下载掌阅APP，畅读海量书库
立即打开
1.多传感器信息融合层次
多传感器信息融合层次分为三层：数据层、特征层和决策层。
（1）数据层融合
数据层融合结构如图3-117所示。在这种融合结构中，对多传感器获取的原始数据进行融合，并对融合后的数据进行特征提取和属性判决。数据级的信息融合要求传感器必须是同类型的（如若干个红外图像传感器）或是相同量级的（如红外和可见光图像传感器）。通过对原始观测数据进行关联，来确定用于融合的观测数据是否与同一目标或实体有关。融合后的数据可以按照单传感器的模式进行相应的数据处理。数据层融合需要的计算量十分巨大，不易实现。
图3-117 数据层融合结构
（2）特征层融合
特征层融合结构如图3-118所示。在这种融合结构中，每个传感器单独观测目标并完成特征提取（特征可以是目标、速度、方向等），将提取出的特征信息进行相应的融合处理，实现目标的身份估计过程。相比数据层融合，特征层融合计算量适中，较易实现。因此，在多数情况下特征层融合的应用范围更加广泛。
（3）决策层融合
决策层融合结构如图3-119所示。决策层融合首先通过多个同类或异类传感器对目标进行初步判决，在这个过程中，每个传感器独立对数据进行采样、预处理、特征提取、判决等步骤。在将数据送到融合中心之前，通过关联将各个传感器获得的判决信息进行关联处理，这样能够进一步地提高目标的判别精度，在融合中心完成判决过程，获得各个传感器的最终融合结果。决策层信息融合是所有融合过程中最重要的环节。
图3-118 特征层融合结构
图3-119 决策层融合结构 [34]
通常情况下，处理越靠近信源的数据，应该获得相对来说更加精确的精度。因此，在上述三种层次中，数据层融合的处理精度要高于特征级融合的处理精度，特征层融合的处理精度要高于决策层融合的处理精度。此外，信息融合层次的选择与所用传感器的类型、传感器所进行的预处理及系统的实现都有关系。上述三种信息融合层次的对比见表3-10。
表3-10 三种信息融合层次的对比
除了上述的三种信息融合层次，如果从信息的输入和输出角度上划分，则又可以分为数据—特征—决策模型（Data—Feature—Decision, DFD）。该模型又可以细化为以下五种模式。
1）数据输入-数据输出融合（DAI-DAO）。
2）数据输入-特征输出融合（DAI-FEO）。
3）特征输入-特征输出融合（FEI-FEO）。
4）特征输入-决策输出融合（FEI-DEO）。
5）决策输入-决策输出融合（DEI-DEO）。
无论何种融合层次的模型，首先要考虑在融合系统中选择传感器的种类、传感器采用的组合形式，以及系统的输入输出形式的设定；其次考虑对需要处理的信息结构和形式进行筛选，确保通过融合系统后信息的准确度有所提高；最后考虑合理地对融合系统进行设计，以降低系统计算量，提高系统的运算速度和反应时间。确保融合系统实现以上三个方面的基本要求后，还需要多方面考虑实际应用中会涉及的问题，以确保系统的有效性和可靠性。
2.多传感器信息融合结构
多传感器信息融合可以提高拥有多个传感器智能检测系统的性能，减少全体或单个传感器检测信息的损失。从传感器和融合中心信息流的关系来看，多传感器信息融合的结构主要有串联型结构、并联型结构和混联型结构。
串联型结构如图3-120所示。 N 个传感器分别接收各自的检测信息后，首先由传感器1做出局部判决1，然后将它通信到传感器2，而传感器2则将它自身的检测与局部判决1融合形成局部判决2，信息继续向下传递直到传到传感器 N 。最后，由传感器 N 将它自身的检测与局部判决 N -1融合做出全局判决。这种结构的最大优点是信息损失最小，但数据互联较困难，而且要求系统必须具备大容量的能力，计算负担重，系统的生存能力也较差。
并联型结构如图3-121所示。 N 个传感器在收到未经过处理的原始数据之后，在 N 个局部融合中分别做出判决，然后在融合中心通过融合得到全局判决。这种结构在分布式检测系统中的应用较为普遍，其最大优点是计算负担小，系统的生存能力较强，但是信息损失较大。
