条地给出了一个分类表，大致将其分成三类，即基于物理模型的方法、基于特征推理的方法和基于认识模型的方法。身份识别融合算法的具体分类如图9.3.1所示。图9.3.1身份识别融合算法分类物理模型力图精确地构造传感器观测数据，如各种实体的雷达横截面积、实体图像、实体红外传感器频谱等，并通过将实测数据与模型数据的匹配来进行身份估计。这类方法中包括模拟技术和估计技术，如卡尔曼滤波技术等。尽管利用经典估计技术实现目标的身份估计是可能的，但身份物理模型的构造是困难的。

基于特征推理技术的目的是根据身份数据构造身份报告。它不采用物理模型，而是直接在身份数据和身份报告之间进行映射。我们又把它分成两大类，即有参技术和无参技术。有参技术需要身份数据的先验知识，如它的分布和各阶矩等；无参技术则不需要这些先验知识。有参技术包括基于统计原理的经典推理、Bayes推理、D－S证据推理以及各种聚类方法；无参技术包括神经网络技术、模板技术、熵法和表决法等。9.3.2特征及其提取

在身份融合过程中，不管在哪个级别上进行融合，均要从原始数据集合中抽取出观测对象的特征信息，它是编制身份报告的基本要素。这里所说的特征实际上就是对原始数据的一种抽象，其目的是提供一个简化的集合，使该集合能够确切、简化地表示原始信息所描述的对象。把原始数据从高维空间经过某些映射或变换，用低维空间来表示其特征，这个低维空间的数据集合便称为特征向量。获取特征向量的过程称做特征提取。从广义的角度来讲，特征提取实际上是将原始数据从数据空间到特征空间的一种变换。在实际应用的过程中，如果特征向量的维数较大，仍然可以通过选择那些最能描述观测对象的特征，即有效特征，进一步降低特征空间的维数，以利于向量运算，这个过程称之为特征选择。

1．图像特征

1）几何特征

几何特征是目标或一幅图像的主要特征，它能展现目标或图像的几何形状和尺寸。边缘是描述几何形状和尺寸特征向量中的重要元素。在图像处理中要经常利用边缘特征进行边缘提取、边缘增强，更直观地反映目标/图像的几何形状，以便对图像进行有效的识别。实际上，边缘是由线段、圆弧、圆等基本元素组成的，它们之间的关系、几何尺寸等都是图像特征选择时所要考虑的重要因素。

2）结构特征

结构特征能够在多维空间内描述目标/图像的几何形状和尺寸。特征向量中目标的各种几何形状，如球、圆锥、圆柱、多面体等及其半径、表面积和构成这些几何体的线段方向及相互关系等，都是图像处理中用于特征提取的基本元素。结构特征最能显现图像各部分的比例关系。

3）时域统计特征

时域统计特征主要指构成目标/图像的基本元素的数目和概率分布，及其统计参数，如均值、方差和高阶矩等。利用统计特征，可以从总体上加强对目标/图像的理解。图像信号的另一个时域特征是它的灰度，它在图像处理中得到了普遍应用。

4）频域特征

频域特征主要包括频率的高低、频谱宽度、峰值位置、谱的形状等，当然也可以将其称为频域统计特性，可以用均值、方差及高阶矩描述。利用频域特征是目标识别的一种非常重要的手段。红外特性实际上也是频域特性，只不过它的波长很短，如只有几微米到十几微米。此外频域特性还包括颜色系数、黑体温度等。

2.信号数据特征

1）时域特征

传感器给出的信号一般包括信号和噪声。对信号来说，主要是脉冲信号，其特征主要有：脉冲宽度、脉冲重复频率或脉冲重复周期，脉冲幅度，脉冲的前、后沿的上升、下降时间，射频频率（RF）以及脉冲调制方式（正弦波、线性调频和相位编码等）。对噪声来说，由于它是非周期信号，在幅度和相位上都是随机的，一般用噪声功率来表示，其开方便是均方根值。

2）频域特征

数据信号的频域特征一个是将时域脉冲进行傅里叶级数展开所产生的傅里叶系数，另一个是将时域脉冲信号进行傅里叶变换所得到的信号的频谱，其参数如频谱形状、谱宽、谱峰、均值等。时域的白噪声，在频域表现为均匀频谱，相关性较强的噪声一般在频域表现为一个低频谱，其形状可能是高斯的、全极点的或马尔柯夫型的。

