信息融合方法研究进展

信息融合方法研究进展

作者：陈慈 张敬磊 盖姣云 王云 来源：《科技视界》2019年第17期

【摘 要】从信息融合的起源，功能模型，数学模型，在民事上的应用以及发展趋势对多源信息融合进行介绍，指出该领域的研究趋势，为信息融合的研究发展提供一些借鉴和启示。 【关键词】信息融合;功能模型;数学模型;综述

中图分类号： TP202 文献标识码： A 文章编号： 2095-2457（2019）17-0032-002 DOI：10.19694/j.cnki.issn2095-2457.2019.17.014 Research Progress on Information Fusion Methods CHEN Ci ZHANG Jing-lei GAI Jiao-yun WANG Yun

（School of Transportation and Vehicle Engineering， Zibo Shangdong 255000，China）

【Abstract】From the origin of information fusion， functional model， mathematical model， civil application and development trend to introduce multi-source information fusion， provide support for the research and development of information fusion.

【Key words】Information fusion; Functional model; Mathematical model; Review 1 信息融合概述

美國在 1973 年的时候首次将数据融合技术应用到军事领域。八十年代，美国利用数据融合技术在海湾战争中占得先机之后，建立了以数据融合为技术核心的C3I军事系统。1986年Joint Directors of Laboratories（JDL）建立了面向功能的基本模型及基本术语词典，1998年再做进一步完善。迄今为止，研究者提出了多种数据融合模型，被引用最多的是美国国防部的JDL模型。JDL四级功能模型见图1。 图1 JDL四级功能模型 2 信息融合数学模型 2.1 人工智能方法方法

龙源期刊网 http://www.qikan.com.cn

由于用于目标识别融合的多源信息往往含有不确定性、不完整性、模糊性、多变性和虚假性，须引入人工智能技术。 2.1.1 模糊理论

模糊理论通过对客观事物的认知过程中对事物的共同特点进行抽象提取的方式来进行概括总结[1]，以模糊规则来实现某些函数指标的提取。模糊理论的难点在于如何构造合理有效的隶属函数和指标函数[2]。 2.1.2 Bayes 理论

Bayes 统计理论可以利用先验知识提供的新信息形成关于事件可能性出现概率的后验知识，适用于先验知识比较丰富的融合问题[3-5]。 2.1.3 D-S 证据理论

对于不确定信息，D-S 证据理论不需要先验信息和条件概率，被广泛应用于多传感器目标识别融合中[6]。 2.1.4 粗糙集理论

粗糙集理论为带噪声、不精确或不完全数据的分类问题提供了一套严密的数学工具[7-8]。采用基于粗糙集理论的融合方法，可剔除相容信息，求出最小不变核，找出对决策有用的决策信息，得到最快的融合算法。 2.1.5 聚类分析法

聚类分析方法可以应用于信息融合技术的数据级的处理部分，通过对传感器采集的数据进行分类和特征提取能够有效减小融合中心的计算负担，提高信息融合算法的性能[9-10]。 2.2 组合融合方法

2.2.1 基于D-S推理的灰关联分析融合方法

关联分析是按发展趋势作分析，对样本量和分布规律没有太高要求，分析结果一般与定性分析相吻合，宜采用灰色关联分析[11]。在实际环境中，多数情况下传感器设备获得的信息是冗余的。关欣等在灰关联识别的过程中，引入DS证据理论，通过对信号的积累和对信任度的重新分配，对识别结果进行了有效的融合，提高了辐射源的正确识别率[12]。 2.2.2 模糊推理系统和神经网络相结合的融合方法[13]

龙源期刊网 http://www.qikan.com.cn

将模糊推理系统和神经网络相结合的方法，主要有两种，一种是两者结合构成模糊聚类系统;另一种将神经网络纳入到模糊推理系统，其中，神经网络用于参数调整。两者优势互补，提高信息融合的准确性。

