WSN与RFID技术的融合研究
—127—
WSN 与RFID 技术的融合研究
李 斌，李文锋
(武汉理工大学物流工程学院，武汉 430063)
摘 要：无线传感器网络和无线射频识别技术通过IEEE802.15.4标准和ZigBee 协议结合起来组成WSID 网络，相对于现有的无线传感器网络与主动RFID ，在通信距离、时钟同步、定位跟踪以及数据融合等方面均有较大的改善和提高，根据此类系统的应用特点，提出基于面向服务架构和XML Web Services 的软件平台的体系结构，具有良好的开放性，使系统的利用率和可重复使用性大大提高。 关键词：无线传感器网络；无线射频识别；ZigBee 协议；面向服务的结构；Web 服务
Research on Integration of WSN and RFID Technology
LI Bin, LI Wen-feng
(Department of Logistic Engineering, Wuhan University of Technology, Wuhan 430063)
【Abstract 】Wireless Sensor Network(WSN) changes human being and the nature interactive mode, and radio frequency identification puts up the bridge between the physics world and current information system. If WSN and RFID and connect with IEEE802.15.4 and ZigBee, people will get WSID network, that has great improvement in the respect of communication distance, clock synchronism, localization and data aggregation, etc.relative to available WSN and RFID. The paper brings forward the software platform architecture based on Service-Oriented Architecture(SOA) and XML Web Services according to the applied characteristic of the omnibus system.
【Key words 】Wireless Sensor Network(WSN); Radio Frequency Identification(RFID); ZigBee; service-oriented architecture; Web services
计 算 机 工 程Computer Engineering 第34卷 第9期
Vol.34 No.9 2008年5月
May 2008
·网络与通信·
文章编号：1000—3428(2008)09—0127—03
文献标识码：A
中图分类号：TP212.9
1 物理与信息世界的融合
无线传感器网络(WSN)是由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织的网络系统，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者。Internet 构成了逻辑上的信息世界，改变了人与人之间的沟通方式，而无线传感器网络则将逻辑上的信息世界与客观上的物理世界融合在一起，改变了人类与自然界的交互方式[1]。
无线射频识别技术(RFID)是一种非接触的自动识别技术，其基本原理是利用射频信号和空间耦合(电感或电磁耦合)传输特性，实现对被识别物品的自动识别。射频识别系统一般由2个部分组成，即电子标签(tag)和阅读器(reader)。在RFID 的实际应用中，电子标签附着在被识别的物体上(表面或内部)，当带有电子标签的被识别物品通过其可识别范围时，阅读器自动以无接触的方式将电子标签中的约定识别信息取出来，从而实现自动识别物品或者自动收集物品标志信息的功能[2]。RFID 是将物理世界与现有IT 系统联系起来的桥梁，根据其射频卡的数据调制方式，可分为主动式和被动式2种。
WSN 获取物理世界的数据，RFID 搭建起物理世界与信息世界的桥梁，将两者进行有机结合，可以将物理世界与现有的信息世界进行良好的融合，从根本上改变现有的IT 系统。本文探讨的重点是如何将两者结合起来和成功结合以后对现有系统将会有哪些改善以及如何构建其软件系统。
2 WSN 与RFID 的互通
目前RFID 的抗干扰性较差，而且有效距离较短，通常小于10 m 。采用主动RFID 后，标签内部带电池，主动发射信号，阅读器可以不发射功率，可同时识别多个目标系统，
能对100 km/h 的高速移动目标识别，识别范围1 m ～30 m 可调，但其距离仍然有限，这对RFID 的应用是一个极大的限制。以ZigBee 协议为纽带，将WSN 同RFID 有机的结合起来，形成WSID 网络，将有极其广阔的应用前景。 2.1 IEEE 802.15.4标准
IEEE 802.15.4网络协议栈基于开放系统互连模型
(OSI)，每一层都实现一部分通信功能，并向高层提供服务。
IEEE 802.15.4标准只定义了
PHY 层和数据链路层的MAC 子层。PHY 层由射频批发器以及底层的控制模块构成。MAC 子层为高层访问物理信道提供点到点通信的服务接口。IEEE 802.15.4 协议的网络拓扑结构有3种类型：星型结构，网格状结构和簇状结构，如图1所示。其中网格状结构和簇状结构属于点对点的结构。
(a)星型结构(b)网格状结构(c)簇状结构
图1 IEEE 802.15.4的网络拓扑类型
IEEE 802.15.4定义了2个物理层标准，分别是2.4 GHz 物理层和868/915 MHz 物理层。两个物理层都基于直接序列扩频(DSSS)，使用相同的物理层数据包格式，区别在于工作
基金项目：国家自然科学基金资助项目(60475031)；湖北省青年杰出人才基金资助项目(2005ABB021)
作者简介：李 斌(1979－)，男，博士研究生，主研方向：智能制造与控制，软件工程；李文锋，教授、博士
收稿日期：2007-05-30 E-mail ：whutmse2006@https://www.360docs.net/doc/7610161260.html,
