基于模糊证据理论的数据融合算法研究文献综述.docx

基于模糊证据理论的数据融合算法研究文献综述.docx

《基于模糊证据理论的数据融合算法研究文献综述.docx》由会员分享，可在线阅读，更多相关《基于模糊证据理论的数据融合算法研究文献综述.docx（13页珍藏版）》请在冰豆网上搜索。

基于模糊证据理论的数据融合算法研究文献综述

基于模糊证据理论的数据融合算法研究文献综述

摘要：

首先描述了数据融合技术发展历史与研究现状，然后对数据融合框架的三种形式以及几种常用的融合方法作了简单的介绍，并详细介绍了模糊证据理论框架下的数据融合算法，最后对数据融合技术研究中存在的问题以及在CPS信息物理融合系统中的应用前景进行了论述。

0引言

信息物理融合系统CPS，是通过计算、通信与控制技术的有机与深度融合实现计算资源与物理资源的紧密结合与协调的下一代智能系统[1]。

CPS的典型应用包括智能交通领域的自主导航汽车、无人飞行机以及智能电网、家庭机器人、智能建筑等,是构建人类未来智慧城市的基础[2]。

CPS的基本组件包括传感器、执行器和决策控制单元，各个层级的组件与子系统都围绕数据融合向上提供服务数据沿从物理世界接口到用户的路径上不断提升抽象级用户最终得到全面的精确的事件信息。

汽车CPS，简单来说是指把CPS技术应用在汽车上，以使汽车更易于驾驶，更安全。

具体指用带微处理器的实时输入传感器和分布在汽车的不同部件上的提供输出的制动器等控制单元，收集本车的实时信息或其他车辆的信息，通过一个统一的网络如控制局域网（ControllerAreaNetwork,CAN）来完成信息的交互、计算，并根据信息的反馈来完成对汽车的控制，使得汽车更易于驾驶，响应更快，更安全，更智能。

人类对汽车性能要求的提高以及智能交通系统的建设，物理设备（比如ECU）和信息系统（比如ITS中的信息电子系统）的深度融合，海量数据的处理，多维度复杂开放系统的建立等，使得汽车CPS的研究与发展成为汽车电子中物理设备系统发展的必然趋势。

文献[3]指出未来CPS的全球化、自主的网络架构需要能够容纳大量的物理数据源执行器和分布的计算元素，所以需要以数据融合与提升信息抽象能力为中心以满足应用需求。

CPS系统中收集到的数据具有异构性、海量性、不确定性、动态性等特点，如何对这些数据进行有效的融合，从而得到具有自适应性、自主性、高效性、可靠性、安全性等特点的一个智能的有自主行为的系统至关重要。

1数据融合技术发展历史与现状

1.1数据融合定义

数据融合又称为多传感器数据融合，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。

目前，对数据融合还很难给出一个统一、全面的定义[4,5]。

随着数据融合和计算机应用技术的发展，根据国内外研究成果，多传感器数据融合比较确切的定义可概括为：

充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息[6,7]。

它要强调数据融合的3个核心方面：

数据融合是在几个层次上完成对多源信息的处理过程，其中每一层次都表示不同级别的信息抽象；数据融合包括检测、关联、相关、估计及信息组合；数据融合的结果是指较低层次上的状态和身份估计，以及较高层次上的整个态势估计。

这一技术广泛应用于C3I系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、图像处理、模式识别等领域[8]。

文献[9]指出，与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。

1.2数据融合的发展历史与现状

数据融合出现于20世纪70年代[10]。

美国是数据融合技术起步最早的国家，1983年，美国国防高级研究计划局（DARPA）推出的战略计算机计划中，将多传感器数据融合列为重大研究课题；1984年，美国国防部（DOD）成立了数据融合专家组，负责指导、组织并协调有关这一国防关键技术的系统研究，1988年又将其列入国防部22项关键技术之一，同时其它西方发达国家和国际组织（如英、日、德、法及欧共体等）也积极开展了数据融合技术研究工作。

1986年开始,每年IEEE主办的机器人与自动化学术会议上都有专门关于数据融合的专题[11]。

各种学术刊物也纷纷开辟专栏和出版专集，交流和探讨数据融合的有关问题。

1987年欧洲共同体开始为期5年的SKIDS（SignalandKnowledgeIntegrationwithDecisionalControlforMultisensorySystem）计划，主要目标是研究多传感器数据融合的通用结构及实时信息融合技术等。

