Multisensor Integration and Fusion in Intelligent Systems
金学波 博士 副教授
金学波博士副教授Email: xuebojin@工作单位：浙江理工大学信息电子学院电子信息系地址：杭州下沙高教园区浙江理工大学信息电子学院电子信息系#587 金学波邮编：310018单位电话：86843325教育和工作经历1990/09-1994/09 吉林大学（原吉林工业大学）电子工程专业学士1994/09-1997/04吉林大学（原吉林工业大学）电子工程专业硕士1997/04至今浙江理工大学信息电子学院电子工程系2000/9-2004/03 浙江大学信息科学与工程学院控制科学与工程专业博士论文的题目是“多传感器状态融合估计理论与应用研究”研究领域多传感器融合、跟踪与估计、视频图像处理与跟踪、鲁棒滤波等。
科研学术论文1.金学波, 林岳松, 章辉, 孙优贤, 应用于状态监测的多传感器融合估计, 控制理论与应用,2009年3月,第26卷第3期,V ol. 26 No.3, 296-298, (EI收录)2.Jin Xuebo, Du Jing-jng, Wang Lei-lei, Distributed Fusion Estimation Based onPseudo-measurement for Multi-sensor System, Proceedings of the 2009 InternationalConference on Computational Intelligence and natural computing, ICNC 2009, Wuhan,Cnina, June 6-7,2009 , 297-300, (EI收录)3.Jin Xuebo, Wang Lei-lei, Tracking in distributed multisensor system update with out-of-sequenceinformation, Proceedings of the 2009 International Conference on Computational Intelligence and natural computing, ICNC 2009, Wuhan, Cnina, June 6-7,2009, 301-304, (EI收录)1.Xuebo Jin ，Sun You-xian, Application of Multisensor State Fusion in Estimation of PaperBasis Weight, Proceedings of the International on sensing, Computing and Automation , Chongqing, China, may 8-11, 2006, ISSN 1492-8760: 135-1402.Xue-bo Jin, Sun You-xian, Pei-Radman Fusion Estimation Algorithm for Multisensor SystemApplied in State monitering, Lecture Notes in Control and Information sciences ISBN 3-540-37255-5, 2006: 963-968(SCI收录)3.金学波, 孙优贤, 基于LMI方法的参数不确定多传感器系统的集中式融合估计, 电路与系统学报ISSN 1007-0249, 2006, 11(4): 70-774.王再富，金学波，林岳松, 新型融合估计方法及其在纸机成纸定量中的应用, 传感技术学报, 2007, 20(3):1666-16825.金学波, 孙优贤, 孙政荣, 多传感器状态融合估计理论在成纸定量估计中的应用, 系统工程理论与实践, 2005, 25(3), ISSN 1000-6788: 112-118(EI收录)6.金学波, 孙优贤, 参数不确定系统鲁棒H∞保代价滤波器设计新方法, 电路与系统学报2005, 10(4) ISSN 1007-0249,: 116-1207.Jin Xue-bo, Sun You-xian, Centralized and distributed robust state fusion estimation, 2005International Conference on Machine Learning and Cybernetics ISBN 0-7803-9091-1, 2005: 1037-1041(EI收录)8.金学波, 孙优贤, 集中式与分布式鲁棒状态融合估计, 控制理论与应用ISSN 1000-8152,2005, 22(6): 865-869(EI收录)H Decomposed-Composed (D-C) State Fusion9.Jin Xue-bo，Sun You-xian, RobustEstimation for Multisensor System with Uncertain Correlated Measurement Covariance, IEEE International Conference on Industrial Technology, 14-17 December 2005, ISBN: 0-7803-9484-4: 424-427(EI收录)10.Jin Xue-bo，Sun You-xian, Application of multisensor state fusion in estimation of paperbasis weight, IEEE International Conference on Industrial Technology, 14-17 December 2005, ISBN: 0-7803-9484-4: 424-427(EI收录)11.金学波林岳松, 真丝纤维微观结构研究中的新技术, 纺织学报ISSN 0253-9721，CN11-5167/TS, 2004, 25(2): 32-3412.金学波, 孙优贤, 多传感器系统分布式不相关优化融合估计算法, 第五界全球智能控制与自动化大会ISBN：0-7803-8273-0, 2004: 1575-1579 (EI收录)13.Jin Xue-bo, State fusion estimation covariance of measurement fusion, Advances inModelling Series B: Signal Processing and Pattern Recognition, 2004 V ol 47 nº 6: 43-52(EI 收录)14.Jin Xue-bo, Sun You-xian, Optimal Estimation for Multilevel Multisensor Data Fusion inCorrelated Measurement Noise, Proceedings of 2002 6th International Conference on Signal Processing Proceedings ISBN 0-7803-7488-6, 2002: 1641-1644 (ISTP收录）15.Jin Xue-bo, Sun You-xian, Optimal Fusion Estimation Covariance of Multisensor DataFusion on Tracking Problem, Proceedings of the 2002 IEEE International Conference on Control Applications ISBN 0-7803-7386/02, 2002: 1288-1289, (EI、ISTP收录)16.Jin Xue-bo, Sun You-xian, Estimation Covariance of Measurement Fusion on Track-to-TrackProblem, 2002 IEEE Region 10 Conference On Computer, Communication, Control and Power Engineering Proceedings ISBN 0-7803-7490-8, ISBN 7-900091-55-6, 2002: 1650-1652, (EI、ISTP收录)17.