精华内容
下载资源
问答
  • 信息融合

    千次阅读 2019-03-15 14:50:36
    信息融合(information fusion)起初被称为数据融合(data fusion),起源于1973年美国国防部资助开发的声纳信号处理系统,其概念在20世纪70年代就出现在一些文献中。在20世纪90年代,随着信息技术的广泛发展,具有更...

    起源

    信息融合(information fusion)起初被称为数据融合(data fusion),起源于1973年美国国防部资助开发的声纳信号处理系统,其概念在20世纪70年代就出现在一些文献中。在20世纪90年代,随着信息技术的广泛发展,具有更广义化概念的“信息融合”被提出来。在美国研发成功声纳信号处理系统之后,信息融合技术在军事应用中受到了越来越广泛的青睐。20世纪80年代,为了满足军事领域中作战的需要,多传感器数据融合MSDF (Multi-sensor Data Fusion)技术应运而生。1988年,美国将CI(Command,Control,Commication and Intelligence)系统中的数据融合技术列为国防部重点开发的二十项关键技术之一。由于信息融合技术在海湾战争中表现出的巨大潜力,在战争结束后,美国国防部又在CI系统中加入计算机(computer),开发了以信息融合为中心的CI系统。此外,英国陆军开发了炮兵智能信息融合系统(AIDD)和机动与控制系统 (WAVELL)。欧洲五国还制定了联合开展多传感器信号与知识综合系统(SKIDS)的研究计划。法国也研发了多平台态势感知演示验证系统(TsMPF)。军事领域是信息融合的诞生地,也是信息融合技术应用最为成功的地方。特别是在伊拉克战争和阿富汗战争中,美国军方的信息融合系统都发挥了重要作用。

    发展

    当前,信息融合技术在军事中的应用研究己经从低层的目标检测、识别和跟踪转向了态势评估和威胁估计等高层应用。20世纪90年代以来,传感器技术和计算机技术的迅速发展大大推动了信息融合技术的研究,信息融合技术的应用领域也从军事迅速扩展到了民用。目前,信息融合技术己在许多民用领域取得成效。这些领域主要包括:机器人和智能仪器系统、智能制造系统、战场任务与无人驾驶飞机、航天应用、目标检测与跟踪、图像分析与理解、惯性导航、模式识别等领域。

    编辑本段主要方法

    利用多个传感器所获取的关于对象和环境全面、完整信息,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融合算法。对于多传感器系统来说,信息具有多样性和复杂性,因此,对信息融合方法的基本要求是具有鲁棒性和并行处理能力。此外,还有方法的运算速度和精度;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能力;对信息样本的要求等。一般情况下,基于非线性数学方法,如果它具有容错性、自适应性、联想记忆和并行处理能力,则都可以用来作为融合方法。多传感器数据融合虽然未形成完整的理论体系和有效的融合算法,但在不少应用领域根据各自的具体应用背景,已经提出了许多成熟并且有效的融合方法。

    主要模型

    近20 年来,人们提出了多种信息融合模型.其共同点或中心思想是在信息融合过程中进行多级处理.现有系统模型大致可以分为两大类:a)功能型模型,主要根据节点顺序构建; b)数据型模型,主要根据数据提取加以构建.在20 世纪80 年代,比较典型的功能型模型主要有U K情报环、Boyd控制回路(OODA 环) ;典型的数据型模型则有JDL 模型. 20 世纪90年代又发展了瀑布模型和Dasarathy模型. 1999 年Mark Bedworth 综合几种模型,提出了一种新的混合模型。下面简单对上述典型模型介绍。

