多传感器数据智能融合理论与应用配套课件.pptx

多传感器数据智能融合理论与应用配套课件.pptx

《多传感器数据智能融合理论与应用配套课件.pptx》由会员分享，可在线阅读，更多相关《多传感器数据智能融合理论与应用配套课件.pptx（374页珍藏版）》请在冰豆网上搜索。

多传感器数据智能融合理论与应用配套课件多传感器数据智能融合第一章多传感器数据融合概述本章概要多传感器数据智能融合3概述多传感器系统的应用及优势数据融合算法课程要求参考书目概述多传感器数据智能融合4数据融合是一个多级、多层面的数据处理过程，主要完成对来自多个信息源的数据进行自动检测、关联、相关、估计及组合等处理。

数据融合是一个多学科的研究领域，有些学科相对成熟，有理论基础支持其具体应用，如贝叶斯推理、多传感器多目标跟踪等，也有些学科相对不够成熟，主要集中在启发式推理理论及其他一些特殊方法。

但随着深度学习的发展，该问题已经有了重大突破。

1概述多传感器数据智能融合5在天气预报、交通管制战场态势估计、目标分类与跟踪等民用和军事领域中，多传感器数据融合技术得到了广泛的重视和应用，因而得到越来越多研究人员的关注，融合结构的设计，主要依据特定的应用场合、传感器的分辨率以及可以利用的信息处理资源等因素。

在多传感器数据融合中的数据处理方法，与经典信号处理方法相比较存在本质的区别。

数据融合所处理的多传感器信息具有更复杂的形式，并且可以在不同的信息层次上出现,每个层次都可以对检测数据进行不同程度的融合，如下表所示。

1概述多传感器数据智能融合61融合层次传感器级融合特征级融合决策级融合主要优点原始信息丰富,能提供其他融合层次所不能提供的详细信息,精度最高。

实现了对原始数据的压缩,减少了大量干扰数据,易实现实时处理,并具有较高的精确度。

所需要的通信量小,传输带宽低,容错能力比较强,可以应用于异质传感器。

主要缺点所要处理的传感器数据量巨大,处理代价高,耗时长,实时性差;原始数据易受噪声污染,需融合系统具有较好的容错能力。

在融合前要先对特征进行相关处理,把特征向量分类成有意义的组合。

判决精度降低,误判决率升高,同时,数据处理的代价比较高。

主要理论支撑IHS变换,PCA变换,小波变换及加权平均等。

聚类分析法,贝叶斯估计法,信息熵法,加权平均法,D-S证据推理法,表决法及神经网络法等。

贝叶斯估计法、专家系统、神经网络法、模糊集理论、可靠性理论、逻辑模板法等。

应用领域主要应用多源图像复合、图像分析和理解。

主要用于多传感器目标跟踪领域,融合系统主要实现参数相关和状态向量估计。

其结果可为指挥控制与决策提供依据。

多传感器系统的应用及优势多传感器数据智能融合72通常一个传感器由两部分组成，一部分是前端电路装置，称之为感应器；另一部分是数据处理器。

感应器把进入传感器中的能量转化为低频信号，据此信号可以在数据处理器中将目标和背景的信息进行分离抽取。

数据处理器可以进行滤波、跟踪等简单算法的计算。

为了增加目标信号被检测到的概率，我们往往采用多个传感器的组合，因为多个传感器能对不同的物理信号进行分别响应。

有时某个传感器在某些气候，密集回波或反量测背景下无法检测到目标，但加上其它类型的一些传感器就可以获得该目标的数据。

多传感器系统的应用及优势2多个传感器组合后可以响应同一类物理信号:

组合:

雷达+红外雷达提供距离数据给具有更高分辨率的红外传感器，而距离信息是红外传感器所不能测量的。

通过选择合适的信号处理算法来组合雷达的距离数据和红外传感器提供的数据，就可以得到目标的实际位置这一新的信息。

这种组合多种传感器数据的过程便涉及到数据融合的技术。

数据融合信号（距离,方位角,高低角）多传感器数据智能融合8信号（方位角,高低角）信号（距离,方位角,高低角）多传感器系统的应用及优势多传感器数据智能融合92在精确制导武器中常用到多传感器融合，其融合的功能既可以用硬件实现也可以用软件实现，或者使用软硬件的组合来实现。

