海上监视系统的核心是VTS，旨在为船舶提供高效的中转和安全航行。为了完成这一任务，应该设计技术手段来增强态势感知，克服传统方法如直接视觉和语音通信的局限性。海上区域的监视源多种多样，必须集成这些监视源，以便为操作人员提供实时决策支持。来自合作源（船载AIS应答器）的数据必须与非合作传感器相关联，如海岸雷达、高频雷达或视频（光学／红外／卫星）。这样，VTS操作员可以获得更有代表性的环境图像，这将支持监视任务中的决策过程。
然后，融合系统必须处理不同的信息源，为环境中监测到的每个实体（如容器）提供单一的融合输出。输出通常由一组称为全局跟踪的非冗余跟踪组成。每个全局航迹表示环境中的一个实体，该实体通常由描述船只位置及其电影效果的信息组成：全局航迹ID（对于每个船只都是唯一的）、最后更新的时间戳、测地坐标、在地面上的速度和航向等。这种类型的系统通常被建模为分布式系统，其中第一层包含每个数据源（如传感器）的处理器，然后对这些单传感器跟踪进行比较，以确定它们是否可以在同一个实体中关联。这个过程可以分解为几个步骤，这些步骤在一个融合循环中周期性地执行，如图20.2所示。
图20.2 分布式数据融合体系结构
然而，海上侦察中多传感器融合的合适架构和算法研究仍有许多需求。在处理大型传感器网络和异构区域（如运动中充满不同对象的高密度区域）时，这个问题具有挑战性。为了保证系统在实际情况下的可靠性，如存在不一致的测量、传感器故障、动态行为、参数变化等，通常需要对系统进行一个重要的分析和调整阶段，对模型进行细化，提出鲁棒过程。因此，该工具将有助于正确设计和评估海上监视环境中的数据融合系统，该工具将允许使用多个可观测实体模拟多个信息源。
图20.3给出了一个概述，描述了考虑到融合体系结构，所提议的工具将如何与融合系统交互。该工具将帮助设计合成实体，如船舶、雷达、AIS站或摄像机，以实时模拟它们。然后，将仿真结果提供给外部融合过程，外部融合过程将处理所有输入源，类似于从真实传感器接收测量值的过程。融合周期完成后，融合系统将报告合并后的全局轨道实体，这些实体可以实时注入工具中，以评估生成的实体是否与模拟实体相关联。由此，得到了一个闭环系统，用户可以在闭环系统中模拟实体，实时观察融合系统抛出的结果。
图20.3 概述了仿真工具与数据融合系统
如图20.4所示，环境监测大数据融合系统主要包括三个模块，即多源数据存储模块、环境监测数据融合模块和功能显示模块，每个模块根据分工的不同划分为多个功能模块。
数据存储模块根据一定的规范和组织存储从各个监测站获取的源数据。数据的大小和源数据的获取是实时的、不可重复的，因此需要根据属性将数据存储在不同的数据库中并进行备份。
数据处理模块包括两个具体的功能处理模块。
1）数据预处理
数据预处理是根据决策需要对数据进行排序和合并，有助于提高融合系统的性能。有数据清理、数据集成、数据转换、数据协议等实现数据预处理的方法。数据预处理是数据融合前的必要步骤。
数据预处理的目的是从原始数据中选择适当的属性作为后期融合的属性，该过程首先需要给出属性名和属性值的明确含义，然后统一多个数据源的属性值编码，最后删除唯一属性、重复字段和可忽略字段。在此过程中，为了减少原始数据（无用字段、冗余字段等）中的噪声，采用了子框、聚类等常用方法。大多数时候，数据还是比较大的，但实际使用过程只需要有用的部分。为了在不影响数据完整性的情况下使用比原始数据更小的子集来融合数据，需要对数据进行管理。常用的数据约简方法有维数约简、数据压缩、数值压缩、离散化和概念分层等。
2）多源数据融合模型
据融合模型经过多年的发展，出现了许多功能分类模型，不同的分类标准形成了不同的功能分类模型。
基于数据融合输出结果的分类模型是美国JDL／DFS首次提出的，它是从最早的三级模型发展而来的。目前，6级融合模型比较完善，包括1级监测／决策融合、2级空间（位置）融合、3级目标识别（属性）融合、4级态势估计、5级威胁估计和6级精细处理。
在环境监测数据融合的框架下，在现有大气环境监测数据特征6级融合模型的基础上，对数据融合模型进行了改进。改进内容包括去除监测／鉴别融合，增加空间融合时间，创造性地增加集成数据集挖掘步骤，将四、五级提升到大气生态评估和污染预测。该模型用于实现大气环境监测数据融合的过程，改进后的模型如图20.5所示。