    情报环

    情报处理包括信息处理和信息融合。目前已有许多情报原则,包括: 中心控制避免情报被复制;实时性确保情报实时应用 ;系统地开发保证系统输出被适当应用 ;保证情报源和处理方式的客观性;信息可达性;情报需求改变时,能够做出响应; 保护信息源不受破坏;对处理过程和情报收集策略不断回顾,随时加以修正. 这些也是该模型的优点,而缺点是应用范围有限。U K 情报环把信息处理作为一个环状结构来描述. 它包括4 个阶段:a) 采集,包括传感器和人工信息源等的初始情报数据;b) 整理,关联并集合相关的情报报告,在此阶段会进行一些数据合并和压缩处理,并将得到的结果进行简单的打包,以便在融合的下一阶段使用;c) 评估,在该阶段融合并分析情报数据,同时分析者还直接给情报采集分派任务;d)分发,在此阶段把融合情报发送给用户通常是军事指挥官,以便决策行动,包括下一步的采集工作。

    JDL 模型

    1984 年,美国国防部成立了数据融合联合指挥实验室,该实验室提出了他们的JDL 模型,经过逐步改进和推广使用,该模型已成为美国国防信息融合系统的一种实际标准。JDL模型把数据融合分为3 级:第1 级为目标优化、定位和识别目标;第2 级处理为态势评估,根据第 1 级处理提供的信息构建态势图;第3 级处理为威胁评估,根据可能采取的行动来解释第2 级处理结果,并分析采取各种行动的优缺点. 过程优化实际是一个反复过程,可以称为第4 级,它在整个融合过程中监控系统性能,识别增加潜在的信息源,以及传感器的最优部署。其他的辅助支持系统包括数据管理系统存储和检索预处理数据和人机界面等。

    Boyd控制环

    Boyd 控制环OODA 环,即观测、定向、决策、执行环,它首先应用于军事指挥处理,现在已经大量应用于信息融合。可以看出,Boyd 控制回路使得问题的反馈迭代特性显得十分明显。它包括4 个处理阶段:a) 观测,获取目标信息,相当于JDL 的第1 级和情报环的采集阶段; b) 定向,确定大方向,认清态势,相当于JDL 的第2 级和第3 级,以及情报环的采集和整理阶段;c) 决策,制定反应计划,相当于JDL 的第4 级过程优化和情报环的分发行为,还有诸如后勤管理和计划编制等;d) 行动,执行计划,和上述模型都不相同的是,只有该环节在实用中考虑了决策效能问题。OODA 环的优点是它使各个阶段构成了一个闭环,表明了数据融合的循环性。可以看出,随着融合阶段不断递进,传递到下一级融合阶段的数据量不断减少. 但是OO DA 模型的不足之处在于,决策和执行阶段对OODA 环的其它阶段的影响能力欠缺,并且各个阶段也是顺序执行的。

    扩展OODA模型

    扩展OODA 模型是加拿大的洛克西德马丁公司开发的一种信息融合系统结构。该种结构已经在加拿大哈利法克斯导弹护卫舰上使用. 该模型综合了上述各种模型的优点,同时又给并发和可能相互影响的信息融合过程提供了一种机理. 用于决策的数据融合系统被分解为一组有意义的高层功能集合例如图4 给出的由N 个功能单元构成的集合,这些功能按照构成OODA 模型的观测、形势分析、决策和执行4 个阶段进行检测评估。每个功能还可以依照OODA 的各个阶段进一步分解和评估. 图4 中标出的节点表示各个功能都与那几个OODA 阶段相关. 例如:功能A 和N 在每个阶段都有分解和评估,而功能B 和C 只与OODA 的部分或单个阶段有关. 该模型具有较好的特性,即环境只在观测阶段给各个功能提供信息输入,而各个功能都依照执行阶段的功能行事。此外,观测、定向和决策阶段的功能仅直接按顺序影响其下各自一阶段的功能,而执行阶段不仅影响环境,而且直接影响OODA 模型中其它各个阶段的瀑布模型。

    Dasarathy模型

    Dasarathy 模型包括有5 个融合级别,如下表所示。综上可以看到,瀑布模型对底层功能作了明确区分,JDL 模型对中层功能划分清楚,而Boyd 回路则详细解释了高层处理。情报环涵盖了所有处理级别,但是并没有详细描述。而Dasarathy 模型是根据融合任务或功能加以构建,因此可以有效地描述各级融合行为。

