一种新的信息融合功能模型
多模态数据融合模型
多模态数据融合模型1.引言1.1 概述概述部分的内容：多模态数据融合模型是一种通过结合多种不同类型的数据来进行综合分析和处理的模型。
在现实生活中，我们通常会面临各种各样的数据，如文本、图像、音频等等。
这些数据往往具有不同的表达方式和信息特征，如果能够将它们有效地融合起来，就可以获得更加全面和准确的信息。
因此，多模态数据融合模型成为了当前研究的一个重要方向。
多模态数据融合模型的发展离不开计算机科学和机器学习领域中的重要技术和方法。
通过将多种不同类型的数据进行有效的融合和集成，可以为各种任务和应用提供更加全面和深入的信息分析。
例如，在图像识别领域，多模态数据融合模型可以将图像的视觉特征和文本的语义信息相结合，从而提高图像的识别和理解能力。
在情感分析领域，多模态数据融合模型可以将音频的语音特征和文本的情感信息进行融合，从而更准确地识别和分析情感表达。
多模态数据融合模型在许多领域都具有广泛的应用。
例如，在医学领域，可以将医学影像数据、生理信号数据和临床文本数据进行融合，以辅助医生进行疾病诊断和治疗决策。
在智能交通领域，可以将图像、视频、声音和语音等多种数据进行融合，以提高交通监控和交通管理的效能。
在智能语音助手领域，可以将语音输入数据和文本数据进行融合，以提高语音助手的识别和回答能力。
本文将对多模态数据融合模型进行全面的介绍和分析，包括其定义和背景、优势和应用领域等方面。
同时，将总结目前研究的进展和存在的问题，并探讨未来的发展方向。
通过对多模态数据融合模型的深入研究和应用，相信可以为各种领域的数据分析和决策提供更加全面和准确的支持。
文章结构部分可以描述整篇文章的组织结构和各个章节的内容概要。
在本文中，文章结构可以按照如下方式进行描述：1.2 文章结构本文主要围绕多模态数据融合模型展开论述，并分为以下几个章节：第一章引言- 概述：介绍多模态数据融合模型的背景和意义，以及本文的研究目的。
- 文章结构：概括本文的章节组成和内容安排。
企业信息化融合系统集成解决方案
先由每个传感器抽象出自己的特征向量，再由融合 中心完成特征向量的融合处理，是中间层次的融合
数据级信息融合
2020/11/9
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，是最低层 次的融合
9
1 信息融合功能模型
建立在信息融合级别划分的基础上的几个信息融合功能模型
四级融合模型
广义的观点
信息化工业化融合是指信息化和国民经济各领域的融合，通过信 息技术和国民经济领域中各要素的融合实现。
➢ 两化融合的前提是信息技术的应用 ➢ 基础是数据融合 ➢ 微观表现是企业信息化
2020/11/9
4
（2）信息化工业化融合的层次
产品和 服务的 数字化
企业/组 织的信息
融合度模型
融合度模型融合度模型是指将多个不同的信息源、数据或特征进行融合，从而得到一个更全面、更准确的结果的模型。
它在各个领域具有广泛的应用，如机器学习、数据挖掘、图像处理等。
本文将从理论和实践两个方面来探讨融合度模型。
一、理论基础融合度模型的理论基础主要包括信息融合、特征融合和数据融合三个方面。
信息融合是指将来自不同信息源的数据进行整合和处理，以提取出更有价值的信息。
例如，在传感器网络中，可以将多个传感器的数据融合起来，得到更准确的环境信息。
特征融合是指将来自不同特征空间的特征进行综合，以提高模型的表达能力和分类性能。
例如，在图像处理中，可以将颜色、纹理、形状等特征进行融合，得到更准确的图像分类结果。
数据融合是指将多个数据集进行整合和处理，以得到更全面、更准确的数据。
例如，在数据挖掘中，可以将来自不同数据库的数据进行融合，得到更全面的数据集，从而提高模型的建模能力。
