数据融合的理论课件

第一章概论1.1数据融合的目的和应用1.2数据融合的理论基础1.3数据融合的实现技术1.4数据融合的研究现状和如何推动我国数据融合研究的进展第一章概论1.1数据融合的目的和应用 1.1数据融合的目的和应用

现代战略监视和自主武器系统的性能及部署速度都要求开发全新的数据处理技术。现代战争威胁的多样化和复杂化导致对传统的数据和信号处理系统提出了更高的要求。先进的作战管理系统在控制日益增多的复杂武器系统时,必须从大量的可移动的和活动的传感器台站收集数据并加以融合。为了满足实时防御系统的要求,需要对数据进行迅速有效的处理,但传统的数据处理常常做不到这一点。特别是,当所需要检测的目标信号淹没在大量噪声及不相关信号与杂波中时,应用人工方法对微弱目标信号进行实时检测和提取已不可能。因此,需要开发对多源信息进行有效融合处理的新型理论和技术。

1.1数据融合的目的和应用

现代战略监在未来战争中,电磁环境将异常复杂,无论是空战、海战还是陆战以至于陆、海、空相结合的立体战争,都将日益依赖于各种传感器设备。在实战中,传感器将受到各种欺骗和干扰,检测目标的数量日益增多,运动速度越来越快,而且多数目标采用隐身技术和低空/超低空突防技术,使传感器难以捕获和跟踪。这种现状使得数据融合(DataFusion)作为一种特殊的作战手段已渗透到几乎所有军事部门和各个作战领域,数据融合已不仅是高技术战争的先导,而且贯穿于战役的全过程,深刻地影响着战争的进程和结局。在未来战争中,电磁环境将异常复杂,无论是空战、海战还是陆目前,要给出数据融合这门学科的一般概念是非常困难的,这种困难是由所研究的内容的广泛性和多样性带来的。自从海湾战争以来,致力于数据融合研究的人数和这一领域著作的数量都显著地增加了。这门学科每年都在以大量的新成果丰富自己,获得越来越多的内容。目前,要给出数据融合这门学科的一般概念是非常困难的,这种已经给出的数据融合概念的定义都是功能性的。美国国防部JDL(JointDirectorsofLaboratories)从军事应用的角度将数据融合定义为这样的一种过程,即把来自许多传感器和信息源的数据和信息加以联合(Association)、相关(Correlation)和组合(Combination),以获得精确的位置估计(PositionEstimation)和身份估计(IdentityEstimation),以及对战场情况和威胁及其重要程度进行适时的完整评价。这一定义基本上是对数据融合技术所期望达到的功能的描述,包括低层次上的位置和身份估计,以及高层次上的态势评估(SituationAssessment)和威胁估计(ThreatAssessment)。已经给出的数据融合概念的定义都是功能性的。美国国防部JD

EdwardWaltz和JamesLlinas在文献［2］中对上述定义进行了补充和修改,用状态估计代替位置估计,并加上了检测(Detection)功能,从而给出了如下定义:数据融合是一种多层次的、多方面的处理过程,这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计,以及完整、及时的态势评估和威胁估计。EdwardWaltz和JamesLlinas在文献［2关于数据融合研究的范围现在尚无定论,以军事应用为目标的数据融合技术也可用于工业和农业,诸如城市规划,资源管理,气候、作物及地质分析等。因此,从人们在数据融合范围内所进行的研究或活动来看,数据融合可以广义地概述为这样的一种过程,即把来自多传感器的数据和信息,根据既定的规则,分析、结合为一个全面的情报,并在此基础上为用户提供需求信息,诸如:决策、任务、航迹(Track)等［3,4］。简单地说,数据融合的基本目的就是通过组合,可以比从任何单个输入数据元素获得更多的信息。关于数据融合研究的范围现在尚无定论,以军事应用为目标的数数据融合系统的开发受现代战争需求的驱动。现代战争的许多因素要求及时地提供精确、易于理解的信息来取代大量的原始信息。因此,模拟人的思维方式,提高处理速度、容量或改善处理精度是形成数据融合的重要原因。

随着科学技术的发展,现代武器的速度#,射程#,命中精度#,杀伤力和机动性等战术技术性能大大提高,战争的范围正向外层空间扩展,战争的突然性大大增加,作战的方式常常是诸兵种协同行动,因此,原来的指挥体制#,方式和手段远远不能适应现代战争的这些要求。于是,世界各国在大力发展武器系统的同时,非常重视C3I(Command,Control,CommunicationandIntelligence)系统。C3I系统是一种用于军事目的的信息系统,是指挥人员对部队进行管理,实施指挥控制所使用的以计算机为核心技术的人机系统。数据融合系统的开发受现代战争需求的驱动。现代战争的许多因数据融合在军事C3I中的应用范围列举如下:

(1)使用单一的武器平台或分布式传感器网络的广域监视系统；

(2)采用多传感器发现、跟踪和指挥导航的火力控制系统；

(3)收集情报系统(态势和威胁估计)；

(4)敌情指示和预警系统；

(5)使用传感器的自主式武器；

(6)军事力量的指挥和控制。数据融合在军事C3I中的应用范围列举如下:

(1)使多传感器数据融合在解决探测、跟踪和识别问题方面,具有如下的性能裨益:

(1)生存能力强——在有若干传感器不能利用或受到干扰,或某个目标/事件不在覆盖范围时,总会有一种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,扩展了空间覆盖范围,一种传感器可以探测其它传感器探测不到的地方；

(3)扩展了时间覆盖范围——用多个传感器的协同作用提高检测概率,某个传感器可以探测其它传感器不能顾及的目标/事件；

(4)提高了可信度——一种或多种传感器对同一目标/事件加以确认；多传感器数据融合在解决探测、跟踪和识别问题方面,具有如下

(5)降低了信息的模糊度——多传感器的联合信息降低了目标/事件的不确定性；

(6)改进了探测性能——对目标/事件的多种测量的有效融合,提高了探测的有效性；

(7)提高了空间分辨率——多传感器孔径可以获得比任何单一传感器更高的分辨率；

(8)增加了测量空间维数——系统不易受到敌方行动或自然现象的破坏。

与单传感器相比,多传感器系统的复杂性大大增加,由此会产生一些不利因素,如提高成本,降低系统可靠性,增加设备物理因素(尺寸#,重量#,功耗),以及因辐射而增大系统被敌方探测的概率等。在执行每项具体任务时,必须将多传感器的性能裨益与由此而带来的不利因素进行权衡。(5)降低了信息的模糊度——多传感器的联合信息降低了目标随着电子信息技术的迅猛发展和它在军事领域中的广泛应用,新的军事技术革命正在形成。未来战争将是作战体系间的综合对抗,在很大程度上表现为信息战的形式。而建立具有合成作战的指挥能力和智能化的决策指挥能力的指挥控制系统的瓶颈是数据融合技术,因为夺取信息优势是取得战役乃至战争胜利的关键。因此,关于多传感器数据融合理论和技术的研究对于我国国防建设具有重要的战略意义和社会效益。另外,军事电子信息系统是典型的信息系统,这类系统对多传感器数据融合所提出的技术要求都具有非常普遍的意义。因此,关于多传感器数据融合理论和技术的研究成果还可以通过转化,扩展到有类似特征的民用信息系统中,例如,大型经济信息系统、决策支持系统、交通管制系统、工业仿真系统、金融形势分析系统等,因而可进一步获得更广泛的经济和社会效益。随着电子信息技术的迅猛发展和它在军事领域中的广泛应用,新 1.2数据融合的理论基础

