多传感器信息融合 (1)

1、u国外研究u信息融合的关键技术u信息融合原理u信息融合层次u信息融合框架u信息融合方法u应用背景u存在的问题u切入点/展望2n信息融合 (information fusion)起初被称为数据融合 (data fusion)，起源于1973年美国国防部资助开发的声纳信号处理系统。n20世纪80年代，为了满足军事领域中作战的需要，多传感器数据融合MSDF (Multi-sensor Data Fusion)技术应运而生。n1988年，美国将C3I(Command，Control，Commication and Intelligence)系统中的数据融合技术列为国防部重点开发的二十项关键技术之一。3

2、n1991年美国已有54个数据融合系统引入到军用电子系统中去，其中87%已有试验样机、试验床或已被应用。n由于信息融合技术在海湾战争中表现出的巨大潜力，在战争结束后,美国国防部又在C3I系统中加入计算机(computer)，开发了以信息融合为中心的C4I系统。n此外，英国陆军开发了炮兵智能信息融合系统(AIDD)和机动与控制系统 (WAVELL)。n英国BAE 系统公司还开发一种被称作“分布式数据融合”（Decentralized Data Fusion，DDF）的信息融合新技术。使传感器网络中的全部数据都被实时地综合和融合到了一幅单一的作战空间态势图中。4n欧洲五国还制定了联合开展多传感器信

3、号与知识综合系统 (SKIDS)的研究计划。n法国也研发了多平台态势感知演示验证系统(TsMPF)n军事领域是信息融合的诞生地，也是信息融合技术应用最为成功的地方。特别是在伊拉克战争和阿富汗战争中，美国军方的信息融合系统都发挥了重要作用。5n当前，信息融合技术在军事中的应用研究己经从低层的目标检测、识别和跟踪转向了态势评估和威胁估计等高层应用。n目前，信息融合技术己在许多民用领域取得成效。这些领域主要包括:机器人和智能仪器系统、智能制造系统、战场任务与无人驾驶飞机、航天应用、目标检测与跟踪、图像分析与理解、惯性导航、模式识别等领域。6定义1（美国国防部定义：（美国国防部定义：1991 ）信息融

4、合是一种多层次、多方面的处理过程, 包括对多源数据进行自动化的检测、互联、相关、估计和组合处理（automatic detection, association, correlation, estimation, and combination），从而提高状态和身份估计的精度，以及对战场态势和威胁的重要程度进行有效的评价。7n定义2利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以自动分析，优化综合以完成所需的决策和估计任务而进行的信息处理过程。n定义3 信息融合是组合多源数据或信息，对实体状态进行估计和预报的过程。n.8左目和右目的视觉传感器分别获取二维图象信息，经大脑融合后产

5、生立体图象信息；左耳和右耳的听觉传感器分别获取一维声音信息，经大脑融合后产生立体声音信息；自然界中同类多传感信息融合9自然界异类多传感信息融合10扩展空间和时间覆盖范围；（利用互补信息，improve observability ）改进探测性能；增强系统的生存能力；提高可信度（多传感联合确认，利用冗余信息，increasere liability）；降低信息的模糊度；提高空间分辨率（传感器能够识别的两个相邻物的最小距离）；成本低、质量轻、占空少。(传感器选择灵活)11美国三军组织实验室理事联合会（JDL）数据融合模型(Joint Directors of Laboratories)1213一级

6、处理目标评估主要功能包括数据对准、数据关联、目标运动学参数估计（跟踪），以及身份估计等，其结果为更高级别的融合过程提供辅助决策信息。二级处理态势评估situation 评估是指评价实体之间的相互关系，包括敌我双方兵力结构和使用特点，是对战场上战斗力量分配情况的评价过程。三级处理影响评估它将当前态势映射到未来。在军事领域即指威胁估计（threat assessment），用以对作战事件出现的程度和可能性进行估计，并对敌方作战企图给出指示和告警。四级处理过程评估 它是一个更高级的处理阶段。通过建立一定的优化指标，对整个融合过程进行实时监控与评价，从而实现多传感器自适应信息获取和处理，以支持特定的任