    输入

    输出

    描述

    数据

    数据

    数据级融合

    数据

    特征

    特征选择和特征提取

    特征

    特征

    特征级融合

    特征

    决策

    模式识别和模式处理

    决策

    决策

    决策级融合

    混合模型

    混合模型综合了情报环的循环特性和Boyd 控制回路的反馈迭代特性,同时应用了瀑布模型中的定义,每个定义又都与JDL 和Dasarathy 模型的每个级别相联系. 在混合模型中可以很清楚地看到反馈. 该模型保留了Boyd 控制回路结构,从而明确了信息融合处理中的循环特性,模型中4 个主要处理任务的描述取得了较好的重现精度. 另外,在模型中也较为容易地查找融合行为的发生位置。

    主要算法

    多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类,随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见,神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。

    几类主要的方法

    加权平均信号级融合方法最简单、最直观方法是加权平均法,该方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。

    卡尔曼滤波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不需要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,存在很多严重的问题,比如: (1)在组合信息大量冗余的情况下,计算量将以滤波器维数的三次方剧增,实时性不能满足; (2)传感器子系统的增加使故障随之增加,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。

    贝叶斯估计贝叶斯估计为数据融合提供了一种手段,是融合静态环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进行组合,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,可以直接对传感器的数据进行融合,但大多数情况下,传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计,将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数,通过使用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提供整个环境的一个特征描述。

    证据推理方法证据推理是贝叶斯推理的扩充,其3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方法的推理结构是自上而下的,分三级。第1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(D); 第2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3级为更新,各种传感器一般都存在随机误差,所以,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可靠。因此,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。

    产生式规则采用符号表示目标特征和相应传感器信息之间的联系,与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中,2个或多个规则形成一个联合规则时,可以产生融合。应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关,如果系统中引入新的传感器,需要加入相应的附加规则。

    模糊逻辑多值逻辑,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,它在一定程度上克服了概率论所面临的问题,它对信息的表示和处理更加接近人类的思维方式,它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大的主观因素,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。

    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,恰好满足了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。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。

    常用的数据融合方法及特性如表1所示。通常使用的方法依具体的应用而定,并且,由于各种方法之间的互补性,实际上,常将2种或2种以上的方法组合进行多传感器数据融合。

    表1 常用的数据融合方法比较[15]

    融合方法

    运行环境

    信息类型

    信息表示

    不确定性

    融合技术

    适用范围

    加权平均

    动态

    冗余

    原始读数值

     

    加权平均

    低层数据融合

    卡尔曼滤波

    动态

    冗余

    概率分布

    高斯噪声

    系统模型滤波

    低层数据融合

    贝叶斯估计

    静态

    冗余

    概率分布

    高斯噪声

    贝叶斯估计

    高层数据融合

    统计决策理论

    静态

    冗余

    概率分布

    高斯噪声

    极值决策

    高层数据融合

    证据推理

    静态

    冗余互补

    命题

    逻辑推理

    高层数据融合

     

    模糊推理

    静态

    冗余互补

    命题

    隶属度

    逻辑推理

    高层数据融合

    神经元网络

    动/静态

    冗余互补

    神经元输入

    学习误差

    神经元网络

    低/高层

    产生式规则

    动/静态

    冗余互补

    命题

    置信因子

    逻辑推理

    高层数据融合

    研究热点

    尽管信息融合在军事领域的地位始终突出,但是随着信息融合技术的发展,其应用领域得以迅速扩展. 信息融合已成为现代信息处理的一种通用工具和思维模式。目前以模糊理论、神经网络、证据推理等为代表的所谓智能方法占有相当大的比例,这或许是因为,这些方法兼有对问题描述的非建模优势和语言化描述与综合优势的原因。从整体上分析,近年来,随着人工智能技术的发展,信息融合技术有朝着智能化、集成化的趋势发展.最新的研究动向包括:

    1) 研究并完善实用的算法分类和层次划分方法;

    2)研究并发展实用的融合系统测试和评估方法;

    3)建立系统设计和算法选择的工程指导方针;

    4)编撰信息融合辞典,规范领域术语和定义;

    5)发展并完善JDL 模型,以解决现有JDL 所不能处理的多图像融合以及合成传感器(complex meta sensors)等问题;

    6)另外分布式信息融合方法也受到越来越多学者的关注。

    传统的数据融合是指多传感器的数据在一定准则下加以自动分析、综合以完成所需的决策和 评估而进行的信息处理过程。信息融合最早用于军事领域,定义为一个处理探测、互联、估 计以及组合多源信息和数据的多层次多方面过程,以便获得准确的状态和身份估计、完整而 及时的战场态势和威胁估计。它强调信息融合的三个核心方面:第一,信息融合是在几个层 次上完成对多源信息的处理过程,其中每一层次都表示不同级别的信息抽象;第二,信息融 合包括探测、互联、相关、估计以及信息组合;第三,信息融合的结果包括较低层次上的状 态和身份估计,以及较高层次上的整个战术态势估计。

    多传感器数据融合是人类或其他逻辑系统中常见的功能。人非常自然地运用这一能力把来自 人体各个传感器(眼、耳、鼻、四肢)的信息(景物、声音、气味、触觉)组合起来,并使用先 验知识去估计、理解周围环境和正在发生的事件。

    随着信息技术的发展和普及,特别是信息网络和信息高速公路的建设和应用,信息获取、综 合分析和处理以及信息应用已经深入各行各业和社会的各个方面,为人们提供决策支持。由 于信息化在各个方面展开,为了综合应用各种信息,需要对各方面的信息技术进行围绕因特网或信息高速公路的融合,以便产生新的增长点和开拓新的领域,不断地进行知识创新

    编辑本段前景展望

    信息融合的发展非常迅速,下面几个研究发展方向是值得关注的。

    基于Agent的信息融合

    在最新一期的Information Fusion是基于 Agent的信息融合的特刊。多Agent技术期望为复杂的工业应用系统、商业系统以及军事系统提供一个新的处理视角。这将会是以后研究的一个热点问题。

    Web信息融合

    借鉴人脑的工作原理,利用计算机对具有相似或不同特征的多源数据和信息进行处理,为用户提供统一的信息视图和可综合利用的信息。信息融合技术已在生物、经济和军事等领域得到广泛应用。信息融合技术为W eb信息处理提供了新的途径,但其研究成果主要针对结构化数据。现有W eb信息融合研究主要集中在多源W eb信息检索融合。[1]

    编辑本段参考文献

    外国书刊

    Waltz E,Lilnas J . Multi-sensor data fusion [M ]. Boston: Artech House,2000. 9 - 17.A. Noureldin,A. El-Shafie,M. R. Taha. Optimizing neuron-fuzzy modules for data fusion of vehicular navigation systems using temporal cross-validation. Engineering Applications ofArtificial Intelligence,2007,20(1):49-61P. C. Lin,H. Komsuoglu,D. E.Koditschek. Sensor fusion for body state estimation in a hexapod robot with dynamical gaits. IEEE Transactions on Robotics. 2006,22(5): 932943Zhang,Y. and Q. Ji,Efficient Sensor Selection for Active Information Fusion. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART B-CYBERNETICS,2010. 40: p. 719-728.Agaskar,A.,T. He and L. Tong,Distributed Detection of Multi-Hop Information Flows With Fusion Capacity Constraints. IEEE TRANSACTIONS ON SIGNAL PROCESSING,2010. 58: p. 3373-3383.Karantzalos,K. and N. Paragios,Large-Scale Building Reconstruction Through Information Fusion and 3-D Priors. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING,2010. 48: p. 2283-2296.陈森,徐克虎.C4ISR信息融合系统中的态势评估.火力与指挥控制,2006,31(4):5-8高方君.C3I多传感器信息融合系统.火力与指挥控制,2008 33(4): 117-119李新德.多源不完善信息融合方法及其应用研究: [博士学位论文].武汉:华中科技大学图书馆,2007.高健. DSmT信息融合技术及其在机器人地图创建中的应用: [博士学位论文].武汉:华中科技大学图书馆,2007.童利标,漆德宁等. 无线传感器网络与信息融合.安徽人民出版社