1998年成立了国际信息融合学会（ISIF），每年举行一次信息融合国际学术会议，促进了信息融合技术的交流与发展,

相继取得了一些有重要影响的研究成果[12]。

和国外相比，我国在数据融合领域的研究起步较晚，1991年海湾战争结束以后，数据融合技术引起国内有关单位和专家的高度重视[13]。

一些高校和科研院所相继对数据融合的理论、系统框架和融合算法开展了大量研究，但基本上处于理论研究的层次上，在工程化、实用化方面尚未取得有成效的突破。

有许多关键技术问题尚待解决，在工程应用领域，需要开发出有重要应用价值的实用系统。

近年来数据融合技术已形成研究热点，国家自然科学基金和国家863计划已将其列入重点支持项目[14]。

2数据融合框架及方法介绍

图1三种信息融合框图

数据级融合是在原始的传感器数据经过很小程度的处理后进行的，因此保留了尽可能多的原始信息，融合结果具有最好的精度，可以给人更加直观、全面的认识，但这种融合方式的数据处理量大，抗干扰能力差，可用于精度要求不高的场合。

特征级融合属于中间层次，是指从各个传感器提供的原始数据中进行特征提取，然后融合这些特征，在融合前实现了一定的信息压缩，有利于实时处理，具有很大的灵活性。

决策级融合是指在融合之前，各传感器数据源都经过变换并获得独立的身份估计，信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合，最终得到整体一致的决策，这种融合方式具有很好的容错性和实时性[15,16]。

从理论上说，决策级融合输出的联合决策结果比任何单传感器更为精确和明确，而且可以用于异质传感器数据的融合，在一个或多个传感器失效时也能正常工作。

目前已有的决策层数据融合方法包括：

经典推理法、Kalman滤波法[17]、Bays估计法[18]、D-S证据推理法[19]、聚类分析法、专家系统法、模糊集合理论[20,21]、神经网络[22]、粗集理论[23]等等。

