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

集中式结构与分布式结构的组合，即融合中心收到的既有原始数据，又有经过局部与处理后的数，如图3所示。

图2、分布式结构

图3、混合式结构

多源数据融合主要用到的技术方法有信号处理与估计理论方法、统计推断方法、信息论方法、决策论方法、人工智能方法等。信号处理与估计理论方法包括Kalman滤波、最小二乘法、小波变换等。统计推断法包括Bayes推理、随即理论等。信息论方法有熵方法等。决策论方法一般用于决策融合。人工智能方法包括模糊逻辑、神经网络等。

多源数据融合的发展还处于一个初期阶段，在各个方面还需要发展完善。急需解决的几个关键问题主要有数据对准，即将时域上不同步，空间上属于不同坐标系的多源观测数据进行时空对准，从而将多源数据纳入一个统一的参考框架中，为数据融合的后期工作做铺垫；数据关联，将隶属于同一数据源的数据组合在一起，主要处理分类和组合问题；如何处理观测数据的不确定性，比如还有噪声；如何处理不完整、不一致、虚假的数据等。

对于不同的问题将会有不同的研究方向。目前尚未形成完整的理论体系，也缺乏完整有效的一般解决方法，故需要完善基础理论；改进融合算法，提高系统性能，特别是异类信息的融合还没有成熟的算法；传感器资源管理优化，包括空间管理、时间管理、模式管理等；研究系统性能评估方法；研究工程化评估方法等。这些都将是多源数据融合技术在未来比较有前景的发展方向。