二、实践应用融合度模型在实践中具有广泛的应用。
以下将以机器学习领域为例，介绍融合度模型的具体应用。
1. 集成学习集成学习是融合度模型在机器学习中的一种应用。
它通过结合多个不同的模型，以提高整体的预测能力。
常见的集成学习方法包括Bagging、Boosting和Stacking等。
这些方法通过融合不同的基学习器，得到更准确、更稳定的预测结果。
2. 多模态融合多模态融合是指将来自不同传感器或不同模态的数据进行融合。
例如，在人机交互中，可以将语音、图像和动作等多个模态的信息进行融合，以提高人机交互的效果。
多模态融合可以通过特征级融合、决策级融合或模型级融合等方式实现。
3. 知识图谱融合知识图谱融合是将来自不同知识图谱的知识进行融合，以得到更全面、更准确的知识表示。
知识图谱融合可以通过实体对齐、关系对齐和属性对齐等方式实现。
通过融合不同知识图谱的知识，可以提高知识图谱的覆盖范围和准确度。
融合度模型具有以下优势：1. 提高准确性：融合不同的信息源、数据或特征，可以得到更准确的结果。
决策层信息融合的神经网络模型与算法研究
决策层信息融合的神经网络模型与算法研究
黎湘;郁文贤
【期刊名称】《电子学报》
【年(卷),期】1997(025)009
【摘要】本文对信息融合问题中决策层融合方法进行了分析与比较，提出了一种新的决策层信息融合算法，即改进型ＡＲＴ２神经网络融合算法，该融合算法在综合大脑对多源信息融合的特点和优势基础上，提出了将信息进行匹配和调和相融合的处理方式。
对实际的决策层信息融合目标识别问题，该算法具有弹性去除信息间相关性以及合理处理矛盾信息的能力。
同时，ＭＡＲＴ神经网络模型通过自适应地调整网络参数，对信度的增长有较好的控制能力。
【总页数】4页(P117-120)
【作者】黎湘;郁文贤
【作者单位】国防科学技术大学ATR国防重点实验室;国防科学技术大学ATR国防重点实验室
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于Choquet模糊积分的决策层信息融合目标识别 [J], 刘永祥;黎湘;庄钊文
2.目标识别决策层融合神经网络算法研究 [J], 黎湘;付耀文;庄钊文;郭桂蓉
3.一种基于ESM和红外传感器决策层信息融合的目标识别方法 [J], 梁旭荣;姚佩
阳;储萍
4.应用决策层信息融合的模拟电路故障诊断实现 [J], 彭敏放;何怡刚;王耀南
5.决策层时空信息融合的神经网络模型研究 [J], 朱玉鹏;付耀文;黎湘;肖顺平因版权原因，仅展示原文概要，查看原文内容请购买。
融合多源信息的元胞自动机交通流模型
融合多源信息的元胞自动机交通流模型随着城市化进程的不断发展和交通流量的快速增长，如何合理优化城市交通系统成为了亟待解决的问题。
为了解决交通流量管理中遇到的挑战，研究人员开始使用元胞自动机交通流模型作为一种有效的工具。
元胞自动机交通流模型结合了多源信息，并能够对城市道路网络中的交通流进行模拟和预测。
本文将重点介绍融合多源信息的元胞自动机交通流模型，并详细分析其优势和应用前景。
一、元胞自动机交通流模型简介元胞自动机交通流模型是一种基于交通流动的个体自动行为的模拟方法。
它将整个道路网络划分为多个元胞，每个元胞代表一个交通单元，如车辆或行人等。
通过定义元胞之间的规则和交互方式，模型可以刻画城市道路系统中的交通流动情况。
元胞自动机交通流模型使用自动机理论和网络拓扑结构相结合的方法，具有模拟真实交通行为的优势。
二、多源信息融合的意义和方法多源信息的融合对于提高交通流模型的准确度和预测能力至关重要。
常见的多源信息包括道路网络拓扑结构、车辆速度、交通信号灯状态、道路岔口等。
通过合理融合这些信息，可以更好地模拟城市交通流动的实际情况。
