(完整版)信息融合算法
第三章 身份融合算法
第三章 身份融合算法各传感器提供的信息一般是不完整的、不精确的、模糊的。
如在观察哨网中，对同一目标，不同的哨上报的敌我属性（敌机、我机、友机、不明机）可能不同、机型（大型机、小型机、小型机、巡航导弹）可能不同。
信息融合中心不得不依据这些信息进行推理，以达到目标身份识别和属性判决的目的。
主要讲两种推理方法：主观Bayes 方法Dempster-Shafer(简称D －S)证据理论。
3.1 主观Bayes 方法主观Bayes 方法是最早用于处理不确定性度量的方法，它是Duda 于1976年提出来的，并用于著名的Prospector 专家系统中。
设有一证据E 和一假设H)(H P r ：假设H 的先验概率)|(E H P r ：证据E 为真时，假设H 出现的后验概率 由Bayes 公式)()()|()|()()()|()|(E P H P H E P E H P E P H P H E P E H P r r rr r r r r ==)(1)()|()|()()()|()|()|()|(H P H P H E P H E P H P H P H E P H E P E H P E H P r rr r r r r r r r -⨯=⨯= 定义事件B 的先验几率)(B O 和后验几率)|(A B O 分别为)(1)()(B P B P B O r r -=)|(1)|()|()|()|(A B P A B P A B P A B P A B O r rr r -==)(B P r 和)(B O 一一对应，)(B P r 大，)(B O 也大，从[0,1]映射到[0,∞), )(B O 代表B 的出现概率与不出现概率之比。
若令)|()|(H E P H E P LS r r =则有)()()|()|()|(H O LS H O H E P H E P E H O r r ⨯==LS ：充分性因子（充分性度量），表证据E 为真时，对H 的影响程度。
信息融合技术
1.3信息融合技术1.3.1信息融合的基本原理信息融合这一概念是20世纪70年代提出的，在其后的较长一段时期，人们普遍使用“数据融合”这一名词。
近年来，随着科学技术的迅猛发展，军事、民用工业领域中不断增长的复杂度使得出现了数据泛滥、信息超载，而现有大型设备结构小型化、功能复杂化使得传感器安装的数量和类型受到限制，需要新的技术途径对过多的信息进行消化、解释和评估，“信息融合”一词被广泛采用[23]。
对信息融合概念的描述多种多样。
美国军方成立的数据融合工作组联合指导实验室（JDL）将信息融合概括为：一个处理探测、互联、相关、估计以及组合多元信息和数据的多层次、多方面过程，目的是获得准确的状态估计和识别，完整而及时地对战场态势和威胁评估。
欧洲遥感实验室协会（EARSel）以及法国电器和电子协会（FSEE）建立的工作组的定义为：一个由方法和工具表示的框架，用于进行不同来源的数据的联合，目的是获得更高质量的信息[18]。
“高质量”的精确含义依赖于应用。
这样，存在各种不同种类、不同等级的融合，如数据融合、图像融合、特征融合、决策融合、传感器融合、分类器融合等。
对不同来源、不同模式、不同媒质、不同表现形式的信息进行综合，最后可以得到对被感知对象更加精确的描述。
国外对信息融合技术的研究起步较早。
20世纪70年代初，美国研究机构就在国防部的资助下，开展了声纳信息理解系统的研究。
从那以后，信息融合技术便迅速发展起来，不仅在各种C3I系统（Computing Communication Control and Information）中尽可能采用多个传感器来收集信息，而且在工业控制、机器人、空中交通管制、海洋监视、综合导航和管理等领域也在朝着多传感器的方向发展。
1988年，美国国防部把信息融合技术列为90年代重点研究开发的二十项关键技术之一，且列为最优先发展的A类[10,11]。
信息融合由简单的多传感器融合起步，经历了同一系统内部不同信息的融合，少数简单系统之间的单一信号融合，发展到现在多个不同复杂系统之间的不同类型信号之间的融合。
金字塔融合计算
金字塔融合计算全文共四篇示例，供读者参考第一篇示例：金字塔融合计算是一种图像处理和计算机视觉中常用的技术方法，它能够有效地将多尺度的特征信息进行融合，从而提高图像处理和分析的效果。
在图像处理领域，金字塔融合计算被广泛应用于图像融合、图像分割、目标检测等任务中。
本文将介绍金字塔融合计算的基本原理、应用场景以及相关的研究进展。
