信息融合系统的结构模型解析

针对信息融合系统的五级功能模型——检测级融合、位置级融合、目标识别级融合、态势评估、威胁估计,本节将对前三级的结构模型进行介绍。

3.3.2.1　检测级融合结构模型

检测级融合结构模型一般分为5种：分散式结构；并行结构；串行结构；树状结构；带反馈的并行结构。

1.分散式结构

分散式结构如图3.3所示,在该结构中,每个局部结果Ui(i＝1,2,…,N)也是最终结果,信息融合体现在运用某种最优准则来确定每个子系统的工作点。

图3.3　分散式结构

2.并行结构

并行结构如图3.4所示,原始数据(Y1,Y2,…,YN)分别传输给N个局部节点(S1,S2,…,SN)的传感器,传感器经过局部检测,得到局部结果(U1,U2,…,UN),然后经过信息融合,得到全局结果U0。

图3.4　并行结构

3.串行结构

串行结构如图3.5所示,类似于并行结构,原始数据(Y1,Y2,…,YN)分别传输给N个局部节点(S1,S2,…,SN)的传感器；节点S1的传感器首先得到局部结果U1,并将该结果送到节点S2的传感器,节点S2将收到的原始数据Y2与U1进行融合,形成局部结果U2；不断重复前面的“向右传递—融合”过程,直到节点SN经过融合而形成判决UN,即得到全局结果U0。

图3.5　串行结构

4.树状结构

以包含5个节点的树状结构为例,如图3.6所示。信息传递经过所有树枝到达树根,树根将这些内容进行信息融合,从而得到全局结果U0。

图3.6　树状结构

5.带反馈的并行结构

带反馈的并行结构如图3.7所示,将并行结构中得到的全局结果U0分别反馈到各个局部传感器,作为下一时刻局部传感器决策的输入,这种反馈系统可以明显改善局部传感器结果质量。

图3.7　带反馈的并行结构

除了上述5种结构以外,还可以形成多级式融合结构,即每个局部节点接收一个或多个未经处理的原始数据,局部节点的传感器做出局部决策,然后综合利用各局部决策结果,得到全局决策。

3.3.2.2　位置级融合结构模型

位置级融合结构一般可以分成集中式、分布式、混合式和多级式。

1.集中式结构

在集中式结构中,各信息源将获得的原始数据传递给融合中心,融合中心进行一系列变换,得到全局估计值,如图3.8所示。

图3.8　集中式结构(www.xing528.com)

2.分布式结构

在分布式结构中,各信息源首先通过自己的数据处理器产生局部估计值,然后传递给融合中心,融合中心进行航迹关联和航迹融合,形成全局估计结果,如图3.9所示。

图3.9　分布式结构

3.混合式结构

混合式结构融合了集中式结构和分布式结构的优点,它可以同时传递原始数据和经过局部处理的信息,如图3.10所示。这种结构的计算量和通信量相对较大,通常用于同一平台接收不同类型信息源的情况,如雷达。

4.多级式结构

在多级式结构中,局部节点可以同时接收和处理原始数据(或经过处理过的局部信息),可以是不同结构的融合中心。系统的融合节点对局部节点传递的信息进行关联和融合。容易看出,该结构存在两级以上的信息融合,如图3.11所示。

图3.10　混合式结构

图3.11　多级式结构

3.3.2.3　目标识别级融合结构模型

目标识别级融合结构一般分为决策层属性融合、特征层属性融合、数据层属性融合。

1.决策层属性融合

决策层属性融合通常应用在战术飞行器平台上,用于识别威胁的报警系统、工业故障监测系统、视觉信息处理系统等。不同类型的传感器对同一个目标同时进行观测,然后对这些观测结果进行特征抽取、识别或判决,从而得到对观察目标的综合估计结果。

2.特征层属性融合

特征层属性融合可以分成目标特性融合和目标状态信息融合两种结构。在导航领域,目标状态信息融合应用得十分广泛。

目标状态信息融合结构如图3.12所示,其中,数据配准过程是指利用坐标变换、单位换算等方法,将各传感器输出的数据统一成同样的数据表达形式。目标状态信息融合结构广泛应用于目标跟踪领域,利用多个传感器对同一对象的多个状态进行观测(如角度、位置、速度等),并将观测结果通过系统的数学模型相互关联,然后利用估计算法对关联后的数据进行融合,以得到估计问题的解。应用较为广泛的估计算法有卡尔曼滤波和扩展卡尔曼滤波。

图3.12　特征层属性融合结构——目标状态信息融合结构

综合来看,特征层属性融合技术在理论上和应用上都逐渐趋于成熟,其发展在这三层次中最完善,具有良好的应用和发展前景。

3.数据层属性融合

数据层属性融合结构如图3.13所示,利用原始数据进行数据关联,将相同(或同类)信息源的数据直接进行融合,然后进行特征提取,并对融合数据进行属性判决。数据层融合通常应用于多源图像复合、图像分析与理解、同类型雷达波形的直接合成等方面。美国陆地资源卫星曾利用多幅光谱图像进行简单的数据合成运算,从而抑制了噪声的干扰并对区域进行了增强,效果良好；F-16战斗机上的“LANTIAN”吊舱利用了红外、激光、可见光等图像传感器,显著提高了低空导航和目标寻的性能。

图3.13　数据层属性融合结构

相较于其他融合层结构,数据层属性融合结构能保留更多原始数据,能提供更多细节信息,因此它需要处理的传感器数据量也很大,处理代价很高,处理时间较长。但是,它对数据传输带宽、数据之间的配准精度要求很高,抗干扰能力差,并且由于原始数据信息具有不确定性、不完全性和不稳定性的特点,所以数据层属性融合结构对于纠错处理能力的要求也很高。

对于导航与制导多传感器信息融合技术,常用的融合方法均在特征层和数据层级别,将这两种融合结构进行对比分析,如表3.2所示。

表3.2　两种融合结构对比