多传感器数据融合技术研究进展_黄漫国
多传感器数据融合技术研究
多传感器数据融合技术研究在当今科技飞速发展的时代，多传感器数据融合技术正逐渐成为众多领域的关键技术之一。
它能够将来自多个传感器的信息进行综合处理和分析，从而获得更准确、更全面、更可靠的感知结果。
这项技术的应用范围广泛，涵盖了军事、航空航天、工业控制、环境监测、医疗健康等多个重要领域。
多传感器数据融合技术的出现并非偶然。
随着传感器技术的不断进步，各种类型的传感器如雨后春笋般涌现，它们能够感知不同的物理量和现象。
然而，单个传感器往往存在局限性，例如测量范围有限、精度不够高、容易受到干扰等。
为了克服这些问题，人们自然而然地想到了将多个传感器的信息结合起来，以实现优势互补，这便是多传感器数据融合技术的初衷。
多传感器数据融合技术的核心在于对不同传感器所获取的数据进行有效的整合和处理。
在这个过程中，需要解决许多关键问题。
首先是数据的校准和预处理。
由于不同传感器的工作原理、测量精度和测量范围可能存在差异，因此在融合之前需要对数据进行校准，以确保它们具有相同的量纲和基准。
同时，还需要对数据进行去噪、滤波等预处理操作，以提高数据的质量。
其次是数据的关联和配准。
来自不同传感器的数据通常需要在时间和空间上进行关联和配准，以便准确地融合。
这需要精确的时间同步和空间坐标转换算法，以确保不同传感器的数据能够对应到同一时刻和同一位置。
再者是融合算法的选择和优化。
目前，常用的融合算法包括加权平均法、卡尔曼滤波法、贝叶斯估计法、DS 证据理论等。
每种算法都有其适用的场景和优缺点，需要根据具体的应用需求进行选择和优化。
多传感器数据融合技术在军事领域有着重要的应用。
例如，在战场侦察中，通过融合来自雷达、光电传感器、声学传感器等多种传感器的数据，可以更准确地探测和识别敌方目标，为作战决策提供有力支持。
在导弹防御系统中，融合来自不同类型传感器的数据，可以提高对来袭导弹的预警和拦截能力。
在航空航天领域，多传感器数据融合技术同样发挥着关键作用。
多传感器数据融合技术研究进展
多传感器数据融合技术研究进展一、本文概述随着科技的飞速进步，传感器技术得到了广泛应用，涉及到工业、军事、医疗、环保等诸多领域。
传感器通过捕获和转换各种物理、化学和生物信号，为各种应用提供了丰富的数据资源。
然而，单一传感器往往受到环境、设备自身等因素的影响，导致数据存在误差或不确定性。
为了克服这些问题，多传感器数据融合技术应运而生，它通过整合来自不同传感器的信息，以提高数据的准确性和可靠性，从而更好地支持决策和预测。
本文旨在探讨多传感器数据融合技术的研究进展。
我们将首先回顾多传感器数据融合的基本概念、原理和方法，包括数据预处理、特征提取、数据融合算法等。
接着，我们将重点分析近年来在多传感器数据融合领域取得的一些重要研究成果和创新技术，如深度学习在多传感器数据融合中的应用、基于优化算法的数据融合方法、以及面向特定应用的多传感器数据融合系统等。
我们还将讨论多传感器数据融合技术在不同领域中的应用实例，以展示其在实际应用中的价值和潜力。
通过本文的阐述，我们期望能为读者提供一个全面而深入的多传感器数据融合技术研究进展的概览，同时为相关领域的研究人员和从业者提供有益的参考和启示。
二、多传感器数据融合技术的基本原理多传感器数据融合技术是一种综合处理来自多个传感器信息的技术，旨在生成更准确、更全面的信息。
其基本原理主要包括信息的获取、预处理、特征提取、数据关联、融合决策等步骤。
信息的获取是指通过各种传感器从环境中获取原始数据，这些数据可能包括图像、声音、温度、压力等多种类型。
每个传感器都有其特定的感知能力和局限性，因此，通过多个传感器的协同工作，可以获取更全面的环境信息。
接下来是预处理阶段，主要是对原始数据进行清洗、去噪、标准化等处理，以提高数据的质量和可用性。
这一阶段对于后续的数据融合至关重要，因为只有高质量的数据才能得到准确的融合结果。
特征提取是从预处理后的数据中提取出有代表性的特征，这些特征可以是数据的统计量、纹理、形状等。
多传感器数据融合技术的研究
多传感器数据融合技术的研究在当今科技飞速发展的时代，多传感器数据融合技术正逐渐成为各个领域的关键技术之一。
从航空航天到智能交通，从医疗诊断到环境监测，这项技术的应用范围越来越广泛，其重要性也日益凸显。
多传感器数据融合技术，简单来说，就是将来自多个不同传感器的数据进行综合处理和分析，以获得更准确、更全面、更可靠的信息。
这些传感器可以是相同类型的，也可以是不同类型的，比如温度传感器、压力传感器、图像传感器等等。
