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
  • 现在所研究的矩阵分解中很少综合考虑时间信息和邻域关系对用户评分预测的影响,提出一种融合时间和邻域信息的矩阵分解算法,将时间信息与领域关系直接映射到用户—物品—时间的三维空间,通过隐含特征直接寻找它们...
  • 信息物理融合系统的时间需求一致性分析
  • 融合时间偏差信息的邻域型因子分解推荐算法.pdf
  • 针对传统推荐算法在进行评分预测时推荐精度低这一问题,提出了融合时间偏差信息的邻域型因子分解推荐算法(简称NFDRA)。它以因子分解算法为主,随机梯度下降寻优为辅,并融合了用户评分的邻域信息以及三种时间偏差...
  • 融合地理社交和时间序列信息嵌入排名位置推荐模型.pdf
  • 多源信息融合研究综述

    千次阅读 2019-07-08 15:27:52
    多源信息融合研究综述 作者:余肖生,田智星,余梅(三峡大学计算机与信息学) 期刊:重庆理工大学学报(自然科学) ...摘要:从信息融合架构、信息融合模型、信息融合方法、信息融合技术、信息融合层...

    多源信息融合研究综述

    作者:余肖生,田智星,余梅(三峡大学计算机与信息学)
    期刊:重庆理工大学学报(自然科学)
    时间:2015.12
    引用格式:余肖生,田智星,余梅.多源信息融合研究综述[J].重庆理工大学学报(自然科学版),2015(12):100—104.
    作者其他可参考文章:《基于SNM改进算法的相似重复记录消除》

    摘要:从信息融合架构、信息融合模型、信息融合方法、信息融合技术、信息融合层次等5
    个方面对多源信息融合相关文献进行总结和分析,指出该领域研究的主要特点和趋势,为信息
    融合领域的研究发展提供一些借鉴和启示。
    关键词:多源信息;信息融合;信息整合

    文章内容图
    在这里插入图片描述

    参考文献:
    中国学术期刊网络出版总库 共5条
    [33]多源信息融合方法研究[J]. 化柏林. 情报理论与实践. 2013(11)
    [17]基于本体的数字资源整合方法与技术[J]. 马小军,李广建. 情报科学. 2010(10)
    [20]基于主题图的电子政务信息资源整合模型研究[J]. 张玉涛,夏立新. 情报杂志. 2009(07)
    [25]基于本体的语义数据融合方法[J]. 刘波,齐德昱,林伟伟,庞雄文. 华南理工大学学报(自然科学版). 2009(01)
    [34]基于信息融合理论的省情信息融合研究[J]. 曹建君,李景相,蔡喜琴,莫军凯,刘慧明. 遥感技术与应用. 2006(04)

    中国博士学位论文全文数据库 共1条
    [15]基于门户网站的电子政务信息资源整合机制研究[D]. 黄萃.武汉大学 2005

    中国图书全文数据库 共1条
    [21]电子政务信息资源共享与社会化服务研究[M]. 人民出版社 , 罗贤春, 2012

    国际期刊数据库 共6条
    [7]Bridging the data integration gap[J] . Travis A. Bennett,Coskun Bayrak. ACM SIGSOFT Software Engineering Notes . 2011 (3)
    [3]Data fusion[J] . Jens Bleiholder,Felix Naumann. ACM Computing Surveys (CSUR) . 2009 (1)
    [27]Accessing the deep web[J] . Bin He,Mitesh Patel,Zhen Zhang,Kevin Chen-Chuan Chang. Communications of the ACM . 2007 (5)
    [23]Semantic integration[J] . Natalya F. Noy. ACM SIGMOD Record . 2004 (4)
    [29]Database techniques for the World-Wide Web[J] . Daniela Florescu,Alon Levy,Alberto Mendelzon. ACM SIGMOD Record . 1998 (3)
    [28]Federated database systems for managing distributed, heterogeneous, and autonomous databases[J] . Amit P. Sheth,James A. Larson. ACM Computing Surveys (CSUR) . 1990 (3)

