多傳感器數(shù)據(jù)融合課件

第13章多傳感器數(shù)據(jù)融合13.1多傳感器數(shù)據(jù)融合概述13.2多傳感器數(shù)據(jù)融合模型13.3多傳感器數(shù)據(jù)融合技術(shù)13.4多傳感器數(shù)據(jù)融合應(yīng)用第13章多傳感器數(shù)據(jù)融合13.1多傳感器數(shù)據(jù)融合概述113.1多傳感器數(shù)據(jù)融合概述多傳感器數(shù)據(jù)是針對一個系統(tǒng)中使用多個（種）傳感器這一特定問題而提出的信息處理方法，是將來自多傳感器或多源的信息和數(shù)據(jù)進(jìn)行綜合處理，從而對觀測對象形成準(zhǔn)確結(jié)論的過程。數(shù)據(jù)融合的目的是基于各獨(dú)立傳感器的觀測數(shù)據(jù)，通過融合導(dǎo)出更豐富的有效信息，獲得最佳協(xié)同效果，發(fā)揮多個傳感器的聯(lián)合優(yōu)勢，提高傳感器系統(tǒng)的有效性和魯棒性，消除單一傳感器的局限性。

13.1多傳感器數(shù)據(jù)融合概述多傳感器數(shù)據(jù)是針對一個系統(tǒng)213.1多傳感器數(shù)據(jù)融合概述

從生物學(xué)的角度來看，人類和自然界中其他動物對客觀事物的認(rèn)知過程，就是對多源數(shù)據(jù)的融合過程。人類不是單純依靠一種感官，而是通過視覺、聽覺、觸覺、嗅覺等多種感官獲取客觀對象不同質(zhì)的信息，或通過同類傳感器（如雙耳）獲取同質(zhì)而又不同量的信息，然后通過大腦對這些感知信息依據(jù)某種未知的規(guī)則進(jìn)行組合和處理，從而得到對客觀對象和諧與統(tǒng)一的理解和認(rèn)識。這一處理過程是復(fù)雜的，也是自適應(yīng)的，它將各種信息（圖像、聲音、氣味和觸覺）轉(zhuǎn)換為對環(huán)境的有價值的解釋。自動化數(shù)據(jù)融合系統(tǒng)實(shí)際上就是模仿這種由感知到認(rèn)知的過程。13.1多傳感器數(shù)據(jù)融合概述從生物學(xué)的角度來看，人類和313.1多傳感器數(shù)據(jù)融合概述應(yīng)用簡例

多傳感器系統(tǒng)可以用于地球環(huán)境監(jiān)測。主要應(yīng)用于對地面的監(jiān)視、以便識別和監(jiān)視地貌、氣象模式、礦產(chǎn)資源，植物生長、環(huán)境條件和威脅情況(如原油泄漏、輻射泄漏等)如右圖所示

圖源：D.L.HallandJ.Llinas,‘‘Anintroductiontomultisensordatafusion’’

13.1多傳感器數(shù)據(jù)融合概述應(yīng)用簡例圖源：D.L.Ha413.1多傳感器數(shù)據(jù)融合概述

數(shù)據(jù)融合過程主要由數(shù)據(jù)校準(zhǔn)、相關(guān)、識別、估計等部分組成。其中校準(zhǔn)與相關(guān)是識別和估計的基礎(chǔ)，數(shù)據(jù)融合在識別和估計中進(jìn)行。

校準(zhǔn)、相關(guān)、識別和估計貫穿于整個多傳感器數(shù)據(jù)融合過程，既是融合系統(tǒng)的基本功能，也是制約融合性能的關(guān)鍵環(huán)節(jié)。

13.1多傳感器數(shù)據(jù)融合概述數(shù)據(jù)融合過程主要由數(shù)據(jù)校準(zhǔn)513.1.1多傳感器數(shù)據(jù)融合過程數(shù)據(jù)檢測數(shù)據(jù)校準(zhǔn)數(shù)據(jù)相關(guān)參數(shù)估計目標(biāo)識別行為估計13.1.1多傳感器數(shù)據(jù)融合過程數(shù)據(jù)檢測613.1.2多傳感器數(shù)據(jù)融合形式數(shù)據(jù)級融合特征級融合決策級融合13.1.2多傳感器數(shù)據(jù)融合形式數(shù)據(jù)級融合特征級融合決策713.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)串聯(lián)型融合13.2多傳感器數(shù)據(jù)融合融合模型13.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)串聯(lián)型融合13.2多傳8混聯(lián)型融合并聯(lián)型融合混聯(lián)型融合并聯(lián)型融合913.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)從數(shù)據(jù)融合的控制關(guān)系來看，反饋型多傳感器數(shù)據(jù)融合過程中，傳感器或數(shù)據(jù)融合中心的處理方式及判斷規(guī)則受數(shù)據(jù)融合中心最終結(jié)論或中間結(jié)論的影響。數(shù)據(jù)處理依賴于一個反饋控制過程，這種反饋可以是正反饋，也可以是負(fù)反饋。反饋控制可分為融合結(jié)論對傳感器的控制、對數(shù)據(jù)融合中心的控制，以及中間結(jié)論對傳感器的控制三種。對傳感器的控制多體現(xiàn)在對傳感器策略、精度的控制、對傳感器跟蹤目標(biāo)的跟蹤控制等。對融合中心的控制包括對融合中心判斷規(guī)則的控制、對融合中心數(shù)據(jù)融合方式的控制、對融合中心某一參數(shù)的控制等。13.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)從數(shù)據(jù)融合的控制關(guān)系來看1013.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)結(jié)論對傳感器的反饋控制結(jié)論對融合中心的反饋控制中間結(jié)論對傳感器的反饋控制13.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)結(jié)論對傳感器的反饋控制1113.2.2多傳感器數(shù)據(jù)融合模型多傳感器數(shù)據(jù)融合系統(tǒng)的模型設(shè)計是多傳感器數(shù)據(jù)融合的關(guān)鍵問題，取決于實(shí)際需求、環(huán)境條件、計算機(jī)、通信容量及可靠性要求等，模型設(shè)計直接影響融合算法的結(jié)構(gòu)、性能和融合系統(tǒng)的規(guī)模。

多傳感器數(shù)據(jù)融合模型實(shí)際上是一種數(shù)據(jù)融合的組織策略，根據(jù)任務(wù)、要求和設(shè)計者認(rèn)識不同，模型設(shè)計千差萬別。目前流行的有多種數(shù)據(jù)融合模型，其中JDL數(shù)據(jù)融合模型最具通用性。

13.2.2多傳感器數(shù)據(jù)融合模型多傳感器數(shù)據(jù)融合系統(tǒng)的模1213.2.2多傳感器數(shù)據(jù)融合模型JDL模型

JDL數(shù)據(jù)融合模型如右圖所示，數(shù)據(jù)融合過程包括五級處理和數(shù)據(jù)庫、人機(jī)接口支持等。五級處理并不意味著處理過程的時間順序，實(shí)際上，處理過程通常是并行的。13.2.2多傳感器數(shù)據(jù)融合模型JDL模型1313.2.2多傳感器數(shù)據(jù)融合模型Boyd控制環(huán)Boyd控制環(huán)包括四個處理環(huán)節(jié)：(1)觀測環(huán)節(jié)獲取目標(biāo)信息，與JDL模型的數(shù)據(jù)預(yù)處理功能相當(dāng)。(2)定向環(huán)節(jié)確定對象的基本特征，與JDL模型的目標(biāo)評估、態(tài)勢評估和威脅評估功能相當(dāng)。(3)決策環(huán)節(jié)確定最佳評估，制定反饋控制策略，與JDL模型過程優(yōu)化與評估功能相當(dāng)。(4)執(zhí)行環(huán)節(jié)利用反饋控制調(diào)整傳感系統(tǒng)狀態(tài)，獲取額外數(shù)據(jù)等。JDL模型沒有這一環(huán)節(jié)。13.2.2多傳感器數(shù)據(jù)融合模型Boyd控制環(huán)1413.2.2多傳感器數(shù)據(jù)融合模型Waterfall模型Waterfall模型的數(shù)據(jù)融合過程包括三個層次。(1)基于傳感模型和物理測量模型對原始數(shù)據(jù)進(jìn)行預(yù)處理(2)進(jìn)行特征提取和特征融合以獲取信息的抽象表達(dá)，減少數(shù)據(jù)量，提高信息傳遞效率，第二層次的輸出是關(guān)于對象特征的估計及其置信度。(3)利用現(xiàn)有知識對對象特征進(jìn)行評價，形成關(guān)于對象、事件或行為的認(rèn)識。傳感器系統(tǒng)利用第三層次形成的反饋信息不斷調(diào)整自身狀態(tài)和數(shù)據(jù)準(zhǔn)備策略，進(jìn)行重新設(shè)置和標(biāo)定等，提高傳感信息的利用率。。13.2.2多傳感器數(shù)據(jù)融合模型Waterfall模型1513.2.2多傳感器數(shù)據(jù)融合模型Dasarathy模型

