姓名：張家琦
學號：22021110249
學院：電子工程學院
【嵌牛導讀】本文介紹了多傳感器數據融合技術
【嵌牛鼻子】多傳感器融合 融合層次結構? 融合算法?
【嵌牛提問】多傳感器融合的意義凸椿？融合的層次結構有哪些？融合算法的適用情形婉烟？
轉載自：https://blog.csdn.net/wujianing_110117/article/details/124996383
1旦袋、多傳感器融合的意義
多源數據融合技術能夠將多個不同數據源收集的不完整信息整合在一起匙姜，并進行相應的處理和融合加工蔫敲，使不同數據之間的優(yōu)勢互相補足最終得到一條有決策意義的數據結果柬姚，以此削弱數據源中存在的不確定成份郁轻，幫助使用者獲得有效的融合判斷和準確的綜合衡量队秩，從而更輕易做出合理的判斷和決策笑旺。數據融合技術現己應用于目標識別、自動化馍资、態(tài)勢評估以及地球科學等領域筒主，并逐步擴大應用范圍，如社會安全、遙感圖像乌妙、污染檢測使兔、氣候分析等領域。
2藤韵、多傳感器融合的層次結構
（1）數據級融合
? ? ? ?數據層融合結構如圖1所示虐沥。首先將全部傳感器的觀測數據融合，然后從融合的數據中提取特征向量泽艘，并進行判斷識別欲险。這便要求傳感器是同質的(傳感器觀測的是同一物理現象)，如果多個傳感器是異質的(觀測的不是同一個物理現象)匹涮，那么數據只能在特征層或決策層進行融合天试。數據層融合是直接在采集到的原始數據層上進行的融合，在各種傳感器的原始測量未經處理之前就進行數據的綜合和分析然低，這是最低層次的融合喜每，如成像傳感器對包含若干像素的模糊圖像進行處理和模式識別來確認目標屬性的過程就屬于數據層的融合。這種融合的優(yōu)點是能保持盡可能多的現場數據雳攘，提供其他融合層次所不能提供的細微信息灼卢。但它所要處理的傳感器數據量太大，故處理代價高，處理時間長，實時性差繁莹。這種融合是在信息的最低層進行的，傳感器原始信息的不確定性特幔、不完全性和不穩(wěn)定性要求在融合時有較高的糾錯能力薄风。
（2）特征級融合
? ? ? ? 特征層融合如圖2所示。每種傳感器提供從觀測數據中提取的有代表性的特征撇他，這些特征融合成單一的特征向量困肩，然后運用模式識別的方法進行處理勇劣。這種方法對通信帶寬的要求較低芭毙。但由于數據的丟失使其準確性有所下降。
（3）決策級融合
? ? ? ?決策層融合如圖3所示。在這種方法中钝域，將每個傳感器采集的信息變換其中包括預處理、特征抽取、識別或判決笙蒙，以建立對所觀察目標的初步結論艇搀，最后根據一定的準則以及每個判定的可信度做出最優(yōu)決策。決策層融合從具體決策問題的需求出發(fā)，充分利用特征層融合所提取的測量對象的各類特征信息。由于對傳感器的數據進行了濃縮，這種方法產生的結果相對而言最不準確耘柱，但它對通信帶寬的要求最低士袄。
（4）三種融合層次的比較
? ? ? ?數據層融合是最低層的融合，是在對傳感器原始信息未經過或經過很小處理的基礎上進行的般甲，它要求各個融合的傳感器信息源具有精確到一個象素的配準精度的任何抽象層次的融合堪伍。其優(yōu)點是能夠提供其他兩種層次的融合所不具有的細節(jié)信息尸闸，但也具有下述幾個方面的局限性畸肆。
（1）由于它所要處理的傳感器信息量大抡砂，故處理代價較大。
（2）由于傳感器信息穩(wěn)定性差，特別是在目標檢測與分類時，故在融合時要求有較高的糾錯處理能力欺抗。
（3）由于在該層次上的信息要求各傳感器信息之間具有象素級的配準關系强重，故要求各傳感器信息來自同質傳感器间景。
（4）由于其通信量較大圾亏，故抗干擾能力較差志鹃。
? ? ? ?決策層融合的優(yōu)缺點正好與數據層融合相反秘血。其傳感器可以是異質傳感器，預處理代價較高韧骗，而融合中心處理代價小，整個系統(tǒng)的通信量小岗宣，抗干擾能力強淋样。由于處理效果很大程度取決于各個傳感器預處理的性能儡司，而傳感器預處理一般是簡單的處理，其性能一般不太高跷坝，故融合中心的性能要比數據層融合性能差些或听。特征層融合是上述兩種信息融合的折中形式探孝，兼容了兩者的優(yōu)缺點笋婿。各層次融合的優(yōu)缺點可用表1說明誉裆。
? ? ? ?一個系統(tǒng)采用哪個層次上的數據融合方法缸濒，要由該系統(tǒng)的具體要求來決定足丢，不存在能夠適用于所有情況或應用的普遍結構。對于多傳感器融合系統(tǒng)特定的工程應用斩跌，應綜合考慮傳感器的性能绍些、系統(tǒng)的計算能力、通信帶寬耀鸦、期望的準確率以及資金能力等因素，以確定哪種層次是最優(yōu)的袖订。另外氮帐，在一個系統(tǒng)中，也可能同時在不同的融合層次上進行融合洛姑，一個實際的融合系統(tǒng)是上述三種融合的組合，融合的級別越高則處理的速度也越快楞艾，信息的壓縮量越大損失也越大硫眯。