频率、调制技术、扩频码片长度和传输速率。其中2.4 GHz 频段为全球统一的无须申请的ISM频段，有助于ZigBee设备的推广和生产成本的降低[3]。
2.2 ZigBee协议
ZigBee技术作为无线传感器网络的主要支撑技术得到人们广泛的关注。ZigBee协议栈由高层应用规范、应用汇聚层、网络层、数据链路层和物理层组成，网络层以上的协议由ZigBee联盟负责，物理层和媒体访问控制(MAC)层采用IEEE802.15.4标准。ZigBee协议的网络层采用基于Ad Hoc 技术的路由协议，除了包含通用的网络层功能外，还与底层的IEEE 802.15.4标准同样省电。另外，还同时实现了网络的自组织和自维护，最大程度地方便消费者，降低网络的维护成本。应用汇聚层则把不同的应用映射到ZigBee网络上，主要包括安全属性设置和多个业务数据流的汇聚等功能。整个协议的设计使得ZigBee技术具有数据传输速率低、功耗低、成本低等特点，也就使得具体的实现要求很低，从而更加适合于工业监控系统、传感器网络、家庭监控系统、安全系统
图2 ZigBee协议栈
2.3 互通方案
目前RFID标签和阅读器之间的通信协议和频率较为复杂多样，但其中IEEE 802.15.4标准和2.4 GHz的频率对于主动RFID最受欢迎。2.4 GHz频率非常适合于应用到实时定位系统中，同时它在主动RFID的ZigBee、WiFi和蓝牙技术中的杠杆作用近来也愈加重要；而在无线传感器网络方面，ZigBee协议优势明显，因此，在设计互通方案时，IEEE 802.15.4标准和ZigBee协议是首选的协议标准，2.4 GHz是采用的通信频率。上述标准和通信频率构成了WSN和RFID 互通方案的核心。基于WSN与RFID的IT系统如图3所示。
多个服务器
服务器服务器服务器
2 U
图3 基于WSN与RFID的IT系统
在无线传感器网络和RFID的融合应用中，无论是RFID 标签＋传感器的节点还是RFID阅读器，都是IEEE 802.15.4网络中的全功能设备，它们随机组成点对点网络，相互之间进行通信，原来RFID标签(被动)和阅读器之间的主从关系将转换为对等关系。阅读器和节点的通信部分都基于支持IEEE 802.15.4的无线收发芯片，阅读器由于其位置相对固定，其能量可以获得较为充分的保证，可以充当定位时的信标节点，数据融合和数据管理也可以在上面进行，阅读器可以使用有线方式连接成局域网，将其收集并经过初步融合的信息传递给中间件服务器，最后交由应用服务器进行监测、跟踪以及数据挖掘等具体应用，全面实现物理世界与信息世界的融合，其具体结构见图3。
3 引入RFID对WSN的改进
3.1 时钟同步
在分布式系统中，不同的节点都有自己的本地时钟。由于不同的节点的晶体振荡器频率存在偏差，以及温度变化和电磁波干扰等，即使在某个时刻所有节点都达到时间同步，它们的时间也会逐渐出现偏差，而分布式系统的协同工作需要节点间的时间同步；另一方面，传感器网络中节点代价不能太高，节点的微小体积不能安装除本地振荡器和无线通信模块外更多的用于同步的器件，因此，在无线传感器网络中完成节点间的时间同步时一直面临诸多困难与挑战。
将RFID与WSN进行融合，可以充分利用阅读器较一般节点强大得多的处理能力，阅读器每隔一段时间对其范围内的节点(移动或静止)广播相应的时间同步信号，以使其区域内的节点达到同步，相对于以往传感器网络的同步机制，这种方法在扩展性、稳定性、鲁棒性、收敛性和能量感知等方面均有不可比拟的优势，而且这种同步方案使得传感器网络在众多不同应用中拥有了一个相对统一的时间同步机制；而阅读器之间见图3，使用有线网络连接，完全可以采用传统的网络时间协议(Network Time Protocol, NTP)来达到较高同步的精度，以使整个网络拥有一个良好的时间同步基准。3.2 定位跟踪
在传感器网络中，位置信息对传感器网络的监测活动至关重要，事件发生的位置或获取信息的节点位置是传感器节点监测消息中所包含的重要信息，没有位置信息的监测消息往往毫无意义。目前在传感器网络节点定位技术中，根据节点是否已知自身的位置，把传感器节点分为信标节点(beacon node)和未知节点(unknown node)。信标节点在网络节点中所占的比例很小，可以通过携带GPS定位设备等手段获得自身的精确位置。信标节点是未知节点定位的参考点。除了信标节点外，其他传感器节点就是未知节点，它们通过信标节点的位置信息来确定自身位置[4]。
RFID 的融入为人与节点的空间定位与跟踪服务提供了一种新的解决方案。阅读器位置相对固定，可以预先探知，作为信标节点，然后利用标签对物体的唯一标识特性，依据读写器与安装在物体上的标签之间射频通信的信号强度来测量物品的空间位置。依据RFID的特性，系统可以在几毫秒内得到厘米级定位精度的信息，且其传输范围大，成本低，节点定位通信开销小，能量高效且健壮性强。
RFID 技术与传感器网络技术结合，较传统解决方案，在定位跟踪方面有诸多优势。传感器网络一般不关心节点的位置，因此，对节点一般都不采用全局标识，而RFID 技术对节点的标示有着得天独厚的优势，将两者结合共同组成网络可以相互弥补对方的缺陷，既可以将网络的主要精力集中到数据上，当需要具体的考虑到某个具体节点的信息的时候，
—128—
也可以利用RFID 的标识功能轻松地找到节点的位置，这一切为新的应用奠定了良好的基础，因为基于位置的服务将会是未来发展的一个热点。
3.3 数据融合
传感器网络的基本功能是收集并返回其传感器节点所在监测区域的信息。传感器网络节点的资源十分有限，在收集信息的过程中采用各个节点单独传送数据到汇聚节点的方法是不合适的，因为这样必然会造成浪费通信带宽和能量以及降低信息收集的效率等问题，而且在很多的传感器应用中，许多时候只关心监测结果，并不需要收到大量的原始数据，数据融合(data aggregation)是实现此目的的重要手段。
在无线传感器网络节点中引入RFID主动标签后，整个网络的拓扑结构为一个典型的簇状结构。如图3所示，阅读器将成为网络中的汇聚节点，连接传感器网络与Internet等外部网络。汇聚节点(阅读器)在收集数据时通过反向组播树的形式从分散的传感器节点逐步将监测数据汇集起来，并在此过程中形成数据融合树(aggregation tree)。由于节点执行指令时消耗的能量远少于传送数据，那么在一个扫描周期内，汇聚节点首先选择数据融合树中的少数节点唤醒(选择算法的原则务必保证在若干个周期内扫描到全部的节点，且每次扫描能较为全面地反映该阅读器监测区域内的情况)，与它们通信，获取相关数据并在本地进行数据融合处理后，唤醒数据融合树中的其他节点并发送该数据，各个节点将此数据与本地数据进行比较，如有较大差异，则向汇聚节点发送数据，否则再度进入睡眠状态。因为每个周期内通信的节点及数据量并不大，所以网络中的路由方式采取以地址为中心的路由(Address-Centric routing, AC路由)，每个源节点沿着到汇聚节点的最短路径转发数据。