金学波, 孙优贤, 相关测量噪声的多传感器最优融合状态估计, 浙大学报ISSN1008-973X, 2003, 37(1): 60-64(EI收录)18.Jin Xue-bo, Sun You-xian, Optimal centralized state fusion estimation for multi-sensorsystem with correlated measurement noise, Proceedings of 2003 IEEE Conference on Control Applications ISBN 0-7803-7729-X, ISSN 1085-1992, 2003.6: 770-772 (EI收录)19.Jin Xue-bo, Sun You-xian, Multisensor state fusion estimation with correlated measurementnoise, 2003 International Conference on Machine Learning and Cybernetics ISBN 0-7803-7865-2, 2003.11: 1000-1003(EI收录)20.Jin Xue-bo, Sun You-xian, Covariance Comparison of State-vector Fusion and MeasurementFusion, 2003 International Conference on Machine Learning and Cybernetics ISBN 0-7803-7865-2, 2003.11: 2067-2070(EI收录)21.Jin Xue-bo, Sun You-xian, Covariance Comparison of State-vector Fusion and MeasurementFusion, Advances in Modeling & Analysis C: System Analysis Control & Design Simulation,ISSN 1240-4535, 2003, 58(2), 35-46 (EI收录)22.Jin Xue-bo, Sun You-xian, State Fusion Estimation for Mutlilevel Multisensor System,Journal of Systems Engineering and Electronics,, Vol.14，No.4，2003: 77-83(EI收录)主持的科学研究项目1.分布式多源复杂时序数据融合估计研究（60971119）, 经费额度为28万, 经费来源为国家自然科学基金, 2010.1-2012.12, 主持。
数据融合技术的发展与应用现状分析
数据融合技术的发展与应用现状分析一、数据融合技术的发展数据融合（Data Fusion）一词最早出现在70年代末期。
根据国内外研究成果，数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器或信息源的数据资源，采用计算机技术、人工智能等技术对按时间序列获得的多传感器或信息源的观察数据，在一定准则下进行分析、综合、支配和使用，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，使系统获得比其它各个组成部分更充分的信息[1]。
可见，多源信息是数据融合的加工对象，协调优化是数据融合的核心。
进入90年代后，随着传感器技术的迅速发展以及军事领域的强烈需求，数据融合引起了广泛重视，人们对数据融合作了多方面探讨，在许多领域都有一定程度的应用，并已成为全球研究的热点之一，世界各国纷纷开展此项技术的研究与应用[2]。
美国俄勒冈州科学与技术研究所开展了多方面的数据融合理论与应用的研究与讨论[3]；纽约州立大学设立多源信息融合中心，从融合框架、模型多方面进行研究[4]。
国外也出现了一批具有代表性的专著，如Llinas和Waltz的专著《多传感数据融合》[5]、Hall的专著《多传感器数据融合的数学基础》[6]以及《多传感数据融合手册》[7]，对多传感器信息融合的模型框架等研究内容进行了全面系统地论述。
在国内，关于信息融合技术的研究则起步相对较晚，但也得到了一定的发展。
20世纪80年代初，人们开始从事多目标跟踪技术的研究，到了80年代末开始出现有关多传感器信息融合技术研究的报道。
90年代初，这一领域在国内才逐渐形成高潮。
在政府、军方和各种基金部门的资助下，国内一批高校和研究所开始广泛从事这一技术的研究工作，出现了一大批理论研究成果。
与此同时，也有几部信息融合领域的学术专著和译著出版，其中有代表性的专著有：董志荣和申兰的《综合指挥系统情报中心的主要算法—多目标密集环境下的航迹处理问题》、周宏仁、敬忠良和王培德的《机动目标跟踪》、杨靖宇的《战场数据融合技术》、敬忠良的《神经网络跟踪理论及应用》、康耀红的《数据融合理论及其应用》及刘同明、夏祖勋和解洪成的《数据融合技术及其应用》、何友、王国宏等的《多传感器信息融合及应用》等。
一种随机传感器增益退化下的多传感融合估计方法
一种随机传感器增益退化下的多传感融合估计方法魏迎军;张飞【摘要】研究了传感器存在随机增益退化故障的不确定随机系统的融合状态估计问题.首先,将系统不确定性建模为系统矩阵中存在的随机参数扰动,利用期望与方差已知的随机变量描述传感器随机增益退化故障.然后,设计了一种局部估计器,并以估计器的增益为决策量,建立以矩阵加权融合估计误差为代价的优化问题.对于获得最优的决策增益的闭合形式是非常困难的,所以,选取融合估计误差的一个上界并对其进行最小化处理,得到次优的决策增益.最后,给出算例仿真来验证有效性.%The multi-sensor fusion estimation problem is investigated in the paper for a class of uncertain systems with stochastic sensor gaindegradation.Firstly,the model's uncertainty is described by stochastic parameter perturbations considered in the system matrix.The sensor gain degradation is described by a random variable whose expectation and variance are assumed to be known.Then,a kind of local unbiased estimator is proposed,and an optimization problem is established by taking the matrix weighted fusion estimation error as the cost function,and the local filter gains as the decision variables.Considering that obtaining the closed form of the optimal consensus filter gains is a challenging problem,a set of sub-optimal local filter gains are computed based on minimizing an upper bound of the cost function.Finally,a simulation example is given to confirm the effectiveness of the proposed approach.【期刊名称】《电光与控制》【年(卷),期】2018(025)001【总页数】5页(P44-48)【关键词】传感器;随机增益退化;模型不确定性;局部估计器;矩阵加权融合【作者】魏迎军;张飞【作者单位】黄淮学院机械与能源工程学院,河南驻马店463000;黄淮学院信息工程学院,河南驻马店463000【正文语种】中文【中图分类】O213.20 引言多传感器融合估计因其具有传统单传感器信号估计所不具备的一系列优点，被广泛应用于网络化系统、机器人遥控、生态环境监控、战场环境侦察、医疗以及通信等重要领域[1-4]。