它们各自采集到的数据可能存在误差、不完整或者具有局限性，而通过数据融合技术，可以对这些数据进行互补和优化，从而得出更有价值的结论。
为什么我们需要多传感器数据融合技术呢？想象一下，在一个自动驾驶的场景中，车辆上安装了多种传感器，如激光雷达、摄像头、毫米波雷达等。
激光雷达能够精确测量物体的距离和形状，但在恶劣天气条件下可能会受到影响；摄像头可以提供丰富的图像信息，但对于远距离和低光照环境的感知能力有限；毫米波雷达则在速度测量和穿透障碍物方面具有优势。
如果单独依靠某一种传感器，很可能会导致误判或者漏判，从而危及行车安全。
而通过多传感器数据融合技术，将这些传感器的数据进行整合和分析，就能够更全面、准确地了解周围环境，做出更明智的驾驶决策。
在医疗领域，多传感器数据融合技术也有着重要的应用。
例如，在心脏监测中，心电图（ECG）传感器可以测量心脏的电活动，血压传感器可以监测血压变化，而血氧传感器则能测量血氧饱和度。
将这些不同类型的传感器数据融合起来，可以更全面地评估心脏的功能和健康状况，为医生的诊断和治疗提供更有力的支持。
多传感器数据融合技术的实现并非一帆风顺，它面临着许多挑战。
首先是数据的不确定性。
由于传感器的精度、噪声、漂移等因素，采集到的数据往往存在一定的不确定性和误差。
如何准确地处理这些不确定性，是数据融合技术中的一个关键问题。
其次是数据的时空配准。
不同传感器采集数据的时间和空间基准可能不同，需要进行精确的配准和同步，才能保证融合结果的准确性。
多传感器数据融合技术研究及应用
多传感器数据融合技术研究及应用随着科技发展，大量的传感器技术得到了广泛的应用，而多传感器数据融合技术也因此而生，成为了当今科技领域的一个热门话题。
本文将从多个角度深入探讨多传感器数据融合技术的研究现状以及应用前景。
一、多传感器数据融合技术简介多传感器数据融合技术是指将来自多个传感器的数据进行处理和整合，从而得到更加准确、全面的信息，提高数据处理和分析的精度和效率。
多传感器数据融合技术既可以用于研究基础理论，也可以应用于实际工程领域，如环境监测、智能交通、军事侦察等领域。
传感器是将感受到的物理量转化为电信号的装置，用于将环境信息转化为数据，工业、生活和科学研究领域中的各种设备都可以使用传感器技术。
而多传感器数据融合技术则是将不同类型和数量的传感器数据整合在一起，以期获得更加精确、全面的信息。
多传感器数据融合技术的主要优势在于能够在不同维度上提供更高的空间和时间分辨率，并且可以解决单个传感器所不能捕捉到的数据缺失问题，以此提高数据分析、处理和应用的精度和效率。
二、多传感器数据融合技术的研究现状当前，多传感器数据融合技术的研究和应用已经成为了很多领域的关注重点，相关学科如计算机科学、电子工程、物理学等也已经逐渐形成了完整的研究方向。
多传感器数据融合技术的研究包括数据处理、信息融合、模型构建、智能识别等方面，具体来说，主要包括以下几个方面：1. 数据融合算法数据融合是多传感器数据融合技术的核心内容，当前大量的研究工作主要关注如何对不同类型、来源和质量的传感器数据进行有效的融合，从而得到更加精准的数据信息。
当前，常用的数据融合算法主要包括加权平均法、卡尔曼滤波法、粒子滤波法、小波变换和小波包分解等，其中，小波变换技术较为全部。
2. 模型构建在多传感器数据融合技术中，模型构建是非常重要的一部分，它可以对不同传感器数据融合的模型进行建立和优化，以此提高数据融合的准确性和效率。
常见的模型构建技术包括神经网络、贝叶斯网络、决策树、支持向量机、两类模型、仿生学等等。
《船只目标多传感器数据融合算法研究》范文
《船只目标多传感器数据融合算法研究》篇一一、引言随着现代航海技术的飞速发展，船只目标的监测与识别成为了海洋安全、交通管理、海洋环境监测等领域的重要研究课题。
为了实现高精度、高效率的船只目标监测与识别，多传感器数据融合技术应运而生。
本文旨在研究船只目标多传感器数据融合算法，提高船只目标的检测准确率和系统可靠性。
二、研究背景与意义随着多传感器技术的发展，多种传感器如雷达、激光雷达、红外传感器等被广泛应用于船只目标的监测与识别。
然而，由于各种传感器在探测范围、精度、分辨率等方面存在差异，单一传感器难以满足复杂的监测需求。
因此，如何将多种传感器的数据进行有效融合，提高船只目标的检测准确率和系统可靠性，成为了亟待解决的问题。
本文的研究意义在于，通过研究船只目标多传感器数据融合算法，为海洋安全、交通管理、海洋环境监测等领域提供更加准确、高效的船只目标监测与识别技术。
