第2章 數(shù)據(jù)融合與信息處理

1、 1 概述 2 基本原理 3 分布式自適應動態(tài)數(shù)據(jù)融合 新系統(tǒng)：升華、再生 融合：綜合、互補 集成：基礎、結構 圖2.1 集成、融合關系圖 20世紀80年代誕生，主要解決多傳感器信 息處理問題，把分布在不同位置的多個同 類或不同類傳感器的局部、不完整的觀察 量加以綜合，利用其互補性、冗余性，克 服單個傳感器的不確定性和局限性，提高 整個傳感器系統(tǒng)的有效性能，已形成對系 統(tǒng)環(huán)境相對完整一致的感知描述，提高測 量信息的精度和可靠性 內(nèi)涵的延展，不同方法獲得的參量的綜合 全空間 綜合 互補 多傳感器 動態(tài)信息處理 算法 融 合 圖2.2 數(shù)據(jù)融合的3層定義 紅外和可見光圖像融合？ PET,MR,CT

2、等模式圖像間的融合？ 特征點、面、區(qū)域提取與基于體素方法的融合用 于配準 基于顏色、紋理、光度等特征的融合用于識別？ 基于顏色、面積、紋理等特征的融合用于分割？ 特征選擇？ 本質(zhì)在于對不確定處理和精確處理的互補，復雜，并不是 簡單的代數(shù)相加運算。 包括信息表達方式上的、結構上、功能上的、不同層次上 的互補。 把握不同信息的本質(zhì) 舉例： 特征點和體素/像素的互補？ 紋理和顏色的互補？ 時域、頻域、復頻域的互補？ 信 息 源 信 息 轉(zhuǎn) 換 、 傳 遞 、 交 換 信 息 互 補 、 綜 合 處 理 信 息 融 合 處 理 報 告 信息流：信息獲取 信息預處理 信息融合 融合決策 N個不同類型的傳

3、感器收集觀測目標的數(shù)據(jù)。 對傳感器的輸出數(shù)據(jù)（離散的或連續(xù)的時間函數(shù)數(shù)據(jù)，輸 出矢量，成像數(shù)據(jù)或一個直接的屬性說明）進行特征提取 的變換，提取代表觀測數(shù)據(jù)的特征矢量。 對特征矢量進行模式識別處理（如聚類算法，自適應神經(jīng) 網(wǎng)，或其它能將特征矢量變換成目標屬性判決的統(tǒng)計模式 識別法等），完成各傳感器關于目標的說明。 將各傳感器關于目標的說明數(shù)據(jù)按同一目標進行分組，即 關聯(lián)。 利用融合方法將各一目標各傳感器數(shù)據(jù)進行合成，得到該 目標的一致性解釋與描述。 數(shù)據(jù)層融合 特征層融合 決策層融合 全部傳感器的觀測數(shù)據(jù)直接進行融合，然 后從融合的數(shù)據(jù)中提取特征矢量，并進行 判斷識別。 傳感器必須同質(zhì) 優(yōu)點：優(yōu)

4、點：保持了盡可能多的原始信息 缺點：缺點：處理的信息量大，處理實時性差。 待 識 別 物 體 圖像數(shù)據(jù) 聲音數(shù)據(jù) 氣味數(shù)據(jù) 傳感器 傳感器 傳感器 統(tǒng)一的 數(shù)據(jù)矩陣 特征提取 決策 將每個傳感器的觀測數(shù)據(jù)進行特征抽取以 得到一個特征矢量，然后將這些特征矢量 融合起來，并根據(jù)融合得到的特征矢量進 行判定 優(yōu)點：優(yōu)點：對通信帶寬的要求較低 缺點：缺點：由于數(shù)據(jù)丟失使其準確性有所下降 待 識 別 物 體 圖像數(shù)據(jù) 聲音數(shù)據(jù) 氣味數(shù)據(jù) 傳感器 傳感器 傳感器 統(tǒng)一的 特征矩陣 決策 特征提取 特征提取 特征提取 決策層融合是根據(jù)一定的準則以及每個決 策的可信度作出最優(yōu)決策。 每個傳感器執(zhí)行一個對目標的