7、务目标，并最终提高整个系统的性能（包括实时性，决策和估计精度等）。n集中式结构: 处理的是传感器的原始数据；特点是信息损失小，对系统通信要求较高（通信链路处），融合中心计算负担重（融合中心处），系统的生存能力也较差。n分布式结构：处理的是经过预处理的局部传感器数据；具有造价低、可靠性高、通信量小等特点。n混合式结构：处理的既有原始数据，又有预处理过的数据。它保留了上述两类系统的优点，但在通信和计算上要付出较昂贵的代价。14三种结构形式：串联、并联和混合融合形式。15一种雷达测量的信息融合结构一种雷达测量的信息融合结构传感器故障检测系统局部处理器局部处理器外部逻辑中央处理器传感器信号传感器信号先

8、验信息修正信息先验信息修正信息16信息融合层次的划分主要有两种方法。u第一种方法是按照融合对象的层次不同，将信息融合划分为低层（数据级或像素级）、中层（特征级）和高层（决策级）。u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。 17n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。n局限性：n(1)所要处理的传感器信息量大，故处理代价高；n(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；n(3)由于要求各传感器信息之间具有精确到

9、一个像素的配准精度，故要求传感器信息来自同质传感器；n(4)通信量大。18监测对象传感器1特征提取传感器2传感器N数据融合识别决策19 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：n目标状态信息融合n目标特性融合。监测对象特征融合传感器1传感器2传感器N识别决策特征提取特征提取特征提取20目标状态信息融合u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

10、合u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，对特征提取和基于特征的分类问题已有深入研究，有许多方法可以借用。21 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。 决策级融合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，给出简明而直观的结果。决策级融合优点：n实时性最好n在一个或几

11、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。22监测对象决策融合传感器1传感器2传感器N决策特征提取特征提取特征提取识别识别识别23 首先将被测对象信息转换为电信号，然后经过AD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。24n多目标跟踪的信息融合技术n多假定跟踪和相关技术n随机数据关连滤波（PDAF）技术n交互式复合建模(IMM)技术n目标机动信息处理技术（自适自噪声模型等）n非线性滤波技术n融合结构技术（集中式结构与分布式结构）n相似传感器融

12、合技术（结构、算法和方法）n不相似的传感器融合技术n传感器对准技术（包括各种类型的对准难题及其解决技术）n特征融合技术（识别/分类、证明推算、专家系统、神经网络、模糊逻辑、贝叶斯网络等）25n数据转换数据转换n多传感器输出的数据形式、环境描述等都不一样，多传感器输出的数据形式、环境描述等都不一样，信息融合中心处理这些不同信息的关键即是把这信息融合中心处理这些不同信息的关键即是把这些数据转换成相同形式，然后进行相关处理。些数据转换成相同形式，然后进行相关处理。n数据相关数据相关n数据相关的核心问题是克服传感器测量的不精确数据相关的核心问题是克服传感器测量的不精确性，保持数据的一致性。因此，应控制

13、和降低相性，保持数据的一致性。因此，应控制和降低相关计算的复杂性，开发相关处理、融合处理和系关计算的复杂性，开发相关处理、融合处理和系统模拟的算法和模型。统模拟的算法和模型。n态势数据库态势数据库n态势数据库可分为实时数据库和非实时数据库。态势数据库可分为实时数据库和非实时数据库。实时数据库的作用是把当前各传感器的观测结果实时数据库的作用是把当前各传感器的观测结果及时提供给信息融合中心，同时也存储融合处理及时提供给信息融合中心，同时也存储融合处理的最终态势的最终态势/ /决策分析结果和中间结果。非实时数决策分析结果和中间结果。非实时数据库存储各传感器的历史数据、相关目标和环境据库存储各传感器的

14、历史数据、相关目标和环境的辅助信息以及融合计算的历史信息。态势数据的辅助信息以及融合计算的历史信息。态势数据库要求容量大、搜索快、开放互连性好，具有良库要求容量大、搜索快、开放互连性好，具有良好的用户接口。好的用户接口。n融合计算n融合计算涉及到以下问题：对多传感器的相关观融合计算涉及到以下问题：对多传感器的相关观测结果进行验证、分析、补充、取舍、修改和状测结果进行验证、分析、补充、取舍、修改和状态跟踪估计；对新发现的不相关观测结果进行分态跟踪估计；对新发现的不相关观测结果进行分析和综合；生成综合态势，并实时地根据对传感析和综合；生成综合态势，并实时地根据对传感器观测结果通过数据融合计算，对综

