信息融合理论综述

报告题目：信息融合理论综述信息融合理论综述摘要在军事技术、自动化、智能化等需求的牵引下，信息融合理论受到了学术界和工业界的广泛关注。本文综述了信息融合的发展过程、信息融合的模型、信息融合算法以及多模态信息融正当、高冲突信息融正当、网络化信息融正当等内容，最后预测了信息融合的发展趋势。核心词信息融合数据融合多模态信息融合高冲突信息融合网络化信息融合一、引言信息融合[1-3]在生物世界中广泛存在，工程领域中的信息融合本质上是用数学和机器对生物体信息融合功效的模仿和抽象。20世纪70年代初首先在军事领域产生了“数据融合”概念,即把多个传感器获得的数据进行“融合解决”，以得到比单一传感器更加精确和有用的信息。之后，基于多源信息综合意义的“融合”一词出现于各类技术文献中。逐步地这一概念不停扩展，被解决的对象不仅包含多平台、多传感器、多源信号和数据,还涉及符号、甚至知识和经验等多个信息。现在信息融合的普通定义为:运用计算机技术,对准时序获得的若干传感器(含软传感)的观察信息在一定准则下加以自动分析、优化综合以完毕所需的决策和预计任务而进行的信息解决过程。从定义中看到，多个传感器是信息融合的基础，多源信息是信息融合[1-4]加工的对象，协凋优化和综合解决是信息融合的核心。信息融合是一种形式框架，其过程是用数学办法和技术工具综合不同源信息，目的是得到高品质的有用信息。与单一信源独立解决相比，信息融合的优势涉及：提高可探测性和可信度，扩大时空感知范畴；减少推理含糊程度,改善探测精度等性能；增加目的特性维数,提高空间分辨率；增强系统容错能力和自适应性，从而提高全系统性能。信息融合的研究对象和应用领域不仅进一步到国防、工业、农业、交通等传统行业，还拓展到气象预报、地球科学、社会、经济等新兴交叉行业，“信息融合”作为一种共识的概念逐步被接受。含有信息融合功效的系统广泛服务于军事、遥感、交通、医疗、农业、经济等关系到国家安全和国计民生的众多领域中。二、信息融合技术发展过程在现在阶段，信息融合技术的应用重要是在军事领域。当代战争已是广泛应用多个高科技,基于陆、海、空、天立体化的高技术战争。美国是信息融合技术起步最早、发展最快的国家,美国国防部早在70年代就资助从事声纳信号理解及融合的研究。1988年美国国防部将信息融合技术列为90年代重点开发的20项核心技术之一,并获得了某些研究成果,开发了一系列C4ISR(即Computer、Control、Communications、Command、Intelligence、Surveillance&Reconnaissance)系统及IW(即IntelligenceWeapon)系统。除美国外,其它西方国家也普遍重视信息融合技术的研究，英国陆军开发了诸如炮兵智能信息融合系统(AIDD)、机动和控制系统(WAVELL)等，并于1982年提出研制“海军知识库作战指系统”。1987年又与西德等欧洲五国制订了联合开展含有“决策控制的传感器信号与知识综合系统”的研究计划。另外,法、德等北约国家在这方面的研究工作也十分活跃。如汤姆逊公司已将信息融合技术应用于MARTHA防空指挥控制系统中。德国已在“豹2”坦克的改善计划中采用信息融合技术的发展历程。另外,信息融合技术已逐步向多领域进行渗入,如智能机器人与智能车辆领域[4][5];医学图像解决与诊疗[6];气象预报[7];地球科学;农业应用领域;当代制造领域[7]和经济商业领域[8]等。另外信息融合技术还被用于火车定位、鱼类识别或车辆通过的检测等等。信息融合技术的应用范畴日益广泛,在某些实际应用中也获得了对应的成效。三、信息融合模型[12]数年来，人们提出了大量的信息融合模型，涉及:Dasarathy模型、Boyd控制环模型、瀑布模型、混合模型等，并不停对模型进行细化，以期更加符合实际应用。其中,JDL模型最受关注,其明显特性是边应用边改善。原始JDL模型将信息融合分为4级:目的优化、定位和识别(第1级)；态势评定(第2级)；威胁预计(第3级)；过程优化(第4级)。其它辅助支持系统涉及数据管理系统和人机界面等。运用JDL模型开发的实际应用系统涉及美军LOCE(有限作战能力)与LENSCE(战术陆军与空军自动情报保障)、全源信息分析系统、空军敌态势关联，以及汽车多传感器安全系统等。Steinberg等人[25]为了突出智能传感器在信息融合中的重要性，首先对原始JDL模型进行了扩展，添加了第0级，用于解决基于像素、信号级的数据关联和图像解决、信号解决、时空配准等，如检测前融，Hall[15]、Blasch[16]等人将人机交互作为JDL模型的第5级，用于控制信息融合有关的过程，以优化信息融合系统与人、顾客之间的交流。典型功效涉及先进的显示、搜索引擎、认知辅助、协作工具等，除了运用传统的地理信息显示、数据显示、输入命令解决等人机接口，还运用声音、触摸等非传统接口。扩展后的JDL信息融合模型如图1所示。JDL信息融合模型即使与否将人机交互正式作为第5级还存在一定争议，但是随着信息技术的快速发展及人在信息融合回路中的重要性日益增加，人机交互将成为信息融合领域中的研究方向之一。