    Yu,W.,et al.,Distributed Consensus Filtering in Sensor Networks. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART B-CYBERNETICS,2009. 39(6): p. 1568-1577.Khan,U.A. and J. Moura,Distributing the Kalman filter for large-scale systems. IEEE TRANSACTIONS ON SIGNAL PROCESSING,2008. 56(10): p. 4919-4935.Jafarizadeh,S.,Fastest Distributed Consensus Problem on Fusion of Two Star Networks. Submitted. 2010.黄心汉.《信息融合》导论 [课件].华中科技大学Mark Bedworth,Jane O’ Brien Jemity. The omnibus model : A new model of data fusion. In :Proceedings of 1999 International Conference on Information Fusion. California,USA :Sunnyvale,1999. 337~345Hannah P,Starr A. Decisions in condition monitoring—An examplar for data fusion architecture. In : Proceedings of 2000 International Conference on Information Fusion. France : Paris,2000. 291~298Carl B Frankel,Mark D Bedworth. Cont rol,estimation and abst raction in fusion architectures : Lessions f rom human information processing. In Proceedings of 2000 International Conference on Information Fusion. France : Paris,2000. 130~137Elisa Shahbazian Dale E,Blodgett Paul Labbé . The extended OODA model for data fusion systems. In Proceedings of 2001 International Conference on Information Fusion. Canada : 2001. 106~112Luo L C,Kay M G. Multisensor integration and fusion for intelligent machines and systems. US :Abbex Publishing Corporation,1995. 321~456赵小川,罗庆生与韩宝玲,机器人多传感器信息融合研究综述. 传感器与微系统,2008(08).潘泉等,信息融合理论的基该方法与进展. 自动化学报,2003(04).张伟龙,郑建彬与詹恩奇,基于信息融合的在线手写签名算法研究. 计算机应用研究,

    2010(05).Dasarathy,B.V.,A special issue on agent-based information fusion. Information Fusion,2010. 11(3): p. 215-215.Dasarathy,B.V.,A special issue on agent-based information fusion. Information Fusion,2010. 11(3): p. 215-215.Das,S.,Agent-based information fusion. Information Fusion,2010. 11(3): p. 216-219.Dasarathy,B.V.,A special issue on web information fusion. Information Fusion,2008. 9(4): p. 443-443.Yao,J.,V.V. Raghavan and Z. Wu,Web information fusion. Information Fusion,2008. 9(4): p. 444-445.Yao,J.,V.V. Raghavan and Z. Wu,Web information fusion: A review of the state of the art. Information Fusion,2008. 9(4): p. 446-449.Dasarathy,B.V.,A Special Issue on information fusion in computer security. Information Fusion,2009. 10(4): p. 271-271.Corona,I.,et al.,Information fusion for computer security: State of the art and open issues. Information Fusion,2009. 10(4): p. 274-284.

    信息融合与信息安全

    信息概念

    信息现代定义。[2006年,医学信息(杂志),邓宇等].

    信息是物质、能量、信息及其属性的标示。逆维纳信息定义

    信息是确定性的增加。逆香农信息定义

    信息是事物现象及其属性标识的集合。2002年

    展开全文
  • 信息融合资料,国内外文献,信息融合算法,多传感器融合,卡尔曼滤波,联邦卡尔曼滤波
  • 融合多元信息,进行品质评价,在多信息融合的基础上进行分析
  • 多元信息融合

