祁友杰， 王 琦

(中國航天科工集團8511研究所，江蘇 南京 210007)

0 引言

信息融合是生物體所固有的一種本質特征，是生物體環(huán)境感知和行為行動的基礎，其過程是生物體生存、進化和發(fā)展的基本能力要素，它是人類和其他生物系統(tǒng)中普遍存在的一種基本功能。人類非常自然地利用這一能力把來自人類各傳感器(眼、耳、鼻和四肢)的信息(景物、聲音、氣味和觸覺)組合起來，并用先驗知識去估計、理解周圍環(huán)境和正在發(fā)生的事件。無論在軍事還是在非軍事領域，數(shù)據(jù)融合技術已經成為全球的研究熱點之一。從軍事應用的角度，數(shù)據(jù)融合被定義為：把來自多個傳感器和信息源的數(shù)據(jù)和信息加以校準、聯(lián)合、相關，合并成統(tǒng)一的表示形式，以獲得精確的目標位置、狀態(tài)估計、身份識別，以及對戰(zhàn)場態(tài)勢和威脅的綜合評估；從非軍事應用的角度來說，數(shù)據(jù)融合是對多個傳感器和信息源所提供的關于某一環(huán)境特征的不完整信息加以綜合，以形成相對完整、一致的感知描述，從而實現(xiàn)更加準確的識別和判斷功能。

信息融合可以看成是一種形式框架，其過程是用數(shù)學方法和技術工具綜合不同源信息，目的是得到高品質的有用信息。與單一信源獨立處理相比，信息融合的優(yōu)勢包括：提高可探測性和可信度、擴大時空感知范圍、降低推理模糊程度、改進探測精度等性能、增加目標特征維數(shù)、提高空問分辨率、增強系統(tǒng)容錯能力等[1]。

1 數(shù)據(jù)融合模型

數(shù)據(jù)融合的初始模型分為：像素級融合、特征級融合和決策級融合，后來又被擴展成目標提煉、態(tài)勢分析、威脅估計和過程精煉等四級[2]。四級融合模型通過動態(tài)監(jiān)視融合處理過程，優(yōu)化資源和傳感器管理，實時反饋融合結果信息，以使融合處理過程具有自適應性，從而達到最佳融合效果。融合方法的研究是數(shù)據(jù)融合的重要研究內容之一，與三級融合模型相對應的的融合方法[3]有：像素融合方法主要有加權平均法、選舉決策法、卡爾曼濾波法、數(shù)理統(tǒng)計法等；特征級融合方法主要有卡爾曼濾波法、模糊推理法、神經網絡法、產生式規(guī)則法等；決策級融合方法主要有貝葉斯概率推理法、Dempster-Shafer 證據(jù)推理法(簡稱D-S方法)等。在實際應用中，所有的融合方法都必須面臨著處理各種不確定信息的問題。

數(shù)據(jù)融合的一般功能模型對于設計融合系統(tǒng)結構，以及有效利用多傳感器信息具有重要的指導意義。目前，國外最新的數(shù)據(jù)融合功能模型，是在美國JDL數(shù)據(jù)融合功能模型基礎上的改進[2]，如圖1所示。

該功能模型將數(shù)據(jù)融合分為5層：第零層——亞目標數(shù)據(jù)評估(Subobject Data Assessment)：以像素或信號級上的數(shù)據(jù)關聯(lián)和特征描述為基礎，對具有可觀測狀態(tài)的信號、目標的估計和預測；第一層——目標估計(obiect Assessment)：根據(jù)從觀測到跟蹤所建立的關系進行實體狀態(tài)估計和預測，包括連續(xù)狀態(tài)估計(如運動狀態(tài))和離散狀態(tài)估計(如目標類型和身份)；第二層——態(tài)勢評估(Situation Assessment)：實體之間相互關系的估計與預測，包括：火力結構與火力交叉關系，通信交互和人們之間的直接交互情況，戰(zhàn)場周圍環(huán)境等因素；第三層——沖擊性評估(Impact Assessment)：對參與者所制訂的計劃或預測行動結果的估計和預測，主要包括多個參與者行動計劃間的相互影響(如估計出弱點以預測對某一計劃制訂者的威脅動作)；第四層——過程改進(Process Improvement)：它是一個資源管理成分，支持任務的自適應數(shù)據(jù)獲取和處理。

