多传感器数据集成是一个新兴的研究领域，是对系统使用各种传感器的具体问题的数据处理研究。多传感器数据集成技术是近年来发展起来的一种实用的应用技术。它是一种跨学科的新技术，涉及信号处理、概率统计、信息理论、模式识别、人工智能、模糊数学等理论。
近年来，多传感器数据集成技术广泛应用于军事和民事领域。多传感器融合技术已成为军事、工业、高科技发展等问题。该技术应用广泛C3I系统、复杂的工业过程控制、机器人、自动目标识别、交通控制、惯性导航、海洋监与管理、农业、遥感、医学诊断、图像处理、模式识别等领域。实践证明，与单传感器系统相比，多传感器数据集成技术可以提高系统的生存能力，提高整个系统的可靠性和鲁棒性，提高数据的可信度，提高精度，扩大整个系统的时空覆盖率，提高系统的实时性和信息利用率。
1 基本概念和融合原理
1．1 多传感器数据融合概念
数据融合又称信息融合或多传感器数据融合，难以统一、全面地定义数据融合。随着数据融合和计算机应用技术的发展，根据国内外研究成果，多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。
1．2 多传感器数据集成原理
多传感器数据集成技术的基本原理，如人脑综合处理信息，充分利用多传感器资源，通过合理控制和使用多传感器及其观测信息，多传感器在空间或时间冗余或互补信息按照一定的标准组合，以获得被测对象的一致性解释或描述。具体来说，多传感器数据集成的原理如下：
（1）N不同类型的传感器(有源或无源)收集观测目标的数据；
（2）转换传感器输出数据（离散或连续时间函数数据、输出矢量、成像数据或直接属性描述），提取代表观测数据的特征矢量Yi；
(3)特征矢量Yi模式识别处理(如聚类算法、自适应神经网络或其他特征矢量)Yi将目标属性判断转换为统计模式识别法等。)完成各传感器对目标的描述；
(4)根据同一目标分组各传感器对目标的描述数据，即关联；
(5)利用融合算法合成每个目标的传感器数据，得到目标的一致性解释和描述。
2 多传感器数据融合方法
对象和环境的全面、完整的信息主要体现在融合算法上。因此，多传感器系统的核心问题是选择合适的集成算法。对于多传感器系统，信息具有多样性和复杂性，因此，信息集成方法的基本要求是鲁棒和并行处理。此外，还有方法的速度和精度；与前续预处理系统和后续信息识别系统的接口性能；与不同技术和方法的协调；信息样本的要求等。一般来说，基于非线性数学方法方法具有容错性、自适应性、联想记忆和并行处理能力，则可作为集成方法使用。
虽然多传感器数据集成没有形成完整的理论体系和有效的集成算法，但许多成熟有效的集成方法已经根据各自在许多应用领域的具体应用背景提出。多传感器数据集成的常用方法基本上可以概括为随机和人工智能。随机方法包括加权平均法、卡尔曼滤波法和多贝叶斯估计法Dempster-Shafer（D-S）证据推理、生成规则等。；而人工智能有模糊的逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络、人工智能等新概念、新技术将在多传感器数据集成中发挥越来越重要的作用。
2．1 随机类方法
2．1．1 加权平均法
信号级集成方法最简单、最直观的方法是加权平均法。该方法加权平均一组传感器提供的冗余信息，结果为集成值。该方法是一种直接操作数据源的方法。
2．1．2 卡尔曼滤波法
卡尔曼滤波器主要用于集成低级实时动态多传感器冗余数据。该方法利用测量模型的统计特性来确定统计意义下的最佳集成和数据估计。如果系统具有线性动力学模型，系统与传感器之间的误差符合高斯白噪声模型，卡尔曼滤波器将在统计意义上为集成数据提供最佳估计。卡尔曼滤波器的递推特性使系统处理不需要大量的数据存储和计算。然而，在使用单个卡尔曼滤波器统计多传感器组合系统时，存在许多严重的问题，如：（1）当组合信息大量冗余时，计算量将大幅增加滤波器维度，实时性不能满足；（2）传感器子系统器子系统的增加增加了故障，故障会污染整个系统，降低可靠性。
2．1．3 多贝叶斯估计法
贝叶斯估计为数据集成提供了一种手段，是集成静态环境中多传感器高层信息的常用方法。它使传感器信息按照概率原则组合，测量不确定性以条件概率表示。当传感器组的观测坐标一致时，传感器数据可以直接集成，但在大多数情况下，传感器测量数据应间接集成。