4 系统的体系结构
在将无线传感器网络与无线射频识别技术进行了有机融合以后，便能够对客观的物理世界有精确的把握，并通过IEEE802.15.4和ZigBee协议将数据传送到汇聚节点(阅读器)，到此前端的数据收集工作基本结束，真实的数据开始进入信息世界。数据通过服务总线传送到业务逻辑层(一般用中间件或Web Services实现)进行处理，将处理后的数据存入数据库中或传送给相应的应用。虽然目前硬件的成本一直在下降，但在某个环境中部署多个RFID＋传感器的节点仍然具有相当的成本；在某些典型环境中，如大楼或车间内，更是有希望可以将这些节点作为建筑的基础设施进行安装和更换，如何最大化利用这些硬件设备是构建软件系统时要考虑的首要问题；另一方面，各种基于WSN和RFID应用的需求差异巨大，业务流程变换频率较快，有鉴于此，本文提出基于SOA 和Web Services的开放服务平台架构。
4.1 SOA与Web Services
面向服务架构(Service-Oriented Architecture, SOA)是一个组件模型，它将应用程序的不同功能单元(称为服务)通过这些服务之间定义良好的接口和契约联系起来。接口采用中立的方式进行定义，独立于实现服务的硬件平台、操作系统和编程语言。SOA可以根据需求通过网络对松散耦合的粗粒度应用组件进行分布式部署、组合和使用。
SOA的实现方式不止一种，用Web Services作为实现SOA的技术平台具有其他方式不可比拟的优势：Web Services 是广泛普及的、简单的和平台独立的。Web Services为IT系统提供了与万维网同样层次的抽象，从而有利于开发人员快速简捷地实现IT系统[5]。
4.2 软件平台体系结构
系统的软件平台体系结构如图4所示，完全基于SOA架构。整个系统不仅将物理世界与计算机世界有机地联系在一起，还将网络边缘的硬件、嵌入式软件及中间件与企业系统连接起来，使得由分布物理事件所形成的数据能够传递到现有的企业或监控系统中，从而改进并提高了现有系统业务流程的集成与整合，给系统业务的重构带来了稳定高效灵活的解决方案，从根本上改变了目前信息系统难以随需而变的困境。整个平台使得传感器网络和RFID设备对用户高度透明，并提供对外高度抽象的设备接口和数据接口，具有良好的开放性。这一切使得对系统软硬件的投资可以在各种实际应用中获得最大化的收益，系统的利用率和可重复使用性将大大提高。
5 结束语
SOA可以看作是B/S模型、XML/Web Services技术之后的自然延伸，它能够帮助人们从新的高度理解企业级架构中的各种组件的开发、部署形式。将三者进行有机结合，可从根本上改变现有IT系统构建中诸多困难，使开发人员可以从容地面对物理世界和企业业务频繁的变化。
参考文献
[1] 孙利民, 李建中, 陈渝, 等. 无线传感器网络[M]. 北京: 清华
大学出版社, 2005.
[2] Finkenzeller K. 射频识别技术[M]. 陈大才, 译. 北京: 电子工业
出版社, 2001.
[3] 刘元安, 叶 靓, 邵谦明, 等. 无线传感器网络与TCP/IP网络的
融合[J]. 北京邮电大学学报, 2006, 29(6): 1-4.
[4] 王福豹, 史龙, 任丰原. 无线传感器网络中的自身定位系统和
算法[J]. 软件学报, 2005, 16(5): 857-868.
[5] Newcomer E. Understanding SOA with Web Services[M]. Boston,
USA: Addison-Wesley Professional, 2004.
—129—
工业4.0与大数据技术融合
工业4.0与大数据的技术融合-机械制造论文 工业4.0与大数据的技术融合 帕特里克?波让 2016年10月底，第二届“中国制造2025 ”对话德国“工业4.0 ”大会在广东(潭州)国际会展中心顺利召开。大会上，德国亚琛工业大学机床实验室总工程师帕特里克?波让(Patrick Beaujean )就如何探索工业4.0做了精彩的演说。 他认为，工业4.0是大规模信息技术进入到工业生产的过程，需要将互联网、大数据与物联网等技术进行融合，实现生产过程互联互通。 我在亚琛工业大学机床实验研究室工作，并且，我也以在这个研究室工作引 以为豪。因为，这个研究室是德国研究工业 4.0的能力中心。它是由北莱茵-威斯特法伦州资助运营的机构，主要负责工业4.0数据化的研究，是德国推动工业革命的“致命武器”。 “致命武器” 这个研究室历史悠久，至今已有百年历史，并且规模很大，目前大概有800 多名研究人员。研究室具有优秀的管理层，在管理者的带动下，我们加强对外合作交流，不仅和企业进行合作，还和应用技术研究所等机构进行合作，双方在工业4.0领域的研究人员加起来可达2000多人，而且这些人都是专注研究工业4.0 的高端人才，这也反应出研究室在工业4.0领域强大的人才支撑以及对未来工业发展的高度重视。 我们专注于研究加工技术、工业4.0、计量、生产与机床、齿轮技术、培训和管理领域，其中，加工技术、生产流程等是我们最擅长的领域。比如，我们有成熟的模具制造加工技术，也有优良的激光处理技术，我们在生产控制与自动化 方面投入了大量的人力和资本。除此之外，我们还深入探究管理领域，尤其是在商业管理、技术管理、创新管理等方面下足了功夫。这些领域都是我们现在研究的重点课题，未来，可能还会继续探究其他领域。 “工业4.0 ”的定义 研究人员在探究工业4.0时，不要仅把研究、教育当做一份工作来看待，而是要在脑海中形成一种思维。如何定义工业4.0呢？我觉得工业4.0是指大规模信息技术进入到工业生产的过程。我们不但要做互联网，也要做物联网，必须将 生产技术和信息技术进行密切融合，这才是工业 4.0的真正意义。不过，就目前来看，工业现场实现物联网还需一段时间，而且实现的过程也相当不容易。
多信息融合技术概述
