信息融合
信息融合(Information Fusion)
目录 |
信息融合是一种多层次的、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计，以及完整、及时的态势评估和威胁估计。
根据国外研究成果，信息融合比较确切的定义可概括为：利用计算机技术对按时序获得的多源的观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。
按照这一定义，多传感器系统是信息融合的硬件基础，多源信息是信息融合的加工.对象，协调优化和综合处理是信息融合的核心。[1]
信息融合的基本原理[1]
信息融合的基本原理就像人脑综合处理信息一样，充分利用多源信息，通过对这些多源的观测信息的合理支配和使用，把多源信息在空间或时间上的冗余或互补依据某种准则来进行组合，以获得被测对象的一致性解释或描述。
按照信息抽象的3个层次，可将信息融合分为3级，即象素级融合、特征级融合和决策级融合。
1.信息融合的加工对象。多源信息(数据源或信息源)为融合系统提供原始的和，或预处理的数据，因此，多源信息是信息融合的对象。多源信息可分为3类：传感器、源数据和通信链。
传感器是探测或测量物理现象的设备按不同的方式可分为物理接触传感器和非物理接触传感器；有源/主动传感器和无源，被动传感器。
源数据是经过人工处理过的预知数据，它常被看作是情报信息，主要包括人工情报、通信情报和我军计划等。源数据中的元素通常在态势和威胁级进行融合，因此，它们不直接与传感器数据组合，并常常将它们的输入与传感器数据分开。
通信链是从传感器或源到数据融合处理节点的通信连接，用以传输来自远方的数据。
2.信息融合的功能模型。为了给信息融合过程提供一个概貌，通过图1所示的融合系统的功能模型来说明融合系统的功能组成以及这些功能之问的联系。
在图l的模型中，信息融合系统的功能主要有检测(探测)、校准(对准)、相关(互联、关联)、状态估计、目标识别、行为估计。其中校准和相关是为识别和估计做准备的，实际融合在识别和估计中进行。该模型的融合功能分两步完成。对应于不同的信息抽象层次，第一步是低层处理，对应于象素级融合和特征级融合，输出的是状态、特征和属性等；第二步是高层处理(行为估计)，对应的是决策级融合，输出的是抽象结果，如威胁、企图和目的等。
3.信息融合的关键问题。信息融合的关键问题是：数据转换、数据相关、态势数据库、融合推理和融合损失等。
(1)数据转换数据转换的关键在于，不仅要转换不同层次之间的信息，而且罚样需要转换对环境或目标的描述或说明的不同之处和相似之处(目标和环境的先验知识也难以提取)。即使是同一层次的信息，也存在不同的描述和说明。
(2)数据相关数据相关的核心问题是如何克服传感器测量的不精确性和干扰等引起的相关二义性，即保持数据的一致性；如何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。
(3)态势数据库态势数据库所要解决的难题是容量要大，搜索要快，开放互联性好，并具有良好的用户接口。
(4)融合推理融合推理是信息融合系统的核心，融合推理所需要勰决的关键阅题是如何针对复杂的环境和目标时变动态特性，在难以获得先验知识的前提下，建立具有良好稳键佳和自适应能力的目标机动与环境模型，以及如何有效地控制和降低递推估计的计算复杂性。
(5)融合损失融合损失的关键问题是如何减少、克服、弥补信息融合过程中的信息损失。
信息融合方法[1]
虽然信息融合问题至今来形成基本的理论框架和有效的广义融合算法，但是，不少应用领域的研究人员还是根据各自的具体应用背景，提出了许多比较成熟且有效的融合方法。
l。信息融合方法简介
信息融合作为一种信信综合和处理技术，实际上是许多传统学科和新技术的集成和应用。为了进行信息融合，所采用的信息表示积处理方法均来自这些领域。从信息融合的功能模型可看到，融合的基本功能是相关、估计和识别，重点是估计和识别。
(1)相关。相关处理的常用算法有：最近邻法则、最大似然法、最优差别、统计关联、联合统计关联等；
(2)估计。用于估计的算法有：最小二乘法、最大似然估计法、卡尔曼滤波器等；
(3)识别。用于识别的算法大概可分为3类：物理模型类识别算法，参数分类识别算法和认识模型类识的方法。图2所示为用于识别的融合算法的概念性分类。