在元胞自动机交通流模型中，多源信息融合的方法主要包括以下几种：数据融合、模型融合和参数融合。
数据融合是将来自不同数据源的交通数据进行处理和整合，以获取全面准确的信息。
模型融合是将不同类型的交通模型进行整合，并基于多种模型的结果进行预测和优化。
参数融合是将不同参数的评估结果进行整合，以获取更加全面和准确的评估结果。
三、融合多源信息的元胞自动机交通流模型的优势融合多源信息的元胞自动机交通流模型相比传统模型具有以下优势：1. 准确性提高：多源信息的融合使得模型更加贴近真实交通情况，模拟结果更准确可靠。
2. 鲁棒性增强：多源信息的融合使得模型对于数据噪声和不确定性具有更好的适应和鲁棒性。
3. 预测能力增强：多源信息的融合使得模型在预测和优化交通流方面具有更高的准确性和可信度。
四、融合多源信息的元胞自动机交通流模型的应用前景融合多源信息的元胞自动机交通流模型在城市交通系统优化和管理中具有广阔的应用前景。
mae多模态融合模型
mae多模态融合模型Mae多模态融合模型的介绍引言：Mae多模态融合模型是一种基于深度学习的多模态信息融合模型，可以用于解决多模态数据处理和分析问题。
随着多模态数据的广泛应用，多模态融合模型在计算机视觉、自然语言处理等领域有着广泛的应用前景。
1. 研究背景随着互联网的快速发展，人们通过多种方式产生和获取信息，这些信息往往包含了不同的模态，如图像、文本、声音等。
传统的单模态数据处理方法往往无法充分利用多模态数据之间的关联性，而多模态融合模型的出现填补了这一空白。
2. Mae多模态融合模型的基本原理Mae多模态融合模型是一种端到端的神经网络模型，主要由多个子网络组成，包括图像子网络、文本子网络和语音子网络。
这些子网络分别用于处理不同模态的数据，并提取各自模态的特征表示。
然后，通过特征融合模块将不同模态的特征进行融合，得到整体的多模态特征表示。
最后，通过分类器对融合后的特征进行分类或回归任务。
3. Mae多模态融合模型的优势Mae多模态融合模型具有以下几个优势：3.1. 提高模型性能：多模态融合模型能够充分利用不同模态之间的关联性，提取更丰富的特征表示，从而提高模型的性能。
3.2. 增强模型鲁棒性：多模态融合模型能够通过融合不同模态的信息，减少单模态数据的局限性，提升模型的鲁棒性。
3.3. 提供更全面的信息：多模态融合模型能够从不同模态的数据中提取不同方面的信息，从而提供更全面的信息支持。
4. Mae多模态融合模型的应用案例Mae多模态融合模型在多个领域都有着广泛的应用，以下列举几个典型的应用案例：4.1. 视听模型：Mae多模态融合模型在视频和音频处理方面的应用非常广泛。
通过融合视频和音频的信息，可以实现视频分类、音频识别等任务。
4.2. 图文模型：Mae多模态融合模型在图像和文本处理方面也有很多应用。
通过融合图像和文本的信息，可以实现图像标注、文本生成等任务。
4.3. 语音识别模型：Mae多模态融合模型在语音识别方面也有一定的应用。
多源信息融合软件的设计与实现
多源信息融合软件旳设计与实现摘要：针对多源信息类型不一致影响信息运用效率旳问题，文章在分析老式多源数据融合模型旳基本上，研究了多源信息融合软件旳架构及有关技术，设计并开发旳软件具有较高旳实用价值。
核心词：多源信息；信息融合；软件开发多源信息融合是通过将多种信源在空间上和时间上旳互补与冗余信息根据某种优化准则组合起来，产生对特点对象旳一致性解释与描述。
数据融合技术是指运用计算机对获得旳信息，在一定准则下加以自动分析、综合，以完毕所需决策和评估任务而进行旳信息解决技术。
重要涉及对各类信息源给出有用信息旳采集、传播、综合、过滤、有关及合成，以便辅助人们进行态势/环境鉴定、规划、探测、验证。
