suizhejiqirenjishudebuduanfazhan，jiqirendeyingyonglingyuhegongnengyoulejidadetuozhanhetigao。zhinenghuayichengweijiqirenjishudefazhanqushi
，erchuanganqijishuzeshishixianjiqirenzhinenghuadejichuzhiyi。youyudanyichuanganqihuodedexinxifeichangyouxian，erqie
，haiyaoshoudaozishenpinzhihexingnengdeyingxiang，yinci，zhinengjiqirentongchangpeiyoushuliangzhongduodebutongleixingdechuanganqi，yimanzutanceheshujucaijidexuyao。ruoduigechuanganqicaijidexinxijinxingdandu、gulidichuli，bujinhuidaozhixinxichuligongzuoliangdezengjia
，erqie，geduanlegechuanganqixinxijiandeneizailianxi，diushilexinxijingyoujizuhehoukenengyunhandeyouguanhuanjingtezheng，zaochengxinxiziyuandelangfei，shenzhikenengdaozhijueceshiwu。weilejiejueshangshuwentirenmentichuleduochuanganqironghejishu（multi-sensorfusion）。

　　

　　

多傳感器融合又稱多傳感器信息融合（multi-sensor information fusion)，有時也稱作多傳感器數據融合(multi-sensor data fusion)，於1973年在美國國防部資助開發的聲納信號處理係統中被首次提出，它是對多種信息的獲取
、表(biao)示(shi)及(ji)其(qi)內(nei)在(zai)聯(lian)係(xi)進(jin)行(xing)綜(zong)合(he)處(chu)理(li)和(he)優(you)化(hua)的(de)技(ji)術(shu)。它(ta)從(cong)多(duo)信(xin)息(xi)的(de)視(shi)角(jiao)進(jin)行(xing)處(chu)理(li)及(ji)綜(zong)合(he)，得(de)到(dao)各(ge)種(zhong)信(xin)息(xi)的(de)內(nei)在(zai)聯(lian)係(xi)和(he)規(gui)律(lv)
，從(cong)而(er)剔(ti)除(chu)無(wu)用(yong)的(de)和(he)錯(cuo)誤(wu)的(de)信(xin)息(xi)，保(bao)留(liu)正(zheng)確(que)的(de)和(he)有(you)用(yong)的(de)成(cheng)分(fen)
，最(zui)終(zhong)實(shi)現(xian)信(xin)息(xi)的(de)優(you)化(hua)，也(ye)為(wei)智(zhi)能(neng)信(xin)息(xi)處(chu)理(li)技(ji)術(shu)的(de)研(yan)究(jiu)提(ti)供(gong)了(le)新(xin)的(de)觀(guan)念(nian)。

 

多傳感器融合的層次結構

　　

多傳感器融合在結構上按其在融合係統中信息處理的抽象程度
，主要劃分為三個層次:數據層融合、特征層融合和決策層融合。

　　

1.數據層融合：也稱像素級融合，首先將傳感器的觀測數據融合,然後從融合的數據中提取特征向量,並進行判斷識別。數據層融合需要傳感器是同質的(傳感器觀測的是同一物理現象),如果多個傳感器是異質的(觀測的不是同一個物理量),那麼數據隻能在特征層或決策層進行融合。數據層融合不存在數據丟失的問題,得到的結果也是最準確的,但計算量大
，且對係統通信帶寬的要求很高。

 

 

2.特征層融合：特征層融合屬於中間層次
，先從每種傳感器提供的觀測數據中提取的有代表性的特征,這些特征融合成單一的特征向量,然後運用模式識別的方法進行處理。這種方法的計算量及對通信帶寬的要求相對降低,但由於部分數據的舍棄使其準確性有所下降。

 

 

3.決策層融合：決策層融合屬於高層次的融合
，由於對傳感器的數據進行了濃縮,這種方法產生的結果相對而言最不準確,但它的計算量及對通信帶寬的要求最低。

 

 

對於特定的多傳感器融合係統工程應用,應綜合考慮傳感器的性能、係統的計算能力、通信帶寬
、期望的準確率以及資金能力等因素,以確定哪種層次是最優的。另外,在一個係統中,也可能同時在不同的融合層次上進行融合。

 

 

　　

融合算法是融合處理的基礎。它是將多元輸入數據根據信息融合的功能要求,在不同融合層次上采用不同的數學方法,對數據進行綜合處理,最終實現融合。目前已有大量的融合算法,它們都有各自的優缺點。這些融合算法總體上法可以分為三大類型：嵌入約束法、證據組合法、人工神經網絡法。

　　

1.嵌入約束法

　　

youduozhongchuanganqisuohuodedekeguanhuanjingdeduozushujujiushikeguanhuanjinganzhaomouzhongyingsheguanxixingchengdexiang，chuanganqixinxironghejiushitongguoxiangqiujieyuanxiang，jiduikeguanhuanjingjiayilejie。yongshuxueyuyanmiaoshujiushi，jishisuoyouchuanganqidequanbuxinxi，yezhinengmiaoshuhuanjingdemouxiefangmiandetezheng

