第19章多传感器信息融合技术

第19章多传感器数据融合技术C19.1传感器信息融合分类和结构119.2传感器信息融合的一般方法19.3信息融合系统的应用32概述多传感器问题的引入非关联测试项目测量不同目标或对同一目标的不同参数进行独立测量。多传感器测试系统关联的测试项目利用多个传感器对同一目标的相同或不同项目进行测量，综合测量结果用于分析目标特性。当检测对象为多目标或快速机动目标时，单一传感器测量困难。复杂的电磁环境使检测的目标信号淹没在大量噪声及不相关信号与杂波中。当单一传感器失效或传感器的可靠性有待提高时采用多传感器系统。环境复杂目标复杂可靠性为什么要采用多个传感器测量同一目标参数？概述概述传感器数据融合的定义：对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。从多信息的视角进行处理及综合，得到各种信息的内在联系和规律，从而剔除无用的和错误的信息，保留正确的和有用的成分，最终实现信息的优化。它为智能信息处理技术的研究提供了新的观念。经过融合后的传感器信息具有以下特征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。19.1传感器信息融合分类和结构19.1.1传感器信息融合分类可分为以下四类：组合、综合、融合和相关。组合:由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。在硬件这一级上应用。综合:信息优化处理中的一种获得明确信息的有效方法。例如使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。19.1传感器信息融合分类和结构融合:当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。相关:通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。19.1传感器信息融合分类和结构19.1.2信息融合的结构传感器1传感器2传感器1输入传感器1输出传感器2输入传感器2输出…传感器N传感器N输入最终结果a)串行融合方式图19-1多传感器信息融合的结构形式信息融合的结构分为串联、并联，如图19-1所示。串行融合时，当前传感器要接收前一级传感器的输出结果，每个传感器既有接收处理信息的功能，又有信息融合的功能，各个传感器的处理同前一级传感器输出的信息形式有很大关系。最后一个传感器综合了所有前级传感器数出的信息，得到的输出为串联融合系统的结论。19.1传感器信息融合分类和结构并行融合时，各个传感器直接将各自的输出信息传输到传感器融合中心，传感器之间没有影响，融合中心对各信息按适当的方法综合处理后，输出最终结果。还可将串行融合和并行融合方式结合组成混合融合方式，或总体串行局部并行，或总体并行局部串行。传感器1传感器1输入传感器2传感器2输入传感器3传感器3输入…信息融合中心最终结果b)并行融合方式图19-1多传感器信息融合的结构形式19.1传感器信息融合分类和结构19.1.3信息融合的关键技术包括数据转换、数据相关、数据库和融合推理的减少融合损失。1）数据转换：多传感器输出的数据形式、环境描述等都不一样，信息融合中心处理这些不同信息的关键即是把这些数据转换成相同形式，然后进行相关处理。2）数据相关：数据相关的核心问题是克服传感器测量的不精确性，保持数据的一致性。因此，应控制和降低相关计算的复杂性，开发相关处理、融合处理和系统模拟的算法和模型。19.1传感器信息融合分类和结构3）态势数据库：态势数据库可分为实时数据库和非实时数据库。实时数据库的作用是把当前各传感器的观测结果及时提供给信息融合中心，同时也存储融合处理的最终态势/决策分析结果和中间结果。非实时数据库存储各传感器的历史数据、相关目标和环境的辅助信息以及融合计算的历史信息。态势数据库要求容量大、搜索快、开放互连性好，具有良好的用户接口。4）融合计算：涉及到以下问题，对多传感器的相关观测结果进行验证、分析、补充、取舍、修改和状态跟踪估计；对新发现的不相关观测结果进行分析和综合；生成综合态势，并实时地根据对传感器观测结果通过数据融合计算，对综合态势进行修改；态势决策分析。19.2.1数据融合处理的一般过程多传感器系统A/D数据预处理特征提取融合计算结果输出19.2传感器信息融合的一般方法1目标状态估计集中式数据融合结构分布式数据融合结构综合式数据融合结构2目标身份估计数据级数据融合结构特征级数据融合结构决策级数据融合结构19.2传感器信息融合的一般方法目标状态估计集中式数据融合结构传感器A传感器C传感器B预处理预处理预处理数据调整与互连相关综合滤波跟踪分类目标状态目标分类19.2传感器信息融合的一般方法目标状态估计分布式数据融合结构传感器A传感器C传感器B预处理预处理预处理数据调整与互连相关跟踪、分类跟踪、分类跟踪、分类19.2传感器信息融合的一般方法目标身份估计数据级数据融合结构传感器A传感器C传感器B互联数据级融合特征提取身份报告19.2传感器信息融合的一般方法目标身份估计特征级数据融合结构传感器A传感器C传感器B特征提取特征提取特征提取互联特征级融合身份报告19.2传感器信息融合的一般方法目标身份估计决策级数据融合结构传感器A传感器C传感器B特征提取特征提取特征提取身份报告身份报告身份报告IDAIDBIDC互联决策级融合身份报告19.2传感器信息融合的一般方法人工智能假设检验法Bayes估计法聚类分析模式识别数据融合算法按技术原理分类滤波跟踪19.2.2信息融合方法19.2传感器信息融合的一般方法传感器信息的不确定性传感器输出不可能包含被测量全部、完整的信息噪声破坏可靠度精度目标因素19.2传感器信息融合的一般方法19.2传感器信息融合的一般方法最常用的信息融合方法有三类：嵌入约束法、证据组合法和人工神经网络法。