    外文题录数据库 共19条
    [5] Data integration: a theoretical perspective. Lenzerini M. Proceedings of the 21nd ACM SIGMOD-SIGACT-SIGART Symposium on Principles of Database Systems . 2002
    [10] Data integration:the teenage years. Halevy P,Rajaraman A,Ordille J. Proceedings of the 32nd international conference on Very large databases . 2006
    [32] Full disjunctions:Polynomial-delay iterators in action. S. Cohen,I. Fadida,Y. Kanza, et al. The VLDB Journal . 2006
    [6] Combining the Best of Global-as-View and Local- as-View for Datalntegration. Li Xu,David W Embley. ISTA . 2004
    [19] “A Case Study on Model Driven Data Integration for Data Centric Software Development”. Hyeonsook Kim et al. DSMM’’09 . 2009
    [24] Towards a Core Ontology for Information Integration. Martin Doerr,Jane Hunter,Carl Lagoze. Journal of Digital Information . 2003
    [26] Navigational Plans for Data Integration. M. Friedman,A. Levy,and T. Millstein. AAAI . 1999
    [1] Data fusion-resolving data conflicts for integration. XIN LUNA DONG,FELI NAUMANN. VLDB 2009 . 2009
    [2] Data Integration:2013’’s Top 3Trends. JORGE A.LOPEZ. http://tdwi.org/Articles/2013/01/08/Data-Integration-2013-Top-Trends.aspx?Page=2 . 2015
    [4] Subsumption and Complementation as Data Fusion Operators. BLEIHOLDER J,SZOTT S,HERSCHEL M. EDBT 2010 . 2010
    [8] New Trends in Information Integration. MOHANIA M,BHIDE M. ICUIMC2008 . 2008
    [12] A Design and Implementation of XML-Based Mediation Framework (XMF)for Integration of Internet Information Resources. KANGCHAN L,JAE HONG M,KISHIK P,et al. HICSS 2002 . 2002
    [13] An XML-Based Mediation Framework for Seamless Access to Heterogeneous Internet Resources. SEONG-JOON Y,KANGCHAN L,KYUCHUL L. ICOIN 2003 . 2003
    [16] Unstructured information integration through data-driven similarity discovery. ANANTHANARAYANAN R,BALAKRISHNAN S. IJCAI 2009 . 2009
    [18] Data Integration in a System with Agents’’Models. BRZYKCY G. KES-AMSTA 2008 . 2008
    [22] An Adaptive Approach to Query Mediation Across Heterogeneous Information Sources. LIU L,PU C,LEE Y. Coop IS 1996 . 1996
    [30] Conflict tolerant queries in AURORA. YAN L L,ZSU M T. . 1999
    [32] An incremental algorithm for computing ranked full disjunctions. COHEN S,SAGIV Y. PODS 2005 . 2005
    [35] DATA FUSION:A FIRST STEP IN DECISION FORMATICS. HU Jiaqi. . 2008

    展开全文
  • 异构信息空间中时间感知的查询时实体识别与数据融合
  • 几种经典算法在基础交通信息融合中的应用, 包括卡尔曼滤波、人工神经网络、统计分析(加权平 均, 指数平滑法, 平均值的递推估计算法) , 以及交通流量和行程时间预测方法。合
  • 多传感器信息融合

    千次阅读 2018-12-10 17:36:52
    多传感器信息融合分为集中式融合结构,分散式融合结构和分级融合结构。 随着机器人技术的不断发展,机器人的应用领域和功能有了极大的拓展和提高。智能化已成为机器人技术的发展趋势,而传感器技术则是实现机器人...