三、多传感器数据融合算法研究1. 数据预处理在进行多传感器数据融合之前，需要对各种传感器数据进行预处理。
预处理包括数据清洗、数据同步、数据配准等步骤。
数据清洗主要是去除异常值和噪声；数据同步则是保证不同传感器数据的时序一致性；数据配准则是将不同传感器数据转换到同一坐标系下，以便进行后续的融合处理。
2. 特征提取特征提取是多传感器数据融合的关键步骤之一。
通过对预处理后的数据进行特征提取，可以获得船只目标的形状、大小、速度、方向等关键信息。
特征提取的方法包括基于图像处理的方法、基于模式识别的方法等。
3. 数据融合算法数据融合算法是多传感器数据融合的核心部分。
常用的数据融合算法包括加权平均法、贝叶斯估计法、卡尔曼滤波法等。
这些算法可以根据不同的应用场景和需求，对多种传感器的数据进行有效融合，提高船只目标的检测准确率和系统可靠性。
四、船只目标多传感器数据融合算法的应用船只目标多传感器数据融合算法可以广泛应用于海洋安全、交通管理、海洋环境监测等领域。
例如，在海洋安全领域，可以通过多传感器数据融合技术，实现对船只目标的实时监测和识别，提高海上航行的安全性；在交通管理领域，可以通过多传感器数据融合技术，实现对船舶交通流量的实时监测和预测，为交通管理提供决策支持；在海洋环境监测领域，可以通过多传感器数据融合技术，实现对海洋环境的实时监测和评估，为海洋环境保护提供技术支持。
多传感器数据融合与分析技术研究
多传感器数据融合与分析技术研究引言：近年来，随着科技的不断发展和传感器技术的进步，多传感器数据融合与分析技术逐渐成为重要的研究领域。
多传感器数据融合与分析技术可以将来自不同传感器的数据进行整合和分析，从而有效提高信息的准确度、可靠度和实时性，广泛应用于环境监测、智能交通、医疗健康等领域。
本文将探讨多传感器数据融合与分析技术的研究进展和应用前景。
一、多传感器数据融合技术多传感器数据融合技术是将来自不同传感器的数据进行整合，融合成更准确、全面和一致的信息。
多传感器数据融合技术包括数据融合方法、融合层次和融合算法等，其中常用的方法有加权融合、模型融合和特征融合等。
1.1 加权融合加权融合是一种常用的数据融合方法，其基本思想是根据各传感器数据的可靠性或权重，对数据进行加权处理得到融合结果。
常见的加权融合算法包括基于经验的加权法、基于信息熵的加权法和基于Kalman滤波器的加权法等。
1.2 模型融合模型融合是一种通过建立数学或统计模型，将不同传感器数据的统计特征进行整合的方法。
例如，利用贝叶斯理论可以将来自不同传感器的信息进行概率融合，基于决策树的模型融合可以通过判断不同传感器数据的输出进行融合决策。
1.3 特征融合特征融合是一种将不同传感器数据的特征提取和选择进行整合的方法。
常见的特征融合技术包括主成分分析、小波变换和信息熵等，通过提取不同传感器数据的特征并进行融合，可以得到更全面和准确的信息。
二、多传感器数据分析技术多传感器数据分析技术是对融合后的数据进行挖掘和分析，提取有价值的信息和知识。
多传感器数据分析技术可以通过数据挖掘、特征提取和机器学习等方法，实现对融合后数据的分析和预测。
2.1 数据挖掘数据挖掘是一种通过自动发现模式和规律来提取隐藏在大规模数据中的有用信息的技术。
在多传感器数据融合与分析中，可以利用数据挖掘技术寻找数据之间的相关性、异常值和趋势等。
常用的数据挖掘方法包括聚类分析、分类分析和关联分析等。
基于多传感器的数据融合技术研究
基于多传感器的数据融合技术研究在当今这个科技飞速发展的时代，数据的获取和处理变得越来越重要。
多传感器的数据融合技术作为一种能够综合利用多个传感器信息的手段，正逐渐成为各个领域关注的焦点。
多传感器数据融合技术的出现并非偶然。
在许多实际应用场景中，单一传感器往往存在局限性。
例如，在环境监测中，单个传感器可能只能检测到某一种污染物的浓度，而无法全面了解整个环境的复杂状况；在自动驾驶领域，仅依靠一种类型的传感器，如摄像头，可能会在恶劣天气或光照条件不佳的情况下出现检测失误。
为了克服这些局限性，获取更全面、准确和可靠的信息，多传感器数据融合技术应运而生。
多传感器数据融合技术的核心在于将来自多个不同传感器的数据进行有效的整合和分析。
这些传感器可以是同质的，也可以是异质的。
同质传感器指的是具有相同测量原理和性能的传感器，而异质传感器则在测量原理、精度、范围等方面存在差异。
无论是哪种类型的传感器，它们所采集到的数据都具有各自的特点和优势。
数据融合的过程并非简单地将数据相加或合并。
它需要经过多个步骤，包括数据预处理、特征提取、数据关联、融合计算等。
