数据融合层次

数据融合层次

数据融合层次是指多传感器数据融合过程中，按照信息抽象程度从低到高对融合处理进行的三个级别划分：原始层（数据层/像素层）、特征层和决策层（证据层）。不同层次在处理信息量、容错性、传感器依赖性和实时性等方面各有优劣，实际应用中需根据任务需求进行选择。

层次划分

原始层（数据层）

最低层融合，对传感器原始信息（未经或经过很少处理）进行直接融合。对于图像类传感器，也称为像素层融合。当传感器信息具有配准性（所测物理量相同）时，原始信息可直接综合；否则只能在特征层或决策层进行融合。

• 优点：可充分利用原始信息，提供最详细的信息，分类性质最好。
• 缺点：处理量大、实时性差、对配准性要求高、融合方法依赖传感器特性、容错性和抗干扰性最差。
• 典型技术：卡尔曼滤波等经典状态估计方法。

特征层

中间层次融合，从传感器原始信息中提取特征向量（如目标的边缘、形状、纹理等）进行融合。该层次在信息压缩和保留关键信息之间取得平衡，应用范围较广。

• 优点：兼备原始层和决策层的部分优点，信息损失与容错性居中。
• 缺点：仍需一定的预处理，融合方法难度中等。
• 典型技术：人工神经网络、模糊聚类等模式识别技术。

决策层（证据层）

最高层融合，每个传感器先对目标属性做出独立初步决策，然后在决策层进行融合，得到整体一致的决策结果。

• 优点：容错性好（单个传感器出错时仍可正确决策）、对原始信息无特殊要求、系统开放性好。
• 缺点：预处理量最大（每个传感器需独立完成决策），信息损失最大。
• 典型技术：Bayes推理、Dempster-Shafer证据理论、加权决策法（投票法）。

性能比较

以下表格从九个维度对三个融合层次进行定性比较：

层次选择与设计权衡

实际应用中，数据融合层次的选择取决于具体任务需求、传感器特性、计算资源、实时性要求和系统开放性等多个维度。原始层保留最完整信息但容错性和实时性最差，决策层容错性最好但信息损失最大，特征层居于中间。需要根据应用场景权衡利弊，也可组合多个层次（如先特征层后决策层）以平衡性能。