    转载:https://blog.csdn.net/young951023/article/details/78418952

    多传感器信息融合分为集中式融合结构,分散式融合结构和分级融合结构。

    随着机器人技术的不断发展,机器人的应用领域和功能有了极大的拓展和提高。智能化已成为机器人技术的发展趋势,而传感器技术则是实现机器人智能化的基础之一。由于单一传感器获得的信息非常有限,而且,还要受到自身品质和性能的影响,因此,智能机器人通常配有数量众多的不同类型的传感器,以满足探测和数据采集的需要。若对各传感器采集的信息进行单独、孤立地处理,不仅会导致信息处理工作量的增加,而且,割断了各传感器信息间的内在联系,丢失了信息经有机组合后可能蕴含的有关环境特征,造成信息资源的浪费,甚至可能导致决策失误。为了解决上述问题人们提出了多传感器融合技术(multi-sensorfusion)。

      概述

      多传感器融合又称多传感器信息融合(multi-sensor information fusion),有时也称作多传感器数据融合(multi-sensor data fusion),于1973年在美国国防部资助开发的声纳信号处理系统中被首次提出,它是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。它从多信息的视角进行处理及综合,得到各种信息的内在联系和规律,从而剔除无用的和错误的信息,保留正确的和有用的成分,最终实现信息的优化,也为智能信息处理技术的研究提供了新的观念。

    多传感器融合的层次结构

      多传感器融合在结构上按其在融合系统中信息处理的抽象程度,主要划分为三个层次:数据层融合、特征层融合和决策层融合。

      1.数据层融合:也称像素级融合,首先将传感器的观测数据融合,然后从融合的数据中提取特征向量,并进行判断识别。数据层融合需要传感器是同质的(传感器观测的是同一物理现象),如果多个传感器是异质的(观测的不是同一个物理量),那么数据只能在特征层或决策层进行融合。数据层融合不存在数据丢失的问题,得到的结果也是最准确的,但计算量大,且对系统通信带宽的要求很高。

     

     2.特征层融合:特征层融合属于中间层次,先从每种传感器提供的观测数据中提取的有代表性的特征,这些特征融合成单一的特征向量,然后运用模式识别的方法进行处理。这种方法的计算量及对通信带宽的要求相对降低,但由于部分数据的舍弃使其准确性有所下降。

     

    3.决策层融合:决策层融合属于高层次的融合,由于对传感器的数据进行了浓缩,这种方法产生的结果相对而言最不准确,但它的计算量及对通信带宽的要求最低。

     

    对于特定的多传感器融合系统工程应用,应综合考虑传感器的性能、系统的计算能力、通信带宽、期望的准确率以及资金能力等因素,以确定哪种层次是最优的。另外,在一个系统中,也可能同时在不同的融合层次上进行融合。

     

     

    多传感器融合的算法

      融合算法是融合处理的基础。它是将多元输入数据根据信息融合的功能要求,在不同融合层次上采用不同的数学方法,对数据进行综合处理,最终实现融合。目前已有大量的融合算法,它们都有各自的优缺点。这些融合算法总体上法可以分为三大类型: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(Dempster-Shafer)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).根据智能系统要求及传感器信息融合的形式,选择其拓扑结构;

      (2).各传感器的输入信息综合处理为一总体输入函数,并将此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交互作用把环境的统计规律反映网络本身的结构;

      (3).对传感器输出信息进行学习、理解,确定权值的分配,进而对输入模式作出解释,将输入数据向量转换成高级逻辑(符号)概念。

     

     

    多传感器数据融合是一个新兴的研究领域,是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术,是多学科交叉的新技术,涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。

    近年来,多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。多传感器融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于C3I系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、图像处理、模式识别等领域。实践证明:与单传感器系统相比,运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面,能够增强系统生存能力,提高整个系统的可靠性和鲁棒性,增强数据的可信度,并提高精度,扩展整个系统的时间、空间覆盖率,增加系统的实时性和信息利用率等。

    1 基本概念及融合原理

    1.1 多传感器数据融合概念

    数据融合又称作信息融合或多传感器数据融合,对数据融合还很难给出一个统一、全面的定义。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 多传感器数据融合原理

    多传感器数据融合技术的基本原理就像人脑综合处理信息一样,充分利用多个传感器资源,通过对多传感器及其观测信息的合理支配和使用,把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合,以获得被测对象的一致性解释或描述。具体地说,多传感器数据融合原理如下:

      (1)N个不同类型的传感器(有源或无源的)收集观测目标的数据;

      (2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换,提取代表观测数据的特征矢量Yi;

