多传感器数据融合技术.ppt

多传感器数据融合技术
第1页，本讲稿共34页
概念与意义
1． 概 念
2． 意 义
上一页
下一页
返 回
第2页，本讲稿共34页
1．概 念
美国国防以获得比它的各组成部分的子集所构成的系统更优越的性能。
多传感器数据融合技术可以对不同类型的数据和信息在不同层次上进行综合，它处理的不仅仅是数据，还可以是证据和属性等。
多传感器数据融合并不是简单的信号处理。信号处理可以归属于多传感器数据融合的第一阶段，即信号预处理阶段。
上一页
下一页
返 回
第11页，本讲稿共34页
层次
数据融合层次的划分主要有两种方法。
第一种方法是将数据融合划分为低层（数据级或像素级）、中层（特征级）和高层（决策级）。
另一种方法将是将传感器集成和数据融合划分为信号级、证据级和动态级。
上一页
下一页
返 回
第12页，本讲稿共34页
数据级融合(或像素级融合)
对传感器的原始数据及预处理各阶段上产生的信息分别进行融合处理。尽可能多地保持了原始信息，能够提供其它两个层次融合所不具有的细微信息。
局限性：
(1)由于所要处理的传感器信息量大，故处理代价高；
(2)融合是在信息最低层进行的，由于传感器的原始数据的不确定性、不完全性和不稳定性，要求在融合时有较高的纠错能力；
(3)由于要求各传感器信息之间具有精确到一个像素的配准精度，故要求传感器信息来自同质传感器；
(4)通信量大。
上一页
下一页
返 回
第13页，本讲稿共34页
特征级融合
利用从各个传感器原始数据中提取的特征信息，进行综合分析和处理的中间层次过程。
通常所提取的特征信息应是数据信息的充分表示量或统计量，据此对多传感器信息进行分类、汇集和综合。
特征级融合分类：
目标状态信息融合
目标特性融合。
上一页
下一页
返 回
第14页，本讲稿共34页
特征级融合分类：
目标状态信息融合
主要应用于多传感器目标跟踪领域。融合系统首先对传感器数据进行预处理以完成数据配准。数据配准后，融合处理主要实现参数相关和状态矢量估计。
目标特性融合
特征层联合识别，具体的融合方法仍是模式识别的相应技术，只是在融合前必须先对特征进行相关处理，对特征矢量进行分类组合。在模式识别、图像处理和计算机视觉等领域，已经对特征提取和基于特征的分类问题进行了深入的研究，有许多方法可以借用。
上一页
下一页
返 回
第15页，本讲稿共34页
决策级融合
在信息表示的最高层次上进行的融合处理。不同类型的传感器观测同一个目标，每个传感器在本地完成预处理、特征抽取、识别或判断，以建立对所观察目标的初步结论，然后通过相关处理、决策级融合判决，最终获得联合推断结果，从而直接为决策提供依据。
因此，决策级融合是直接针对具体决策目标，充分利用特征级融合所得出的目标各类特征信息，并给出简明而直观的结果。
决策级融合优点：
实时性最好
在一个或几个传感器失效时仍能给出最终决策，因此具有良好的容错性。
上一页
下一页
返 回
第16页，本讲稿共34页
过程
首先将被测对象它们转换为电信号，然后经过A／D变换将它们转换为数字量。数字化后电信号需经过预处理，以滤除数据采集过程中的干扰和噪声。对经处理后的有用信号作特征抽取，再进行数据融合；或者直接对信号进行数据融合。最后，输出融合的结果。
上一页
下一页
返 回
第17页，本讲稿共34页
方法
1. 加权平均
2. 卡尔曼滤波
3． 贝叶斯估计
4. 多贝叶斯方法
5. 统计决策理论
6. Dempster-Shafer证据推理法
7. 模糊逻辑法
8. 产生式规则法
9. 神经网络方法
上一页
下一页
返 回
第18页，本讲稿共34页
1. 加权平均
加权平均是最简单、最直观的数据融合方法。
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。
上一页
下一页
返 回
第19页，本讲稿共34页
2. 卡尔曼滤波
应用：融合低层的实时动态多传感器冗余数据。
该方法应用测量模型的统计特性递推地确定融合数据的估计，且该估计在统计意义下是最优的。如果系统可以用一个线性模型描述，且系统与传感器的误差均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的统计意义