数据融合的基本原理（四）：功能步骤、结构形式与关键技术

数据融合的基本原理（四）：功能步骤、结构形式与关键技术

本页是27-93-第17章_多传感器数据融合/17.2-数据融合的基本原理_3的延续，详细阐述了数据融合的五个核心功能步骤、三种结构形式以及四项关键技术。

功能步骤

数据融合系统在执行融合处理时，通常包含以下五个功能步骤：

1. 特征提取：统一各传感器的时间和空间参考点，对各传感器的观测值进行时间校准和空间坐标变换，形成数据融合所需的统一时间和空间参考点。
2. 分类（数据相关/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。每次扫描结束时，相关单元将多个传感器的新观测值与其过去的观测值进行相关处理，得出每个传感器对观测区域内每个目标在某一时刻的观测值。
3. 识别：根据多个传感器的观测结果形成一个N维特征向量，与已知目标类型的特征进行比较，确定目标的类别。识别是目标属性的估计与比较，建立在已知目标类别的先验知识基础上。
4. 参数估计（目标跟踪）：将新的观测结果与系统原有的观测结果进行融合，估计目标参数（如位置、速度、温度等），并预测下一次扫描中参数的量值。预测值反馈给随后的扫描，以便进行相关处理。
5. 决策：根据被观测目标的行为、企图、动向等制定己方的应对策略与措施。将所有目标的状态和类型数据集与可能态势相比较，得出态势评定、威胁估计与目标趋势，为应对决策提供依据。

结构形式

多传感器数据融合的结构分为三种情形：

• 并联融合：各传感器直接将输出信息传给融合中心，由其对各输入信息处理后输出最终结果。各传感器输出之间互不影响。
• 串联融合：每个传感器在接收前一级传感器信息基础上，先实现信息的本地融合，再将融合结果传给下一级传感器。最后一级传感器的输出综合了所有前级传感器输出的信息。每个传感器既有接收信息功能，又有数据融合功能，前级传感器的输出将影响后级传感器的输出。
• 混合融合：前两种融合方式的结合，总体串联、局部并联，或总体并联、局部串联。

关键技术

1. 数据转换

多传感器输出的数据形式、环境描述等都不一样，数据转换的首要任务是把这些数据转换成相同的形式和描述，然后进行相关处理。数据转换时，不仅要转换不同层次的信息，还需要转换对环境或目标的描述的不同之处与相似之处。坐标变换的非线性带来的误差直接影响数据的质量和时空校准，影响融合处理的质量。

2. 数据相关

在复杂的目标环境中，对多源测量信息进行相关性定量分析是必要的，即按照一定的判别准则，把信息归为不同的集合，每个集合与同一源（目标或事件）关联。数据相关的核心问题是克服传感器测量的不精确性和干扰引起的相关二义性，保持数据的一致性。相关的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。

3. 态势数据库

态势数据库分为实时数据库和非实时数据库。实时数据库的作用是把当前各传感器的观测结果及时地提供给融合中心，提供融合计算所需要的各种其他数据，同时也存储融合处理的最终态势/决策分析结果和中间结果。非实时数据库存储各传感器的历史数据、有关目标和环境的辅助信息以及融合计算的历史信息。态势数据库要求容量大、搜索快、开放互联性好，且具有良好的用户接口。

4. 融合计算

融合计算是多传感器数据融合系统的核心技术，涉及以下问题：

1. 对多传感器的相关观测结果验证、分析、补充、取舍、修改和状态跟踪估计。
2. 对新发现的不相关观测结果进行分析和综合。
3. 生成综合态势，并实时地根据多传感器观测结果通过数据融合计算，对综合态势进行修改。
4. 态势决策分析。

针对复杂的环境和目标变动，在难以获得先验知识的前提下，建立具有良好稳健性和自适应能力的目标机动与环境模型，以最简单的融合计算方法达到融合系统要求，是任何数据融合系统都必须认真考虑的主要内容。