15、合态势进行器观测结果通过数据融合计算，对综合态势进行修改；态势决策分析。修改；态势决策分析。u嵌入约束法u证据组合法u人工神经网络法30n由多种传感器所获得的客观环境(即被测对象)的多组数据就是客观环境按照某种映射关系映射关系形成的像像，信息融合就是通过像求解原像像求解原像，即对客观环境加以了解。n用数学语言描述就是，所有传感器的全部信息，也只能描述环境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数据对应惟一的环境(即上述映射为一一映射)，就必须对映射的原像和映射本身加约束条件，使问题能有惟一的解。n嵌入约束法最基本的方法：Bayes估计估计和卡尔卡尔曼滤波曼滤波31n融合静态环境

16、中多传感器低层数据的一种常用方法。其信息描述为概率分布，适用于具有可加高斯噪声的不确定性信息。n假定完成任务所需的有关环境的特征物用向量f表示，通过传感器获得的数据信息用向量d来表示，d和f都可看作是随机向量。信息融合的任务就是由数据d推导和估计环境f。32n假设p(f，d)为随机向量f和d的联合概率分布密度函数，则)()|()()|(),(fpfdpdpdfpdfpp(f|d)表示已知d的条件下，f关于d的条件概率密度函数p(d|f)表示已知f 的条件下，d关于f的条件概率密度函数p(d)和p(f)分别表示d和f的边缘分布密度函数已知d时，要推断f，只须掌握p(f|d)即可，即)(/ )()

17、|()|(dpfpfdpdfp上式为概率论中的Bayes公式，是嵌入约束法的核心。33n信息融合通过数据信息d做出对环境f的推断，即求解p(f/d)。n由Bayes公式知，只须知道p(d|f)和p(f)即可。因为p(d)可看作是使p(d|f)p(f)成为概率密度函数的归一化常数，p(d|f)是在已知客观环境变量f的情况下，传感器得到的d关于f的条件密度。n当环境情况和传感器性能已知时，p(f|d)由决定环境和传感器原理的物理规律完全确定。p(f)可通过先验知识的获取和积累，逐步渐近准确地得到，因此一般总能对p(f)有较好的近似描述。34n在嵌入约束法中，反映客观环境和传感器性能与原理的各种约束

18、条件主要体现在p(d|f) 中，而反映主观经验知识的各种约束条件主要体现在p(f)中。n在传感器信息融合的实际应用过程中，通常的情况是在某一时刻从多种传感器得到一组数据信息d，由这一组数据给出当前环境的一个估计f。因此,实际中应用较多的方法是寻找最大后验估计g，即）（）（dfpdgpf|max即最大后验估计是在已知数据为d的条件下，使后验概率密度p(f)取得最大值的点g，根据概率论，最大后验估计g满足：3536当p(f)为均匀分布时，最大后验估计g满足 此时，最大后验概率最大后验概率也称为极大似然估计。当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。在大多数情况下，多传感器从

19、不同的坐标框架对环境中同一物体进行描述，这时传感器测量数据要以间接的方式采用Bayes估计进行数据融合。间接法要解决的问题是求出与多个传感器读数相一致的旋转矩阵R和平移矢量H。）（）（fdpfgpf|max）（）（）（）（fpfdpgpdgpf|max37传感器数据进行融合之前，必须确保测量数据代表同一实物，即要对传感器测量进行一致性检验。常用以下距离公式来判断传感器测量信息的一致：21121)(21xxCxxTT式中x1和x2为两个传感器测量信号，C为与两个传感器相关联的方差阵，当距离T小于某个阈值时，两个传感器测量值具有一致性。这种方法的实质是剔除处于误差状态的传感器信息而保留“一致传感器

20、”数据计算融合值。 38用于实时融合动态的低层次冗余传感器数据实时融合动态的低层次冗余传感器数据，该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。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高斯分布的白噪声模型来表示，KF为融合数据提供惟一的统计意义下的最优估计，KF的递推特性使系统数据处理不需大量的数据存储和计算。KF分为分散卡尔曼滤波散卡尔曼滤波(DKF)和扩展卡尔曼滤波扩展卡尔曼滤波(EKF)。DKF可实现多传感器数据融合完全分散化，优点优点是每个传感器节点失效不会导致整个系统失效。EKF的优点优点：可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产