四、信息融合算法信息融合中数学工具的功效是最基本和多重的,它将全部的输入数据在一种公共空间内得以有效描述,同时它对这些数据进行适宜综合,最后以适宜的形式输出和体现这些数据.在信息融合领域使用的重要数学工具或办法有概率论、推理网络、含糊理论和神经网络等其中使用较多的是概率论、含糊理论、推理网络等。4.1、概率论在融合技术中最早应用的就是概率论。在一种公共空间根据概率或似然函数对输入数据建模，在一定的先验概率状况下，根据贝叶斯规则合并这些概率以获得每个输出假设的概率，这样能够解决不拟定性问题[13].贝叶斯办法的重要难点在于对概率分布的描述,特别是当数据是由低档传感器给出时,就显得更为困难.另外,在进行计算的时候,经常简朴地假定信息源是独立的,这个假设在大多数状况下非常受限制.卡尔曼滤波办法[26]则根据早先预计和最新观察,递推地提供对观察特性的预计.另外,概率论和含糊集理论的综合应用给解决多源数据的融合问题提供了工具.4.2、推理网络推理网络的构建和应用有着很长的历史，能够追溯到19由一位名叫JohnHWig-more的美国学者所做的研究工作。近来，许多对于分析复杂推理网络的理论往往基于贝叶斯规则的推论，并且都被归类于贝叶斯网络。现在，大多数贝叶斯网络的研究都涉及了对于概率有效传输的算法拓展，同时它在整个网络中也充当了新证据的角色。同时贝叶斯网络在AI任务里都已作为对于不拟定推理的原则化有效办法。贝叶斯网络的优点是简洁、易于解决有关事件。缺点是不能分辨不懂得和不拟定事件，并且规定解决的对象含有有关性。在实际运用中普通不懂得先验概率，当假定的先验概率与实际相矛盾时，推理成果很差，特别是在解决多假设和多条件问题时显得相称复杂。4.3含糊理论含糊集理论是基于分类的局部理论，因此，从产生起就有许多含糊分类技术得以发展。附属函数能够体现词语的意思,这在数字体现和符号体现之间建立了一种便利的交互接口。在信息融合的应用中重要是通过与特性相连的规则对专家知识进行建模。另外，能够采用含糊理论来对数字化信息进行严格地、折衷或是宽松地建模。含糊理论的另一种方面是能够解决非精确描述问题，还能够自适应地归并信息。对预计过程的含糊拓展能够解决信息或决策冲突问题，应用于传感器融合、专家意见综合以及数据库融合，特别是在信息极少，又只是定性信息的状况下效果较好。4.4、神经网络神经网络是由大量互联的解决单元连接而成，它基于当代神经生物学和认知科学在信息解决领域应用的研究成果。神经网络应用于信息融合的历史并不长，它含有大规模并行模拟解决、持续时间动力学和网络全局作用等特点，有很强的自适应学习能力，从而能够替代复杂耗时的传统算法，使信号解决过程更靠近人类思维活动。运用神经网络分布式信息存储和并行解决的特点,能够避开模式识别办法中建模和特性提取的过程，从而消除由于模型不符和特性选择不当带来的影响，并实现实时识别，以提高识别系统的性能。为了获取概率、可能性或证据分布数据,也可将神经网络技术与前述理论结合使用[17]。例如在解决冲突信息问题中，与基于迭代优化的神经网络办法相比，聚类法计算复杂性较低，但性能也略逊某些。因此文献[19]将Pottsspin理论和证据推理相结合,提出了快速神经网络聚类法,较好地兼顾了上述问题.五、信息融合的办法5.1多模态信息融合多模态信息融合也称为异类信息融合。多模态信息之间可能是有关的,同时由于传感器的采样率不同，可能是异步的,有关和异步多模态信息的融合分别在强有关信息融合以及网络化信息融合中叙述。按照信息抽象的功效层次,将多模态信息融合分为特性级多模态信息融合与决策级多模态信息融合。特性级融合的输入是每个传感器获得的特性，如视觉特性、文字特性、音频特性、运动特性、元数据特性等。其优点是在早期阶段运用不同模态信息多特性之间的有关性,损失的信息较少。决策级融合的输入变量是每个传感器基于本地特性提供的本地决策,而后融合这些决策形成最后全局决策。其优点涉及:表达相似,比特性融合简朴；对模态含有更加好的可扩展性；对不同模态能够采用其最适宜的分析办法。按照办法的本质和问题空间来分，多模态信息融合办法重要分为基于规则的办法、基于预计的办法和基于分类的办法[12][18]。基于规则的融合办法涉及基于统计规则的办法，如线性加权融合、投票法以及顾客自定义规则。基于分类的融合办法涉及:支持向量机、贝叶斯推断、动态贝叶斯网络、神经网络等。5.2、高冲突信息融合当多个专家对同一现象产生不同意见时，待融合信息之间就产生了冲突。针对该问题涌现出了诸多改善办法，可分为改善组合规则和证据修正法。改善规则重要通过变化矛盾信息的分派办法来得到较为合理的融合成果，但改善的规则普通较为复杂。证据修正法普通通过给各证据赋予权重，运用权重对证据进行折扣解决，与其它证据冲突大的权重小，反之亦然。证据冲突的度量[14]是证据修正法的核心,普通通过证据间矛盾信息、证据距离两者相结合来衡量证据冲突程度[17]。5.3、网络化信息融合随着网络技术及传感器技术的快速发展，网络化信息融合是一种新的研究方向。