    2018-06-29 23:54:04
    《多源信息融合》是2006年清华大学出版社出版的图书,作者是韩...《多源信息融合》本书主要包括多源信息融合的基本概念以及多源信息融合理论赖以发展的基础理论,如统计推断与估计理论基础、智能计算与识别理论基础等。
  • 数据融合与信息融合.pdf
  • 多传感器信息融合及其应用_传感器融合_传感器_传感器融合_perfectlygld_信息融合_源码.zip
  • 信息融合课件

    2018-02-10 11:28:00
    信息融合课件,分为8个章节,分别是1绪论,2估计理论,3机动目标运动建模与自适应滤波,4目标跟踪...
  • 信息融合综述

    2014-06-29 11:55:02
    多传感器信息融合技术是一门新兴学科,它的理论和方法已被应用到...本文主要对多传感器信息融合的模型与结构、信息融合的主要技术和方法、信息融合理论体系以及信息融合技术的应用等内容进行了概要介绍和展开了综述。
  • 研究生系列教材,多传感器信息融合及其应用,杨万海
  • 信息融合或数据融合技术.pdf
  • 信息融合技术

    2014-10-31 20:36:14
    对目前信息融合技术以及进展做了一个总结与分析。简单介绍了目前信息融合技术的种类。
  • 电信设备-信息汇聚融合装置及信息融合方法.zip
  • 信息融合层次

    千次阅读 2019-11-26 11:26:17
    根据信息融合的处理层次,可以将信息融合分为三类,包括数据层信息融合、特征层信息融合以及决策层信息融合。 1.数据层信息融合 数据层信息融合是对各传感器的原始观测数据进行统计分析。该方法的优点是原始数据...

    根据信息融合的处理层次,可以将信息融合分为三类,包括数据层信息融合、特征层信息融合以及决策层信息融合。
    1.数据层信息融合
    数据层信息融合是对各传感器的原始观测数据进行统计分析。该方法的优点是原始数据保存完整、强调了原始数据之间的关联性,使得测量结果更加精确;缺点是运算量较大,降低了系统的实时性,同时观测数据的不确定性和不稳定性增加了系统处理难度。常用的数据层信息融合算法有加权平均法、卡尔曼滤波和贝叶斯估计法等。
    2.特征层信息融合
    特征层信息融合是对从原始数据中提取的特征向量进行联合,对特征向量进行计算和处理。针对特征向量进行融合处理,减小了原始数据的处理量,提高了系统处理速度和实时性。而缺点在于,原始观测数据在压缩的同时,也丢失了部分可用信息,降低了系统的精确度。常用的特征层信息融合算法有遗传算法、搜索树算法等
    3.决策层信息融合
    决策层信息融合的各部分传感器针对同一观测目标都具有独立的数据处理能力,包括原始观测数据预处理、原始信息特征提取和对目标识别的判断,根据各自的测量结果得出初步结论,然后将各传感器结论进行融合,得出观测目标的最终判断结果。该方法的优点在于可以灵活的选取传感器结果,提高了系统的容错能力;对多源异构传感器的容纳能力增强;融合信息计算量减小,系统实时性提高。常用的决策层信息融合算法有投票表决法、贝叶斯法等。

    引用:李菲. 基于图像信号与无线通信信号融合的室内定位关键技术研究[D]. 2018.

    展开全文
  • 对基于信息融合的故障诊断方法进行综述.首先简要阐述信息融合的基本概念以及信息融合与故障诊断的关系;然后介绍贝叶斯定理融合故障诊断,模糊融合故障诊断,证据理论融合故障诊断,神经网络融合故障诊断和集成信息融合...
  • 研究生系列教材,多传感器信息融合及其应用,杨万海
  • 多源信息融合_韩崇昭

    2019-07-22 09:58:19
    《多源信息融合》是2006年清华大学出版社出版的图书,作者是韩...《多源信息融合》本书主要包括多源信息融合的基本概念以及多源信息融合理论赖以发展的基础理论,如统计推断与估计理论基础、智能计算与识别理论基础等。
  • 电信设备-智能信息融合图像型火灾探测器及探测信息融合方法.zip
  • 压缩包中包含了三篇有关信息融合的综述文章,简述了信息融合的概念、结构模型,信息融合的基本进展与现状,贝叶斯优化
  •  主要的参考书籍为Mahler的《多源多目标统计信息融合》和韩崇昭的《多源信息融合》(ps:主推马勒这本,基本能够完美入门) 学习笔记下载 引言  目标跟踪是利用传感器各时刻采集的测量数据,对目标状态进行估计和...