5、識別過程， 將來自每個傳感器的識別結果進行融合。 優(yōu)點：對通信帶寬要求最低 缺點：產(chǎn)生的結果相對最不準確。 待 識 別 物 體 圖像數(shù)據(jù) 聲音數(shù)據(jù) 氣味數(shù)據(jù) 傳感器 傳感器 傳感器 統(tǒng) 一 的 決 策 結 果 特征提取 特征提取 特征提取 決策結果 決策結果 決策結果 特性數(shù)據(jù)層融合特征層融合決策層融合 信息量最大中等最小 信息損失最小中等最大 容錯性最差中等最好 抗干擾性最差中等最好 對傳感器的依 賴性 最大中等最小 數(shù)據(jù)融合方法最難中等最易 預處理最小中等最大 分類能力最好中等最差 集中式 分布式 混合式 將各傳感器結點的數(shù)據(jù)都送到中央處理器 進行融合處理。 優(yōu)點：實時融合，精度高，解法靈

6、活 缺點：對處理器要求高，可靠性較低，數(shù) 據(jù)量大，難以實現(xiàn) 傳感器1 傳感器2 傳感器n 預處理 預處理 預處理 融 合 結 點 各傳感器利用自己的量測單獨跟蹤目標， 將估計結果送到總站，總站再將子站的估 計合成為目標的聯(lián)合估計 優(yōu)點：對通信帶寬要求低，計算速度快， 可靠性和延續(xù)性好 缺點：跟蹤精度沒有集中式高 傳感器1 傳感器2 傳感器n 預處理 預處理 預處理 融 合 結 點 局部判決 局部判決 局部判決 系統(tǒng)中傳感器的類型、分辨率、準確率 傳感器的分布形式 系統(tǒng)的通信能力和計算能力 系統(tǒng)的設計目標 系統(tǒng)的拓撲結構（包括數(shù)據(jù)） 基于物理的模型 仿真 估計：卡爾曼濾波、最大似然、最小方差 句

7、法：圖像代數(shù) 基于特征推理技術 基于參數(shù)的方法：古典概率推理、貝葉斯方法、D-S理論、廣義證據(jù) 基于信息論的方法：神經(jīng)網(wǎng)絡、聚類、表決方法、熵、品質(zhì)因數(shù)、 相關量測 基于知識的模型 邏輯模板、基于知識的專家系統(tǒng)、模糊集 運用概率估計的方法獲取不同信息源的融 合權重 包括：古典概率推理、卡爾曼濾波、貝葉 斯準則、D-S證據(jù)理論、廣義證據(jù)理論 在給定的假設條件下，觀測是來源于某一 物體或事件的概率 主要缺點： 1）用于分類物體或事件的觀測量的概率密度函數(shù)難以得到 2）在多變量數(shù)據(jù)情況下，計算的復雜性加大 3）一次只能評估兩個假設條件 4）無法直接應用先驗似然這個有用的先驗知識 是一種線性遞推的濾波

8、方法，將狀態(tài)變量 引入濾波理論，用信息干擾的狀態(tài)空間模 型代替通常濾波采用的協(xié)方差函數(shù)，并把 狀態(tài)空間描述與離散時間聯(lián)系起來 特點：基于最小二乘法的信息優(yōu)化方法， 運算量小，始于實時處理，用于目標跟蹤、 狀態(tài)估計等中。 利用樣本提供的信息時也充分利用了先驗 知識，以先驗分布為出發(fā)點，克服了古典 統(tǒng)計中精度和信度預定，不依賴于樣本的 不合理性 缺點： 1）確定先驗的似然函數(shù)非常困難 2）當潛在具有多個假設事件并且是多個事件條件依賴時，計算將變 的非常復雜 3）各假設事件要求互斥 4）不能處理廣義的不確定問題 針對事件發(fā)生后的結果（證據(jù)）探求事件發(fā)生的 主要原因（假設），分別通過各證據(jù)對所有的假