3蕴侧、典型的融合算法
（1）加權平均法
? ? ? ?信號級融合方法最簡單直觀的方法是加權平均法谆刨，將一組傳感器提供的冗余信息進行加權平均塘娶，結果作為融合值刁岸。該方法是一種直接對數據源進行操作的方法她我。
（2）卡爾曼濾波法
? ? ? ?卡爾曼濾波主要用于融合低層次實時動態(tài)多傳感器冗余數據虹曙。該方法用測量模型的統(tǒng)計特性遞推，決定統(tǒng)計意義下的最優(yōu)融合和數據估計番舆。如果系統(tǒng)具有線性動力學模型酝碳，且系統(tǒng)與傳感器的誤差符合高斯白噪聲模型，則卡爾曼濾波將為融合數據提供唯一統(tǒng)計意義下的最優(yōu)估計恨狈。
? ? ? 卡爾曼濾波的遞推特性使系統(tǒng)處理無需大量的數據存儲和計算疏哗。但是采用單一的卡爾曼濾波器對多傳感器組合系統(tǒng)進行數據統(tǒng)計時，存在很多嚴重問題禾怠，例如：① 在組合信息大量冗余情況下返奉，計算量將以濾波器維數的三次方劇增贝搁，實時性難以滿足。② 傳感器子系統(tǒng)的增加使故障概率增加芽偏，在某一系統(tǒng)出現故障而沒有來得及被檢測出時雷逆，故障會污染整個系統(tǒng)，使可靠性降低污尉。
（3）多貝葉斯估計法
? ? ? ? 將每一個傳感器作為一個貝葉斯估計膀哲，把各單獨物體的關聯(lián)概率分布合成一個聯(lián)合的后驗概率分布函數，通過使聯(lián)合分布函數的似然函數為最小被碗，提供多傳感器信息的最終融合值等太，融合信息與環(huán)境的一個先驗模型以提供整個環(huán)境的一個特征描述。
（4）D-S證據推理法
? ? ? 該方法是貝葉斯推理的擴充蛮放，包含3個基本要點：基本概率賦值函數缩抡、信任函數和似然函數。
? ? ? D-S方法的推理結構是自上而下的包颁，分為三級：第一級為目標合成瞻想，其作用是把來自獨立傳感器的觀測結果合成為一個總的輸出結果（ID）；第二級為推斷娩嚼，其作用是獲得傳感器的觀測結果并進行推斷蘑险，將傳感器觀測結果擴展成目標報告。這種推理的基礎是：一定的傳感器報告以某種可信度在邏輯上會產生可信的某些目標報告岳悟；第三級為更新佃迄，各傳感器一般都存在隨機誤差，因此在時間上充分獨立地來自同一傳感器的一組連續(xù)報告比任何單一報告更加可靠贵少。所以在推理和多傳感器合成之前呵俏，要先組合（更新）傳感器的觀測數據。
（5）模糊邏輯推理
? ? ? ?模糊邏輯是多值邏輯滔灶，通過指定一個0到1之間的實數表示真實度（相當于隱含算子的前提）普碎，允許將多個傳感器信息融合過程中的不確定性直接表示在推理過程中。如果采用某種系統(tǒng)化的方法對融合過程中的不確定性進行推理建模录平，則可以產生一致性模糊推理麻车。
? ? ? ?與概率統(tǒng)計方法相比，邏輯推理存在許多優(yōu)點斗这，在一定程度上克服了概率論所面臨的問題动猬，對信息的表示和處理更加接近人類的思維方式，一般比較適合于在高層次上的應用（如決策）表箭。但是邏輯推理本身還不夠成熟和系統(tǒng)化赁咙。此外由于邏輯推理對信息的描述存在很多的主觀因素，所以信息的表示和處理缺乏客觀性。
? ? ? ?模糊集合理論對于數據融合的實際價值在于它外延到模糊邏輯序目，模糊邏輯是一種多值邏輯，隸屬度可視為一個數據真值的不精確表示伯襟。在MSF過程中猿涨，存在的不確定性可以直接用模糊邏輯表示，然后使用多值邏輯推理姆怪，根據模糊集合理論的各種演算對各種命題進行合并叛赚，進而實現數據融合。
（6）人工神經網絡法
? ? ? ?神經網絡具有很強的容錯性以及自學習稽揭、自組織及自適應能力俺附，能夠模擬復雜的非線性映射。神經網絡的這些特性和強大的非線性處理能力溪掀，恰好滿足多傳感器數據融合技術處理的要求事镣。在多傳感器系統(tǒng)中，各信息源所提供的環(huán)境信息都具有一定程度的不確定性揪胃，對這些不確定信息的融合過程實際上是一個不確定性推理過程璃哟。神經網絡根據當前系統(tǒng)所接受的樣本相似性確定分類標準，這種確定方法主要表現在網絡的權值分布上喊递，同時可以采用學習算法來獲取知識随闪，得到不確定性推理機制。利用神經網絡的信號處理能力和自動推理功能骚勘，即實現了多傳感器數據融合铐伴。