從處理對象的層次上看，零層屬于低級融合，它是經典檢測理論的直接發(fā)展，是近十幾年才開始的研究領域，目前絕大多數(shù)多傳感器數(shù)據(jù)融合系統(tǒng)還不存在這一級，仍然保持集中式檢測，而不是分布式檢測，但分布式檢測是未來的發(fā)展方向。第一和第二層屬于中間層次，是最重要的兩級，它們是進行威脅估計的前提和基礎。實際上，融合本身發(fā)生在前兩個層上，而態(tài)勢評估和威脅估計只是在某種意義上與融合具有相似的含義。

2 多源數(shù)據(jù)融合算法的分類

多源數(shù)據(jù)融合涉及到多方面的理論和技術，并沒有完全統(tǒng)一的算法能夠適應所有的場景，所以在應用上，需要針對不同的應用背景選擇相應的算法。按算法概念分類，主要分成三大類，分別為：物理模型類、基于參數(shù)類和基于認識模型類，如圖2所示。

2.1 物理模型類

此類算法是根據(jù)物理模型直接計算實體特征。預測一個實體特征的物理模型必須以被識別物體的物理特征為基礎，而實際物理模型往往相當復雜，建立起來非常困難。盡管實際中很少使用這種方法，但在基礎研究工作中卻需要使用它。句法分析方法和估計理論法屬于物理模型算法中的典型，句法分析方法開發(fā)了物理對象的語法和句法，而物理對象說明是分別從傳感器數(shù)據(jù)分量(或原始信息)獲得的，因此能對來自這個假定的結構關系的一個對象的表示進行匯集。估計理論法包括卡爾曼濾波算法、最大似然估計法及最小二乘法等。

2.2 基于參數(shù)類

參數(shù)分類算法是最常見，也是應用最廣、研究最深入的一類算法。此類算法尋求一個標識說明且使之依賴于參數(shù)數(shù)據(jù)，在參數(shù)數(shù)據(jù)和一個標識說明間建立一個直接的映像。此類算法可進一步分為基于統(tǒng)計的算法和基于信息論技術的算法。

2.2.1 基于統(tǒng)計的算法

統(tǒng)計算法主要包括經典推理法、Bayes推理算法、基于D-S證據(jù)理論法等。經典推理：經典推理描述[4]在給出目標存在的假設條件下，所觀測到的數(shù)據(jù)與標識相關的概率。其局限性是：僅能估計兩個假設，即假設和與其相對的備擇假設；當遇到多變量數(shù)據(jù)時，算法復雜性提高；需要一個先驗密度函數(shù)的有效度，否則不能直接使用先驗估計。Bayes推理[5]：它解決了經典推理方法的某些困難。它以最小風險代價為基本模型，在給定一個預先似然估計和附加證據(jù)(觀測)條件下，能更新一個假設的似然函數(shù)。Bayes推理的缺點是：定義先驗似然比較困難；當有多個可能的假設和多個條件相關時，顯得很復雜；要求對立的假設彼此互不相容；缺乏分配總不確定性的能力。D-S證據(jù)理論[6]：D-S證據(jù)理論是Bayes理論的廣義擴展，它考慮了總不確定性程度。D-S方法利用了概率區(qū)間和不確定區(qū)間來確定多證據(jù)下假設的似然函數(shù)，當所有的假設互不相容且完備時，Bayes推理技術與D-S法產生相同的結果。D-S法存在的問題是：不能有效地處理矛盾的證據(jù)；具有冪指數(shù)增長的計算量；推理鏈較長時，使用證據(jù)理論很不方便；D-S組合規(guī)則具有組合靈敏性，但有時基本概率賦值一個很小的變化都可能導致結果很大的變化。