3）复合特征

复合特征主要包括信号的时频分析表达式、小波表达式和Wigner－Villy分布等。在特征提取和特征选择过程中，人们通常选择最能代表观测实体本质的一组特征，建立特征集合或特征向量，然后，使用各种模式识别技术来完成身份报告的构建工作。9.3.3身份识别融合算法

1．物理模型方法

这种方法根据物理模型直接计算实体特征(时间域、信号、数据、频域数据或图像)，如图9.3.2所示。由传感器观测产生观测特征或图像，由目标识别过程把观测数据与预先存储的目标特征(一个先验的目标特征文件)或根据对观测数据进行预测的物理模型所得出的模拟特征进行比较。比较过程涉及到计算预测数据和实测数据的相关关系，如果相关系数超过一个预先规定的阈值，则认为两者存在匹配关系，即目标相同。预测一个实体特征的物理模型必须以被识别物体的物理特征为基础，而实际物理模型往往相当复杂，建立起来非常困难，计算量很大，其应用一般来说很有限，但在基础研究工作中却经常使用。图9.3.2目标识别的物理模型

2．Bayes推理

Bayes推理基于Bayes统计理论，该理论是英国著名学者ThomasBayes提出的。Bayes统计理论的形成是本世纪数理统计发展的一个重大事件，是统计目标识别的基本方法。

设B为任一事件，P(B)＞0，A1，A2，…，An是n个互不相容的事件，且P(Ai)＞0， ，则Bayes公式可表示为

P(A1)，P(A2)，…P(An)表示事件A1，A2，…，An出现的可能性大小，这是在做试验前就已知道的事实，这种知识叫做“先验信息”。一般地说，“先验”就是指“在做试验之前”，与我们的问题有关的任何有用信息，只要是在试验前就已知的，都可称为先验信息。此处先验信息有更确切的形式，即以一个概率分布的形式给出，故常称为先验分布。现假设在试验中我们观察到B发生了，由于这个新情况的出现，我们对事件A1，A2，…，An的可能性有了新的估计，这个知识是在做试验后获得的，可称为“后验知识”，即将P(A1|B)，P(A2|B)，…，P(An|B)称为“后验概率”。它综合了先验信息和实验提供的新信息，形成了我们关于A1，A2，…，An的可能性大小的当前认识。这个由先验到后验信息的转化过程就是Bayes统计特征。可见，Bayes统计的基本观点是把未知参数看做是一个有一定概率分布的随机变量，这个分布总结了在抽样以前对未知参数的了解，因此称为先验分布。Bayes学派认为，处理任何统计分析问题，在利用样本所提供的信息时，也必须利用先验信息，以先验分布为基础和出发点。下面简单介绍Bayes推理在目标识别中的应用。如果D1

，D2

，…，Dn

相互独立，则图9.3.3基于Bayes统计理论的目标识别为了说明Bayes推理在目标识别中的应用，现通过一个具体的实例来说明。设有两个传感器，一个是敌—我—中识别(IFFN)传感器，另一个是电子支援测量传感器(ESM)。假如目标共有m种可能的机型，分别用O1，O2，…，Om表示，先验概率PIFFN(x|Oj)已知，其中x表示敌、友、中三种情况，对于传感器IFFN的观测z，应用全概率公式，得对于ESM传感器，能在机型上识别飞机属性，从而有基于两个传感器的融合似然为

Bayes推理在许多领域都有广泛的应用，但在目标识别中直接使用这一公式主要有三个困难：第一，一个证据A的概率是在大量的统计数据的基础上得出的，当所处理的问题比较复杂时，需要大量的统计工作量，这使得定义先验函数非常困难：第二，要求各证据之间是不相容的或相互独立的，当存在多个可能假设和多条件相关事件时，计算复杂性迅速增加；第三，缺乏分配总的不确定性的能力。

3．D－S证据理论

D－S证据理论是对Bayes理论的推广，巧妙地解决了Bayes方法需要先验概率等棘手问题。同时，它能很好地表示“不确定性”及“无知”等认知学上的重要概念，且推理形式简单，在目标识别中具有很好的应用前景。D－S证据理论最早是由Dempster提出的，Shafer又对这一理论进行了推广，使之适用于一般的不确定水平。D－S证据理论的基础是证据的合并和可信度函数的更新。