多贝叶斯估计每个传感器作为一个贝叶斯估计，每个单个物体的相关概率分布合成一个联合后验概率分布函数，通过使用联合分布函数最小，提供多传感器信息的最终集成值，集成信息和环境试验模型提供整个环境的特征描述。
2．1．4 D-S证据推理方法
D-S证据推理是贝叶斯推理的扩展，其三个基本要点是基本概率赋值函数、信任函数和似然函数。D-S该方法的推理结构自上而下，分为三级。第一级是目标合成，其作用是将独立传感器的观测结果合成为总输出结果（ID）；第二级是推断，其功能是获取传感器的观测结果并进行推断，将传感器的观测结果扩展到目标报告。这一推理的基础是：一定的传感器报告在逻辑上产生一些可信的目标报告；第三级更新，各种传感器通常有随机误差，因此，同一传感器的一组连续报告比任何单一报告都更可靠。因此，在推理和多传感器合成之前，首先要组合(更新)传感器的观测数据。
2．1．5 产生式规则
生成规则用符号表示目标特征与相应传感器信息信息之间的联系，与每个规则相关的信心因素表示其不确定性。当两个或两个以上的规则在同一逻辑推理过程中形成联合规则时，可以产生融合。应用生成规则集成的主要问题是，每个规则的定义都与系统中其他规则的定义有关。如果在系统中引入新的传感器，则需要添加相应的加规则。
2．2 人工智能方法
2．2．1 模糊逻辑推理
模糊逻辑是多值逻辑，通过指定0到1之间的实数来表示真实性，相当于隐含算子的前提，允许在推理过程中直接表示多个传感器信息集成过程中的不确定性。若采用某种系统的方法对融合过程中的不确定性进行推理建模，则可产生一致性模糊推理。与概率统计方法相比，逻辑推理有很多优点，在一定程度上克服了概率理论面临的问题。它对信息的表达和处理更接近人类的思维方式一般更适合高水平的应用（如决策），但逻辑推理本身不够成熟和系统。此外，由于逻辑推理对信息描述的主观因素较大，信息的表达和处理缺乏客观性。
模糊集合理论对数据集成的实际价值在于它延伸到模糊逻辑。模糊逻辑是一种多值逻辑，其隶属性可视为数据真实值的不准确表示。MSF在这个过程中，模糊逻辑可以直接表示不确定性，然后根据模糊集合理论的各种计算，使用多值逻辑推理合并各种命题，从而实现数据集成。
2．2．2 人工神经网络法
神经网络具有很强的容错性和自学、自组织和自适应性，可以模拟复杂的非线性映射。这些特性和强大的非线性处理能力正好满足了多传感器数据集成技术处理的要求。在多传感器系统中，每个信息源提供的环境信息都有一定程度的不确定性，这实际上是一个不确定性推理过程。神经网络根据当前系统接受的样本相似性确定分类标准。这种确定方法主要体现在网络的权重分布上，可以使用*学习算法获取知识，获得不确定性推理机制。利用神经网络的信号处理经网络的信号处理能力和自动推理功能。
常用的数据集成方法和特性如表1所示。常用的方法取决于具体的应用程序，由于各种方法之间的互补性，多传感器数据集成通常结合两种或两种以上的方法。
3 应用领域
随着多传感器数据集成技术的发展，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。
(1)军事应用
数据集成技术起源于军事领域。数据集成是军事中应用最早、范围最广的，涉及战术或战略检测、指挥、控制、通信和情报任务的各个方面。主要应用是探测、跟踪和识别目标，包括C31系统、自动识别武器、自主运载制导、遥感、战场监控和自动威胁识别系统。例如，检测、定位、跟踪和识别舰艇、飞机和导弹以及海洋监测、空对空防系统、地对空防系统等。海洋监测系统包括检测、跟踪和识别潜艇、鱼雷、水下导弹、雷达、声纳、远红外、综合孔径雷达等。空对空和地对空防御系统主要用于检测、跟踪和识别敌方飞机、导弹和防空武器ESM(电子支援措施)接收别传感器、光电成像传感器等。到目前为止，美国、英国、法国、意大利、日本、俄罗斯等国家已经开发了数百个军事数据集成系统，更典型的是：TCAC—战术指挥控制，BETA—战场利用和目标截获系统，AIDD—炮兵情报数据集成等。在近年来的几场地方战争中，数据集成显示出强大的力量，特别是在海湾战争和科索沃战争中。
（2）复杂工业过程控制