其中证据理论和模糊集理论是决策级数据融合中最常用的两种算法。

表1对几种常用的融合方法作了简单的介绍。

表1融合框架比较

框 架

特点

功能

局限性

概率

论法

采用概率分布来表示数据，在贝叶斯框架内融合

处理不确定性数据的容易构建和理解的方法

不能处理不完整性数据的其他方面

证据

理论

基于概率分配利用信任函数和似然函数进一步特征化数据，在D-S融合规则下融合

处理不确定性和模糊数据

不能处理数据不精确性的其他方面，不能用于对高冲突数据的融合

模糊

理论

用模糊隶属函数表示模糊数据，在模糊规则下融合

直观处理模糊数据，特别是人为的错误定义的数据

只能用来融合模糊数据

可能性

理论

数据表示与概率论和证据理论类似，在模糊框架下融合

可以对环境信息已知很少下的不确定信息融合

在数据融合领域没有得到广泛使用和很好的理解

粗糙集

理论

使用明确的近似上下界处理模糊数据，在经典集下实现

不需要任何先验知识和附加信息

数据的粒度要选取合适

混合

方法

目的是更全面的处理数据不完整性

以互补的方式而不是相对立的方式来构建融合框架

需要一个特定的融合框架来包容其它框架，计算量大

随机集

理论

利用状态空间的随机子集来表示不完整数据的多个方面

可以为不完整数据的融合提供一个统一的框架

相对较新的方法，在数据融合领域还未被深入研究

3模糊证据理论框架下的数据融合算法

3.1证据理论与模糊集理论

证据理论是处理不确定信息的代表，广泛应用于目标检测、分类、识别和判断，主要解决决策级融合的各种应用问题[24]，其融合步骤如下：

（1）分别计算各证据基本概率赋值函数mass,信任函数Bel，似然函数pl；

（2）利用组合规则得到所有证据联合作用下的基本概率赋值函数、信任函数和似然函数；（3）利用一定的决策规则，选择联合证据作用下支持度最大的假设。

上述过程可由图2表示，先由n个传感器分别给出m个决策目标集的信度,经Dempster合并规则合成一致的m个决策目标集的信度。

最后，对各可能决策利用某一判决规则，得到结果。

图2D-S证据理论的数据融合过程

模糊集理论的基本思想是把普通集合中的绝对隶属关系灵活化，使元素对集合的隶属度从原来只能取{0,1}中的值，扩展到可以取[0，1]区间的任何数值。

在应用于多传感器信息融合时，模糊集理论用隶属函数表示各传感器信息的不确定性，然后，利用模糊变换进行数据处理[25]。

但它只能用于融合模糊信息，应用范围受到限制。

3.2证据理论存在的问题

证据理论可以处理由不知道引起的不确定性，它采用信任函数而不是概率作为度量，通过对一些事件的概率加以约束以建立信任函数而不必说明精确的难以获得的概率，但传统证据理论的论域内的元素与论域上的集合之间的关系是属于与不属于的关系，很难处理现实世界中具有模糊性的亦此亦彼的现象，而模糊集合正反映了这类亦此亦彼的模糊性，因此，可以将证据理论向模糊集扩展，利用证据理论和模糊集的优点来表示和处理不精确和模糊的信息，这对扩大证据理论的应用范围具有重要的意义。

而且，证据理论在应用时存在很大的局限性，它要求证据间相互独立，而且在证据高度冲突的情况下会出现错误的判断，因此，如何获得彼此独立的信任函数以及如何处理冲突问题，也严重限制了证据理论的应用范围。

证据组合规则是证据理论的核心，它将来自不同信息源的独立证据信息组合，产生更可靠的证据信息[26]。

但证据理论本身存在两大问题：

第一，要融合的证据的获取，简单的说为如何得到基本信任分配Bel。

针对这一问题目前已有的有效解决方法包括利用模糊理论确定mass函数进行信息融合的方法[27-30]，利用BPNN,PNN,MLPNN等神经网络进行样本训练得到后验概率转化为基本概率分配的方法[31-34]等等。

第二，当证据间存在冲突或不一致性时，证据合成规则的正则化过程可能会导致推理结果出现悖论，尤其是在证据高度冲突和完全冲突的情况下D-S理论的组合规则失效，甚至会得出错误的结果，在许多系统中是不允许出现这些情况的，否则会引起严重的后果。

针对这些问题，已有很多研究，主要分为两大类：

修改证据源模型和修改组合规则。

Lefevre等[15]研究了合成的证据源数目与冲突之间的关系，指出冲突部分的合理分配是解决问题的关键所在，类似研究如未知元素分配法、部分冲突分配法、加权分配法等等。

文献[33]认为冲突证据是传感器不可靠造成的，可将其去掉或用其他证据取代。

对合成规则的修改包括基于可信度系数的合成规则[34]、基于证据间距离的合成规则[35]、基于证据预处理的合成规则等等。

文献[36]认为证据理论的冲突证据带来的反常结果与群决策的一票否决和多数规则机制很相似，利用群决策机制对证据进行预处理后，通过改进的组合规则进行融合，从而得到了合理的、可靠的决策。

3.3模糊证据理论

模糊证据理论把模糊集与D-S证据理论的结合起来，得到一个新的理论框架，实现多传感器数据融合，不仅用模糊集解决证据理论的mass函数不易获取和冲突悖论问题，也克服了模糊集的应用局限问题，两者互补不足。

把模糊集加进证据理论中，一方面利用模糊逻辑的隶属度函数得到数据的可信度，从而得到证据理论的基本分配函数；另一方面在证据已知但存在冲突的情况下，利用模糊相似矩阵修正证据模型，最终得到一种有效的数据融合算法。

目的是提高融合结果的准确性，扩展算法的使用范围。

已有的研究也考虑把神经网络与证据理论结合起来，利用神经网络的自适应能力对样本进行学习得到后验概率，转化为基本信任分配，提高融合的自适应性，因此在重点改进模糊证据理论算法的基础上，也考虑加入神经网络，从而提高融合结果的准确性与鲁棒性。

随着大数据时代的到来，数据间的关系越来越复杂，建立统一的融合理论、数据融合的体系结构和广义融合模型，利用集成的计算方法来提高多传感器数据融合的性能，成为今后数据融合领域研究的重点。