2.2.3 证据理论和神经网络相结合的目标识别方法

证据理论只适用于证据独立的情况，而实际应用中往往需要处理不独立证据或冲突证据。针对多传感器信息融合中基本概率赋值难以获取的问题，给出了一种利用神经网络技术获取基本概率赋值的方法，克服了现有的依赖专家经验获取基本概率赋值主观性强的缺点[14]。 3 信息融合在民事上的应用 3.1 智能驾驶系统

消费者越来越注重驾驶的安全性与舒适性，要求传感器可以识别障碍和危险，提醒驾驶员或改变驾驶状态，以避免事故发生。M.Duarte等研究了在分布式无线传感器网络中对移动车辆的类型进行分类的任务[15]。基于广泛的现实世界实验，编制数据集，该数据集包括820MByte原始时间序列数据，70MByte预处理，提取的光谱特征向量和使用最大似然分类器的基线分类结果。研究者们引入了多传感器信息，提出不同的融合算法，研制了智能驾驶系统，如碰撞报警系统（CW）、偏向报警系统（LDW）、智能迅游系统（ICC）[16]。 3.2 船舶定位

在船舶航行的过程中，通常依靠雷达、灯塔、全球定位系统和气象水文等传感器提供的信息，来实现船舶的安全航行。徐树生根据冗余动力定位系统的实际需求，设计同步、异步位置参考系统融合结构及同步姿态测量系统的融合结构，由此构成船舶动力定位系统多传感器信息融合的体系，利用哈尔滨工程大学研制的船舶半实物仿真系统，对所建动力定位船运动模型、传感器测量模型、同步位置参考系统及同步姿态测量系统的融合结构与相应的算法进行仿真验证[17]。

3.3 工业过程监视

信息融合在工业过程监视方面是为例识别引起系统状态超出正常运行范围的故障条件，并据此触发若干报警器。缪燕子针对瓦斯突出这一不确定性和非线性灾害问题，建立了多传感器信息融合瓦斯突出预测系统模型，并分别对融合系统的数据层、特征层和决策层进行了分析和研究，构建了一个基于多规则决策的瓦斯突出智能预警系统，从而有效地提高对瓦斯突出預测的准确度[18]。 3.4 服务机器人

龙源期刊网 http://www.qikan.com.cn

随着计算机、传感器技术、人工智能和机器人技术的发展与进步，机器人得到了广泛地应用。于清晓对服务机器人在餐厅环境下的移动定位技术进行了深入研究，提高了机器人的定位精度，确保餐厅服务机器人能够为顾客提供自主取菜、送菜等餐饮服务[19]。Care-O-Bot ;Ⅲ是Fraunhofer IPA研制的最新一代服务机器人配有激光测距传感器和视觉系统，在控制方法、传感器、运动学、人机界面等方面做了很多改进[20-21]。 3.5 残疾人照顾

外界环境随时随地在变化，根据各种数据源，对残疾人进行帮助，节省了人力物力。Navchair轮椅其考虑了残疾人群的特点，采用超声波和红外等传感器，设计了巡墙、躲避行人和根据目标调整速度等安全技术[22-23]。 4 不足与展望

数据融合技术是一门新兴的跨学科综合理论和方法，经过几十年的发展，取得了突破性的进展。在多源信息的异构性、不确定性、模糊性、虚假性的条件下，采用何种信息融合框架，是需要进一步研究和解决的问题。在实际的系统中，仅靠单的融合方法难以取得非常理想的效果，故多种融合方法的分工和互补是很自然的选择。同时，智能数据库技术应引起重视。目前，我国多源信息融合理论处于大发展时期，但与发达国家相比，应用深度和广度有较大差距。将信息融合理论广泛应用于军事的民事领域，对我国发展经济、科技和国防实力具有重要意义。

【参考文献】

[1]Solaiman B.， Pierce L.E.， Ulaby F.T. Multisensor Data Fusion Using Fuzzy Concepts： Application to Land Cover Classification Using Ers 1/jers 1 SARComposites[J]. IEEE Transaction on Geosciences and Remote Sensing（SpecialIssue on Data Fusion），1999，37（3）：1316-1326. [2]Nauck D.， Kruse R. Obtaining Interpretable Fuzzy Classification Rules From ;Medical Data[J]. Artificial Intelligent in Medicine， 1999， 16（2）： 149-169.