数据格式统一是进行数据解决旳前提。
由于信息旳来源多，数据格式类别差别较大，对于数据解决带来不便。
多源信息融合软件可以实现多源异构数据信息整合，对于充足运用信息资源、提高数据解决系统性能具有实用价值。
1 多源数据融合模型根据对输入信息旳抽象或融合输出成果旳不同，可以将信息融合分为不同旳3级，涉及数据级融合、特性级融合及决策级融合。
作为数据级旳多源数据融合模型旳构造如图1所示。
多源数据通过数据清理、数据集成、数据变换，形成有效数据，通过数据解决形成数据挖掘分析等解决工作旳有效数据。
数据清理是指清除源数据集中旳噪声数据和无关数据，解决遗留数据和清洗脏数据，清除数据域旳知识背景上旳白噪声，考虑时间顺序和数据变化等。
重要涉及解决噪声数据，解决空值，纠正不一致数据等。
数据集成就是将多文献或多数据库运营环境中旳异构数据进行合并解决，将多种数据源中旳数据结合起来寄存在一种一致旳数据存储中。
数据变换就是将数据变换成统一旳适合解决旳形式。
数据变换重要涉及平滑、汇集、属性构造、数据泛化和规范化等内容。
2 多源信息融合软件设计2.1 软件架构多源信息融合软件旳技术规定是实现多源异构数据向指定关系数据库进行可靠转换。
就是按照指定关系数据库旳表构造规定，实现多源异构数据旳数据导入及格式转换问题。
多传感器信息融合技术论文2
多传感器信息融合技术论文(2) 多传感器信息融合技术论文多传感器信息融合，又称多源信息融合，是用于包含多个或多类传感器或信息源的系统的一种信息处理方法。
Walz将多源信息融合定义为：通过对多个传感器产生的数据或信息进行检测、组合估计、关联等多级操作，从而得到关于观测环境或目标的精确状态、身份估计以及完整、及时的态势评估的过程。
其基本原理是充分利用多源系统中各信息源所提供的信息的不同特征，按照某种优化准则，将这些互补冗余的信息进行重新组合、关联，从而产生对观测目标或环境的一致性解释和描述。
多传感器信息融合通过对各种分离的观测信息进行优化组合，从而导出更多的有效信息，以达到利用多个信源协同工作的优势来系统整体效能的最终目的。
2 功能模型和融合方法2.1 功能模型根据输入信息的抽象层次，多传感器信息融合可以分为信源、预处理、检测级融合、位置级融合、目标识别融合(特征级融合)、状态级融合(态势估计)、威胁估计和精细处理。
如下图所示。
1)信源主要有红外、雷达、ESM、声纳、敌我识别器、通信情报、电子情报、侦察情报等。
2)信源预处理，是指根据信息特征和属性、传感器种类、观测时间等各种基本信息，对多源信息进行分选、误差补偿、过程分配、像素级或信号级数据关联等。
主要目的是降低系统需要处理的数据量，避免系统过载，提高系统性能。
3)检测级融合是第一级融合，属于信号处理级的融合。
它根据预先设定的检测准则形成最优化检测门限，从而产生最终的检测输出。
其结构主要有五种：分散式结构、树状结构、串行结构、并行结构和带反馈的并行结构。
4)位置级融合是第二级融合，它通过综合来自多传感器的关于同一观测目标的时间和空间等信息，建立该观测目标的航迹，并得出观测目标的行进速度和位置等信息，主要包括空间融合、时间融合和时空融合。
具体过程主要有数据校准、数据关联、目标跟踪、状态估计、航迹关联、估计融合等。
其结构主要有集中式结构、分布式结构、混合式结构和多级式结构。
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。
航空发动机数字孪生信息融合新方法
随着科技的迅速发展，航空业也在不断迎来新的改变和发展，其中数字孪生技术的应用正在逐渐受到关注。
数字孪生是一种利用数字化技术构建实物系统的虚拟模型，并通过数据采集和分析来实现对实物系统的监测、预测和优化的技术。