本次讲座主要讲了多源数据融合的定义、应用领域、所具有的优势、信息融合的级别、通用处理结构、主要技术方法、要解决的几个关键问题和未来的主要研究方向。下面就围绕这几个方面进行阐述。 多源信息融合是一种多层次，多方面的处理过程，包括对多源数据进行检测、相关、组合和估计，从而提高状态和身份估计的精度，以及对战场态势和威胁的重要程度进行实时完整的评估。简单说，多源信息融合就是对多源信息进行综合处理，从而得出更为准确、可靠的结论。例如我们感知天气，通过我们的体表感觉温度的高低，通过眼睛观察天气的晴朗或阴雨，通过耳朵听风的大小，然后将这些信息通过大脑的综合处理，对天气有一个总体的感知定位。 多源信息融合在各个领域都有着广泛的应用。如军事上进行战场监视、图像融合，包含医学图像融合等、工业智能机器人（对图像、声音、电磁等数据进行融合，以进行推理，从而完成任务）、空中交通管制（由导航设备、监事和控制设备、通信设备和人员四部分组成）、工业过程监控（过程诊断）、刑侦（将人的生物特征如指纹、虹膜、人脸、声音等信息进行融合，可提高对人身份识别的能力）、遥感等。 信息融合技术越来越受到人们的重视，这时因为它在信息处理方面具有一定的优势。增强系统的生存能力，也就是防破坏能力，改善系统的可靠性；可以在时间、空间上扩展覆盖范围；提高可信度，降低信息的模糊度，如可以使多传感器对同一目标或时间加以确定；提高空间分辨率，多传感器信息的合成可以获得比任一单传感器更高的分辨率；增加了测量空间的维数，从而使系统不易受到破坏。 信息融合的级别有多种分类方法，若按数据抽象的层次来分，可分为数据级融合、特征级融合和决策级融合。数据级融合是直接对传感器的观测数据进行融合处理，然后基于融合后的结果进行特征提取和判断决策。数据级融合的精度高，但由于数据量大，故处理的时间长，代价高，数据通信量大，抗干扰能力差，并且要求传感器是同类的。多应用在多源图像复合、同类雷达波形的直接合成等。特征级融合是先由每个传感器抽象出自己的特征向量（比如目标的边缘、方向、速度等信息），融合中心完成的是特征向量的融合处理。这种融合级别实现了可观的数据压缩，降低了通信带宽的要求，有利于实现实时处理，但却损失了一部分有用信息，使融合性能有所降低。决策级融合是先由每个传感器基于自己的数据作出决策，然后融合中心完成的使局部决策的融合处理。这种级别的融合数据损失量大，相对来讲精度低，但却抗干扰能力强，通信量小，对传感器依赖小，不要求同质传感器，融合中心处理代价低。 图1、集中式结构 多源数据融合的通用结构有集中式结构、分布式结构和混合式结构。集中式结构是所有传感器的数据直接送给融合中心进行处理，结构如图1所示。 分布式结构是融合中心收到的是经过局部处理的数据，结构如图2所示。混合式结构是
数据融合技术简介
数据融合技术简介 数据融合技术是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理技术。 数据融合的概念虽始于７０年代初期，但真正的技术进步和发展乃是８０年代的事【1】，尤其是近几年来引起了世界范围内的普遍关注，美、英、日、德、意等发达国家不但在所部署的一些重大研究项目上取得了突破性进展，而且已陆续开发出一些实用性系统投入实际应用和运行。 我国“八五”规划亦已把数据融合技术列为发展计算机技术的关键技术之一，并部署了一些重点研究项目，尽可能给予了适当的经费投入。但这毕竟是刚刚起步，我们所面临的挑战和困难是十分严峻的，当然也有机遇并存。这就需要认真研究，针对我国的国情和军情，采取相应的对策措施，以期取得事半功倍的效果。 数据融合可分为： （1）像素级融合： 它是直接在采集到的原始数据层上进行的融合，在各种传感器的原始测报未经预处理之前就进行数据的综合与分析。数据层融合一般采用集中式融合体系进行融合处理过程。这是低层次的融合，如成像传感器中通过对包含若一像素的模糊图像进行图像处理来确认目标属性的过程就属于数据层融合。 （2）特征层融合： 特征层融合属于中间层次的融合，它先对来自传感器的原始信息进行特征提取(特征可以是目标的边缘、方向、速度等)，然后对特征信息进行综合分析和处理。特征层融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度的给出决策分析所需要的特征信h。特征层融合一般采用分布式或集中式的融合体系。特征层融合可分为两大类：一类是目标状态融合；另一类是目标特性融合。 （3）决策层融合 决策层融合通过不同类型的传感器观测同一个目标，每个传感器在本地完成基本的处理，其中包括预处理、特征抽取、识别或判决，以建立对所观察目标的初步结论。然后通过关联处理进行决策层融合判决，最终获得联合推断结果。 数据融合作为一种数据综合和处理技术，实际上是许多传统学科和新技术的集成和应用，其中涉及的知识包括通信、模式识别、决策论、不确定性理论、信号处理、估计理论、最优化技术、计算机科学、人工智能、神经网络等，特别是神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。多传感器数据融合技术的核心问题是选择合适的融合算法，由于信息的多样性和复杂性，对数据融合方法的基本要求是具有鲁棒性和并行处理能力。具体的数据融合的方法很多【3】【4】，常用的方法大体上可分成三大类：（1）基于统计理论的融合方法----------- 基于统计理论的融合方法有：经典推理法、贝叶斯估计法和证据理论法（Dempster-Shafer）。 经典推理法在早起的数据融合中得到了广泛的应用，由于其完全依赖数学理论，则形式简单、易操作，缺点是必须要求先验知识和计算先验概率密度分布函数，同时一次仅能估计
-信息融合技术的发展过程、研究现状以及未来发展趋势--
信息融合技术 学生： 学号： 指导老师：
信息融合技术的发展历程 1信息融合技术的发展过程 概述： 随着电子技术、信号检测和处理技术、计算机技术、网络通信技术以及控制技术的飞速发展,各种面向复杂使用背景的多传感器系统大量涌现,在这些多传感器系统中,信息表示的多样性,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和决策—多传感器信息融合技术得以迅速发展。确切地讲信息融合技术是随着信息处理和指挥自动化系统的发展而形成的,涉及数学、军事科学、计算机科学、自动控制理论、人工智能、通信技术、管理科学等多学科的交叉和具体使用。对信息融合的理解并不困难,通俗地说,它是关于如何协同利用多源信息,以获得对同一事物或目标更客观、更本质认识的综合信息处理技术。在信息网络系统中,原始采集的信息经常是无序的、分散的甚至是错误的,只有经过信息处理,将大量的信息进行融合,相互印证,去伪存真,才能得到有用的、相互关联的、而且是可方便使用的信息。实际上,人本身就是一个高级的信息融合系统,大脑这个融合中心去协同眼(视觉)、耳(听觉)、口(味觉)、鼻(嗅觉)、手(触觉)等多类“传感器”去感觉事物各个侧面的信息,并根据人脑的经验和知识进行相关分析、去粗取精,从而综合判决,获得对周围事物性质和本质的全面认识。 信息融合是利用计算机技术将来自多个传感器或多源的观测信息进行分析、综合处理．从而得出决策和估计任务所需的信息的处理过程。另一种说法是信息融合就是数据融合．但其内涵更广泛、更确切、更合理，也更具有概括性．不仅包括数据，而且包括了信号和知识。 根据美国国防部三军实验室理事联席会给出的定义：信息融合是一个对从单个和多个信息源获取的数据和信息进行关联、相关和综合，以获得精确的位置和身份估计，以及对态势和威胁及其重要程度进行全面及时评估的信息处理过程；该过程是对其估计、评估和额外信息源需求评价的一个持续精练（Refinement）