Dasarathy模型充分注意到傳感器數(shù)據(jù)融合中數(shù)據(jù)融合、特征融合和決策融合三者往往交替應(yīng)用或聯(lián)合使用的事實(shí)，根據(jù)所處理信息的類型對數(shù)據(jù)融合功能進(jìn)行了歸納，明確了五種可能的融合形式，如表所示。13.2.2多傳感器數(shù)據(jù)融合模型Dasarathy模型1613.2.2多傳感器數(shù)據(jù)融合模型OMNIBUS模型

是Boyd控制環(huán)、Dasarathy模型和Waterfall模型的混合，既體現(xiàn)了數(shù)據(jù)融合過程的循環(huán)本質(zhì)，用融合結(jié)論調(diào)整傳感器系統(tǒng)的狀態(tài)，提高信息融合的有效性，又細(xì)化了數(shù)據(jù)融合過程中各個環(huán)節(jié)的任務(wù)，改善了數(shù)據(jù)融合實(shí)現(xiàn)的可組合性。13.2.2多傳感器數(shù)據(jù)融合模型OMNIBUS模型1713.2.2多傳感器數(shù)據(jù)融合模型多傳感器集成融合模型 根據(jù)傳感器所提供信息的等級參加不同融合中心的數(shù)據(jù)融合，低等級的傳感器輸出原始數(shù)據(jù)或信號，高等級的傳感器輸出特征或抽象符號信息，融合結(jié)論在最高等級的融合中心產(chǎn)生，輔助信息系統(tǒng)為各融合中心提供資源，包括各種數(shù)據(jù)庫、知識表達(dá)、特征解析、決策邏輯等。13.2.2多傳感器數(shù)據(jù)融合模型多傳感器集成融合模型1813.3多傳感器數(shù)據(jù)融合技術(shù)13.3.1多傳感器數(shù)據(jù)融合算法的基本類型13.3.2Kalman濾波13.3.3基于Bayes理論的數(shù)據(jù)融合13.3.4基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合13.3.5基于專家系統(tǒng)的數(shù)據(jù)融合13.3.6基于聚類分析的數(shù)據(jù)融合13.3多傳感器數(shù)據(jù)融合技術(shù)13.3.1多傳感器數(shù)據(jù)1913.3.1多傳感器數(shù)據(jù)融合算法基本類型物理模型

參數(shù)分類技術(shù)

基于認(rèn)知的方法

13.3.1多傳感器數(shù)據(jù)融合算法基本類型物理模型2013.3.1多傳感器數(shù)據(jù)融合算法基本類型物理模型 根據(jù)物理模型模擬出可觀測或可計算的數(shù)據(jù)，并把觀測數(shù)據(jù)與預(yù)先存儲的對象特征進(jìn)行比較，或?qū)⒂^測數(shù)據(jù)特征與物理模型所得到的模擬特征進(jìn)行比較。比較過程涉及到計算預(yù)測數(shù)據(jù)和實(shí)測數(shù)據(jù)的相關(guān)關(guān)系。如果相關(guān)系數(shù)超過一個預(yù)先設(shè)定的值。則認(rèn)為兩者存在匹配關(guān)系(身份相同)。這類方法中，Kalman濾波技術(shù)最為常用。13.3.1多傳感器數(shù)據(jù)融合算法基本類型物理模型2113.3.1多傳感器數(shù)據(jù)融合算法基本類型參數(shù)分類技術(shù)

參數(shù)分類技術(shù)依據(jù)參數(shù)數(shù)據(jù)獲得屬性說明，在參數(shù)數(shù)據(jù)(如特征)和一個屬性說明之間建立一種直接的映像。參數(shù)分類分為有參技術(shù)和無參技術(shù)兩類，有參技術(shù)需要身份數(shù)據(jù)的先驗(yàn)知識，如分布函數(shù)和高階矩等；無參技術(shù)則不需要先驗(yàn)知識。 常用的參數(shù)分類方法包括Bayesian估計，D－S推理，人工神經(jīng)網(wǎng)絡(luò)，模式識別，聚類分析，信息熵法等。13.3.1多傳感器數(shù)據(jù)融合算法基本類型參數(shù)分類技術(shù) 2213.3.1多傳感器數(shù)據(jù)融合算法基本類型基于認(rèn)知的方法

基于認(rèn)知的方法主要是模仿人類對屬性判別的推理過程，可以在原始傳感器數(shù)據(jù)或數(shù)據(jù)特征基礎(chǔ)上進(jìn)行。 基于認(rèn)知的方法在很大程度上依賴于一個先驗(yàn)知識庫。有效的知識庫利用知識工程技術(shù)建立，這里雖然未明確要求使用物理模型，但認(rèn)知建立在對待識別對象組成和結(jié)構(gòu)有深入了解的基礎(chǔ)上，因此，基于認(rèn)知的方法采用啟發(fā)式的形式代替了數(shù)學(xué)模型。當(dāng)目標(biāo)物體能依據(jù)其組成及相互關(guān)系來識別時，這種方法尤其有效。13.3.1多傳感器數(shù)據(jù)融合算法基本類型基于認(rèn)知的方法2313.3.2Kalman濾波Kalman濾波

Kalman濾波實(shí)時融合動態(tài)的低層次傳感器冗余數(shù)據(jù)，只需當(dāng)前的一個測量值和前一個采樣周期的預(yù)測值就能進(jìn)行遞推估計。如果系統(tǒng)具有線性動力學(xué)模型，且系統(tǒng)噪聲和傳感器噪聲可用白噪聲模型來表示，Kalman濾波為融合數(shù)據(jù)提供了統(tǒng)計意義下的最優(yōu)估計。

13.3.2Kalman濾波Kalman濾波2413.3.2Kalman濾波離散序列的一階遞推估計模型如圖所示13.3.2Kalman濾波離散序列的一階遞推估計模型2513.3.2Kalman濾波Kalman濾波

13.3.2Kalman濾波Kalman濾波2613.3.2Kalman濾波Kalman濾波

Kalman濾波可以實(shí)現(xiàn)不同層次的數(shù)據(jù)融合。集中融合結(jié)構(gòu)在系統(tǒng)融合中心采用Kalman濾波技術(shù)，可以得到系統(tǒng)的全局狀態(tài)估計信息。傳感器數(shù)據(jù)自低層向融合中心單方向流動，各傳感器之間缺乏必要的聯(lián)系。分散融合結(jié)構(gòu)在對每個節(jié)點(diǎn)進(jìn)行局部估計的基礎(chǔ)上，接受其它節(jié)點(diǎn)傳遞來的信息進(jìn)行同化處理，形成全局估計。分散融合結(jié)構(gòu)網(wǎng)絡(luò)中，任何一個節(jié)點(diǎn)都可以獨(dú)立做出全局估計，某一節(jié)點(diǎn)的失效不會顯著地影響系統(tǒng)正常工作，其它節(jié)點(diǎn)仍可以對全局做出估計，有效地提高了系統(tǒng)的魯棒性和容錯性。13.3.2Kalman濾波Kalman濾波2713.3.3基于Bayes理論數(shù)據(jù)融合利用Bayes方法進(jìn)行數(shù)據(jù)融合的過程如圖所示：(1)將每個傳感器關(guān)于對象的觀測轉(zhuǎn)化為對象屬性的說明:(2)計算每個傳感器關(guān)于對象屬性說明的不確定性:(3)計算對象屬性的融合概率：13.3.3基于Bayes理論數(shù)據(jù)融合利用Bayes方法2813.3.3基于Bayes理論數(shù)據(jù)融合如果相互獨(dú)立則：(4)應(yīng)用判定邏輯進(jìn)行決策。若選取的極大值作為輸出，這就是所謂的極大后驗(yàn)概率（MAP）判定準(zhǔn)則：運(yùn)用Bayes方法中的條件概率進(jìn)行推理，能夠在出現(xiàn)某一證據(jù)時給出假設(shè)事件在此證據(jù)發(fā)生的條件概率，能夠嵌入一些先驗(yàn)知識，實(shí)現(xiàn)不確定性的逐級傳遞。但它要求各證據(jù)之間都是相互獨(dú)立的，當(dāng)存在多個可能假設(shè)和多條件相關(guān)事件時，計算復(fù)雜性增加。另外，Bayes方法要求有統(tǒng)一的識別框架，不能在不同層次上組合證據(jù)。13.3.3基于Bayes理論數(shù)據(jù)融合如果2913.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合人工神經(jīng)網(wǎng)絡(luò)源于大腦的生物結(jié)構(gòu)，神經(jīng)元是大腦的一個信息處理單元，包括細(xì)胞體、樹突和軸突，如圖所示。

