按照数据抽象的 3 个层次，融合可分 为 3 类：象素级融合、特征级融合和决策 级融合。
3.1 多传感器数据融合原理
多传感器数据融合技术的基本原理就 像人脑综合处理信息一样，充分利用多个 传感器资源，通过对多传感器及其观测信 息的合理支配和使用，把多传感器在空间 或时间上冗余或互补信息依据某种准则来 进行组合，以获得被测对象的一致性解释 或描述。具体地说，多传感器数据融合原 理如下：
成效的突破，有许多关键技术问题尚待解
在许多实际应用中，传感器配置在不
决，在工程应用领，需要开发出有重要应 同的环境中，根据信息融合处理方式的不
用价值的实用系统。近年来数据融合技术 同，可以将信息融合分为集中式、分布式、
已形成研究热点，国家自然科学基金和国 混合式和反馈式四种。
家 863 计划已将其列入重点支持项目。
重要影响的研究成果。 和国外相比，我国在数据融合领域的
研究起步较晚。1991 年海湾战争结束以后， 数据融合技术引起国内有关单位和专家的 高度重视。一些高校和科研院所相继对数 据融合的理论、系统框架和融合算法开展
了大量研究，但基本上处于理论研究的层 而言，它能以相对较低的成本获得更加完
次上，在工程化、实用化方面尚未取得有 备的信息。
多传感器数据融合技术是对多种信息 的获取、表示及其内在联系进行综合处理 和优化的技术。多传感器数据融合技术从 多信息的视角进行处理及综合，得到各种 信息的内在联系和规律，从而剔除无用的 和错误的信息，保留正确的和有用的成分, 最终实现信息的优化，它也为智能信息处 理技术的研究提供了新的观念。数据融合 作为一门跨学科的综合信息处理理论，涉 及系统论、信息论、控制论、人工智能和 计算机通信等众多的领域和学科[2]。
上述四种方式均有各自的特点，在实 际融合系统规划与设计过程中，融合拓扑 结构的选择没有统一标准，需要根据实际 系统的具体情况,综合考虑计算量、通讯带 宽、融合期望精度、传感器能力和成本等 因素合理地选择[4]。
3 数据融合的实现方法
数据融合主要分为两类：第一类是局 部或自备式，它收集来自单个平台上多个 传感器的数据。第二类是全局式或区域融 合，它优化组合来自空间和时间上不相同 的多个平台、多个传感器的数据。
之增加，在某一系统出现故障而没有来得 及被检测出时，故障会污染整个系统，使 可靠性降低。
多贝叶斯估计法 贝叶斯估计为数据融合提供了一种手 段，是融合静态环境中多传感器高层信息 的常用方法。它使传感器信息依据概率原 则进行组合，测量不确定性以条件概率表 示，当传感器组的观测坐标一致时，可以 直接对传感器的数据进行融合，但大多数
上的整个态势估计。
了国际信息融合学会( ISIF) ，每年举行一
2.2 数据融合发展历史与现状
次信息融合国际学术会议。促进了信息融 合技术的交流与发展，相继取得了一些有
“数据融合”出现于 20 世纪 70 年代， 源 于 军 事 领 域 C2I(command, control, communication and intelligence)系统的需 要，当时称为多源相关、多传感器混合数 据融合，并于 80 年代建立其技术。美国是 数据融合技术起步最早的国家，1983 年，
在此框架下表达了融合的方式和工具，通 Fusion Subana1) ，负责指导、组织并协调
过这些方式和工具将来自不同的源数据进 有关这一国防关键技术的系信息， 年又将其列入国防部 22 项关键技术之一
而质量的改善取决于应用。”美国国防部三 [3]。同时其它西方发达国家和国际组织(如
本文介绍数据融合技术发展历史与研 究现状，描述数据融合技术的几种典型实
现方法，给出数据融合技术的主要应，最 后对数据融合技术研究中存在的问题和发 展前景进行了论述。
2 多传感器数据融合技术概
述
2.1 数据融合的定义
数据融合也称为信息融合，它的定义 有很多。Mango lini 将数据融合定义为： 一套利用具有不同性质的各种源数据的方 法、工具、方式，目的是提高所需信息的 质量， 此定义着重于融合的方法。Hall 和 Llinas 的定义是“数据融合技术是将来 自多传感器和相关数据库的有关信息进行 综合，以得到精度上的改善和更加具体的 推断，而这些也可以通过单个传感器来得 到”。这种定义虽然提到了数据信息的质量， 但是仍注重于方法。美国国防部定义为“数 据融合是一个多级、多方面的过程,这个过 程处理自动识别、连结、相关、估计以综 合多源数据和信息.。”这一定义简单地说 就是“处理自动识别、连结、相关、估计
其中每一层次都表示不同级别的信息抽象； Knowledge Integration with Decisional
②数据融合包括检测、关联、相关、估计 Control for Multi—sensory System)计划，
及信息组合；③数据融合的结果是指较低 主要目标是研究多传感器数据融合的通用
层次上的状态和身份估计,以及较高层次 结构及实时信息融合技术等。1998 年成立
