張延龍 王俊勇

（海軍兵種指揮學(xué)院 廣州 510430）

1 引言

數(shù)據(jù)融合也稱為信息融合，是將來(lái)自多個(gè)傳感器或多源的信息進(jìn)行綜合處理，從而得出更為全面、準(zhǔn)確和可靠的結(jié)論［1］。數(shù)據(jù)融合出現(xiàn)于20世紀(jì)70年代，源于當(dāng)時(shí)軍事領(lǐng)域的C3I系統(tǒng)的需要，稱為多源相關(guān)、多傳感器混合數(shù)據(jù)融合，并于20世紀(jì)80年代建立其技術(shù)［2］。美國(guó)是數(shù)據(jù)融合技術(shù)起步最早的國(guó)家，在隨后的十幾年時(shí)間里各國(guó)的研究開(kāi)始逐步展開(kāi)，并相繼取得了一些具有重要影響的研究成果。和國(guó)外相比，我國(guó)在數(shù)據(jù)融合領(lǐng)域的研究起步較晚。海灣戰(zhàn)爭(zhēng)結(jié)束以后，數(shù)據(jù)融合技術(shù)引起國(guó)內(nèi)有關(guān)單位和專家的高度重視。一些高校和科研院所相繼對(duì)數(shù)據(jù)融合的理論、系統(tǒng)框架和融合算法展開(kāi)了大量研究，但基本上處于理論研究的層次，在工程化、實(shí)用化方面尚未取得有成效的突破，許多關(guān)鍵技術(shù)問(wèn)題尚待解決［3］。

2 多傳感器數(shù)據(jù)融合的基本原理

多傳感器數(shù)據(jù)融合是人類和其他生物系統(tǒng)中普遍存在的一種基本功能。人類本能地具有將身體上的各種功能器官所探測(cè)到的信息與先驗(yàn)知識(shí)進(jìn)行融合的能力，以便對(duì)周圍的環(huán)境和正在發(fā)生的事件作出估計(jì)。多傳感器數(shù)據(jù)融合的基本原理就像人腦綜合處理信息的過(guò)程一樣，它充分利用多個(gè)傳感器資源，通過(guò)對(duì)這些傳感器及其獲得信息的合理支配和使用，把其在時(shí)間或空間上的冗余或互補(bǔ)信息依據(jù)某種準(zhǔn)則來(lái)進(jìn)行綜合，以獲得被測(cè)對(duì)象的一致性解釋或描述，使該系統(tǒng)由此而獲得比它的各組成部分的子集所構(gòu)成的系統(tǒng)具備更優(yōu)越的性能［4～5］。具體而言，多傳感器數(shù)據(jù)融合基本原理如下［6～8］：

1）多個(gè)不同類型的傳感器獲取目標(biāo)的數(shù)據(jù)；

2）對(duì)輸出數(shù)據(jù)進(jìn)行特征提取，從而獲得特征矢量；

3）對(duì)特征矢量進(jìn)行模式識(shí)別，完成各傳感器關(guān)于目標(biāo)的屬性說(shuō)明；

4）將各傳感器關(guān)于目標(biāo)的屬性說(shuō)明數(shù)據(jù)按同一目標(biāo)進(jìn)行分組，即關(guān)聯(lián)；

5）利用融合算法將每一目標(biāo)各傳感器數(shù)據(jù)進(jìn)行合成，得到該目標(biāo)的一致性解釋與描述［7］。多傳感器數(shù)據(jù)融合的一般過(guò)程如圖1所示。

圖1 多傳感器數(shù)據(jù)融合的一般過(guò)程

由于被測(cè)對(duì)象多半為具有不同特征的非電量，如壓力、溫度、色彩和灰度等，因此首先要將它們轉(zhuǎn)換成電信號(hào)，其中多傳感器的功能是實(shí)現(xiàn)信號(hào)檢測(cè)。

3 多傳感器數(shù)據(jù)融合的主要特點(diǎn)

在各種系統(tǒng)中，靠單一的傳感器不能滿足對(duì)目標(biāo)、環(huán)境的識(shí)別和控制的要求。若對(duì)不同傳感器采集的數(shù)據(jù)單獨(dú)、孤立地進(jìn)行加工，不僅會(huì)導(dǎo)致數(shù)據(jù)處理工作量的劇增，而且割斷了各傳感器數(shù)據(jù)之間的有機(jī)聯(lián)系，丟失數(shù)據(jù)有機(jī)組合蘊(yùn)涵的特征，造成數(shù)據(jù)資源的浪費(fèi)。因此，要對(duì)多傳感器的數(shù)據(jù)進(jìn)行綜合處理即數(shù)據(jù)融合，從而得出更為準(zhǔn)確、可靠的結(jié)論，使系統(tǒng)圓滿地完成各種操作任務(wù)。歸納起來(lái)，多傳感器數(shù)據(jù)融合的主要特點(diǎn)有［9］：