一、金字塔融合计算的基本原理金字塔融合计算的基本原理是利用不同尺度下的特征信息进行融合，从而得到更加准确和全面的图像信息。
金字塔融合计算通常包括两个步骤：金字塔构建和信息融合。
1. 金字塔构建：金字塔是指由同一图像的不同尺度表示构成的图像集合。
金字塔通常包括高斯金字塔和拉普拉斯金字塔两种类型。
高斯金字塔由原始图像通过高斯滤波器不断降采样得到，而拉普拉斯金字塔则是通过高斯金字塔中每一层图像与其上一层图像的差值得到。
金字塔构建的目的是提取图像的多尺度特征信息，为后续的信息融合提供基础。
2. 信息融合：信息融合是对金字塔各层图像进行特征融合的过程。
通常采用加权平均、最大值、最小值等方法对各个尺度的特征进行融合，以得到最终融合后的结果。
信息融合的目的是使得融合后的图像具有更好的细节信息和特征信息，从而在图像处理和分析任务中取得更好的效果。
金字塔融合计算在图像处理和计算机视觉领域有着广泛的应用场景，主要包括以下几个方面：1. 图像融合：金字塔融合计算可以将不同尺度下的图像信息进行融合，得到一张更加清晰和全面的图像。
在图像融合任务中，金字塔融合计算能够帮助合成多尺度信息，提高图像的质量和细节。
3. 目标检测：金字塔融合计算可以在多尺度下对目标进行检测和识别，提高目标检测的准确性和稳定性。
在目标检测任务中，金字塔融合计算能够帮助识别目标的不同尺度信息，提高检测效果。
随着深度学习和人工智能技术的不断发展，金字塔融合计算也在不断得到改进和拓展。
目前，基于深度学习的金字塔融合计算方法已经成为研究的热点之一。
信息融合算法
信息融合算法1 概述信息融合又称数据融合，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。
经过融合后的传感器信息具有以下特征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。
1、组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。
在硬件这一级上应用。
2、综合：信息优化处理中的一种获得明确信息的有效方法。
例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。
3、融合：当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。
4、相关：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。
相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。
2 技术发展现状信息融合技术的方法，概括起来分为下面几种：1)组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。
在硬件这一级上应用。
2)综合：信息优化处理中的一种获得明确信息的有效方法。
例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。
3)融合：当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。
4)相关：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。
相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。
信息融合公式推导
信息融合公式推导
设g(x,y)表示图像经过傅里叶变换后的频域表示，F(u,v)表示g(x,y)的傅里叶变换，G(u,v)表示增强后的图像经过傅里叶变换后的频域表示，H(u,v)表示一个转移函数。
根据卷积定理，g(x,y)和H(u,v)的卷积在频域表示为G(u,v)=F(u,v)×H(u,v)。
将G(u,v)进行傅里叶反变换，即可得到增强后的图像在空域的表示。
信息融合的主要步骤包括计算所需增强图像的傅里叶变换、将其与一个（根据需要设计的）转移函数相乘、再将结果进行傅里叶反变换以得到增强的图像。
信息融合的关键在于将图像从空域转换到频域所需的变换和将图像从频域空间转换回空域所需的变换，以及在频域空间对图像进行增强加工的操作。
以上信息仅供参考，如有需要，建议查阅相关文献。
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。
新型智慧城市信息融合典型模型、常用算法
附录 A（资料性附录）信息融合典型模型A.1 DFIG2004 模型DFIG提出了作为第三代信息融合系统雏形的DFIG2004和作为第三代信息融合系统典型代表的“用户-融合”模型。