1.2.1数据融合的一般处理模型

EdwardWaltz和JamesLlinas在文献［2］中提出了对数据融合的两点认识:

(1)数据融合可广泛地应用于对C3I有核心意义的基本人工处理;

(2)数据融合有公共的理论基础,它与具体的应用无关,所以顺理成章地自成学科。基于这两点认识,EdwardWaltz和JamesLlinas努力为数据融合的研究者提供一个公共参考框架,其要点是开发一个数据融合的一般处理模型及相应的分类和专用词汇,为进一步给出数据融合的一些论点和文体提供一个公共参考。 1.2数据融合的理论基础1.2.1数据融合的一为了建立公共的语言和概念,White［5］给出了一个著名的一般处理模型,其基本思想如图1.1所示,它把数据融合分为3级:

(1)一级——融合的位置和标识估计；

(2)二级——敌我军事态势估计；

(3)三级——敌方兵力威胁估计。为了建立公共的语言和概念,White［5］给出了一个著名图1.1数据融合处理模型图1.1数据融合处理模型

这个模型已成为我国学者研究数据融合的基本出发点。将数据融合分为3个级别,确定了处理流中人为的逻辑分割。这些级的建立,也部分地得到了有关数据处理过程的共同术语。该模型强调信息产品,即数据融合处理中的各个步骤,

而不强调计算机上的结构形式。当处理从一级移到三级时,该模型也强调推理层次,经过这些层次,融合产品的大部分将从很特殊的情况推广到较一般的情况。在本章的随后几节里,我们将看到数据融合过程是如何按照这一模型被逐步细化并形成一个基本框架的。这个模型已成为我国学者研究数据融合的基本出发点由于数据融合是对多源信息进行阶梯状的、多层次的处理过程,所以我们对一个数据融合系统应该提出这样的要求:该系统所实施的每一个融合过程,在其每一个环节上,各种数据所携带的有用的信息量都应发挥到最大的程度,使得融合结果对系统用户有利；而且,每一数据所携带的有用信息量在其所处的局部过程中所起的作用,应该与其它部分的作用有机地承接在一起,以至于当一个局部过程十分紧密地接近于感觉经验的时候,由此产生的有效数据的作用不致在进入系统的其它过程时被减弱,即系统的各个部分达到了和谐与统一。由于数据融合是对多源信息进行阶梯状的、多层次的处理过程,1.2.2数据融合的概念与结构分类

实现数据融合系统的结构化是许多有远见的研究人员一直关注的问题之一,这项工作将推动数据融合学科不断走向成熟。将融合处理结构化的工作在20世纪80年代中期已经开始进行,当时人们意识到需有通用的处理结构以改善研究人员之间的交流。按照Reiner［6］的观点,将跟踪器—相关器功能结构分为集中式、自主式和混合式3种类型;同时,Yannone［7］又提出了“测量集级”融合、“航迹文件”融合和“公共孔径”融合的分类概念;稍后,Blackman［8,9］也评价了一个类似的结构集,称为中心法、传感器法和组合法。上述分类思想反映了一级数据融合中加工原始数据、加工预处理过的局部融合数据,以及将两者相结合的方法。对于单纯的自动目标识别(ＡＴＲ)问题,Pemberton［10］等人提供了一个类似的体系结构分类,给出的3种类型分别是后置预处理器自动目标识别、特征级自动目标识别和混合自动目标识别。上述分类思想被往后的研究者不断推敲和深化,逐渐趋于成熟。1.2.2数据融合的概念与结构分类

实现数据融合系统的1.2.2.1目标跟踪

一、概述

动态目标处理需要对目标位置进行连续的或按时间采样的离散测量,并且要有估计目标运动行为的能力,以预测连续的传感器范围内目标的下一个位置。该处理需要将每个新的传感器数据集合与目标航迹的预测位置反复进行关联,以确定哪一个传感器检测是当前的检测或是新目标或是虚警。相对简单的应用包括单传感器—单目标跟踪和单传感器—多目标跟踪。1.2.2.1目标跟踪

一、概述

动态目标处理需要数据融合的理论课件许多复杂的多目标跟踪问题包含多传感器,它们具有不同的目标视角、测量几何形状、精度、分辨率和视野。尽管通过考虑空间之外的参数可使不同传感器观测中固有的属性数据能够辅助这种关联处理,但是这些传感器中任何特性的不同将会使测量的关联问题复杂化,一个通用的递推关联和跟踪功能如图1.2所示。许多复杂的多目标跟踪问题包含多传感器,它们具有不同的目标视角数据融合的理论课件

图1.2显示了怎样完成不同的功能处理以产生目标航迹文件,其中数据关联和关联控制是两种最基本的功能。如图1.2所示,关联功能完成一个基于ｍ个假设的ｍ维判定(相关)处理,即将每个到来的观测与既定的判定准则相比较。这些

准则包括n个已有航迹的判定准则、新航迹检测准则和虚警准则。判定的结果,将在下述集合中做出选择,用以分配新的观测:

(1)一个已有的航迹或为进行估计更新的航迹(航迹的“维持”或“继续”)；

(2)一个新的目标,以起始一条新的航迹；

(3)虚警。图1.2显示了怎样完成不同的功能处理以产生将一个新观测分配给一条已有的航迹是按照跟踪门规则进行的。跟踪门(或关联区域)是跟踪空间中的一块子空间,中心位于被跟踪目标的预测状态,其大小由接收正确回波的概率来确定。若新观测满足某目标的跟踪门规则,则新观测被分配给该目标航迹;当新观测不落入任何已有航迹的跟踪门内时,此观测可能为新的目标或虚警,由此可建立新的目标航迹或摈弃虚警目标。数据关联还要最后确定最合理的观测/航迹配对。随后的状态估计用来预测每条航迹在下一个观

测周期中的状态。这些预测的航迹状态被反馈,以便与下一步的观测进行关联。将一个新观测分配给一条已有的航迹是按照跟踪门规则进行的。二、多目标跟踪的功能要素

1.数据关联与状态估计

数据关联包括计算所有假设的得分和使用关联门限把每个校准时间的备选航迹与新的传感器航迹进行比较,将落入门限之内和门限之外的观测分配给各自的现有航迹或起始一条新航迹。如图1.3所示,由传感器接收到的观测数据首先用于更新已建立的航迹,关联准则用于确定观测/航迹配对是否合理或者正确,数据关联将最后确定观测、航迹配对;然后根据跟踪维持方法(包括机动辨识及自适应滤波与预测)估计出每条航迹的真实状态。在跟踪空间中,那些不与已经建立的航迹相关的观测可能来自新的目标或是虚警,由跟踪起始方法可以辨别其真伪,并相应地建立新的档案;当某些目标逃离跟踪空间后,由跟踪终结方法可消除多余的目标档案,以减轻不必要的计算负载。二、多目标跟踪的功能要素

