数据融合技术的研究方法及现状学科专业：模式识别与智能系统姓名：高鸽学号：S2*******日期：2012年4月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、人工智能、小波分析理论和支持向量机等。

很多学者从不同角度出发提出了多种数据融合技术方案。

表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。

目前，人们已开始将多传感器信息融合应用于复杂工业过程控制系统，文献[25]提出的复杂工业过程综合集成智能控制系统便是其中的一种。

表1 常用的数据融合方法1）加权平均法 加权平均法是最简单直观地实时处理信息的融合方法。

基本过程如下： 设用n 个传感器对某个物理量进行测量, 第i 个传感器输出的数据为i X , 其中，i= 1,2,…,n, 对每个传感器的输出测量值进行加权平均, 加权系数为i w ,得到的加权平均融合结果为：i 1=ni i X w X =∑加权平均法将来自不同传感器的冗余信息进行加权平均, 结果作为融合值。

应用该方法必须先对系统和传感器进行详细分析, 以获得正确的权值。

2）极大似然估计 极大似然估计是静态环境中的常用方法，能将信息融合取为使似然函数得到估计值。

3）Kalman 滤波 Kalman 滤波用于动态环境中冗余信息的实时融合。

对线性模型系统, 且噪声是高斯分布的白噪声, 可获得最优融合信息统计。

非线性模型, 可采用扩展Kalman 滤波。

系统模型有变化或系统状态有渐/ 突变时, 可采用基于强跟踪的Kalman 滤波。

4）贝叶斯估计法 贝叶斯估计属静态环境信息融合方法，信息描述为概率分布，适用于具有加高斯噪声的不确定信息处理。

贝叶斯推理技术主要用来进行策略层融合，它是通过把先验信息和样本信息合成为后验分布，对检测目标作出推断。

设来自第i 个传感器的信息为is，i=1,2,…k ，则数据融合后目标d 的后验概率是：111()(|)|()(|)()(|)ki i kkii i i i P d P d P P d P d P d P d s s s s ===+∏∏∏（d ）=缺点：对先验概率比较敏感，并且要找到一个合适的先验分布并不容易。

4）D-S 法 Dempster-Shafter （简称D-S 法）是目前数据融合技术中比较常用的一种方法。

该方法通常用来表示对于检测目标的大小、位置及存在与否进行推断。

它实际上是广义的贝叶斯方法。

根据人的推理模式，采用了概率区间和不确定区间来决定多证据下假设的似然函数来进行推理。

由各种传感器检测到的信息提取的特征参数构成了该理论中的证据，利用这些证据构造相应的基本概率分布函数，对于所有的命题赋予一个信任度。

基本概率分布函数及其相应的分辨框合称为一个证据体。

因此，每个传感器就相当于一个证据体。

多个传感器数据融合，实际上就是在同归分辨框下，用Dempster 合并规则将各个证据体合并成一个新的证据体。

产生新证据体的过程就是D-S 法数据融合。

5）聚类分析法 聚类分析定义相似性函数或关联度量以提供任何两个特征向量间“接近”程度或不相似程度的值, 依隶属度将样本归并到某类。

可分成硬聚类和模糊聚类和可能性聚类等方法。

6）模糊逻辑法 针对数据融合中所检测的目标特征具有某种模糊性的现象，有人利用模糊逻辑方法对检测目标进行识别和分类。

建立标准检测目标和待识别检测目标的模糊子集是此方法的研究基础。

但模糊子集的建立需要有各种各样的标准检测目标，同时又必须建立合适的隶属函数。

实际上，确定隶属函数比较麻烦，目前还没有规范的方法可遵循。

又由于标准检测目标子集的建立受到各种条件的限制，总与实际中目标类型有出入，而且其结果往往仅对标准检测目标类型敏感，所以往往误差较大。

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[2]。

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2对其所属层次、主要特点、方法及应用进行了总结归纳。

表2 不同的信息层次上的数据融合分类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[3]。

数据融合技术的研究现状数据融合技术起源于军事应用的需要，作为对固定和跟踪目标分布的结构化的可能状态和前景估计，目前还没有一种单一的方法或过程去进行数据融合以支持态势评估和威胁估计。

