信息融合论文.docx
- 文档编号:11053720
- 上传时间:2023-02-24
- 格式:DOCX
- 页数:13
- 大小:294KB
信息融合论文.docx
《信息融合论文.docx》由会员分享,可在线阅读,更多相关《信息融合论文.docx(13页珍藏版)》请在冰豆网上搜索。
信息融合论文
多传感器信息融合系统理论综述
1信息融合的定义和内容
信息融合又称数据融合。
美国国防部JDL(JointDirectorsofLaboratories)从军事应用的角度将信息融合定义为这样一个过程1:
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当的完整评价。
Waits和Linas,对上述定义进行了补充和修改,用状态估计代替了位置估计,并加上了检测(detection)功能,给出了如下定义:
信息融合是一种多层次多方面的处理过程,这个过程是对多源数据进行检测、互联、相关、估计和组合以达到精确的状态估计和身份识别,以及完整的态势评估和威胁评估。
此定义有三个中心内容:
(1)信息融合是多信息源,多层次的处理过程,每个层次代表信息的不同抽象程度;
(2)信息融合过程包括检测、关联、相关、估计与合并;(3)信息融合的产物(输出)包括低层次上的状态与身份估计,和高层次上的总战术态势的评估。
随着微电子技术、信号检测与处理技术、计算机技术、网络通信技术以及控制技术的飞速发展,各种面向复杂应用背景的多传感器系统大量涌现。
在这些多传感器系统中,信息表现形式的多样性,信息数量的巨大性,信息关系的复杂性,以及要求信息处理的及时性、准确性和可靠性都是前所未有的。
这就使得利用计算机技术对获得的多传感器信息在一定准则下加以自动分析、优化综合以完成所需的估计与决策——多传感器信息融合技术得以迅速发展。
根据国内外的研究成果,多传感器信息融合比较准确的定义可概括为:
综合利用多传感器,充分利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列截获的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,通过它们之间的协调和性能互补的优势,克服单个传感器的不确定性和局限性,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更加充分的信息,提高整个传感器系统的有效性能,全面准确地描述被测对象。
所以,多传感器是信息融合的硬件基础,多源信息是信息融合的加工对象,协调优化和综合处理是信息融合的核心。
2多传感器信息融合的功能与结构模型
信息融合模型可以从功能、结构和数学模型等几方面来研究和表示。
功能模型从融合过程出发,描述信息融合包含哪些主要功能、数据库、以及进行信息融合时系统各组成部分之间相互作用的过程;结构模型从信息融合的组成出发,说明信息融合系统的软硬件组成,相关数据流、系统与外部环境的人机界面;数学模型则是信息融合的算法与综合逻辑。
为了更有针对性地研究信息融合算法,本节主要讨论信息融合系统的功能和结构模型。
2.1信息融合系统的功能模型
文献根据信息融合的功能层次,把信息融合分为五个层次:
第一个层次是检测/判决融合:
第二个层次是位置融合;第三个层次为目标识别(属性)融合;第四个层次为态势评估;第五个层次为威胁估计。
在这种五级功能模型描述中,前三个层次的信息融合适合于任意的多传感器信息融合系统,而后两个层次主要适用于军事应用系统中的信息融合。
这是一种广义的信息融合功能分级法,这种从信息融合功能的角度出发把它分为五个层次,更有利于信息融合技术的研究。
融合功能主要包括第一级处理,预滤波,采集管理,第二级处理;第三级处理,第四级处理,第五级处理,数据库管理,支持数据库,人机接口和性能评估。
第一级处理是信号处理级的信息融合,也是一个分布检测问题,它通常是根据所选择的检测准则形成最优门限,以产生最终的检测输出。
近几年的研究方向是,传感器向融合中心传送经过某种处理的检测和背景杂波统计量,然后在融合中心直接进行分布式恒定虚警(CFAR)检测。
预滤波根据观测时间,报告位置,传感器类型、信息属性和特征来分选和归并数据,这样可控制进入第二级处理的信息量,以避免融合系统过载。