机器人著名期刊会议研究机构
机器人著名期刊会议研究机构集团标准化工作小组 [Q8QX9QT-X8QQB8Q8-NQ8QJ8-M8QMN]一、机器人领域的重要期刊：排名前十的期刊Mechatronics（引自）二、机器人领域的国际会议：会议名称链接及介绍2008 International Conference on Information and Automation (ICIA) Location: Changsha, ChinaSponsored By: Robotics and Automation Society - RA Abstract Submission Deadline: 15 Jan 2008Final Paper Submission Deadline: 15 Apr 20082008 IEEE/ASME International C onference on Advanced Intellig ent Mechatronics (AIM)02 Jul - 05 Jul 2008 Location: Xian, ChinaSponsored By: Industrial Electronics Society - IE, Robotics and Automation Society - RAAbstract Submission Deadline: 01 Mar 2008Final Paper Submission Deadline: 10 May 20085 - 9 2008, Tokyo, Japan2008 RO-MAN: The 17th IEEE Int ernational Symposium on Robot and Human Interactive Communic ation 01 Aug - 03 Aug 2008 Location: Munich, GermanySponsored By: Industrial Electronics Society - IE, Robotics and Automation Society - RA, Systems, Man, and Cybernetics Society - SMCAbstract Submission Deadline: 01 Feb 2008Final Paper Submission Deadline: 20 May 20082008 IEEE International Confer ence on Multisensor Fusion andIntegration for Intelligent S ystems (MFI 2008) 20 Aug - 22 Aug 2008 Location: Seoul, Korea (South)Sponsored By: Industrial Electronics Society - IE, Robotics and Automation Society - RAAbstract Submission Deadline: 01 Mar 2008Final Paper Submission Deadline: 30 Jun 20082008 IEEE International Confer ence on Automation Science and Engineering (CASE 2008)23 Aug - 26 Aug 2008 Location: Arlington, VA, USASponsored By: Robotics and Automation Society - RA Abstract Submission Deadline: 15 Feb 2008Final Paper Submission Deadline: 30 May 20082008 IEEE/RSJ International Co nference on Intelligent Robots and Systems (IROS 2008)22 Sep - 26 Sep 2008 Location: Nice, FranceSponsored By: Industrial Electronics Society - IE, Robotics and Automation Society - RAAbstract Submission Deadline: 22 Feb 2008Final Paper Submission Deadline: 07 Jul 20082008 International Conference on Control, Automation and Sys tems (ICCAS) Location: Seoul, Korea (South)Sponsored By: Control Systems Society - CS, Industrial Electronics Society - IE, Robotics and Automation Society - RAAbstract Submission Deadline: 30 Apr 2008Final Paper Submission Deadline: 31 Jul 20082008 IEEE International Worksh op on Location: Sendai, Japan参考如下网址：（特别推荐），里面有更为名单更为详细的研究所和期刊等链接四、国内机器人论坛：资源网站：机器人爱好者机器人自己做机器人爱好者机器人科技博览中国机器人网机器人空间机器人在线自动化博览军事网址军事资料日本机器人着名机构1.AIST2.东京工业大学3.早稻田大学4.东京大学5.东北大学6.名古屋大学德国——法国——英国——西班牙德国：1.University Karlsruhe2.亚琛工业大学3.斯图加特大学4.柏林工业大学5.慕尼黑工业大学法国：IS2.INFR HIRP3.蒙不利尔德国人适合做警察，意大利人适合做导游，法国人适合做厨师国际期刊：1．2． (Elsevier)3． (Wiley)4．5． (Elsevier)6． (Elsevier)7． (IEEE Computer Society)8． (Elsevier)9． (Elsevier)10． (Elsevier)11． (Elsevier)12． (Kluwer)13．IEEE Trans. on Robotics & Automation, Special issue on Medical Robotics14．IEEE Trans. on Medical Imaging, Special issue on Intraoperative Image Processing for Surgical Guidance15．IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS（SCI）16．BME：Biomedical Engineering17．Mechatronics18．IEEE PAMI：IEEE Transaction on Pattern Analysis and Machine Intelligence（模式分析和机器智能汇刊）19．JBJS：The Journal of Bone and Joint Surgery国际会议：1．ICRA：International Conference Robotics & Automation2．IROS：International Conference on Intelligent Robots and Systems3．MICCAI：Medical Image Computing and Computer-Assisted Intervention4．CARS：Computer Assisted Radiology and Surgery5．CAOS：International Society for Computer Assisted Orthopaedic Surgery6．CME：Complex Medical Engineering7．ROBIO：International Conference on Robotics and Biomimetics Program8．IARP Workshop on Medical Robotics, Hidden Valley, May 2004 9．