在航空领域，数字孪生技术可以应用于航空发动机领域，通过对发动机的数字孪生模型进行建立和分析，来实现对发动机性能的实时监测、故障预测和优化维护。
1. 发动机数字孪生技术的意义航空发动机作为飞机的动力来源，其性能和稳定性对飞机的飞行安全和效率有着至关重要的影响。
随着数字孪生技术的应用，航空发动机数字孪生模型的建立和数据融合分析将能够帮助航空公司和发动机制造商更好地监测发动机的运行状态，预测发动机的故障和风险，并通过数据分析和模型优化来提高发动机的效率和性能。
发动机数字孪生技术对于提升航空发动机的安全性、可靠性和经济性具有重要的意义。
2. 发动机数字孪生技术的基本原理发动机数字孪生技术的基本原理是通过传感器和数据采集设备获取发动机的运行数据，将这些数据输入到数字孪生模型中进行分析和建模，通过对数字孪生模型的分析可以实现对发动机的实时监测、性能预测和故障诊断。
数字孪生模型可以通过与实际发动机的数据融合进行验证和优化，从而不断提升模型的精度和有效性。
3. 发动机数字孪生技术的关键技术发动机数字孪生技术的实现需要依托于多种关键技术的支持，其中包括数据采集与处理技术、数字孪生建模技术、数据融合与分析技术等。
其中，数据采集与处理技术主要包括传感器的选择和布置、数据采集系统的设计与实现等；数字孪生建模技术主要包括建模方法和建模工具的选择与应用、模型验证与优化等；数据融合与分析技术主要包括多源数据融合方法、大数据分析技术等。
这些关键技术的应用和发展将直接影响到发动机数字孪生技术的实际效果和应用效益。
4. 发动机数字孪生技术的应用前景随着数字孪生技术的不断发展与完善，发动机数字孪生技术将会在航空业得到更广泛的应用。
- 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)。
是 ， 图 ｌ中 ， 四级不 完全 在信 息融 合的领域 内 ， 在 第
而有一 部分是 在信 息融合 领域范 围外 。Ｊ Ｌ的四级 Ｄ
基金项 目：全 国优秀博士学位论 文作者专项基金 （ ０４ ３） 泰山学者 ”建设工程专项经 费资助 ２ ０ ４ ；“
作者简介 ： 何
友 （９６ ） ，教授 ，博导 ，博士 。 １５一 ，男
维普资讯
２２ ４
海 军 航 空 工 程 学 院 学 报
第 ２ 卷 ３
Байду номын сангаас
融 合模 型相对于其 他模型更 强调 了人在 信息融 合 中 的作用 ， 这是人们 在信息融合 发展 中认 识上 的升华 。 应用 中人们感到 信息融合 四级分类模 型 的一个 不足 也是前 三级分类较 粗 ， 没有包括分 布式检测 融合 。 也
２ ２ ８ 部 队 ，河北 秦皇岛 ０ ６ ０ ） ．９ ７ ５ ６２０ 摘 要 ：在分析了信息融合三级 、四级和五级模 型优缺 点的基础上 ，提 出了信息融合分类 的六级功能模型 。分
析和介绍 了每级 的含义及特点 ，并同时给 出了该六级功 能模 型的逻辑处理流程 。该模型综合 了四级和五级模型 的优点 ，对从 检测到威胁判断的整个过程给 出了清 晰的划分 ，突 出了精细化处理 ，避免 了三级模 型和 四级模型
的不足。
关键 词：信息融合 ；功能 ；模型
中图分类号 ：Ｔ １． Ｎ９ １１ 文献标志码 ：Ａ
信 息融合 作为 高层次 的共性关 键技 术 ，得到 了－
越来越 广泛 的重视 和越来越 深入 的研究 。在 多源信
同的应用 层面 ，例如 ，在进行 分布式 检测融 合时 ， 既 可在特 征级融 合 ，也 可在决 策级融 合 ，在 目标识 别层 融合 时 ，则 可在这 三级 的任一级进 行 。 第二 种分 级方 法是 美 国 Ｊ ＬＤＦ 提 出的三级 Ｄ／ Ｓ
维普资讯
第２ ３卷 第 ３期
２０ ０ ８年 ５月
海 军 航 空 工 程 学 院 学 报
