17.3 数据融合的方法

17.3 数据融合的方法

本文档系统介绍了多传感器数据融合的常用方法，将其分为随机类和人工智能类两大类。随机类方法包括加权平均法、Bayes概率推理法、Dempster-Shafer证据推理、卡尔曼滤波和产生式规则；人工智能类方法包括模糊逻辑推理、神经网络方法和智能融合方法。文档指出，由于传感器信息具有不确定性，数据融合过程本质上是一个非确定性推理与决策的过程，且该领域尚未形成完整的理论体系。

核心内容

• 加权平均法：信号级融合中最简单直观的方法，对冗余信息进行加权平均得到融合值。
• Bayes概率推理法：基于贝叶斯定理，利用先验概率和观测值更新假设可信度，可扩展为多Bayes系统。
• Dempster-Shafer证据推理：Bayes方法的扩展，使用信任函数和似然函数处理不确定性，特别适合多传感器融合，但计算量随识别特征数指数增长。
• 卡尔曼滤波：利用测量模型统计特性递推估计最优融合信息，广泛用于导航、跟踪等领域。
• 产生式规则：人工智能控制方法，由规则、数据库和控制机构组成，扩展性较差。
• 模糊逻辑推理：多值逻辑，通过赋予命题0-1间的可信度进行合并计算，用于目标识别和路径规划。
• 神经网络方法：具有大规模并行和自适应学习能力，通过训练确定权值进行数据融合，实现分三个步骤。
• 智能融合方法：结合人工智能和专家系统的符号处理能力进行推理，关键在知识的工程化处理。

关键论点

数据融合方法分为随机类和人工智能类两大类，前者基于概率和统计，后者基于符号和智能处理。文档强调，数据融合领域尚未形成完整的理论体系和相应的融合算法，但已有多种成熟方法在实践中广泛应用。