数据融合的基本原理（三）：层次性能比较与功能模型

数据融合的基本原理（三）：层次性能比较与功能模型

本文是《多传感器数据融合》第17.2节"数据融合的基本原理"的第三部分，重点阐述了数据融合的三个层次（原始层、特征层、决策层）及其性能比较，以及数据融合的处理形态和功能模型。

核心内容

数据融合层次

多传感器数据融合按照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；缺点是处理量大、实时性差、对信息配准性要求高。典型技术为卡尔曼滤波。

1. 特征层：从传感器原始信息中提取特征向量进行融合，兼备原始层和决策层的优缺点，应用范围较广。典型技术为人工神经网络和模糊聚类。

1. 决策层：最高层融合，在每个传感器做出初步决策后进行融合，容错性最好，对原始信息无特殊要求。典型技术为Bayes推理、Dempster-Shafer证据理论和加权决策法（投票法）。

表17-1：融合层次性能比较

本文提供了九个维度的定性比较框架：

数据融合的处理形态

分为四种形态：复合处理（并行互补组合）、汇总处理（归纳得出信息）、融合处理（利用相互关系）、联合处理（理解相互关系），以及这些形态的组合。

功能模型

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功能。融合过程分为两个步骤：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）。

与现有wiki的关联

本文详细阐述了数据融合层次、数据融合的处理形态和数据融合功能模型等已有概念，提供了表17-1的系统化比较框架作为层次选择的决策依据。