当系统的实时性要求高,融合精度要 求也高时，融合计算速度将成为关键因素。 当计算速度难以满足实时性和高精度两者 要求时，利用信息的相对稳定性和原始积 累对融合信息反馈再处理将是一种非常有 效途径。其原理是当融合系统对外部环境 经过一段时间感知后，已获得环境大部分 信息特征，这些环境特征对新接受到的原 始数据融合有很好指导与启发作用。利用 已掌握的环境特征启发原始数据融合在减 小计算量同时，又能保持较高融合精度。
以获取对目标参数、特征、事件、行为等 有专门关于数据融合的专题。各种学术刊
更加精确的描述和身份估计.。它主要强调 物也纷纷开辟专栏和出版专集，交流和探
数据融合的 3 个核心方面：① 数据融合是 讨数据融合的有关问题。1987 年欧洲共同
在几个层次上完成对多源信息的处理过程， 体 开 始 为 期 5 年 SKIDS ( Signal and
构适用于同构平台的多传感器信息融合， 其优点是信息处理损失较小，缺点是对通 信网络带宽要求较高。
分布式 分布式是指在各传感器处完成一定量 的计算和处理任务之后，将压缩后的传感 器数据传送到融合中心，在融合中心将接 收到的多维信息进行组合和推理，最终完 成融合。这种结构适合于远距离配置的多 传感器系统，不需要过大的通信带宽，但 有一定的信息损失。 混合式 混合式是兼有集中式和分布式的特点， 既有经处理后的传感器数据送到融合中心， 也有未经处理的传感器数据送到融合中心。 混合式能够根据不同情况灵活设计多传感 器的信息融合处理系统。但是这种结构系 统性能的稳定性较差。 反馈式
情况下，传感器测量数据要以间接方式采 则相联系的置信因子表示它的不确定性程
用贝叶斯估计进行数据融合。
度。当在同一个逻辑推理过程中，2 个或
多贝叶斯估计将每一个传感器作为一 多个规则形成一个联合规则时，可以产生
个贝叶斯估计，将各个单独物体的关联概 融合。应用产生式规则进行融合的主要问
率分布合成一个联合的后验的概率分布函 题是每个规则的置信因子的定义与系统中
多传感器数据融合技术
摘要：介绍多传感器数据融合技术的历史与研究现状，给出多传感器数据融合实现方法， 最后给出应用和多传感器数据融合的不足与研究展望。
1 引言
多传感器数据融合是信息领域一个前 景广阔的研究方向，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，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，因此，对多传感器数据融 合进行学术与工程应用的研究具有重要意 义[1]。
3.2.1 随机类方法
加权平均法 信号级融合方法最简单、最直观方法
是加权平均法，该方法将一组传感器提供 的冗余信息进行加权平均，结果作为融合 值，该方法是一种直接对数据源进行操作 的方法。
卡尔曼滤波法 卡尔曼滤波主要用于融合低层次实时 动态多传感器冗余数据。该方法用测量模 型的统计特性递推，决定统计意义下的最 优融合和数据估计。如果系统具有线性动 力学模型，且系统与传感器的误差符合高 斯白噪声模型，则卡尔曼滤波将为融合数 据提供唯一统计意义下的最优估计。卡尔 曼滤波的递推特性使系统处理不需要大量 的数据存储和计算。但是采用单一的卡尔 曼滤波器对多传感器组合系统进行数据统 计时，存在很多严重的问题，例如：（1） 在组合信息大量冗余的情况下，计算量将 以滤波器维数的三次方剧增，实时性不能 满足；（2）传感器子系统的增加使故障随
以综合来自单个或多源数据和信息的多级、 美国国防高级研究计划局(DARPA)推出的
多方面过程”。
战略计算机计划中，将多传感器数据融合
L Wald 在 1998 年采用了一个更加普 列为重大研究课题。1984 年，美国国防部
遍的定义：“数据融合是一个形式上的框架， (DOD)成立了数据融合专家组(DFS—Data
集中式
集中式是指各传感获取的信息未经任
2.3 多传感器系统的特点与控 何处理，直接传送到信息融合中心，进行
制结构
组合和推理，完成最终融合处理。这种结
把各种信息或数据转换成对环境的有 价值的解释，需要大量的复杂的智能处理， 以及适用于解释组合信息含义的知识库。
多传感器系统的特点如下： 信息冗余性(Redundancy) 融余信息可减少系统的不确定性，提 高系统识别环境的精确性，还能在传感器 出错或失效时，提高系统的可靠性。主要 体现在系统的较低层面上。 信息互补性(Complementarity) 互补信息使多传感器系统能感知由单 个传感器系统所感知不到的环境特征。主 要体现在系统的较高层面上。 实时性(Timeliness) 分层结构和并行处理机制，可保证系 统的实时性。 低代价性(Lower Cost) 指相对于由单个传感器获得同样信息
(1)N 个不同类型的传感器(有源或无 源的)收集观测目标的数据；
(2)对传感器的输出数据(离散的或连 续的时间函数数据、输出矢量、成像数据 或一个直接的属性说明)进行特征提取的 变换，提取代表观测数据的特征矢量 Yi ；