附图1：第三代信息融合的DFIG2004模型DFIG2004模型具有以下特征：a)将场景感知资源和任务管理纳入信息融合范围（称“６级融合”），从而将场景感知管理与感知信息处理纳入一个整体结构中，更易于场景感知的统一控制和优化以及与场景应用的紧密耦合；b)将人的认知判定纳入信息融合范围，由人负责解决机器自动融合显示出的判定、选择与优化问题（称５级融合），由人负责感知任务的规划并推断资源管理中的问题（称６级融合），即从“人在其外”迈向“人在其中”的信息融合。
DFIG2004模型对于人在信息融合中的作用并未描述清楚，仅为初步考虑。
如将第５级融合仅表现为知识描述，即机器融合呈现给人的问题与人的思维判定采用统一的知识表述形式，以利于人与机器的一致理解。
A.2 用户-融合”模型附图2 第三代信息融合的“用户-融合”模型用户－融合模型中的５级融合在融合系统中的功能主要指人在人机界面上对系统的认知交互功能。
交互的依据是融合系统显示界面提供的融合信息、人（情报员、操作员和控制员）的经验与知识及其他来源信息，这些信息通过人的头脑思维与用户任务联系起来，对系统提供的信息进行修正、判断和选择，使融合信息质量和应用效能得以提升。
由附图２可见：a)用户精炼向0级融合提供数据价值信息，支持０级融合优先收集和处理价值较高的数据，提高０级融合对后续级别的支持效能。
b)用户精炼向1级融合提供优先级信息，指人对1级融合对象提供处理优先级，提升系统对任务的支持度。
c)用户精炼向2级融合提供周边关系信息，是态势估计不可或缺的信息。
态势估计实质上是关系估计。
无论是实体内部、实体间还是实体与外部环境关系，甚至实体属性的识别，都需要外部信息。
如时空上聚集在一起的实体一般具有相同属性，例如增加道路信息后，在公路内的目标是汽车，而在公路外的目标可能是坦克，尽管它们距离很近。
基于信息融合的多源数据融合算法研究
基于信息融合的多源数据融合算法研究随着信息化时代的到来，如今我们所处的世界正处于信息爆炸的时代，无论是数据量还是数据种类都在不断膨胀。
处理多源数据，提取有效信息，是现代机器智能和大数据研究的重要问题之一。
为了更好地利用多源数据，我们需要将不同来源的数据进行融合，从而得到更加准确、全面、可靠的结果。
而此时，信息融合技术就显得尤为重要。
信息融合（Information Fusion）是指将不同来源、不同种类、不同性质的信息或者数据，有机结合起来，对其进行分析、处理、编码和传输，使其形成具有完整、准确、可靠和一致性的整体的过程。
它包括数据融合、特征融合、决策融合等三个方面。
其中，数据融合是多源数据融合的基础。
多源数据融合是将来自不同数据源的、内容相关或者互不相关的信息进行融合，从而得到更加准确的分析结果。
而基于信息融合的多源数据融合算法，就是将来自不同数据源的数据进行合并、压缩、处理以及分析，从而得到更加准确、全面、可靠的结果的一种算法。
在多源数据融合算法中，数据的收集、过滤、整合和分析都是非常重要的步骤。
在实际应用中，利用多源数据融合算法进行研究的范围和领域广泛，如空间信息、环境监测、医学诊断、安全预警、金融分析等等。
其中，空间信息领域最为典型。
在空间信息领域中，多源数据融合算法已经被广泛应用。
比如，在编制数字地图时，需要以不同分辨率、精度和地图显示比例为特征进行数据融合；在遥感方面，需要将来自不同分辨率的卫星图像进行云、雾、雪的遮挡去除以及异常点、噪声的剔除，从而得到更加精确的地表特征；在交通运输方面，需要融合车辆位置数据、道路交通状态数据、气象数据和道路修建数据，实现更加准确的道路状况监测。
在多源数据融合算法中，一个很重要的工具就是信息融合模型。
信息融合模型包括时间和空间等定位方法、过滤方法、特征提取方法、决策融合方法、信任评估方法等。
其中，时间和空间的定位方法是数据整合和融合最基础的环节，将不同时间和空间分辨率的数据进行统一的时间和空间管理，可以极大地提高数据的使用效率和准确度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
信息融合算法1 概述信息融合又称数据融合，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。
经过融合后的传感器信息具有以下特征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。
1、组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。