大数据融合是关键
龙源期刊网 https://www.360docs.net/doc/7610161260.html, 大数据融合是关键 作者：程彦博 来源：《中国计算机报》2015年第18期 提出建设智慧城市目标的城市不一而足。然而，究竟怎么做才能达到智慧城市的标准？如何利用跨部门的大数据，融合成为政府决策部门的“智脑”，辅助把脉城市经济运行？ 最近，“互联网+”成为一个热词。在城市信息化领域，“互联网+”同样给智慧城市建设插上了翅膀，利用移动互联网等新兴技术，城市可以为企业和市民提供更好的服务。 其实，无论是“互联网+”还是智慧城市，从城市管理和服务者的角度，都希望通过大数据、移动互联网等新兴技术增强政府和民众的互动，打通城市管理中的信息孤岛，实现移动应用与大数据的大联动，最终实现建设一个智慧的公共城市环境。 然而，城市管理和服务的信息化建设一直没有停止。经过多年的建设，各个城市也建设了大量的信息系统，然而这些系统由于受到条块分割等因素的制约，形成了一个个的信息孤岛和信息烟囱。时至今日，当建设智慧城市的呼声越来越高，迎面而来的问题就是——如何建设“智慧的”城市，什么样的城市才是智慧城市？ 近日，东方通连续荣获由中国电子信息产业发展研究院颁发的智慧城市两大奖项，在大数据的融合应用服务领域持续发力。那么，是什么让东方通获此殊荣，东方通是否找到建设智慧城市的关键所在？ 东方通副总裁、数据融合服务中心总经理李晓钢一语中的：智慧城市建设的关键在于政务大数据融合。 跨部门大数据融合模型创新 人们喜欢把大数据比喻成金矿，认为其中蕴含了巨大的价值。然而，这些数据真的要产生价值，一定不能是割裂的、无法共享和互通的。 近年来，政府和各个行业信息化的飞速发展，不同行业、不同区域的各类数据不能互通、信息资源不能整合的问题越来越严重，破解各类业务、各种应用的信息和数据资源整合的问题，已经箭在弦上。 随着智慧城市建设的兴起，以及政府基础信息共享的模式正在推行，各个行业围绕行业特征建立了行业基础信息系列标准，针对人口、法人、道路基础设施、车辆等要素，基本形成了以人、物为主管理对象的唯一标识编码体系。
数据融合技术
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 =n i 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 i s ，i=1,2,…k ，则数据融合后 目标d 的后验概率是： 1 1 1 ()(|) |()(|)()(|) k i i k k i i 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
数据融合技术概述
数据融合是WSN中非常重要的一项技术，也是目前的一个研究热点，通过一定算法将采集到的数据进行各种网内处理，去除冗余信息，减少数据传输量，降低能耗，延长网络生命周期。本文以从降低传输数据量和能量方面对数据融合方法进行分类，介绍其研究现状。 1.与路由相结合的数据融合 将路由技术和数据融合结合起来，通过在数据转发过程中适当地进行数据融合，减轻网络拥塞，延长网络生存时间[1]。 1.1查询路由中的数据融合 定向扩散（directed diffusion）[2]作为查询路由的代表，数据融合主要是在其数据传播阶段进行，采用抑制副本的方法，对转发过的数据进行缓存，若发现重复数据将不予转发，该方法有很好的能源自适应性，但是他只能在他选择的随机路由上进行数据融合，并不是最优方案。 1.2分层路由中的数据融合 Wendi Rabiner Heinzelman 等提出了在无线传感器网络中使用分簇概念,其将网络分为不同层次的LEACH 算法[3] :通过某种方式周期性随机选举簇头,簇头在无线信道中广播信息,其余节点检测信号 并选择信号最强的簇头加入,从而形成不同的簇。每个簇头在收到本簇成员后进行数据融合处理，并将结果发送给汇集节点。LEACH算法仅强调数据融合的重要性，但未给出具体的融合方法。TEEN是LEACH 算法的改进[4]，通过缓存机制抑制不需要转发的数据，进一步减少数据融合过程中的数据亮。
1.3链式路由中的数据融合 Lindsey S 等人在L EACH 的基础上,提出了PEGASIS 算法[5]每个节点通过贪婪算法找到与其最近的邻居并连接,从而整个网络形成一个链,同时设定一个距离Sink 最近的节点为链头节点,它与Sink进行一跳通信。数据总是在某个节点与其邻居之间传输,节点通过多跳方式轮流传输数据到Sink 处，位于链头节点和源节点之间的节点进行融合操作，最终链头节点将结果传送给汇聚节点。链式结构使每个节点发送数据距离几乎最短，比LEACH节能，但增大了数据传送的平均延时，和传输失败率。PEDAP (power efficient data gathering and aggregation protocol) [6]协议进一步发展了PEGASIS 协议,其核心思想是把WSN 的所有节点构造成一棵最小汇集树(minimum spanning tree) 。节点不管在每一轮内接收到多少个来自各子节点的数据包,都将压缩融合为单个数据包,再进行转发,以最小化每轮数据传输的 总能耗。然而,PEDAP 存在难以及时排除死亡节点(非能量耗尽) 的缺点。 2.基于树的数据融合 现有的算法有最短路径树（SPT）、贪婪增量树（GIT）、近源汇集树（CNS）和Steiner树以及他们的改进算法。Zhang [7]提出 DCTC(dynamic convey tree based collaboration) 算法。通过目标附近的节点协同构建动态生成树,协同组节点把测量数据沿确定的生成树向根节点传输,在传输过程中,汇聚节点对其子生成树节点的数 据进行数据融合。Luo [8-9]了MFST (minimum fusion steiner t ree)
