多传感器数据融合技术（multi-sensor informat
姓名：张家琦
学号：22021110249
学院：电子工程学院
【嵌牛导读】本文介绍了多传感器数据融合技术
【嵌牛鼻子】多传感器融合 融合层次结构 融合算法
【嵌牛提问】多传感器融合的意义？融合的层次结构有哪些？融合算法的适用情形？
转载自：https://blog.csdn.net/wujianing_110117/article/details/124996383
1、多传感器融合的意义
多源数据融合技术能够将多个不同数据源收集的不完整信息整合在一起，并进行相应的处理和融合加工，使不同数据之间的优势互相补足最终得到一条有决策意义的数据结果，以此削弱数据源中存在的不确定成份，帮助使用者获得有效的融合判断和准确的综合衡量，从而更轻易做出合理的判断和决策。数据融合技术现己应用于目标识别、自动化、态势评估以及地球科学等领域，并逐步扩大应用范围，如社会安全、遥感图像、污染检测、气候分析等领域。
2、多传感器融合的层次结构
（1）数据级融合
数据层融合结构如图1所示。首先将全部传感器的观测数据融合，然后从融合的数据中提取特征向量，并进行判断识别。这便要求传感器是同质的(传感器观测的是同一物理现象)，如果多个传感器是异质的(观测的不是同一个物理现象)，那么数据只能在特征层或决策层进行融合。数据层融合是直接在采集到的原始数据层上进行的融合，在各种传感器的原始测量未经处理之前就进行数据的综合和分析，这是最低层次的融合，如成像传感器对包含若干像素的模糊图像进行处理和模式识别来确认目标属性的过程就属于数据层的融合。这种融合的优点是能保持尽可能多的现场数据，提供其他融合层次所不能提供的细微信息。但它所要处理的传感器数据量太大，故处理代价高，处理时间长，实时性差。这种融合是在信息的最低层进行的，传感器原始信息的不确定性、不完全性和不稳定性要求在融合时有较高的纠错能力。
图1 数据级融合
（2）特征级融合
特征层融合如图2所示。每种传感器提供从观测数据中提取的有代表性的特征，这些特征融合成单一的特征向量，然后运用模式识别的方法进行处理。这种方法对通信带宽的要求较低。但由于数据的丢失使其准确性有所下降。
图2 决策级融合
（3）决策级融合
决策层融合如图3所示。在这种方法中，将每个传感器采集的信息变换其中包括预处理、特征抽取、识别或判决，以建立对所观察目标的初步结论，最后根据一定的准则以及每个判定的可信度做出最优决策。决策层融合从具体决策问题的需求出发，充分利用特征层融合所提取的测量对象的各类特征信息。由于对传感器的数据进行了浓缩，这种方法产生的结果相对而言最不准确，但它对通信带宽的要求最低。
图3 决策级融合
（4）三种融合层次的比较
数据层融合是最低层的融合，是在对传感器原始信息未经过或经过很小处理的基础上进行的，它要求各个融合的传感器信息源具有精确到一个象素的配准精度的任何抽象层次的融合。其优点是能够提供其他两种层次的融合所不具有的细节信息，但也具有下述几个方面的局限性。
（1）由于它所要处理的传感器信息量大，故处理代价较大。
（2）由于传感器信息稳定性差，特别是在目标检测与分类时，故在融合时要求有较高的纠错处理能力。
（3）由于在该层次上的信息要求各传感器信息之间具有象素级的配准关系，故要求各传感器信息来自同质传感器。
（4）由于其通信量较大，故抗干扰能力较差。
决策层融合的优缺点正好与数据层融合相反。其传感器可以是异质传感器，预处理代价较高，而融合中心处理代价小，整个系统的通信量小，抗干扰能力强。由于处理效果很大程度取决于各个传感器预处理的性能，而传感器预处理一般是简单的处理，其性能一般不太高，故融合中心的性能要比数据层融合性能差些。特征层融合是上述两种信息融合的折中形式，兼容了两者的优缺点。各层次融合的优缺点可用表1说明。
表1 融合层次比较
一个系统采用哪个层次上的数据融合方法，要由该系统的具体要求来决定，不存在能够适用于所有情况或应用的普遍结构。对于多传感器融合系统特定的工程应用，应综合考虑传感器的性能、系统的计算能力、通信带宽、期望的准确率以及资金能力等因素，以确定哪种层次是最优的。另外，在一个系统中，也可能同时在不同的融合层次上进行融合，一个实际的融合系统是上述三种融合的组合，融合的级别越高则处理的速度也越快，信息的压缩量越大损失也越大。
3、典型的融合算法
（1）加权平均法
信号级融合方法最简单直观的方法是加权平均法，将一组传感器提供的冗余信息进行加权平均，结果作为融合值。该方法是一种直接对数据源进行操作的方法。
（2）卡尔曼滤波法
卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。
卡尔曼滤波的递推特性使系统处理无需大量的数据存储和计算。但是采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重问题，例如：① 在组合信息大量冗余情况下，计算量将以滤波器维数的三次方剧增，实时性难以满足。② 传感器子系统的增加使故障概率增加，在某一系统出现故障而没有来得及被检测出时，故障会污染整个系统，使可靠性降低。
（3）多贝叶斯估计法
将每一个传感器作为一个贝叶斯估计，把各单独物体的关联概率分布合成一个联合的后验概率分布函数，通过使联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型以提供整个环境的一个特征描述。
（4）D-S证据推理法
该方法是贝叶斯推理的扩充，包含3个基本要点：基本概率赋值函数、信任函数和似然函数。
D-S方法的推理结构是自上而下的，分为三级：第一级为目标合成，其作用是把来自独立传感器的观测结果合成为一个总的输出结果（ID）；第二级为推断，其作用是获得传感器的观测结果并进行推断，将传感器观测结果扩展成目标报告。这种推理的基础是：一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告；第三级为更新，各传感器一般都存在随机误差，因此在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告更加可靠。所以在推理和多传感器合成之前，要先组合（更新）传感器的观测数据。
（5）模糊逻辑推理
模糊逻辑是多值逻辑，通过指定一个0到1之间的实数表示真实度（相当于隐含算子的前提），允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行推理建模，则可以产生一致性模糊推理。
与概率统计方法相比，逻辑推理存在许多优点，在一定程度上克服了概率论所面临的问题，对信息的表示和处理更加接近人类的思维方式，一般比较适合于在高层次上的应用（如决策）。但是逻辑推理本身还不够成熟和系统化。此外由于逻辑推理对信息的描述存在很多的主观因素，所以信息的表示和处理缺乏客观性。
模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑，模糊逻辑是一种多值逻辑，隶属度可视为一个数据真值的不精确表示。在MSF过程中，存在的不确定性可以直接用模糊逻辑表示，然后使用多值逻辑推理，根据模糊集合理论的各种演算对各种命题进行合并，进而实现数据融合。
（6）人工神经网络法
神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足多传感器数据融合技术处理的要求。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时可以采用学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能，即实现了多传感器数据融合。