1）D－S证据理论的基本概念

在证据理论中，传感器的信息被认为是关于作业环境或目标的某些描述的证据，这种证据通常是不确定和不完善的，并且是有误差的。证据理论的基本概念是辨识框架，可用U表示，U是由一些相互排它的陈述组成的一个完备集。命题则由U的幂集，即记为2U的元素构成，对于每个命题赋予一个可信度。一个证据集合本身可作为辨识框架，也可以认为是一个特殊的集合函数。定义5

(BEL(A)，PL(A))称为焦元A的信任区间。

PL(A)-BEL(A)描述了A的不确定性，称为焦元A的不确定度。信任度和似真度就概括了证据对具体的命题A的关系。它们之间的关系如图9.3.4所示。它构成了一个完整的证据区间。图9.3.4证据区间示意图

2）D－S证据理论的组合规则

证据理论中的组合规则提供了组合两个证据的规则。设m1和m2是2U上的两个互相独立的基本概率赋值。

定义6设BEL1和BEL2是同一识别框架U上的两个信任函数，m1和m2分别是其对应的基本概率赋值，焦元分别为{An}和{Bn}，则Dempster结合律为

在式（9.3.13）中，若K≠1，则m确定一个基本概率赋值；若K=1，则认为m1和m2矛盾，不能对基本概率赋值进行组合。由定义6所给出的证据组合规则称为Dempster组合规则。对于多个证据的组合，可采用定义6的Dempster组合规则对证据进行两两综合。由表9.3.2可得mRF(·)和mPW（·）这两批证据的不一致因子K为K=0.18+0.054+0.0675+0.01+0.006+0.0075+0.05+0.1+0.0375+0.02+0.04+0.012=0.5845于是，可得ESM传感器目标识别的基本概率赋值为同理，将ESM和IR证据融合后的基本概率赋值为把ESM、IR和EO三个传感器融合后的基本概率为将上述融合结果总结于表9.3.3中。由计算结果可以看出，通过融合，不确定性的基本概率赋值下降到0.01。当采用基于基本概率赋值的决策方法时，若选择门限ε1=ε2=0.01，则最终的决策结果是o1，即目标是战斗机。表9.3.3融合结果

4．参数模板法

模板法是模式识别最基本的技术之一，其思想比较简单。首先，根据先验信息把一已知的多维特征空间分解成不同的区域，其中每个区域表示一个身份的类，然后进行特征提取，形成特征向量，最后将其与特征区间进行比较，看是否落入特征区间。图9.3.5给出了一个用ELINT接收机识别脉冲发射机的例子。图9.3.5ELINT接收机识别脉冲发射机假定在空中有两个雷达发射机，分别为发射机1和发射机2，它们重复不断地发射具有一定脉冲宽度和脉冲重复周期的高频脉冲串。假定传感器为ELINT接收机，同时接收两个发射机的信号，经过射频、中频处理和检波，给出幅度—时间脉冲序列输出。经特征提取，建立两个由射频频率(RF)、脉冲宽度(PW)和脉冲重复频率(PRF)组成的三维特征向量，以表示观测到的数据，然后将特征向量映射到由RF、PW和PRF组成的三维空间。假设通过先验知识建立了发射机的两个“类”：A类和B类，它们具有互不覆盖的边界。身份分类的任务就是判断观测数据向量Y1和Y2是否落入了这两个边界之内。由图可见，发射机1落入了A类的特征边界之内，说明发射机1与A类发射机有相同的身份。发射机2落入了A类和B类发射机的特征空间之外，如果没有其他信息，只能说明发射机2具有未知身份。

5．认识模型方法

基于认识模型的方法是力图模仿人在识别实体身份时的思维和推理过程。这类技术包括逻辑模板技术、基于知识或专家系统的技术和模糊集理论等。

基于知识的方法有两个方面的内容：一方面是表示知识的技术；另一方面是处理信息以得出结论的推理方法。它们可以在原始传感器数据或抽取的特征的基础上进行。用此类方法进行目标识别的原理如图9.3.6所示。图9.3.6基于知识的目标识别基于知识的方法成功与否在很大程度上依赖于建立一个先验知识库，有效的知识库是用知识工程技术来建立的。这里虽然不明确要求使用物理模型，但却是建立在对要识别实体的组成和结构有一个彻底了解的基础上，因此，该方法只不过是用启发式的方法代替了数学模型而已。当目标物体能根据其组成部分及其相互关系来识别时，这种基于知识的方法就尤其有用，不仅如此，对于一个复杂的实体，这种方法会变得很有用。例如，发射体的识别可以很容易地通过物理模型、模板法或神经网络来完成，但是，在识别诸如地对空导弹基地这样的军事目标时，就需要识别几个组成部分，辨别它们的功能及相互关系，并进行一些推理，因此，只有基于知识的技术才能更好地进行这类识别。 9.4多传感器目标检测