数据融合技术-精选文档
数据融合技术 因为无线传感器网络通常需要大面积部署节点来采集尽可能多的信息，但许多节点可能采集到类似数据，而且节点在收发数据的时候消耗的能量在节点总能量消耗中占有极大的比例，以，降低采集数据的不确定性和噪声干扰，并且减少无线传感器网络节点间的传输数据量就成为了降低网络能耗和提升网络工作效率的重要方式。 1 数据融合的作用 无线传感器网络是以数据为中心的网络，相对于网络本身来 说，用户更关注网络中采集和处理的数据。在无线传感器网络中，数据融合技术主要作用在于降低网络能耗、提升数据准确性和提 高网络工作效率。 1.1降低网络能耗 由于单一传感器节点的监测范围有限，所以无线传感器网络 通常会采用大规模布设节点的方式来保证信息采集的完整性和准确性，有时多个节点的监测数据可能完全相同或者极为相似，这使得多个节点上传的监测数据中会存在大量冗余信息。如果将这些信息全部上报的话，并不会使用户得到更多信息，反而会对网络的能量造成极大消耗。 数据融合技术的意义就是要对上述情况下的数据进行处理，根据信息的相关性和事先预定的规则去除冗余信息，在保证数据完整性的同时尽可能减小数据量。 1.2提升数据准确性 由于各种干扰和节点本身存在的缺陷等问题，单一节点采集到的数据可靠性并不是很高，有可能出现误报、错报等情况。 因此靠少数几个分散的节点采集到的数据是无法保证准确性的，所以要对监测同一目标的多个传感器采集到的数据进行融合来提升数据的准确性。
由于邻近节点采集到的数据差异较小，所以即使有个别节点出现误报和错报等情况也可以通过数据融合技术来去除异常数据。也就是说当个别节点出现故障时，也可利用其邻居节点采集到的信息进行更正，不会影响到整个无线传感器网络的正常工作。 1.3提高网络工作效率 数据融合技术减少了网络中需要传输的数据量，减轻了网络传输的拥塞程度，从而减小了网络的传输时延，提高了系统的实时性。即使在极端状况下，网络传输的数据量没有变化也可对多个分组进行合并，减少分组个数，降低传输过程中的冲突碰撞现象，提高信道利用率。 2 数据融合的分类 无线传感器网络的数据融合技术可以从不同的角度进行分类，本文根据数据的抽象程度将操作级别的数据融合技术分为以下三类： 2.1 数据级融合 数据级融合是最底层的融合，融合对象是多个传感器采集得到的原始数据，是面向数据的融合。数据级融合是直接对接收到的传感器数据进行融合，然后在进行特征提取和属性判决的数据融合技术。数据级融合对原始信息的保留最好，能够提供其他层次融合所不具有的细微信息。这类融合在大多数情况下仅与传感器的类型密切相关，与用户需求无关。它的局限性主要在于：由于所要处理的传感器数据量较大，数据之间的相似度高，因此融合操作的计算量是巨大的，处理代价较高。另外，数据级融合是在信息的最底层进行的，考虑到无线传感器的原始数据的不确定性、不完全性和不稳定性，要求在数据融合时有较高的纠错能力。 2.2 特征级融合 特征级融合是指首先对各个传感器节点的数据进行处理，然后提取关键特征，再执行融合操作。特征级融合通过一些特征提取手段，将数据表示为一系列的特征向量，来反映事物的属性。 作为一种面向监测对象特征的融合，它是利用从各个传感器原始数据中提取的特征信息，来进行综合分析和处理的中间层次的融合过程。特征级融合操作的数据量、计算量都不大。关键特征的提取就是将传感器采
信息融合技术
信息融合技术 1引言 融合(Fusion)的概念开始出现于70年代初期,当时称之为多源相关、多源合成、多传感器混合或数据融合(Data Fusion),现在多称之为信息融合(Information Fusion)或数据融合。 融合就是指采集并集成各种信息源、多媒体与多格式信息,从而生成完整、准确、及时与有效的综合信息过程。数据融合技术结合多传感器的数据与辅助数据库的相关信息以 获得比单个传感器更精确、更明确的推理结果。经过融合的多传感器信息具有以下特征:信息的冗余性、互补性、协同性、实时性以及低成本性。 多传感器信息融合与经典信号处理方法之间存在本质 的区别,其关键在于信息融合所处理的多传感器信息具有更 为复杂的形式,而且可以在不同的信息层次上出现。 2信息融合的结构模型 由于信息融合研究内容的广泛性与多样性,目前还没有 统一的关于融合过程的分类。 2、1按照信息表征层次的分类系统的信息融合相对于信息表征的层次相应分为三类:数据层融合、特征层融合与决策层融合。 数据层融合通常用于多源图像复合、图像分折与理解等方面,采用经典的检测与估计方法。特征层融合可划分为两大
类:一类就是目标状态信息融合,目标跟踪领域的大体方法都可以修改为多传感器目标跟踪方法;另一类就是目标特性融合,它实质上就是模式识别问题,具体的融合方法仍就是模式识别的相应技术。 决策层融合就是指不同类型的传感器观测同一个目标,每个传感器在本地完成处理,其中包括顶处理、特征抽取、识别或判决,以建立对所观察目标的初步结论。然后通过关联处理、决策层触合判决,最终获得联合推断结果。 2、2JDL模型(Joint Directors of Laboratories, JDL)与λ-JDL模型该模型将融合过程分为四个阶段:信源处理,第一层处理(即目标提取)、第二层处理(即态势提取)、第三层提取(即威胁提取)与第四层提取(即过程提取)。模型中的每一个模块都可以有层次地进一步分割,并且可以采用不同的方法来实现它们。 λ-JDL模型为JDL模型的简化,把0层包含进了1层, 4层融入其她各层中。 2、3按照数据流融合的位置进行分类多传感器融合系统中的一个关键问题就是在何处对数据流进行融合。按照融合位置的不同可以将融合结构分为以下三种类型:集中式融合、分布式多传感器融合与无中心融合结构。对于特定的信息融合应用不可能找到一种最优的融合结构,结构的选择必须综合考虑计算资源、可用的通信带宽、精度要求、传感器能力
数据融合技术