    参考书籍

     主要的参考书籍为Mahler的《多源多目标统计信息融合》和韩崇昭的《多源信息融合》(ps:主推马勒这本,基本能够完美入门)

    学习笔记下载

    《多源多目标统计信息融合》学习笔记链接

    引言

     目标跟踪是利用传感器各时刻采集的测量数据,对目标状态进行估计和跟踪的过程,目标跟踪技术的研究一直是信息融合领域的重点。多目标跟踪技术在很多领域有着重要的重要作用,包括雷达,声纳,计算机视觉,机器人,交通监控等。目前,随着现代化和信息化程度不断提高,在目标跟踪问题研究中,跟踪场景和目标运动特性也日益复杂多变,目标跟踪技术面临着越来越高的性能要求。因此,目标跟踪技术的研究有着重要的实际意义是广泛的应用价值。
     单目标跟踪在早期主要针对海上船舶等单个目标的跟踪,能够完成对单点目标的跟踪。但是,随着科技的发展和技术的需要,显然不能够满足业界的需求,继续进行多目标的跟踪技术。在单目标到多目标跟踪的过渡时期,出现了假设各个目标独立,将单目标跟踪技术移植到多目标跟踪上,显然效果不佳,应用场景较少。随后基于对多目标贝叶斯滤波的求解和近似的方法问世,这极大的推进了多目标跟踪的发展。
     多目标跟踪技术(Multiple Target Tracking,即 MTT) 是非常复杂的涉及多学科多技术领域的问题,包括航迹起始、数据关联、跟踪算法、航迹消除、性能评估等内容,其中数据关联和跟踪算法是 MTT 技术中最重要的两个问题。

    多目标跟踪总结

     多目标跟踪主要有两种跟踪方法:基于数据关联的多目标跟踪方法和基于随机有限集的多目标跟踪方法。
     传统的基于数据关联的多目标跟踪算法采用数据关联对多个目标进行跟踪,将测量值分配给各个目标,再通过滤波技术完成目标状态估计。一般先采用数据关联技术确定每个目标与测量值的关联关系,即假设多个目标运动相互独立,按照某种数据关联准则实现单个目标与其测量值之间的有效关联,然后通过某种单目标的滤波算法分别估计每个目标的状态信息,从而实现对多目标的有效跟踪。
     基于随机有限集理论(FISST)的目标跟踪算法避免了数据关联问题,而是从后验概率密度函数中提取目标的状态。目前最常用的目标跟踪技术是贝叶斯滤波器,多目标贝叶斯滤波器通过预测步和更新步传递多目标状态的联合后验分布。

    多目标滤波器模型

     下列介绍的滤波器都是基于随机有限集理论体系。

    1. PHD滤波
       传递多目标后验概率密度的一阶统计矩,用后验强度近似多目标的后验密度
      优点:
       (1)PHD滤波器具有优异的计算复杂度,计算复杂度为O(mn), m为状态集的势大小,即目标个数,n为观测集的观测数,即单次观测的数据个数。
       (2)多目标统计模型包含目标的消失,新生,衍生,基本能够囊括实际的场景。
       (3)优异的抗杂波能力。
       (4)无需进行观测与航迹的数据关联。
      缺点:
       (1)当存在漏报时,估计不稳定,方差比较大。
       (2)由于是一阶矩估计,损失的信息较多
       (3)会把漏报航迹的权值转移到检报航迹的权值上,称为“远距幽灵效应”