1）提高了對(duì)環(huán)境描述的能力；

2）提高了系統(tǒng)的分辨能力和運(yùn)行效率；

3）提高了系統(tǒng)的可靠性和容錯(cuò)能力；

4）在時(shí)間上和空間上擴(kuò)展了觀測(cè)的范圍；

5）增強(qiáng)了數(shù)據(jù)的可信度并降低了系統(tǒng)成本。

4 多傳感器數(shù)據(jù)融合的基本結(jié)構(gòu)

由于數(shù)據(jù)的多樣化，所以需要按照數(shù)據(jù)的類型和采集方式或工程需求等特點(diǎn)，根據(jù)具體問(wèn)題及特定對(duì)象建立自己的融合層次。針對(duì)其在軍事上的應(yīng)用將數(shù)據(jù)融合劃分為檢測(cè)層、位置層、屬性層、態(tài)勢(shì)評(píng)估和威脅估計(jì)；根據(jù)數(shù)據(jù)融合功能的抽象層次和數(shù)據(jù)流通方式及傳輸形式，把數(shù)據(jù)融合分為高層次和低層次處理等?？梢?jiàn)，數(shù)據(jù)融合層次的劃分沒(méi)有統(tǒng)一標(biāo)準(zhǔn)［10～13］，一般來(lái)說(shuō)目標(biāo)屬性級(jí)融合有三種基本結(jié)構(gòu)［14］：數(shù)據(jù)層融合、特征層融合和決策層融合結(jié)構(gòu)見(jiàn)圖2。

圖2 數(shù)據(jù)融合的層次

1）數(shù)據(jù)層融合——這是最低層次的融合。它首先將全部傳感器的觀測(cè)數(shù)據(jù)直接融合，然后對(duì)融合的數(shù)據(jù)進(jìn)行特征提取和特征說(shuō)明，并進(jìn)行判斷識(shí)別。這便要求傳感器是同質(zhì)的，若多個(gè)傳感器是異質(zhì)的，那么數(shù)據(jù)只能在特征層或決策層進(jìn)行融合。其優(yōu)點(diǎn)是能保持盡可能多的現(xiàn)場(chǎng)數(shù)據(jù)，提供其他融合層次所不能提供的細(xì)微信息。

2）特征層融合——這是中間層次的融合。在這種方法中，每個(gè)傳感器觀測(cè)目標(biāo)，并從觀測(cè)數(shù)據(jù)中提取有代表性的特征，獲得特征矢量，而后融合這些特征矢量，并做出基于聯(lián)合特征矢量的屬性說(shuō)明。特征層融合是從傳感器提供的原始數(shù)據(jù)中進(jìn)行特征提取，因此，在融合前進(jìn)現(xiàn)了一定的數(shù)據(jù)壓縮，有利于實(shí)時(shí)處理，但由于數(shù)據(jù)的丟失使其準(zhǔn)確性有所下降。

3）決策層融合——這是最高層次的融合。在這種方法中，每個(gè)傳感器觀測(cè)目標(biāo)，并將采集的信息進(jìn)行特征提取，產(chǎn)生特征矢量，完成關(guān)于目標(biāo)的說(shuō)明，然后對(duì)各自傳感器的說(shuō)明結(jié)果進(jìn)行融合，得到目標(biāo)的一致性解釋與描述。這種融合方式具有好的容錯(cuò)性和實(shí)時(shí)性，可以應(yīng)用于異質(zhì)傳感器，而且在一個(gè)或多個(gè)傳感器失效時(shí)也能正常工作，其缺點(diǎn)是預(yù)處理代價(jià)高。由于對(duì)傳感器的數(shù)據(jù)進(jìn)行了濃縮，這種方法產(chǎn)生的結(jié)果相對(duì)而言最不準(zhǔn)確，但它對(duì)通信帶寬的要求最低。

上述三個(gè)層次的數(shù)據(jù)融合都各有其特點(diǎn)，在具體的應(yīng)用中應(yīng)根據(jù)融合的目的和條件選用。

5 多傳感器數(shù)據(jù)融合的技術(shù)方法

數(shù)據(jù)融合的不同層次對(duì)應(yīng)不同的算法，傳統(tǒng)算法為數(shù)據(jù)融合技術(shù)奠定了不可或缺的理論基礎(chǔ)，但近年來(lái)出現(xiàn)的一些新的基于統(tǒng)計(jì)推斷、人工智能以及信息論等新方法，正成為推動(dòng)數(shù)據(jù)融合技術(shù)向前發(fā)展的重要力量［15］。下面列舉了常用的多傳感器數(shù)據(jù)融合的一般算法，并分別對(duì)應(yīng)于從低到高的融合層次［16］。數(shù)據(jù)融合的主要技術(shù)和方法見(jiàn)圖3。