      (3)对特征矢量Yi进行模式识别处理(如,聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等)完成各传感器关于目标的说明;

      (4)将各传感器关于目标的说明数据按同一目标进行分组,即关联;

      (5)利用融合算法将每一目标各传感器数据进行合成,得到该目标的一致性解释与描述。

    2 多传感器数据融合方法

    利用多个传感器所获取的关于对象和环境全面、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,基于非线性的数学方法,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。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,随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer(D-S)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。

    2.1 随机类方法

    2.1.1 加权平均法

    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。

    2.1.2 卡尔曼滤波法

    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,例如:(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。

    2.1.3 多贝叶斯估计法

    贝叶斯估计为数据融合提供了一种手段,是融合静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。

    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(ID);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。

    2.1.5 产生式规则

    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。

    2.2 人工智能类方法

    2.2.1 模糊逻辑推理

    模糊逻辑是多值逻辑,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。

    2.2.2 人工神经网络法

    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,可以采用经*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。

    3 应用领域

    随着多传感器数据融合技术的发展,应用的领域也在不断扩大,多传感器融合技术已成功地应用于众多的研究领域。多传感器数据融合作为一种可消除系统的不确定因素、提供准确的观测结果和综合信息的智能化数据处理技术,已在军事、工业监控、智能检测、机器人、图像分析、目标检测与跟踪、自动目标识别等领域获得普遍关注和广泛应用称重传感器。

    (1)军事应用

    数据融合技术起源于军事领域,数据融合在军事上应用最早、范围最广,涉及战术或战略上的检测、指挥、控制、通信和情报任务的各个方面。主要的应用是进行目标的探测、跟踪和识别,包括C31系统、自动识别武器、自主式运载制导、遥感、战场监视和自动威胁识别系统等。如,对舰艇、飞机、导弹等的检测、定位、跟踪和识别及海洋监视、空对空防御系统、地对空防御系统等。海洋监视系统包括对潜艇、鱼雷、水下导弹等目标的检测、跟踪和识别,传感器有雷达、声纳、远红外、综合孔径雷达等。空对空、地对空防御系统主要用来检测、跟踪、识别敌方飞机、导弹和防空武器,传感器包括雷达、ESM(电子支援措施)接收机、远红外敌我识别传感器、光电成像传感器等。迄今为止,美、英、法、意、日、俄等国家已研制出了上百种军事数据融合系统,比较典型的有:TCAC—战术指挥控制,BETA—战场利用和目标截获系统,AIDD—炮兵情报数据融合等。在近几年发生的几次局部战争中,数据融合显示了强大的威力,特别是在海湾战争和科索沃战争中,多国部队的融合系统发挥了重要作用。

    (2)复杂工业过程控制

    复杂工业过程控制是数据融合应用的一个重要领域。目前,数据融合技术已在核反应堆和石油平台监视等系统中得到应用。融合的目的是识别引起系统状态超出正常运行范围的故障条件,并据此触发若干报警器。通过时间序列分析、频率分析、小波分析,从各传感器获取的信号模式中提取出特征数据,同时,将所提取的特征数据输入神经网络模式识别器,神经网络模式识别器进行特征级数据融合,以识别出系统的特征数据,并输入到模糊专家系统进行决策级融合;专家系统推理时,从知识库和数据库中取出领域知识规则和参数,与特征数据进行匹配(融合);最后,决策出被测系统的运行状态、设备工作状况和故障等。

    (3)机器人

    多传感器数据融合技术的另一个典型应用领域为机器人。目前,主要应用在移动机器人和遥操作机器人上,因为这些机器人工作在动态、不确定与非结构化的环境中(如“勇气”号和“机遇”号火星车),这些高度不确定的环境要求机器人具有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。

     

     

    展开全文
  • 多源信息融合

    千次阅读 2009-07-26 15:15:00
    本文介绍了多传感器信息融合的定义、原理、方法、层次和结构,提出了现代化战场信息融合系统作战体系结构和功能体系结构,对多传感器信息融合系统技术进行了较为全面的探讨关键词 信息战争 信息融合 数据级融合 特征...