2.用于信息融合的D—S方法
D—S方法是出Dempster和Sharer在70年代提出的证据理论，该理论建立了命题和集合之间的一一对应，以把命题的不确定性转化为集合的不确定性问题，而证据理论处理的正是集合的不确定性。D—S证据推毽在信息融合中的基本应用过程如下：它首先计算各个证据的基本概率赋值函数m1、信任度函数Bel1和似然函数Pls1；然后用D—S组合规则计算所有证据联合作用下的基本概率赋值函数、信任函数和似然函数；最后根据一定的决策规则，选择联合作咫下支持度最大的假设。
3.基于信息论的融合算法
有时，信意融会并不舞癸篇统计方法壹接模拟观测数据的随机形式，而是依赖于观测参数与目标身份之间的映射关系来对目标进行标识，这类方法称为基于信息论的融合方法。如聚类分析法是一缀启发式算法，在模式数目不是精确知道的标识性应用中，这类算法很有用处。聚类分析算法按某种聚类准则将数据分组(聚类)，并由分析员把每个数据组解释为相应的目标类。聚类分析主要有以下几个步骤：(1)从观测数据中选择一揍样本数据；(2)定义特征变量集合以表征样本中实体； (3)计算数据的相似性，并按照一个相似性准则划分数据集；(4)检验划分成的类对子实际应用是否有意义；(5)反复将产生的子集加以划分，并对划分结果使用第4步，直到再没有进一步的细分结果，或者直到满足某种停止规则为止。
4.基子认识模型的融合算法
基予认识模型的信惠融会方法试图模仿人类辨别实体的识别过程模型，如模糊集合方法，由zadeh提出的模糊集合理论的中心思惹是隶属函数μ，隶属函数主观上是由知识启发、经验或推测过程确定，对它的评定没有形式化过程，这是明显确定。尽管如此，精确的隶属函数分布形状对根据模糊演算得出的推理结论影响不大，因此，也可以解决证据不确定性或决策中的不准确性等问题。
模糊集合理论对于信息融合的实际价值在于它外延到模糊逻辑。通过模糊命题的表示，用综合规则建立起演绎推理，并在推理中使用模糊概率，从而方便地建立起模糊逻辑。
模糊逻辑是一种多值逻辑。隶属程度可视为一个数据真值的不精确表示。因此，信息融合过程中存在的不确定性可以直接用模糊逻辑表示，然后使用多值逻辑推理，根据各种模糊演算对各种命题(即各传感器提供的数据)进行合并，从而实现信息融合。当然，要得到一致的结果，必须首先系统地建立命题以及算子到[0，1]区间的映射，并适当地选择合并运算所使用的算子。
5.用于信息融合的人工智能方法(AI技术)
按照信息融合的3个层次，在决策级融合要处理大量的反映数值数据问关系、含义的抽象数据(如符号)，因此要使用推断或推理技术，而AI技术的符号处理功能正好可用于获得这些推断或推理能力。
人工智能(AI)主要是研究怎样让计算机模仿人脑从事推理、规划、设计、思考、学习、记忆等活动，解决迄今只能由人类专家才能解答的复杂问题，代行人类专家的部分职能。
AI技术在信息融合中的应用表现在以下几个方面：使用多个互相协作的ES，以便真正利用多个领域的知识进行信息综合；使用先进的立体数据库管理技术为决策级推理提供支撑；使用学习系统，以便自动适应各种态势的变化。
在信息融合问题中，由予融合对象有一种是源数据(消息)。对这种经过人工预处理过的非格式信息的融合，推理比数值运算更重要，因此，应该采用基于知识的专家系统技术进行融合。
专家系统(Es)是人工智能一个实用性分支。专家系统的出现标志着人工智能向工程技术应用迈出了一大步，揭开了人工智能发展历史一个崭新阶段。尽管如此，大量专家系统的开发研究也暴露出它的一些局限性，主要有：知识获取、知识存储量受存储器容量限制、推理速度缓慢等问题。
神经网络系统采用特定的计算机组织结构，以分布式存储和并行、协同处理为特色，具备联想学习记忆能力和自适应学习更新能力，正好可以有效解决现行专家系统的局限性。因此，将专家系统与人工神经网络相结合(称为神经网络专家系统)并在信息融合系统中应用，引起了广泛的重视。
神经网络专家系统既可以克服现行计算机信息处理技术的缺点，又可以克服现行专家系统技术的缺点。或者说，既具有现行专家系统技术之优点，又弥补其不足，使人工智能技术再次大大前进一步：知识表示和存储是分布式的、实现自动知识获取、具有高度冗余性和容错能力、具有很强的不确定性信息处理能力、具有很强的不确定性信息处理能力具有很强的自适应学习能力等。
总的说来，神经网络专家系统开发研究活动尚处在实验室试验阶段，尚未见到实用系统配装。