数据预处理阶段主要是对原始数据进行清洗、校准和转换，以去除噪声和误差，确保数据的质量。
特征提取则是从预处理后的数据中提取出有代表性的特征，以便后续的处理和分析。
数据关联是一个关键步骤，它需要确定来自不同传感器的数据之间的对应关系。
这就好比在一堆杂乱的线索中找到相互关联的部分，是一项具有挑战性的任务。
在这个过程中，需要考虑传感器的位置、测量时间、测量范围等因素，以准确地将相关数据关联起来。
融合计算则是根据数据关联的结果，采用合适的融合算法对数据进行综合处理。
常见的融合算法包括加权平均法、卡尔曼滤波法、贝叶斯估计法等。
这些算法各有优缺点，适用于不同的场景和数据特点。
多传感器数据融合技术在众多领域都有着广泛的应用。
在军事领域，它可以将来自雷达、红外、光学等传感器的数据融合起来，实现对目标的精确监测和识别，提高作战效能。
《船只目标多传感器数据融合算法研究》范文
《船只目标多传感器数据融合算法研究》篇一一、引言在现代化海洋科技领域，船只目标的监测与识别对于海洋安全、海洋环境保护、军事侦察等众多领域具有至关重要的意义。
为了实现船只目标的准确监测和识别，需要依赖多种传感器设备来收集相关数据。
然而，不同传感器获取的数据存在异构性、时序性等问题，这导致单一传感器无法完成船只目标监测的完整需求。
因此，如何对不同传感器数据进行融合，以实现对船只目标的高效、准确监测，成为了一个重要的研究课题。
本文将针对船只目标多传感器数据融合算法进行研究，旨在为相关领域提供理论支持和实践指导。
二、船只目标多传感器数据概述在船只目标监测中，常见的传感器包括雷达、激光雷达（LiDAR）、红外传感器、视觉传感器等。
这些传感器能够从不同角度和维度获取船只目标的相关信息，如位置、速度、方向、形状等。
然而，由于传感器类型、工作原理、环境因素等差异，不同传感器获取的数据存在异构性、时序性等问题，导致单一传感器难以满足实际需求。
因此，需要通过多传感器数据融合算法将不同传感器的数据进行整合和优化，以提高船只目标监测的准确性和可靠性。
三、多传感器数据融合算法研究多传感器数据融合算法主要包括数据预处理、特征提取、数据关联和决策融合等步骤。
在船只目标多传感器数据融合中，需根据具体需求选择合适的融合算法。
1. 数据预处理数据预处理是数据融合的第一步，主要目的是对原始数据进行清洗、去噪和标准化处理，以提高数据的可靠性和一致性。
针对船只目标多传感器数据的特点，可以采用滤波算法、数据插补等方法对数据进行预处理。
2. 特征提取特征提取是从预处理后的数据中提取出与船只目标相关的特征信息，如位置、速度、形状等。
针对不同传感器获取的数据，需要采用相应的特征提取方法。
例如，对于视觉传感器获取的图像数据，可以采用图像处理技术提取船只目标的形状、大小等特征；对于雷达数据，可以通过信号处理技术提取船只目标的位置和速度信息。
3. 数据关联数据关联是将不同传感器获取的数据进行关联和匹配，以实现对船只目标的统一描述。
- 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)。
2010年第29卷第3期 传感器与微系统(T r a n s d u c e r a n dM i c r o s y s t e mT e c h n o l o g i e s)多传感器数据融合技术研究进展＊黄漫国1,2,樊尚春1,2,郑德智1,邢维巍1(1.北京航空航天大学仪器科学与光电工程学院精密光机电一体化教育部重点实验室,北京100191;2.传感技术联合国家重点实验室,上海200050)摘 要:多传感器数据融合是信息领域一个前景广阔的研究方向。
由于单一的数据融合算法具有一定的局限性,将2种或2种以上的数据融合算法进行优势集成已逐渐成为数据融合领域的研究热点。
介绍了数据级、特征级和决策级融合3种数据融合方式的主要特点、方法及应用,归纳了常用的数据融合方法,并重点阐述了几种多传感器数据融合集成算法的研究进展,简单介绍了多传感器数据融合技术的应用。