13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合人工神經(jīng)網(wǎng)絡(luò)源于大腦的生3013.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò) 神經(jīng)元利用樹突整合突觸所接收到的外界信息，經(jīng)軸突將神經(jīng)沖動由細(xì)胞體傳至其他神經(jīng)元或效應(yīng)細(xì)胞。神經(jīng)網(wǎng)絡(luò)使用大量的處理單元(即神經(jīng)元)處理信息，神經(jīng)元按層次結(jié)構(gòu)的形式組織，每層上的神經(jīng)元以加權(quán)的方式與其它層上的神經(jīng)元連接，采用并行結(jié)構(gòu)和并行處理機(jī)制，具有很強(qiáng)的容錯性以及自學(xué)習(xí)、自組織及自適應(yīng)能力，能夠模擬復(fù)雜的非線性映射。13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)3113.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合常用的人工神經(jīng)元模型（PE模型）典型的多級前饋感知模型

13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合常用的人工神經(jīng)元模型（P3213.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、功能特點(diǎn)和強(qiáng)大的非線性處理能力，恰好滿足了多源信息融合技術(shù)處理的要求，人工神經(jīng)網(wǎng)絡(luò)以其泛化能力強(qiáng)、穩(wěn)定性高、容錯性好、快速有效的優(yōu)勢，在數(shù)據(jù)融合中的應(yīng)用日益受到重視。如果將數(shù)據(jù)融合劃分為三級，并針對具體問題將處理功能賦予信息處理單元，可以用三層神經(jīng)網(wǎng)絡(luò)描述融合模型。第一層神經(jīng)元對應(yīng)原始數(shù)據(jù)層融合。第二層完成特征層融合，并根據(jù)前一層提取的特征，做出決策。對于目標(biāo)識別，輸出就是目標(biāo)識別結(jié)論及其置信度；對于跟蹤問題，輸出就是目標(biāo)軌跡及誤差。輸出層對應(yīng)決策融合，決策層的輸入輸出都應(yīng)該為軟決策及對應(yīng)決策的置信度。融合模型的全并行結(jié)構(gòu)對應(yīng)神經(jīng)網(wǎng)絡(luò)的跨層連接。決策信息處理單元組的輸出可以作為原始數(shù)據(jù)層數(shù)據(jù)融合單元組的輸入，對應(yīng)數(shù)據(jù)融合模型的層間反饋。數(shù)據(jù)融合模型的內(nèi)環(huán)路對應(yīng)前向神經(jīng)網(wǎng)絡(luò)中層內(nèi)的自反饋結(jié)構(gòu)。不論在數(shù)據(jù)融合的哪個層次，同層各個信息處理單元組或同一信息處理單元組的各個信息處理單元之間或多或少地存在聯(lián)系。13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、功能特3313.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合人工神經(jīng)網(wǎng)絡(luò)信息融合具有如下性能：(1)神經(jīng)網(wǎng)絡(luò)的信息統(tǒng)一存儲在網(wǎng)絡(luò)的連接權(quán)值和連接結(jié)構(gòu)上，使得多源信息的表示具有統(tǒng)一的形式，便于管理和建立知識庫。(2)神經(jīng)網(wǎng)絡(luò)可增加信息處理的容錯性，當(dāng)某個傳感器出現(xiàn)故障或檢測失效時，神經(jīng)網(wǎng)絡(luò)的容錯功能可以使融合系統(tǒng)正常工作，并輸出可靠的信息。(3)神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自組織功能，能適應(yīng)工作環(huán)境的不斷變化和信息的不確定性對融合系統(tǒng)的要求。(4)神經(jīng)網(wǎng)絡(luò)采用并行結(jié)構(gòu)和并行處理機(jī)制，信息處理速度快，能夠滿足信息融合的實(shí)時處理要求。

13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合人工神經(jīng)網(wǎng)絡(luò)信息融合具3413.3.5基于專家系統(tǒng)數(shù)據(jù)融合專家系統(tǒng)(Expertsystem)是一個具有大量專門知識與經(jīng)驗(yàn)的程序系統(tǒng)，根據(jù)某領(lǐng)域一個或多個專家提供的知識和經(jīng)驗(yàn)，進(jìn)行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復(fù)雜問題。專家系統(tǒng)具有如下特點(diǎn)：(1)啟發(fā)性：專家系統(tǒng)能運(yùn)用專家的知識和經(jīng)驗(yàn)進(jìn)行推理、判斷和決策。(2)透明性：專家系統(tǒng)能夠解釋本身的推理過程和回答用戶提出的問題，用戶能夠了解推理過程，提高對專家系統(tǒng)的信賴感。(3)靈活性：專家系統(tǒng)能不斷地增長知識，修改原有知識，不斷更新，不斷充實(shí)和豐富系統(tǒng)內(nèi)涵，完善系統(tǒng)功能。 13.3.5基于專家系統(tǒng)數(shù)據(jù)融合專家系統(tǒng)(Expert3513.3.5基于專家系統(tǒng)數(shù)據(jù)融合一個典型的專家系統(tǒng)由知識庫、推理器和接口三部分組成，如圖所示。知識庫組織事實(shí)和規(guī)則。推理器籍由知識庫中有效的事實(shí)與規(guī)則，在用戶輸入的基礎(chǔ)上給出結(jié)果。接口是用戶與專家系統(tǒng)間的溝通渠道，是人與系統(tǒng)進(jìn)行信息交流的媒介，為用戶提供了直觀方便的交互作用手段。13.3.5基于專家系統(tǒng)數(shù)據(jù)融合一個典型的專家系統(tǒng)由知識3613.3.5基于專家系統(tǒng)數(shù)據(jù)融合建立專家系統(tǒng)首先要確認(rèn)需解決的問題，根據(jù)需求明確相關(guān)的知識并將其概念化，由這些概念組成一個系統(tǒng)的知識庫。其次是制定涵蓋上述知識的規(guī)則，建立專家系統(tǒng)的過程如圖所示。測試用于檢驗(yàn)專家系統(tǒng)各個環(huán)節(jié)的完整性。在專家系統(tǒng)的建立過程中，需求、概念、組織結(jié)構(gòu)與規(guī)則是不斷完善的，往往需要不斷更新。建立專家系統(tǒng)的關(guān)鍵在于知識的獲取與知識表達(dá)。13.3.5基于專家系統(tǒng)數(shù)據(jù)融合建立專家系統(tǒng)首先要確認(rèn)3713.3.6基于聚類分析數(shù)據(jù)融合對于沒有標(biāo)示類別或沒有明確特征的數(shù)據(jù)樣本集，可以根據(jù)樣本之間的某種相似程度進(jìn)行分類，相似的歸一類，不相似的歸為另一類或另一些類，這種分類方法稱為聚類分析，如圖所示。

聚類分析法試圖根據(jù)傳感數(shù)據(jù)的結(jié)構(gòu)或相似性將數(shù)據(jù)集分為若干個子集。將相似數(shù)據(jù)集中在一起成為一些可識別的組，并從數(shù)據(jù)集中分離出來，眾多的不同特征可用不同的聚類來表征。13.3.6基于聚類分析數(shù)據(jù)融合對于沒有標(biāo)示類別或沒有3813.3.6基于聚類分析數(shù)據(jù)融合進(jìn)行聚類分析時，首先需要確定一種規(guī)則來確定數(shù)據(jù)集的分離原則，尋找各個類之間的相似性是常用的辦法。對于兩個給定的數(shù)據(jù)樣本和，幾種常見的相似性度量如：點(diǎn)積：相似性比：歐幾里德距離：加權(quán)歐幾里德距離：規(guī)范化相關(guān)系數(shù)：13.3.6基于聚類分析數(shù)據(jù)融合進(jìn)行聚類分析時，首先需要3913.3.6基于聚類分析數(shù)據(jù)融合在不規(guī)則粒子的測量中，人們并不關(guān)心粒子的直徑究竟是多少，而是關(guān)心粒子的種類及其統(tǒng)計特性（平均直徑、方差等）。聚類分析適于解決這類問題。對于任意不規(guī)則粒子的情形，可以通過考察粒子在大小分布上的相似程度來進(jìn)行粒子識別。聚類分析算法能夠挖掘數(shù)據(jù)中的新關(guān)系，可以用于目標(biāo)識別和分類。但在聚類過程中加入了啟發(fā)和交互，帶有一定的主觀傾向性。一般說來，相似性度量的定義、聚類算法的選擇、數(shù)據(jù)排列的次序等都可能影響聚類結(jié)果。13.3.6基于聚類分析數(shù)據(jù)融合在不規(guī)則粒子的測量中，人4013.4多傳感器數(shù)據(jù)融合的應(yīng)用13.4.1人體對氣溫的感受13.4.2管道泄漏檢測中的數(shù)據(jù)融合13.4.3醫(yī)學(xué)咨詢與診斷專家系統(tǒng)13.4.4多傳感器數(shù)據(jù)融合技術(shù)的局限性