图20.4 环境监测大数据融合系统框架
图20.5 数据融合系统的6级功能分类模型(www.xing528.com)
空间、时间融合和属性融合是两个最重要的层次。新增加的融合数据集挖掘是对融合数据集进行处理的过程，在融合数据的基础上进行进一步的数据挖掘，对数据的广度和深度的分析具有很强的可塑性。重要的是要注意顺序不能更改。这三个层次是数据融合模块的主要任务。态势估计和威胁估计是整个态势的控制和预警，也是实际应用的核心部分，其结果主要体现在功能显示模块中。
根据输入信息的抽象层次，将数据融合分为数据层次融合、特征层次融合和决策层次融合三个层次。不同层次的数据融合方法不同，主要融合方法见表20.2。
表20.2 不同层次的数据融合方法
由于融合方法的理论和应用原理不同，这些不同的理论呈现出不同的特点。从理论成熟度、计算方法、通用性和应用难度四个方面对表20.2所列主要方法进行了比较分析：
（1）理论成熟度：数理统计方法、卡尔曼滤波、贝叶斯推理、聚类分析、人工神经网络和模糊逻辑理论已基本成熟；Dempster-Shafer理论在综合规则的合理性方面仍有异议；Dempster／Shafer理论在综合规则的合理性方面存在异议。投票仍处于完善阶段。
（2）计算量：Bayesian推理、Dempster／Shafer理论和人工神经网络的计算量较大，其中Bayesian推理可以保证系统的相关性和一致性，当系统添加或删除规则时，需要重新计算所有可能的结果。因此计算量大。而Dempster／Shafer理论的计算是指数增长的，神经网络的计算是随着输入维数和隐层神经元数的增加而增长的，在卡尔曼滤波、聚类分析、模糊逻辑理论等方面的计算是适度的。
（3）普遍性：在这七种方法中，投票是不常见的，因为投票法会放弃特定的知识领域来适应原有的框架，导致通用性差，其他六种方法的普遍性相对较强。
（4）应用难点：人工神经网络、模糊逻辑理论和表决更难应用。因为它们模拟人的思维过程，这需要强有力的理论基础；由于Dempster／Shafer理论在合成规则方面存在困难，因此很难应用；卡尔曼滤波、聚类分析和贝叶斯推理较难应用。
结果表明，卡尔曼滤波、聚类分析和贝叶斯推理是比较合适的算法。在实际应用中，多采用卡尔曼滤波、聚类分析和贝叶斯推理进行数据融合，证实了上述结论。除了这些常见的方法外，根据源数据的不同，在不同的领域中还有不同的应用方法。目前，人工智能算法发展迅速，这些新技术将在数据融合中发挥越来越重要的作用。
3）功能显示模块
数据融合也是为了帮助更好的决策，前三个模块完成后，对数据的分析有了明确的结果。接下来两个阶段的数据融合模型，对融合结果进行分析和预测，即对整体情况做出判断，并对后续行动做出反应和预测，以期在萌芽阶段解决严重问题。
这也是大数据融合系统最终结果的核心部分，是决策者的决策平台。数据融合、挖掘、分析是整个系统最重要的组成部分。通过这些步骤实现的功能包括以下六个方面：
（1）污染源判断。通过对环境监测实时数据的聚类分析，找出环境污染严重的区域。检查该区域是否为记录污染源，分析其原因，记录并报告相关决策部门。
（2）相关性分析。通过比较分析不同类型的数据，找出它们之间是否存在相关性。例如，大气污染数据与气象数据是否相互影响。它可以全面、客观地分析数据变化的原因，然后对症状进行处理。
（3）大气的动态变化和预测。控制和预测区域大气污染的动态变化，尽可能综合分析变化的影响因素，绘制大气变化云图。
（4）监测不准确数据。通过比较实时数据和预测数据。如果两者之间有很大的区别，或者实时数据显示跳跃，监控站传感器是否有问题，或者是否有特殊的监控场合。报告问题并分析原因。
（5）大气污染预警。根据全球情况判断大气污染趋势，并对可能的威胁提出警告。
（6）旅行和治理建议。根据大气污染预测数据的现状，提出了出行和治理建议，并根据实时数据进行了修正。
结果将呈现给决策者和用户，显示模型还需要考虑显示效果的可视性、多样性和美观性。因此，显示模块可以以多种视觉方式显示结果。除了现有的二维数据对比显示外，还有三维数据显示、实时数据融合结果和动态交互。这样可以实现功能性和良好的效果显示体验。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
