信息融合学习笔记

一、基本概念

传感器是一种能把物理量或化学量转变成便于利用的电信号的器件。目前对于信息融合有多种不同的定义。其中美国国防部JDL（Joint Directors of Laboratories）的定义为：把来自许多传感器和信息源的数据和信息加以联合（Association）、相关（Combination）、组合（Correlation），以获得精确的位置估计（Position Estimation）和身份估计（Identity Estimation），以及对战场情况威胁及其重要程度进行适时的完整评价。学者Edward Waltz和James Llinas的定义为：是一种多层次的、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计，以及完整、及时的态势评估（situation assessment）和威胁估计

最广泛的定义是指把来自多传感器的数据和信息，根据既定的规则，分析、结合为一个全面的情报，并在此基础上为用户提供需求信息，诸如：决策、任务和航迹等。

信息融合最初是针对多传感器系统中多源异构信息的处理和集成而开展的一个研究领域，随着多传感器系统的广泛应用，便出现了多传感器信息的处理和使用问题，多传感器数据融合技术应运而生，它是利用计算机技术对按时序获得的若干传感器的观测信息，以及数据库和知识库的信息，在一定准则下加以自动汇集、相关、分析、综合为一种表示形式，以完成所需要的估计和决策任务所进行的信息处理过程。

由于多传感器信息的冗余性、互补性、时效性和低代价，使得多传感器信息融合系统克服了单一传感器的局限，从而具有较强的鲁棒性和较高的置信度。

数据融合由多传感器融合问题发展而来，目前已不局限于传感器数据的融合，目前的数据融合技术不仅涵盖了声、光、电等物理层的处理，而且涉及了数据库、网页、视频、资讯、自然语言等较高层次的信息整合。

二、信息融合的概念模型

       信息融合有很多实现形式，许多学者从不同角度对其进行归纳和分类，并提出了多种抽象模型。主流的分类方法主要有三种：系统结构类型，数据的抽象层次和系统功能类型。

2.1 结构模型

       从多传感器系统的信息流通形式上看，其信息传输和处理的结构一般有集中式、分布式、混合式三种结构。

       在集中式结构中，只在信息融合中心设置一个数据处理器，对各传感器送来的信息直接处理，各传感器仅起到信息检测、录入的作用，本身没有做出决策，它将所有的测量值送到融合中心，由融合中心对各种类型的数据按适当的方法进行综合处理后再输出结果。

       在分布式结构中，各传感器都有自己的数据处理器，可分别独立地处理局部信息，然后把处理结果送至融合中心，中心根据各节点的输入信息完成对目标或环境的综合分析和判决，最后形成全局估计。

       混合式结构可根据特定的实际需要，在速度、带宽、精度和可靠性等相互影响的各种制约因素之间取得平衡。

2.2 层次模型

       目前为业界所普遍接受和认同的是按数据的抽象层次划分的三层模型，即数据级整合，也称为像素级融合、特征级融合和决策级融合。

       数据级融合是最低层次的融合，系统直接集成各传感器的原始数据，在各传感器的观测数据未经预处理之前、或经最小程度的预处理之后就进行数据的综合分析，而后根据需要进行特征提取和属性说明。

       特征级融合是一种中间层次的信息融合，每个传感器首先对各自的原始信息进行特征提取，然后对特征信息进行综合分析和处理，产生诸如方向、距离、速度、形状、大小、轮廓或区域等特征矢量，以支持目标识别和身份判定，然后根据需要对这些特征矢量综合梳理和集成。

       决策级融合是一种更高层次的融合，每一个传感器独立处理自己的单源数据，对目标进行检测和分类，系统对这些处理结果进一步集成分析，得到对目标或环境的类型、特征或属性判断，从而为指挥、控制和决策行为提供依据。

       三个层次信息融合各有特点，每一类融合方式都有许多种适合的算法，在具体应用时应根据任务要求、系统环境以及资源情况等选择使用。

       随着人们对信息融合问题认识的不断深入和应用的逐渐广泛，信息融合的层次定义也在不断发展和完善。有学者提出了四级数据融合模型：一级融合，参量的综合与估计，速度、位置及低级实体身份的辨识；二级融合，将单元数据集成为具有一定语义的结构化数据，评估事件和活动以确定行为，并根据知识库或专家库信息进行初步的态势评估；三级融合，战场动态评估和战术威胁评估，特别要评估致使因素、企图、机会等；四级融合，系统的动态监控，基于输出信息进行反馈控制，对各类系统资源进行动态管理，实现整个融合过程的自适应优化配置，从而获得及时精确的融合信息。

