多传感器数据融合学习笔记

**1.**根据不同的数据处理方法，信息集成系统体系结构有三种：分布式、集中式和混合式。

1）分布式：首先局部处理独立传感器获得的原始数据，然后将结果发送到信息集成中心进行智能优化组合，以获得最终结果。分布式通信带宽需求低，计算速度快，可靠性和连续性好，但跟踪精度远低于集中式；分布式集成结构可分为反馈分布式集成结构和无反馈分布式集成结构。

**2）集中式：**集中将传感器获得的原始数据直接发送到中央处理器进行集成处理，实现实时集成。数据处理精度高，算法灵活，缺点是处理器要求高，可靠性低，数据量大，难以实现；

3）混合式：在混合多传感器信息集成框架中，部分传感器采用集中集成，其余传感器采用分布式集成。混合集成框架具有较强的适应性，考虑到集中集成和分布式的优点，具有较强的稳定性。混合集成模式的结构比前两种集成模式更复杂，从而增加了通信和计算的成本。

**2.**多传感器集成层次结构根据融合系统中信息处理的抽象程度，主要分为三个层次：数据层集成、特征层集成和决策层集成。

**1）.数据层集成：**也被称为像素级集成，首先集成传感器的观测数据，然后从集成数据中提取特征向量并进行判断和识别。数据层集成要求传感器是同质的（传感器观察到相同的物理现象）。如果多个传感器是异质的（不是相同的物理量），则数据只能集成在特征层或决策层中。数据层集成没有数据丢失的问题，结果最准确，但计算量大，对系统通信带宽要求高。

**2）.特征层融合：**特征层集成属于中间层。首先，从每个传感器提供的观测数据中提取具有代表性的特征。这些特征集成到一个单一的特征向量中，然后使用模式识别方法进行处理。该方法的计算量和通信带宽的要求相对降低，但由于部分数据的放弃，其准确性降低。

**3）.决策层整合：**决策层集成属于高层集成。由于传感器数据的浓缩，该方法的结果相对不准确，但其计算量和通信带宽要求最低。

集成算法是集成处理的基础。根据信息集成的功能要求，采用不同层次的数学方法对数据进行综合处理，最终实现集成。目前，有大量的集成算法，它们都有自己的优缺点。这些集成算法一般可分为三类：嵌入约束法、证据组合法、人工神经网络法。

1.嵌入约束法 由多种传感器所获得的客观环境的多组数据就是客观环境按照某种映射关系形成的像，传感器信息融合就是通过像求解原像，即对客观环境加以了解。用数学语言描述就是，即使所有传感器的全部信息，也只能描述环境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数据对应惟一的环境(即上述映射为一一映射)，就必须对映射的原像和映射本身加约束条件，使问题能有惟一的解。嵌入约束法有两种基本的方法：贝叶斯估计和卡尔曼滤波。

2.证据组合法 证据组合法认为完成某项智能任务是依据有关环境某方面的信息做出几种可能的决策，而多传感器数据信息在一定程度上反映环境这方面的情况。因此，分析每一数据作为支持某种决策证据的支持程度，并将不同传感器数据的支持程度进行组合，即证据组合，分析得出现有组合证据支持程度最大的决策作为信息融合的结果。 证据组合法是为完成某一任务的需要而处理多种传感器的数据信息。它先对单个传感器数据信息每种可能决策的支持程度给出度量(即数据信息作为证据对决策的支持程度)，再寻找一种证据组合方法或规则，使在已知两个不同传感器数据(即证据)对决策的分别支持程度时，通过反复运用组合规则，最终得出全体数据信息的联合体对某决策总的支持程度，得到最大证据支持决策，即传感器信息融合的结果。 常用的证据组合方法有：概率统计方法、D-S证据推理法。

3.人工神经网络法 人工神经网络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。采用神经网络法的多传感器信息融合，分三个主要步骤： (1).拓扑结构根据智能系统的要求和传感器信息集成的形式进行选择； (2).各传感器的输入信息综合处理为一个整体输入函数，并将该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互动反映网络本身的结构； (3).学习和理解传感器输出信息，确定权值的分配，然后解释输入模式，将输入数据向量转换为高级逻辑（符号）概念。

随着多传感器数据集成技术的发展，应用领域也在扩大，多传感器集成技术已成功应用于许多研究领域。多传感器数据集成作为一种智能数据处理技术，可以消除系统的不确定性，提供准确的观测结果和综合信息，已广泛应用于军事、工业监控、智能检测、机器人、图像分析、目标检测和跟踪、自动目标识别等领域。