13.4多傳感器數(shù)據(jù)融合的應(yīng)用13.4.1人體對氣4113.4.1人體對氣溫的感受布爾邏輯溫度表示溫度信息模糊表示濕度信息模糊表示13.4.1人體對氣溫的感受布爾邏輯溫度表示溫度信息模糊4213.4.1人體對氣溫的感受13.4.1人體對氣溫的感受4313.4.2管道泄漏檢測中的數(shù)據(jù)融合當(dāng)管道發(fā)生泄漏時，由于管道內(nèi)外的壓差，泄漏處流體迅速流失，壓力迅速下降，同時激發(fā)瞬態(tài)負(fù)壓波沿管道向兩端傳播。在管道兩端安裝傳感器拾取瞬態(tài)負(fù)壓波信號可以實(shí)現(xiàn)管道的泄漏檢測和定位，如圖所示。其中：a是負(fù)壓波在管道中的傳播速度；△t為兩個檢測點(diǎn)接收負(fù)壓波的時間差；L為所檢測的管道長度13.4.2管道泄漏檢測中的數(shù)據(jù)融合當(dāng)管道發(fā)生泄漏時，由4413.4.2管道泄漏檢測中的數(shù)據(jù)融合式中：表示負(fù)壓波的傳播速度，K為介質(zhì)的體積彈性系數(shù)，ρ表示介質(zhì)密度，E為管材的彈性系數(shù)，D為管道直徑，e為管壁厚度，C1表示與管道工藝參數(shù)有關(guān)的修正系數(shù)。負(fù)壓波在管道中的傳播速度受傳送介質(zhì)的彈性、密度、介質(zhì)溫度及管材等實(shí)際因素的影響，并不是一個常數(shù)，如下公式所示，顯然，溫度變化將影響傳送介質(zhì)的密度，負(fù)壓波在管道中的傳播速度不再是一個常數(shù)，為了準(zhǔn)確地對泄漏點(diǎn)進(jìn)行定位，需要利用溫度信息校正負(fù)壓波的傳播速度。13.4.2管道泄漏檢測中的數(shù)據(jù)融合式中：表示負(fù)壓波的傳4513.4.2管道泄漏檢測中的數(shù)據(jù)融合泄漏點(diǎn)的定位與管道兩端獲取負(fù)壓波信號的時間差有關(guān)，提高泄漏點(diǎn)的定位精度，不僅需要在負(fù)壓波信號中準(zhǔn)確捕捉泄漏發(fā)生的時間，還需要將兩端獲取的負(fù)壓波信號建立在同一個時間基準(zhǔn)上，不僅如此，由于不可避免的現(xiàn)場干擾、輸油泵振動等因素的影響，負(fù)壓波信號被淹沒在噪聲中，準(zhǔn)確捕捉泄漏發(fā)生的時間點(diǎn)并不是一件容易的事，在小泄漏情況下更是如此。13.4.2管道泄漏檢測中的數(shù)據(jù)融合泄漏點(diǎn)的定位與管道兩4613.4.2管道泄漏檢測中的數(shù)據(jù)融合根據(jù)質(zhì)量守恒定律，沒有泄漏時進(jìn)入管道的質(zhì)量流量和流出管道的質(zhì)量流量是相等的。如果進(jìn)入流量大于流出流量，就可以判斷管道沿線存在泄漏。對于裝有流量計的管道，利用瞬時流量的對比有助于區(qū)分管道泄漏與正常工況：管道發(fā)生泄漏時，上游端瞬時流量上升、壓力下降，下游端瞬時流量下降、壓力下降；正常工況下，兩端流量、壓力同時上升或下降。13.4.2管道泄漏檢測中的數(shù)據(jù)融合根據(jù)質(zhì)量守恒定律，4713.4.2管道泄漏檢測中的數(shù)據(jù)融合管道運(yùn)行時，正常的調(diào)泵、調(diào)閥所激發(fā)的聲波信號可能與泄漏激發(fā)的負(fù)壓波信號具有相同特征，造成泄漏檢測的錯誤判斷。在管道的兩端各增加一個傳感器，可利用辨向技術(shù)正確識別泄漏，如圖13.30所示。調(diào)泵、調(diào)閥所激發(fā)的聲波信號先到達(dá)傳感器A，后到達(dá)傳感器B，而泄漏激發(fā)的負(fù)壓波信號則先到達(dá)傳感器B，后到達(dá)傳感器A。兩個傳感信號的相關(guān)處理可以準(zhǔn)確區(qū)分信號來源。13.4.2管道泄漏檢測中的數(shù)據(jù)融合管道運(yùn)行時，正常的調(diào)4813.4.2管道泄漏檢測中的數(shù)據(jù)融合管道泄漏檢測系統(tǒng)的多傳感器數(shù)據(jù)融合結(jié)構(gòu)如圖所示13.4.2管道泄漏檢測中的數(shù)據(jù)融合管道泄漏檢測系統(tǒng)的4913.4.3醫(yī)學(xué)咨詢與診斷專家系統(tǒng)右圖所示是斯坦福(Stanford)大學(xué)建立的細(xì)菌感染疾病診斷和治療計算機(jī)咨詢專家系統(tǒng)（MYCIN系統(tǒng)），由咨詢、解釋和規(guī)則獲取3個子系統(tǒng)組成。系統(tǒng)所有信息都存放在2個數(shù)據(jù)庫中：靜態(tài)數(shù)據(jù)庫存放咨詢過程中用到的所有規(guī)則，它實(shí)際上是專家系統(tǒng)的知識庫；動態(tài)數(shù)據(jù)庫存放關(guān)于病人的信息，以及到目前為止咨詢中系統(tǒng)所詢問的問題。每次咨詢，動態(tài)數(shù)據(jù)都會更新一次。MYCIN系統(tǒng)的決策過程主要依據(jù)醫(yī)生的臨床經(jīng)驗(yàn)和判斷、試圖用產(chǎn)生式規(guī)則的形式體現(xiàn)專家的判斷知識，以模仿專家的推理過程.13.4.3醫(yī)學(xué)咨詢與診斷專家系統(tǒng)右圖所示是斯坦福(St5013.4.3醫(yī)學(xué)咨詢與診斷專家系統(tǒng)中醫(yī)診斷的信息融合過程如圖所示，中醫(yī)診斷的信息融合過程涉及視覺、嗅覺、聽覺、觸覺四種不同的傳感器13.4.3醫(yī)學(xué)咨詢與診斷專家系統(tǒng)中醫(yī)診斷的信息融合過程5113.4.4數(shù)據(jù)融合技術(shù)的局限性多傳感器數(shù)據(jù)融合結(jié)果并不能代替單一高精度傳感器測量結(jié)果。多個傳感器的組合可以增強(qiáng)系統(tǒng)的健壯性，但這些傳感器并不一定能檢測到系統(tǒng)所感興趣的目標(biāo)特征。例如列車運(yùn)行過程中，列車的載重情況、運(yùn)行速度、振動特性等對診斷列車輪系工作狀態(tài)提供了有價值的信息，但這些數(shù)據(jù)卻無法直接給出軸瓦的工作溫度。采用一個溫度傳感器直接測量溫度要簡單易行得多。13.4.4數(shù)據(jù)融合技術(shù)的局限性多傳感器數(shù)據(jù)融合結(jié)果并不5213.4.4數(shù)據(jù)融合技術(shù)的局限性數(shù)據(jù)融合處理不可能修正預(yù)處理或單個傳感器處理時的錯誤。數(shù)據(jù)融合處理不能彌補(bǔ)處理過程中造成的信息損失。當(dāng)信號的特征沒有被正確提取時，數(shù)據(jù)融合得到的結(jié)論肯定是錯誤的，數(shù)據(jù)融合不可能修正這些特征。例如在管道泄漏檢測中，如果負(fù)壓波信號中泄漏發(fā)生的時間特征點(diǎn)沒有準(zhǔn)確獲得，泄漏定位的準(zhǔn)確性就沒有保證，其它的技術(shù)措施如時間對準(zhǔn)、流量平衡等都不可能改變這種結(jié)果。13.4.4數(shù)據(jù)融合技術(shù)的局限性數(shù)據(jù)融合處理不可能修正預(yù)53143.4.4數(shù)據(jù)融合技術(shù)的局限性數(shù)據(jù)融合過程中希望能用一種簡單的方式來描述傳感器性能。傳感器模型的不準(zhǔn)確將導(dǎo)致融合結(jié)果錯誤，這種錯誤在后續(xù)處理中也是無法修復(fù)的。例如利用光吸收機(jī)理測量粉塵時，沒有辦法建立粒子尺寸、構(gòu)成、濃度等與光吸收特性關(guān)系的數(shù)學(xué)模型，而是利用現(xiàn)場標(biāo)定的方法確定光吸收程度與粉塵濃度之間的關(guān)系，這種相對關(guān)系用任何融合技術(shù)都無法改變。用模型來準(zhǔn)確描述傳感器的性能是非常困難的。143.4.4數(shù)據(jù)融合技術(shù)的局限性數(shù)據(jù)融合過程中希望能用5413.4.4數(shù)據(jù)融合技術(shù)的局限性由于數(shù)據(jù)來源不同，一種單一的融合算法可能難以實(shí)現(xiàn)預(yù)想的融合效果，往往需要綜合各門學(xué)科的多種技術(shù)，如信號處理，圖像處理，模式識別，統(tǒng)計估計，自動推理理論和人工智能等。對于給定的數(shù)據(jù)如何選擇合適算法來進(jìn)行有效的信息融合是數(shù)據(jù)融合技術(shù)發(fā)展所面臨的挑戰(zhàn)。13.4.4數(shù)據(jù)融合技術(shù)的局限性由于數(shù)據(jù)來源不同，一種單5513.4.4數(shù)據(jù)融合技術(shù)的局限性并未形成基本的理論框架和有效的廣義融合模型及算法，絕大部分工作都是圍繞特定應(yīng)用領(lǐng)域內(nèi)的具體問題來展開的。也就是說，目前對數(shù)據(jù)融合問題的研究都是根據(jù)問題的種類，各自建立直觀融合準(zhǔn)則，并在此基礎(chǔ)上形成所謂最佳融合方案。充分反映了數(shù)據(jù)融合技術(shù)所固有的面向?qū)ο蟮奶攸c(diǎn)，難以構(gòu)建完整的理論體系。這妨礙了人們對數(shù)據(jù)融合技術(shù)的深入認(rèn)識，使數(shù)據(jù)融合系統(tǒng)的設(shè)計帶有一定的盲目性。13.4.4數(shù)據(jù)融合技術(shù)的局限性并未形成基本的理論框架和5613.4.4數(shù)據(jù)融合技術(shù)的局限性缺乏對數(shù)據(jù)融合技術(shù)和數(shù)據(jù)融合系統(tǒng)性能進(jìn)行評估的手段。如何建立評價機(jī)制，對數(shù)據(jù)融合系統(tǒng)進(jìn)行綜合分析，對數(shù)據(jù)融合算法和系統(tǒng)性能進(jìn)行客觀準(zhǔn)確的評價，是亟待解決的問題。