2.3 功能模型

       多源信息融合的功能模型包涵了多个层次、多个环节的功能模块，按照数据的抽象层次划分，这些功能可以分为低级处理过程和高级处理过程。低级处理过程主要包括信息探测、数据关联、目标状态估计及属性分类等功能模块；高级处理过程主要有行为模式探测、目标身份估计、行为预测、逻辑推理、态势评估和威胁评估等功能模块。低级处理主要是数据处理，产生的主要是数值结果；高级处理主要是符号逻辑处理，产生的是语义层次更高的结果。按照时序逻辑，信息融合大致需要经过以下几个信息处理过程：配准、转换、关联、估计、滤波和识别。各传感器获得的观测信息首先经过预处理，如通过数据配准提供统一的时空基准，再传送至运算中心进行汇集、分类、互联、相关、滤波和识别，经过综合分析判断，获得状态估计和身份估计，以及更高层次的态势评估和威胁评估。

三、常用技术及算法

       一个完善的信息融合业务流程可能会涉及到多个处理过程，这其中每一个处理过程可能又会涉及到一个或多个融合算法。经过多年的理论研究和实践检验，人们整理出了上百个较为成熟的信息融合算法。常用的有：加权平均法、贝叶斯网络、卡尔曼滤波、统计决策理论、D-S证据理论、聚类分析、表决法、神经网络、模糊集理论等。

       信息融合的各种算法分别适用于不同的感知环境、传感器类型、抽象层次以及任务要求等，在具体使用时需要根据实际情况灵活选取。有时也可以综合运用多种算法，将模糊数学、神经网络、进化计算、粗糙集理论、小波变换、专家系统等智能技术有机地结合起来，也是一个重要的发展趋势。神经网络对环境变化具有较强的自适应能力和自学习能力，具有泛化能力强、稳定性高、容错性好、快速高效等优势，但它采用的是典型的黑箱学习模式，当学习完成后，神经网络所获得的输入/输出关系无法以人容易认读的方式表示出来，不便于用户对数据处理模型的学习和改进。模糊集合理论是建立在被广泛接受的产生式规则“if then”表达方式之上，但如何和调整隶属度函数和模糊规则比较困难。若将神经网络技术和模糊集合理论相结合起来，使用神经网络来实现系统的模糊逻辑推理，使传统的神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理含义，可提高整个系统的学习能力和表达能力，克服各自的不足，充分发挥两者优势，为信息融合问题提供一个有效的解决方案。

       遗传算法和模糊集合相结合，遗传算法是一种并行算法，能够较好地解决多参数的优化问题，并且针对算法的特点采用某些新的算子，这保证了它具有良好的处理性能；遗传算法所采用的某些算子能很好地模拟模糊关系，可以使融合达到较高的精度。这两种方法的结合可以充分利用多源信息的冗余度和互补性，以近似最优的方式对数据进行融合处理，显著改善系统的可靠性。

四、应用及发展趋势

4.1 主要优势

       基于多源传感器的信息融合主要有以下几个方面的优势：

（1）扩大了时间、空间和频率等多维空间的感知范围，融合系统利用来自不同传感器的信息进行互补，消除了单传感器的工作盲区，可以全方位、全维度地描述环境对象，克服了感知的片面性，提高了认知的全面性和正确性。

（2）提高了系统的描述精度和分辨能力，单一传感器的探测数据都会存在着噪声和误差，基于多传感器信息的融合处理可降低由测量不精确所引起的不确定性和模糊性，改善信息的精确度和可信度，提高系统的分辨能力和认知能力。

（3）增加了系统自适应能力和健壮性，当个别传感器出现故障时，系统仍能基于完善的拓扑结构和良好的自组织能力正常工作，多传感器对环境描述能力的互补、冗余和相关特性，能保证融合结果具有很好的容错性和可靠性，从而提高系统的稳健性和鲁棒性。

（4）提高了系统的运行时效。基于融合系统的多源信息采集和并行处理机制，能显著提高信息的传输和处理速度，增加了系统的实时性，同时也是解决信息泛滥的有效方法。

总结于2010年。