数据采集管理用于控制融合的数据收集,包含传感器的选择、分配及传感器工作状态的优选和监视等。
传感器的任务分配要求预测动态目标的未来位置,计算传感器的指向角,规划观测和最佳资源利用。
第二级处理是为了获得目标的位置和速度,它通过综合来自多传感器的位置信息建立目标的航迹和数据库,主要包括数据校准、互联、跟踪、滤波、预测、航迹关联及航迹融合。
第三级处理是属性信息融合,它是指对来自多个传感器的目标识别(属性)数据进行组合,以得到对目标身份的联合估计,用于目标识别(属性)融合的数据包括雷达横截面积(RCS)、脉冲宽度、重复频率、红外谱或光谱等。
第四级处理包括态势的提取与评估。
前者是指由不完整的数据集合建立一般化的态势表示,从而对前几级处理产生的兵力分布情况有一个合理的解释;后者是通过对复杂战场环境的正确分析和表达,导出敌我双方兵力的分布推断,绘出意图、告警、行动计划与结果。
第五级是威胁程度的处理。
即从我军有效打击敌人的能力出发,估价敌人的杀伤力和危险性,同时还估计我方的薄弱环节,并对敌方的意图给出提示和告警。
辅助功能包括数据库管理、人机接口与评估计算,它们也是信息融合的重要组成部分。
从处理对象的层次上看,第一级属于低级融合,它是经典信号检测理论的直接发展,是近几十年才开始研究的领域,目前决大多数多传感器信息融合系统还不存在这一级,仍然保持集中式检测,而不是分布式检测,但是分布式检测是未来发展方向。
第二和第三级属于中间层次,是最重要的两级。
它们是进行态势评估与威胁估计的前提和基础。
实际上,融合本身主要发生在前三个级别上,而态势评估与威胁估计只是在某种意义上与信息融合具有相似的含义。
第四和第五级是决策级融合,即高级融合,它们包括对全局态势发展和某些局部形势的估计,是C3I系统指挥和帮助决策过程中的核心内容。
2.2信息融合系统的结构模型
按照信息抽象的五个层次,融合可分为五级,即检测级融合、位置级融合、属性(目标识别)级融合、态势评估与威胁估计。
2.2.1检测级融合
检测级融合是直接在多传感器分布检测系统中检测判决或信号层上进行的融合。
在经典的多传感器检测中,所有的局部传感器将检测到的原始观测信号全部直接送到中心处理器,然后利用由经典的统计推断理论设计的算法完成最优目标检测任务。
在多传感器分布检测系统中,每个传感器对所获得的观测先进行一定的预处理,然后将压缩的信息传送给其他传感器,最后在某一中心汇总和融合这些信息产生全局检测判决。
在分布检测系统中,对信息的压缩性预处理降低了对通信带宽的要求。
分布式多传感器结构可以降低对单个传感器的性能要求,降低造价。
分散的信号处理方式可以增加计算容量,在利用高速通信网的条件下可以完成非常复杂的算法。
2.2.2位置级融合结构
位置级融合是直接在传感器的观测报告或测量点迹和传感器的状态估计上进行的融合,包括时间和空间上的融合,是跟踪级的融合,属于中间层次,也是最重要的融合。
从多传感器系统的信息流通形式和综合处理层次上看,在位置级的融合,其系统结构模型主要有四种:
集中式、分布式、混合式。
图2.1集中式融合
图2.2分布式融合
图2.3混合式融合
2.2.3目标识别级融合
目标识别亦称属性分类或身份估计。
在军事上,信息融合的目的是对观测实体进行定位、表征和识别。
作战飞机上装载威胁告警传感器,以便确定武器制导装置何时照射到该飞机;使用雷达截面积(RCS)数据来确定一个实体是不是一个火箭体、碎片或再入大气层的飞机;敌——我——中识别(IFFN)设备使用特征波形和有关数据来识别敌我飞机,有时需要进行更详细和耗时的分析以辨别或识别发射机或武器平台。
身份估计的非军事运用包括复杂系统设备故障识别与隔离,使用传感器数据监视生产过程及借助医学监视器对人的健康状况进行半自动监视等。
用于目标识别的技术主要有模板法、聚类分析、自适应神经网络,或识别实体身份的基于知识的技术。
目标识别层的信息融合包括决策级融合、特征级融合和数据级融合。
图2.4决策层属性融合
图2.5特征层属性融合
图2.6数据层属性融合
图2.4给出了决策层属性融合结构。
在这种方法中,每个传感器为了获得一个独立的属性判决要完成一个变换,然后顺序融合来自每个传感器的属性判决;也就是每个传感器都要完成变换以便获得独立的身份估计,然后再对来自每个传感器的属性分类进行融合。
用于融合身份估计的技术包括表决法、Bayes推理、Dempster-Shafer方法、推广的证据处理理论、模糊集法以及其他各种特定方法。
