物联网信息融合技术及存在的问题研究_王洪波

摘 要： 针对物联网信息融合问题进行了简要阐述，指出物联网信息融合技术分为数据级融合、特征级融合和
决策级融合三个层次。从融合技术的原理、适用领域以及技术之间差异性等方面对不同类型技术进行了较为全
面的评述。在此基础上，指出了物联网信息融合过程中存在的问题和挑战，分析了有待进一步研究的方向。
关键词： 物联网; 信息融合; 信息感知; 数据级融合; 特征级融合; 决策级融合
物联网是通过各种传感设备将不同种类的物品与互联网 连接起来的一种具有智能化识别、定位、跟踪、监控和管理的网 络，以实现人与物、物与物之间的信息交换。物联网的层次架 构如图 1 所示。在物联网中，信息感知是一个基本功能，它是 通过传感器对物联网中物品进行信息收集，根据应用目标的需 要对所收集到的信息加以筛选，将有效数据或有价值数据提供 给用户进行分析和处理。由于物联网所能提供的传输、处理和 分析等资源有限，因此在满足客户需要的条件下，采用信息融 合技术对数据进行有必要的处理，以实现对信息的高效感知。
1. 2 特征级融合技术
特征级融合主要是在对原始数据进行特征值提取后，运用 基于特征值比较的融合方法。其特点是可在不同质信息范围 内进行融合，但无法对融合结果进行判别并作出合理决策。在 特征级融合技术阶段常使用 K-近邻算法、卡尔曼滤波算法、聚 类算法等。
K-近邻算法（ K-nearest neighbor，KNN） ［18］是一种简单的分 类算法，该算法使用某一种距离度量计算待分类样本与所有训 练样本之间的距离，寻找与待分类样本最近的 k 个近邻，根据 k 个近邻所属的类别来确定待分类样本的类别。Ye 等人［19］将 聚类算法与 K-近邻算法相结合，提出了 CCA-S（ clustering and classification algorithm-supervised） 算法。该算法通过建立有监 督的学习方式以解决传统 K-近邻算法对参数 k 的依赖。Rosa 等人［20］为快速且有效寻找最优 k 值，提出将遗传算法与 K-近 邻算法相结合，通过优化参数 k 值的确定过程，以提高 K-近邻 算法分类精度。郭躬德等人［21］提出了一种多代表点的学习算 法 （ multi-representativesfor efficient classification，MEC） 用 于 最 近邻分类，该方法是基于结构化风险最小化理论的 K-近邻改 进算法。相比传统算法，MEC 算法可以有效地对复杂类别结 构数据进行分类，并且分类的精度和效率都有较大提高。为进 一步提高传统算法的计 算 精 度，金 弟 等 人［22］ 提 出 一 种 基 于 结 构化相似度的网络聚类算法。文献［22］将向量数据集转换成 K-邻近网络，然后用 SSNCA（ structural similarity based network clustering algorithm） 对 K-邻近网络进行聚类。
收稿日期： 2013-01-10; 修回日期： 2013-02-26 作者简介： 王洪波( 1983-) ，男，安徽合肥人，博士研究生，主要研究方向为人工智能、数据挖掘、云计算等( bz308cctv@ 163． com) ．
第8 期
王洪波: 物联网信息融合技术及存在的问题研究
·2253·
术的综合，故本文认为将信息融合技术划分为三个层次较为合 理。信息融合的层次模型如图 2 所示。对于物联网，数据级融 合主要是消除输入数据中的噪声，而特征级融合和决策级融合 则侧重于获取与实际应用相关的有价值信息。
1. 1 数据级融合技术 数据级融合主要是指在原始数据采集后的融合。该融合
的特点是必须在同质信息前提下的融合，不同质信息则不能在 此阶段融合。在数据级融合阶段常用的方法多为加权平均法、 特征匹配法和金字塔算法等传统方法。
加权平均法是最简单的融合算法，直接对传感器所获得的 信息进行线性的加权平均。Mechitov 等人［4］提出通过对传感 器的位置进行加权平均，估计出目标运动轨迹上的各点坐标位 置。针对文献［4］所提方法，需将目标运动模式假设为直线匀 速运动的不足。崔逊学等人［5］ 根据计算几何理论，提出基于 三圆交集计算二值传感器网络目标的位置，该方法不仅可计算 运动轨迹为直线 的 目 标 位 置，还 可 计 算 轨 迹 为 圆 形 的 目 标 位 置。加权平均法具有实现简单、快速的优点，能够有效地抑制 噪声，但是其融合结果的对比度相对较低，且无法通过增大权 重的方式反映某些信息所具有的突出作用。
第 30 卷第 8 期 2013 年 8 月
计算机应用研究 Application Research of Computers
Vol. 30 No. 8 Aug. 2013
物联网信息融合技术及存在的问题研究
王洪波a，b
( 合肥工业大学 a． 管理学院; b． 过程优化与智能决策教育部重点实验室，合肥 230009)