     

    现代化战争中的多传感器信息融合技术研究
                     牛志一
     
    摘要  信息融合是对现代化信息战争具有重要意义的一门新型学科。本文介绍了多传感器信息融合的定义、原理、方法、层次和结构,提出了现代化战场信息融合系统作战体系结构和功能体系结构,对多传感器信息融合系统技术进行了较为全面的探讨
    关键词  信息战争   信息融合   数据级融合   特征级融合    决策级融合
     
    1       引言
      现代科学技术在军事领域的广泛应用, 使得现代战争突破了传统模式,发展成为陆、海、空、天、电磁五位一体的立体战争。 在现代战术系统中, 依靠单一的传感器提供信息已无法满足作战需要, 必须运用多传感器提供观测信息, 实时进行目标发现、优化综合处理来获得状态估计、目标属性、态势评估、威胁估计等作战信息.
      在多传感器系统中,信息表现形式多样,信息数量巨大,同时要求信息处理迅速及时,人脑的信息综合处理能力已经无法胜任,因此,一个新兴的学科——多传感器信息融合便迅速发展起来,并在现代化C4I系统和各种武器平台上得到了广泛的应用。
     
    2       多传感器信息融合技术概述
    2.1信息融合的定义
      信息融合是近30年来兴起的新技术, 到现在为止对于它的定义仍然有着多种不同的说法。目前被普遍接受的有关信息融合的定义, 是1991 年由美国三军政府组织——实验室理事联合会JDL (Joint Directors of Laboratories) 提出 , 1994 年由澳大利亚DSTO (Defense Science and Techno logy Organization) 加以扩展的。 它将信息融合定义为一种多层次、多方面的处理过程, 包括对多源数据进行检测、相关、组合和估计, 从而提高状态和特性估计的精度, 以及对战场态势和威胁及其重要程度进行适时的完整评价.
    2.2信息融合的基本原理
             多传感器信息融合实际上是对人脑综合处理复杂问题的一种功能模拟,它的基本原理就是像人脑综合处理信息的过程一样,充分利用多个传感器资源,通过对各种传感器及其观测信息的合理支配与使用,将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来,产生对观测环境的一致性解释和描述。
    2.3信息融合技术的发展
      1973年,美国研究机构在国防部的资助下,开展了声纳信号理解系统的研究,这可以被看作是最早的关于信息融合方面的研究。从那以后,信息融合技术便迅速发展起来。20世纪70年代末,在公开出版的技术文献中开始出现基于多传感器信息综合意义的融合一词。1988年,美国国防部把信息融合技术列为90年代重点研究开发的二十项关键技术之一,且列为最优先发展的A类。美国三军政府组织——实验室理事联席会(JDL)下设的C3技术委员会(TP C3)专门成立了信息融合专家组来组织和指导有关的工作。有人统计, 1991 年美国已有54 个数据融合系统引入到军用电子系统中去, 其中87% 已有试验样机、试验床或已被应用。
      目前世界上主要军事大国都竞相开始投入大量人力、物力和财力进行信息融合技术的研究,安排了大批研究项目,并已取得大量研究结果。到目前为止,美、英、德、法、意、日、俄等国已研制出上百个军用信息融合系统,比较典型的有:TCAC——战术指挥控制,BETA——战场利用和目标截获系统,ASAS——全源分析系统,DAGR——辅助空中作战命令分析专家系统,PART——军用双工无线电/雷达瞄准系统,AMSVI——自动多传感器部队识别系统,TRWDS——目标获取核武器输送系统,AIDD——炮兵情报数据融合和ANALYST——地面部队战斗态势评定系统等。
      国内关于信息融合技术的研究则起步相对较晚。20世纪80年代初,人们开始从事多目标跟踪技术研究,到了80年代末才开始出现有关多传感器信息融合技术研究的报道。当时,人们对它的含义有着不同的理解,主要的提法有:数据合成,数据汇编,数据汇集,数据总和,数据融合等。20世纪90年代初,这一领域在国内才逐渐形成高潮。在政府、军方和各种基金部门的资助下,国内一批高校和研究所开始广泛从事这一技术的研究工作,出现了大批理论研究成果。与此同时,也有几部信息融合领域的学术专著和译著出版。到了20世纪90年代中期,信息融合技术在国内已发展成为多方关注的共性关键技术,出现了许多热门研究方向,许多学者致力于机动目标跟踪、分布监测融合、多传感器跟踪与定位、分布信息融合、目标识别与决策信息融合、态势评估与威胁估计等领域的理论及应用研究,相继出现了一批多目标跟踪系统和有初步综合能力的多传感器信息融合系统。目前新一代舰载,机载,弹载和各种C4I系统正在向多传感器信息融合方向发展,预计21世纪将有一批多传感器信息融合系统。
     