4数据融合研究中存在的问题和发展前景展望

4.1数据融合研究中存在的问题

现代感知环境的日趋复杂多变、感知对象的日益丰富、感知手段与能力的显著提升、用户对感知要求的日益提高，使得信息融合成为一项非常具有挑战性的任务，呈现出不确定、多模态、高冲突、强相关、网络化等诸多特性[37,38]。

归纳如下：

1）融合框架：

随着越来越多的信源加入，许多信息融合系统成为复杂巨系统，表现为信源数量大、种类多，并且它们之间的关系以及层次结构复杂。

因此需要系统建模，综合集成并整体优化；

2）不确定：

传感器的观测总会受到噪声影响，使得其不准确或者产生虚警等；同时，杂波、多目标的存在使得量测来源具有不确定性。

信息融合算法需要利用冗余有效降低不确定性；

3）多模态：

在多传感器系统中，针对同一待观测现象，可能存在着声音、视频、文字等多模态量测，系统须具备融合这些量测的能力，给出一致理解和高品质态势；

4）高冲突：

当多个专家对同一现象给出不同意见时，信息就产生了冲突。

在基于证据置信推理和Dempster组合规则的融合算法中，融合带有冲突的数据很容易产生与直觉不一致的结果。

因此，融合算法需要小心处理高冲突数据；

5）强相关：

该问题在分布式融合中尤为重要和普遍，例如，在无线传感器网络中，一些传感器节点很可能受相同噪声的影响，产生有偏量测。

另外，在估计过程中使用近似滤波器也会造成局部节点估计之间相关。

如果不考虑数据相关性，会产生有偏估计；

6）网络化：

在大尺度分布传感器网络中，会产生多采样率、网络延迟、丢包、错序、量化失真等现象。

好的融合算法需要有能力处理这些问题，尤其是在精确、实时应用中，从而避免性能下降；

7）非线性：

目标运动建模与量测建模坐标系的非线性关系引起运动建模的非线性，分布式观测的信息在空间变换配准中引起非线性等。

对非线性的处理不当会损失有用信息。

其他问题还包括高维数、大尺度等，不再赘述。

4.2数据融合在汽车CPS中的应用前景

汽车CPS具有自适应性、自主性、高效性、功能性、可靠性、安全性等特点，是一个智能的有自主行为的系统，能够从环境中获取数据，进行数据融合，提取有效信息，并且根据系统规则通过效应器作用于环境。

获取的数据具有四个关键特征：

（1）异构性。

从数据本身的属性来看，有描述物理不同特征的数据；从数据的基本格式来看，有数据格式、科学文本格式以及XML格式等；从数据的结构来看，有结构化数据、半结构化数据和非结构化数据等；从数据语义来看，有采集的底层原始数据和数据聚合后的高层概括性数据等。

（2）动态性。

描述CPS实体的数据具有显著的动态性。

CPS的物理设备之间以及物理进程与计算进程之间具有紧密交互的特征，这种紧密交互行为也导致数据处于不断动态变化中。

而数据的动态性则会进一步导致部分数据存在不确定性。

（3）实时性。

CPS数据处理必须满足实时需求，保证在限定的时间内给出正确的处理结果。

（4）可信性。

由于CPS系统网络的复杂性，系统中存在许多不可预知的因素，这些不可预知的因素所产生的数据不确定性将影响数据处理的各个阶段，包括数据采集、数据传输、数据加工和数据反馈等，尤其是在数据加工处理的聚集计算、查询处理、数据分析中更需要保证数据处理的可信性，对可能出现的错误或者系统故障，应具有容错能力，保证数据处理结果的正确性、可靠性和安全性。

可信性包含的另外一个方面是隐私保护，要求在对原始数据内容保密的情况下仍然提供定制的服务。

因此，如何对这些来自不同传感器的不同特征的数据进行管理与融合成为汽车CPS系统研究的关键。

5总结

汽车CPS系统中收集到的数据具有异构性、海量性、不确定性、动态性等特点，如何对这些数据进行有效的融合，从而得到具有自适应性、自主性、高效性、可靠性、安全性等特点的一个智能的有自主行为的系统是至关重要的。

