2010年第29卷第3期 传感器与微系统(T r a n s d u c e r a n dM i c r o s y s t e mT e c h n o l o g i e s)多传感器数据融合技术研究进展＊黄漫国1,2,樊尚春1,2,郑德智1,邢维巍1(1.北京航空航天大学仪器科学与光电工程学院精密光机电一体化教育部重点实验室,北京100191;2.传感技术联合国家重点实验室,上海200050)摘　要:多传感器数据融合是信息领域一个前景广阔的研究方向。

由于单一的数据融合算法具有一定的局限性,将2种或2种以上的数据融合算法进行优势集成已逐渐成为数据融合领域的研究热点。

介绍了数据级、特征级和决策级融合3种数据融合方式的主要特点、方法及应用,归纳了常用的数据融合方法,并重点阐述了几种多传感器数据融合集成算法的研究进展,简单介绍了多传感器数据融合技术的应用。

关键词:多传感器;数据融合;算法;集成中图分类号:T P274 文献标识码:A 文章编号:1000—9787(2010)03—0005—04R e s e a r c hp r o g r e s s o f m u l t i-s e n s o r d a t a f u s i o n t e c h n o l o g y＊H U A N GM a n-g u o1,2,F A NS h a n g-c h u n1,2,Z H E N GD e-z h i1,X I N GW e i-w e i1(1.K e yL a b o r a t o r y o f P r e c i s i o nO p t o-m e c h a n i c s T e c h n o l o g yo f Mi n i s t r y o f E d u c a t i o n,D e p t a r t m e n t o fI n s t r u m e n t S c i e n c e＆O p t o-e l e c t r o n i c s E n g i n e e r i n g,B e i h a n gU n i v e r s i t y,B e i j i n g100191,C h i n a;2.S t a t e K e yL a b o r a t o r i e s o f T r a n s d u c e r T e c h n o l o g y,S h a n g h a i200050,C h i n a)A b s t r a c t:M u l t i-s e n s o r d a t af u s i o ni s w i d er e s e a r c hb r a n c hi ni n f o r m a t i o nf i e l d.A s s i n g l ed a t a f u s i o na l g o r i t h ma l w a y s h a s s o m e l i m i t a t i o n s,t h e i n t e g r a t i o no f t w o o r m o r e d a t a f u s i o na l g o r i t h m s i sb ec o m i n g a r e s e a r c h i n t e r e s t.A d v a n t a g e s o f d a t af u s i o na r ei n t r o d u c e d;m a i nc h a r a c t e r i s t i c s,a l g o r i t h m s a n da p p l i c a t i o n s o f t h r e ed a t af u s i o nm o d e l t y p e s(d a t a l e v e l,c h a r a c t e r i s t i c l e v e l a n d d e c i s i o nl e v e l)a r e p r e s e n t e d.C o m m o n d a t a f u s i o n a l g o r i t h m s a r ec l a s s i f i e d.R e s e a r c hde v e l o p m e n t s of s e v e r a l d a t a f u s i o ni n t eg r a t i o na l g o r i th m s a r e r e vi e w e d.A p p l i c a t i o n so f d a t af u s i o n t e c h n o l og ya r e a l s o d i s c u s s e d.K e yw o r d s:m u l t i-s e n s o r;d a t a f u s i o n;a l g o r i t h m s;i n t e g r a t i o n0　引　言根据J D L(j o i n t d i r e c t o r so f l a b o r a t o r i e s d a t af u s i o nw o r-k i n gg r o u p)的定义,多传感器数据融合是一种针对单一传感器或多传感器数据或信息的处理技术,通过数据关联、相关和组合等方式以获得对被测环境或对象的更加精确的定位、身份识别以及对当前态势和威胁的全面而及时的评估[1]。

“数据融合”一词出现在20世纪70年代初期,当时并未引起人们的足够重视,只是局限于军事应用方面的研究[2]。

指令控制和通信一体化(c o m m a n dc o n t r o l a n dc o m-m u n i c a t i o ni n t e g r a t i o n,C3I)系统率先采用多传感器数据融合技术来采集和处理战场信息并获得成功[3]。