    3       多传感器信息融合的层次和结构
    3.1信息融合的层次
         多传感器信息融合一般可以分为三层:数据级融合,特征级融合和决策级融合。
      ● 数据级融合
       数据级融合又称像素级融合, 它是最低层次的融合, 是在采集到的传感器的原始信息层次上(未经处理或只做很小的处理) 进行融合, 在各种传感器的原始测报信息未经预处理之前就进行信息的综合和分析。其优点是保持了尽可能多的战场信息. 其缺点是处理的信息量大, 所需时间长, 实时性差。这种融合通常用于: 多源图像复合、图像分析和理解; 同类(同质) 雷达波形的直接合成以改善雷达信号处理的。
      ● 特征级融合
         特征级融合属于融合的中间层次, 兼顾了数据层和决策层的优点. 它利用从传感器的原始信息中提取的特征信息进行综合分析和处理。也就是说, 每种传感器提供从观测数据中提取的有代表性的特征, 这些特征融合成单一的特征向量, 然后运用模式识别的方法进行处理. 这种方法对通信带宽的要求较低, 但由于数据的丢失使其准确性有所下降。
      ● 决策级融合
      将多个传感器的识别结果进行融合. 这一层融合是在高层次上进行的, 融合的结果为指挥控制决策提供依据。决策层融合的优点是: 具有很高的灵活性, 系统对信息传输带宽要求较低;能有效地融合反映环境或目标各个侧面的不同类型信息, 具有很强的容错性; 通信容量小, 抗干扰能力强; 对传感器的依赖性小, 传感器可以是异质的; 融合中心处理代价低。
    3.2多传感器信息融合的结构
      多传感器信息融合的结构模型主要有4 种形式:集中式、分布式、混合式和分级式。
      集中式结构中所有传感器将原始信息传输到融合中心, 由中央处理设施统一处理. 集中式融合的最大优点是信息损失最小, 但数据互联较困难。并且它只有当接受到来自所有的传感器信息后, 才对信息进行融合,所以, 通信负担重, 融合速度慢,系统的生存能力也较差。
      分布式结构的特点是:每个传感器的信息进入融合以前,先由它自己的数据处理器进行处理。融合中心依据各局部检测器的决策, 并考虑各传感器的置信度, 然后在一定准则下进行分析综合,做出最后的决策。在分布式多传感器信息融合系统中, 每个节点都有自己的处理单元, 不必维护较大的集中数据库, 都可以对系统作出自己的决策, 融合速度快, 通信负担轻, 不会因为某个传感器的失效而影响整个系统正常工作,所以, 它的具有较高的可靠性和容错性, 但由于信息压缩导致信息丢失, 因而会影响融合精度。
      混合式结构同时传输探测信息和经过局部节点处理后的信息,它保留了上述两类结构的优点,但在通信和计算上要付出昂贵的代价。
      分级式结构又分为有反馈结构和无反馈结构,在分级融合中, 信息从低层到高层逐层参与处理, 高层节点接收低层节点的融合结果, 在有反馈时, 高层信息也参与低层节点的融合处理。 分级融合结构各传感器之间是一种层间有限联系, 其计算和通信负担介于集中式结构和分布式结构之间。
    3.3多传感器信息融合的方法
      信息融合虽然是一门年轻的新兴学科,但从诞生之日起就表现出旺盛的活力,30年来基于各种理论的方法层出不穷。根据目前的研究成果,这些方法可以归纳为五类。
      ● 概率统计数学类:包括最大似然法、贝叶斯方法等,用于目标探测、识别、分类,航迹融合;
      ● 不确定性数学类:主要是Dempster-Shafer(简称D-S)证据推理方法;
      ● 模糊数学类;
      ● 智能理论类:包括人工智能、专家系统、人工神经网络、人工生命及其综合;
      ● 基于随机集与关系代数类。
     