21、生的影响。39嵌入约束法是传感器信息融合的最基本方法之一，其缺点缺点：需要对多源数据的整体物理规律有较好的了解，才能准确地获得p(d|f)，但需要预知先验分布p(f)。40证据组合法认为完成某项智能任务是依据有关环境某方面的信息做出几种可能的决策几种可能的决策，而多传感器数据信息在一定程度上反映环境这方面的情况。因此，分析每一数据作为支持某种决策证据的支持程度，并将不同传感器数据的支持程度进行组合，即证据组合。将分析得出现有组合证据支持程度最大的决策作为信息融合的结果。41证据组合法是对完成某一任务的需要而处理多种传感器的数据信息，完成某项智能任务，实际是做出某项行动决策。它先对单个传感器数据

22、信息每种可能决策的支持程度给出度量(即数据信息作为证据对决策的支持程度)，再寻找一种证据组合方法或规则。在已知两个不同传感器数据(即证据)对决策的分别支持程度时，通过反复运用组合规则，最终得出全体数据信息的联合体对某决策总的支持程度。得到最大证据支持决策，即信息融合的结果。42利用证据组合进行数据融合的关键关键在u建立快速、可靠并且便于实现的通用证据组合算法结构算法结构u选择合适的数学方法描述证据证据、决策决策和支持程支持程度度等概念43证据组合法较嵌入约束法优点：(1)对多种传感器数据间的物理关系不必准确了解，即无须准确地建立多种传感器数据体的模型；(2)通用性好，可以建立一种独立于各类具体

23、信息融合问题背景形式的证据组合方法，有利于设计通用的信息融合软、硬件产品；(3)人为的先验知识可以视同数据信息一样，赋予对决策的支持程度，参与证据组合运算。44常用证据组合方法：概率统计方法概率统计方法Dempster-ShaferDempster-Shafer证据推理证据推理45 假设一组随机向量x1，x2，xn分别表示n个不同传感器得到的数据信息，根据每一个数据xi可对所完成的任务做出一决策di。 xi的概率分布为pai(xi)，ai为该分布函数中的未知参数，若参数已知，则xi的概率分布就完全确定了。 用非负函数L(ai，di)表示当分布参数确定为ai时，第i个信息源采取决策dj时所造成的

24、损失函数。 在实际问题中，ai是未知的，因此，当得到xi时，并不能直接从损失函数中定出最优决策。46 先由xi做出ai的一个估计，记为ai(xi)，再由损失函数L ai(xi),di决定出损失最小的决策。其中利用xi估计ai的估计量ai(xi) 有很多种方法。 概率统计方法适用于分布式传感器目标识别分布式传感器目标识别和跟跟踪信息融合问题。踪信息融合问题。2.Dempster-Shafer证据推理(简称D-S推理)uD-S证据推理是证据推理是Bayes推理的扩充，在多传感器目标识推理的扩充，在多传感器目标识别、军事指挥和防御方向得到了广泛的应用。别、军事指挥和防御方向得到了广泛的应用。u一个完

25、整的推理系统需要用几个不同推理级来确保精一个完整的推理系统需要用几个不同推理级来确保精确的可信度表示。确的可信度表示。D-S推理的结构自上而下可分为三级：推理的结构自上而下可分为三级：u第一级为目标合成，其作用是把来自几个独立传感器第一级为目标合成，其作用是把来自几个独立传感器的观测结果合成一个总的输出结果；的观测结果合成一个总的输出结果；u第二级为推断，其作用是获取传感器的观测结果并进第二级为推断，其作用是获取传感器的观测结果并进行推断，将传感器的观测结果扩展成为目标报告行推断，将传感器的观测结果扩展成为目标报告;u第三级为更新，由于传感器存在随机误差，在时间上第三级为更新，由于传感器存在随

26、机误差，在时间上充分独立的来自同一传感器的一组连续报告，比任何单充分独立的来自同一传感器的一组连续报告，比任何单一报告都可靠，因此在进行推断和多传感器合成之前要一报告都可靠，因此在进行推断和多传感器合成之前要更新传感器的观测信息。更新传感器的观测信息。48假设F为所有可能证据所构成的有限集，f为集合F中的某个元素即某个证据，首先引入信任函数B(f)0，1表示每个证据的信任程度：B(F)=1; B()=0ijinnjiinAABAABABAAAB)() 1()()()(1121从上式可知，信任函数是概率概念的推广，因为从概率论的知识出发，上式应取等号。进一步可得：引入基础概率分配函数m(f)0，