而随着工业系统的复杂化和智能化,数据融合近三十多年来取得了迅速发展。

如今世界各国都有学者和技术人员在开展数据融合技术的研究,这一领域的研究内容和成果已大量出现在各种学术会议和公开的学术期刊上[4]。

近几年,我国对数据融合方面的研究也日益重视,国家自然科学基金和“863”计划已将其列入重点支持项目。

各大学、研究机构都在进行学术与工程应用的研究,并做了大量的基础研究工作[5]。

1　数据融合的层次及其分类1.1　数据融合的层次多传感器数据融合与经典信号处理方法之间也存在本质的区别,其关键在于数据融合所处理的多传感器信息具有更复杂的形式,而且,可以在不同的信息层次上出现,每个层次代表了对数据不同程度的融合过程,这些信息抽象层次包括数据层(像素级)、特征层和决策层[6]。

相应的数据融合也主要有数据级、特征级和决策级融合3种方式,表1对其所属层次、主要特点、方法及应用进行了总结归纳。

收稿日期:2009—07—08＊基金项目:国家“863”计划资助项目(2008A A042207)5 传感器与微系统 第29卷 数据级融合是指在融合算法中,要求进行融合的传感器数据间具有精确到一个像素的匹配精度的任何抽象层次的融合;特征级融合是指从各只传感器提供的原始数据中进行特征提取,然后,融合这些特征;决策级融合是指在融合之前,各传感器数据源都经过变换并获得独立的身份估计。

信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合,最终得到整体一致的决策[7]。

1.2　常用数据融合方法多传感器数据融合涉及到多方面的理论和技术,如,信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。

很多学者从不同角度出发提出了多种数据融合技术方案。

图1对现有比较常用的数据融合方法进行了归纳,主要分为经典方法和现代方法两大类。

表1　不同的信息层次上的数据融合分类T a b1　C l a s s i f i c a t i o no f d a t a f u s i o nme t h o d s a t d i f f e r e n t i n f o r ma t i o nl e v e l 类型数据级融合特征级融合决策级融合所属层次最低层次中间层次高层次主要优点原始信息丰富,并能提供另外2个融合层次所不能提供的详细信息,精度最高[4,8]。

实现了对原始数据的压缩,减少了大量干扰数据,易实现实时处理,并具有较高的精确度[4,9]。

所需要的通信量小,传输带宽低,容错能力比较强[6],可以应用于异质传感器[9,10]。

主要缺点所要处理的传感器数据量巨大,处理代价高,耗时长,实时性差[4];原始数据易受噪声污染,需融合系统具有较好的容错能力[9]。

在融合前必须先对特征进行相关处理,把特征向量分类成有意义的组合[6]。

判决精度降低,误判决率升高,同时,数据处理的代价比较高[6,9]。

主要方法H I S变换,P C A变换,小波变换及加权平均等[4]。

聚类分析法,贝叶斯估计法,信息熵法,加权平均法[10],D-S证据推理法,表决法及神经网络法等[4]。

贝叶斯估计法、专家系统、神经网络法、模糊集理论、可靠性理论以及逻辑模板法等[4,10]。

主要应用多源图像复合、图像分析和理解[6]。

主要用于多传感器目标跟踪领域,融合系统主要实现参数相关和状态向量估计[6]。

其结果可为指挥控制与决策提供依据[6]。

图1　常用的数据融合方法F i g1　C o m mo nd a t af u s i o nm e t h o d s2　数据融合技术的研究热点由于各种方法之间的互补性,将2种或2种以上的算法进行有机集成,往往可以扬长避短,取得比单纯采用一种算法更优的结果。

2.1　现代方法间的集成2.1.1　遗传算法和模糊理论相结合遗传算法是一种并行算法,能够较好地解决多参数的优化问题,并针对算法的特点采用某些较新的算子,如实编码方式和对应的交叉算子与不一致变异技术的应用都保证遗传算法具有较好的性能并节省时间。

另外,遗传算法所采用的某些算子能更好地模拟模糊关系,可以使融合达到较高的精度。

将其与模糊理论相结合可以在信息源的可靠性、信息的冗余度、互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合[5,11]。

因此,该方法逐渐成为目前的研究热点之一。

例如:C h o i J N等人提出一种基于分层公平竞争的并行遗传算法和信息粒化理论的混合优化模糊推理系统[12]。

另外,遗传模糊控制还被用于策略问题的研究[13]。