复杂的工业过程控制是数据集成应用的重要领域。目前，数据集成技术已应用于核反应堆和石油平台监控系统。整合的目的是识别系统状态超出正常运行范围的故障条件，并相应触发多个报警器。通过时间序列分析、频率分析和小波分析，从每个传感器获得的信号模式中提取特征数据。同时，将提取的特征数据输入神经网络模式识别器和神经网络模式识别器，识别系统的特征数据，输入模糊的专家系统进行决策集成；在推理专家系统时，从知识库和数据库中提取知识规则和参数，匹配特征数据(集成)；最后，决定被测系统的运行状态、设备的工作状态和故障。
（3）机器人
机器人是多传感器数据集成技术的另一个典型应用领域。目前，它主要用于移动机器人和遥控机器人，因为这些机器人在动态、不确定和非结构化的环境中工作（如勇气和机会火星），这些高度不确定的环境需要机器人高度的自治能力和对环境的感知能力，而多传感器数据融合技术正是提高机器人系统感知能力的有效方法。实践证明：采用单个传感器的机器人不具有完整、可靠地感知外部环境的能力。智能机器人应采用多个传感器，并利用这些传感器的冗余和互补的特性来获得机器人外部环境动态变化的、比较完整的信息，并对外部环境变化做出实时的响应。目前，机器人学界提出向非结构化环境进军，其核心的关键之一就是多传感器系统和数据融合。
（4）遥感
多传感器融合在遥感领域中的应用，主要是通过高空间分辨力全色图像和低光谱分辨力图像的融合，得到高空问分辨力和高光谱分辨力的图像，融合多波段和多时段的遥感图像来提高分类的准确*。
****通管理系统
数据融合技术可应用于地面车辆定位、车辆跟踪、车辆导航以及空中交通管制系统等。
（6）全局监视
监视较大范围内的人和事物的运动和状态，需要运用数据融合技术。例如：根据各种医疗传感器、病历、病史、气候、季节等观测信息，实现对病人的自动监护；从空中和地面传感器监视庄稼生长情况，进行产量预测；根据卫星云图、气流、温度、压力等观测信息，实现天气预报。
4 存在问题及发展趋势
数据融合技术方兴未艾，几乎一切信息处理方法都可以应用于数据融合系统。随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术、并行计算软件和硬件技术等相关技术的发展，尤其是人工智能技术的进步，新的、更有效的数据融合方法将不断推出，多传感器数据融合必将成为未来复杂工业系统智能检测与数据处理的重要技术，其应用领域将不断扩大。多传感器数据融合不是一门单一的技术，而是一门跨学科的综合理论和方法，并且，是一个不很成熟的新研究领域，尚处在不断变化和发展过程中压力传感器。
4．1 数据融合存在的问题
（1）尚未建立统一的融合理论和有效广义融合模型及算法；
（2）对数据融合的具体方法的研究尚处于初步阶段；
（3）还没有很好解决融合系统中的容错性或鲁棒性问题；
（4）关联的二义性是数据融合中的主要障碍；
（5）数据融合系统的设计还存在许多实际问题。
4．2 数据融合发展趋势
数据融合的发展趋势如下：
（1）建立统一的融合理论、数据融合的体系结构和广义融合模型；
（2）解决数据配准、数据预处理、数据库构建、数据库管理、人机接口、通用软件包开发问题，利用成熟的辅助技术，建立面向具体应用需求的数据融合系统；
（3）将人工智能技术，如，神经网络、遗传算法、模糊理论、专家理论等引入到数据融合领域；利用集成的计算智能方法（如，模糊逻辑＋神经网络，遗传算法＋模糊＋神经网络等）提高多传感融合的性能；
（4）解决不确定性因素的表达和推理演算，例如：引入灰数的概念；
（5）利用有关的先验数据提高数据融合的性能，研究更加先进复杂的融合算法（未知和动态环境中，采用并行计算机结构多传感器集成与融合方法的研究等）；
（6）在多平台／单平台、异类／同类多传感器的应用背景下，建立计算复杂程度低，同时，又能满足任务要求的数据处理模型和算法；
（7）构建数据融合测试评估平台和多传感器管理体系；
（8）将已有的融合方法工程化与商品化，开发能够提供多种复杂融合算法的处理硬件，以便在数据获取的同时就实时地完成融合。
5 结束语
随着研究者的不断努力，不久的将来，数据融合的基础理论、兼有鲁棒性和准确性的融合算法将不断地得到完善，实现技术将不断地得到更新，实际应用将不断地被扩展。多传感器数据融合技术必将不断地走向成熟。