27、11)()(ABAB 1)(0FAAmm由基础概率分配函数定义与之相对应的信任函数：ACCmAB),()(FCA,2.D-S推理-原理49 当利用N个传感器检测环境M个特征时，每一个特征为F中的一个元素。第i个传感器在第k-1时刻所获得的包括k-1时刻前关于第j个特征的所有证据，用基础概率分配函数 表示，其中i=1，2，m。 第i个传感器在第k时刻所获得的关于第j个特征的新证据用基础概率分配函数表示 。 由 和 可获得第i个传感器在第k时刻关于第j个特征的联合证据 。(1)ijm k ijkmijkm(1)ijm k ( )ijm k50 类似地，利用证据组合算法，由 和 可获得在k时刻关于第

28、j个特征的第i个传感器和第i+1个传感器的联合证据 。 如此递推下去，可获得所有N个传感器在k时刻对j特征的信任函数，信任度最大的即为信息融合过程最终判定的环境特征。,1( )i ijmkijkm,1( )i ijmk51D-S证据推理的优点优点：算法确定后，无论是静态还是时变的动态证据组合，其具体的证据组合算法都有一共同的算法结构。其缺点缺点：当对象或环境的识别特征数增加时，证据组合的计算量会以指数速度增长。52通过模仿人脑的结构和工作原理，设计和建立相应的机器和模型并完成一定的智能任务智能任务。神经网络根据当前系统所接收到的样本的相似性，确定分类标准。这种确定方法主要表现在网络权值网络权值

29、分布上，同时可采用神经网络特定的学习算法学习算法来获取知识，得到不确定性推理机制。53神经网络多传感器信息融合的实现，分三个重要步骤：根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；各传感器的输入信息综合处理为一总体输入函数，并将此函数映射定义为相关单元的映射函数,通过神经网络与环境的交互作用把环境的统计规律反映网络本身结构；对传感器输出信息进行学习、理解，确定权值的分配，完成知识获取信息融合，进而对输入模式做出解释，将输入数据向量转换成高层逻辑(符号)概念。54u具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器信息进行融合，获得相应网络的参数，并且可将知识规则转换成数字形

30、式，便于建立知识库；u利用外部环境的信息，便于实现知识自动获取知识自动获取及并行联想推理并行联想推理；u能够将不确定环境的复杂关系，经过学习推理学习推理，融合为系统能理解的准确信号；u由于神经网络具有大规模并行处理信息能力，使得系统信息处理速度很快。55工业过程监视及工业机器人遥感与金融系统空中交通管制与病人照顾系统船舶避碰与交通管制系统生物特征的身份识别采用多传感器的自主式武器系统和自备式运载器情报收集系统采用多传感器进行截获、跟踪和指挥制导的火控系统军事力量的指挥和控制站敌情指示和预警系统民用军用控制和信息融合计算机自主移动装配机器人装配机械手力觉传感器触觉传感器视觉传感器超声波传感器激光

31、测距传感器多传感器信息融合自主移动装配机器人56外界环境外界环境视觉视觉视觉视觉超声波传感超声波传感器器红外接近红外接近觉觉立体视觉立体视觉地标识别地标识别障碍探测障碍探测目标物探目标物探测测景物识别景物识别内部传内部传感器感器融合融合力觉力觉触觉触觉环境模型定位避障操作规划学习路径规划任务规划：执行机构控制指令感觉感觉功能功能57行扫描处理器红外探测器 直流偏压AGC搜索器万向支架惯性导航系统图像摄像机万向支架图像处理共享存储器数据融合数据融合处理器处理器环境控制显示记录人机界面图像摄像机传感器海军舰船传感器信息融合系统海军舰船传感器信息融合系统5859n基于音频和视频信息融合的身份识别 （

32、现代战争、现代身份验证）6061 机器人作为人类20世纪最伟大的发明之一，在短短的40年内发生了日新月异的变化。机器人已经不仅成为先进制造业不可缺少的自动化装备，而且正以惊人的速度向海洋、航空、航天、军事、农业、服务、娱乐等各个领域渗透。信息融合是机器人的现代支撑技术之一，它为多传感器的综合利用提供了最有效的技术手段。搬运和装配工业机器人62火星探测器上的机器人“漫游者漫游者”军用机器人战车6364图像融合在机器视觉监视系统中的应用图像融合可以增强影像中的信息透明度，改善解释的精度，提高可靠性及使用率。6566SAR与可见光在获取地物波谱特征信息的波段范围及方式不同）67u刑侦多传感器数据融合