圖3 數(shù)據(jù)融合的主要技術(shù)和方法

1）加權(quán)平均法——是一種最簡(jiǎn)單和直觀的數(shù)據(jù)級(jí)融合方法，即將多個(gè)傳感器提供的冗余信息進(jìn)行加權(quán)平均后作為融合值。該方法能實(shí)時(shí)處理動(dòng)態(tài)的原始傳感器讀數(shù)，但調(diào)整和設(shè)定權(quán)系數(shù)的工作量很大，且具有一定的主觀性［17］。

2）卡爾曼濾波法——主要用于融合低層次多傳感器實(shí)時(shí)動(dòng)態(tài)冗余數(shù)據(jù)。當(dāng)系統(tǒng)噪聲和傳感器噪聲可以用高斯白噪聲來(lái)建模，則卡爾曼濾波器能提供唯一的統(tǒng)計(jì)意義上的最優(yōu)融合值。并且，它的遞歸本質(zhì)保證了在濾波過(guò)程不需要大量存儲(chǔ)空間，可以實(shí)時(shí)處理。

3）貝葉斯估計(jì)法——是融合靜態(tài)環(huán)境中多傳感器低層數(shù)據(jù)的一種常用方法，其信息描述為概率分布，適用于具有可加高斯噪聲的不確定性信息［18］。

4）統(tǒng)計(jì)決策理論——利用統(tǒng)計(jì)決策理論提出了一個(gè)通用的多傳感器冗余信息兩步融合算法，即先將多傳感器數(shù)據(jù)經(jīng)過(guò)一個(gè)魯棒假設(shè)測(cè)試，以驗(yàn)證其一致性，再通過(guò)測(cè)試的數(shù)據(jù)，利用一組魯棒最大最小決策規(guī)則進(jìn)行融合［19］。

5）證據(jù)理論法——證據(jù)理論是貝葉斯方法的推廣，但比貝葉斯法具有更多優(yōu)點(diǎn)，貝葉斯方法需要先驗(yàn)概率，而運(yùn)用證據(jù)理論法可以巧妙的解決這一問(wèn)題，它是一種不確定情況下進(jìn)行推理的強(qiáng)有力方法［20］。

6）模糊邏輯——比較適合于在高層次上的應(yīng)用［21］。但是，邏輯推理本身還不夠成熟和系統(tǒng)化，此外，由于邏輯推理對(duì)信息的描述存在很大的主觀因素，所以，信息的表示和處理缺乏客觀性。

7）神經(jīng)網(wǎng)絡(luò)——具有很強(qiáng)的容錯(cuò)以及自學(xué)習(xí)、自組織、自適應(yīng)能力，在多傳感器數(shù)據(jù)融合中具有很多的應(yīng)用領(lǐng)域［25］。

8）產(chǎn)生式規(guī)則——用符號(hào)表示目標(biāo)特征和傳感器信息間的聯(lián)系，用與規(guī)則相聯(lián)系的置信因子表示它的不確定性，在同一個(gè)邏輯推理過(guò)程中兩個(gè)或多個(gè)規(guī)則形成一個(gè)聯(lián)合規(guī)則時(shí)可以產(chǎn)生融合。

常用的數(shù)據(jù)融合方法特性比較如下表所示。通常使用的方法依具體的應(yīng)用而定。并且由于各種方法之間的互補(bǔ)性，實(shí)際上常將兩種或兩種以上的方法組合進(jìn)行多傳感器數(shù)據(jù)融合。

表1 常用的數(shù)據(jù)融合方法比較

6 多傳感器數(shù)據(jù)融合技術(shù)的應(yīng)用

隨著多傳感器數(shù)據(jù)融合技術(shù)的發(fā)展，應(yīng)用的領(lǐng)域也在不斷擴(kuò)大。主要包括軍事、工業(yè)控制、智能檢測(cè)、機(jī)器人、圖像分析、目標(biāo)檢測(cè)與跟蹤、自動(dòng)識(shí)別等領(lǐng)域。