[3]éloi Bossé， Pierre Valin， Anne-Claire Boury-Brisset， Dominic Grenier. Exploitation of a priori knowledge for information fusion[J]. Information Fusion，2004，7（2）.

[4]ZHOU Zhong-bao，JIANG Ping，WU Xiao-yue.App licati on of evi-dence theory in information fusion of multiple sources in Bayesian analysis[J].Journal of Harb in Institute，2004.11（4）：461～463.

[5]王刚，赵海，魏守智等.基于非参数估计的决策融合模型及其应用研究[J].系统仿真学报，2004，16（7）：1593～1596.

龙源期刊网 http://www.qikan.com.cn

[6]胡金海，余治国，翟旭升，彭靖波，任立通.基于改进D-S证据理论的航空发动机转子故障决策融合诊断研究[J].航空学报，2014，35（02）：436-443.

[7]黎明，张化光.基于粗糙集的神经网络建模方法研究[J].自动化学报，2002，28（1）：27-33.

[8]M.Boekowski， J.F.Peters. Approximating sensor signals： A rough ser approach[C]. Electrical and Computer Engineering， Canadian，2002：980-985.

[9]Hou Wenjun，Li Xiangji，Jin Yue，Wu Jin.A study of intelligent decision making ; system ;based ;on neural ;networks and expert system[C].International Conference Cyber worlds， Hangzhou，2008：811-814.

[10]宗華，宗成阁，于长军，权太范.多传感器信息融合NFE模型的研究及应用[J].电子与信息学报，2010，32（3）：522-527.

[11]邓聚龙.灰色控制系统[J].华中工程院学报，1982，10（3）：9-17.

[12]关欣，何友，衣晓.基于D-S推理的灰关联雷达辐射源识别方法研究[J].武汉大学学报（信息科学版），2005，30（3）：274-277.

[13]X.Wang，J.M.Mendel.Fuzzy basic function，universal approximation and orthogonal least-squares learning[J]. IEEEtrans，1992.3（5）：807～814.

[14]唐士杰.证据理论和神经网络相结合的目标识别方法研究[D].西北工业大学硕士毕业论文，2007.

[15]M.Duarte，Y.H.Hu.Vehicle Classication in Distributed Sensor Networks[J].Joural of Parallel andDistributed Computing， 2004，64（7）：826-838.

[16]R.Bishop.A Survey of intelligent vehicle application worldwide[J].Proceedings of the IEEE intelligent vehicles symposium，dearborm：USA，2000，25-30.

[17]徐树生.船舶动力定位系统多传感器信息融合方法研究[D].哈尔滨工程大学，2013. [18]缪燕子.多传感器信息融合理论及在矿井瓦斯突出预警系统中的应用研究[D].中国矿业大学，2009.

[19]于清晓.轮式餐厅服务机器人移动定位技术研究[D].上海交通大学，2013.

龙源期刊网 http://www.qikan.com.cn

[20]C.P.Connette，A.Pott，et ;al.Control ;of ;An ;Pseudo-omnidirectional，Non-holonomic，Mobile Robot based on an ICM Representation in Spherical Coordinates[J].Proceedings of the IEEE Conference on Decision and Control Cancun.2008：4976-4983.

[21]C. Parlitz， W. Baum， et al. Intuitive Human-Machine-Interaction and Implementation on a Household ;Robot ;Companion[J].Human ;Interface ;and ;the ;Management ;of ;Information. Methods， Techniques and Tools in Information Design. 2007， 4557： 922-929.

[22]S. ;P. ;Levine， ;D. ;A. ;Bell， ;et ;al. ;The ;Nav

Chair ;assistive ;wheelchair ;navigation ;system[J]. IEEE Transaction on Rehabilitation Engineering. 1999， 7： 443-451.

[23]S. ;P. ;Levine， ;D. ;A. ;Bell， ;et ;al. ;The ;Nav

Chair ;assistive ;wheelchair ;navigation ;system[J]. IEEE Transaction on Rehabilitation Engineering. 1999， 7： 443-451.