1.数据关联与状态估计

数在实际的多目标跟踪环境中,会出现这样的情况:要么多个观测位于同一跟踪门内,要么单个观测位于多个跟踪门的交集内。一般用两种方法解决此类问题。第一种方法是“最近邻”方法［11,37］,即选择使统计距离最小或残差概率最大的回波作为目标回波；第二种方法是“全邻”方法［12］,该方法考虑落入跟踪门内的所有回波,根据相关情况计算出各概率加权系数以及跟踪门内各回波的加权和,即等效回波,然后用各等效回波更新多个目标的状态。此方法对密集多目标环境有较好的应用价值,受到众多研究者的重视,其典型的代表是相互作用多模型—概率数据互联方法［13,14］、联合概率数据互联方法［15］和多假设方法。在实际的多目标跟踪环境中,会出现这样的情况:要么多个观测

2.跟踪维持

跟踪维持即连续保持跟踪,其目的是保证被跟踪目标可分辨且不发生误跟和失跟现象。跟踪维持包括机动识别和自适应滤波与预测部分。

3.跟踪起始

跟踪起始是一种建立新的目标档案的决策方法,主要包括假定航迹形成,航迹初始化和航迹确定3个方面。一般地,不与已知航迹相关的观测被用来形成新的假定航迹,进而进行航迹的初始化处理。2.跟踪维持

跟踪维持即连续保持跟踪,其目的是保证被数据融合的理论课件

4.跟踪终结

跟踪终结是消除多余目标档案的一种决策方法,当被跟踪目标逃离跟踪空间或者被摧毁时,为避免不必要的存储与计算,跟踪系统自动消除多余的目标档案,完成跟踪终结功能。4.跟踪终结

跟踪终结是消除多余目标档案的一种决策方

5.空间校对

把报来的传感器数据变换到一个公共空间参考点上与目标数据库或航迹文件中的其它测量进行校对。

6.备选物的选择

在空间上经校对的传感器测量的位置及其属性数据用来选择目标数据库中所有与关联备选测量邻近的检测或航迹。

7.关联控制

利用测量方差、测量时间或其它因素调整得分处理或关联门限的维数。

8.估计器控制

在航迹估计器模型中除了稳态行为以外,

还必须检测航迹行为的实际变化(如目标机动),以调整随后变化过程行为的模型参数。5.空间校对

把报来的传感器数据变换到一个公共空间参三、跟踪系统分类

1.集中式

集中式将各传感器结点的数据都送至中央处理器进行融合处理(图1.4)。此方法可以实现实时融合,其数据处理的精度高,解法灵活,缺点是对处理器要求高,可靠性较低,数据量大,故难于实现。

2.分布式

在分布式中,各传感器利用自己的量测单独跟踪目标,将估计结果送至总站,站再将子站的估计合成为目标的联合估计(图1.5)。分布式对通信带宽需求低、计算速度快、可靠性和延续性好,但跟踪精度没有集中式高。三、跟踪系统分类

1.集中式

集中式将各传感器结数据融合的理论课件

3.混合式

混合式是以上两种形式的组合(图1.6)。

多目标跟踪问题由于存在许多限制因素而复杂化,这些限制因素包括:

(1)目标数目和目标密度;

(2)传感器探测性能(一般用ROC曲线表示,笔者在本书第三章中将基于ROC曲线提出另一种新的评价指标);

(3)目标重现率和目标动态特性;

(4)传感器测量精度和过程噪声;

(5)传感器或模型偏差;

(6)背景噪声源(如空域、地面杂波);

(7)状态估计器性能。3.混合式

混合式是以上两种形式的组合(图1.6)。对于一个特定的跟踪环境,各因素之间可能相互影响。当前的研究现状是,各自根据对上述部分因素的考虑而开发各种专门的解法。这些解法可以在不同的跟踪应用中发挥作用。笔者认为现在迫切需要做如下两项工作:

(1)建立多目标跟踪的一般理论,谋求往后的工作有一个统一的理论框架以便于比较和进一步推广。

(2)建立多目标跟踪系统的评价模型,用以比较各种方法的优劣,为实时跟踪系统选择跟踪方案提供依据。对于一个特定的跟踪环境,各因素之间可能相互影响。当前的数据融合的理论课件数据融合的理论课件1.2.2.2身份识别

身份识别就是对基于不同传感器得到的目标属性数据所形成的一个组合的目标身份说明。要预先度量所有已知目标的属性,将其作为身份识别的基础。该处理力图把每个组合的测量归入可能的目标集合中的一种目标模型。身份估计比位置估计的范围更广泛,它包含大量的变量。在多传感器分类处理中,可能需要几个观测模型进行广泛的预先试验以刻画传感过程。标识的非度量形式容许许多类型的标识表示技术,每一种可以采用不同的方法进行计算。这些复杂性使得标识说明处理比位置融合在更广的范围中进行。身份识别的概念如图1.7所示。1.2.2.2身份识别

身份识别就是对基于不同传感器得数据融合的理论课件

在图1.7中,传感器数据被预处理以得到一个表示观测数据的特征向量Yi,然后,身份说明可以通过模式识别(聚类算法、自适应神经网络或其它统计模式识别方法等)获得。这些方法可用来把特征向量转换成相应的观测对象的身份说

明。和目标跟踪中数据关联的情形一样,这些身份说明也必须按照其是否表示同一个观测对象进行分类。数据库中的直接测量特性、行为特性和上下文信息的任意组合都可用来对目标进行分类。身份估计可以储存某些类型的先验知识,以完成组合处理。这些先验知识包括:在图1.7中,传感器数据被预处理以得到一个表

(1)保存结构化模型,用以确定目标属性与目标或目标类之间的关系；

(2)行为模型,包括目标/事件的时间或空间行为；

(3)启发式推理规则；

(4)数学模型,用以把传感器数据与已知目标类型的先验信息进行比较,从而对传感器数据进行分类。

这里假设只进行身份识别,而实际的情况是,位置识别和身份融合常常同时发生或交替进行。(1)保存结构化模型,用以确定目标属性与目标或目标类之间在图1.7中,按信息抽象程度,身份识别可分为3个层次:数据层融合#,特征层融合和决策层融合。具体方法的选择依赖于传感器的数据类型或传感器预处理的数据类型,也可以采用把这些方法结合起来使用的混合方法。

1.决策层融合

图1.8(a)表示决策层融合。在这种方法中,每个传感器执行一个变换以得出一个独立的身份判定,来自每个传感器的身份判定继而被融合。在这里,对身份判定进行融合的技术有投票表决法、贝叶斯方法、DempsterShafter方法、广义证据推理理论,以及根据不同情况而专门设计的各种方法。在图1.7中,按信息抽象程度,身份识别可分为3个层次:数图1.8多传感器目标识别的层次结构图1.8多传感器目标识别的层次结构数据融合的理论课件2.特征层融合

特征层融合方法如图1.8(b)所示。在该方法中,对每个传感器的观测数据进行特征抽取以得到一个特征向量,然后把这些特征向量融合起来并根据融合后得到的特征向量进行身份判定。在这里,可以用来进行身份判定的技术包括聚类算法,神经网络,模板法等。在特征层方法中,必须通过一个相关过程将特征向量分成有意义的组,因为特征向量之间可能有较大的差别（如傅里叶系数#,时域特性等）。目标位置信息可能对该相关处理过程是有用的。2.特征层融合

特征层融合方法如图1.

