多传感器信息融合技术概论

《多传感器信息融合技术概论》由会员分享，可在线阅读，更多相关《多传感器信息融合技术概论（5页珍藏版）》请在装配图网上搜索。

1、多传感器信息融合技术概述摘要：传感器信息融合，是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。单一传感器只能获得环境或被测对象的部分信息段，而多传感器信息经过融合后能够完善地、准确地反映环境的特征。信息融合技术已经广泛应用于信息电子学、计算机科学、自动化等领域，下面从五个方面做概述。关键词：多传感器；信息融合1 多传感器信息融合基本原理多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息(景物、声音、气味和触觉等)与先验知识进行综合的能力，以便对他周围的环境和正在发生的事件作出估计。多传感器信息融合的基本原理就像人脑综合

2、处理信息的过程一样，它充分地利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。2 多传感器信息融合的几种方法2.1 卡尔曼滤波(KF)该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。如果系统具有线性动力学模型，且系统噪声和传感器噪声可用高斯分布的白噪声模型来表示，则KF为融合数据提供惟一的统计意义下的最

3、优估计，它的递推特性使系统数据处理不需大量的存储和计算。KF分为分散卡尔曼滤波(DKF)和扩展卡尔曼滤波(EKF)。DKF可实现多传感器数据融合完全分散化，其优点是，单个传感器节点失效不会导致整个系统失效。而EKF的优点是，可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产生的影响。2.2 人工神经网络法这种方法通过模仿人脑的结构和工作原理，设计和建立相应的机器和模型并完成一定的智能任务。神经网络根据当前系统所接收到的样本的相似性，确定分类标准。这种确定方法主要表现在网络权值分布上，同时可采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。神经网络多传感器信息融合的实现，分

4、三个重要步骤：根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；各传感器的输入信息综合处理为一总体输入函数，并将此函数映射定义为相关单元的映射函数，通过神经网络与环境的交互作用把环境的统计规律反映到网络本身结构；对传感器输出信息进行学习、理解，确定权值的分配，完成知识获取信息融合，进而对输入模式做出解释，将输入数据向量转换成高层逻辑概念。2.3 概率统计方法假设一组随机向量x1，x2，xn分别表示n个不同传感器得到的数据信息，根据每一个数据xi可对所完成的任务做出决策di。xi的概率分布为pai(xi)，ai为该分布函数中的未知参数，若参数已知，则xi的概率分布是确定的。用非负函数L(a

5、i，di)表示当分布参数确定为ai时，第i个信息源采取决策di时所造成的损失函数。在实际问题中，ai是未知的，因此，当得到xi时，并不能直接从损失函数中定出最优决策。先由xi做出ai的一个估计，记为ai(xi)，再由损失函数L ai(xi),di决定出损失最小的决策。其中利用xi估计ai的估计量ai(xi) 有很多种方法。2.4 D-S推理假设F为所有可能证据所构成的有限集，Ai为集合F中的某个元素(证据)。引入信任函数B(f)0，1，它表示每个证据的信任程度：，。引入基础概率分配函数m(f)0，1，满足和，与之相对应的信任函数： 其中 (2.4.1)当利用N个传感器检测环境M个特征时，每一个

6、特征为F中的个元素。第i个传感器在第k-1时刻所获得的包括k-1时刻前关于第j个特征的所有证据，用基础概率分配函数表示，其中i=1，2，m。第i个传感器在第k时刻所获得的关于第j个特征的新证据用基础概率分配函数表示。利用证据组合算法，可获得在k时刻关于第j个特征的第i个传感器和第i+1个传感器的联合证据。如此递推下去，可获得所有N个传感器在k时刻对j特征的信任函数，信任度最大的即为信息融合过程最终判定的环境特征。D-S证据推理优点：算法确定后，无论是静态还是时变的动态证据组合，其具体的证据组合算法都有一共同的算法结构。其缺点：当对象或环境的识别特征数增加时，证据组合的计算量会以指数速度增长。2

7、.5 Bayes估计这是融合静态环境中多传感器低层数据的一种常用方法，其信息描述为概率分布，适用于具有可加高斯噪声的不确定性信息。假定完成任务所需的有关环境的特征物用向量f表示，通过传感器获得的数据信息用向量d来表示，d和f都可看作是随机向量。信息融合的任务就是由数据d推导和估计环境f。假设p(f，d)为随机向量f和d的联合概率分布密度函数，则 (2.5.1)p(f|d)表示在已知d的条件下，f关于d的条件概率密度函数；p(d|f)表示在已知f 的条件下，d关于f的条件概率密度函数；p(d)和p(f)分别表示d和f的边缘分布密度函数。已知d时，要推断f，只须掌握p(f|d)即可，即 (2.5.

