物联网应用层84

2013年12月2日Monday第四篇物联网应用层第9章物联网数据融合及管理第10章云计算第11章物联网的中间件第12章物联网应用案例——智能电网第13章物联网应用案例——智能城市UnRegistered数据融合与管理是支撑物联网广泛应用的关键技术之一，在物联网技术体系中具有重要地位和作用。但鉴于物联网感知节点能源有限、数据的时间敏感特性、网络的动态特性等特点，物联网数据融合技术将面临更多挑战。教学要求(1)了解物联网数据管理的特点(2)理解传感网数据管理系统结构物联网数据管理(1)了解物联网数据融合的作用(2)理解传感网数据融合的基本原理(3)了解基于信息抽象层次的物联网数据融合模型物联网的数据融合(1)理解数据融合的体系结构(2)了解数据融合技术的主要方法数据融合的基本原理(1)了解数据融合的发展(2)理解数据融合的定义(3)了解数据融合的特点数据融合的基本概念能力要求知识要点第9章物联网数据融合及管理UnRegistered2013年12月2日Monday9.1数据融合概述数据融合一词最早出现在20世纪70年代，并于20世纪80年代发展成一项专门技术。它是人类模仿自身信息处理能力的结果，类似人类和其它动物对复杂问题的综合处理。数据融合技术最早用于军事，1973年美国研究机构就在国防部的资助下，开展了声纳信号解释系统的研究。目前，工业控制、机器人、空中交通管制、海洋监视和管理等领域也向着多传感器数据融合方向发展。物联网概念的提出，数据融合技术将成为其数据处理等相关技术开发所要关心的重要问题之一。物联网数据融合概念是针对多传感器系统而提出的。在多传感器系统中，由于信息表现形式的多样性、数据量的巨大性、数据关系的复杂性以及要求数据处理的实时性、准确性和可靠性都已大大超出了人脑的信息综合处理能力，在这种情况下，多传感器数据融合技术应运而生。多传感器数据融合(Multi-SensorDataFusion，MSDF)，简称数据融合，也被称为多传感器信息融合(Multi-SensorInformationFusion，MSIF)。它由美国国防部在20世纪70年代最先提出，之后英、法、日、俄等国也做了大量的研究。9.1.1数据融合的发展UnRegistered9.1数据融合概述9.1.1数据融合的发展近40年来数据融合技术得到了巨大的发展，同时伴随着电子技术、信号检测与处理技术、计算机技术、网络通信技术以及控制技术的飞速发展，数据融合已被应用在多个领域，在现代科学技术中的地位也日渐突出。通过信息融合技术可以扩展战场感知的时间和空间的覆盖范围，变单源探测为网络探测，对多源战场感知信息进行目标检测、关联/相关、组合，以获得精确的目标状态和完整的目标属性/身份估计，以及高层次的战场态势估计与威胁估计，从而实现未来战争中陆、海、空、天、电磁频谱全维战场感知。不少数据融合技术的研究成果和实用系统已在1991年的海湾战争中得到实战验证，取得了理想的效果。•具有代表性的工作：美国的C3I系统（command,control,communicationandintelligence）目前已经发展至C4I系统（command,control,communication,computerandintelligence）和C4ISR(surveillanceandrecon)UnRegistered•军事需求：随着新型武器（精确制导、远程打击等）的出现→战场范围扩大（五维空间）→必须应用多传感器系统：微波、毫米波、电视、红外、激光、电子支援措施（ESM），以及电子情报技术→提供观测数据→优化综合→实现：实时发现目标获取目标状态估计识别目标属性提供火力控制、精确制导、电子对分析行为意图抗、作战模式和辅助决策等作战信息态势评估威胁分析9.1.1数据融合的发展TMD：战区导弹防御系统（theatermissiledefensesystem）C4ISRUnRegistered2013年12月2日Monday9.1数据融合概述9.1.2数据融合的定义u融合被多领域频繁应用、滥用，由于所研究内容的广泛性和多样性造成了统一定义较为困难!