1）軍事應(yīng)用——數(shù)據(jù)融合技術(shù)起源于軍事領(lǐng)域，數(shù)據(jù)融合在軍事上應(yīng)用最早、范圍最廣，涉及戰(zhàn)術(shù)或戰(zhàn)略上的檢測(cè)、指揮、控制、通信和情報(bào)任務(wù)的各個(gè)方面［1］。主要的應(yīng)用是進(jìn)行目標(biāo)的探測(cè)、跟蹤和識(shí)別，包括C31系統(tǒng)、自動(dòng)識(shí)別武器、自主式運(yùn)載制導(dǎo)、遙感、戰(zhàn)場(chǎng)監(jiān)視和自動(dòng)威脅識(shí)別系統(tǒng)等。

2）工業(yè)控制——復(fù)雜工業(yè)控過(guò)程控制是數(shù)據(jù)融合應(yīng)用的一個(gè)重要領(lǐng)域。包括故障診斷和反饋控制。目前，故障診斷技術(shù)已在核反應(yīng)堆和石油平臺(tái)監(jiān)視等系統(tǒng)中得到應(yīng)用。

3）機(jī)器人——目前，主要應(yīng)用在移動(dòng)機(jī)器人和遙控操作機(jī)器人上，因?yàn)檫@些機(jī)器人工作在動(dòng)態(tài)、不確定與非結(jié)構(gòu)化的環(huán)境中，這些高度不確定的環(huán)境要求機(jī)器人具有高度的自治能力和對(duì)環(huán)境的感知能力，而多傳感器數(shù)據(jù)融合技術(shù)正是提高機(jī)器人系統(tǒng)感知能力的有效方法；機(jī)器人學(xué)界提出向非結(jié)構(gòu)化環(huán)境進(jìn)軍，其核心的關(guān)鍵之一就是多傳感器系統(tǒng)和數(shù)據(jù)融合。

4）遙感技術(shù)——多傳感器融合在遙感領(lǐng)域中的應(yīng)用，主要是通過(guò)高空間分辨力全色圖像和低光譜分辨力圖像的融合，得到高空間分辨力和高光譜分辨力的圖像，融合多波段和多時(shí)段的遙感圖像來(lái)提高分類的準(zhǔn)確性。

5）交通管理系統(tǒng)——數(shù)據(jù)融合技術(shù)可應(yīng)用于地面車輛定位、車輛跟蹤、車輛導(dǎo)航以及空中交通管制系統(tǒng)等［2～3］。

7 多傳感器數(shù)據(jù)融合技術(shù)的展望

數(shù)據(jù)融合系統(tǒng)是一個(gè)具有強(qiáng)烈不確定性的復(fù)雜大系統(tǒng)，處理方法受到現(xiàn)有理論、技術(shù)、設(shè)備的限制，是一門(mén)新發(fā)展的學(xué)科，很多理論還不健全，但隨著傳感器技術(shù)、數(shù)據(jù)處理技術(shù)、計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)通信技術(shù)、人工智能技術(shù)、并行計(jì)算軟件和硬件技術(shù)等的發(fā)展，它將不斷完善。它的發(fā)展方向大致有四個(gè)［6～7，12］：

1）基礎(chǔ)理論研究。研究建立統(tǒng)一的數(shù)據(jù)融合理論，主要包括多平臺(tái)、多傳感器信息的獲取、特征提取、分類、數(shù)據(jù)融合過(guò)程的一般模式，功能結(jié)構(gòu)的建立，優(yōu)化設(shè)計(jì)以及系統(tǒng)的評(píng)估標(biāo)準(zhǔn)。

2）算法和模型研究。包括關(guān)聯(lián)處理、融合處理和系統(tǒng)模擬、多傳感器優(yōu)化組合、各種先進(jìn)技術(shù)在數(shù)據(jù)融合系統(tǒng)中的應(yīng)用等。

3）推理系統(tǒng)研究。包括在數(shù)據(jù)融合系統(tǒng)中應(yīng)用的數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、確定和不確定信息的推理機(jī)構(gòu)、融合規(guī)則庫(kù)等研究。

4）應(yīng)用研究。從工程實(shí)現(xiàn)角度來(lái)講，我們關(guān)心的是信息的獲取、融合、傳感器管理和控制一體化系統(tǒng)的研制，而不是單純的融合算法研究。

8 結(jié)語(yǔ)

數(shù)據(jù)融合不是一門(mén)單一的技術(shù)，而是一門(mén)跨學(xué)科的綜合理論和方法，尚處在不斷的變化和發(fā)展過(guò)程中。隨著研究者的不斷努力，不久的將來(lái)，數(shù)據(jù)融合的基礎(chǔ)理論、兼有穩(wěn)健性和準(zhǔn)確性的融合算法都將得以完善和實(shí)現(xiàn)，多傳感器數(shù)據(jù)融合系統(tǒng)將在更多的行業(yè)領(lǐng)域得到實(shí)際應(yīng)用。

［1］何友，王國(guó)宏.多傳感器信息融合及應(yīng)用［M］.北京：電子工業(yè)出版社，2000：1－12.

