多传感器数据融合

第13章 多传感器数据融合
13.1 多传感器数据融合概述 13.2 多传感器数据融合模型 13.3 多传感器数据融合技术 13.4 多传感器数据融合应用
2020/3/1
13.1 多传感器数据融合概述
• 多传感器数据是针对一个系统中使用多个（种）传
感器这一特定问题而提出的信息处理方法，是将来自 多传感器或多源的信息和数据进行综合处理，从而对 观测对象形成准确结论的过程。
• 人类不是单纯依靠一种感官，而是通过视觉、听觉、触觉 、嗅觉等多种感官获取客观对象不同质的信息，或通过同 类传感器（如双耳）获取同质而又不同量的信息，然后通 过大脑对这些感知信息依据某种未知的规则进行组合和处 理，从而得到对客观对象和谐与统一的理解和认识。
• 这一处理过程是复杂的，也是自适应的，它将各种信息（ 图像、声音、气味和触觉）转换为对环境的有价值的解释 。自动化数据融合系统实际上就是模仿这种由感知到认知 的过程。
• (3)计算对象属性的融合概 率： P (O iD 1 ,D 2 ,....,D m )n P (D 1 ,D 2 ,....,D m O i)P (O i) i 1 ,2 ,...,n ;j 1 ,2 ,...,m
P (D 1 ,D 2 ,....,D m O i)P (O i)
i 1 2020/3/1
2020/3/1
13.3.4 基于神经网络数据融合
• 人工神经网络源 于大脑的生物结 构，神经元是大 脑的一个信息处 理单元，包括细 胞体、树突和轴 突，如图所示。
2020/3/1
13.3.4 基于神经网络数据融合
2020/3/1
13.1 多传感器数据融合概述
应用简例 多传感器系统可以用 于地球环境监测。主 要应用于对地面的监 视、以便识别和监视 地貌、气象模式、矿 产资源，植物生长、 环境条件和威胁情况 (如原油泄漏、辐射 泄漏等) 如右图所示
图源：D.L. Hall and J. Llinas, ‘‘An introduction to multisensor
13.3.3 基于Bayes理论数据融合
•Fra Baidu bibliotek如果 D1,D2,...相.,D 互m独立则：
P ( D 1 , D 2 , . . . . , D m O i ) P ( D 1 O i ) P ( D 2 O i ) . . . P ( D m O i )
• (4)应用判定逻辑进行决策。若选取 P(Oi D1,D2的,....,极Dm)大值作为输 出，这就是所谓的极大后验概率（MAP）判定准则：
这类方法中，Kalman滤波技术最为常用。
2020/3/1
13.3.1 多传感器数据融合算法基本类型
➢参数分类技术
参数分类技术依据参数数据获得属性说明， 在参数数据(如特征)和一个属性说明之间建立一 种直接的映像。参数分类分为有参技术和无参 技术两类，有参技术需要身份数据的先验知识 ，如分布函数和高阶矩等；无参技术则不需要 先验知识。
data fusion’’
2020/3/1
13.1 多传感器数据融合概述
• 数据融合过程主要由数据校准、相关、识别、估计
等部分组成。其中校准与相关是识别和估计的基础 ，数据融合在识别和估计中进行。
• 校准、相关、识别和估计贯穿于整个多传感器数
据融合过程，既是融合系统的基本功能，也是制约 融合性能的关键环节。
2020/3/1
13.3.2 Kalman滤波
• 离散序列的一阶递推估计模型如图所示
s ( k ) a s ( k 1 )( k 1 )
2020/3/1
13.3.2 Kalman滤波
• Kalman滤波
a
2020/3/1
13.3.2 Kalman滤波
➢ Kalman滤波
Kalman滤波可以实现不同层次的数据融合。集中融 合结构在系统融合中心采用Kalman滤波技术，可以得 到系统的全局状态估计信息。传感器数据自低层向融合 中心单方向流动，各传感器之间缺乏必要的联系。分散 融合结构在对每个节点进行局部估计的基础上，接受其 它节点传递来的信息进行同化处理，形成全局估计。分 散融合结构网络中，任何一个节点都可以独立做出全局 估计，某一节点的失效不会显著地影响系统正常工作， 其它节点仍可以对全局做出估计，有效地提高了系统的 鲁棒性和容错性。