特征匹配法就是利用特征的匹配关系建立图像间的配准 映射变换，最常用的方法是 ICP 算法。Besl 等人［6］提出一种基 于轮廓特征的点配准方法 ICP，该方法比基于特征的对应方法 具有更高的精确度和鲁棒性。因为文献［6］所提标准 ICP 方 法引入鲁棒性量度时将会产生严重的速度损失，所以刘繁明等 人［7］提出了对准集 合 的 一 种 方 法，采 用 对 准 误 差 通 过 非 线 性 最优化算法直接最小化。与传统 ICP 方法相比，文献［7］提出 的方法具有 速 度 快、精 确 度 高 和 收 敛 区 间 宽 等 优 点。 杨 明 等 人［8］则针对 ICP 方法中计算量大和收敛速度慢的不足，提出 一种基于切线角度直方图的 ICP 方法。该方法首先使用 M 估 计器鲁棒地计算扫描中每点的切线方向，然后使用基于 Hough 变换的切线角度直方图计算旋转分量，最后使用迭代切线加权 最近点 ITCP 计算相对位姿估计。文献［8］所提方法不仅解决 了 ICP 方法的局部最小值和收敛速度慢的问题，而且有效地提 高了位姿估计的精确度。
WANG Hong-boa，b
（ a． School of Management，b． Key Laboratory of Process Optimization ＆ Intelligent Decision-making，Ministry of Education，Hefei University of Technology，Hefei 230009，China）
金字塔算法采用不断地滤波原始图像的方式，形成一个多 级塔状结构用于分析和融合图像数据。Burt 等人［9］首先提出 拉普拉斯金字塔算法，它是在高斯滤波图像的基础上与预测图 像之间形成一系列误差图像。Toet 等人［10 ～ 13］则提出了比对度 金字塔算法和形态学金字塔算法，其中比对度金字塔算法充分 考虑到视觉因 素 的 影 响，因 此 相 比 文 献［9］所 提 方 法，能 够 较 好地保留图像中关键细 节。 Burt［14］ 利 用 梯 度 算 子 对 每 层 图 像 进行计算，以实 现 对 图 像 的 分 解。由 于 文 献［14］所 提 方 法 在 图像分解过程中可获得多方向上的图像信息，故该方法相对于
卡尔曼滤波是一种最优随机滤波技术，能够较好地消除噪 声对信号的干扰。但是经典的卡尔曼滤波和扩展的卡尔曼滤 波一般仅限于线性高斯系统。Julier 等人［23］针对上述问题提 出无迹卡尔曼滤波（ unscented Kalman filter，UKF） 处理非线性 非高斯系统的跟踪问题。刘献如［24］提出将绝对差值和（ SAD） 方法、无迹卡尔曼滤波（ UKF） 与 Mean shift 算法相结合的混合 自主跟踪动态目标的方法，相比于单一的 Mean shift 算法，该 方法具有较好的跟踪性能和实时性。
中图分类号： TP301． 6
文献标志码： A
文章编号： 1001-3695( 2013) 08-2252-04
doi： 10． 3969 / j． issn． 1001-3695． 2013． 08． 003
Research of information fusion technologies and existing problems in Internet of things
随着物联网技术研究的不断深入，物联网信息融合技术取 得了一定的成果。本文对物联网信息融合技术的现有研究成 果进行归纳，阐述了物联网信息融合的主要技术。首先从信息 提取水平角度将融合技术划分为三个层次，对现有技术和方法

进行归纳和分析； 然后探讨了物联网信息融合研究的热点领 域，指出了物联网信息融合所存在的问题和挑战，并展望了未 来研究的方向； 最后对全文进行概括和总结。
1 物联网信息融合技术
信息融合是指在一定准则下利用计算机技术对多源信息 分析和综合以实现不同应用的分类任务而进行的处理过程。 根据信息提取水平，Nakamura 等人［3］将物联网中信息融合技 术划分为四个层次，主要包括低等水平融合（ 数据级融合） 、中 等水平融合（ 特征级融合） 、高等水平融合（ 决策级融合） 和多 级融合。Nakamura 分类方法中多级融合技术是前三种融合技
Abstract： This paper gave a review about the information fusion problem in the Internet of things． It divided the information fusion technologies in the Internet of things into three main classes： data-level fusion，feature-level fusion，and decision-level fusion． It also made a comprehensive commentary on the different types of technologies from the principle，applicability and the differences between themselves． On this basis，it showed the problems and challenges existing in the information fusion process in the Internet of things，and put forward several research directions in the future as well． Key words： Internet of things； information fusion； information sensing； data-level fusion； feature-level fusion； decision-level fusion