混联型结构如图3-122所示。它是串联型和并联型两种信息融合结构的结合，有多种形式。例如：总体是并联的，局部是串联的；或者总体是串联的，局部是并联的；或者串并联交叉等。混联型结构保留了串联型结构和并联型结构的优点。
图3-120 串联型结构
图3-121 并联型结构
图3-122 混联型结构
多传感器信息融合作为一种数据综合处理技术，实际上是许多传统学科和新技术的集成和应用。从信息融合的功能模型可以看到，融合的基本功能是相关、估计和识别，重点是估计和识别。相关处理要求对多传感器或多源测量信息的相关性进行定量分析，按照一定的判别原则，将信息分为不同的集合，每个集合的信息都与同一信源关联。解决相关问题的技术和算法有最邻近法则、最大似然法、最优差别、统计关联和联合统计观念等。常用的估计方法有卡尔曼滤波法、最大似然法和最小均方估计法等。由于信息源带有不确定性和随机性，因此目标识别技术涉及众多的不确定性处理方法。
1.卡尔曼滤波法
卡尔曼滤波法的理论是建立在概率论的基础上的，应用最多的是随机变量及其分布、条件均值和条件方差。最优估计理论以众所周知的最小方差估计、最大后验估计、极大似然估计和最小二乘估计为基础。在推导卡尔曼滤波最优估计的递推公式时，通常采用最小方差估计，或者利用正交投影确定最优估计值。除了卡尔曼滤波公式（离散型和连续型）的推导外，还要研究滤波的渐近性质、误差分析和克服发散的方法，这是保证滤波方法达到预期效果的重要步骤，这两部分概括了卡尔曼滤波法的基本内容。
卡尔曼滤波属于变增益滤波，它是一种最优估计的递推滤波算法，具有实时性好和精度高的特点。它的具体计算过程如下：
离散卡尔曼滤波系统方程 [35] ：
状态方程
量测方程
式中 X （ k +1） ——k +1时刻系统的状态估计向量；
Φ ——系统的状态转移矩阵；
G （ k ）——状态噪声加权矩阵；
w （ k ）——系统的噪声向量；
Z （ k ） ——k 时刻的量测向量；
H （ k ）——量测转移矩阵；
v （ k ） ——k 时刻的量测噪声向量。
卡尔曼滤波要求 w （ k ）和 v （ k ）为互不相关的零均值高斯白噪声序列，且满足
式中 Q （ k ）、 R （ k ） ——k 时刻的状态噪声矩阵和量测噪声矩阵；
δ ki ——Kronecker函数，具有 δ ki =0（ k ≠ i ）、 δ ki =1（ k = i ）的性质。
卡尔曼滤波是一种最优化自回归数据处理算法，该算法的流程图如图3-123所示。
离散卡尔曼滤波主要分为时间更新和量测更新两部分。
一步状态预测方程为
一步协方差预测方程为
滤波增益更新方程为
协方差更新方程为
图3-123 卡尔曼滤波算法的流程图
算法通过预测值与量测值进行比较，并结合协方差的变化对状态估计值进行加权修正。卡尔曼滤波算法可以归纳为预测、量测和修正的递推循环过程。
2.贝叶斯估计理论
贝叶斯估计为数据融合提供了一种手段，是融合静态环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进行融合，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计，将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提供整个环境的一个特征描述。
贝叶斯滤波的步骤如下 [39] ：
1）假定在 k -1时刻已经获得了 P （ x k -1 | Z k -1 ），那么状态一步预测的概率密度函数为
其中
而 δ （·）是Dirac delta函数。
2）在已获得 p （ x k | Z k -1 ）的基础上，计算得到量测一步预测的概率密度函数为
而 δ （·）是Dirac delta函数。
3）在 k 时刻，已经获得新的量测数据 z k ，可以利用贝叶斯公式计算得到后验概率密度函数为
这就完成了滤波计算。但是，这种方法的困难在于概率密度函数的计算，即使在噪声为高斯分布的假设下，计算其他变量的分布也都是非常复杂的。
3.DS证据理论
证据推理是贝叶斯推理的扩充，它有3个基本要点：基本概率赋值函数、信任函数和似然函数。DS方法的推理结构是自上而下的，分三级：