3.数据层融合

如图1.8(c)所示,对每个传感器的检测数据进行特征抽取,将各特征参数融合后得到关于目标的一个综合的特征向量,并由此进行身份识别判定。其优点是保持了尽可能多的原始信息,缺点是处理的信息量大,因而处理实时性较差。3.数据层融合

如图1.8(c)所示,对每个传感器1.2.2.3态势评估和威胁估计(ＳＴＡ)

EdwardWaltz和JamesLlinas综合多篇文献的研究成果,定义了主要的态势元素和威胁元素,并通过分析这些元素之间的相互关系导出了ＳＴＡ的功能结构,从而提供了二、三级数据融合的概念表征。这为进一步的研究工作奠定了出发点。

SＴＡ的最终目的是获得一个或多个军事问题的求解方案。现有的军事理论无法满足这个需要,于是出现了一批有指导意义的文献,讨论军事问题求解过程的各种模型结构,为设计自动或半自动决策分析系统提供理论支持（该系统试图模仿或接近人的推理模式）。1.2.2.3态势评估和威胁估计(ＳＴＡ)

Edwar

Dieterly应用状态转移模型将军事判定问题分为单一状态、多结束状态、多转移、多结束状态和多转移,以及全部多重等5种情况。对每种情况按照8个基本问题模型考虑了40种可能的问题态势,并分别给出了略有不同的求解技

术。求解过程可以按照下述5个步骤进行:

(1)初始直觉问题（目标驱动）;

(2)阐明希望状态;

(3)阐明当前态势;

(4)备选行为选择和评估;

(5)计划选择。Dieterly应用状态转移模型将军事判定问题分为单一状整个过程由达到一个所希望的最终的兵力部署意图来驱动。另外,Deidelhnher提出了一个与上述判定过程相类似的一个层次判定模型,用以阐明多个军事单位协同作战的ＳＴＡ的实现问题。

一个著名的战术判定过程的动态模型是由Wohl给出来的,被称为激励假设选择响应（SHOR）模型。该模型考虑了军事问题求解中信息的不确定性和行为结果的不确定性,以及与战略目的环境中的战斗直接有关的战术应用。Wohl详细规定了SHOR模型中的数据处理任务和信息处理任务。数据处理包括数据归并、压缩和聚类#,数据搜索和扫描,以及合理安排数据、事件检测、识别和确认等；信息处理任务包括数据关联#,状态和参数估计、假设生成、态势评估和威胁估计、判定状态估计等。SHOR模型为用一般术语描述判定任务提供了一个工具。整个过程由达到一个所希望的最终的兵力部署意图来驱动。另外

EdwardWaltz和JamesLlinas综合报导了C3I系统的基础理论。我们看到,已经开发的一些数学模型已大体上能够描述实际战斗的功能行为,如Lanchester战斗模型、热动模型、规范模型、状态空间模型等。这些模型对于开发富有实际意义的,能把精确信息与敌我双方兵力效能联系起来的工具是有潜在意义的。

回顾一下人们在这方面所开展的大量研究工作,就可以发现迄今为止还没有给出ＳＴＡ系统的正确性的一个标准度量公式,甚至正确性至今还是一个很不清楚的概念。具体到对这一领域有巨大吸引力的专家系统,也不易找到一个唯一的评价标准。与一级融合处理不同,在那里正确性很容易定义。我们可以通过传感器的目标分辨率等评估标准为现有的目标跟踪和识别方法依次提供评估质量和手段。EdwardWaltz和JamesLlinas综合报导了基于上述认识,可以说ＳＴＡ的基础理论还很不成熟。从数据融合规则在形式和精确性上的要求来看,也可以说ＳＴＡ理论还没有真正产生。但是从人们已开展的基础理论以及为实现ＳＴＡ而涉及的众多技术领域的研究进展来看,

我们认为ＳＴＡ的前景仍将是乐观的,至少从当前和今后一个时期,STA方法可直接向军事指挥员提供一个智能视野,例如敌我双方兵力结构、使用和特点的估计。基于上述认识,可以说ＳＴＡ的基础理论还很不成熟。从数据融 1.3数据融合的实现技术

1.3.1目标跟踪

多传感器目标跟踪领域的一个研究重点是如何解决杂波干扰和目标高度机动的情况下的目标跟踪问题。在可用的算法中,有代表性的是概率数据互联（ＰＤＡＦ）算法和多模型算法（ＭＭＦ）,前者在杂波环境下有很好的跟踪性能,后者适用于目标高度机动的情形,由此导出相互作用多模型—概率数据互联（ＩＭＭＰＤＡＦ）以适用于杂波环境中机动目标的跟踪问题而备受推崇。 1.3数据融合的实现技术

1.3.1目标跟踪

Bar-Shalom在1975年提出了概率数据互联滤波器:其中xi(k/k)表示在θi(k)出现的情况下的条件估计,θi(k)表示k时刻第i个量测Zi(k)来自目标的正确量测,βi(k)表示第i个量测来自第k个目标这一事件的概率(量测i源于目标k的概率)。概率数据互联滤波器将目标跟踪转化为计算每一量测i来自被跟踪目标k的互联概率。这种方法尤其适用于杂波环境下的目标跟踪,其存在的主要问题是需要计算所有可能量测的概率,从而很难满足实时性的要求。^Bar-Shalom在1975年提出了概率数据互联滤波器:Blom1984年提出了多模型滤波器(基于Kalman滤波器):其中μj(k)表示模型Mj在k时刻正确的概率。在这种算法中,每一个模型对应一个不同的机动输入水平,它可以以较大的计算资源来换取机动性能的提高,而主要问题是如何选择保持最佳跟踪性能的离散机动水平。

Blom和Bar-Shalom在1988年基于各自的思想进行合作研究,提出了相互作用多模型——概率数据互联滤波器:Blom1984年提出了多模型滤波器(基其中表示模型i的PDAF输出,这种算法适用于杂波环境下密集机动目标的跟踪。

近20年来,受到Blom和Bar-Shalom思想的激励,关于概率数据互联和多模型算法的研究变得十分活跃,这些算法正在应用于多传感器情形。

多传感器目标跟踪有两种主要的可选方案,报告—航迹关联和航迹—航迹关联,其中每种关联又可分为递推关联和成批关联两种类型。关联的定量度量可以采用启发函数、距离函数、似然函数及后验概率函数等。其中表示模型i的PDAF输出,这图1.9报告—航迹的递推关联图1.9报告—航迹的递推关联图1.10是一个成批关联估计方法的示例。批处理作用于一个按时间排列的测量序列上,包括一段时间内的所有观测。图中表明4个传感器扫描,其中每个扫描在矩形传感器视野中产生若干观测。这4个现场的叠加表示4个扫描所产

生的观测序列,而由此导出的假设表示能够对观测进行关联的不同方法。每个假设表示一个可能的解,它把观测数据关联为可能的航迹集合。关联处理最终选择一个假设,该假设能够最佳地解释这些观测数据。图1.10是一个成批关联估计方法的示例。批处理作用于一个图1.10报告—航迹的成批关联图1.10报告—航迹的成批关联报告—航迹关联的详细推导在许多情况下都与性能分析结果相联系。对于不同步传感器,可以用一个自适应估计器(类似于单一传感器情况),它能够调整进行数据处理的每个传感器的卡尔曼测量矩阵和测量协方差矩阵。对于同步传感器,有3种可能的实现方法:

(1)并行计算——直接改进卡尔曼状态更新方程以顾及到来自多个传感器的所有输入测量;