EURON Research Roadmap, April 200410．MICCAI, Tutorials “From mini-invasive surgery to endocavitary / endoluminal interventions”11．Summer European University in Medical Robotics12．IEEE RO：International Symposium on Robot and Human Interactive Communication（机器人与人类交互合作国际会议）国内期刊：1．《中华创伤骨科杂志》专刊“计算机辅助骨科导航技术”，7(7)， 2005. 2．《中华骨科杂志》专刊“计算机辅助手术”，26(10)，2006.3．《北京航空航天大学学报》4．《高技术通讯》中英文两版5．《机器人》6．《系统仿真学报》7．《机械工程学报》重要网站：1.东京大学：美国卡耐基梅隆大学：瑞士伯尔尼大学：美国匹兹堡大学：香港中文大学生物医学工程部：国内：一级刊物；(1)《机械工程学报》(2)《自动化学报》(3)《航空学报》(4)《机器人》(5)《高技术通讯》中英文两版(6)《北京航空航天大学学报》(7)《机器人》(8)《系统仿真学报》2.国际机器人顶级期刊：(1)《IEEE Transactions on Robotics》IEEE transaction on robotics;(2)《IEEE Transactions on Robotics and Automation》(3)《International Journal of Robotics and Automation》(4)《IEEE Transactions on System, Man and Cybernetics （Series B）》(5)《Journal of Robotic Systems》(6)《International Journal of Humanoid Robotics》(7)IEEE transaction on parallel and distributed systems;(8)IEEE transaction on automatic control;(9)IEEE transaction on industrial electronics;(10)IEEE transaction on control systems and technology;(11)IEEE transaction on industriy applications;(12)IEEE transaction on automation science and engineering;3.机器人和自动化领域的顶级国际会议(1)ICRA : IEEE International Conference on Robotics and Automation （ICRA）、(2)IROS : IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）(3)URAI : Ubiquitous Robots and Ambient Intelligence(URAI)(4)IPDPS：International Parallel and Distributed Processing Symposium国际并行计算与分布式座谈会(5)ISIE:(6)ISCIRA：International Symposium on Computational Intelligence in Robotics andAutomation(7)SICE:(8)IECON:(1)DAC:(2)ICDCS,(3)IPDPS,(4)RTSS,(5)ACC,(6)ICMIC,(7)ICIEA(8)ASME4.嵌入式开发学习网站5.嵌入式在线嵌入式开发网嵌入式资讯网嵌入式研究网中国自动化网广嵌广东省嵌入式软件公共技术中心今年与嵌入式组相关的、还能够进行投稿的几个国际会议(1)MESA08 --- 2008 IEEE/ASME International Conference onMechatronic and Embedded Systems and Applications Beijing, China, October 12-15, 2008and electrical systems show an increasing integration of mechanics with electronics and information processing. This integration is between the components (hardware) and the information-driven functions (software), resulting in integrated systems called mechatronic systems. The development of mechatronic systems involves finding an optimal balance between the basic mechanical structure, sensor and actuators, automatic digital information processing and control in which embedded systems play a key role. The field of embedded system and mechatronics is becoming evermore challenging; issues in embedded software lie at the focus of researchers both in industry and academia. The goal of this 4th IEEE/ASME MESA, MESA08, is to bring together experts from the fields of mechatronic and embedded systems, disseminate the recent advances made in the area, discuss future research directions, and exchange applicationexperience. The conference program is organized in a number of symposia.VenueMESA08 will be held together along with the 11th Intl IEEE Conf on Intelligent Transportation Systems and 2008 IEEE Intl Conf on Service Operations and Logistics, and Informatics.Paper SubmissionComplete manuscripts in PDF format must be electronically submitted to the conference website Submitted manuscripts should be six (6) pages or less in IEEE two-column format, including figures, tables, and references.Important DatesJune 1, 2008 Full paper, proposal for special session, workshop and tutorialJuly 15, 2008 Notification of acceptanceAugust 15, 2008 Camera ready paper submission(2)SEC 2008IEEE SEC is aiming to be a premier international conference in embedded computing. This symposium is to bring together computer scientists, industrial engineers and researchers