1）第1级为目标合成，其作用是把来自独立传感器的观测结果合成为一个总的输出结果。
2）第2级为推断，其作用是获得传感器的观测结果并进行推断，将传感器观测结果扩展成目标报告。这种推理的基础是，一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告。
3）第3级为更新，各种传感器一般都存在随机误差，因此在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告更可靠。因此，在推理和多传感器合成之前，要先组合（更新）传感器的观测数据。
（1）证据理论的基本概念
设 U 表示 X 所有可能取值的一个论域集合，且所有 U 内的元素间是互不相容的，则称 U 为 X 的识别框架。
定义1
设 U 为一识别框架，则函数 m ：2 U →[0，1]在满足下列条件：
1） m （ Φ ）=0
2）∑ A ∈ U m （ A ）=1
时，称 m （ A ）为 A 在识别框架 U 上的基本概率赋值， Φ 为空集。 m （ A ）表示对命题 A 的精确信任程度，表示了对 A 的直接支持。
定义2
设 U 为一识别框架， m ：2 U →[0，1]是 U 上的基本概率赋值，定义函数 BEL ：2 U →[0，1]
称该函数是
U
上的信任函数。
表示
A
的所有可能性度量之和，即表示为对
A
的总信任，从而可知
BEL
（
Φ
）
=
0，
BEL
（
U
）
=
1。
定义3
若识别框架
U
的一子集
A
，具有
m
（
A
）＞0，则称
A
为信任函数
BEL
的焦元，所有的焦元并称为核。对于
A
的不知道的信息可以用
的信任度来度量。
定义4
设 U 为一识别框架，定义 PL ：2 U →[0，1]为
PL 称为似真度函数。
PL （ A ）表示不否定 A 的信任度，是所有与 A 相交的集合的基本概率赋值之和，且有 BEL （ A ）≤ PL （ A ），并以 PL （ A ） -BEL （ A ）表示对 A 不知道的信息，规定的信任区间（ BEL （ A ）， PL （ A ））描述 A 的不确定性。
（2）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 m 1 和 m 2 是2 U 的两个相互独立的基本概率赋值，现在的问题是如何确定组合后的基本概率赋值： m = m 1 ⊕ m 2 。
定义5
设 BEL 1 和 BEL 2 是同一识别框架 U 上的两个信任函数， m 1 和 m 2 分别是其对应的基本概率赋值，焦元分别为 A 1 ， A 2 ， A 3 ，…， A k 和 B 1 ，…， B r ，同时假设
则
其中，若 K 1 ≠1，则 m 确定一个基本概率赋值；若 K =1，则认为 m 1 、 m 2 存在矛盾，不能对基本概率赋值进行组合。
对于多个证据的组合可以采用定义5给出的Dempster证据组合规则进行两两组合。
设 A 、 B ∈ U ， A 、 B 的证据间隔分别为
则组合后的证据间隔为
4.神经网络
神经网络具有很强的容错性以及自学习、自组织和自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器信息融合技术处理的要求。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接收的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时，可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能，即实现了多传感器信息融合。
5.小结
目前，多传感器数据决策技术被国内外学者所重视，出现了大量的关于数据决策方面的理论和算法，但是由于受数据的属性和数据的类型等方面的制约，对于多传感器数据决策问题还没有形成统一的理论框架和唯一的算法分类。在多传感器数据决策领域，主流的决策方法有统计法、经典推理法、贝叶斯推理法、模板法、表决法、自适应神经网络和DS证据理论等。