    4  多传感器信息融合的体系结构
    4.1感器信息融合系统作战体系结构
      多传感器信息融合系统功能体系结构立足于融合可信,按需分配的要求,瞄准未来信息化战场需求,着眼于提高信息采集和信息融合能力,突破以往多传感平台只限于单平台多传感部件的概念,将各种雷达,电子对抗,部队侦察,技术侦察和航天侦察装备作为战场多传感平台系统,以综合集成的方式运用,全面提高部队信息化作战能力。基于信息融合的信息化战场多传感平台的作战体系结构如图1所示。
    
    
    图1 系统作战体系结构图
    
    4.2多传感器信息融合系统功能体系结构。
      从多传感平台作战体系结构图可看出,随着融合处理层次的提高,融合处理结果的抽象层次也随之提高.。通过这种多层次的信息融合,实现信息化战场各传感平台(装备) 在目标分类、跟踪与识别、态势评估、威胁估计等方面的功能.。多传感平台面向结果的功能体系结构如图 2所示。
    
    
      一级处理相当于最低层次的数据级融合。它对来自于同等量级的传感器原始数据直接进行融合,有了融合的传感器数据之后就可以完成像单传感器一样的识别处理过程。  
    
      二级处理相当于中间层次的特征级融合。 它利用从传感平台的原始信息中提取的特征信息进行综合分析和处理。二级处理可实现战场信息的大幅压缩,有利于实时处理,融合结果能最大限度地给出作战决策分析所需的特征信息.
    
      三级处理相当于最高层次的决策级融合, 融合结果为作战指挥控制决策提供依据。
     
    5  结束语
      信息融合技术正在迅猛发展,渗透到现代化战争的各个领域。如何恰当和充分地利用这一技术概念进行信息处理,从而增强部队的战斗力,还有诸多课题,算法需要探索和研究。但是毫无疑问的是,随着计算机技术和传感器技术的发展,信息融合技术必将在现代化中发挥越来越重要的作用。 

     

    展开全文
  • 机器人感觉与多信息融合.rar机器人感觉与多信息融合.rar机器人感觉与多信息融合.rar机器人感觉与多信息融合.rar
  • 信息融合学习笔记

    万次阅读 2013-05-02 22:35:07
    目前对于信息融合有多种不同的定义。其中美国国防部JDL(Joint Directors of Laboratories)的定义为:把来自许多传感器和信息源的数据和信息加以联合(Association)、相关(Combination)、组合(Correlation),...
  • 多源信息融合技术研究综述

    千次阅读 2020-11-02 15:40:31
    1. 摘要:多源信息融合即基于多种 ( 同类或异类) 信息源,根据某个特定标准在空间或时间上进行组合,获得被测对象的 一致性解释或者描述,并使得该信息系统具有更好的性能。从融合级别上来说,融合模型通常从数据、...
  • 信息融合概念和主要方法

    千次阅读 2021-01-04 11:59:48
    1信息融合又称为数据融合或者多源信息融合 可以概括为:充分利用不同时间与空间的多传感器数据资源,如传感器、数据库、知识库、和人类本身获取有关信息,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...
  • 智能信息融合与目标识别方法

    千次阅读 2019-11-26 14:01:34
    推荐书籍:《智能信息融合与目标识别方法》 胡玉兰 郝博 王东明等著 这本书目录清晰,适合毕业论文撰写的参考 首先分析特征级融合目标识别的基本理论,然后研究了多源图像的预处理、结合阈值分割的分水岭算法、...
  • 提出了一种2层信息融合方法,特征层采用RBF神经网络进行空间上的融合,决策层采用DS证据理论进行时间上的融合,充分利用了各传感器在时间和空间上的互补和冗余信息,提高了提升机制动系统诊断的可靠性和正确性。
  • 信息融合动态与发展趋势

