数据融合概念

AiQing共享数据农学渠道提供了数据融合的概念. 该doc文件可免费下载. 每天有成千上万的用户上传大量的最新信息，总数超过1亿！

源自战争需要的数据融合概念取决于军事应用. 但是，随着数据融合的发展，它已经成为一门独立的学科，不受特定应用的影响很大，而是使用概念的泛化和化来对概念进行全面分析，从而提出自己的问题. 数据融合是一个具有广泛应用的概念，很难给出统一的定义. 数据融合是针对在系统中使用多个传感器的特定问题的研究方向. 其定义可以归纳为: 使用计算机技术自动分析和综合在一定条件下按时间序列获得的多个传感器的观测信息. 信息处理过程可完成所需的决策和估计任务. 根据此定义，多传感器系统是数据融合的硬件基础. 多源信息是数据融合的处理对象. 协调，优化和综合处理是数据融合的核心. 数据融合首先用于军事领域. 美国国防部JDL（实验室联合主任）从军事应用的角度将数据融合定义为一个过程，即将来自许多传感器和信息源的数据进行合并，关联和合并. （组合）和评估处理，以实现准确的位置估计（PositionEstimation）和身份估计（IdentityEstimation），并及时，完整地评估战场条件和威胁及其重要性.

吉林大学博论文: 多传感器数据融合研究一些专家对上述定义进行了补充和修改. 状态估计取代位置估计并添加检测功能，从而给出以下定义: 数据融合是一个多层次，多层面的处理过程，该过程是检测，组合，关联，估计和组合多源数据以实现准确的状态估计和身份估计，以及完整及时的情况评估和威胁估计. 这个定义有三个要点: 数据融合是一个多源，多层次的处理过程. 每个级别代表一个不同的信息抽象级别. 数据融合过程包括数据检测，关联，估计和合并. 数据融合的输出包括低级状态. 身份评估和整体战术态势的高级评估. 从非军事应用的角度来看，数据融合是由多个传感器和信息源提供的有关某个环境特征的不完整信息的合成，以形成相对完整和一致的感知描述，以实现更准确的识别和判断功能. 综合考虑上述定义融合是对来自多个传感器或多个源的数据进行综合处理，以得出更准确和可信的结论. 多传感器数据融合主要包括多传感器目标检测，数据关联，跟踪与识别，态势评估与预测. 数据融合的基本目的是通过融合获得比单个输入数据更多的信息. 这是协同作用的结果，也就是说，由于多个传感器的共同作用，提高了系统的效率. 多传感器数据融合技术实际上是多源信息的综合技术. 通过对来自不同传感器的数据进行分析和综合，可以获得对被检测物体及其属性的最佳一致性估计.

多传感器数据融合是指通过在集成处理之后合成各种传感器信息来表达的环境以及正在发生的事件. 由于人类的感觉具有不同的测量特性，因此在不同空间范围内测量各种物理现象的过程是复杂且自适应的. 将各种信息或数据（图像，声音，气味，物理形状或环境）转换成对环境的有价值的解释，需要大量不同的智能过程和知识库，这些过程和知识库适合于解释组合信息的含义. 模仿人脑全面处理复杂问题的数据融合系统中各种传感器的信息可能具有不同的特征: 实时或非实时快速变化或缓慢变化的模糊或某些相互支持或互补性互相矛盾或竞争. 多传感器数据融合的基本原理就像人对信息的综合处理一样，充分利用了多种传感器资源. 通过合理地控制和使用这些传感器及其观测信息，可以使用各种传感器在空间或时间上的冗余或补充信息. 根据一些优化标准进行组合以获得对被测对象的一致解释或描述. 数据融合的基本目标是通过数据组合而不是输入信息中出现的任何单个元素来获取更多信息. 这是最佳协同作用的结果，即利用多个传感器共同或联合操作的优势来改善整个传感系统. 效果.