美国国防部三军实验室理事联席会(JDL)的对信息融合技术的定义为：信息融合是一个对从单个和多个信息源获取的数据和信息进行关联、相关和综合，以获得精确的位置和身份估计，以及对态势和威胁及其重要程度进行全面及时评估的信息处理过程。该过程是对其估计、评估和额外信息源需求评价的一个持续精练(refinement)过程，同时也是信息处理过程不断自我修正的一个过程，以获得结果的改善。后来，JDL将该定义修正为：信息融合是指对单个和多个传感器的信息和数据进行多层次、多方面的处理，包括：自动检测、关联、相关、估计和组合。数据融合定义简洁的表述为：数据融合是利用计算机技术对时序获得的若干感知数据，在一定准则下加以分析、综合，以完成所需决策和评估任务而进行的数据处理过程。UnRegistered2013年12月2日Monday数据融合这一技术有3层含义:①数据的全空间，即数据包括确定的和模糊的、全空间的和子空间的、同步的和异步的、数字的和非数字的，它是复杂的多维多源的，覆盖全频段；②数据的融合不同于组合，组合指的是外部特性，融合指的是内部特性，它是系统动态过程中的一种数据综合加工处理；③数据的互补过程，数据表达方式的互补、结构上的互补、功能上的互补、不同层次的互补，是数据融合的核心，只有互补数据的融合才可以使系统发生质的飞跃。数据融合的实质是针对多维数据进行关联或综合分析，进而选取适当的融合模式和处理算法，用以提高数据的质量，为知识提取奠定基础。因此，数据融合需要解决数据对准；数据相关；数据识别，即估计目标的类别和类型；感知数据的不确定性；不完整、不一致和虚假数据；数据库；性能评估等技术问题。9.1数据融合概述9.1.2数据融合的定义UnRegistered9.2数据融合的基本原理9.2.1数据融合的体系结构数据融合是一种多层次、多方位的处理过程，需要对多种来源数据进行检测、相关和综合以进行更精确的态势评估。数据融合一般可以分为数据级融合、特征级融合和决策级融合等3个层次。数据融合的一般模型第一级是单源或多源处理，主要是数字处理、跟踪相关和关联；第二级是评估目标估计的集合，及它们彼此和背景的关系来评估整个情况；第三级是用一个系统的先验目标集合来检验评估的情况。UnRegistered2013年12月2日Mondayu一级处理相当于最低层次的数据级融合。它对来自于同等量级的传感器原始数据直接进行融合，有了融合的传感器数据之后就可以完成像单传感器一样的识别处理过程。u二级处理相当于中间层次的特征级融合。它利用从传感平台的原始信息中提取的特征信息进行综合分析和处理。二级处理可实现战场信息的大幅压缩，有利于实时处理，融合结果能最大限度地给出作战决策分析所需的特征信息。u三级处理相当于最高层次的决策级融合，通过关联处理进行决策层融合判决，最终获得联合推断结果。u四级处理是利用获得的联合推断结果进行反馈控制，或调整信息收集方法。只有在具有反馈环节的系统中才会用到四级处理。9.2数据融合的基本原理9.2.1数据融合的体系结构UnRegistered最好中等最差系统开放性最差中等最好分类性质最大中等最小预处理最易中等最难融合方法最小中等最大对传感器依赖性最好中等最差抗干扰性最好中等最差容错性最大中等最小信息损失最小中等最大信息量决策层特征层数据层比较的项目9.2数据融合的基本原理9.2.1数据融合的体系结构融合层次性能比较UnRegistered2013年12月2日Monday9.2数据融合的基本原理9.2.2数据融合技术的理论方法数据融合的关键问题是模型设计和融合算法，数据融合模型主要包括功能模型、结构模型和数学模型。