关键词:多传感器;数据融合;算法;集成中图分类号:T P274 文献标识码:A 文章编号:1000—9787(2010)03—0005—04R e s e a r c hp r o g r e s s o f m u l t i-s e n s o r d a t a f u s i o n t e c h n o l o g y＊H U A N GM a n-g u o1,2,F A NS h a n g-c h u n1,2,Z H E N GD e-z h i1,X I N GW e i-w e i1(1.K e yL a b o r a t o r y o f P r e c i s i o nO p t o-m e c h a n i c s T e c h n o l o g yo f Mi n i s t r y o f E d u c a t i o n,D e p t a r t m e n t o fI n s t r u m e n t S c i e n c e＆O p t o-e l e c t r o n i c s E n g i n e e r i n g,B e i h a n gU n i v e r s i t y,B e i j i n g100191,C h i n a;2.S t a t e K e yL a b o r a t o r i e s o f T r a n s d u c e r T e c h n o l o g y,S h a n g h a i200050,C h i n a)A b s t r a c t:M u l t i-s e n s o r d a t af u s i o ni s w i d er e s e a r c hb r a n c hi ni n f o r m a t i o nf i e l d.A s s i n g l ed a t a f u s i o na l g o r i t h ma l w a y s h a s s o m e l i m i t a t i o n s,t h e i n t e g r a t i o no f t w o o r m o r e d a t a f u s i o na l g o r i t h m s i sb ec o m i n g a r e s e a r c h i n t e r e s t.A d v a n t a g e s o f d a t af u s i o na r ei n t r o d u c e d;m a i nc h a r a c t e r i s t i c s,a l g o r i t h m s a n da p p l i c a t i o n s o f t h r e ed a t af u s i o nm o d e l t y p e s(d a t a l e v e l,c h a r a c t e r i s t i c l e v e l a n d d e c i s i o nl e v e l)a r e p r e s e n t e d.C o m m o n d a t a f u s i o n a l g o r i t h m s a r ec l a s s i f i e d.R e s e a r c hde v e l o p m e n t s of s e v e r a l d a t a f u s i o ni n t eg r a t i o na l g o r i th m s a r e r e vi e w e d.A p p l i c a t i o n so f d a t af u s i o n t e c h n o l og ya r e a l s o d i s c u s s e d.K e yw o r d s:m u l t i-s e n s o r;d a t a f u s i o n;a l g o r i t h m s;i n t e g r a t i o n0 引 言根据J D L(j o i n t d i r e c t o r so f l a b o r a t o r i e s d a t af u s i o nw o r-k i n gg r o u p)的定义,多传感器数据融合是一种针对单一传感器或多传感器数据或信息的处理技术,通过数据关联、相关和组合等方式以获得对被测环境或对象的更加精确的定位、身份识别以及对当前态势和威胁的全面而及时的评估[1]。
“数据融合”一词出现在20世纪70年代初期,当时并未引起人们的足够重视,只是局限于军事应用方面的研究[2]。
指令控制和通信一体化(c o m m a n dc o n t r o l a n dc o m-m u n i c a t i o ni n t e g r a t i o n,C3I)系统率先采用多传感器数据融合技术来采集和处理战场信息并获得成功[3]。
而随着工业系统的复杂化和智能化,数据融合近三十多年来取得了迅速发展。