    2. CPHD
       对目标PHD以及势分布进行同步预测和同步更新,使得估计较PHD更加准确
      优点:
       (1)直接可以有势得到目标数估计,而且方差较小。
       (2)较PHD,目标跟踪和定位能力得到了一定的改善。
      缺点:
       (1)计算复杂度为O(m^3 n),比PHD复杂
       (2)不能显式地表达衍生目标
       (3)会把漏报航迹的权值转移到检报航迹的权值上,称为“远距幽灵效应”

    3. MeMBer(多目标多伯努利)
       通过多伯努利 RFS 近似目标的后验概率密度,并对此密度函数进行循环递归。
      优点:
       (1)多伯努利滤波器模型不再采用基于泊松过程的模型,而是基于多伯努利过程。更好贴合实际场景。
      缺点:
       (1)存在过估计目标数

    4. CBMeMBer(势均衡多目标多伯努利)
       纠正了多伯努利滤波器的势上偏的情况,该滤波器可以无偏地估计目标的势,其算法稳定度优于 PHD 滤波,且计算复杂度并未明显增加。
      缺点:
       (1)该滤波器在预测步为精确计算,但是在更新步采用了多伯努利近似,所以存在着信息的损失。

    5. GLMB 和 LMB
       基于标记的RFS(随机有限集),包含航迹的标签,能够区分运动目标身份 ,这是质的飞跃。
      优点:
       (1)性能优于以上所有的滤波器,并且因为引入了标签能够对目标身份进行确认,否定了基于RFS理论的目标跟踪不能区分航迹这一断言。
       (2)具有较强的场景适应能力,该模型是属于精确闭式滤波器。
       (3)配合OSPA^(2)能够衡量航迹切换和航迹断裂的问题
      缺点:
       (1)计算复杂度相对较高,实时性有待改善。

    实现方法

    1. GM高斯混合
        常用于线性高斯
    2. SMC序贯蒙特卡洛
       常用于非线性非高斯,会用到聚类算法,运算速度较慢
    3. EKF扩展卡尔曼
       常用于非线性高斯最佳,也可以非高斯
    4. UKF无迹卡尔曼
       常用于非线性非高斯,运算速度较慢

    加快运行速度常规方法

     1.全局最近邻 GNN,利用关联门限,约束杂波数据,减小计算量
     2. 修改设计,简单粗暴
     3. 在更新之后对数据进行剪枝和合并

    致谢

    感谢诸君观看,如果感觉有用的话,点个赞吧!  欢迎到评论区留言🎉



    展开全文
  • 多源信息融合.pdf

    2019-07-08 12:03:50
    本书是国内多源信息融合领域的基础教材(印刷质量极好),内容详细,由浅入深,能够让读者全面了解数据融合技术并实现实践应用。希望能为相关领域行业内的朋友们提供帮助!!
  • 多传感器融合算法,可以将多传感器的数据经处理,相比单传感器数据更加有效
  • 多传感器信息融合及其应用,多传感器信息融合技术,PDF源码.zip.zip
  • 所谓多传感器信息融合(Multi-sensor Information Fusion,MSIF),就是利用计算机技术将来自多传感器或多源的信息和数据,在一定的准则下加以自动分析和综合,以完成所需要的决策和估计而进行的信息处理过程。
  • 378376671data_fusion_传感器融合_kalman_信息融合_多传感器融合.zip
  • 信息融合发展应用

    2013-10-16 10:05:44
    信息融合的发展和应用ppt课件
  • 天基信息港的多源信息融合任务调度研究
  • 为实现在无法接收到卫星信号的复杂室内环境下行人精确定位与导航,提出一种多源信息融合的室内定位方法,通过融合智能手机中方向传感器数据进行室内行人航位推算(PDR),采集室内环境中的WiFi与蓝牙信号信息进行信号强度...
  • 机器人感觉与多信息融合-机工.pdf 介绍了关于机器人感觉与多信息融合-机工的详细说明,提供机器人知识的技术资料的下载。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 233,075
精华内容 93,230
关键字:

信息融合