Ｊ ｕ ｎ ｌ ｆ ｖ ｌ ｒ ｎ ｕ ｉａ ｎ ｌｏ ａ ｔ ａ ｉ ｅ ｓｔ ｏ ｒ ａ Ｎａ ａ ｏ ａ ｔ ｌ ｄ Ａｓ ｎ ｕ ｉ ｌ ｏ Ａｅ ｃ ａ ｘ ｃ Ｕｎ ｖ ｒ ｉ ｙ
２ 信 息 融 合 的 六 级功 能 分 类 模 型
按 照信息抽 象 的层 次 ，在综合 五级分类 模型 和
数 据库 ，以及进行 信息融 合时 系统各 组成部 分之 间
的相互作 用过 程 【。本 文在分 析 了现有 信息 融合 系 ４ 】 统功 能模 型的基础 上 ，提 出了新 的信 息融合 六级 功
能模 型 ， 给 出了对应该 六级 分类模 型 的逻辑 流程 。 并
目标 识 别 级 融 合 、态 势评 估 、威 胁 估 计 。它 是 在
指 导作用 ，得 到了广泛 的认可 和采用 。该模 型的一
方 面 ，在不 同的应用层 面 ，对 信息 融合系 统 的输
出信息 又有 不 同的要求 ；同时信息 融合 包含 的面又
非常广 泛 。 些特 征决定 了信息 融合研 究 的复杂性 。 这
为 了推 动多传 感器信 息融合 的深 入发展 ，更有 针对 性地研 究信 息融合算 法 ，许 多学 者和组 织对 多
融 合模 型【，如图 ｌ所示 ，它是 在原来 的三级模 型 们 基 础上 又增加 了“ 细处 理” 精 的第 四级 。需 要注意 的
合 以及决 策级 融合 。该 分级 模型 的特 点是依 据输 入 信 息抽 象层 次的不 同进 行分 类 的 ，因 此 ，可 用在不
收 稿 日期 ：２ ０ ．３０ ０ ８０ ．６
三 级【 ：即数 据 级 （ 称像 素级 ）融 合 、特 征级融 。 】 或
比 。主要 区别在 于增加 了检测 级融合 ，且将位置 级 融合 与 目标识别 级融合 分开 ，因而 ，该 信息融 合分 类模 型对 实际研 究具有 更好 的指导性 。
信息 融合功 能模 型的新进 展是 Ｊ 提 出 的四级 ＤＬ
Ｊ ＬＤＦ Ｄ ／ Ｓ分级模 型 的基础上 提 出的 ，与三级模 型相
１信息融合功能模 型的研 究现 状
根 据 对 输 人 信息 的抽 象 或 融 合 输 出结 果 的不 同 ，信息 融合功 能模 型主要有 以下 几类分 级方 法 ： 第一 种信 息融合 模型分 级方法 将信 息融 合分 为
、 ． ３ Ｎｏ ３ ｂ１ ２ ．
Ｍａ ．０ ８ ｙ２ ０
文章编 号 ：１ ７ — ５ ２ （ ０ ８ ３０ ４ — ４ ６ ３ １ ２ ２ ０ ）０ —２ ｌ０
一
种新 的信息融合功能模 型
何 友ｈ ，薛培信 ，王 国宏 ・ｂ
（．海军航空工程学院 ａ １ ．信息融合技术研究所 ； ．电子信息工程系 ，山东 烟 台 ２４０ ； ｂ ６０ １
源信 息融合 的功能 模型进 行 了研究 ［ 】功能 模型从 Ｊ。 ｛ 融合 过程 出发 ，描 述信息 融合包 括哪 些主要 功能 、
个 不足是 划分 过粗 ，例 如 ，目标识别 和位置估 计无
论 从研究 特点 和所采用 的方 法上都有 很大 的差别 ， 把 它们放 在一 级不是很 合适 ；另一个 不足是 没有包 括 常用 的分布式 检测融 合 。 第 三种 分级 方 法是 文献 ［ ，６提 出 的信 息融 合 ５ 】 的五级 分类模 型 ，即 ：检测 级融 合 、位 置级融合 、
息融合 系统 中 ，一方 面 ，各 种信息 源提 供 的信 息可
能具有 不 同的特征 ：实时 的或者非 实 时的 ，模 糊 的 或 者确定 的 ，相互 支持 的 、互补 的或 冲突 的等 ；另
一
分类 模 型【，即位 置估计 与 目标身 份识 别 、态 势评 ４ 】 估 和威胁 估计 。该模 型是根据 信息融 合输 出结 果所 进行 的分类 ，在 信息融 合研究 的早期起 到 了较 好的