通过网络，数据解决中心含有解决远程传感器测量数据的能力。特别是,基于网络的信息融合允许远程监控和故障诊疗，使得信息融合有能力从世界上任何地点任何时间恢复和解决数。针对复杂网络化系统的多采样率问题,多速率信息融合也得到了广泛关注。另外，由于网络带宽有限，量化对网络化系统影响很大，设计编码-预计方略成为网络化系统中状态预计的一种新方向。六、信息融合的发展趋势即使信息融合近年来获得了诸多进展,单平台、低层融合理论与办法已日趋成熟.但还远未达成人脑所能实现的融合能力,仍存在诸多挑战,而这些也正是信息融合的发展方向.例如：信息一体化融合解决、以人为中心的信息融合、信息获取与融合的联合优化、复杂多传感器信息融合系统体系构造设计、信息融合系统仿真与性能评定等。七、结论多传感器信息融合近十几年来已受到广泛的关注,它的理论和办法已被应用到许多研究领域。从现在军事领域的发展来看,趋向于采用多信息融合技术来进行信息综合解决。本文基于近年的研究成果,就上述信息融合模型、算法、办法等新成果、新动向展开了讨论,并对信息融合研究的将来发展趋势进行了评述。参考文献[1]韩崇昭,朱洪艳,段战胜.多源信息融合[M].第2版.北京:清华大学出版社,.[2]潘泉,于昕,程咏梅等.信息融合理论的基本办法与进展[J].自动化学报,,29(4):599-615.[3]潘泉,程咏梅,梁彦.信息融合理论与应用[M].北京:清华大学出版社,.[3]何友.雷达数据解决及应用[M].第2版.北京:电子工业出版社,.[5]何友.雷达目的检测与恒虚警解决[M].第2版.北京:清华大学出版社,.[6]敬忠良,肖刚,李振华.图像融合:理论与应用[M].北京:高等教育出版社,.[7]潘泉,梁彦,杨峰.当代目的跟踪与信息融合[M].北京:国防工业出版社,.[8]潘泉,张磊,崔培玲.动态多尺度系统预计理论与应用[M].北京:科学出版社,.[8]梁彦,潘泉,杨峰.复杂系统当代预计理论与应用[M].北京:科学出版社,.[9]潘泉,程咏梅,梁彦.信息融合理论与应用[M].北京:清华大学出版社,.[10]杨小军,潘泉,王睿.粒子滤波进展与展望[J].控制理论与应用,,23(2):261-267.[11]张山鹰,潘泉,张洪才.一种新的证据推理组合规则[J].控制与决策,,15(5):540-544.[12]徐晓滨,文成林,刘荣利.基于随机集理论的多源信息统一表达与建模办法[J].电子学报,,36(6):1174-1181.[13]张山鹰,潘泉,张洪才.一种新的证据推理组合规则[J].控制与决策,,15(5):540-544.[14]张山鹰,潘泉,张洪才.证据推理冲突问题研究[J].航空学报,,22(4):369-372.[15]刘准钆,程咏梅,潘泉.基于矛盾因子和证据距离的加权证据合成法[J].控制理论与应用,,26(12):1439-1442.[16]闫莉萍.多速率传感器状态融合预计及多分辨率图像融合算法研究[D].北京:清华大学,.[17]姜军.可执行体系构造及DoDAF的可执行化办法研究[D].长沙:国防科学技术大学,.[18]RezaeianM,Ba-nguV.Errorboundsforjointdetectionandestimationofasingleobjectwithrandomfinitesetobservation[J].IEEETransactionsonSignalProcessing,,58(3):1493-1506.[19]Ba-nguV,Ba-tuongV,Nam-TrungP.Jointdetectionandestimationofmultipleobjectsfromimageobservations[J].IEEETransactionsonSignalProcessing,,58(10):5129-5141.[20]GalyJ,ChaumetteE,LarzabalP,Jointdetectionestimationproblemofmonopulseanglemeasurement[J].IEEETransactionsonAerospaceandElectronicSystems,,46(1):397-413.[21]TajerA,JajamovichGH,WangXD.OptimaljointtargetdetectionandparameterestimationbyMIMOradar[J].IEEEJournalofSelectedTopicsinSignalProcessing,,4(1):127-145.[22]MoustaKindesGV,JajamovichGH,TajerA,etal.Jointdetectionandestimation:optimumtestsandapplications[J].IEEETransactionsonInformationTheory,,58(7):4215-4229.[23]PosseC,WhiteA,Bea