(2)伪序贯方法——对于每一个有n个传感器观测的集合,该处理需要递推n次；

(3)数据压缩方法——把所有的传感器测量变换到一个公共的坐标系中。报告—航迹关联的详细推导在许多情况下都与性能分析结果相联航迹—航迹关联把来自每个传感器的航迹数据进行关联,最终把多传感器数据合并为共同的中心级航迹。递推的航迹—航迹互联估计方法如图1.11所示。每个传感器级跟踪器提供目标的状态向量及目标航迹的协方差数据。航迹—航迹门限用来确定临近中心级航迹的传感器航迹。航迹—航迹关联把来自每个传感器的航迹数据进行关联,最终把图1.11航迹—航迹关联的递推估计图1.11航迹—航迹关联的递推估计成批的航迹—航迹关联如图1.12所示。每个传感器提供一个数据扫描集合,用分配的航迹观测来表示每条航迹,然后对航迹曲线使用曲线拟合处理来求解关联问题,包括在同一时间周期上出现的两段航迹的关联,可结合为同一条航迹；或者在不同的但临近的时间周期上所出现的两段航迹的关联,可连接成一条连续的航迹。成批的航迹—航迹关联如图1.12所示。每个传感器提供一个数据融合的理论课件航迹—航迹关联的简单方案有3种:

(1)航迹选择:简单地选择一条“最佳”传感器航迹作为中心航迹估计,并且不计算合成或融合估计；

(2)状态向量融合:把被关联上的状态向量结合到一个线性估计器中以导出一个中心级航迹估计;

(3)测量融合:使用传感器测量（而不是航迹—航迹融合情况的传感器估计）来计算目标状态的一个中心估计。这是一种较精确的方法。航迹—航迹关联的简单方案有3种:

(1)航迹选择:简1.3.2目标识别

1.3.2.1物理模型

物理模型所采用的技术是根据物理模型直接计算实体的特征（时间域,信号,数据,频域数据或图像）,如图1.13所示。由传感器观测产生观测特征或图像,由身份判别过程把观测数据与预先存储的目标特征（一个先验的目标特征文件）或根据对观测数据进行预测的物理模型所得出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规定的阈值,则认为两者存在匹配关系（身份相同）。1.3.2目标识别

1.3.2.1物理模型

物理图1.13身份识别的物理模型图1.13身份识别的物理模型预测一个实体特征的物理模型必须建立在要识别的物体的物理特征的基础上。对每一种物体或每一类型的物体可能需要建立一个物理模型的例子,例如用数字信号模拟来预测发射机的发射情况。在实际应用中,物理模型可能变得非常复杂,因而需要设计庞大的软件程序。即使当物理模型相对简单或者使用一个先验特征数据时,观测模型和处理过程也可能相当复杂。可以假设一个成像传感器被用作遥感,并且我们已经有较简单的模型,例如一个两维的几何图形,或者一个实体的真实照片。原则上,识别过程是很简单的,我们只是把观测图像与模型或一张事先得到的照片进行比较。但实际上为了把得到的观测数据与预测的模型或已有的照片进行匹配,可能需要相当多的处理工作,这些工作列举如下:预测一个实体特征的物理模型必须建立在要识别的物体的物理特征的

1.传感器的几何校正

从复杂的阵列和非线性光学结果中得到被观测对象的几何形状。

2.滤波器补偿

图像阵列（成像系统）的某些部分可能丢失或退化,滤波器补偿可对其退化了的部分效应进行修正。

3.平台几何校正

放置传感器的平台可能发生平移、倾斜或其它变化,处理时必须考虑这些因素对得到的图像的影响。1.传感器的几何校正

从复杂的阵列和非线性光学结果中

4.调制转移函数补偿

有可能要用模型来研究传感器中的光学或观测效应,这时可用调制转移函数补偿以使图像更加清晰。

5.动态距离调整

由于图像中的阴影或者亮度的变化可能使图像的解释产生困难,因而需通过距离调整(如直方图均衡)来调节一个图像相邻元素之间的对比度。

6.自动开发功能

采用自动化过程抽取图像的一部分,进行图像解释、伸缩、纠偏和识别线段等。

物理模型由于计算量很大,其应用一般来说很有限,但在非实时环境中(比如:当一个调查者能够花几天或几个月时间研究一个单一的观测数据集合或事件时),该方法对于研究所涉及的物理现象是非常有价值的。4.调制转移函数补偿

有可能要用模型来研究传感器中的1.3.2.2基于知识的方法

基于知识的方法有两个方面的内容:

(1)表示知识的技术;

(2)处理信息以得出结论的推理方法。

它们可以在原始传感器数据或抽取的特征的基础上进行。用此类方法进行目标识别的原理如图1.14所示。1.3.2.2基于知识的方法

基于知识的方法有两个方面数据融合的理论课件基于知识的方法的成功与否在很大程度上依赖于建立一个先验知识库。有效的知识库是用知识工程技术来建立的。这里虽然不明确要求使用物理模型,但却是建立在对要识别的实体的组成和结构有一个彻底了解的基础上的,因此,该方法只不过是用启发式的方法代替了数学模型而已。当目标物体能根据其组成部分及其相互关系来识别时,这种基于知识的方法就尤其有用,不仅如此,对于一个复杂的实体,这种方法会变得很有用。例如,发射体的识别可以很容易地通过物理模型、模板法或神经网络来完成。但是,在识别诸如地对空导弹基地这样的军事目标时,就需要识别几个组成部分,辨别它们的功能及相互关系,并进行一些推理,因此只有基于知识的技术才能更好地进行这类识别。基于知识的方法的成功与否在很大程度上依赖于建立一个先验知1.3.2.3参数分类技术

参数分类技术包括统计算法和应用信息论技术的方法。

统计算法有经典推理、Bayes方法、Ｄ－Ｓ方法等。经典推理技术在给定先验前提假设下计算一个观测的概率,它的缺点是:

(1)一次仅能估计两个假设（H0和H1）；

(2)多变量数据的复杂度高；

(3)不能直接使用先验似然估计。1.3.2.3参数分类技术

参数分类技术包括统计算法和

Bayes方法将Bayes公式用于目标标识估计,其缺陷是:

(1)定义先验似然函数困难；

(2)当存在多个可能假设和多条相关事件时复杂度高；

(3)需要对应的互不相容的假设；

(4)缺乏分配总的不确定性的能力。

关于Ｄ－Ｓ方法,人们不大满意的是该方法的综合规划在计算上的复杂度高。Bayes方法将Bayes公式用于目标标识估计,其缺陷是基于信息论技术的方法有参数模板、聚类分析、自适应神经网络、表决法、熵法等,其中聚类分析法对于探索新的数据关系提供一个有价值的工具。

所有聚类分析方法都需要定义一个相似性函数或关联度量以提供一个表示任意两个特征向量Yi和Yj之间“接近”程度或不相似程度的值。该方法的缺陷是其本身的启发性使得数据排列方式、相似性参数的选择、聚类算法的选择等都可能影响到所得的聚类。基于信息论技术的方法有参数模板、聚类分析、自适应神经网络1.3.3态势评估和威胁估计（ＳＴＡ）