2020/3/1
13.2.2 多传感器数据融合模型
• 多传感器集成融合模型
根据传感器所提供信息的 等级参加不同融合中心的 数据融合，低等级的传感 器输出原始数据或信号， 高等级的传感器输出特征 或抽象符号信息，融合结 论在最高等级的融合中心 产生，辅助信息系统为各 融合中心提供资源，包括 各种数据库、知识表达、 特征解析、决策逻辑等。
• 对传感器的控制多体现在对传感器策略、精度的控制、对传 感器跟踪目标的跟踪控制等。对融合中心的控制包括对融合 中心判断规则的控制、对融合中心数据融合方式的控制、对 融合中心某一参数的控制等。
2020/3/1
13.2.1 多传感器数据融合结构
• 结论对传感器 的反馈控制
• 结论对融合中 心的反馈控制
2020/3/1
13.3 多传感器数据融合技术
13.3.1 多传感器数据融合算法的基本类型 13.3.2 Kalman滤波 13.3.3 基于Bayes理论的数据融合 13.3.4 基于神经网络的数据融合 13.3.5 基于专家系统的数据融合 13.3.6 基于聚类分析的数据融合
2020/3/1
13.3.1 多传感器数据融合算法基本类型
• 中间结论对传感 器的反馈控制
2020/3/1
13.2.2 多传感器数据融合模型
• 多传感器数据融合系统的模型设计是多传感器数据 融合的关键问题，取决于实际需求、环境条件、计 算机、通信容量及可靠性要求等，模型设计直接影 响融合算法的结构、性能和融合系统的规模。
• 多传感器数据融合模型实际上是一种数据融合的组 织策略，根据任务、要求和设计者认识不同，模型 设计千差万别。目前流行的有多种数据融合模型， 其中JDL数据融合模型最具通用性。
2020/3/1
13.2.2 多传感器数据融合模型
• Waterfall模型 Waterfall 模型 的数据融合过程包括三个层次。
• (1)基于传感模型和物理测量模 型对原始数据进行预处理
• (2)进行特征提取和特征融合以 获取信息的抽象表达，减少数据 量，提高信息传递效率，第二层 次的输出是关于对象特征的估计 及其置信度。
• 物理模型 • 参数分类技术 • 基于认知的方法
2020/3/1
13.3.1 多传感器数据融合算法基本类型
➢物理模型
根据物理模型模拟出可观测或可计算的数据 ，并把观测数据与预先存储的对象特征进行比 较，或将观测数据特征与物理模型所得到的模 拟特征进行比较。比较过程涉及到计算预测数 据和实测数据的相关关系。如果相关系数超过 一个预先设定的值。则认为两者存在匹配关系( 身份相同)。
2020/3/1
13.3.2 Kalman滤波
• Kalman滤波
Kalman滤波实时融合动态的低层次传感器冗 余数据，只需当前的一个测量值和前一个采样 周期的预测值就能进行递推估计。如果系统具 有线性动力学模型，且系统噪声和传感器噪声 可用白噪声模型来表示，Kalman滤波为融合数 据提供了统计意义下的最优估计。
2020/3/1
13.2.2 多传感器数据融合模型
• JDL模型
JDL数据融合模型 如右图所示，数 据融合过程包括 五级处理和数据 库、人机接口支 持等。五级处理 并不意味着处理 过程的时间顺序 ，实际上，处理 过程通常是并行
的。
2020/3/1
13.2.2 多传感器数据融合模型
• Boyd控制环 • Boyd控制环包括四个处理环节： • (1) 观 测 环 节 获 取 目 标 信 息 ， 与
• 数据融合的目的是基于各独立传感器的观测数据，
通过融合导出更丰富的有效信息，获得最佳协同效果 ，发挥多个传感器的联合优势，提高传感器系统的有 效性和鲁棒性，消除单一传感器的局限性。
2020/3/1
13.1 多传感器数据融合概述
• 从生物学的角度来看，人类和自然界中其他动物对客观事 物的认知过程，就是对多源数据的融合过程。