无线传感器网络应用都是由大量的传感器节点构成共同完成信息收集、目标监视和感知环境的任务。由于网络的通信带宽和能量资源存在着局限性，能量问题使得传感器网络的寿命存在很大的约束，而在进行信息采集数据传送的过程，由各个节点单独传输至汇聚节点的方法显然是不合适的，同时还会带来降低信息的收集效率以及影响信息采集的及时性等问题，因此人们通过研究提出了数据融合的方案。作为无线传感器网络的关键技术之一，数据融合是将多份数据或信息进行处理，组合出更有效、更符合用户需求的数据的过程。 3.1数据融合的定义 数据融合是将多份数据或信息进行处理，组合出更有效、更可靠、更符合用户需求的数据的过程，它涉及到系统、结构、应用、方法和理论。传统意义上定义包括: (1)信息融合 (InformationFusinn)，定义为“在社会应用的上下文中，其包含了理论、技术和工具的创造和应用，用以在多个来源(传感器、数据库、人类收集)的信息间进行协作。” (2)数据融合 (DataAggregatinn)是针对来自数据源的数据集合，将有弹性的、可编程的原始行数据处理为数量更少的精练数据，并将此精练数据传送给消费者。 其实，我们可以理解数据融合 (DataAggregation)为信息融合(hiformation Fusinn)的另一个子集，是将多份数据或信息进行处理，组合出更有效、更符合用户需求的数据的过程。特别是对于无线传感器网络而言，提高精确度和节省能量是数据融合需要完成的首要任务。 3.2数据融合的作用 在大多数无线传感器网络应用当中，很多时候不需要收到大量原始数据而只关心监测结果，因此处理该问题的有效手段就是数据融合技术。而该技术的几个重要作用是其产生的重要背景。 1.节省能量 无线传感器网络节点的冗余配置是建立在保证整个网络的可靠性和监测信息准确性的基础上。在监测区域周围的节点采集和报告的数据信息会非常相似，甚至接近，这会造成较高的数据冗余情况，在这种情况下的数据发送至汇聚节点在满足数据精度的前提下，汇聚节点并不能获得更多的数据，相反会使网络的能量得到更多不必要的消耗。采用数据融合技术，可以处理掉大量冗余的数据信息，使得网内节点的能量得到有效的节省。理想的数据融合情况下，中间节点可以把N个等长度的输入数据分组进行合并，使之成为一个等长的输出分组。这样的情况下完成数据融合，就只需要消耗不进行融合所消耗能量的1加。即使数据融合效果不好，没有达到减少数据量的效果，但进行的融合操作可以减少分组的个数，从而达到减少信道协商或竞争过程中能量消耗的作用。 2.获取更准确的信息 由于传感器网络部署在各种不同的环境中，导致传感器节点获得的信息不可靠性较高，主要由以下3个方面造成了数据的不可靠性。 (1)受到成本和体积的限制，节点装配的传感器元器件的探测精度一般较低。 (2)节点传送的数据由于无线通信的机制很容易受到干扰而遭到破坏。 (3)由于环境的影响，不但会对数据传送造成不便，还会使节点的功能部件出现问题，无法正常工作而导致传送的数据信息出错。因此，要想获得较高精度的信息，就需要通过对监测同一对象的多个传感器所采集的数据进行综合，有效
大数据融合各种算法整理汇总情况情况
数据融合各种算法及数学知识汇总 粗糙集理论 理论简介 面对日益增长的数据库，人们将如何从这些浩瀚的数据中找出有用的知识？ 我们如何将所学到的知识去粗取精？什么是对事物的粗线条描述什么是细线条描述？ 粗糙集合论回答了上面的这些问题。要想了解粗糙集合论的思想，我们先要了解一下什么叫做知识？假设有8个积木构成了一个集合A，我们记： A={x1,x2,x3,x4,x5,x6,x7,x8}，每个积木块都有颜色属性，按照颜色的不同，我们能够把这堆积木分成R1={红，黄，蓝}三个大类，那么所有红颜色的积木构成集合X1={x1,x2,x6}，黄颜色的积木构成集合X2={x3,x4}，蓝颜色的积木是：X3={x5,x7,x8}。按照颜色这个属性我们就把积木集合A进行了一个划分(所谓A的划分就是指对于A中的任意一个元素必然属于且仅属于一个分类），那么我们就说颜色属性就是一种知识。在这个例子中我们不难看到，一种对集合A的划分就对应着关于A中元素的一个知识，假如还有其他的属性，比如还有形状R2={三角,方块,圆形}，大小R3={大,中,小}，这样加上R1属性对A构成的划分分别为： A/R1={X1,X2,X3}={{x1,x2,x6},{x3,x4},{x5,x7,x8}} （颜色分类） A/R2={Y1,Y2,Y3}={{x1,x2},{x5,x8},{x3,x4,x6,x7}} （形状分类） A/R3={Z1,Z2,Z3}={{x1,x2,x5},{x6,x8},{x3,x4,x7}} （大小分类） 上面这些所有的分类合在一起就形成了一个基本的知识库。那么这个基本知识库能表示什么概念呢？除了红的{x1,x2,x6}、大的{x1,x2,x5}、三角形的{x1,x2}这样的概念以外还可以表达例如大的且是三角形的{x1,x2,x5}∩{x1,x2}={x1,x2}，大三角{x1,x2,x5}∩{x1,x2}={x1,x2}，蓝色的小的圆形({x5,x7,x8}∩{x3,x4,x7}∩{x3,x4,x6,x7}={x7}，蓝色的或者中的积木{x5,x7,x8}∪{x6,x8}={x5,x6,x7,x8}。而类似这样的概念可以通过求交运算得到，比如X1与Y1的交就表示红色的三角。所有的这些能够用交、并表示的概念以及加上上面的三个基本知识(A/R1,A/R2.A/R3)一起就构成了一个知识系统记为R=R1∩R2∩R3，它所决定的所有知识是 A/R={{x1,x2},{x3,x4},{x5},{x6},{x7},{x8}}以及A/R中集合的并。 下面考虑近似这个概念。假设给定了一个A上的子集合X={x2,x5,x7}，那么用我们的知识库中的知识应该怎样描述它呢？红色的三角？****的大圆？ 都不是，无论是单属性知识还是由几个知识进行交、并运算合成的知识，都不能得到这个新的集合X，于是我们只好用我们已有的知识去近似它。也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似，一个作为上近似。于是我们选择了“蓝色的大方块或者蓝色的小圆形”这个概念：{x5,x7}作为X的下近似。选择“三角形或者蓝色的”{x1,x2,x5,x7,x8}作为它的上近似，值得注意的是，下近似集是在那些所有的包含于X的知识库中的集合
数据融合中存在的问题与可解决的思路
数据融合中存在的问题与可解决的思路 3222011041张志成 一、数据融合技术概念由来 数据融合技术，包括对各种信息源给出的有用信息的采集、传输、综合、过滤、相关及合成，以便辅助人们进行态势/环境判定、规划、探测、验证、诊断。这对战场上及时准确地获取各种有用的信息，对战场情况和威胁及其重要程度进行适时的完整评价，实施战术、战略辅助决策与对作战部队的指挥控制，是极其重要的。 数据融合的概念虽始于70年代初期，但真正的技术进步和发展乃是80年代的事，尤其是近几年来引起了世界范围内的普遍关注，美、英、日、德、意等发达国家不但在所部署的一些重大研究项目上取得了突破性进展，而且已陆续开发出一些实用性系统投入实际应用和运行。不少数据融合技术的研究成果和实用系统已在1991年的海湾战争中得到实战验证，取得了理想的效果。 随着计算机技术、通信技术的快速发展，且日趋紧密地互相结合，加之军事应用的特殊迫切需求，作为数据处理的新兴技术——数据融合技术，在近10年中得到惊人发展并已进入诸多军事应用领域。 二、数据融合存在的问题及研究方向 1.当前数据融合研究存在的问题 数据融合是一门新兴的学科，目前尚存在以下的问题：