8、2)上式为概率论中的Bayes公式。信息融合通过数据信息d做出对环境f的推断，即求解p(f|d)。由Bayes公式知，只须知道p(f|d)和p(f)即可。因为p(d)可看作是使p(f|d)p(f)成为概率密度函数的归一化常数，p(d|f)是在已知客观环境变量f的情况下，传感器得到的d关于f的条件密度。当环境情况和传感器性能已知时，p(f|d)由决定环境和传感器原理的物理规律完全确定。p(f)可通过先验知识的获取和积累，逐步逼近得到。3 多传感器信息融合技术的应用多传感器信息融合技术的应用领域大致分为军事应用和民事应用两大类。 军事应用是多传感器信息融合技术诞生的源泉，具体应用包括海洋监视系统，

9、空对空或地对空防御系统，战场情报、防御、目标获取，战略预警和防御系统。其中，海洋监视系统包括潜艇、鱼雷、水下导弹等目标的检测、跟踪和识别；空对空、地对空防御系统包括检测、跟踪、识别敌方飞机、导弹和反飞机武器；战场情报、防御、目标获取包括探测、识别陆地上隐蔽目标。在民事应用领域，主要用于机器人、智能制造、智能交通、无损检测、环境监测、医疗诊断、遥感、刑侦和保安等领域。其中，机器人被用于完成物料搬运、零件制造、检验和装配等工作；智能制造系统包括各种智能加工机床、工具和材料传送装置、检测和试验装置以及装配装置；智能交通系统采用多传感器信息融合技术，实现无人驾驶交通工具的自主道路识别、速度控制以及定位

10、；在环境监测中，主要用于辨识和确定自然现象(如地震、气候等)；在医疗诊断中，多传感器信息融合技术被用于定位和各种病的诊断(如肿瘤的定位与识别)。4 多传感器信息融合技术的不足信息融合作为一门新兴的学科，目前尚存在以下的问题：(1) 未形成基本的理论框架和广义融合算法。目前，绝大多数的融合研究皆是针对特定的应用领域的特定问题展开的。即根据问题的种类，各自建立直观的融合准则，形成“最佳”融合方案，未形成完整的理论框架和融合模型，使得融合系统的设计具有一定的盲目性。(2) 关联的二义性。在一个多传感器系统中，每一种传感器所提供的数据不可避免地受环境状态和传感器本身特性的制约，因而不同的传感器对环境中

11、同一特征所测的数据有时彼此差别很大甚至是矛盾的。(3) 信息融合方法与融合系统实施存在的问题。目前，大多数信息融合是经一种简单的方法合成信息的，并未充分有效地利用多传感器所提供的冗余信息，融合方法研究还处于初步阶段。信息融合系统的设计实施还存在许多实际的问题：传感器动态测量误差模型的建立、传感器系统优化、复杂动态环境下系统实时性、大型知识库的建立与管理、与其它领域的很多新技术的“嫁接和融合”等。5 多传感器信息融合技术的展望信息融合系统是一个具有强烈不确定性的复杂大系统，处理方法受到现有理论、技术、设备的限制。这是一门新发展的学科，很多理论还不健全，但随着传感器技术、数据处理技术、计算机技术、

12、网络通信技术、人工智能技术、并行计算软件和硬件技术等的发展，它将不断完善。它的发展方向大致有四个：（1）基础理论研究。研究建立统一的信息融合理论，主要包括多平台、多传感器信息的获取、特征提取、分类、信息融合过程的一般模式，功能结构的建立，优化设计以及系统的评估标准。（2）算法和模型研究。包括关联处理、融合处理和系统模拟、多传感器优化组合、各种先进技术在信息融合系统中的应用等。（3）推理系统研究。包括在信息融合系统中应用的数据库、知识库、确定和不确定信息的推理机构、融合规则库等研究。（4）应用研究。从工程实现角度来讲，我们关心的是信息的获取、融合、传感器管理和控制一体化系统的研制，而不是单纯的融

13、合算法研究。6 结束语本文从原理、基本方法、应用领域、现有不足和技术展望五个方面概述了多传感器信息融合技术。多传感器信息融合技术方兴未艾，几乎一切信息处理方法都可以应用于信息融合系统，随着科学技术的发展，特别是人工智能、神经网络、遗传算法等理论和技术的进步，新的更有效的信息融合方法将不断推出，并取得更加广泛的应用。参考文献1 何友,王国宏,陆大,彭应宁. 多传感器信息融合及应用M . 北京:电子工业出版社,2000. 111.2 倪国强,李勇量,牛丽红. 基于神经网络的数据融合技术的新进展J . 北京理工大学学报,2003 ,23 (4) :503508.3 曾庆茂，丁正生. 多传感器信息融合技术综述J . 赣南师范学院学报. 2004.