信息融合的基本原理解析

人类在认识外界事物和做出决策时,经常采用多信息融合的手段,将触觉、味觉、听觉、嗅觉、视觉等感官感知到的信息在大脑进行组合,并根据知识、经验和习惯的思路进行信息处理,以形成认知结论和解决方案。在人脑信息融合过程中,感官就是系统的多个传感器,经验相当于统计学中的先验知识,思路则对应于模型、算法。将多个传感器采集到的信息进行综合、分析、判断,就是信息融合。

信息融合的基本目的是通过多传感器组网来获得比单一传感器更多、更准确的信息,而且当部分传感器失效时,仍能获得足够的目标信息。采用多传感器组网进行观测是一种必然的发展趋势。

多源信息融合的基本原理就像人脑综合处理信息的过程一样,它充分利用多个信息资源,通过对各种信息资源在空间、时间上的互补和冗余信息依据某种优化准则进行组合,产生对观测环境的一致性解释和描述。信息融合的目标是基于各信源分离观测信息,通过对信息的优化组合来导出更多有效信息。这是最佳协同作用的结果,它的最终目的是利用多个信源协同工作的优势来提高整个系统的有效性。

单传感器(或单源)信号处理或低层次的多源数据处理都是对人脑处理信息的一种低水平模仿,多源信息融合则通过有效利用多源信息获取资源来最大限度地获取被探测环境和目标的信息。

信息融合实际上是许多传统学科和新技术相结合的一个边缘新兴学科,以下简单介绍这些技术手段。

(1)信号处理与估计理论。信号处理与估计理论包括：卡尔曼滤波等线性滤波技术；扩展卡尔曼滤波(EKF)和高斯滤波(GSF)等非线性滤波技术；UKF滤波；基于随机采样技术的粒子滤波,马尔可夫链等非线性估计技术；期望极大化EM 算法；设计优化指标；实现最优估计(最小化风险法和最小化能量法等)。

(2)统计推断方法。统计推断方法包括经典推理、贝叶斯推理、证据推理、随机集理论、支持向量机等。

(3)信息论的方法。这是指运用优化信息度量的手段融合多源数据,从而获得问题的有效解决,典型算法有熵的方法、最小描述长度方法(MDL)等。

(4)人工智能方法。人工智能(Artificial Intelligence,AI)方法包括模糊逻辑、神经网络、遗传算法、不确定性推理、专家系统、逻辑模板法、品质因数法(FOM)等。(www.xing528.com)

(5)其他。例如：决策论的方法,用于高级别的决策融合；几何方法,充分探讨环境与传感器模型的几何属性,以达到融合目的；数据结构与数据库管理；等等。

多传感器信息融合方法的分类方法多种多样,其中最主要的一种分类方法便是依据结构进行分类,主要有集中式融合结构、层次化分布式融合结构、完全分布式融合结构。信息融合结构如图3.1所示。

图3.1　信息融合结构

(a)集中式融合结构；(b)层次化分布式融合结构；(c)完全分布式融合结构

集中式融合结构只利用一个滤波器同时处理来自所有传感器的信息。这种融合方法具有结构简单的特点,但存在状态维数过高、计算量大、容错性差的缺点,且子系统的故障可能导致整个系统不可用。

层次化分布式融合结构将滤波器进行分级。以两级为例,二级滤波器处理来自传感器输出的信息,而一级滤波器处理来自二级滤波器的信息。

完全分布式融合结构中没有主滤波器,而是各滤波器的数据在融合中心进行信息融合。