13.4.4數(shù)據(jù)融合技術(shù)的局限性缺乏對數(shù)據(jù)融合技術(shù)和數(shù)據(jù)5713.4.4數(shù)據(jù)融合技術(shù)的局限性隨著新型傳感器的不斷涌現(xiàn)，以及現(xiàn)代信號處理技術(shù)、計算機(jī)技術(shù)、網(wǎng)絡(luò)通信技術(shù)、人工智能技術(shù)、并行計算的軟、硬件技術(shù)等相關(guān)技術(shù)的飛速發(fā)展，多傳感器數(shù)據(jù)融合必將成為未來現(xiàn)代傳感系統(tǒng)的重要技術(shù)支撐。

13.4.4數(shù)據(jù)融合技術(shù)的局限性隨著新型傳感器的不斷涌現(xiàn)58思考題：1．什么是多傳感器數(shù)據(jù)融合？多傳感器數(shù)據(jù)融合的實(shí)質(zhì)是什么？2．多傳感器數(shù)據(jù)融合與信號處理的區(qū)別是什么？3．比較不同數(shù)據(jù)融合形式的特點(diǎn)、結(jié)構(gòu)和適應(yīng)性，并用實(shí)例說明。4．總結(jié)不同數(shù)據(jù)融合方法的基本思想、組織結(jié)構(gòu)和適用條件。5．閱讀相關(guān)文獻(xiàn)，收集三個本章沒有介紹的多傳感器數(shù)據(jù)融合方法和應(yīng)用案例。6．為什么多傳感器數(shù)據(jù)融合技術(shù)存在局限性？7．試舉一例，說明多傳感器數(shù)據(jù)融合的機(jī)理、過程、算法結(jié)構(gòu)，分析傳感器數(shù)據(jù)融合的效果。思考題：59參考資料（插圖）參考資料（插圖）60多傳感器數(shù)據(jù)融合課件61多傳感器數(shù)據(jù)融合課件62多傳感器數(shù)據(jù)融合課件63多傳感器數(shù)據(jù)融合課件64多傳感器數(shù)據(jù)融合課件65多傳感器數(shù)據(jù)融合課件66多傳感器數(shù)據(jù)融合課件67第13章多傳感器數(shù)據(jù)融合13.1多傳感器數(shù)據(jù)融合概述13.2多傳感器數(shù)據(jù)融合模型13.3多傳感器數(shù)據(jù)融合技術(shù)13.4多傳感器數(shù)據(jù)融合應(yīng)用第13章多傳感器數(shù)據(jù)融合13.1多傳感器數(shù)據(jù)融合概述6813.1多傳感器數(shù)據(jù)融合概述多傳感器數(shù)據(jù)是針對一個系統(tǒng)中使用多個（種）傳感器這一特定問題而提出的信息處理方法，是將來自多傳感器或多源的信息和數(shù)據(jù)進(jìn)行綜合處理，從而對觀測對象形成準(zhǔn)確結(jié)論的過程。數(shù)據(jù)融合的目的是基于各獨(dú)立傳感器的觀測數(shù)據(jù)，通過融合導(dǎo)出更豐富的有效信息，獲得最佳協(xié)同效果，發(fā)揮多個傳感器的聯(lián)合優(yōu)勢，提高傳感器系統(tǒng)的有效性和魯棒性，消除單一傳感器的局限性。

13.1多傳感器數(shù)據(jù)融合概述多傳感器數(shù)據(jù)是針對一個系統(tǒng)6913.1多傳感器數(shù)據(jù)融合概述

從生物學(xué)的角度來看，人類和自然界中其他動物對客觀事物的認(rèn)知過程，就是對多源數(shù)據(jù)的融合過程。人類不是單純依靠一種感官，而是通過視覺、聽覺、觸覺、嗅覺等多種感官獲取客觀對象不同質(zhì)的信息，或通過同類傳感器（如雙耳）獲取同質(zhì)而又不同量的信息，然后通過大腦對這些感知信息依據(jù)某種未知的規(guī)則進(jìn)行組合和處理，從而得到對客觀對象和諧與統(tǒng)一的理解和認(rèn)識。這一處理過程是復(fù)雜的，也是自適應(yīng)的，它將各種信息（圖像、聲音、氣味和觸覺）轉(zhuǎn)換為對環(huán)境的有價值的解釋。自動化數(shù)據(jù)融合系統(tǒng)實(shí)際上就是模仿這種由感知到認(rèn)知的過程。13.1多傳感器數(shù)據(jù)融合概述從生物學(xué)的角度來看，人類和7013.1多傳感器數(shù)據(jù)融合概述應(yīng)用簡例

多傳感器系統(tǒng)可以用于地球環(huán)境監(jiān)測。主要應(yīng)用于對地面的監(jiān)視、以便識別和監(jiān)視地貌、氣象模式、礦產(chǎn)資源，植物生長、環(huán)境條件和威脅情況(如原油泄漏、輻射泄漏等)如右圖所示

圖源：D.L.HallandJ.Llinas,‘‘Anintroductiontomultisensordatafusion’’

13.1多傳感器數(shù)據(jù)融合概述應(yīng)用簡例圖源：D.L.Ha7113.1多傳感器數(shù)據(jù)融合概述

數(shù)據(jù)融合過程主要由數(shù)據(jù)校準(zhǔn)、相關(guān)、識別、估計等部分組成。其中校準(zhǔn)與相關(guān)是識別和估計的基礎(chǔ)，數(shù)據(jù)融合在識別和估計中進(jìn)行。

校準(zhǔn)、相關(guān)、識別和估計貫穿于整個多傳感器數(shù)據(jù)融合過程，既是融合系統(tǒng)的基本功能，也是制約融合性能的關(guān)鍵環(huán)節(jié)。