2.2.2 基于信息論的算法

在某些場合，多傳感器數(shù)據(jù)融合目標識別并不需要用統(tǒng)計的方法直接模擬觀測數(shù)據(jù)的隨機形式，而是依賴于觀測參數(shù)與目標身份之間的映射關系來對目標進行識別。這類方法稱為基于信息論的融合識別算法，這類算法包括神經網絡法[7-8]、熵理論法[9]、表決法[10]和聚類算法[9]等。

人工神經網絡是在現(xiàn)代神經科學研究成果的基礎上提出的。神經網絡目標識別法是用非常簡單的計算處理單元(神經元)進行互聯(lián)構成的非線性網絡系統(tǒng)，具有學習、記憶、計算能力以及各種智能識別處理能力，所有神經元可在沒有外部同步信號作用的情況下執(zhí)行大容量的并行計算。神經網絡目標識別算法中最著名的是以自適應信號處理理論為基礎發(fā)展起來的前向多層神經網絡及其逆推學習(BP)算法。

熵法是用于融合系統(tǒng)的一種新技術。利用了事件發(fā)生的概率，反映了信息量的思想。它的原理是經常發(fā)生的事情熵最小，而不經常發(fā)生的事情熵最大，將其用于傳感器數(shù)據(jù)融合過程中，就是要作出使熵極大的結論。熵法很有應用價值，尤其是對于實時性要求很高的系統(tǒng)，當準確的先驗統(tǒng)計不可利用時，或者是從整個成本—效益觀點來看，熵法都是很有吸引力的，國外已開始將熵法用于計算與假設有聯(lián)系的信息內容的度量值。

表決法類似于日常生活中的投票選舉，它包括布爾“與”、“或”處理，是多傳感器數(shù)據(jù)融合目標識別算法中最簡單的技術。它由每個傳感器提供對被測對象狀態(tài)的一個判斷，然后由表決算法對這些判斷進行搜索，以找到一個由半數(shù)以上傳感器“同意”的判斷(或采取其他簡單的判定規(guī)則)，并宣布表決結果。也可采用加權方法、門限技術以及其他判定方法等，這種方法在沒有準確的先驗統(tǒng)計數(shù)據(jù)可利用時十分有用，特別是對于實時融合很有吸引力。

所謂聚類就是把大量的d維數(shù)據(jù)樣本聚集成n個類，使同一類內樣本的相似性最大，而不同類內樣本的相似性最小。聚類分析法是一種啟發(fā)式算法，在模式類數(shù)目不是精確知道的標志性應用中，這類方法很有效，它是按某種聚類準則將數(shù)據(jù)分組(聚類)，并把每個數(shù)據(jù)組解釋為相應的目標類。聚類分析可以作為一個單獨的工具以發(fā)現(xiàn)數(shù)據(jù)庫中數(shù)據(jù)分布的一些深入的、隱含的、有用的信息，并且概括出每一類的特點，或者把注意力放在某一個特定的類上以作進一步的分析。目前，已經提出的聚類算法有很多，主要有分裂法、分層設計法及基于網格的方法等。

2.3 基于認識模型類

基于認識模型的算法主要包括邏輯模板法、模糊集理論算法、遺傳算法及知識系統(tǒng)法等。

邏輯模板法實質上是一種匹配識別的方法，它將系統(tǒng)的一個預先確定的模式(模板)與觀測數(shù)據(jù)進行匹配，確定條件是否滿足，從而進行推理。預先確定的模式中可以包含邏輯條件、模糊概念、觀測數(shù)據(jù)以及用來定義一個模式的邏輯關系中的不確定性等。因此模板實質上是一種表示與邏輯關系進行匹配的綜合參數(shù)模式方法[11]。決策模板法作為邏輯模板法的一類，是一種簡單直觀的決策層融合目標識別算法。經典的決策模板法沒有充分利用各傳感器對于不同類目標鑒別能力的先驗信息，文獻[12]提出利用傳感器平均度量熵對決策模板法進行修正，合理度量多個傳感器對不同類目標的分類鑒別能力，仿真結果表明改進的決策模板法能提高目標正確識別率。文獻[13]針對經典的決策模板法不能反映傳感器對于不同類目標的分類鑒別能力，不能適應待識別目標特征矢量起伏變化，同時沒有保留訓練樣本全部信息等缺陷，提出了基于熵和K近鄰方法的修正決策模板法，從而使得多傳感器融合目標識別的性能得到很大的改善。