9、設進行獨立判斷，得到各證據(jù)下各種假設的基本 概率分配即mass函數(shù)，然后對某假設在各證據(jù)下 的判斷信息進行融合，進而形成“綜合”證據(jù)下 該假設發(fā)生的融合概率。概率最大的假設即為判 決結果。 特點： 1）概率論的推廣，能區(qū)分“不確定”、“不知道”。 2）要求各證據(jù)之間彼此獨立，很難滿足。 3）隨著推理過程的增加，計算量也大大增加。 把決策空間分為若干個假設事件（命題）， 然后把貝葉斯方法擴展到此假設空間中。 在此方法中，來自非斥命題的證據(jù)可以使 用貝葉斯公式融合，從而得到某一判決。 與D-S方法的不同之處在于：其概率分配值 的賦予與融合是基于命題或假設事件的先 驗概率的。 能把參數(shù)數(shù)據(jù)轉(zhuǎn)換或映射

10、到識別空間。所 有的這些方法都有著相同的概念，即識別 空間中的相似是通過觀測空間中參數(shù)的相 似來反映的，但是卻不能直接對觀測數(shù)據(jù) 的某些方面建立明確的識別函數(shù)。包括： 參數(shù)模板匹配、人工神經(jīng)網(wǎng)絡、聚類算法、 表決算法、熵量測技術、品質(zhì)因數(shù)、模式 識別以及相關量測等技術 在一定條件下，按照目標間的相似性把目標空間 劃分為若干子集，劃分的結果應使表示聚類質(zhì)量 的準則函數(shù)為最大。當用距離來表示目標間的相 似性時，其結果降判別空間劃分成若干區(qū)域，每 一個區(qū)域相當于一個類別。 常用的距離函數(shù)有明氏距離、歐式距離、馬氏距 離、類塊距離等。 包括：聚類分析法、表決法、神經(jīng)網(wǎng)絡法、參數(shù) 模板匹配法、熵量測、品

11、質(zhì)因數(shù)、模式識別，等。 離差平方和法（離差平方和法（ward method） D2=WMWKWL 即 對異常值很敏感；對較大的類傾向產(chǎn)生較大的距離，從而不易合并， 較符合實際需要。 LKLK M kL KL XXXX n nn D 2 Cluster K Cluster L Cluster M 由每個傳感器提供對被測對象狀態(tài)的一個 判斷，然后由表決方法對這些判斷進行搜 索，以找到一個由板書以上傳感器“同意” 的判斷（或采取其它簡單的判定規(guī)則）， 并宣布表決結果。 適合實時融合 融合無償較大 非線性，自學習，自組織，并行性，容錯 性 權值，學習收斂性，學習速度，網(wǎng)絡模型， 結構，等需要人為地根據(jù)

12、融合對象的特點 進行調(diào)整 把在一段時間內(nèi)得到的多傳感器數(shù)據(jù)與多 個信息源按照預先選擇好的條件進行匹配， 然后判斷觀測量是否包含支持某一現(xiàn)象的 證據(jù) 來源于通信理論 通過事件發(fā)生的概率來度量實踐中所包含 信息的重要程度。度量信息價值的函數(shù)應 具有這樣的性質(zhì)，即信息價值的大小與接 受到該信息的概率成反比。 基于認知的模型試圖通過模擬人的處理過 程來自動實現(xiàn)決策的過程。這包括： 模擬人的處理過程來自動實現(xiàn)決策的過程 模糊邏輯法 邏輯模板法 專家系統(tǒng) 基于知識的系統(tǒng) 模糊集理論 隸屬度函數(shù)，如正態(tài)函數(shù)、三角函數(shù)、梯 形函數(shù)等。 隸屬度函數(shù)是主觀確定的，但其對模糊推 理的影響并不大。 若對論域（研究的范

13、圍）U中的任一元素x，都有一個數(shù)A （x）0，1與之對應，則稱A為U上的模糊集，A（x ） 稱為x對A的隸屬度。當x在U中變動時，A（ x）就是一個 函數(shù)，稱為A的隸屬函數(shù)。隸屬度A（x）越接近于1，表 示x屬于A的程度越高，A（x）越接近于0表示x屬于A的程 度越低。用取值于區(qū)間 0，1的隸屬函數(shù)A（x）表征x 屬 于A的程度高低。隸屬度屬于模糊評價函數(shù)里的概念：模 糊綜合評價是對受多種因素影響的事物做出全面評價的一 種十分有效的多因素決策方法，其特點是評價結 果不是 絕對地肯定或否定，而是以一個模糊集合來表示。 A(x )=表示模糊集“年老”的隸屬函數(shù)，A表示模糊集 “年老”，當年齡x50