从现有的文献资料看，人工智能技术在这一领域有较为乐观的应用前景，推理和专家系统、神经网络等理论已受到研究人员的高度重视，并取得了一定成果。

这些成果根据不同的原理散布在不同的学科领域中，Sikka和Varshney讨论了分布式人工智能在数据融合中的应用。

Chaudhuri和Agrawal则讨论了这一技术在3C I及其子系统中的应用。

关于这方面较早工作是由Dillard、Cross和Payne进行的。

Priebe和Marchette提出一种保留自适应网络系统自然分布的统计方法，从而使得网络能够学习逼近数据的概率分布。

这不仅使网络有潜在的较高效益，并允许其他系统可以在概况意义上使用该网络的输出。

Brown等考虑了数据融合算法的神经网络实现。

我国学者也很重视对数据融合的研究。

杨静宇和李银杰等1991年就分别讨论了多源信息数据融合技术。

这是我国最早关于数据融合的论述。

我国学者主要在吸收、消化国外研究成果方面作了大量工作，已有大量国外数据融合技术的文章被翻译成中文介绍给国内同行。

当前和今后的一个时期要积极收集、吸收国外的有关理论和方法，并力争在某些关键技术上有所突破。

从数据融合的整个现状来看，高层次的数据融合方法都不具有通用性。

现有的系统中成功的不确定推理方法无论是定性的还是定量的都不具有普遍的指导意义，他们都是针对特定的应用环境而设计的。

在这种情形下，必须避免把一个问题的有效解决方法施加于另一个给定的问题。

人们已经开始寻求一种能够被广泛接受的数据融合理论，以便用该理论解释和评估不同形势下的数据融合问题。

这是一个必然的前景。

参考文献[1] 李静，贾利民．数据融合综述[J]．交通标准化，2007(9)：192--194．[2] 吴艳．多传感器数据融合算法研究[D]．西安：西安电子科技大学，2003．[3]周芳，韩立岩．多传感器信息融合技术综述[J]．遥测遥控，2006，27(3)：1-7．[4]祝宏，曾祥进．多传感器信息融合研究综述[J]．计算机与数字工程，2007，35(12)：46-48．[5] 姜万录，李冲祥，刘继刚．多传感器数据融合技术的现状及展望[J]．机床与液压，2003(3)：16-19．[6]李娟，李娃，李斯娜，等．多传感器数据融合技术综述[J]．云南大学学报，2008，30(S2)：241--246．[7]Waltz E,Buede D M.Data fusion and decision support for command andcontrol[J].IEEE Trans on Syst,Man & Cybern,1986,16(6):865-879.[8]Comparato V G.Fusion—The key to tactical mission success[J].SPIE,1988,93(1):2-7.[9]Hamilton M K,Kipp T A.ATR architecture for multisensorfusion[J].spie,1996,275(5):126-133.[10]Abidi M A,Conzalez R C. Data fusion in robotics and machineintelligence[M].Boston:Academic,1992.[11]Murphy R R. Dempster-shafer theory for sensor fusion in autonomous mobile robots[J]. IEEE Trans on Robot Autom,1998,14(2):197-206.[12]李圣怡,吴学忠,范大鹏.多传感器融合理论及在智能制造系统中的应用[M].长沙：国防大学出版社,data fusion[J].IEEE Trans on Instrum Meas,1994,43(2):288-294.[13]Murphy R R. Sensor and information fusion for improved vision-based vehicle guidance[J].IEEE Expert,1998,13(6):49-56.[14]Neira J,Tardos J D,Horn J et al.Fusing range and intensity image for mobile robot localization[J].IEEE Trans on Robot Autom,1999,15(1):76-84.[15]Katyal S,Kramer E L,Noz M E et al.Fusion of imunoscinti graphy SPECT with CT of the chest in patients with non-small cell lung cancer[J].CancerRes,1995,55(s):5759-5763.[16]Hernandez A I,Carrault G,Mora F et al.Multisensor fusion for atrial and ventricular activity detection in coronary care monitoring[J].IEEE Trans on Biomed Eng,1999,46(10):1186-1190.[17]Russo F,Ramponi G.Fuzzy methods for multisensor data fusion[J].IEEE Trans on Instrum Meas,1994,43(2):288-294.[18]Chanussot J,Mauris G,Lambert P.Fuzzy fusion techniques for linear features detection in multitemporal SAR images[J].IEEE Trans on Geosci RemoteSening,1999,37(3):1292-1305.[19]Wan W,Fraser D.Multisource data fusion with multiple self-organizingmaps[J].IEEE Trans on Geosci Remote Sening,1999,37(3):1344-1349.[20]Jimenez L O,Morales-Morell A,Creus A.Classification of hyperdimensional data based on feature and decision approaches using projection pursuit,majority voting and neural networks[J].IEEE Trans on Geosci Remote Sening,1999,37(3):1360-1365.[21]Mallat S G. Atheory for multiresolution signal decomposition:The wavelet representation[J].IEEE Trans on Pattern Anal Machine Intell,1989,11(7):674-693.[22]Zhang Z,Blum R S.Acategorization of multicsale-de-composition-based image fusion schmes with a performance study for a digital camera application[J].Proc IEEE,1999,87(8):1315-1326.[23]Li S T,Wang Y N.Multisensor image fusion using discrete multiwavelet transform[A].Proc of the 3rd Int Conf on Visual Computing[C].Mexico,2000.93-103.[24]Ben-Yacoub S,Abdeljaoued Y,Mayoran E.Fusion of face and speech data for person identity verification[J].IEEE Trans on Neural Networks,1999,10(5):1065-1074. [25]王耀南.国家863计划项目验收技术报告——复杂工业过程的综合集成智能控制及应用[R].长沙：湖南大学，2000,150-200.。