u功能模型从融合过程出发，描述数据融合包括哪些主要功能和数据库，以及进行数据融合时系统各组成部分之间的相互作用过程；u结构模型从数据融合的组成出发，说明数据融合系统的软、硬件组成，相关数据流、系统与外部环境的人机界面；u数学模型是数据融合的算法和综合逻辑，算法主要包括分布检测、空间融合、属性融合、态势评估和威胁估计算法等(1)信息融合的功能模型目前已有很多学者从不同角度提出了信息融合系统的一般功能模型，最有权威性的是DFS(美国三军政府组织-实验室理事联席会(JDL)下属的C3I技术委员会(TPC3)数据融合专家组)提出的功能模型。该模型把数据融合分为3级:第一级是单源或多源处理，主要是数字处理、跟踪相关和关联；第二级是评估目标估计的集合，及根据它们彼此和背景的关系来评估整个情况；第三级用一个系统的先验目标集合来检验评估的情况。UnRegistered9.2数据融合的基本原理9.2.2数据融合技术的理论方法图9-2C3I技术委员会(TPC3)数据融合专家组提出的功能模型UnRegistered例、美国数据融合工作组面向军事领域应用提出（Hall&Waltz）9.2数据融合的基本原理9.2.2数据融合技术的理论方法UnRegistered•信息源：包括传感器及相关数据（数据库和先验知识）•源数据预处理：进行数据的预筛选和数据分配，以减轻融合中心的计算负担，并为融合中心提供最重要的数据9.2数据融合的基本原理9.2.2数据融合技术的理论方法UnRegistered•目标评估：融合目标的位置、速度、身份等参数，以达到对这些参数的精确表达，主要包括数据配准、跟踪和数据关联、辨识（以航迹辨识为例）9.2数据融合的基本原理9.2.2数据融合技术的理论方法UnRegistered•态势评估：检测当前的环境推断出检测目标与事件之间的关系，以判断出检测目标的意图（ex：ATMS+D-S，意图逻辑）9.2数据融合的基本原理9.2.2数据融合技术的理论方法UnRegistered•威胁估计：结合当前的态势判断敌方的威胁和敌我双方的攻击能力等。（应该同时考虑当前的政治环境和对敌策略等因素，较为困难）•人机接口、数据库•总过程评估监视系统的性能，辨别改善性能所需要的数据，进行传感器资源的合理配置9.2数据融合的基本原理9.2.2数据融合技术的理论方法UnRegistered9.2数据融合的基本原理9.2.2数据融合技术的理论方法(2)信息融合的结构模型数据融合的结构模型有多种不同的分类方法，其中一种分类标准是根据传感器数据在送入融合处理中心之前已经处理的程度来进行分类。在这种分类标准下，融合结构被分为传感器级数据融合，中央级数据融合及混合式融合，还可以根据数据处理过程的分辨率来对融合结构进行分类。在这种情况下，融合结构为像素级、特征级和决策级融合。(3)多传感器信息融合实现的数学模型信息融合的方法涉及多方面的理论和技术，如信号处理、估计理论、不确定性理论、模式识别、最优化技术、模糊数学和神经网络等方面。目前，这些方法大致分为两类：随机类方法和人工智能方法。一是随机类方法，包括加权平均法、卡尔曼滤波法、贝叶斯估计法、D-S证据推理等。二是人工智能类方法，包括模糊逻辑、神经网络等。不同的方法适用于不同的应用背景。神经网络和人工智能等新概念、新技术在数据融合中将发挥越来越重要的作用。UnRegistered9.2数据融合的基本原理9.2.2数据融合技术的理论方法UnRegistered9.3物联网中的数据融合技术9.3.1物联网数据融合的作用物联网的数据特点：1．数据的多态性与异构性。无线传感网节点、RFID标签、M2M等设备的大量存在，使得物联网的数据呈现出极大的多态性和异构性特征。物联网中的数据有文本数据，也有图像、音频、视频等多媒体数据，它们的数据结构不可能遵循统一模式。数据包括静态数据，也有动态数据。同时，物联网系统的功能越复杂，传感器节点、RFID标签种类越多，其异构性问题也将越突出，异构性加剧了数据处理和软件开发的难度。2．数据的海量性。物联网往往是由若干个无线识别的物体彼此连接和结合形成的动态网络。海量信息的实时涌现，给数据的实时处理和后期管理带来了新的挑战。