to discuss and exchange experimental or theoretical results, novel designs, work-in-progress, experience, case studies, and trend-setting ideas in the area of embedded computing include all aspects of embeddedcomputing systems with emphasis on algorithms, systems, models, compilers, architectures, tools, design methodologies, test and applications.Beijing,China,Oct 6-8,2008Submission Due Date: April 2, 2008(3)2008 International Conference on Intelligent Robotics andApplicationsOctober 15-17, 2008, Wuhan, ChinaInternational Conference on Intelligence and Robotics and Applications (IRA 2008), will be held on October 15 to 17, 2008 in Wuhan, China. The goal is for broad coverage and dissemination of foundational research on intelligent robotics and its applications among researchers, academicians, and industrypractitioners. The theme is on scientific methods and industrial applications for manufacturing robotics.Important DatesSubmission of abstracts and full papers: May 18, 2008Paper acceptance notification: June 20, 2008Final paper submission: July 10, 2008Note: The abstracts and the full papers should be submitted at the same time. The abstracts don't need to be reviewed.(4)The 2008 IEEE/IFIP International Conference On Embedded andUbiquitous Computing(EUC 2008) ecember 17-20,2008 Shanghai,Chinaand ubiquitous computing is an exciting new paradigm that provides computing and communication services all the time and everywhere. Its systems are now affecting every aspect of our life to the point that they are hidden inside various appliances. This emergence is a natural outcome of research and technological advances in embedded systems, pervasive computing and communications, wireless networks, mobile computing, distributed computing and agent technologies, etc.Important DatesWorkshop Proposal:1 April 2008Paper submission due:20 May 2008Acceptance notification:18 August 2008Camera-ready due:22 September 2008Author registration:22 September 2008Conference:17-20 December 2008。
设计报告
西南科技大学电气工程及其自动化专业方向设计报告设计名称：基于信息融合技术的变压器故障检测姓名：学号:班级：指导教师：周燕起止日期： 2014.11.06-2014.12.05西南科技大学信息工程学院制方向设计任务书学生班级：学生姓名：学号：设计名称：基于信息融合技术的变压器故障检测起止日期：2014年11月6日—2014年12月5日指导教师：方向设计学生日志基于信息融合技术的变压器故障检测摘要（150-250字）近年来变压器的故障检测一直是业界难题，单一传感器的检测具有单一性与局限性，为了避免这一情况，人们用多个传感器共同检测的方式替代了单一传感器，这种方式被称作基于信息融合技术下的变压器故障检测。
多个传感器数据融合一般有三个层次，即数据层，特征层和决策层。
证据理论（简称D—S理论）作为一种特殊形式，把多个传感器反应的数据进行集中分析并根据概率分配函数来确定最有可能出现的故障。
信息融合可以有效地提高故障检测的准确度以及可信度，是当前最为常用的检测变压器基本故障的方法。
关键词（3~5个）信息融合变压器传感器故障检测证据理论Transformer fault detection based onInformation Fusion TechnologyAbstract（The word 150-250）Fault detection in recent years transformer has been the industry problem,detection of a single sensor with single, people instead of single sensor with a plurality of sensors in common detection methods, this way is called thetransformer fault detection information fusion technology based on the. Multisensor data fusion is generally has three levels, namely the data level, feature level and decision level. The theory of evidence is a kind of special form, themultiple sensor response data centralized analysis and fault according to the probability distribution function to determine the most likely. Can effectively improve the accuracy and confidence of fault detection, is currently the mostcommonly used method. Fault detection in recent years transformer has been the industry problem, detection of a single sensor with single, people instead of single sensor with a plurality of sensors in common detection methods, this way is called the transformer fault detection information fusion technologybased on the. Multi sensor data fusion is generally