14、時A（x）=0表明x不屬于模糊集A （即“年老”），當x 100時，A（x）=1表明x 完全屬于 A，當50 x100時，0A（x）1，且x越接近100，A （x）越接近1，x屬于A的程度就越高。這樣的表達方法顯 然比簡單地 說：“100歲以上的人是年老的，100歲以下 的人就不年老?！备鼮楹侠怼?將人類專家的知識和經(jīng)驗以知識庫的形式 存入計算機，并模仿人類專家解決問題的 推理方式和思維過程，運用人類的知識和 經(jīng)驗對現(xiàn)實中的問題作出判斷和決策。 具有采用類似自然語言的方式表達，易于 理解和維護 缺乏自學習自我完善能力 將規(guī)則或知名的專家知識結合起來實現(xiàn)自 動對目標的識別。 包含以下4個部分：

15、1）知識庫，包括基本事實、算法和啟發(fā)式規(guī)則等 2）一個大型的包含動態(tài)數(shù)據(jù)的全局數(shù)據(jù)庫 3）一個控制結構或推理機制 4）人機界面 模糊集理論是將不精確知識或不確定性邊 界的定義引入到數(shù)學運算中來，它可以方 便地將系統(tǒng)狀態(tài)變量映射成控制量、分類 或其他類型的輸出數(shù)據(jù)。 允許知識或者身份邊界的不確定性。 不累計所有輸入輸出，而只累計輸出。 1）加強對多傳感器的管理。 2）針對多傳感器數(shù)據(jù)融合，建立統(tǒng)一的融合理論和廣義融合模型。 3）研究不確定性融合推理方法和容錯能力強、實時性好的高效融合 模型。 4）解決數(shù)據(jù)配準、數(shù)據(jù)預處理、等問題，建立高效性能可靠的數(shù)據(jù) 庫管理系統(tǒng)和檢索推理機制，利用成熟的輔助技

16、術，建立面向具體應 用需求的數(shù)據(jù)融合系統(tǒng)。 5）將人工智能技術引入到數(shù)據(jù)融合領域；利用集成的智能軟計算方 法，提高多傳感器融合的性能。 6）利用有關的先驗數(shù)據(jù)提高數(shù)據(jù)融合的性能，研究更加先進復雜的 融合方法。 7）在多平臺/單平臺、多傳感器背景下，建立計算復雜度低的數(shù)據(jù)處 理模型和算法。 8）建立數(shù)據(jù)融合測試評估系統(tǒng)和多傳感器管理體系。 9）工業(yè)化、商品化、專業(yè)化。 3.1 測量模型和方法簡述 3.2 測量數(shù)據(jù)范圍的推導 3.3 最優(yōu)范圍的確定 模塊1 模塊2 模塊3 模塊N 被測單元 各模塊間相互傳 遞測量數(shù)據(jù) 融合過程中考慮了測量時間小量誤差對測量結果 造成的影響，真正實現(xiàn)動態(tài)融合。 綜合

17、考慮了多傳感器中各傳感器測量精度對最終 融合結果造成的不同影響。 可通過改變傳感器的精度參數(shù)使融合變得不再 “死板”，而是一個動態(tài)的過程，即方法可以 “適應”各傳感器的精度變化。 以“表決”的方法，綜合各傳感器的測量數(shù)據(jù)， 判斷各傳感器是否處于正常的工作狀態(tài)，以避免 處于故障狀態(tài)的傳感器所測量的數(shù)據(jù)給最終融合 帶來的不良影響。這也體現(xiàn)了該方法對測量環(huán)境 變化的“適應”能力。 N個智能傳感器分別對目標進行測量，并向其余智能傳感 器發(fā)送。 某一智能傳感器得到N組測量向量值后，根據(jù)外部定義的 各傳感器測量精度確定各結點測量數(shù)據(jù)范圍。 根據(jù)數(shù)據(jù)范圍，以“表決”的方法判別是否存在故障傳感 器，如有則將該傳感器對應的測量數(shù)據(jù)范圍剔除。 由“表決”后處于正常工作狀態(tài)的傳感器測量數(shù)據(jù)范圍推 導包含正確測量值的最優(yōu)范圍。