1嵌入约束法由多种传感器所获得的被测对象的多组数据按照某种映射关系形成的像，信息融合就是通过像求解原像，即对客观环境加以了解。19.2传感器信息融合的一般方法用数学语言描述就是，所有传感器的全部信息，也只能描述环境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数据对应惟一的环境(即上述映射为一一映射)，就必须对映射的原像和映射本身加约束条件，使问题能有惟一的解。嵌入约束法最基本的方法有Bayes估计和卡尔曼滤波。Bayes统计理论niiAP11•在考虑可靠度情况下传感器测量需要解决的一个关键问题：真值和测量值。•考察一个随机试验，在该试验中n个互不相容的事件A1，A2，…，An必然会发生一个，且只能发生一个，用P（Ai）表示Ai发生的概率，则有：设利用一传感器对A事件的发生进行检测，检测结果为B，则Ai为真值，B为测量值。19.2传感器信息融合的一般方法先验知识：P(A1)、P(A2)、…、P(An)表示事件A1，A2，…，An发生的概率，这是试验前的知识称为“先验知识”。Bayes统计理论认为，人们在检验前后对某事件的发生情况的估计是不同，而且一次检验结果不同对人们的最终估计的影响是不同的。19.2传感器信息融合的一般方法后验知识：由于一次检验结果B的出现，改变了人们对事件A1，A2，…，An发生情况的认识，这是试验后的知识称为“后验知识”。检验后事件A1，A2，…，An发生的概率表现为条件概率：显然有：BAPBAPBAPn、、、...210BAPi11niiBAP19.2传感器信息融合的一般方法BPABPBAP•Bayes估计是检验过程中对先验知识向后验知识的不断修正。•条件概率公式：BPBAPABP或全概率概率公式：niiiAPABPBP1其中Ai为对样本空间的一个划分，即Ai为互斥事件且11niiAP19.2传感器信息融合的一般方法niiiiiiiAPABPAPABPBPBAPBAP1•Bayes公式：对一组互斥事件Ai，i=1，2，…，n，在一次测量结果为B时，Ai发生的概率为：利用Bayes统计理论进行测量数据融合：充分利用了测量对象的先验信息。是根据一次测量结果对先验概率到后验概率的修正。19.2传感器信息融合的一般方法基于Bayes估计的身份识别方法•假设由n个传感器对一未知目标参数进行测量，每一传感器根据测量结果利用一定算法给出一个关于目标的身份说明。设A1，A2，…，An为n个互斥的穷举目标，Bi为第j个传感器给出的目标身份说明，且Ai满足：niiAP11则：niiiiiiiAPABPAPABPBPBAPBAP119.2传感器信息融合的一般方法基于Bayes统计的目标识别融合模型传感器A传感器C传感器B目标观测分类说明IDAIDBIDCBayes统计推断计算目标融合概率决策判定身份报告目标观测分类说明目标观测分类说明iABP1iABP2imABP19.2传感器信息融合的一般方法•基于Bayes统计的目标识别融合的一般步骤：①获得每个传感器单元输出的目标身份说明B1，B2，…，Bn；②计算每个传感器单元对不同目标的身份说明的不确定性即；i=1,2,…,nijABP19.2传感器信息融合的一般方法③计算目标身份的融合概率：如果B1，B2，…，Bn相互独立，则：miimmiBBBPAPABBBPBBBAP,,,,,,,,,212121imiiimABPABPABPABBBP2121,,,④目标识别决策（判据），寻找极大似然估计mjmjmkBBBAPBBBAP,,,max,,,21,,2,12119.2传感器信息融合的一般方法•举例计算某医院采用以下两种设备检验某种疾病，设备1对该疾病的漏诊率为0.1，误诊率为0.25；设备2对该疾病的漏诊率为0.2，误诊率为0.1。已知人群中该疾病的发病率为0.05。分析分别利用两台设备和同时使用两台设备时检验结果的概率。19.2传感器信息融合的一般方法方法思路传感器A传感器C传感器B融合结果融合算法关系矩阵置信距离矩阵最佳融合数数据选择19.2传感器信息融合的一般方法基本理论和方法—置信距离和置信距离矩阵利用多个传感器测量某参数的过程中有两个随机变量，一是被测参数μ，二是每个传感器的输出Xi，i=1，2，…，m。一般认为它们服从正态分布，用xi表示第i个测量值的一次测量输出，它是随机变量Xi的一次取样。设：2200,~,~kkNXN19.2传感器信息融合的一般方法为对传感器输出数据进行选择，必须对其可靠性进行估计，为此定义各数据间的置信距离。用Xi、Xj表示第i个和第j个传感器的输出，则其一次读数xi和xj之间的置信距离定义为：ijjixxjjjixxiiijdxxxpddxxxpd2219.2传感器信息融合的一般方法若Xi、Xj服从正态分布，则上式中：2221exp2121exp21jjjjjiiiiixxxxpxxxxp故可知：当时，当时，jixx0jiijddijjixxxx或1jiijdd19.2传感器信息融合的一般方法mjidij，，，,21,置信距离矩阵：对m个传感器的一次测量数据，利用上述方法可以分别计算任意两个传感器数据之间的置信距离得到一个mXm矩阵。mmmmmmmdddddddddD21222211121119.2传感器信息融合的一般方法根据具体问题选择合适的临界值由对数据的可靠性进行判定。m