信息融合绪论.pptx

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,信息融合技术,主讲人：朱瑾,课时量：,36,课时,周次：,3-11,周,办公地点：科研楼,219,室,学时分配,章,内容,参考学时,1,绪论,3,2,检测融合,5,3,参数估计,6,4,目标跟踪,6,5,基于统计的融合,6,6,估计融合,5,7,图像融合,5,主要参考资料,主要参考资料,1.,图书,Handbook of Multisensor Data Fusion Theory and Practice.CRC Press,2008,多源信息融合,韩崇昭 清华出版社,2006,多传感器信息融合及应用 何友 电子工业出版社,数据融合技术及其应用 刘同明,数据融合理论与应用 康耀红,多传感器数据融合及其应用,杨万海,多传感器数据融合及其应用,Lawrence A Klein,主要参考资料,多尺度估计理论及其应用,文成林,等,信息融合理论及其在惯性,/,天文,/GPS,组合导航系统中的应用 申功勋 等,水下导航信息融合技术 朱海 等,数字图像融合 覃征 等,数字图像融合,郭雷 等,图像融合,敬忠良 等,图像多尺度几何分析理论与应用,后小波分析理论与应用,焦李成等,主要参考资料,2.,期刊与会议,国际信息融合年会；,SPIE,国际年会；,IEEE Trans.on AES,，,IT(,Information Theory,),，,AC,，,SMC(,Systems,Man and Cybernetics,),，,IP(,Image Processing,),，以及其它,IEEE,的相关会刊如智能交通等；,国内期刊,主要参考资料,2.,期刊与会议,网上资源,国内：中国期刊网,中国科学；电子学报；自动化学报；控制理论与应用,国际期刊：,IEEE Transactions on Aerospace and Electronic Systems,IEEE Transactions on Signal Processing,International Journal of Information Fusion,Journal of Advances in Information Fusion,IEEE Transactions on Information Theory,国际会议：,International Conference on Information Fusion,IEEE Conference on Decision and Control,IEEE Conference on Systems,Man&Cybernetics,成绩评定方法,平时成绩：,40%,平时成绩包括：到课情况、课堂表现、课程设计、文献翻译、分组讨论、课程论文等；,考试成绩：,60%,第,1,章 绪论,1.1,信息融合的起源与一般概念,1.2,信息融合的模型分类与结构,1.3,信息融合的主要技术与方法,1.4,国内外研究现状,1.1,信息融合的起源与一般概念,1.,起源,多传感信息融合（,multi-sensor information fusion,）又称为多源信息融合（,multi-source information fusion,），是,20,世纪,70,年代提出来的，军事应用是其诞生的源泉。,信息融合也称数据融合,(data fusion),，但就信息和数,据的内涵而论，用信息融合一词更具概括性。因为信息包,括数据，信号，知识等。,我们在这里所讲的传感器也是广义的，不仅包括物理,意义上的各种传感器系统，也包括与观测环境匹配的各种,信息获取系统，甚至包括人或动物的感知系统。,包括空域上的多传感的融合，也包括时域上单传感的,融合，也包括多种方法的融合。,1.1,信息融合的起源与一般概念,1.,起源,为什么要发展数据融合技术？,20,世纪,70,年代初，起源于军事，为了取得最佳的作战效果,;,信息化时代的信息特点及处理要求；,（不确定性、不完整、不一致、及虚假数据；形式多样，数量巨大，关系复杂，实时处理）,需要利用多源数据的互补性和计算机的高速计算和智能来提高结果信息的质量。,1.1,信息融合的起源与一般概念,1.,起源,当检测对象为多目标或快速机动目标时，单一传感器测量困难。,复杂的电磁环境使检测的目标信号淹没在大量噪声及不相关信号与杂波中。,当单一传感器失效或传感器的可靠性有待提高时采用多传感器系统。