由于環(huán)境的復雜性、噪聲干擾、識別系統(tǒng)的不穩(wěn)定及采用不同識別算法等因素的影響，目標信號以及提取的特征參量信息存在不精確、不完整和不可靠性。此外，進行目標識別的判決方法上也存在一定的主觀模糊性。模糊集理論是解決這類問題的強有力數(shù)學工具。模糊集理論中豐富的融合算子和決策規(guī)則為有效進行目標融合處理提供了必要的手段。近年來，國內外一些學者已開始將模糊集理論應用于目標身份確認問題。如Kewley[14]基于電子偵察數(shù)據(jù)，使用模糊邏輯融合多傳感器數(shù)據(jù)進行目標身份確認。Ludovic Roux等[15]基于模糊集的可能性理論,進行多譜衛(wèi)星圖像融合以解決圖像分類問題。文獻[16]通過運用模糊集理論中的模糊綜合函數(shù)，建立了多傳感器目標識別決策級融合模型，用可能性分布表征和描述傳感器目標識別結果，討論了基于模糊綜合函數(shù)的目標識別融合算法，最后舉例說明了該方法的有效性。文獻[17]將模糊測度和模糊積分引入多傳感器數(shù)據(jù)融合目標識別，給出了模糊積分應用于決策層數(shù)據(jù)融合目標識別的通用技術路線，并提供了信源重要程度的度量方法。文獻[18]給出了一種多源多層次自適應變權的多傳感器目標融合的模糊算法，提供了一種表達和處理不確定性信息的有效方法，充分利用了各傳感器信息源之間的冗余性和互補性以及各信息源自身的可靠性信息，達到了較好的識別效果。不同類型傳感器在相同的工作環(huán)境下具有不同的識別能力，模糊集理論算法考慮了信源的重要程度，反應了客觀實際，融合識別結果優(yōu)于D-S證據(jù)理論，并且相對于D-S證據(jù)理論，模糊積分中不涉及識別框架的論域問題，有利于增大識別框架，提高融合系統(tǒng)的實用性。

遺傳算法是一個群體優(yōu)化過程，它由一組初始值出發(fā)進行優(yōu)化，優(yōu)化過程就是這個群體不斷繁衍、競爭和遺傳、變異的過程[19]。文獻[20]將遺傳算法與神經網絡目標分類器結合，通過識別結果的反饋信息，控制遺傳算法的遺傳進化方向實現(xiàn)特征優(yōu)化，為克服遺傳算法的未成熟收斂問題，提出了相關選擇與自適應遺傳算子相結合的改進遺傳算法，實驗結果驗證了方法的有效性。

知識是對某些客觀對象的認識，并通過屬性來刻畫這種認識。如果能夠給出某個對象集合的屬性特征，則該對象集合表達了一種完全知識[21]。文獻[22]以PSM和本體為核心，構筑了知識系統(tǒng)建?？蚣?，將應用領域知識系統(tǒng)結構要素分為需求本體、概念本體、方法本體、控制知識和解釋知識。文獻[22]還將概念本體和方法本體融入多主體建模中，探討了知識本體維護和管理機理及系統(tǒng)結構，為知識系統(tǒng)建模集成探索了一條有效的途徑，也為基于知識系統(tǒng)的多傳感器數(shù)據(jù)融合目標識別算法研究提供了清晰有效的思路。

4 結束語

隨著傳感器技術、數(shù)據(jù)處理技術、計算機軟硬件技術及人工智能技術等相關技術的發(fā)展，多傳感器數(shù)據(jù)融合目標識別必將成為未來目標識別研究的重點和熱點。本文在介紹了多源數(shù)據(jù)融合目標識別原理及其算法理論基礎的前提下，從算法概念分類方面，對多傳感器數(shù)據(jù)融合的目標識別算法進行了較為詳盡的總結，為下一步多傳感器數(shù)據(jù)融合目標識別研究提供了一定的理論依據(jù)。■

[1] 潘泉, 王增福, 梁彥，等. 信息融合理論的基本方法與進展[J]. 控制理論與應用, 2012，29(10):1234-1244.