has three levels, namely the data level, feature level and decision level. The theory of evidence is akind of special form, the multiple sensor response data centralized analysisand fault according to the probability distribution function to determine the most likely. Can effectively improve the accuracy and confidence of fault detection, is currently themost commonly used method.English keywords（three~five）Information fusion , Transformer , Sensor , Fault detection , The theory of evidence一、设计目的和意义1，为了改变现阶段变压器故障检测传感器单一性和局限性的问题，技术人员提出了信息融合技术下的变压器检测，即多个传感器共同检测。
一种基于多源异类信息统一表示的多传感器数据融合算法
第35卷第3期河南大学学报(自然科学版)Vol.35 No.3 2005年9月Journal of Henan University(Natural Science)Sep.2005一种基于多源异类信息统一表示的多传感器数据融合算法徐晓滨1,陈丽2,文成林13(1.河南大学计算机与信息工程学院,河南开封475001; 2.郑州师范高等专科学校,河南荥阳450100)摘 要:针对异类多传感器所获信息在形式上的多样性和复杂性,分析了由多源异类信息所构成的目标特征空间的结构,运用集合空间理论构造出多源异类信息统一的表示形式,并基于Kal m an滤波给出了一种适用于多种异类信息的数据融合算法.关键词:集合空间;多源异类信息;多传感器系统;数据融合;Kal m an滤波中图分类号:TP30116 文献标识码:A文章编号:1003-4978(2005)03-0067-05A Dat a Fusi on Algorith m of HeterogeneousM ultisensorSyste m Based On Un i for m Descri pti on of M ultisource I nfor mati onXU Xiao2bin1,CHE N L i2,W E N Cheng2lin1(1.College of Co m puter and Infor m ation Engineering,Henan U niversity,Henan Kaifeng475001,China;2.Zhengzhou Teachers College,Henan X ingyang450100,China)Abstract:According t o comp lexity and diversity of infor mati on fr om heter ogeneous multisens or,this paper analyzes character s paces of objects consisting of these inf or mati on and gives a unif or m descri p ti on of multis ource infor mati on;Based on Kal m an filtering,this paper p resents a data fusi on algorith m t o multis ource and heter ogeneous infor mati on.Key words:theory of set s pace;multis ource and heter ogeneous I nf or mati on;multisens or system;data fusi on;Kal m an filtering0 引言随着科学技术的不断进步,战争的状态已发展成为陆、海、空、天、电磁五维结构的全面对抗.现代C3I系统仅靠单传感器无法提供作战所需的准确、及时、全方位的信息,而且单传感器的综合和对抗能力也不足以应对战争中高度密集、隐身的目标环境和高强度的电磁干扰环境[1].为了获得战场的信息控制权并取得最佳的作战效果,就必须运用包括微波、毫米波、电视、红外、激光、电子支援措施(ES M)、一级电子情报技术(EL I N T)等覆盖宽广频段的各种有源和无源探测在内的异类传感器来提供描述目标各类特征的信息1这些多源异类信息在形式上具有多样性和复杂性的特点,怎样对这些信息进行合理地描述并进一步给出适用于多种异类信息的滤波方法成为多传感器数据融合算法研究中的热点与难点.本文根据集合空间的思想构造出多源异类信息的统一表示形式,并基于Kal m an滤波给出了适用于异类多传感器系统的数据融合算法.1 分布式异类多传感器系统的结构在异类多传感器系统当中,目标的不同特征可用来自于不同类型的信息进行刻画、描述或表示,如用方位、速度、加速度刻画目标的空间状态,用方位角、仰角刻画目标的态势,用目标发射的电磁波刻画目标的形 收稿日期:2005203215 基金项目:国家自然科学基金重点项目(60434020);国家自然科学基金项目(60374020);河南省杰出青年科学基金项目(0312001900);河南省国际合作项目(0446650006) 作者简介:徐晓滨(1980-),男,河南郑州人,河南大学硕士研究生. 3通信联系人,博士,教授68 河南大学学报(自然科学版),2005年,第35卷第3期状,用体积和重量刻画目标的类型,用像素刻画目标的颜色等,这些异类信息包含声学、光学或化学等特性,它们都是通过相应类型的传感器(如雷达、声纳、红外传感器、光学传感器等)采集到的.分布式异类多传感器系统的结构如图1所示.整个系统由M 类传感器组构成,其中每组中含有r (i )(i =1,2,…,M )个同类型的传感器.假设经时间上的配准之后,它们以相同的采样率对目标进行观测,并能及时地将采集到的相应类型的观测信息送到中心处理器进行融合,利用相应的融合算法就能得到对目标特征的基于全局信息的估计结果.图1 分布式异类多传感器系统2 多源异类信息的统一描述假设在各个时刻,系统可将各类传感器观测到的多源异类信息即时地传送到中心处理器,为了对这些异类信息进行有效地融合,首先要解决的关键问题应是如何给出这些多源异类信息统一形式的描述.本节将基于集合空间的理论给出多源异类信息一种统一的描述.2.1 目标特征向量的表示假定目标有N 类特征,每类特征中又有n(i )(i =1,2,…,N )个子特征,并假定各类特征间是不相关的,基于集合空间的理论,可以将目标特征全体用集合S 表示,并且S <Hn ×1, n =∑Ni =1n(i ).其中,H 是一个由n 维向量构成的线性希尔伯特空间.若记相应时刻第i 类特征的全体为子集S(i )<Hn (i )×1,那么对于子空间Hn (i )×1,一定存在一组子基{e (i )1,e (i )2,…,e (i )n (i )},使得S(i )=span {e (i )1,e (i )2,…,e (i )n (i )}.其中,e (i )j=[0,…,1第j个,…,0]T, j =1,2,…,n (i ).若要将Hn (i )×1扩维成Hn ×1的一个子空间,必须先对基向量e (i )j 扩维.在不引起混淆的情况下,仍记扩维后的基向量为e (i )j ,则有e (i )j=[0,…n (1)+…+n (i-1),0,0,…,0j-1, 1 第n (1)+…+n (i-1)+j 个,0,…n (i )-j-1,0,0,…n (i+1)+…+n (N ),0]T.因此,以{e (i )1,e (i )2,…e (i )n (i )}为基的空间就是扩维后的子空间,并仍将其记为H n (i )×1.相应的,若仍记扩维后的特征子集为S(i ),则有S(i )<Hn ×1=span {e (i )1,e (i )2,…e (i )n (i )}. 若记某一时刻目标的第i 类特性向量为x (i ),且x(i )∈S(i ),则它可被表示为x(i )=∑n (i )j =1x (i )j e (i )j>[0,…n (1)+…+n (i-1)个,0,x (i )1,x (i )2,…,x (i )n (i ),0,…n (i+1)+…+n (N )个,0]T. 