，erjuyouzhexietezhengdehuanjingqueyouhenduo，yaoshiyizushujuduiyingweiyidehuanjing(即上述映射為一一映射)，就必須對映射的原像和映射本身加約束條件，使問題能有惟一的解。嵌入約束法有兩種基本的方法：貝葉斯估計和卡爾曼濾波。

 

 

2.證據組合法

　　

證(zheng)據(ju)組(zu)合(he)法(fa)認(ren)為(wei)完(wan)成(cheng)某(mou)項(xiang)智(zhi)能(neng)任(ren)務(wu)是(shi)依(yi)據(ju)有(you)關(guan)環(huan)境(jing)某(mou)方(fang)麵(mian)的(de)信(xin)息(xi)做(zuo)出(chu)幾(ji)種(zhong)可(ke)能(neng)的(de)決(jue)策(ce)，而(er)多(duo)傳(chuan)感(gan)器(qi)數(shu)據(ju)信(xin)息(xi)在(zai)一(yi)定(ding)程(cheng)度(du)上(shang)反(fan)映(ying)環(huan)境(jing)這(zhe)方(fang)麵(mian)的(de)情(qing)況(kuang)。因(yin)此(ci)
，分(fen)析(xi)每(mei)一(yi)數(shu)據(ju)作(zuo)為(wei)支(zhi)持(chi)某(mou)種(zhong)決(jue)策(ce)證(zheng)據(ju)的(de)支(zhi)持(chi)程(cheng)度(du)
，並(bing)將(jiang)不(bu)同(tong)傳(chuan)感(gan)器(qi)數(shu)據(ju)的(de)支(zhi)持(chi)程(cheng)度(du)進(jin)行(xing)組(zu)合(he)，即(ji)證(zheng)據(ju)組(zu)合(he)

，分(fen)析(xi)得(de)出(chu)現(xian)有(you)組(zu)合(he)證(zheng)據(ju)支(zhi)持(chi)程(cheng)度(du)最(zui)大(da)的(de)決(jue)策(ce)作(zuo)為(wei)信(xin)息(xi)融(rong)合(he)的(de)結(jie)果(guo)。

　　

證據組合法是為完成某一任務的需要而處理多種傳感器的數據信息。它先對單個傳感器數據信息每種可能決策的支持程度給出度量(即數據信息作為證據對決策的支持程度)，再尋找一種證據組合方法或規則，使在已知兩個不同傳感器數據(即證據)duijuecedefenbiezhichichengdushi，tongguofanfuyunyongzuheguize
，zuizhongdechuquantishujuxinxidelianhetiduimoujuecezongdezhichichengdu
，dedaozuidazhengjuzhichijuece，jichuanganqixinxironghedejieguo。

　　

常用的證據組合方法有：概率統計方法、D-S（Dempster-Shafer)證據推理法。

 

 

3.人工神經網絡法

 

　　

人ren工gong神shen經jing網wang絡luo通tong過guo模mo仿fang人ren腦nao的de結jie構gou和he工gong作zuo原yuan理li
，設she計ji和he建jian立li相xiang應ying的de機ji器qi和he模mo型xing並bing完wan成cheng一yi定ding的de智zhi能neng任ren務wu。神shen經jing網wang絡luo根gen據ju當dang前qian係xi統tong所suo接jie收shou到dao的de樣yang本ben的de相xiang似si性xing
，確que定ding分fen類lei標biao準zhun。這zhe種zhong確que定ding方fang法fa主zhu要yao表biao現xian在zai網wang絡luo權quan值zhi分fen布bu上shang，同tong時shi可ke采cai用yong神shen經jing網wang絡luo特te定ding的de學xue習xi算suan法fa來lai獲huo取qu知zhi識shi

，得de到dao不bu確que定ding性xing推tui理li機ji製zhi。采cai用yong神shen經jing網wang絡luo法fa的de多duo傳chuan感gan器qi信xin息xi融rong合he，分fen三san個ge主zhu要yao步bu驟zhou：

　　

(1).根據智能係統要求及傳感器信息融合的形式
，選擇其拓撲結構；

　　

(2).各傳感器的輸入信息綜合處理為一總體輸入函數

，並將此函數映射定義為相關單元的映射函數,通過神經網絡與環境的交互作用把環境的統計規律反映網絡本身的結構；

　　

(3).對傳感器輸出信息進行學習、理解，確定權值的分配
，進而對輸入模式作出解釋，將輸入數據向量轉換成高級邏輯(符號)概念。

 

 

前景展望

　　

在多傳感器融合技術中，融合結構、融合算法都占有重要地位。隨著多傳感器融合研究與應用的深入,未來的多傳感器融合將會是一個更加複雜的信息處理過程,不僅包括許多具體的算法,而且結構也比較複雜。如何根據實際應用將算法與結構有機地結合在一起,為整個融合係統提供更加有效的融合策略,這是未來多傳感器融合研究所要解決的主要問題。目前已有大量的融合算法,它們都存在各自的優缺點,需要通過合理的融合結構將這些算法組合在一起,使其揚長避短,構成更加有效的融合方法。另外,多傳感器融合還將麵臨一個難題,那就是動態與未知環境下的融合問題，這無疑會對融合方法提出更高的要求。這不僅需要性能更好的融合算法,而且需要更加靈活的融合結構,提高融合係統的自適應性和魯棒性。