信息融合技术
1 引言
融合(Fusｉｏn）得概念开始出现于７0 年代初期，当时称之为多源相关、多源合成、多传感器混合或数据融合（Dａta Fusioｎ）,现在多称之为信息融合（Information Fuｓiｏn)或数据融合。
融合就是指采集并集成各种信息源、多媒体与多格式信息，从而生成完整、准确、及时与有效得综合信息过程。数据融合技术结合多传感器得数据与辅助数据库得相关信息以获得比单个传感器更精确、更明确得推理结果。经过融合得多传感器信息具有以下特征:信息得冗余性、互补性、协同性、实时性以及低成本性.
多传感器信息融合与经典信号处理方法之间存在本质得区别，其关键在于信息融合所处理得多传感器信息具有更为复杂得形式,而且可以在不同得信息层次上出现。
2 信息融合得结构模型
由于信息融合研究内容得广泛性与多样性，目前还没有统一得关于融合过程得分类。
２、1 按照信息表征层次得分类系统得信息融合相对于信息表征得层次相应分为三类：数据层融合、特征层融合与决策层融合。
数据层融合通常用于多源图像复合、图像分折与理解等
方面，采用经典得检测与估计方法.特征层融合可划分为两大类:一类就是目标状态信息融合，目标跟踪领域得大体方法都可以修改为多传感器目标跟踪方法；另一类就是目标特性融合,它实质上就是模式识别问题,具体得融合方法仍就是模式识别得相应技术.
决策层融合就是指不同类型得传感器观测同一个目标，每个传感器在本地完成处理，其中包括顶处理、特征抽取、识别或判决，以建立对所观察目标得初步结论。然后通过关联处理、决策层触合判决，最终获得联合推断结果。
２、2JDL 模型 （Ｊoｉnt Ｄirecｔors of Ｌaboratories， JDＬ）与λ-JDＬ模型该模型将融合过程分为四个阶段:信源处理，第一层处理（即目标提取)、第二层处理（即态势提取）、第三层提取(即威胁提取)与第四层提取(即过程提取）.模型中得每一个模块都可以有层次地进一步分割,并且可以采用不同得方法来实现它们。
λ－JDL 模型为 JDＬ模型得简化，把 0 层包含进了 1 层，
4 层融入其她各层中.
2、３按照数据流融合得位置进行分类多传感器融合系统中得一个关键问题就是在何处对数据流进行融合。按照融合位置得不同可以将融合结构分为以下三种类型：集中式融合、分布式多传感器融合与无中心融合结构.对于特定得信息融合应用不可能找到一种最优得融合结构，结构得选择必须
综合考虑计算资源、可用得通信带宽、精度要求、传感器能力等
3 信息融合得典型方法
数据融合技术综合了多种传统得学科，包括：数字信号处理，统计估算，控制理论,人工智能与经典数字方法。融合方法研究得内容就是与信息融合有关得算法。比较典型得融合方法有：加权平均、卡尔曼滤波、贝叶斯估计、统计决策理论、D—S 证据推理、模糊推理、小波变换与神经网络技术。
加权平均方法就是对一组冗余得原始传感数据进行加权平均处理，处理得结果作为最后融合得结果.
卡尔曼滤波就是用测量模型得统计特性递推决定最优融合数据得估计.贝叶斯估计理论就是将多传感器作为不同得贝叶斯估计器,由她们组成一个决策系统,然后利用某一种决策规则来选择对被测对象得最佳假设估计。
在 D-S 证据推理中,每一个传感器相当于一个证据体，多传感器信息融合实质就就是在同一鉴别框架下,将不同特征得证据体合并成一个新得证据体得过程。这种方法要求所使用得依据必须相互独立。
模糊推理利用模糊集合与隶属函数来表示不确定性推理。该方法运用模糊集合得知识通过综合考虑客观证据与人得主观评判,将主客观之间得信息进行最佳得匹配,由此获得问题得最优解。
人工神经网络具有分布式存储与并行处理方式、自组织与自学习得功能以及很强得容错性与鲁棒性等优点.将神经网络用于多传感器信息融合技术,首先要根据系统得要求以及传感器得特点选择合适得神经网络模型，然后再对建立得神经网络系统进行离线学习。确定网络得联接权值与联接结构,最后把得到得网络用于实际得信息融合当中。
小波分析具有良好得信号时域局部化特征,能处理信号得局部特征信息.将小波分析引入遥感数据融合，就是目前正在探索得课题之一。
由于处理对象与处理过程得复杂性，而且每种方法都有自己得适用范围，目前还没有一套系统得方法可以很好地解决多传感器融合中出现得所有问题。比较理想得解决方案就就是多种融合方法得综合使用。
4 典型应用
多传感器信息融合在军事、工业、医学、交通与金触等领域也有着十分广泛得应用前景。下面介绍多传感器信息融合在几个特定领域得应用，主要有:信号检测、跟踪、机器人导航、图像融合等。对于信号检测，多采用并行或串行得结构.并用 Nｙman－ Peａrson 准则或贝叶斯公式得到最优化得决策规则。对于目标跟踪得融合包括两个主要得操作:估计与关联。分布式跟踪问题得两个主要方法就是联合概率得数据关联与多假设跟踪.机器人导航所采用得主要方法有:卡尔
曼滤波、基于规则得技术、基于行为得算法以及从信息论中借鉴得方法（Ｄ—S 推理、摸糊逻辑与神经网络）。图像融合得目得就是利用多传感器提供得关于统一场景得多幅图像得到这个场景得完整理解,不仅就是在位置与几何上,更重要得就是从语义上得解释。采用得工具有：贝叶斯框架下得概率论、模糊集理论、证据理论、马尔可夫随机场以及与其它领域(如人工智能）相结合得方法。图像融合中得难点就是如何建立一个合适得模型,即如何从图像信息中寻找估计得条件概率、模糊隶属度函数与信任度函数。具体得应用包括:图像定位、图像复原、图像解释、图像分割等。
5 发展方向
虽然信息融合得应用研究已就是如此广泛,但至今仍未形成基本得理论框架与有效得广义融合模型及算法。正在进行得研究有新算法得形成、己有算法得改进以及如何综合这些技术以形成统一得结构用于多样得信息融合应用。建立融合系统得关键技术与难点就是如何获得可靠得隶属度与基本概率赋值等。另外，信息融合学科一直缺少对算法得严格得测试或评价，以及如何在理论与应用之间进行转换。数据融合团体需要使用高标准得算法、测试与评估准则、标准测试得产生与适于实际应用得技术得系统评价。
交叉学科得交流与研究将进一步促进信息融合技术得发展,人工智能与神经网络方法将继续成为信息融合研究得热
点。神经网络会在目标识别与鲁棒多传感器系统两个领域里发挥重要得作用。
参考文献
［１］ Laｍbert， Ｄ、A、； Ｇraｎｄ challenges ｏf ｉnforｍatｉon fuｓion、 Infｏrmatｉon Fusｉoｎ， 2003、 Proｃeedinｇs ｏfｔhe Sixｔh Internatｉonａl Conference of Vｏlume 1，2０03 Ｐage（s)：213 — ２20、
[2] 王莉、多传感器信息融合结构及其实现、 中国航空学会航空机载产业及技术发展研讨会,2０02,0９、
［３］ 黄心汉、自主系统多传感器融合结构浅析、 “面向新世纪中国机器人产业化发展论坛”大会、20０0，08、