在各个子空间之间是不相交的假设下,有<Hn (i )×1,Hn (j )×1>=0, i ≠j ,则空间Hn ×1可表示成N 个正交的子空间的直和徐晓滨,等:一种基于多源异类信息统一表示的多传感器数据融合算法69 Hn ×1= Ni =1Hn (i )×11由S(i )<Hn (i )×1可知,S = Ni =1Sn (i ),且S <Hn ×1=span {e (1)1,e (1)2,…e (1)n (1),e (2)2,…e (2)n (2),…,e (N )1,e (N )2,…e (N )n (N )}.对该时刻目标总的特征向量x <S,有唯一表示:x =[x (1)1,x (1)2,…,x (1)n (1),x (2)1,x (2)2,…,x (2)n (2),…x (N )1,x (N )2,…,x (N )n (N )]×[(e (1)1)T ,(e (1)2)T ,…,(e (1)n (1))T ,(e (2)1)T ,(e (2)2)T ,…,(e (2)n (2))T ,…(e (N )1)T ,(e (N )2)T ,…,(e (N )n (N ))T ]T=∑Ni =1∑n (i )j =1x(i )je(i )j=∑Ni =1x(i )(1)上式给出了目标特征向量的统一描述形式.2.2 多源异类观测信息的向量描述在图1描述的多源异类传感器观测环境中,有M 类传感器组对目标相应类型的特征进行观测,每组中含有r (i )(i =1,2,…,M )个同类传感器.每类传感器组通常是对同一目标特征中的某一子类进行观测,这一子类是对目标中相关特征的描述,如位移、速度等表示目标运动状态的量,但由于传感器自身性能上的局限和目标特征的复杂性,M 类传感器组通常无法对目标的N 类特征的每一类都进行观测,一般情况下有M ≤N ,并且一类传感器往往只能观测到目标特征某一子类中的部分信息,即每个传感器获得观测的维数都小于或者等于相应特征子集所属的子空间的维数.对于图1中第i 类传感器组,假设它最多可对目标第j 类特征中的m (i )个特征项进行观测,即m (i )≤n (i ).若记该组中第j 个传感器得到观测向量为z (i,j ),则z (i,j )=[z (i,j )1,z (i,j )2,…,z (i,j )m (i ,j )]T,且有m (i,j )≤m (i ),z (i,j )∈Rm (i ,j )×1,即每个传感器只能观测到m(i )个特征项中的一部分,并且不同的传感器观测的维数可能不同,但它们有可能对m(i )个特征项中的某些项同时进行观测.3 多源异类信息动态系统系统状态模型x (k +1)=A (k )x (k )+G (k )w (k ).其中,k 表示离散时刻变量;状态x (k )<Rn ×n,n =∑Mi =1n(i );系统矩阵A (k )∈Rn ×n;系统过程噪声w (k )∈Rn ×1为高斯白噪声序列,具有如下的统计特性:E{w (k )}=0, E{w (k )w T(k ′)}=Q (k )δkk ′, k,k ′Ε0. 假设有M (M ≤N )类传感器对目标状态或特征进行观测,其中第i 类传感器组中第j 个传感器的观测方程为z(i,j )(k )=C (i,j )(k )x (i )(k )+v (i,j )(k ); i =1,…,M; j =1,2,…,r (i ).(2)式(2)中观测z (i,j )(k )∈R m i ,j ×1,C (i,j )(k )∈R m i ,j ×n 是观测矩阵,观测噪声v (i,j )(k )∈H m i ,j ×1是高斯白噪声序列,具有如下的统计特性:E{v(i,j )(k )}=0,E{v (i,j )(k )(v(i,j )(k ))T }=R(i,j )(k ).基于每个传感器模型给出第i 类传感器组总的观测模型z(i )(k )=C(i )(k )x(i )(k )+v(i )(k ).其中,z(i )(k )=[(z (i,1)(k ))T ,(z(i,2)(k ))T ,…,(z (i,r (i ))(k ))T]T,C(i )(k )=[(C(i,1)(k ))T ,(C(i,2)(k ))T,…,(C(i,r (i ))(k ))T]T,v(i )(k )=[(v(i,1)(k ))T,(v (i,2)(k ))T,…,(v(i,r (i ))(k ))T]T.且有E{v(i )(k )(v(i )(k ))T}=R(i )(k ),R(i )(k )=diag {R (i,1)(k ),R (i,2)(k ),…,R(i,r (i ))(k )}.假设在k 时刻,各组传感器得到的所有观测信息都及时送入中心处理器进行集中处理,则全局观测模型为z (k )=C (k )x (k )+v (k ).其中,z (k )=[(z(1)(k ))T,(z(2)(k ))T,…,(z(M )(k ))T ]T,v (k )=[(v(1)(k ))T,(v(2)(k ))T,…,(v(M )k ))T]T.70 河南大学学报(自然科学版),2005年,第35卷第3期由各类目标特征间的相互独立性可知,总的观测矩阵C (k )为分块对角阵,对角线上的子阵为各类传感器组观测模型中的观测矩阵C (k )=diag {C(1)(k ),C(2)(k ),…,C(M )(k )}. 同理,由各类传感器组之间观测噪声的相互独立性可知,全局观测噪声方差R (k )也为分块对角阵即E{v (k )(v (k ))T}=R (k ),R (k )=diag {R(1)(k ),R(2)(k ),…,R(M )(k )}.由以上分析,多源异类信息系统可以描述为x (k +1)=A (k )x (k )+G (k )w (k );E{w (k )}=0, E{w (k )(w (k ′))T}=Q (k )δkk ′ k,k ′Ε0;z (k )=C (k )x (k )+v (k );E{v (k )}=0,E{v (k )(v (k ))T}=R (k ).系统的初始状态为E{x (0)}=x 0, E{[x (0)-x 0][x (0)-x 0]T}=P 0.假设x (0),v (k )之间是统计独立的.4 异类多传感器融合算法4.1 算法描述第2节中,基于集合空间理论,将目标各类特征子向量统一表示成总的特征空间中相应基向量加权和的形式,再根据异类特征集之间的正交性,目标在某一时刻的总特征向量就可以表示成各类特征子向量的和.基于这种多源异类信息的统一表示形式和Kal m an 滤波,我们给出一种异类传感器融合算法,它的基本思想是,将对目标特征向量的滤波分解成对每个子向量的滤波.假设已获得k 时刻状态x (k )基于全局的估计值^x (k |k )及相应的估计误差协方差P (k |k ),则算法的具体步骤如下:(1)一步预测1用^x (k |k )和P (k |k )计算出预测值^x (k +1|k )和预测误差协方差P (k +1|k );(2)分解1将^x (k +1|k )和P (k +1|k )分解到各个子特征集当中得到x (i )(k +1|k )和P(i )(k +1|k )(i =1,…,M );(3)子特征向量的更新1用z (i )(k +1)对^x (i )(k +1|k )进行更新,得到对目标第i 类特征的预测估计^x (i )(k +1|k +1)和相应的估计误差方差P(i )(k +1|k +1)(i =1,…,M );(4)合成1根据子特征集之间的正交性,将各个子特征估计值相加得到总的特征估计^x (k +1|k +1),将P(i )(k +1|k +1)作为对角线元素得到对角型估计误差方差阵P (k +1|k +1).4.2 算法推导基于多源异类信息的统一表示及Kal m an 滤波方程,这里给出算法推导过程.(1)已知^x (k |k )和P (k |k ),根据Kal m an 滤波方程得^x (k +1|k )=A (k )^x (k |k ),P (k +1|k )=A (k )P (k |k )A T(k )+G (k )Q (k )G T(k ). (2)若记分解矩阵为Γ(i )=[0,…n (1)+…+n (i-1),0,e (i )1,e (i )2,…,e (i )n (i ),0,…n (i+1)+…+n (N ),0]T.