在低层次的数据融合实现了对数据的压缩、提炼以后,其输出结果可作为高层次上的态势评估和威胁估计的主要依据。到目前为止,这一领域的发展相当缓慢。一方面,需要汇集这方面的知识。在现代指挥所内,专业范围是广泛的。态势评估需要考虑地理环境、兵力结构、社会政治等因素。威胁估计需要考虑敌方兵力的摧毁能力(DestructivePower)、弱点(Vulnerability)、意图(Intent)等因素。要全面获取这些知识并使其满足系统快速处理的要求,是有很大困难的。另一方面,要建立算法和推理机制。现有的研究结果表明单一的数学方法很难达到这一目标。人们谋求借助人工智能如专家系统、黑板技术、面向对象技术等来解决这一问题。已有一些专家系统被移植、扩充为具有一定功能的融合系统。1.3.3态势评估和威胁估计（ＳＴＡ）

在低层次的数据如1.2节所述,由于ＳＴＡ还缺乏理论基础,使得评估各种有效的处理方法的适应性变得相当困难。从方法论的角度,实现ＳＴＡ可以遵循以下原则:

(1)需求驱动的原则——将ＳＴＡ看作是由需求驱动的分层处理。

(2)使用多重方法（混合方法）的原则——分析ＳＴＡ的要素和功能,为使其应用于任一给定的ＳＴＡ问题,单一的方法是不能实现的,需要混合的方法集合,以达到方法上的最佳组合。

(3)构成依赖关系——通过考察ＳＴＡ要素间的关系（例如树形说明）以获得模型化的数学函数、事件顺序等。

(4)上下关系分析——这是一级融合产品的上下关系分析。利用一级融合的结果（战场实体的抽象位置、航迹和标识）来考察已定位的和已识别的实体的配制或网络。如1.2节所述,由于ＳＴＡ还缺乏理论基础,使得评估各种有1.3.3.1基于期望模板的技术

某些重要的态势要素(如兵力结构、兵力使用,事件顺序等)的先验模型称为模板。基于模板的方法就是通过开发这类先验模型来得到态势评估和威胁估计。模板结构形成反映要素之间关系的抽象框架,用以在实际应用中挖掘多源信息的有效性。ＳＴＡ的4个重要的模板类型为:

(1)作战条例模板——描述敌方作战条例对没有气象和地形影响的各类作战的使用情况（如编制、组织,正面宽度、纵深装备数量和比例等）。1.3.3.1基于期望模板的技术

某些重要的态势要素(

(2)态势模板——描述在气象和地形影响约束之下,敌方如何使用兵力和进行作战。

(3)事件模板——描述所期望的重要事件和活动出现的位置,以及重要目标将在哪里出现,以提供与敌方行动方针有关的最可能出现的活动所必需的信息。

(4)判定支持模板——描述重大事件和活动的关键支持点,以满足指挥员的决策需求。(2)态势模板——描述在气象和地形影响约束之下,敌方如何处理一个态势报告的4个步骤为:

(1)对接收到的态势报告进行校对,与系统库中的模板进行比较,查看是否是已知类型。若是已知类型,则建立一个模板请求。

(2)用新的模板请求填充模板空隙,并计算模板与接收的报告之间的总的符合度（激活度）。

(3)如果模板请求能充分说明接收的报告,则算法将删除任何数据说明较差的竞争请求,即修改这个模板集合。

(4)如果可能的话,将新的模板请求放入已有的高层模板的空隙中。处理一个态势报告的4个步骤为:

(1)对接收到的态势1.3.3.2人工智能技术

由于STA还缺乏理论基础,使得评估各种有效的处理方法的适应性变得相当困难。面对这样的研究现状,为了把态势评估和威胁估计问题纳入到坚实的逻辑数学处理的范围之中,美国国防部在优先发展的关键技术的计划中,将条件事

件代数理论、规划识别理论和计划识别理论的研究列为数据融合技术的基础理论的研究课题。1.3.3.2人工智能技术

由于STA还缺乏理论基础,人工智能应用于数据融合已显示出巨大的优越性,这一点在许多文献中已被再三强调过。人工智能与数据融合的许多思想是相互重叠的,将人工智能应用于数据融合问题中,其设计思想有很大的灵活性。所以,很难规定一个“标准”的求解策略。从人工智能技术应用于数据融合的现状来看,主要有两个方面,一个是运用规划理论,一个是基于知识的技术。人工智能应用于数据融合已显示出巨大的优越性,这一点在许多一、运用规划和路径识别理论

真实环境下的与领域无关的规划和规划识别、路径规划和识别、更具表达力的知识表示技术是态势评估和威胁估计研究中的3个重要方面。

在规划识别方面,已经从理论的角度证明了,尽管在真实条件下的规划识别问题不是逻辑完备的,但它是认知完备的,因而是可以认识的,并建立了规划识别的随机网络模型。

在路径识别方面,可以通过与军用领域无关的路径规划模型和技术的研究,解决真实条件下军用路径规划的问题:一、运用规划和路径识别理论

真实环境下的与领域无关的

(1)多种类多形式的信息源问题；

(2)对环境敏感,对应用领域不敏感的问题;

(3)动态、平滑地提供多个层次细节的环境信息问题。

最终给出结合状态图和最短路径两类算法优化的路径计算方法。

规划是指在行动之前确定行动方针。规划方法包括层次规划,非层次规划、基于脚本的规划、机遇规划等。规划理论可用来开发我军的行动计划或产生假设的敌方的行动计划。图1.15是一个高层计划识别模型的例子。其中LTM包含蓝方的目标知识和红方在具体战术态势中所执行的计划,PM使用KBS方法来提供与多个参战方的活动有关的推理能力,STM则为计划识别处理中所参照和使用的数据提供一个“黑板”数据存储区。(1)多种类多形式的信息源问题；

(2)对环境敏感,二、运用基于知识的方法

知识系统力图模仿人的批处理过程。基于规则的系统（ＫＢＳS）是当前归纳整理人类专家解决问题的知识的最有效手段（规则——特定形式的说明性或指令性知识）。HayesRoth给出了许多规则描述,同时还给出了一个基于

规则的系统结构,如图1.16所示。简单地说,该结构由一个知识库和一个推理机构成。Hayes－Roth说明了如何把规则用于演绎性知识以支持推理、验证或评估任务。二、运用基于知识的方法

知识系统力图模仿人的批处理人工智能方法已广泛地应用于态势评估和威胁估计问题,Ruoff在抽象级别上给出了C3I概念结构模型并分别以顶层功能形式和程序形式给出了C3I态势评估的行为模型,从而给出了一种与应用无关的开发态势评估专家系统的方法。大量

基于人工智能技术的研究工作都是针对特定的应用环境而使用某些类型的求解技术。进入20世纪90年代以来,出现了两个很有生命力的研究领域——基于多值逻辑的方法和条件事件代数理论。人工智能方法已广泛地应用于态势评估和威胁估计问题,Ruo图1.15计划识别模型结构图1.15计划识别模型结构图1.16图1.16

1.基于多值逻辑的态势评估和威胁估计

Yannone和Bonissone提出了一种基于多值逻辑的STA理论,较好地解决了STA分析中不定性的管理问题。这项工作十分鼓舞人心,它使得ＳＴＡ问题被纳入到了逻辑数学处理范围之内。

Yannone和Bonissone把不确定计算归纳为下述3个问题:

(1)如果前提是由多个子句构成的,如何聚并(Aggregation)与前提中各子句对应的不确定性以确定前提的不确定性;

(2)如果规则不表示逻辑含义,而是介于前提和结论之间的经验联合,那么如何聚并前提的满意程度和联合的强度,即如何通过规则传播不确定性；1.基于多值逻辑的态势评估和威胁估计