,环境复杂,目标复杂,可靠性,1.1,信息融合的起源与一般概念,2.,发展过程,萌芽于第二次世界大战中对飞机、轮船、潜艇和,V-1,导弹的导航制导，当时叫做组合导弹制导,美国：,70,年代：多个连续的声纳信号,潜艇位置检测,1985,年：,JDL,（实验室联合理事会）下设的,C,3,I,委员会成立了信息融合专家组（,DFS,），统一信息融合概念，建立信息融合公共参考框架,1988,年：信息融合列为重点开发的,20,项关键技术之一，且为最优先发展的,A,类,1.1,信息融合的起源与一般概念,开发了多个系统，用于目标跟踪识别、态势评估与威胁估计：,TCAC,（军用分析系统）、,TOP,（海军战争状态分析系统）、,TRWDS,（目标获取与武器输送系统）、,INCA,（多平台多传感器跟踪信息相关处理系统）,国内：,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,1995,年：由国防科工委组织召开了第一次信息融合研讨会,1997,年，国家自然科学基金把信息融合技术作为鼓励研究领域重点推出,目前：多源信息融合技术的研究已经引起了国家有关部门的高度重视，并列入了,863,计划,位置估计和身份识别,目前,1995,年,海湾战争,20,世纪,70,年代,1973,年美国声纳信息融合研究,现代化战争的警钟,我国首次数据融合技术专题会议,1.1,信息融合的起源与一般概念,1.1,信息融合的起源与一般概念,国内：,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。,1.1,信息融合的起源与一般概念,学术界：,1997,年：在美国成立了国际信息融合学会,(ISIF:International Society of Information Fusion),各种学术会议和期刊：美国三军数据融合年会、,SPIE,国际年会，,IEEE Trans.on AES,，,IT(,Information Theory,),，,AC,，,SMC(Systems,Man and Cybernetics),，,IP(Image Processing),，以及其它,IEEE,的相关会议和会刊中。,目前国内出版了一批信息融合方面的专著，有大量学术期刊刊登信息融合方面的研究成果，,2007,年自动化学报还将出版信息融合专刊。,1.1,信息融合的起源与一般概念,3.,概念,1.1,信息融合的起源与一般概念,3.,概念,多源信息融合：,充分利用多个传感器资源，在空间和时间上把多渠道，多方位采集的局部环境的互补与冗余观测信息根据某种优化准则结合起来，以形成对系统环境的相对完整的一致性描述，形成新的融合结果，从而提高系统的有效性。,并不是一个新概念，人类识别环境或物体的状况的过程就是多个感知器所获得的信息进行融合的过程；,实际上是对人脑综合处理复杂问题的功能模拟,1.1,信息融合的起源与一般概念,功能定义：,将来自多个传感器和信息源的数据和信息加以联合、相关、组合，以获得对目标精确的位置估计、身份估计、以及对战场情况和威胁及其重要程度进行适时的完整评价。,该定义的重点：,该定义是军事应用方面的功能性定义；,多个传感器对同一目标进行测量；,重点是融合：联合、相关、组合；,目的：状态估计、身份估计、态势估计、威胁估计。,技术定义：,充分利用不同时间与空间的多传感器数据资源，采用计算机技术按时间序列获得多传感器的观测数据，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，使系统获得比它各组成部分更为充分的信息。,该定义的重点：,方法：分析、综合、支配、使用；,目的：一致性解释与描述、更为充分的信息。,1.1,信息融合的起源与一般概念,1.1,信息融合的起源与一般概念,4.,信息融合优势：,增强系统生存能力；,扩展空间覆盖范围；,扩展时间覆盖范围；,提高观测的可信度；,降低信息的模糊度（不确定性）；,改进探测性能；,提高空间分辨率；,增加量测空间维数；,5.,多传感器融合技术的应用,目前，信息融合的应用领域已经从单纯军事上的应用渗透到许多民用领域中。如，工业中的柔性制造、故障诊断等领域，以及在医学、测量等领域中的图像分析与处理、目标监测与跟踪、气象预报、现代制造业等许多方面。,应用在移动机器人和遥操作机器人上，主要利用距离、视觉、触觉、滑觉、热觉、接近觉、力与力矩等多种传感器来实现：机器人自定位、环境建模、地图与大地,(,地面,),模型的建立、导航、避障或障碍物检测、路径规划或任务规划等。哈尔滨理工大学将基于,Takagi-Sugeno,模型的模糊神经网络的信息融合算法应用于移动机器人的避障运动中，南洋理工大学研究了一种自适应模糊神经鲁棒控制器，该控制器适用于多关节机器人的运动控制。