［2］祝宏，曾祥進(jìn).多傳感器信息融合研究綜述［J］.計(jì)算機(jī)與數(shù)字工程，2007，35（12）：46－48.

［3］周芳，韓立巖.多傳感器信息融合技術(shù)綜述［J］.遙測(cè)遙控，2006，27（3）：1－7.

［4］馬平，呂鋒，杜海蓮，等.多傳感器信息融合基本原理及應(yīng)用［J］.控制工程，2006，13（1）：48－51.

［5］康耀紅.數(shù)據(jù)融合理論與應(yīng)用［M］.西安：西安電子科技大學(xué)出版社，1997，1.

［6］Waltz E，L ilnas J.Multisensor data fusion［M］.Boston：A retch House，2000：9－17.

［7］Sasiadek J Z.Sensor fusion［J］.Annual Reviews in Contr－ol，2002，26（26）：203－228.

［8］嚴(yán)懷成，黃心漢，王敏多傳感器數(shù)據(jù)融合技術(shù)及其應(yīng)［J］傳感器技術(shù)，2005.24（10）：1－4.

［9］張菊秀.多傳感器信息融合技術(shù)和發(fā)展［J］電子世界，2005：46－7.

［10］王璇，李春升.多傳感器信息融合技術(shù)［J］.北京航空航天大學(xué)學(xué)報(bào)，1994，20（4）：402－406.

［11］王軍，蘇劍波，席裕庚.多傳感器融合綜述［J］.數(shù)據(jù)采集與處理，2004，19（1）：72－77.

［12］HALLD D L，L linas J.An introduction to multi－sensor data fusion［C］.Proceeding of the IEEE，1997，85（1）：6－23.

［13］潘泉，于昕，程詠梅.信息融合理論的基本方法與進(jìn)展［J］.自動(dòng)化學(xué)報(bào)，2003，29（4）：599－615.

［14］熊凌.張凱.數(shù)據(jù)融合及其應(yīng)用［J］.湖北工業(yè)大學(xué)學(xué)報(bào)，2005，20（3）：145－147.

［15］王耀南.李樹(shù)濤.多傳感器信息融合及其應(yīng)用綜述［J］.控制與決策，2001，16（5）：518－522.

［16］王鳳朝，黃樹(shù)采，韓朝超.多傳感器信息融合及其新技術(shù)研究［J］航空計(jì)算技術(shù)，2009，39（1），102－105.

［17］張雨，溫熙森.設(shè)備故障信息融合問(wèn)題的思考［J］.長(zhǎng)沙交通學(xué)院學(xué)報(bào)，1995，6（4）.

［18］H F Durant－Whyte.Consistent integration and propaga－tion of disparate sensor observations［J］.Int.J.Robot，res，1987，6（3）：2－24.

［19］Chung A C S，Shen H C.Entropy.based Markov chains for muhisensor fusion［J］.Joumal ofIntelligent and Rob－otic Systerns：Theory and Applications，2000，29（2）：161－189.

［20］R MckendMl，M Mintz.Robust fusion of location infor－mation［A］.Proc.IEEE Int.Conf.Robotics and Automat［C］.1988：1239－1244.

［21］李凡.人工智能中的不確定性［M］.萬(wàn)象出版社，1998：102－178.

［22］李婷，吳業(yè)福，涂平暉，等.關(guān)系數(shù)據(jù)庫(kù)與XML數(shù)據(jù)融合的應(yīng)用研究［J］.計(jì)算機(jī)與數(shù)字工程，2008，36（2）.

［23］張?chǎng)┚辏祉懕?基于移動(dòng)代理的無(wú)線傳感器網(wǎng)絡(luò)簇內(nèi)融合算法［J］.計(jì)算機(jī)與數(shù)字工程，2010，38（3）.

［24］張靚，袁野，王玫.基于小波變換的傳感網(wǎng)簇內(nèi)數(shù)據(jù)融合方案［J］.計(jì)算機(jī)與數(shù)字工程，2012，40（7）.

［25］L A Zadeh，F(xiàn)uzzy sets［J］.Inform.Contr，1965，8：338－353.

［26］Murphy R R.Sensor and information fusion for impro－ved visionbased vehicle guidance［J］.IEEE Expert，2003，13（6）：49－56.