Yannone

(3)如果多条规则以不同的不确定性导出同样的结论,如何聚并每个规则的不确定性以导出结论的最终不确定性。

Yannone和Bonissone给出各种不确定计算的合取、析取和非操作,基于多值逻辑建立了定义一个不确定计算最小子集句法的理论框架,提供了解决上述问题的基本原理（Rationale）,最后讨论了不确定推理在态势评估和威胁估

计中的应用,Yannone和Bonissone还列举了关于战术战斗机和监督任务的若干条规则。(3)如果多条规则以不同的不确定性导出同样的结论,如何聚

2.语言和概率证据的综合理论——条件事件代数

美国著名的信息融合专家Goodman［23,27］基于一个有限集建立了一个特殊的条件事件代数(AlgebraofConditionalEvents)模型,并应用它解决了信息融合专家系统中的循环规则问题。条件事件代数理论已被公认在数据融合领域有重要的应用前景。这种理论可用来解决不确定性、概率性和模糊性推理问题。美国国防部将其列为数据融合公共基础理论研究项目,计划在1997年前完成该理论的研究工作。条件事件代数解决诸如下述问题,这些问题是发展和开发高层次数据融合系统迫切需要的。2.语言和概率证据的综合理论——条件事件代数

美国著

(1)对于事件a,b,c,d来说,“ifb,thena或ifd,thenc”的概率

是什么?其中b和d不一定相同,且P(ifb,thena)＝P(a/b)。

(2)如何结合(1)中与条件概率一致的if－then表达式来

估计一个我们感兴趣的参数?

(3)条件或非条件语言信息的引入如何影响信息的组合?

(4)如何解释组合证据中,如“if(ifb,thena),then(ifd,thenc)”

那样的高阶条件形式?

(5)能否研究出从前提推论出结果或用于语义/概率估计的if－then语句的逻辑线路？这对于强烈依赖于把推理规则结合起来的专家系统是特别重要的。(1)对于事件a,b,c,d来说,“ifb,thena或

(6)能否把随机变量的概念扩展到条件形式,使之与标准结果相容,也与条件语句的展开及其逻辑结果相容。在建立真实世界的实现时,这种随机变量必须作为度量函数发挥重要作用。

使我们感到惊奇的是直到前不久,上述问题或者被忽视,或者用非正式的或特定的方法进行处理。但是在对这些问题的历史作个简短的分析之后,就可以清楚地看到这些问题长期处在坚实的逻辑数学处理领域之外的原因。(6)能否把随机变量的概念扩展到条件形式,使之与标准结果布尔在其开创性的文献中提出了对集合或事件进行的4种运算。这4种运算在某种程度上类似于标准算术中的加(对应于并)、减(对应于集合的差)、乘(对应于交)、除(对应于事件的一个If－then结构)。由于缺乏严格性,也可能是由于误解,布尔代数的编纂者忽略了事件的布尔除。只是在过了100年之后,Hailperin才指出布尔除法可以通过代数分式进行充分的严格化和合理化。Hailperin还指出这些形式实际上等价于看起来比较简单的主理想陪集(PrincipalIdealCoset)形式。后来不断有人通过“条件事件”来建立条件信息模型这一问题的各个方面。即写成(a/b)形式的实体可独立于任何概率算子Ｐ,其自然语言解释是“Ifb,thena”,其数值估计为

P′((a/b))=P(ab)/P(b)

其中P′是Ｐ对这个实体的某种合理的扩展。布尔在其开创性的文献中提出了对集合或事件进行的4种运算。

Goodman首次全面论述了条件事件代数的基本研究现状并进行了批判性的分析,指出目前的主要问题是:

(1)如何建立条件随机事件；

(2)高阶条件的模型问题；

(3)条件事件代数和传统的面向数值方法的一般的不兼容性问题。

为了解决这些问题,Goodman提出了两种条件事件代数的新方法:第一种方法基于把普通的算术除法运算扩展到用零作除数的情况,并说明这样做对于解决上面提到的高阶条件问题和定义模糊条件集合的问题是有好处的;第二种方法是基于联合计算乘积表示,它不仅能解决上述3个问题,而且也可对模糊条件集合给出一个合理的定义,但该方法的一个缺点是其实现要增大计算的复杂度。Goodman首次全面论述了条件事件代数的基本研究现状并条件事件代数理论在自身不断发展完善的同时,已广泛地应用于人工智能和专家系统领域,从而为建立态势评估和威胁估计理论奠定了基础。

国外关于条件事件代数的研究十分活跃,IEEETran.onSystems,Man,anCybernet

ics(1994,Vol.24,No.12)专辑报道了条件事件代数研究的最新成果和动态。条件事件代数理论在自身不断发展完善的同时,已广泛地应用于

1.4数据融合的研究现状和如何推动

1.4.1理论研究应着眼未来、强调创新

在美国,数据融合最初的问题源于战争的需要,是由外部世界现象提出的。但随着数据融合的发展,人们意识到它的独立性。它独立地发展着,通常不受外部明显的影响,而是借助于推理,对概念进行一般化、特殊化的综合分析来提出自己的问题。数据融合既然是一门独立的学科,就应该有它自己的评价标准,不能把数据融合是否对实战有用当成唯一的评价标准或非常重要的标准。如果这样,必然限制数据融合的发展,因为随着计算机和微处理器的发展,许多算法的复杂性将不再成为其广泛应用的障碍。新的融合方法与概念有更普遍的作用与意义,并能将数据融合引向深入发展,因而常常比解决一个实际问题更为重要。我们的基础理论研究规划要着眼未来、强调创新。1.4数据融合的研究现状和如何推动

1.4.1基础理论研究主要包括建立不同种类数据融合过程的标准模式,用统一的术语和度量标准去解释基础过程,发展用于数据融合技术的公共理论基础。数据融合理论的主要发展方向集中在:

(1)信息融合系统的数据类别的收集方法、组织方法和管理方法；

(2)信息融合系统的知识类别的获取方法、表示方法、组织方法和管理方法;

(3)数据融合过程的功能分解；

(4)基于信息图(InformationGraph)概念的分布式多目标多传感器跟踪的一般理论研究；基础理论研究主要包括建立不同种类数据融合过程的标准模式,

(5)多传感器情形下相互作用多模型——概率数据关联算法、联合概率数据关联算法和多假设算法的研究；

(6)条件事件代数理论及其在信息融合中的应用；

(7)规划与计划识别理论及其在信息融合中的应用；

(8)模糊概率理论及其在信息融合中的应用；

(9)自动目标识别与分类算法；

(10)不确定输入下的有效算法；

(11)态势评估及威胁评估的模型与算法；

(12)态势与威胁判定的数据输入和产品的自动解释理论；

(13)人工智能在态势评估和威胁估计中的应用；(5)多传感器情形下相互作用多模型——概率数据关联算法

(14)神经网络在态势评估和威胁估计中的应用；

(15)多平台、多中心、多传感器数据融合算法；

(16)在应用k/Ｎ规则进行多传感器目标检测时,如何选取k值以满足用户对于系统检测率和系统虚警率的需求；

(17)多传感器多目标跟踪与识别系统的性能评估；

(18)建立信息融合系统性能评估的指标体系。(14)神经网络在态势评估和威胁估计中的应用；

(11.4.2技术研究应面向世界、追求突破

数据融合技术的发展取决于两方面的进展:一是对于军事信息系统的机制和需求的进一步理解；二是对支撑技术和基础技术的不断革新。前者是对技术原型的深化,后者是对技术手段的强化。针对高技术迅猛发展的特点和我国的研究现状,我们可以直接研究和应用国外的最新成果,在技术领域实现跳跃式发展。我们的技术研究规划要面向世界,争取在以下几方面取得突破:

(1)各种平台多传感器数据融合技术研究——解决单机的不同传感器数据融合问题,为研制单平台先进指挥自动化作战系统奠定基础。1.4.2技术研究应面向世界、追求突破

数据融合技术的

(2)多平台、多类型、多传感器数据融合技术研究——解决分布式Ｃ3I系统的融合问题,为研究区域综合信息系统、作战平台编队的C3I系统奠定基础。

(3)多中心数据融合技术——按照军事信息系统对多中心数据融合的要求,研究可计算的、复杂度低的、有效的算法和模型建立技术。

(4)公用库的建立和通用软件包的开发——研究知识、数据的获取、表示和处理技术,开发具有推理和知识更新的适用于各种平台的公用库和通用软包。(2)多平台、多类型、多传感器数据融合技术研究——解决分1.4.3人才培养应面向教育

专门人才和大学教育的缺乏现象出现在数据融合技术的各个领域,正在从事这一领域研究的部分人员不愿作深入而有效的研究,表现出急功近利的倾向,这对于我国这一领域的未来发展是十分不利的。如果我们追踪溯源,则会发现,在过去多年中使美国登上科技领先地位的基本因素显然是它的教育制度及其培养出的人才。数据融合技术显然依赖于高等教育来培养它所需要的专业人才。因此,在大学引入数据融合教育、加速人才培养,对于我国数据融合技术的迅速、高效发展是十分重要的。1.4.3人才培养应面向教育

专门人才和大学教育的缺乏1.4.4加强学术交流,全方位协调发展

数据融合作为一个在军事指挥和控制方面迅速形成的技术领域,实际上是许多传统学科和新兴工程领域的结合与应用。数据融合技术的发展依赖于这些学科和领域的高度发展和相互渗透。这样的学科特点就要求必须加强数据融合

领域内部的通力合作,以及和相关研究领域的广泛交流。1.4.4加强学术交流,全方位协调发展

数据融合作为一●补记

世界军事史证明,科学技术的最新成果往往首先被用于军事领域,并对战争产生极其广泛深刻的影响。军队历来是当时科技成果的密集点,战争从来是最新军事技术的试验场。20世纪80年代以来,随着高新技术的发展及其在军事领域中的广泛应用,战争日益呈现出高技术的特点,海湾战争就是一个生动的例证。高技术的影响将不仅波及21世纪的军队编制,武器装备与作战样式,而且将影响到战争的结局。目前,多传感器数据融合的研究正经历一个快速的发展时期,

它在军事领域及相关领域的应用前景十分诱人。●补记

世界军事史证明,科学技术的最新成果往往首先被用于本章对数据融合研究领域的各个方面进行了简要的阐述。数据融合是一个大范围的研究课题。它虽然还没有真正上升为一门理论,但它涉及到的众多学科,分散的研究成果已构成了一个庞大的文献集合,我们不可能在这里一一加以详

细介绍。本章所涉及的某些部分,不属本书的重点研究范围,读者需查阅参考文献才能进一步澄清。在以后的各章中,本书将详细讨论对当前和今后数据融合领域有重大影响的理论和方法。本章对数据融合研究领域的各个方面进行了简要的阐述。数据融第一章概论1.1数据融合的目的和应用1.2数据融合的理论基础1.3数据融合的实现技术1.4数据融合的研究现状和如何推动我国数据融合研究的进展第一章概论1.1数据融合的目的和应用 1.1数据融合的目的和应用

现代战略监视和自主武器系统的性能及部署速度都要求开发全新的数据处理技术。现代战争威胁的多样化和复杂化导致对传统的数据和信号处理系统提出了更高的要求。先进的作战管理系统在控制日益增多的复杂武器系统时,必须从大量的可移动的和活动的传感器台站收集数据并加以融合。为了满足实时防御系统的要求,需要对数据进行迅速有效的处理,但传统的数据处理常常做不到这一点。特别是,当所需要检测的目标信号淹没在大量噪声及不相关信号与杂波中时,应用人工方法对微弱目标信号进行实时检测和提取已不可能。因此,需要开发对多源信息进行有效融合处理的新型理论和技术。

1.1数据融合的目的和应用

现代战略监在未来战争中,电磁环境将异常复杂,无论是空战、海战还是陆战以至于陆、海、空相结合的立体战争,都将日益依赖于各种传感器设备。在实战中,传感器将受到各种欺骗和干扰,检测目标的数量日益增多,运动速度越来越快,而且多数目标采用隐身技术和低空/超低空突防技术,使传感器难以捕获和跟踪。这种现状使得数据融合(DataFusion)作为一种特殊的作战手段已渗透到几乎所有军事部门和各个作战领域,数据融合已不仅是高技术战争的先导,而且贯穿于战役的全过程,深刻地影响着战争的进程和结局。在未来战争中,电磁环境将异常复杂,无论是空战、海战还是陆目前,要给出数据融合这门学科的一般概念是非常困难的,这种困难是由所研究的内容的广泛性和多样性带来的。自从海湾战争以来,致力于数据融合研究的人数和这一领域著作的数量都显著地增加了。这门学科每年都在以大量的新成果丰富自己,获得越来越多的内容。目前,要给出数据融合这门学科的一般概念是非常困难的,这种已经给出的数据融合概念的定义都是功能性的。美国国防部JDL(JointDirectorsofLaboratories)从军事应用的角度将数据融合定义为这样的一种过程,即把来自许多传感器和信息源的数据和信息加以联合(Association)、相关(Correlation)和组合(Combination),以获得精确的位置估计(PositionEstimation)和身份估计(IdentityEstimation),以及对战场情况和威胁及其重要程度进行适时的完整评价。这一定义基本上是对数据融合技术所期望达到的功能的描述,包括低层次上的位置和身份估计,以及高层次上的态势评估(SituationAssessment)和威胁估计(ThreatAssessment)。已经给出的数据融合概念的定义都是功能性的。美国国防部JD

EdwardWaltz和JamesLlinas在文献［2］中对上述定义进行了补充和修改,用状态估计代替位置估计,并加上了检测(Detection)功能,从而给出了如下定义:数据融合是一种多层次的、多方面的处理过程,这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计,以及完整、及时的态势评估和威胁估计。EdwardWaltz和JamesLlinas在文献［2关于数据融合研究的范围现在尚无定论,以军事应用为目标的数据融合技术也可用于工业和农业,诸如城市规划,资源管理,气候、作物及地质分析等。因此,从人们在数据融合范围内所进行的研究或活动来看,数据融合可以广义地概述为这样的一种过程,即把来自多传感器的数据和信息,根据既定的规则,分析、结合为一个全面的情报,并在此基础上为用户提供需求信息,诸如:决策、任务、航迹(Track)等［3,4］。简单地说,数据融合的基本目的就是通过组合,可以比从任何单个输入数据元素获得更多的信息。关于数据融合研究的范围现在尚无定论,以军事应用为目标的数数据融合系统的开发受现代战争需求的驱动。现代战争的许多因素要求及时地提供精确、易于理解的信息来取代大量的原始信息。因此,模拟人的思维方式,提高处理速度、容量或