9.4.1集中式目标检测

在集中式方法中，所有的局部传感器将检测到的原始观测信号全部直接送给中心处理器，然后利用由经典的统计推断理论设计的算法完成最优目标检测任务，如图9.4.1所示。该方法通常需要增加通信开销以获得实时结果，并且在多数情况下，融合结点也没有足够的处理器。图9.4.1集中式检测结构9.4.2分布式目标检测

在许多实际应用中，传感器是配置在一个很宽广的地理范围上，而传感器之间可允许的通信容量是受限制的，采用集中式将面临很大困难，在这种情况下，一般采用分布式结构，可以在各传感器处完成一定量的计算和处理任务，将经过压缩后的传感器数据传送到融合中心，然后融合中心把接收到的信息进行适当的组合，产生全局推理。这个融合中心面临着的是判决问题，即它必须对从各传感器收到的信息中做出判决。分布式多传感器检测系统与集中式检测系统相比，具有造价低、可靠性高、生命力强等特点，目前，分布式系统在各种场合都备受推崇，在关于多传感器目标检测理论的研究中主要应用的也是分布式方法。

1.问题的描述

在分布式融合探测系统中，每一局部传感器基于自己的局域探测独立地完成同一决策任务，这些局域决策(而不是其观测向量)被传送到融合中心构成中心的观测向量u，信息融合中心基于u获得全局决策。考虑到n个传感器两值假设问题，如图9.4.2所示。图9.4.2有融合中心的分布式检测系统传感器Si表示支持假设H0

传感器Si表示支持假设H1

i=1，2，…，n(9.4.1)

多传感器分布检测中，融合中心以每个传感器的决策值ui作为自身的测量值，由于各传感器的测量值yi(i＝1，…，n)可假设是独立的，其决策ui(i＝1，…，n)也是统计独立的，融合中心的决策仅仅依赖于每个传感器的决策结果和每个传感器的检测性能，融合中心的决策值u可表示为融合中心决策支持假设H0

融合中心决策支持假设H1(9.4.2)

2.融合中心的数据融合方法

融合规则是一个具有n个二元输入和一个二元输出的逻辑函数。一般地说，当有n个二元输入到融合中心时，存在2n个融合规则。例如，对组合两个二元局部判决就有16种可能的融合规则，如表9.4.1所示。在这16种逻辑函数中，通常使用的逻辑函数是“与”(and)和“或(or)逻辑。

“and”逻辑的意义为：当所有传感器都决策支持假设H1时，融合中心才决策支持假设H1，融合规则f2代表“and”规则；而“or”逻辑的意义为：只要有一个传感器决策支持假设H1，融合中心就支持假设H1，融合规则f8代表“or”规则。“and”规则和“or”规则可分别表示为如果u1=u2…=un=1其它(and逻辑)(9.4.3)如果u1=u2…=un=0其他(or逻辑)(9.4.4) 9.5信息融合技术的应用

9.5.1信息融合的民事应用领域

1.工业过程监视及工业机器人

工业过程监视，如核反应堆检测和石油工业中的平台监视等应用信息融合技术，识别引起系统状态超出正常运行范围的故障条件，并据此触发报警器等。随着传感器技术的发展，机器人上的传感器数量不断增加，使其运动更自由，动作更灵活，为此，近年来机器人信息融合技术的研究受到特别的重视。工业机器人使用模式识别和推理技术来识别三维对象，确定它们的方位，并引导机器人的附件去处理这些对象。机器人采用的是较近物理接触的传感器和与观测目标有较短距离的遥感传感器，如摄像机等，机器人通过融合来自多个传感器的信息，避开障碍物，很好地完成工作任务。

2.遥感与金融系统

遥感主要应用于对地面的监视，以便识别和监视地貌、气象模式、矿产资源、植物生长、环境条件和威胁情况(如原油泄漏、辐射泄漏等)，使用的传感器如合成孔径雷达等。遥感系统信息融合的目的是通过协调所使用的传感器，对物理现象和事件进行定位、识别和解释。大公司或企业金融系统或国家经济管理系统，在做出某种决策时，都要根据各方面的信息，即融合多个信息源的信息，形成最后决策。