图2.5表示了特征层属性融合的结构。
在这种方法中,每个传感器观测一个目标,并且为了产生来自每个传感器的特征向量要完成特征提取,然后融合这些特征向量,并基于联合特征向量做出属性判决。
在这种方法中,必须使用关联处理把特征向量分成有意义的群组。
由于特征向量很可能是具有巨大差别的量,因而位置级的融合信息在这一关联过程中通常是有用的。
图2.6给出了属性融合的最后一种结构。
在这种数据层融合方法中,直接融合来自同类传感器的数据,然后是特征提取和来自数据融合的属性判决。
为了完成这种数据层融合,传感器必须是相同的或者是同类的。
为了保证被融合的数据对应于相同的目标或客体,关联要基于原始数据完成。
与位置融合结构类似,通过融合靠近信源的信息可获得较高的精度,即数据层融合可能比特征层融合精度高,而决策层融合可能最差。
但数据层融合仅对产生同类观测的传感器是适用的。
2.2.4态势评估
态势估计(SituationAssessment简称SA)是对战场上战斗力量的分配情况的评价过程。
它通过综合敌我双方及地理、气象环境等因素,将所观测到的战斗力量分布与活动和战场周围环境、敌我作战意图及敌机动性能有机地联系起来,分析并确定事件发生的深层原因,得到关于敌方兵力结构、使用特点的估计,最终形成战场综合态势图。
在综合电子战系统中,态势评估的功能是对战场监视区域内所有目标的状态与其先验的可能情况加以比较,以便获得战场兵力、电子战武器部署情况、军事活动企图及敌我双方平台的分布、航向、航速
等变化趋势的综合文件。
结构框图如图2.7所示。
态势估计首先要确定态势要素,态势要素的估计结果实际上是提供给指挥员的战场态势综合视图,它包括红色视图——我方态势,蓝色视图——敌方态势,白色视图——天气、地理等战场态势,它们合成一幅战场综合态势图,并为威胁估计提供依据。
在态势评估要素的确定过程中还必须进行某些对抗要素的估计,然后确定上下关系环境、社会政治背景及双方的兵力布局/使用,定位。
图2.7态势评估图
图2.8威胁估计
2.2.5威胁估计
威胁估计是通过对敌方的威胁能力,以及敌人的企图进行量化来实现的。
可见态势评估建立了关于作战活动、事件、机动和位置以及兵力要素组织形式的视图,并由此估计出发生的和正在发生的事情,如图2.8。
威胁估计的任务是在此基础上,综合敌方破坏能力、机动能力、运动模式及行为企图的先验知识,得到敌方兵力的战术含义,估计出作战事件出现的程度或严重性,并对作战意图做出指示与告警。
其重点是定量表示敌方作战能力,并估计敌方企图。
威胁估计也是一个多视图的处理过程,该处理用我方兵力有效对抗敌方的能力来说明致命性与风险估计。
威胁估计也包括对我方薄弱环节的估计,以及通过对技术、军事条令数据库的搜索确定敌方意图。
3多传感器信息融合的应用和特点
军事领域和非军事领域都很注重数据融合的专门应用。
军事领域注重的问题涉及到位置、特征以及对发射器,平台,武器和军事单位等动态实体的识别。
这些动态数据通常叫做战斗序列(OrderofBattle)或战斗显示序列(若是叠加在地图上显示)。
除了得到战斗序列数据库,军事应用还寻求更高层次的敌军态势(即实体之间的关系,他们与环境的关系,更高级的敌军实体组织等)推理。
数据融合系统首先是从军事领域发展起来的。
到目前为止,它已经应用到海上监视、空——空防御和地——空防御、战场侦察、监视和目标捕获、战略防御与告警等领域,见表3.1。
表3.1军事应用概述
海洋监视系统用于探测、跟踪和识别海洋上的目标与事件。
传感器组可能包括雷达、声呐、电子情报(ELINT)、通信量(COMINT)观察、红外以及合成孔径雷达(SAR)观察。
海洋监视区域可以包括数百平方海里,重点在空中、水面和水下目标。
多监视平台还会涉及到大量被跟踪的目标。
对海洋监视提出的问题有:
大的监视量、目标与传感器的组合,以及复杂的信号传播环境——尤其是水下声呐传感。
军方开发出的空对空和地对空防御系统来探测、跟踪、识别飞机以及防空武器和传感器。
这些防御系统采用的传感器有雷达、被动电子支援措施(ESM)、红外、敌我识别传感器、光电图像传感器以及(人类)视觉观测。
这些系统支持防空、战斗序列集结、分配飞机突袭、目标优先级化、路线计划以及其它活动。
对这些数据融合系统提出的挑战包括敌军的对抗措施、做出快速决策的必要性以及潜在的大量的目标——传感器配对组合。
