17.2 数据融合的基本原理

17.2 数据融合的基本原理

多传感器数据融合的基本原理模仿人脑综合处理信息的过程，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，将多传感器在空间或时间上可冗余或互补的信息依据某种准则进行组合，以获得被测对象的一致性解释或描述，使信息系统获得比其各组成部分子集所构成的系统更优越的性能。

数据融合的层次

多传感器数据融合按信息抽象程度分为三个层次：

1. 原始层（数据层）：最低层融合，对原始传感信息未经或经过很少处理基础上进行。优点是可充分利用原始信息，提供最详细的信息；缺点是信息处理量大、实时性差、对信息配准性要求高。典型技术为经典状态估计方法，如卡尔曼滤波。

1. 特征层：从传感器原始信息中提取典型特征信息，综合为一组特征向量进行融合。兼备原始层和决策层的优缺点，应用范围较大。典型技术为模式识别技术，如人工神经网络、模糊聚类等。

1. 决策层：最高层融合，每个传感器对目标属性做出初步决策后，融合得到整体一致的决策结果。容错性好，对原始传感器信息无特殊要求，但预处理量大。典型技术包括经典推理理论、Bayes推理、Dempster-Shafer证据理论、加权决策法（投票法）等。

各融合层次的性能比较见下表：

数据融合的处理形态

传感器数据融合的处理形态因融合层次或传感器类型不同而有所区别，一般分为四种形态：

1. 复合处理：将几个传感器信息并行地、互补地组合起来处理。
2. 汇总处理：定义函数，对几个传感器信息进行归纳得出信息。
3. 融合处理：利用各传感器信息之间或传感器信息与内部模型之间的相互关系进行处理。
4. 联合处理：通过理解传感器信息相互之间的关系进行处理。

实际应用中常存在以上几种形态的组合。

数据融合模型

功能模型

多传感器数据融合系统的功能模型包括特征提取、分类、识别、参数估计和决策五个主要功能：

1. 特征提取：统一各传感器的时间和空间参考点，进行时间校准和空间坐标变换。
2. 分类（数据相关/数据关联）：判别不同时间与空间的数据是否来自同一个被观测目标。
3. 识别：根据多个传感器的观测结果形成N维特征向量，与已知类型特征比较确定目标类别。
4. 参数估计（目标跟踪）：将新观测结果与原有结果融合，估计目标参数（位置、速度、温度等），并预测下一次扫描的量值。
5. 决策：根据目标的行为、企图、动向制定应对策略，包括态势评定、威胁估计与目标趋势分析。

数据融合过程分为低层处理（像素级融合和特征级融合，输出状态、特征和属性）和高层处理（决策级融合，输出抽象结果如目的）。

结构形式

多传感器数据融合的结构分为三种：

1. 并联融合：各传感器直接将输出信息传给数据融合中心，各传感器输出互不影响。
2. 串联融合：每个传感器接收前一级传感器信息后进行本地融合，再将结果传给下一级，前级输出影响后级输出。
3. 混合融合：并联与串联的结合，总体串联局部并联，或总体并联局部串联。

数据融合的关键技术

数据转换

多传感器输出的数据形式、环境描述等不同，数据融合中心的首要任务是将这些数据转换成相同的形式和描述。数据转换不仅涉及不同层次的信息转换，还包括对环境或目标描述的异同转换。坐标变换的非线性带来的误差直接影响数据质量和时空校准。

数据相关

在复杂目标环境中，需对多源测量信息进行相关性定量分析，按照一定判别准则将信息归为不同集合，每个集合与同一源（目标或事件）关联。核心问题是克服传感器测量不精确性和干扰引起的相关二义性，保持数据一致性。相关技术和算法主要有最近邻法、最大似然法、最优差别、统计关联等。