    千次阅读 2017-12-25 00:00:00
    摘 要:描述了信息融合理论与技术当前研究动态,提出了第三代信息融合概念、模型、特征和功 能模式,强调了人在感知观测—判断—决策—行动(OODA)环中的主导作用,为情报战博弈和按我 方意图塑造战场态势以及先敌...
  • 多传感器信息融合笔记

    万次阅读 2017-11-01 21:30:56
    随着机器人技术的不断发展,机器人的应用领域和功能有了极大的拓展和提高。智能化已成为机器人技术的发展...若对各传感器采集的信息进行单独、孤立地处理,不仅会导致信息处理工作量的增加,而且,割断了各传感器信息
  • 信息融合发展沿革与技术动态

    千次阅读 2017-12-22 00:00:00
    摘 要:概述了信息融合的发展历程与信息融合模型分类,重点分析了美国国防部实验室联合理事会(JDL)数据融合过程模型的演变过程及其各阶段特点。最后,给出了信息融合领域的当前技 术发展动态。关键词:信息...
  • 采用MATLAB软件编制D-S证据信息融合程序,将3种传感信息进行仿真融合,在低压电气火灾信息融合过程中论证D-S融合理论的有效性。结果表明:D-S证据融合理论具有良好的可行性、可信性与可靠性。研究结果对提高电气火灾...
  • 战场感知资源管理与信息融合

    千次阅读 2017-12-28 00:00:00
    【针对实验室联合理事会 ( JDL)信息融合 2004推荐模型存在的不足 ,首先 ,将战场感知划分为资源管理与信息融合两部分;然后 ,描述了资源管理与信息融合之间的概念关系、功能关系与逐 级控制关系 ,并建立了较完整的战场...
  • 本文章配套源代码地址:... ... 本篇文章对应的代码Tag为 6.0 代码在后续可能会有调整,如和文章有出入,以实际代码为准 ======================================== ...只要牵扯到多个传感器,那么时间同步就
  • 分析了包括时间配准、空间对准、数据融合、目标跟踪的信息融合过程,并通过仿真,对融合前、后所得的观测曲线与目标真实轨迹的比较及其误差曲线进行对比分析,融合后的方位角和俯仰角的误差已经维持在2mrad以内,结果...
  • 异类传感器实时信息融合由于两类设备的数据率不同和数据误差的限制,一直未得到有效解决,提出一种空时...通过仿真验证表明:该算法能够实现异类传感器的信息融合,初次融合成功的确认时间在3~5个主动传感器扫描周期。
  • Apollo 感知分析之跟踪对象信息融合

    千次阅读 2019-11-09 15:02:59
    激光雷达 安装在车顶,360度同轴旋转,可以提供周围一圈的点云信息。另外,激光雷达不光用于感知,也可用在定位和高精度地图的测绘。 毫米波雷达安装在保险杠上,与激光雷达原理类似,通过观察电磁波回波入射波的...
  • 对捷联惯导专家评估系统和多传感器信息融合技术进行了深入的研究,同时详细分析了捷联惯导专家评估系统的硬件组成以及各传感器的工作模式,提出一种采用信息时间坐标和空间坐标转换的融合算法,实现时空匹配统一,以达到...
  • 多传感器信息融合是用于包含处于不同位置的多个或者多种传感器的信息处理技术; 1.2 融合层次(级别) 在多传感器信息融合中,按其在融合系统中信息处理的抽象程度可分为三个层次:数据级融合、特征级融合和决策级...
  • 数据融合

    千次阅读 2018-04-27 10:11:36
    多传感器数据融合技术及其应用多传感器数据融合概念数据融合又称作信息融合或多传感器数据融合,对数据融合还很难给出一个统一、全面的定义。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...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 133,596
精华内容 53,438
关键字:

信息融合时间