多类传感器情况,除了应用于火控系统和制导系统外，还可应用于非军事领域中。

例如，在某些智能交通系统中，实现在恶劣天气条件（如雨天和雾天）下对车辆的检测，分类和跟踪，在这些恶劣天气下，车辆和其背景的区分度往往被减弱，从而使需要传输的信号也被衰减。

类似LANDSAT的卫星使用可见光和红外传感器来提供有关作物的种类，生长情况，病虫害及耕作情况等信息。

合成孔径雷达（SAR）甚至可以从宇宙飞船上穿过云层拍摄到地球的图片。

SAR提供的关于地球资源的其他信息可以与其他传感器提供的信息进行融合。

多传感器系统的应用及优势多传感器数据智能融合102一个能够支持自动目标识别（ART）的多传感器系统里面的传感器包含了毫米波雷达，毫米波辐射计以及被动式和主动式红外传感器等。

在这个传感器级数据融合结构中，每个传感器都具有自己的处理算法，采用何种算法主要考虑如下因素：

数据所处的频段；传感器的类型（主动型或被动型）；空间分辨率和扫描特性；目标和背景特性以及信号的极化信息等。

每个传感器独立处理后的结果再输入到融合处理器作进一步处理，最后作出目标是否存在的决策。

多传感器系统的应用及优势多传感器数据智能融合112如果我们需要多传感器系统输出目标的航迹估计，中央级融合方法可以更准确地估计出目标的航迹。

所谓中央级融合方法,需要把最小程度处理过的传感器数据输入到融合处理器中进行关联，然后再把关联后的数据进行融合，最后形成融合后的航迹来估计目标在未来时刻的位置。

当出现密集回波或者恶劣天气时，多传感器系统也常常工作在互相协作的模式下。

因红外传感器容易受到灰尘或云层的影响，可以用毫米波雷达来帮助它实现对目标的检测，因为毫米波雷达不受灰尘或云层的影响。

多传感器系统的应用及优势多传感器数据智能融合122另一个关于传感器间相互协作的例子是运用多传感器信息确定要攻击目标的最佳打击位置。

用一个被动式毫米波辐射计测得目标所在的质心位置，并以此作为潜在的瞄准点。

然后再使用一个高分辨率的FLIR（前视红外）测出目标的边界位置及在此范围内温度较高的区域。

假设对于目标具有一定的先验知识，如温度较高的区域可以推断为是发动机的位置，那么此时这个区域就是最理想的瞄准点。

FLIR定出的温度较高区域，再加上毫米波辐射计提供的目标质心位置，就能够确保瞄准点一定位于这个物体的有效范围内，从而可以避免仅用“热点”探测结果而导致错误的判断（例如，只瞄准了热的废气）。

多传感器系统的应用及优势多传感器数据智能融合132多传感器系统的优越性还体现在能克服反量测干扰。

所谓的反量测就是通过干扰或者模仿真实目标信号使传感器失效，从而使基于传感器制导的导弹偏离其正确航迹。

多传感器系统可以完全或部分地克服反量测干扰，因为它能充分获取目标多方面的物理信号，所以此时要实施反量测干扰，就必须要提高反量测干扰的成本，因为要在一个很宽的频带上模仿真实信号非常复杂。