其中,0是n ×1的零向量1这里n =∑Mi =1n(i ),用Γ(i )可将^x (k +1|k ),P (k +1|k )分解成^x (i )(k +1|k )=Γ(i )(k )^x (k +1|k ),P(i )(k +1|k )=Γ(i )(k )P (k +1|k ).其中,i =1,…,M 1 (3)当k +1时刻到来时,在第i 个特征子集中用z (i )(k +1)对^x (i )(k +1|k )进行更新,由Kal m an 滤波得^x (i )(k +1|k +1)=^x (i )(k +1|k )+K(i )(k +1)[z(i )(k +1)-C(i )(k +1)^x (i )(k +1|k )],徐晓滨,等:一种基于多源异类信息统一表示的多传感器数据融合算法71 K(i )(k +1)=P(i )(k +1|k +1)(C (i )(k +1))T(R(i )(k +1))-1,(P(i )(k +1|k +1))-1=(C (i )(k +1))T(R(i )(k +1))-1C(i )(k +1)+(P(i )(k +1|k ))-1. (4)类似于式(1)可得^x (k +1)=∑Mi =1^x(i )(k +1).由子特征向量之间的正交性可得P (k +1|k +1)=diag {P (1)(k +1|k +1),P (2)(k +1|k +1),…,P(M )(k +1|k +1)}.5 结论本文运用集合空间理论,分析了由多源异类信息所组成的目标特征空间的结构,基于异类信息数量形式的表示,将目标子类特征向量表示为总特征空间基向量加权和的形式,并且根据目标各类子特征之间的不相交性,把特征向量直接表示成子向量相加的形式,从而给出了多源异类信息的统一表示形式1基于这种表示形式,本文提出了一种多传感器Kal m an 滤波算法,将对目标特征向量的滤波分解成对每个子向量的滤波.在各类传感器模型确定的情况下,本方法可以将基于各类局部观测的估计值直接合并得到基于全局观测的目标特征估计,使得该算法可以同时应用于多种异类信息的融合.参考文献:[1]何友,王国宏,陆大王金,等.多传感器信息融合及应用[M ].北京:电子工业出版社.[2]文成林,周东华.多尺度估计理论及其应用[M ].北京:清华大学出版社,2002.127-140.[3]田继善,吴志勤,吴永杰,等.多传感器分布式Kal m an 滤波融合算法[J ].河南大学学报(自然科学版),1999,29(2):1-4.[4]冯秀芳,侯玉华,文成林.单模型多传感器多尺度交互式数据综合估计算法[J ].河南大学学报(自然科学版),2000,30(2):22-26.[5]Lang Hong .Centralized and D istributed Multisens or I ntegrati on with Uncertainties in Communicati on Net w orks [J ].I EEETransacti ons on Aer os pace and Electr onic Syste m s,1991,27(2):370-379.[6]L i X paris on of t w o measure ment fusi on methods f or Kal m an -Filter -Based multisens or data fusi on [J ].I EEE Transacti ons on Aer os pace and Electr onic Syste m s,2001,37(1):273-280.。
多传感器数据融合应用及展望
多传感器数据融合应用及展望
潘玉超 １ 董巧巧 ２ （ １．芜湖市烟草专卖局， 安徽芜湖 ２４１０００； ２．芜湖市长江海事局， 安徽芜湖 ２４１０００）
１ 数据融合概述 早在 ２０ 世纪 ７０ 年代末期， 在一些公开出版的文献中就开始出现 有关信息综合的概念或名词， 在其后的较长一段时期， 人们普遍使用 “数据融合” （ Ｄａｔａ Ｆｕｓ ｉｏｎ） 这一名词。早期的数据融合， 其信源为同 类多传感器， 如多声纳、多雷达数据间融合等等， 其信息形式主要是传 感器数据。随着应用需求的扩展， 融合扩大到多类信息源， 其应用范围 也大幅度拓展。由于数据融合研究领域的广泛性和多样性， 多传感器数 据融合迄今为止尚未有一个普适的和明确的定义。许多研究者从不同角 度提出了数据融合系统的一般功能模型， 试图从功能和结构上来刻画多 传感器融合技术。Ｅｄｗ ａｒｄ Ｗａｌｔｚ 和 Ｊ ａｍ ｅ ｓ Ｌｌｉｎａｓ 给出了如下定义： “数据融合是一种多层次的、多方面的处理过程， 这个过程处理多源数 据的检测、关联、相关、估计和组合以获得精确的状态估计和身份估计 以及完整、及时的态势评估和威胁估计。”该定义强调了数据融合的三 个主要方面： 数据融合是在几个层次上对多源信息的处理， 每个层次表 示不同的信息提取级别； 数据融合过程包括检测、相关、估计及信息组 合； 数据融合过程的结果包括低层次的状态和属性估计及较高层次的态 势评估。美国国防部实验室理事联谊会数据融合专家组 （ Ｄａｔａ Ｆｕｓ ｉｏｎ Ｓｕｂｐａｎｅ ｌｏｆ ｔｈｅ Ｊ ｏｉｎｔ Ｄｉｒｅ ｃｔｏｒｓ ｏｆ Ｌａｂｏｒａｔｏｒｉｅ ｓ， 简称 Ｊ ＤＬ 小组） 定 义是： “信息融合是在多级别、多方面对单源和多源的数据和信息进行 自动检测、关联、相关、估计和组合的过程。”Ｊ ＤＬ 当前的最新定义是： “信息融合是组合数据或信息以估计和预测实体状态的过程”。 ２ 数据融合系统的功能模型 １９８８ 年， Ｗｈｉｔｅ 给出了著名的一般处理模型， 后来被美国信息融 合专家组发布为信息融合的 ＤＦＳ 通用功能模型， 并逐步改进和推广使 用， 已成为美国国防信息融合系统的一种实际标准。Ｊ ＤＬ 模型对人们 理解信息融合的基本概念有着重要影响， 已成为各国学者研究信息融合 的基本出发点。在此基础上， 人们陆续提出了 ＯＯＤＡ 环、Ｗａｔｅ ｒｆａｌｌ 模型、Ｏｍ ｎｉｂｕｓ 混合模型等。 ３ 数据融合系统的结构模型 数据融合的体系结构即结构模型， 是指系统的物理结构， 它从数 据融合的组成出发， 说明数据融合系统的软、硬件组成， 相关数据及控 制流、系统与外部环境的人机界面等。数据融合的体系结构可以从不同 的层次上来划分， 在不同的层次上有不同的结构模型。从融合层次上 看， 有根据系统的软件组成、相关数据及控制流来划分的体系结构； 有 根据硬件组成来划分的体系结构； 还有根据系统并行处理方法划分的体 系结构。
D-S证据理论在多源数据融合中的应用及改进
D-S证据理论在多源数据融合中的应用及改进王洪发;王先义【摘要】在不确定性处理算法中,D-S证据理论具有较好的应用效果.阐述了D-S 证据理论及其在多传感器数据融合中的应用.从改进合成规则和证据源数据两方面对当前的一些改进方法进行了分析比较.提出一种基于冲突强度的证据合成规则,并在Murphy证据平均合成规则的基础上提出一种基于证据间相似系数的证据合成规则,通过实例对这几种方法进行了比较,证明了基于相似系数证据合成规则的有效性.【期刊名称】《现代电子技术》【年(卷),期】2009(032)015【总页数】4页(P7-9,12)【关键词】数据融合;D-S证据理论;合成规则;冲突强度;相似系数【作者】王洪发;王先义【作者单位】中国电波传播研究所,山东,青岛,266107;中国电波传播研究所,山东,青岛,266107【正文语种】中文【中图分类】TP1820 引言近年来，在多源数据融合领域已进行了大量的研究，并在军事战场指挥系统、智能机器人及工业自动化中得到了广泛的应用。
多源数据融合是指协调使用多个传感器，将多个同类或不同类传感器所提供的局部信息加以综合，消除多传感器数据之间可能存在的冗余和矛盾，加以互补，降低其不确定性，获得对物体或环境的一致性描述的过程[1]。
针对数据融合的不同层次，人们提出了不同的融合算法，其中D-S证据理论因其能够很好地表示“不确定”及“不知道”等重要概念，并具有无需先验概率、推理形式简单等优点，被广泛应用于不确定性数据的处理，并取得了较好的结果。
1 D-S证据理论D-S证据理论是由A.P.Dempster于1967年提出的，后由其学生G.Shafer加以扩充和发展。
该理论在概率的基础上对概率论的概念进行了扩展，把概率论中的事件扩展成命题，把事件的集合扩展成命题的集合，提出基本概率分配等概念，建立命题和集合之间的一一对应关系，从而把命题的不确定性问题转化为集合的不确定性问题。
下面介绍D-S证据理论的一些相关概念[2-3]：定义1 基本概率分配。