在硬件这一级上应用。
2、综合：信息优化处理中的一种获得明确信息的有效方法。
例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。
3、融合：当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。
4、相关：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。
相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。
2 技术发展现状信息融合技术的方法，概括起来分为下面几种：1)组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。
在硬件这一级上应用。
2)综合：信息优化处理中的一种获得明确信息的有效方法。
例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。
3)融合：当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。
4)相关：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。
相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。
3 算法描述3.1 Bayes融合Bayes融合是融合静态环境中多传感器低层数据的一种常用方法。
其信息描述为概率分布，适用于具有可加高斯噪声的不确定性信息。
假定完成任务所需的有关环境的特征物用向量f 表示，通过传感器获得的数据信息用向量d 来表示，d 和f 都可看作是随机向量。
信息融合的任务就是由数据d 推导和估计环境f 。
假设p(f ，d)为随机向量f 和d 的联合概率分布密度函数，则)()|()()|(),(f p d f p d p d f p d f p ⋅=⋅=p (f |d )表示在已知d 的条件下，f 关于d 的条件概率密度函数p (f|d )表示在已知f 的条件下，d 关于f 的条件概率密度函数p (d )和p (f )分别表示d 和f 的边缘分布密度函数已知d 时，要推断f ，只须掌握p(f|d)即可，即)(/)()|()|(d p f p f d p d f p ⋅=信息融合通过数据信息d 做出对环境f 的推断，即求解p (f|d )。
由Bayes 公式知，只须知道p (f|d )和p (f )即可。
因为p (d )可看作是使p (f|d )•p (f )成为概率密度函数的归一化常数，p (d|f )是在已知客观环境变量f 的情况下，传感器得到的d 关于f 的条件密度。
当环境情况和传感器性能已知时，p (f|d )由决定环境和传感器原理的物理规律完全确定。
而p (f )可通过先验知识的获取和积累，逐步渐近准确地得到，因此，一般总能对p (f )有较好的近似描述。
在传感器信息融合的实际应用过程中，通常的情况是在某一时刻从多种传感器得到一组数据信息d ，由这一组数据给出当前环境的一个估计f 。
因此,实际中应用较多的方法是寻找最大后验估计g ，即）（）（d f p d g p f||max =即最大后验估计是在已知数据为d 的条件下，使后验概率密度p (f )取得最大值得点g ，根据概率论，最大后验估计g 满足）（）（）（）（f p f d p g p d g p f••=||max 当p (f )为均匀分布时，最大后验估计g 满足）（）（f d p f g p f||max = 此时，最大后验概率也称为极大似然估计。
当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。
在大多数情况下，多传感器从不同的坐标框架对环境中同一物体进行描述，这时传感器测量数据要以间接的方式采用Bay e s 估计进行数据融合。
间接法要解决的问题是求出与多个传感器读数相一致的旋转矩阵R 和平移矢量H 。
在传感器数据进行融合之前，必须确保测量数据代表同一实物，即要对传感器测量进行一致性检验。
常用以下距离公式来判断传感器测量信息的一致：式中x 1和x 2为两个传感器测量信号，C 为与两个传感器相关联的方差阵，当距离T 小于某个阈值时，两个传感器测量值具有一致性。
这种方法的实质是剔除处于误差状态的传感器信息而保留“一致传感器”数据计算融合值。