用于融合的信息可以是未处理的原始数据或已处理的数据. 处理的数据可以是描述过程，命题证据或支持假设的决定的参数或状态估计. 在信号处理技术中，通常对诸如时间序列数据之类的相同类型的数据进行平滑，过滤和预测，或者使用一种转换方法来估计不同描述域中信号的参数或状态. 多传感器数据融合技术可以在不同级别上合成不同类型的数据和信息. 它不仅处理数据信息融合的概念，还处理证据和属性. 因此，多传感器数据融合并不是简单的信号处理. 信号处理可以归因于信号预处理阶段，该阶段是下一部分中数据融合功能模型中的处理层. 与所有单传感器信号处理或低级多传感器数据处理方法相比，单传感器信号处理或低级多传感器数据处理是人脑信息处理的低阶模仿. 与多传感器数据融合系统一样，多传感器资源得到有效利用. 多传感器系统可以更大程度地获得检测到的目标和环境的信息量. 多传感器数据融合与经典信号处理方法之间也存在本质区别. 关键在于，通过数据融合处理的多传感器信息具有更复杂的方式，并且可以出现在不同级别的信息中. 这些信息抽象级别包括数据层（即像素层），特征层和决策层. 数据融合结构分类数据融合结构分类有很多不同的方法. 第一种分类方法基于在输入到融合处理器进行融合之前处理每个传感器数据的程度. 在此分类标准下，数据融合结构分为传感器级融合，中央级融合和混合融合.

第二种分类方法根据数据抽象的三个级别分为像素级融合，特征级融合和决策级融合. 如下所示，详细介绍了第二种分类方法的三个级别: （a）像素级融合（b）特征级融合（c）. 像素级融合像素级融合，也称为像素级融合或数据级融合，是直接在收集的原始数据层上执行的融合. 在对数据进行预处理之前，对各种传感器的原始测量值进行了集成和分析. 这是融合的最低级别. 例如，在成像传感器中，通过对包含多个像素的模糊图像执行图像处理和图案识别来确认目标属性的处理属于像素级融合. 这种融合的主要优势在于，它可以保留尽可能多的现场数据，以提供其他融合级别无法提供的细微信息. 这种融合是在最低级别的信息下进行的. 传感器原始信息的不确定性，不完整性和不稳定性要求在融合过程中具有较高的纠错处理能力. 要求每个传感器信息都具有精确到一个像素的校准精度. 因此，要求每个传感器信息都来自同质传感器. 像素级融合通常用于: 多源图像合成，图像分析和理解，均匀（均匀）雷达波形的直接合成，多传感器遥感信息融合等. 特征级别融合特征级别融合属于中间级别. 它首先从传感器的原始数据中提取特征信息. 通常，提取的特征信息应该是像素信息的充分表示或充分统计. 例如，特征信息可以是目标的边缘和方向. ，速度，面积和距离等，然后根据特征信息对多传感器数据进行分类，汇总和合成.

特征级融合的优势在于它可以实现相当大的信息压缩，并且有利于实时处理. 因为提取的特征与决策分析直接相关，所以融合结果可使决策分析所需的特征信息最大化. 特征级融合可以分为两类: 目标状态数据融合和目标特征融合. 目标状态数据融合主要用于多传感器目标跟踪领域. 融合系统首先对传感器数据进行预处理，以完成数据注册. 数据注册后信息融合的概念，融合过程主要实现参数关联和状态向量估计. 特征级目标特征融合是特征层联合识别的特定融合方法. 它仍然是模式识别的相应技术. 但是，在融合之前，必须将特征与特征向量相关联，并将特征向量划分为有意义的组合. . 决策级融合决策级融合是每个传感器的信号处理设备完成决策或分类任务之前的高级融合. 信息融合仅基于某些标准和决策的信誉才能做出最佳决策. 数据融合问题模型被设计为具有良好的实时性和容错性，以便在一个或多个传感器发生故障时可以正常工作. 决策层融合的结果为指挥控制决策提供依据. 因此，决策级融合必须基于特定决策问题的需要，并充分利用特征级融合提取的测量对象的各种特征信息，采用适当的融合技术来实现. 决策级别融合是直接针对特定决策目标并直接影响决策级别的融合的结果. 决策级融合的主要优点是: 高灵活性. 该系统要求较低的带宽用于信息传输. 它可以有效地反映环境或目标各方面的不同类型的信息. 当一个或多个传感器发生错误时，适当的融合系统也可以获得正确的结果，因此它具有容错流量，小的抗干扰能力以及对传感器的强烈依赖. 小型传感器可以是同质的或异质的. 融合中心的处理成本较低，但是决策级融合必须首先分析原始传感器信息. 进行预处理以获得各自的判断结果，因此预处理成本很高.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-255213-1.html