数据融合的常见方法

通常数据融合的大致过程如下：首先将被测对象的输出结果转换为电信号，经过A／D转换形成数字量；数字量信号经过预处理，滤除数据采集过程中的干扰和噪声；对经过处理后的有用信号进行特征抽取，实现数据融合，或者直接对信号进行融合处理；最后输出融合的结果。

目前数据融合的方法主要有如下几种［4］。

1）综合平均法

该方法是把来自多个传感器的众多数据进行综合平均。它适用于同类传感器检测同一个目标。这是最简单、最直观的数据融合方法。该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值。

如果对一个检测目标进行了k次检测，则综合的结果为：

其中，Wi为分配给第i次检测的权重，Si为第i次检测的结果数据。

2）卡尔曼滤波法

卡尔曼滤波法用于融合低层的实时动态多传感器冗余数据。该方法利用测量模型的统计特性，递推地确定融合数据的估计，且该估计在统计意义下是最优的。如果系统可以用一个线性模型描述，且系统与传感器的误差均符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义上的最优估计。

卡尔曼滤波器的递推特性使得它特别适合在那些不具备大量数据存储能力的系统中使用。它的应用领域涉及目标识别、机器人导航、多目标跟踪、惯性导航和遥感等。例如，应用卡尔曼滤波器对n个传感器的测量数据进行融合后，既可以获得系统的当前状态估计，又可以预报系统的未来状态。所估计的系统状态可以表示移动机器人的当前位置、目标的位置和速度、从传感器数据抽取的特征值或实际测量值本身。

3）贝叶斯估计法

贝叶斯估计法是融合静态环境中多传感器低层信息的常用方法。它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示。当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。在大多数情况下，传感器是从不同的坐标系对同一环境物体进行描述，这时传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。

多贝叶斯估计把每个传感器作为一个贝叶斯估计，将各单独物体的关联概率分布组合成一个联合后验概率分布函数，通过使联合分布函数的似然函数最小，可以得到多传感器信息的最终融合值。

4）D－S证据推理法

D－S（Dempster－Shafer）证据推理法是目前数据融合方法中比较常用的一种方法，是由Dempster首先提出，由Shafer发展的一种不精确推理理论。这种方法是贝叶斯估计法的扩展，因为贝叶斯估计法必须给出先验概率，证据推理法则能够处理这种由不知道引起的不确定性，通常用来对目标的位置、存在与否进行推断。(www.xing528.com)

在多传感器数据融合系统中，每个信息源提供了一组证据和命题，并且建立了一个相应的质量分布函数。因此每一个信息源就相当于一个证据体。D－S证据推理法的实质是在同一个鉴别框架下，将不同的证据体通过Dempster合并规则并成一个新的证据体，并计算证据体的似真度，最后采用某一决策选择规则，获得融合的结果。

5）统计决策理论法

与多贝叶斯估计不同，统计决策理论中的不确定性为可加噪声，从而不确定性的适应范围更广。不同传感器观测到的数据必须经过一个鲁棒综合测试，以检验它的一致性，经过一致性检验的数据用鲁棒极值决策规则进行融合处理。

6）模糊逻辑法

针对数据融合中所检测的目标特性具有某种模糊性的现象，利用模糊逻辑法对检测目标进行识别和分类。建立标准检测目标和待识别检测目标的模糊子集是此方法的基础。模糊子集的建立需要有各种各样的标准检测目标，同时必须建立合适的隶属函数。

模糊逻辑法实质上是一种多值逻辑法，在多传感器数据融合中，对每个命题及推理算子赋予0到1间的实数值，以表示其在融合过程中的可信程度，该值又被称为确定性因子，然后使用多值逻辑推理法，利用各种算子对各种命题（即各传感源提供的）进行合并运算，从而实现信息的融合。

7）产生式规则法

这是人工智能中常用的控制方法。一般要通过对具体使用的传感器的特性及环境特性进行分析，才能归纳出产生式规则法中的规则。通常系统改换或增减传感器时，其规则要重新产生。这种方法的特点是系统扩展性较差，但推理过程简单明了，易于系统解释，所以也有广泛的应用范围。

8）神经网络法

神经网络法是模拟人类大脑行为而产生的一种信息处理技术。它采用大量以一定方式相互连接和相互作用的简单处理单元（即神经元）来处理信息。神经网络有较强的容错性及自组织、自学习和自适应能力，能够实现复杂的映射。神经网络的优越性和强大的非线性处理能力，能够很好地满足多传感器数据融合技术的要求。

神经网络法的特点如下：具有统一的内部知识表示形式，通过学习方法可将网络获得的传感器信息进行融合，获得相关网络的参数（如连接权矩阵、结点偏移向量等），并且可将知识规则转换成数字形式，便于建立知识库，利用外部环境的信息，便于实现知识自动获取及进行联想推理；能够将不确定环境的复杂关系，经过学习推理，融合为系统能理解的准确信号；神经网络具有大规模并行处理信息的能力，使得系统信息处理速度很快。

神经网络法实现数据融合的过程如下：用选定的N个传感器检测系统状态；采集N个传感器的测量信号并进行预处理；对预处理后的N个传感器信号进行特征选择；对特征信号进行归一化处理，为神经网络的输入提供标准形式；将归一化的特征信息与已知的系统状态信息作为训练样本，送神经网络进行训练，直到满足要求为止。将训练好的网络作为已知网络，只要将归一化的多传感器特征信息作为输入送入该网络，则网络输出就是被测系统的状态结果。

以上介绍的数据融合主要方法目前都在无线传感器网络的应用中得到体现，例如用于机动目标的可靠探测、识别、位置跟踪等。