多传感器系统数据融合综述.docx

多传感器系统数据融合综述多传感器系统数据融合的概念与基本原理多传感器数据融合是针对一个系统中使用多个和(或)多类传感器展开的一种新的数据处理方法，是多学科交叉的新技术，主要涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。因此多传感器数据融合技术是一个比较复杂的系统工程，很难给出一个统一的、全面的、准确的定义。目前，随着数据融合技术、传感器技术和计算机应用技术的发展，多数领域专家认为多传感器数据融合比较确切的定义可以概括为：充分利用不同时间不同空间的多传感器信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致性解释与描述，以完成所需的决策和估计任务。因此多传感器系统和计算机系统是数据融合的硬件基础，多源数据是数据融合的加工对象，协调优化和综合处理是数据融合的核心。 近20年来，多传感器数据融合技术日益受到人们的关注，主要应用于军事领域及智能机器人、遥感、医疗诊断、自动监视、图像处理、模式识别和复杂工业过程控制等相关领域。数据融合技术之所以广泛应用，是由于多传感器数据融合在解决探测、跟踪和目标识别问题上，有许多性能上的优势：1. 生存能力强。在有若干传感器不能被利用或受干扰，或目标及事件不在覆盖范围内时，总有某个传感器可以提供信息；2. 扩展了空间覆盖范围。通过多个交叠覆盖的传感器作用区域。扩展间的覆盖范围。总有一种传感器可以探测到其它传感器探测不到的地方；3. 扩展了时间覆盖范围。用多传感器的协同作用提高了检测概率，某个传感器可以探测到其它传感器不能顾及的目标或事件；4. 提高了系统的可靠性，减少了信息的模糊性。这是由于多传感器信息的内在冗余度和多传感器联合信息降低不确定性的特性带来的；5. 增加了系统的空间分辨能力。多个传感器可以获得比单一传感器更高的分辨率；6. 增加了测量空间的维数，从而降低了测量矩阵的病态性，改善了探测的性能。 多传感器数据融合技术的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与描述。具体而言，多传感器数据融合基本原理如下：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Y；3．对特征矢量Y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Y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。多传感器系统数据融合方法介绍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两类：一是随机类方法，它包括加权平均法、Kalman滤波法、多贝叶斯估计法、D—S证据推理等；二是人工智能类方法，包括模糊逻辑理论、神经网络、粗集理论等。不同的方法适用于不同的应用背景。以下分别具体介绍针对应用在不同多传感器系统中所采用的各种不同的数据融合方法。光电跟踪系统的航迹自动判别算法[1]首先，判断自动识别传感器是否工作在正常状态，若均工作在正常状态，则进行融合，若其中某各传感器工作在非正常状态，则采用来自正常工作的传感器的数据，并在下一数据采样时刻重新进行关联。自动识别的逻辑框图如图1。图1 自动识别的逻辑框图将两传感器的量测值进行关联，两传感器之间的误差距离D服从自由度为(状态矢量的维数)的chi—square分布：，给定，当误差距离大于阈值时关联失败，表明两传感器的状态估计不为同一目标。转到自动判别过程。1.1基于最小二乘曲线拟合的识别算法如果实际目标在运动过程中，在短时间内很难做大的机动，故采用该目标在前几个时刻的位置量测点，借助最小二乘法拟合出目标的局部航迹，并利用拟合出的航迹外推一点，然后利用两传感器对目标的位置估计与外推出的点差值的大小来判别非正常状态的传感器（如图2）。图2 最小二乘曲线拟合判别示意图采用直线拟合不能很好地反映出目标航迹的趋势，而采用三次以上的曲线拟合计算较为复杂，不易满足实时性的要求，采用二次曲线拟合的方法实现了以上2种情况的折中，既能很好地预测目标航迹的趋势，又不会因为计算量太大而使实时性恶化。图2中，A、B两点分别为2个传感器的量测值，C点为利用拟合曲线外推一点得到的值，通过比较A、B两点与C点差值的绝对值的大小