33、技术在刑侦中的应用，主要是利用红外、微波等传感设备进行隐匿武器检查、毒品检查等。另外，将人体的各种生物特征如人脸、指纹、声音、虹膜等进行适当的融合，能大幅度提高对人的身份识别与认证能力，这对提高安全保卫能力是非常重要的。u故障诊断在工业监控应用中，每个传感器基于自身的检测统计量，可以提炼出有关系统故障的特征信息（故障表征）。在局部故障诊断处理单元，利用这些故障特征信息，并按照多种故障诊断方法对被诊断的对象做出是否有故障发生的推断。而融合中心则基于一定的准则进行融合处理，最终得出对象是否存在故障的决策。6869未形成基本的理论框架和有效广义模型及算法。未形成基本的理论框架和有效广义模型及算法。其

34、绝大部分工作都是针对特定应用领域内的问题其绝大部分工作都是针对特定应用领域内的问题来开展研究，也就是说目前对信息融合问题的研来开展研究，也就是说目前对信息融合问题的研究都是根据问题的种类，各自建立直观模型，并究都是根据问题的种类，各自建立直观模型，并在此基础上给出所谓的最佳融合方案。在此基础上给出所谓的最佳融合方案。 由于理论欠缺现象阻碍了研究者对信息融合由于理论欠缺现象阻碍了研究者对信息融合本身的深入认识，也使得信息融合在某种程度上本身的深入认识，也使得信息融合在某种程度上仅被看成是一种多传感器信息处理概念；人们无仅被看成是一种多传感器信息处理概念；人们无法对面向对象的融合系统作出综合分析和

35、评估，法对面向对象的融合系统作出综合分析和评估，使得融合系统的设计常有一定的盲目性。使得融合系统的设计常有一定的盲目性。n关联的二义性是信息融合中的主要障碍。关联的二义性是信息融合中的主要障碍。n在进行融合处理前，必须对信息进行关联，以保在进行融合处理前，必须对信息进行关联，以保证融合的信息是来自同一目标或事件。如果对不证融合的信息是来自同一目标或事件。如果对不同目标或事件的信息进行融合，将难以使系统得同目标或事件的信息进行融合，将难以使系统得出正确的结论。这一问题称为关联的二义性，是出正确的结论。这一问题称为关联的二义性，是信息融合中主要的障碍，怎样确立信息可融性的信息融合中主要的障碍，怎样

36、确立信息可融性的判别准则，如何进一步降低关联的二义性已成为判别准则，如何进一步降低关联的二义性已成为如何研究领域亟待解决的问题。如何研究领域亟待解决的问题。71融合系统的容错性和稳健型没有得到很好的解决。冲突信息或传感器故障产生的错误信息等的有效处理，即融合系统的容错性和稳健型是必须考虑的问题。信息融合系统的设计还存在许多的实际问题。例如严格的系统设计工程和规范，传感器测量误差模型的建立，复杂环境下的系统实时响应，大知识库的建立以及管理等。72通过对国内外相关研究的分析和总结可以看出，尽管许多比较成熟的信息处理方法，如卡尔曼滤波、Bayes 估计理论等通过适当的变换和改进，已经作为信息融合方法

37、应用于模式识别领域中，也显著提高了识别的性能，但是这些经典的方法约束条件多对对象的形式和特性要求比较高，难以解决带有不确定性和对象特性比较复杂的识别问题。因此，具有鲁棒性、自适应性和自学习能力的智能化信息处理方法逐渐成为构建信息融合新方法的主要途径。n1Waltz E, Lilnas J . Multi-sensor data fusion M . Boston: Artech House, 2000. 9 - 17.n2A. Noureldin, A. El-Shafie, M. R. Taha. Optimizing neuron-fuzzy modules for data fusion

38、 of vehicular navigation systems using temporal cross-validation. Engineering Applications of Artificial Intelligence, 2007, 20(1):49-61n3P. C. Lin, H. Komsuoglu, D. E.Koditschek. Sensor fusion for body state estimation in a hexapod robot with dynamical gaits. IEEE Transactions on Robotics. 2006, 22(5): 932943n4Zhang, Y. and Q. Ji, Efficient Sensor Selection for Active Information Fusion. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART B-CYBERNETICS, 2010. 40: p. 719-728.n5Agaskar, A., T. He and L. Tong, Distributed Detection of Multi-Hop Informatio