[2] Hall DL, Llinas J. An introduction to multisensor data fusion[J]. Proc. of the IEEE, 1997，85(1):6-23.

[3] 康耀紅. 數(shù)據(jù)融合理論與應用[M]. 西安:西安電子科技大學出版社, 1997.

[4] 張新曼，韓九強．基于矩陣分析的一種不確定性推理的數(shù)據(jù)融合方法[J]．西安交通大學學報,2002，36(8):851-854．

[5] 王俊林, 張劍云. 采用Bayes多傳感器數(shù)據(jù)融合方法進行目標識別[J]. 傳感器技術, 2005，24(10):86-88.

[6] Dempster AP. Upper and lower probabilities induced by a multivalued mapping[J].Annals of Mathematical Sta-tistics,1967,38(2):325-339.

[7] 付耀文．雷達目標融合識別研究[D].長沙：國防科技大學, 2003.

[8] Barbera HM, Skarmeta AG, Izquierdo MZ. Neural networks for sonar and infrared sensors fusion[C]∥Proc. of the third international confer. on information fusion,2002:3-4.

[9] Rizvi SA, Nasrabadi NM. Fusion techniques for automatic target recognition[C]∥Applied Imagery Pattern Recognition Workshop, 2003:201-207.

[10] 徐小琴. 多傳感器數(shù)據(jù)融合目標識別算法綜述[J].紅外與激光工程,2006, 35:321-328．

[11] 楊應雷,周金和,王川潮. 加權決策模板業(yè)務感知算法 [J]. 計算機工程與應用,2015,53(2):118-123.

[12] 張翼，朱玉鵬. 決策模板法在決策層融合目標識別中的應用和改進[J].電光與控制,2005, 12(6):16-19．

[13] 帥軍. 基于熵和KNN的決策模板法在目標識別中的應用[J]. 湖南文理學院學報,2005,17(1):18-21．

[14] Kewley DJ. Notes on the use of D-S and fuzzy reasoning to fuse identity attribute data[M]. Salisbury, S.A.:Surveillance Research Laboratory,1992.

[15] Roux L, Desachy J. Information fusion for supervised classification in a satellite image[C]∥International Joint Conference of the Fourth IEEE International Conference on Fuzzy Systems and The Second International Fuzzy Engineering Symposium, 1995:1119-1125.