虽然已有的数据融合算法多种多样，但还没有哪一算法能够同时处理以上数据层面所面临的全部挑战。

未来一个重要的发展趋势是把各种算法按照优势互补原则有机结合起来，以克服单独使用一种算法所存在的不足。

模糊证据理论作为模糊集与D-S证据理论的结合，可以处理不确定性、模糊性以及异构性并存的数据，因此研究一种改进的模糊集与证据理论的结合算法，提高融合结果的准确度，是一个非常具有实际意义的研究方向。

参考文献

[1]温景荣，武穆清，宿景芳.信息物理融合系统.自动化学报,2012,38（4）：

507-517

[2]黎作鹏，张天驰，张菁.信息物理融合系统（cps）研究综述.计算机科学,2011,38（9）：

25-31

[3]王中杰，谢璐璐.信息物理融合系统研究综述.自动化学报,2011,37（10）：

1157-1166

[4]潘泉，王增福，梁彦等.信息融合理论的基本方法与进展（Ⅱ）.控制理论与应用，2012，29（10）

[5]B.Khaleghi,A.Khamis,O.Karray,etal.Multi-sensordatafusion:

Areviewofthestate-of-the-art.InformationFusion，2013，14：

28–44

[6]G.Shafer.AMathematicalTheoryofEvidence.PrincetonUniversityPress,1976

[7]PierreDodin,JulienVerliac,VincentNimier.Analysisofthemulti-sensormulti-targettrackingresourceallocationproblem.In:

Proceedingsof2000InternationalConferenceonInformationFusion.France:

Paris,2000,823-828

[8]L.A.Zadeh.Fuzzysetsasabasisforatheoryofpossibility.FuzzySetsandSystems,1978,1

（1）:

3-28

[9]李辉，潘恺，张新.基于模糊理论的多传感器信息融合算法.计算机工程与应用，2012，48（10）

[10]韩峰，杨万海，袁晓光.基于模糊集合的证据理论信息融合方法.控制与决策，2010，25（3）：

449-452

[11]韩静，陶云刚.基于DS证据理论和模糊数学的多传感器数据融合算法.仪器仪表学报，2000，21（6）：

644-647

[12]H.Zhu,O.Basir.Anovelfuzzyevidentialreasoningparadigmfordatafusionwithapplicationsinimageprocessing，SoftComputingJournal-AFusionofFoundations，MethodologiesandApplications，2006，10（12）：

1169–1180

[13]NingChen,FuchunSun,LingeDing,etal.AnadaptiveNeuralNetworkApproachtoTargetClassificationUsingInformationFusionwithMultipleSensors.NeuralComput&Applic,2009,18：

455–467

[14]O.Basir,F.Karray,H.Zhu.Connectionist-BasedDempster–ShaferEvidentialReasoningforDataFusion.IEEETransactionsonNeuralNetworks,2005,16（6）:

1513-1530

[15]LefevreE,ColotO,VannoorenbergueP.BeliefFunctionCombinationandConflictManagement.InformationFusion,2002,3

（2）:

149-162

[16]MarcosN.,AzcarragaA.Belief-EvidenceFusioninaHybridIntelligentSystem.ProceedindoftheSeventhTnternationConferenceonInformationFusion.Stockholm,Sweden,2004,322-329

[17]JousselmeAL,GrenierD,BosseE.ANewDistancebetweenTwoBodiesofEvidence.InformationFusion,2001,2

（1）:

99-101

[18]YeeLeung,Nan-NanJi,Jiang-HongMa.Anintegratedinformationfusionapproachbasedonthetheoryofevidenceandgroupdecision-making.Informat.Fusion,2012,1-13

[19]Y.XiaandM.S.Kamel,Novelcooperativeneuralfusionalgorithmsforimagerestorationandimagefusion,IEEETransactionsonImageProcess16（2007）,367-381.

[20]M.Fontani,T.Bianchi,A.D.Rosa,A.PivaandM.Barni,AFrameworkfordecisionfusioninimageforensicsbasedonDempster-Shafertheoryofevidence,IEEETransactiononInformationandSecurity8（4）（2013）,593-607.

[21]W.HuangandZ.L.Jing,Multi-focusimagefusionusingpulsecoupledneuralnetwork,PatternRecognitionLetters28（2007）,1123-1132.

[22]M.A.Ashraf,Anewmultipledecisionsfusionrulefortargetsdetectioninmultiplesensorsdistributeddetectionsystemswithdatafusion,InformationFusion18（2014）,175-186