数据融合算法本课程首先讲述传统数据融合技术的各类融合方法，重点讲述贝叶斯方法，D-S证据理论方法，模糊推理方法，遗传算法，粒子群方法，神经网络方法。

这些方法分别属于物理模型法，参数分类法，与智能化方法。

3多传感器数据智能融合14数据融合算法多传感器数据智能融合15卡尔曼滤波算法：

卡尔曼滤波是R.E.Kalman博士在1960发表的一篇著名论文中所阐述的一个递归解算法。

该算法在解决离散数据的线性滤波问题有着广泛的应用，特别是计算机的发展，给卡尔曼滤波提供了广泛的研究空间。

卡尔曼滤波器是由一组数学方程所构成，它以最小化均方根的方式，来获得系统的状态估计值。

滤波器可以依据过去状态变量的数值，对当前的状态值进行滤波估计，对未来值进行预测估计。

3数据融合算法多传感器数据智能融合16贝叶斯推理：

一种统计融合算法，主要是基于贝叶斯法则来进行推理的。

该方法需要根据观测空间的先验知识来实现对观测空间里的物体的识别。

在给定证据的条件下，贝叶斯推理能提供一种计算条件概率即后验概率的方法。

3数据融合算法多传感器数据智能融合17D-S算法：

捕捉、融合来自多传感器的信息，这些信息在模式分类中具有能确定某些因素的能力。

D-S算法的关键是不确定区间的计算。

不确定区间的上限和下限分别是命题的支持度和似然度。

3数据融合算法多传感器数据智能融合18模糊推理：

对不确定的信息进行“合理区间化”，以满足计算机自动计算的需求。

在多传感器多目标跟踪类题目中，通过动态监测新息的协方差和均值，对过程噪声和观测噪声权值进行自适应模糊调节，使其保持为白噪声，从而达到防止发散的目的3数据融合算法多传感器数据智能融合19遗传算法（GA）：

求最优的一种迭代算法，属于人工智能类。

确定基因优化的准则？

交叉、变异、进化。

有用遗传算法，用于多传感器信息的融合。

3数据融合算法多传感器数据智能融合20粒子群方法（PSO）：

粒子群优化算法（ParticleSwarmoptimization,PSO）是一种进化计算（evolutionarycomputation）技术，由Eberhart博士和Kennedy博士于1995年提出1。

该算法源于对鸟群捕食的行为研究，主要用于优化计算，基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。

PSO算法的优势在于简单容易实现并且没有许多参数的调节。

目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。

3数据融合算法多传感器数据智能融合21人工神经网络和人工神经网络：

（ArtificialNeuralNetwork，ANN），亦称为神经网络（NeuralNetwork，AN）。

是由大量处理单元（神经元Neurons）广泛互连形成的网络，是对人脑的抽象，简化和模拟，反映人脑的基本特性。

研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理和功能。

深度学习的发展，给数据融合提供了新的智能化方法。

3数据融合算法多传感器数据智能融合22深度学习方法：

深度学习（deeplearning）又称深度神经网络（deepneuralnetwork），是人工神经网络不断深入研究发展的成果。

几十年来通过不断实验总结经验，人们逐渐发现神经网络系统随着隐含层数的增加，其表达能力不断趋于提高，从而能够完成更复杂的分类任务，逼近更复杂的数学函数模型。

网络模型经过“学习”后得到的特征或者信息则分布式存储在连接矩阵中，“学习”完成的神经网络便具有特征提取、学习概括、知识记忆等能力。

由于深度学习有更显著的“智能”性，有很多学者尝试将其应用到数据融合算法中，以提升多传感器数据融合后的准确度。

3参考书目多传感器数据智能融合2351智能数据融合理论与应用，戴亚平等，机械工业出版社，20212多传感器数据融合理论及应用，戴亚平，刘征，郁光辉译，北京理工大学出版社，20043多传感器数据融合及其应用，杨万海编著，西安电子科技大学出版社，20044数据融合理论与应用，康耀红著，西安电子科技大学出版社，20055数据融合技术及其应用，刘同明，夏祖勋，解洪成编著，国防工业出版社，1998多传感器数据智能融合第二章数据融合结构与算法概论本章概要多传感器数据智能融合25多传感器的数据融合架构多传感器系统的多层次融合分析多传感器的数据融合架构多传感器数据智能融合26多传感器信息融合按结构划分，可以分为集中式、分布式以及混合式3大类。

在空中目标跟踪领域，集中式和分布式融合通常也分别被称为量测融合和航迹融合。

集中式融合对融合中心的处理能力及通信带宽要求较高，一旦融合中心失效则整个系统就会瘫痪。

分布式融合系统对通信带宽和融合中心的计算能力相对要求较低，同时还具有较强的生存能力和可扩展能力。

1多传感器的数据融合架构集中式融合是将所有的传感器获得的测量信息，直接输送到中央处理单元进行统一处理。

例如使用雷达和红外等多类检测设备（传感器）对运动目标的跟踪过程中，其跟踪算法多数用的是卡尔曼滤波，集中式融合就是将所有雷达、红外等传感器所获得的数据，不经过处理，直接传送给计算中心进行数据融合处理，获得经过融合处理后的新的目标测量数据；针对新的目标测量数据，运用卡尔曼滤波方法进行跟踪运算。

系统的框图如图所示：

1