（1）未形成基本的理论框架和广义融合算法：目前，绝大多数的融合研究皆是针对特定的应用领域的特定问题开展的（混合结构，分布式）。即根据问题的种类，各自建立直观的融合准则，形成“最佳”融合方案，未形成完整的理论框架和融合模型，使得融合系统的设计具有一定的盲目性。 （2）关联的二义性：关联的二义性是数据融合的主要障碍，传感器测量的不精确性和干扰等都是引起关联二义性的因素。如何降低关联二义性是数据融合研究以待解决的问题。 （3）数据融合方法与融合系统实施存在的问题：目前，大多数数据融合是经一种简单的方法合成信息，并未充分有效地利用多传感器所提供的冗余信息，融合方法研究也还处于初步阶段。而且目前很多研究工作亦是基础研究，仿真性工作。因此，数据融合系统的设计实施还存在许多实际的问题：传感器动态测量误差模型的建立、传感器系统优化、复杂动态环境下系统实时性、大型知识库的建立与管理、与其它领域的很多新技术的“嫁接与融合”，如人工智能技术、计算神经网络计算、遗传算法、进化计算、虚拟现实技术性等。 2.数据融合的研究方向 （1）建立数据融合的基础理论，这包括进一步研究融合技术的数学基础，对于同类信息相融合的数值处理：主要研究其各种最优、次优分散式算法；对于不同类型信息相融合的符号处理方法，引进其它领域的一些新技术：如具备学习功能的新型 AI技术、
多传感器信息融合技术概论
多传感器信息融合技术概述 摘要：传感器信息融合，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。单一传感器只能获得环境或被测对象的部分信息段，而多传感器信息经过融合后能够完善地、准确地反映环境的特征。信息融合技术已经广泛应用于信息电子学、计算机科学、自动化等领域，下面从五个方面做概述。 关键词：多传感器；信息融合 1多传感器信息融合基本原理 多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息(景物、声音、气味和触觉等)与先验知识进行综合的能力，以便对他周围的环境和正在发生的事件作出估计。多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，它充分地利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来, 产生对观测环境的一致性解释和描述。 信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。 2多传感器信息融合的几种方法 2.1卡尔曼滤波(KF) 该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。如果系统具有线性动力学模型，且系统噪声和传感器噪声可用高斯分布的白噪声模型来表示，则KF为融合数据提供惟一的统计意义下的最优估计，它的递推特性使系统数据处理不需大量的存储和计算。 KF分为分散卡尔曼滤波(DKF)和扩展卡尔曼滤波(EKF)。DKF可实现多传感器数据融合完全分散化，其优点是，单个传感器节点失效不会导致整个系统失效。而EKF的优点是，可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过
数据融合原理与方法
数据融合(data fusion)原理与方法2007年01月21日星期日 18:41数据融合（data fusion）原理与方法 数据融合（data fusion）最早被应用于军事领域。 现在数据融合的主要应用领域有：多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信息源更精确、更完全、更可靠的估计和判断...... 一. 数据融合基本涵义 数据融合（data fusion）最早被应用于军事领域。 现在数据融合的主要应用领域有：多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信息源更精确、更完全、更可靠的估计和判断。相对于单源遥感影象数据，多源遥感影象数据所提供的信息具有以下特点： 1.冗余性：表示多源遥感影像数据对环境或目标的表示、描述或解译结果相同； 2.互补性：指信息来自不同的自由度且相互独立 3.合作性：不同传感器在观测和处理信息时对其它信息有依赖关系； 4.信息分层的结构特性：数据融合所处理的多源遥感信息可以在不同的信息层次上出现，这些信息抽象层次包括像素层、特征层和决策层，分层结构和并行处理机制还可保证系统的实时性。 实质：在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法，生成一幅新的、更能有效表示该目标的图像信息。 目的：将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，改善遥感信息提取的及时性和可靠性，提高数据的使用效率。 二、数据融合原理及过程 一般来说，遥感影像的数据融合分为预处理和数据融合两步 1.预处理： 主要包括遥感影像的几何纠正、大气订正、辐射校正及空间配准 （1）几何纠正、大气订正及辐射校正的目的主要在于去处透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响； （2）影像空间配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。 影像的空间配准时遥感影像数据融合的前提空间配准一般可分为以下步骤 : (1）特征选择：在欲配准的两幅影像上，选择如边界、线状物交叉点、区域轮廓线等明显的特征。 （2）特征匹配：采用一定配准算法，找处两幅影像上对应的明显地物点，作为控制点。 （3）空间变化：根据控制点，建立影像间的映射关系。 （4）插值：根据映射关系，对非参考影像进行重采样，获得同参考影像配准的影像。 空间配准的精度一般要求在1~2个像元内。空间配准中最关键、最困难的一步就是通过特征匹配寻找对应的明显地物点作为控制点。