如今世界各国都有学者和技术人员在开展数据融合技术的研究,这一领域的研究内容和成果已大量出现在各种学术会议和公开的学术期刊上[4]。
近几年,我国对数据融合方面的研究也日益重视,国家自然科学基金和“863”计划已将其列入重点支持项目。
各大学、研究机构都在进行学术与工程应用的研究,并做了大量的基础研究工作[5]。
1 数据融合的层次及其分类1.1 数据融合的层次多传感器数据融合与经典信号处理方法之间也存在本质的区别,其关键在于数据融合所处理的多传感器信息具有更复杂的形式,而且,可以在不同的信息层次上出现,每个层次代表了对数据不同程度的融合过程,这些信息抽象层次包括数据层(像素级)、特征层和决策层[6]。
相应的数据融合也主要有数据级、特征级和决策级融合3种方式,表1对其所属层次、主要特点、方法及应用进行了总结归纳。
收稿日期:2009—07—08＊基金项目:国家“863”计划资助项目(2008A A042207)5 传感器与微系统 第29卷 数据级融合是指在融合算法中,要求进行融合的传感器数据间具有精确到一个像素的匹配精度的任何抽象层次的融合;特征级融合是指从各只传感器提供的原始数据中进行特征提取,然后,融合这些特征;决策级融合是指在融合之前,各传感器数据源都经过变换并获得独立的身份估计。
信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合,最终得到整体一致的决策[7]。
1.2 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、神经网络和人工智能等。
很多学者从不同角度出发提出了多种数据融合技术方案。
图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。
表1 不同的信息层次上的数据融合分类T a b1 C l a s s i f i c a t i o no f d a t a f u s i o nme t h o d s a t d i f f e r e n t i n f o r ma t i o nl e v e l 类型数据级融合特征级融合决策级融合所属层次最低层次中间层次高层次主要优点原始信息丰富,并能提供另外2个融合层次所不能提供的详细信息,精度最高[4,8]。
实现了对原始数据的压缩,减少了大量干扰数据,易实现实时处理,并具有较高的精确度[4,9]。
所需要的通信量小,传输带宽低,容错能力比较强[6],可以应用于异质传感器[9,10]。
主要缺点所要处理的传感器数据量巨大,处理代价高,耗时长,实时性差[4];原始数据易受噪声污染,需融合系统具有较好的容错能力[9]。
在融合前必须先对特征进行相关处理,把特征向量分类成有意义的组合[6]。
判决精度降低,误判决率升高,同时,数据处理的代价比较高[6,9]。
主要方法H I S变换,P C A变换,小波变换及加权平均等[4]。
聚类分析法,贝叶斯估计法,信息熵法,加权平均法[10],D-S证据推理法,表决法及神经网络法等[4]。
贝叶斯估计法、专家系统、神经网络法、模糊集理论、可靠性理论以及逻辑模板法等[4,10]。
主要应用多源图像复合、图像分析和理解[6]。
主要用于多传感器目标跟踪领域,融合系统主要实现参数相关和状态向量估计[6]。
其结果可为指挥控制与决策提供依据[6]。
图1 常用的数据融合方法F i g1 C o m mo nd a t af u s i o nm e t h o d s2 数据融合技术的研究热点由于各种方法之间的互补性,将2种或2种以上的算法进行有机集成,往往可以扬长避短,取得比单纯采用一种算法更优的结果。
2.1 现代方法间的集成2.1.1 遗传算法和模糊理论相结合遗传算法是一种并行算法,能够较好地解决多参数的优化问题,并针对算法的特点采用某些较新的算子,如实编码方式和对应的交叉算子与不一致变异技术的应用都保证遗传算法具有较好的性能并节省时间。
另外,遗传算法所采用的某些算子能更好地模拟模糊关系,可以使融合达到较高的精度。
将其与模糊理论相结合可以在信息源的可靠性、信息的冗余度、互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合[5,11]。
因此,该方法逐渐成为目前的研究热点之一。
例如:C h o i J N等人提出一种基于分层公平竞争的并行遗传算法和信息粒化理论的混合优化模糊推理系统[12]。
另外,遗传模糊控制还被用于策略问题的研究[13]。