13.1多傳感器數(shù)據(jù)融合概述數(shù)據(jù)融合過程主要由數(shù)據(jù)校準(zhǔn)7213.1.1多傳感器數(shù)據(jù)融合過程數(shù)據(jù)檢測數(shù)據(jù)校準(zhǔn)數(shù)據(jù)相關(guān)參數(shù)估計目標(biāo)識別行為估計13.1.1多傳感器數(shù)據(jù)融合過程數(shù)據(jù)檢測7313.1.2多傳感器數(shù)據(jù)融合形式數(shù)據(jù)級融合特征級融合決策級融合13.1.2多傳感器數(shù)據(jù)融合形式數(shù)據(jù)級融合特征級融合決策7413.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)串聯(lián)型融合13.2多傳感器數(shù)據(jù)融合融合模型13.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)串聯(lián)型融合13.2多傳75混聯(lián)型融合并聯(lián)型融合混聯(lián)型融合并聯(lián)型融合7613.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)從數(shù)據(jù)融合的控制關(guān)系來看，反饋型多傳感器數(shù)據(jù)融合過程中，傳感器或數(shù)據(jù)融合中心的處理方式及判斷規(guī)則受數(shù)據(jù)融合中心最終結(jié)論或中間結(jié)論的影響。數(shù)據(jù)處理依賴于一個反饋控制過程，這種反饋可以是正反饋，也可以是負(fù)反饋。反饋控制可分為融合結(jié)論對傳感器的控制、對數(shù)據(jù)融合中心的控制，以及中間結(jié)論對傳感器的控制三種。對傳感器的控制多體現(xiàn)在對傳感器策略、精度的控制、對傳感器跟蹤目標(biāo)的跟蹤控制等。對融合中心的控制包括對融合中心判斷規(guī)則的控制、對融合中心數(shù)據(jù)融合方式的控制、對融合中心某一參數(shù)的控制等。13.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)從數(shù)據(jù)融合的控制關(guān)系來看7713.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)結(jié)論對傳感器的反饋控制結(jié)論對融合中心的反饋控制中間結(jié)論對傳感器的反饋控制13.2.1多傳感器數(shù)據(jù)融合結(jié)構(gòu)結(jié)論對傳感器的反饋控制7813.2.2多傳感器數(shù)據(jù)融合模型多傳感器數(shù)據(jù)融合系統(tǒng)的模型設(shè)計是多傳感器數(shù)據(jù)融合的關(guān)鍵問題，取決于實(shí)際需求、環(huán)境條件、計算機(jī)、通信容量及可靠性要求等，模型設(shè)計直接影響融合算法的結(jié)構(gòu)、性能和融合系統(tǒng)的規(guī)模。

多傳感器數(shù)據(jù)融合模型實(shí)際上是一種數(shù)據(jù)融合的組織策略，根據(jù)任務(wù)、要求和設(shè)計者認(rèn)識不同，模型設(shè)計千差萬別。目前流行的有多種數(shù)據(jù)融合模型，其中JDL數(shù)據(jù)融合模型最具通用性。

13.2.2多傳感器數(shù)據(jù)融合模型多傳感器數(shù)據(jù)融合系統(tǒng)的模7913.2.2多傳感器數(shù)據(jù)融合模型JDL模型

JDL數(shù)據(jù)融合模型如右圖所示，數(shù)據(jù)融合過程包括五級處理和數(shù)據(jù)庫、人機(jī)接口支持等。五級處理并不意味著處理過程的時間順序，實(shí)際上，處理過程通常是并行的。13.2.2多傳感器數(shù)據(jù)融合模型JDL模型8013.2.2多傳感器數(shù)據(jù)融合模型Boyd控制環(huán)Boyd控制環(huán)包括四個處理環(huán)節(jié)：(1)觀測環(huán)節(jié)獲取目標(biāo)信息，與JDL模型的數(shù)據(jù)預(yù)處理功能相當(dāng)。(2)定向環(huán)節(jié)確定對象的基本特征，與JDL模型的目標(biāo)評估、態(tài)勢評估和威脅評估功能相當(dāng)。(3)決策環(huán)節(jié)確定最佳評估，制定反饋控制策略，與JDL模型過程優(yōu)化與評估功能相當(dāng)。(4)執(zhí)行環(huán)節(jié)利用反饋控制調(diào)整傳感系統(tǒng)狀態(tài)，獲取額外數(shù)據(jù)等。JDL模型沒有這一環(huán)節(jié)。13.2.2多傳感器數(shù)據(jù)融合模型Boyd控制環(huán)8113.2.2多傳感器數(shù)據(jù)融合模型Waterfall模型Waterfall模型的數(shù)據(jù)融合過程包括三個層次。(1)基于傳感模型和物理測量模型對原始數(shù)據(jù)進(jìn)行預(yù)處理(2)進(jìn)行特征提取和特征融合以獲取信息的抽象表達(dá)，減少數(shù)據(jù)量，提高信息傳遞效率，第二層次的輸出是關(guān)于對象特征的估計及其置信度。(3)利用現(xiàn)有知識對對象特征進(jìn)行評價，形成關(guān)于對象、事件或行為的認(rèn)識。傳感器系統(tǒng)利用第三層次形成的反饋信息不斷調(diào)整自身狀態(tài)和數(shù)據(jù)準(zhǔn)備策略，進(jìn)行重新設(shè)置和標(biāo)定等，提高傳感信息的利用率。。13.2.2多傳感器數(shù)據(jù)融合模型Waterfall模型8213.2.2多傳感器數(shù)據(jù)融合模型Dasarathy模型

Dasarathy模型充分注意到傳感器數(shù)據(jù)融合中數(shù)據(jù)融合、特征融合和決策融合三者往往交替應(yīng)用或聯(lián)合使用的事實(shí)，根據(jù)所處理信息的類型對數(shù)據(jù)融合功能進(jìn)行了歸納，明確了五種可能的融合形式，如表所示。13.2.2多傳感器數(shù)據(jù)融合模型Dasarathy模型8313.2.2多傳感器數(shù)據(jù)融合模型OMNIBUS模型

是Boyd控制環(huán)、Dasarathy模型和Waterfall模型的混合，既體現(xiàn)了數(shù)據(jù)融合過程的循環(huán)本質(zhì)，用融合結(jié)論調(diào)整傳感器系統(tǒng)的狀態(tài)，提高信息融合的有效性，又細(xì)化了數(shù)據(jù)融合過程中各個環(huán)節(jié)的任務(wù)，改善了數(shù)據(jù)融合實(shí)現(xiàn)的可組合性。13.2.2多傳感器數(shù)據(jù)融合模型OMNIBUS模型8413.2.2多傳感器數(shù)據(jù)融合模型多傳感器集成融合模型 根據(jù)傳感器所提供信息的等級參加不同融合中心的數(shù)據(jù)融合，低等級的傳感器輸出原始數(shù)據(jù)或信號，高等級的傳感器輸出特征或抽象符號信息，融合結(jié)論在最高等級的融合中心產(chǎn)生，輔助信息系統(tǒng)為各融合中心提供資源，包括各種數(shù)據(jù)庫、知識表達(dá)、特征解析、決策邏輯等。13.2.2多傳感器數(shù)據(jù)融合模型多傳感器集成融合模型8513.3多傳感器數(shù)據(jù)融合技術(shù)13.3.1多傳感器數(shù)據(jù)融合算法的基本類型13.3.2Kalman濾波13.3.3基于Bayes理論的數(shù)據(jù)融合13.3.4基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合13.3.5基于專家系統(tǒng)的數(shù)據(jù)融合13.3.6基于聚類分析的數(shù)據(jù)融合13.3多傳感器數(shù)據(jù)融合技術(shù)13.3.1多傳感器數(shù)據(jù)8613.3.1多傳感器數(shù)據(jù)融合算法基本類型物理模型

參數(shù)分類技術(shù)

基于認(rèn)知的方法

13.3.1多傳感器數(shù)據(jù)融合算法基本類型物理模型8713.3.1多傳感器數(shù)據(jù)融合算法基本類型物理模型 根據(jù)物理模型模擬出可觀測或可計算的數(shù)據(jù)，并把觀測數(shù)據(jù)與預(yù)先存儲的對象特征進(jìn)行比較，或?qū)⒂^測數(shù)據(jù)特征與物理模型所得到的模擬特征進(jìn)行比較。比較過程涉及到計算預(yù)測數(shù)據(jù)和實(shí)測數(shù)據(jù)的相關(guān)關(guān)系。如果相關(guān)系數(shù)超過一個預(yù)先設(shè)定的值。則認(rèn)為兩者存在匹配關(guān)系(身份相同)。這類方法中，Kalman濾波技術(shù)最為常用。13.3.1多傳感器數(shù)據(jù)融合算法基本類型物理模型8813.3.1多傳感器數(shù)據(jù)融合算法基本類型參數(shù)分類技術(shù)

參數(shù)分類技術(shù)依據(jù)參數(shù)數(shù)據(jù)獲得屬性說明，在參數(shù)數(shù)據(jù)(如特征)和一個屬性說明之間建立一種直接的映像。參數(shù)分類分為有參技術(shù)和無參技術(shù)兩類，有參技術(shù)需要身份數(shù)據(jù)的先驗(yàn)知識，如分布函數(shù)和高階矩等；無參技術(shù)則不需要先驗(yàn)知識。 常用的參數(shù)分類方法包括Bayesian估計，D－S推理，人工神經(jīng)網(wǎng)絡(luò)，模式識別，聚類分析，信息熵法等。13.3.1多傳感器數(shù)據(jù)融合算法基本類型參數(shù)分類技術(shù) 8913.3.1多傳感器數(shù)據(jù)融合算法基本類型基于認(rèn)知的方法