• (3)利用现有知识对对象特征进 行评价，形成关于对象、事件或 行为的认识。传感器系统利用第 三层次形成的反馈信息不断调整 自身状态和数据准备策略，进行 重新设置和标定等，提高传感信 息的利用率。 。
2020/3/1
13.2.2 多传感器数据融合模型
• Dasarathy 模 型
Dasarathy 模型充 分注意到传感器数 据融合中数据融合 、特征融合和决策 融合三者往往交替 应用或联合使用的 事实，根据所处理 信息的类型对数据 融合功能进行了归 纳，明确了五种可 能的融合形式，如 表所示。 2020/3/1
P ( O j ) m 1 i a x m { P ( O i D 1 , D 2 , . . . . , D m ) }
• 运用Bayes方法中的条件概率进行推理，能够在出现某一证 据时给出假设事件在此证据发生的条件概率，能够嵌入一些 先验知识，实现不确定性的逐级传递。但它要求各证据之间 都是相互独立的，当存在多个可能假设和多条件相关事件时 ，计算复杂性增加。另外，Bayes方法要求有统一的识别框 架，不能在不同层次上组合证据。
2020/3/1
• 并联型融合 • 混联型融合
2020/3/1
13.2.1 多传感器数据融合结构
• 从数据融合的控制关系来看，反馈型多传感器数据融合过程 中，传感器或数据融合中心的处理方式及判断规则受数据融 合中心最终结论或中间结论的影响。数据处理依赖于一个反 馈控制过程，这种反馈可以是正反馈，也可以是负反馈。反 馈控制可分为融合结论对传感器的控制、对数据融合中心的 控制，以及中间结论对传感器的控制三种。
2020/3/1
13.1.1 多传感器数据融合过程
• 数据检测 • 数据校准 • 数据相关 • 参数估计 • 目标识别 • 行为估计
2020/3/1
13.1.2 多传感器数据融合形式 • 数据级融合
• 特征级融合
• 决策级融合
2020/3/1
13.2 多传感器数据融合融合模型
13.2.1 多传感器数据融合结构 • 串联型融合
JDL 模 型 的 数 据 预 处 理 功 能 相 当 。 • (2)定向环节确定对象的基本特征 ， 与 JDL 模 型 的 目 标 评 估 、 态 势 评估和威胁评估功能相当。 • (3)决策环节确定最佳评估，制定 反 馈 控 制 策 略 ， 与 JDL 模 型 过 程 优化与评估功能相当。 • (4)执行环节利用反馈控制调整传 感系统状态，获取额外数据等。 JDL模型没有这一环节。
13.2.2 多传感器数据融合模型
• OMNIBUS模型
是 Boyd 控 制 环 、 Dasarathy 模 型 和 Waterfall 模 型 的 混 合，既体现了数据融 合过程的循环本质， 用融合结论调整传感 器系统的状态，提高 信息融合的有效性， 又细化了数据融合过 程中各个环节的任务 ，改善了数据融合实 现的可组合性。
2020/3/1
13.3.3 基于Bayes理论数据融合
• 利用Bayes方法进行数据融 合的过程如图所示：
• (1)将每个传感器关于对象 的观测转化为对象属性的说 明: D1,D2,....,Dm
• (2)计算每个传感器关于对 象属性说明的不确定性: P (D jO i) i 1 ,2 ,...,n ;j 1 ,2 ,...,m
常用的参数分类方法包括Bayesian估计，D －S推理，人工神经网络，模式识别，聚类分析 ，信息熵法等。
2020/3/1
13.3.1 多传感器数据融合算法基本类型
➢基于认知的方法
基于认知的方法主要是模仿人类对属性判别的推理 过程，可以在原始传感器数据或数据特征基础上进行 。
基于认知的方法在很大程度上依赖于一个先验知识 库。有效的知识库利用知识工程技术建立，这里虽然 未明确要求使用物理模型，但认知建立在对待识别对 象组成和结构有深入了解的基础上，因此，基于认知 的方法采用启发式的形式代替了数学模型。当目标物 体能依据其组成及相互关系来识别时，这种方法尤其 有效。