另一种应用是战场情报、监视和目标捕获系统,它试图探测识别潜在的地面目标。
实例包括地雷定位和高价值目标的自动目标识别。
传感器包括使用动目标显示(MTI)雷达的机载监视、合成孔径雷达、被动电子支援措施、照相侦察、陆基音响传感器、遥控飞行器、光电传感器和红外传感器。
要寻找的主要推理是支持战场态势评估和威胁评估以及行动方案估计的信息。
实际上,数据融合技术除了在军事领域的应用之外,在许多非军事领域也有着非常广泛的应用,如机器人、医学、遥感、工业控制、空中交通管制、海洋监视,禁止毒品和管理领域等,见表3.2。
表3.2非军事应用概述
跨越军方和非军方用户的一种应用领域是对复杂机械设备如涡轮机,直升机起落架或工业制造设备的监测。
例如,对于传动齿轮系统,能够得到的传感器数据包括过载传感器、温度表、石油残渣监视器、音响传感器,甚至红外测量。
一种联机的条件监视系统将尽量把这些观察组合起来去识别故障先兆,如齿轮的异常磨损,轴承轴线不重合或轴承故障。
据预测,使用这种基于条件和监测将减少维护成本,提高安全性和可靠性。
现在正在开发这样的系统用于直升机和其它高成本系统。
数据融合的特殊困难还包括不匹配的传感器以及复杂的信号传播和噪声环境。
数据融合系统非军事应用的另一个例子是医疗诊断领域。
当前,用于医疗的越来越复杂的传感器正在开发中。
诸如核磁共振设备、声音显像设备和医疗测试等传感器都分别改进了医疗诊断能力。
将这些数据融合在一起的能力必定会提高诊断效能,并减少错误的诊断。
在这里面I临的显见挑战足信号传播环境,难以获得用于像神经网络这样的自适应技术的训练数据。
多传感器信息融合之所以有如此广泛的应用,这和多传感器融合系统所具有的特点是分不开的。
经过集成与融合的多传感器信息往往会具有以下的特点:
信息的冗余性、信息的互补性、信息的实时性和信息的低成本性。
所谓冗余性是指由多个传感器共同提供关于外界环境某个特征的不同程度的感知。
互补性指多个传感器分别提供关于外界多个不同特征的感知。
信息的实时性是指多传感器可以提供比单传感器更及时的信息,这主要归功于多传感器的结构分布和信息采集过程在本质上是并行的。
信息的低成本性是指与单传感器相比,多传感器集成系统能用更少的代价获得相同的信息。
基于上面的四个特点,多传感器集成与信息融合系统的优点可以总结如下:
l、较高的可靠性和容错性。
由于各个传感器通常是独立工作的,当某一个发生问题时,并不会影响其它传感器,从而保证系统能继续正常工作。
2、较高的空间分辨率。
由于多个传感器冗余信息的综合使用,降低了系统在认识上的未知程度,提高了系统定位、导航、跟踪的精度。
3、较广的空间覆盖范围。
这主要得益于互补信息的使用,一方面一个传感器可以检测到其它传感器所不能观察到的区域,另一方面一个传感器经常能检测和测量其它传感器所不能顾及的事件,这样就增加了测量空间的维数,减少了观测盲点。
4、较好的时间性能。
由于在多传感器集成系统中,往往采用平行的信息采集和处理结构,因而具有较快的运行速度,系统的响应时间较短。
多传感器系统在取得上述优点的同时也付出了一定的代价,如系统的复杂度增加,设计和开发难度加大等等,因此在具体的应用中,应将可能获得的裨益与带来的不利因素进行衡量,以做出正确合理的决策。
4未来发展方向
从整体上分析,近年来,随着人工智能技术的发展,多传感器信息融合技术有朝着智能化、集成化的趋势发展。
最新的研究动向包括:
(1)研究并完善实用的算法分类和层次划分方法;
(2)研究并发展实用的融合系统测试和评估方法;
(3)建立系统设计和算法选择的工程指导方针;
(4)编撰信息融合辞典,规范领域术语和定义;
(5)发展并完善JDL模型,以解决现有JDL所不能处理的多图像融合以及合成传感器(complexmetasensors)等问题。
5总结
信息融合是现代信息技术与多学科交叉、综合、延拓产生的新的系统科学研究方向,由于其在军事和民用领域展现出的广阔应用前景,受到国内外众多学者和有关部门的高度关注。
本文针对多传感器融合理论做了一个系统的概述,从结构与功能模型,应用及特点等方面进行了分析,最后对其未来的发展方向进行了简单的描述。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 信息 融合 论文