基于認(rèn)知的方法主要是模仿人類對屬性判別的推理過程，可以在原始傳感器數(shù)據(jù)或數(shù)據(jù)特征基礎(chǔ)上進(jìn)行。 基于認(rèn)知的方法在很大程度上依賴于一個先驗(yàn)知識庫。有效的知識庫利用知識工程技術(shù)建立，這里雖然未明確要求使用物理模型，但認(rèn)知建立在對待識別對象組成和結(jié)構(gòu)有深入了解的基礎(chǔ)上，因此，基于認(rèn)知的方法采用啟發(fā)式的形式代替了數(shù)學(xué)模型。當(dāng)目標(biāo)物體能依據(jù)其組成及相互關(guān)系來識別時，這種方法尤其有效。13.3.1多傳感器數(shù)據(jù)融合算法基本類型基于認(rèn)知的方法9013.3.2Kalman濾波Kalman濾波

Kalman濾波實(shí)時融合動態(tài)的低層次傳感器冗余數(shù)據(jù)，只需當(dāng)前的一個測量值和前一個采樣周期的預(yù)測值就能進(jìn)行遞推估計。如果系統(tǒng)具有線性動力學(xué)模型，且系統(tǒng)噪聲和傳感器噪聲可用白噪聲模型來表示，Kalman濾波為融合數(shù)據(jù)提供了統(tǒng)計意義下的最優(yōu)估計。

13.3.2Kalman濾波Kalman濾波9113.3.2Kalman濾波離散序列的一階遞推估計模型如圖所示13.3.2Kalman濾波離散序列的一階遞推估計模型9213.3.2Kalman濾波Kalman濾波

13.3.2Kalman濾波Kalman濾波9313.3.2Kalman濾波Kalman濾波

Kalman濾波可以實(shí)現(xiàn)不同層次的數(shù)據(jù)融合。集中融合結(jié)構(gòu)在系統(tǒng)融合中心采用Kalman濾波技術(shù)，可以得到系統(tǒng)的全局狀態(tài)估計信息。傳感器數(shù)據(jù)自低層向融合中心單方向流動，各傳感器之間缺乏必要的聯(lián)系。分散融合結(jié)構(gòu)在對每個節(jié)點(diǎn)進(jìn)行局部估計的基礎(chǔ)上，接受其它節(jié)點(diǎn)傳遞來的信息進(jìn)行同化處理，形成全局估計。分散融合結(jié)構(gòu)網(wǎng)絡(luò)中，任何一個節(jié)點(diǎn)都可以獨(dú)立做出全局估計，某一節(jié)點(diǎn)的失效不會顯著地影響系統(tǒng)正常工作，其它節(jié)點(diǎn)仍可以對全局做出估計，有效地提高了系統(tǒng)的魯棒性和容錯性。13.3.2Kalman濾波Kalman濾波9413.3.3基于Bayes理論數(shù)據(jù)融合利用Bayes方法進(jìn)行數(shù)據(jù)融合的過程如圖所示：(1)將每個傳感器關(guān)于對象的觀測轉(zhuǎn)化為對象屬性的說明:(2)計算每個傳感器關(guān)于對象屬性說明的不確定性:(3)計算對象屬性的融合概率：13.3.3基于Bayes理論數(shù)據(jù)融合利用Bayes方法9513.3.3基于Bayes理論數(shù)據(jù)融合如果相互獨(dú)立則：(4)應(yīng)用判定邏輯進(jìn)行決策。若選取的極大值作為輸出，這就是所謂的極大后驗(yàn)概率（MAP）判定準(zhǔn)則：運(yùn)用Bayes方法中的條件概率進(jìn)行推理，能夠在出現(xiàn)某一證據(jù)時給出假設(shè)事件在此證據(jù)發(fā)生的條件概率，能夠嵌入一些先驗(yàn)知識，實(shí)現(xiàn)不確定性的逐級傳遞。但它要求各證據(jù)之間都是相互獨(dú)立的，當(dāng)存在多個可能假設(shè)和多條件相關(guān)事件時，計算復(fù)雜性增加。另外，Bayes方法要求有統(tǒng)一的識別框架，不能在不同層次上組合證據(jù)。13.3.3基于Bayes理論數(shù)據(jù)融合如果9613.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合人工神經(jīng)網(wǎng)絡(luò)源于大腦的生物結(jié)構(gòu)，神經(jīng)元是大腦的一個信息處理單元，包括細(xì)胞體、樹突和軸突，如圖所示。

13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合人工神經(jīng)網(wǎng)絡(luò)源于大腦的生9713.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò) 神經(jīng)元利用樹突整合突觸所接收到的外界信息，經(jīng)軸突將神經(jīng)沖動由細(xì)胞體傳至其他神經(jīng)元或效應(yīng)細(xì)胞。神經(jīng)網(wǎng)絡(luò)使用大量的處理單元(即神經(jīng)元)處理信息，神經(jīng)元按層次結(jié)構(gòu)的形式組織，每層上的神經(jīng)元以加權(quán)的方式與其它層上的神經(jīng)元連接，采用并行結(jié)構(gòu)和并行處理機(jī)制，具有很強(qiáng)的容錯性以及自學(xué)習(xí)、自組織及自適應(yīng)能力，能夠模擬復(fù)雜的非線性映射。13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)9813.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合常用的人工神經(jīng)元模型（PE模型）典型的多級前饋感知模型

13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合常用的人工神經(jīng)元模型（P9913.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、功能特點(diǎn)和強(qiáng)大的非線性處理能力，恰好滿足了多源信息融合技術(shù)處理的要求，人工神經(jīng)網(wǎng)絡(luò)以其泛化能力強(qiáng)、穩(wěn)定性高、容錯性好、快速有效的優(yōu)勢，在數(shù)據(jù)融合中的應(yīng)用日益受到重視。如果將數(shù)據(jù)融合劃分為三級，并針對具體問題將處理功能賦予信息處理單元，可以用三層神經(jīng)網(wǎng)絡(luò)描述融合模型。第一層神經(jīng)元對應(yīng)原始數(shù)據(jù)層融合。第二層完成特征層融合，并根據(jù)前一層提取的特征，做出決策。對于目標(biāo)識別，輸出就是目標(biāo)識別結(jié)論及其置信度；對于跟蹤問題，輸出就是目標(biāo)軌跡及誤差。輸出層對應(yīng)決策融合，決策層的輸入輸出都應(yīng)該為軟決策及對應(yīng)決策的置信度。融合模型的全并行結(jié)構(gòu)對應(yīng)神經(jīng)網(wǎng)絡(luò)的跨層連接。決策信息處理單元組的輸出可以作為原始數(shù)據(jù)層數(shù)據(jù)融合單元組的輸入，對應(yīng)數(shù)據(jù)融合模型的層間反饋。數(shù)據(jù)融合模型的內(nèi)環(huán)路對應(yīng)前向神經(jīng)網(wǎng)絡(luò)中層內(nèi)的自反饋結(jié)構(gòu)。不論在數(shù)據(jù)融合的哪個層次，同層各個信息處理單元組或同一信息處理單元組的各個信息處理單元之間或多或少地存在聯(lián)系。13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、功能特10013.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合人工神經(jīng)網(wǎng)絡(luò)信息融合具有如下性能：(1)神經(jīng)網(wǎng)絡(luò)的信息統(tǒng)一存儲在網(wǎng)絡(luò)的連接權(quán)值和連接結(jié)構(gòu)上，使得多源信息的表示具有統(tǒng)一的形式，便于管理和建立知識庫。(2)神經(jīng)網(wǎng)絡(luò)可增加信息處理的容錯性，當(dāng)某個傳感器出現(xiàn)故障或檢測失效時，神經(jīng)網(wǎng)絡(luò)的容錯功能可以使融合系統(tǒng)正常工作，并輸出可靠的信息。(3)神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自組織功能，能適應(yīng)工作環(huán)境的不斷變化和信息的不確定性對融合系統(tǒng)的要求。(4)神經(jīng)網(wǎng)絡(luò)采用并行結(jié)構(gòu)和并行處理機(jī)制，信息處理速度快，能夠滿足信息融合的實(shí)時處理要求。