3.2 卡尔曼滤波用于实时融合动态的低层次冗余传感器数据，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，KF为融合数据提供惟一的统计意义下的最优估计，KF的递推特性使系统数据处理不需大量的数据存储和计算。
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：每个传感器节点失效不会导致整个系统失效。
而EKF的优点：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程产生的影响。
其缺点：需要对多源数据的整体物理规律有较好的了解，才能准确地获得p(d|f)，但需要预知先验分布p(f)。
3.3 概率统计法假设一组随机向量x1，x2，…，x n分别表示n个不同传感器得到的数据信息，根据每一个数据xi可对所完成的任务做出一决策d i。
x i 的概率分布为p a i(x i)，a i为该分布函数中的未知参数，若参数已知时，则x i的概率分布就完全确定了。
用非负函数L(a i，d i)表示当分布参数确定为a i时，第i个信息源采取决策d j时所造成的损失函数。
在实际问题中，a i是未知的，因此，当得到x i时，并不能直接从损失函数中定出最优决策。
先由x i做出a i的一个估计，记为a i(x i)，再由损失函数L [a i(x i),d i]决定出损失最小的决策。
其中利用x i估计a i的估计量a i(x i) 有很多种方法。
概率统计方法适用于分布式传感器目标识别和跟踪信息融合问题3.4 Dempster-Shafer 证据推理(简称D-S 推理)假设F 为所有可能证据所构成的有限集，为集合F 中的某个元素即某个证据，首先引入信任函数B(f)∈[0，1]表示每个证据的信任程 0=）（φB 1)(=F B∑∑<--++-≥i ji n n j i i n A A B A A B A B A A A B )()1()()()(1121 从上式可知，信任函数是概率概念的推广，因为从概率论的知识出发，上式应取等号。
引入基础概率分配函数m (f )∈[0，1] ()1)(0==Φ∑∈F A A m m由基础概率分配函数定义与之相对应的信任函数： ∑⊆=A C C m AB ),()(FC A ⊆,当利用N 个传感器检测环境M 个特征时，每一个特征为F 中的—个元素。
第i 个传感器在第k-1时刻所获得的包括k —1时刻前关于第j 个特征的所有证据，用基础概率分配函数表示，其中i =1，2，…，m 。
第i 个传感器在第k 时刻所获得的关于第j 个特征的新证据用基础概率分配函数表示。
由和可获得第i 个传感器在第k 时刻关于第j 个特征的联合证据。
类似地，利用证据组合算法，由和可获得在k 时刻关于第j 个特征的第i 个传感器和第i +1个传感器的联合证据。
如此递推下去，可获得所有N 个传感器在k 时刻对j 特征的信任函数，信任度最大的即为信息融合过程最终判定的环境特征。
D-S证据推理优点：算法确定后，无论是静态还是时变的动态证据组合，其具体的证据组合算法都有一共同的算法结构。
但其缺点：当对象或环境的识别特征数增加时，证据组合的计算量会以指数速度增长。
3.5 人工智能网络通过模仿人脑的结构和工作原理，设计和建立相应的机器和模型并完成一定的智能任务。
神经网络根据当前系统所接收到的样本的相似性，确定分类标准。
这种确定方法主要表现在网络权值分布上，同时可采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。
神经网络多传感器信息融合的实现，分三个重要步骤：➢根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；➢各传感器的输入信息综合处理为一总体输入函数，并将此函数映射定义为相关单元的映射函数,通过神经网络与环境的交互作用把环境的统计规律反映网络本身结构；➢对传感器输出信息进行学习、理解，确定权值的分配，完成知识获取信息融合，进而对输入模式做出解释，将输入数据向量转换成高层逻辑(符号)概念。
基于神经网络的传感器信息融合特点：➢具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器信息进行融合，获得相应网络的参数，并且可将知识规则转换成数字形式，便于建立知识库；➢利用外部环境的信息，便于实现知识自动获取及并行联想推理；➢能够将不确定环境的复杂关系，经过学习推理，融合为系统能理解的准确信号；➢由于神经网络具有大规模并行处理信息能力，使得系统信息处理速度很快。