[16] 楊建勛, 史朝輝. 基于模糊綜合函數(shù)的目標識別融合算法研究[J]. 雷達技術,2004(33): 11-13．

[17] 劉永祥, 黎湘, 莊釗文．基于Choquet模糊積分的決策層信息融合目標識別[J]. 電子與信息學報, 2003,25(5):695-699．

[18] 劉源, 謝維信. 多傳感器圖像模糊融合算法在圖像識別中的應用[J]．西安電子科技大學學報, 2000,27(1):5-8．

[19] 李君. 智能學習的目標識別算法研究[J]．紅外月刊,2003,2(2):11-32．

[20] 牛麗紅, 倪國強. 多傳感器目標識別系統(tǒng)的特征優(yōu)化方法[J].光學技術, 2005,31(3): 420-426．

[21] 張文修，徐宗本．知識系統(tǒng)與認知分析[J]．系統(tǒng)工程理論與實踐，2002,10(10):118-122．

[22] 朱欣娟，蘭壯麗，劉風華．知識系統(tǒng)建?？蚣苎芯縖J]．西安工程科技學院學報,2004, 18(1): 48-54．

征稿簡則

1.《航天電子對抗》由中國航天科工集團有限公司主管、中國航天科工集團有限公司8511研究所主辦，主要報道與導彈武器系統(tǒng)、空間系統(tǒng)相關的雷達、制導、通訊、導航、C4ISR等電子設備和系統(tǒng)總體的電子、光電及信息攻防對抗技術。來稿應切合本刊報道內容，具備科學性、創(chuàng)新性和邏輯性，要求論點明確、結構嚴謹、論據(jù)可靠、文字和算式推導簡練無誤，有較高的理論水平和實用價值。稿件篇幅以6000字以內(含摘要、圖表、公式及參考文獻)為宜，最多不超過8000字。

2.來稿應包括：題名、作者姓名、單位、摘要和關鍵詞(3～8個)，并提供上述內容的英譯文；文章的中圖分類號、文獻標識碼；引言、正文、結論或結束語、參考文獻和作者簡介(包括通訊地址和聯(lián)系方式)；如果投稿文章為國家自然科學基金等基金項目資助課題或為省、部委重點課題，獲獎課題等請予以注明(提供正式全名和編號)。具體為：

1)題名是能反映文章中心內容的恰當?shù)?、簡明的詞語的邏輯組合，一般不超過20個漢字，應避免使用不常見的外文縮寫。英文題名的第1個詞的首字母大寫，其余均小寫。

2)作者不超過5人，署名與排序應協(xié)商一致，如有變動請?zhí)崆巴ㄖ?/p>

例：方 萍，文紹川

Fang Ping，Wen Shaochuan

3)作者單位用中文全稱標注，其英譯文應統(tǒng)一、規(guī)范，實詞首字母均大寫。

例：(中國航天科工集團8511研究所，江蘇 南京 210007)

(No.8511 Research Institute of CASIC，Nanjing 210007，Jiangsu，China)

4)摘要應完整、高度地概括出文章的目的、方法、結果及結論；采用第三人稱，句型要力求簡單，慎用長句，字數(shù)以200字左右為宜；應排除常識性內容，避免與題名簡單重復；其英譯文應完整、準確，盡量使用被動式。

5)作者簡介的著錄規(guī)范為：姓名(出生年-)，性別，職稱，學歷，研究方向，其它。并注明可靠的通訊地址和聯(lián)系方式(電話、手機等)，如有變更，請盡快通知編輯部。

6)來稿中圖表應精選，切勿過大(一般不超過8cm寬)。圖表中的字符和數(shù)據(jù)應準確無誤，且與正文一致，圖表序號、圖表題、圖表正文應以中文標注，曲線圖請注明橫縱坐標的變量名、單位和刻度值。

7)應使用法定計量單位，一般不使用“公斤”、“英里”等單位，單位符號應為正體；量符號必須使用斜體字母，矢量、張量和矩陣符號為黑斜體。編寫公式應盡量使用公式編輯器。

8)參考文獻應是公開發(fā)表過的文獻，發(fā)表年限應盡量在最近10年之內，按引用的先后順序排序，作者姓名一律姓前名后。

3.請使用電子郵箱投稿(編輯部E-mail：HTDZ8511@126.com)，稿件須為Word格式，主題請寫為“新投稿”，修改稿主題請寫為“修回(文章編號)”。

4.本刊收稿后2個月左右通知作者是否刊登，在此期間切勿一稿多投。已通知錄用的文章必須在要求的時限內修回，如不能按時修回請?zhí)崆跋蚓庉嫴坑枰哉f明，否則視為作者撤稿。請自留底稿，來稿一律不返還。

5.來稿必須經過保密審查，并附有單位蓋章的保密審查單，文責自負。本刊對錄用稿有修改權，所發(fā)表文章版權歸編輯部。本刊已被封面所示的數(shù)據(jù)庫全文收錄，作者的著作權使用費和稿酬一次性付給，如作者不同意文章被收錄，請在來稿時申明，本刊將做適當處理。