13.3.4基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合人工神經(jīng)網(wǎng)絡(luò)信息融合具10113.3.5基于專家系統(tǒng)數(shù)據(jù)融合專家系統(tǒng)(Expertsystem)是一個具有大量專門知識與經(jīng)驗(yàn)的程序系統(tǒng)，根據(jù)某領(lǐng)域一個或多個專家提供的知識和經(jīng)驗(yàn)，進(jìn)行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復(fù)雜問題。專家系統(tǒng)具有如下特點(diǎn)：(1)啟發(fā)性：專家系統(tǒng)能運(yùn)用專家的知識和經(jīng)驗(yàn)進(jìn)行推理、判斷和決策。(2)透明性：專家系統(tǒng)能夠解釋本身的推理過程和回答用戶提出的問題，用戶能夠了解推理過程，提高對專家系統(tǒng)的信賴感。(3)靈活性：專家系統(tǒng)能不斷地增長知識，修改原有知識，不斷更新，不斷充實(shí)和豐富系統(tǒng)內(nèi)涵，完善系統(tǒng)功能。 13.3.5基于專家系統(tǒng)數(shù)據(jù)融合專家系統(tǒng)(Expert10213.3.5基于專家系統(tǒng)數(shù)據(jù)融合一個典型的專家系統(tǒng)由知識庫、推理器和接口三部分組成，如圖所示。知識庫組織事實(shí)和規(guī)則。推理器籍由知識庫中有效的事實(shí)與規(guī)則，在用戶輸入的基礎(chǔ)上給出結(jié)果。接口是用戶與專家系統(tǒng)間的溝通渠道，是人與系統(tǒng)進(jìn)行信息交流的媒介，為用戶提供了直觀方便的交互作用手段。13.3.5基于專家系統(tǒng)數(shù)據(jù)融合一個典型的專家系統(tǒng)由知識10313.3.5基于專家系統(tǒng)數(shù)據(jù)融合建立專家系統(tǒng)首先要確認(rèn)需解決的問題，根據(jù)需求明確相關(guān)的知識并將其概念化，由這些概念組成一個系統(tǒng)的知識庫。其次是制定涵蓋上述知識的規(guī)則，建立專家系統(tǒng)的過程如圖所示。測試用于檢驗(yàn)專家系統(tǒng)各個環(huán)節(jié)的完整性。在專家系統(tǒng)的建立過程中，需求、概念、組織結(jié)構(gòu)與規(guī)則是不斷完善的，往往需要不斷更新。建立專家系統(tǒng)的關(guān)鍵在于知識的獲取與知識表達(dá)。13.3.5基于專家系統(tǒng)數(shù)據(jù)融合建立專家系統(tǒng)首先要確認(rèn)10413.3.6基于聚類分析數(shù)據(jù)融合對于沒有標(biāo)示類別或沒有明確特征的數(shù)據(jù)樣本集，可以根據(jù)樣本之間的某種相似程度進(jìn)行分類，相似的歸一類，不相似的歸為另一類或另一些類，這種分類方法稱為聚類分析，如圖所示。

聚類分析法試圖根據(jù)傳感數(shù)據(jù)的結(jié)構(gòu)或相似性將數(shù)據(jù)集分為若干個子集。將相似數(shù)據(jù)集中在一起成為一些可識別的組，并從數(shù)據(jù)集中分離出來，眾多的不同特征可用不同的聚類來表征。13.3.6基于聚類分析數(shù)據(jù)融合對于沒有標(biāo)示類別或沒有10513.3.6基于聚類分析數(shù)據(jù)融合進(jìn)行聚類分析時，首先需要確定一種規(guī)則來確定數(shù)據(jù)集的分離原則，尋找各個類之間的相似性是常用的辦法。對于兩個給定的數(shù)據(jù)樣本和，幾種常見的相似性度量如：點(diǎn)積：相似性比：歐幾里德距離：加權(quán)歐幾里德距離：規(guī)范化相關(guān)系數(shù)：13.3.6基于聚類分析數(shù)據(jù)融合進(jìn)行聚類分析時，首先需要10613.3.6基于聚類分析數(shù)據(jù)融合在不規(guī)則粒子的測量中，人們并不關(guān)心粒子的直徑究竟是多少，而是關(guān)心粒子的種類及其統(tǒng)計特性（平均直徑、方差等）。聚類分析適于解決這類問題。對于任意不規(guī)則粒子的情形，可以通過考察粒子在大小分布上的相似程度來進(jìn)行粒子識別。聚類分析算法能夠挖掘數(shù)據(jù)中的新關(guān)系，可以用于目標(biāo)識別和分類。但在聚類過程中加入了啟發(fā)和交互，帶有一定的主觀傾向性。一般說來，相似性度量的定義、聚類算法的選擇、數(shù)據(jù)排列的次序等都可能影響聚類結(jié)果。13.3.6基于聚類分析數(shù)據(jù)融合在不規(guī)則粒子的測量中，人10713.4多傳感器數(shù)據(jù)融合的應(yīng)用13.4.1人體對氣溫的感受13.4.2管道泄漏檢測中的數(shù)據(jù)融合13.4.3醫(yī)學(xué)咨詢與診斷專家系統(tǒng)13.4.4多傳感器數(shù)據(jù)融合技術(shù)的局限性

13.4多傳感器數(shù)據(jù)融合的應(yīng)用13.4.1人體對氣10813.4.1人體對氣溫的感受布爾邏輯溫度表示溫度信息模糊表示濕度信息模糊表示13.4.1人體對氣溫的感受布爾邏輯溫度表示溫度信息模糊10913.4.1人體對氣溫的感受13.4.1人體對氣溫的感受11013.4.2管道泄漏檢測中的數(shù)據(jù)融合當(dāng)管道發(fā)生泄漏時，由于管道內(nèi)外的壓差，泄漏處流體迅速流失，壓力迅速下降，同時激發(fā)瞬態(tài)負(fù)壓波沿管道向兩端傳播。在管道兩端安裝傳感器拾取瞬態(tài)負(fù)壓波信號可以實(shí)現(xiàn)管道的泄漏檢測和定位，如圖所示。其中：a是負(fù)壓波在管道中的傳播速度；△t為兩個檢測點(diǎn)接收負(fù)壓波的時間差；L為所檢測的管道長度13.4.2管道泄漏檢測中的數(shù)據(jù)融合當(dāng)管道發(fā)生泄漏時，由11113.4.2管道泄漏檢測中的數(shù)據(jù)融合式中：表示負(fù)壓波的傳播速度，K為介質(zhì)的體積彈性系數(shù)，ρ表示介質(zhì)密度，E為管材的彈性系數(shù)，D為管道直徑，e為管壁厚度，C1表示與管道工藝參數(shù)有關(guān)的修正系數(shù)。負(fù)壓波在管道中的傳播速度受傳送介質(zhì)的彈性、密度、介質(zhì)溫度及管材等實(shí)際因素的影響，并不是一個常數(shù)，如下公式所示，顯然，溫度變化將影響傳送介質(zhì)的密度，負(fù)壓波在管道中的傳播速度不再是一個常數(shù)，為了準(zhǔn)確地對泄漏點(diǎn)進(jìn)行定位，需要利用溫度信息校正負(fù)壓波的傳播速度。13.4.2管道泄漏檢測中的數(shù)據(jù)融合式中：表示負(fù)壓波的傳11213.4.2管道泄漏檢測中的數(shù)據(jù)融合泄漏點(diǎn)的定位與管道兩端獲取負(fù)壓波信號的時間差有關(guān)，提高泄漏點(diǎn)的定位精度，不僅需要在負(fù)壓波信號中準(zhǔn)確捕捉泄漏發(fā)生的時間，還需要將兩端獲取的負(fù)壓波信號建立在同一個時間基準(zhǔn)上，不僅如此，由于不可避免的現(xiàn)場干擾、輸油泵振動等因素的影響，負(fù)壓波信號被淹沒在噪聲中，準(zhǔn)確捕捉泄漏發(fā)生的時間點(diǎn)并不是一件容易的事，在小泄漏情況下更是如此。13.4.2管道泄漏檢測中的數(shù)據(jù)融合泄漏點(diǎn)的定位與管道兩11313.4.2管道泄漏檢測中的數(shù)據(jù)融合根據(jù)質(zhì)量守恒定律，沒有泄漏時進(jìn)入管道的質(zhì)量流量和流出管道的質(zhì)量流量是相等的。如果進(jìn)入流量大于流出流量，就可以判斷管道沿線存在泄漏。對于裝有流量計的管道，利用瞬時流量的對比有助于區(qū)分管道泄漏與正常工況：管道發(fā)生泄漏時，上游端瞬時流量上升、壓力下降，下游端瞬時流量下降、壓力下降；正常工況下，兩端流量、壓力同時上升或下降。13.4.2管道泄漏檢測中的數(shù)據(jù)融合根據(jù)質(zhì)量守恒定律，11413.4.2管道泄漏檢測中的數(shù)據(jù)融合管道運(yùn)行時，正常的調(diào)泵、調(diào)閥所激發(fā)的聲波信號可能與泄漏激發(fā)的負(fù)壓波信號具有相同特征，造成泄漏檢測的錯誤判斷。在管道的兩端各增加一個傳感器，可利用辨向技術(shù)正確識別泄漏，如圖13.30所示。調(diào)泵、調(diào)閥所激發(fā)的聲波信號先到達(dá)傳感器A，后到達(dá)傳感器B，而泄漏激發(fā)的負(fù)壓波信號則先到達(dá)傳感器B，后到達(dá)傳感器A。兩個傳感信號的相關(guān)處理