,1.1,信息融合的起源与一般概念,1.1,信息融合的起源与一般概念,应用领域,a.,军事应用是信息融合的来源和主要应用领域，主要包括多探测器环境下目标的检测、定位、跟踪与识别，以及在此基础上的态势评估与威胁估计技术，具体应用如自动目标识别、自主车辆导航、遥感、战场侦测、自动威胁识别等,表,1,信息融合军事应用,1.1,信息融合的起源与一般概念,1.1,信息融合的起源与一般概念,b.,民用领域,图像融合：检测、医疗诊断；遥感，环境与资源监测,智能机器人：对视频图像、声音、电磁等进行融合以实现高速、高精度控制以及推理判断,ARPA,的自主式行走的车辆，采用彩色,TV,摄像机、激光测距仪和声纳传感器等，用信息融合的方法对多种传感器信息进行并行处理与综合；外星探测车；,故障诊断：大型工业监控应用,智能交通系统：车辆导航、自动驾驶、自动规避防撞,1.1,信息融合的起源与一般概念,多传感器,数据融合,应用,目标识别,航迹预测,身份识别,遥感,威胁估计、,战场侦测,智能机器人,图像融合,故障诊断,自主车辆导航,智能交通,1.2,信息融合的模型分类与结构,功能模型,主要是,JDL,模型：,美国三军组织,实验室理事联合会（,JDL,）数据融合模型,(Joint Directors of Laboratories),美国,“,数据融合联合实验室,”,在防御系统中通用的数据融合处理模型：,数据融合分为五级：,第一个层次为检测,/,判决融合；,第二个层次为空间（位置）融合；,第三个层次为属性数据融合；,第四个层次为态势评估；,第五个层次为威胁估计。,第一、二两个层次的数据融合适合于任意的多传感器数据融合系统，后三个层次主要适用于,C,3,I,（情报指挥控制与通讯）系统中的数据融合。,1.2,信息融合的模型分类与结构,第一级处理：目标评估（,object assessment,）,主要功能包括数据配准、数据关联、目标位置和运动学参数估计，以及属性参数估计、身份估计等，其结果为更高级别的融合过程提供辅助决策信息。,数据配准：就是将时域上不同步，空域上属于不同坐标系的多源观测数据进行时空对准，从而将多源数据纳入一个统一的参考框架中，为数据融合的后期工作做铺垫。,数据关联：主要处理分类和组合等问题,身份估计：处理的是实体属性信息的表征与描述,1.2,信息融合的模型分类与结构,跟踪：实现目标运动参数估计,1.2,信息融合的模型分类与结构,数据配准：将多源数据纳入一个统一参考框架（时间对准、坐标变换）,数据关联：处理分类与组合；,跟踪：实现目标运动参数估计；,身份估计：实现目标属性参数估计；,这一级别属于数值计算过程，其中运动参数估计主要采用最优估计技术，属性参数估计主要是模式匹配技术，从简单的表决方法到统计方法（,Bayes,方法、证据理论）,1.2,信息融合的模型分类与结构,二级处理：态势评估,包括态势抽象与评定。,态势抽象：根据不完整的数据集构造综合态势表示，从而产生实体间的相互联系的解释；,态势评定：对产生观测事件的态势的表示与理解；,输入：事件检测、状态与身份估计；,输出：所考虑的各种假设的条件概率；,1.2,信息融合的模型分类与结构,三级处理：影响评估,/,威胁估计,将当前态势映射到未来，对参与者设想或预测行为的,影响,进行评估。,例如：估计本方要害部位受攻击的脆弱性，敌方作战企图的估计,目前对二、三级融合处理主要是基于,知识,的方法，远未成熟，少有鲁棒且可操作的系统模型。目前出现了基于模糊逻辑与混合结构的方法。,1.2,信息融合的模型分类与结构,四级处理：过程评估,通过建立一定的优化指标，对整个融合过程进行监控与评价、实现多传感器系统自适应信息获取与处理，以及资源的最优分配，以支持特定的任务目标，并最终提高总体系统的性能。,主要困难：如何对系统特定目标及限制条件进行建模与优化，以平衡有限的系统资源。,1.2,信息融合的模型分类与结构,2.,信息融合的级别,按数据抽象的层次，可分为数据级、特征级与决策级,a.,数据级融合：直接对观测数据进行融合，再提取特征，判断决策。如：图像复合、雷达波形合成等,1.2,信息融合的模型分类与结构,优点：数据损失小，精度最高；,缺点：数据量大，时间长；要求较高的纠错能力（如野值剔除）；通信量大；,b.,特征级融合,1.2,信息融合的模型分类与结构,特征信息：数据信息的充分表示量或者统计量,优点：实现较大数据压缩，降低通信带宽需求；,缺点：存在信息损失，性能有所降低；,可以分为：,目标状态信息融合：最优估计方法,目标属性信息融合：模式识别方法,1.2,信息融合的模型分类与结构,c.,决策级融合：局部决策的融合处理,数据损失最大，通信量最小，抗干扰能力强，对传感器依赖小。,主要方法：,Bayes,方法、证据理论、模糊理论等,1.2,融合级别,三个层次的比较,三个融合层次优缺点的比较：,数据级融合,特征级融合,决策级融合,处理信息量,最大,中等,最小信息量损失,最小,中等,最大,抗干扰性能,最差,中等,最好,容错性能,最差,中等,最好,算法难度,最难,中等,最易,融合前处理,最小,中等,最大,融合性能,最好,中等,最差,对传感器的依赖程度,最大,中等,最小,1.2,信息融合的模型分类与结构,3.,信息融合系统通用处理结构,在整个融合处理流程中，依照实现融合处理的场合不同，研究人员提出了通用处理结构的概念。,Heisttand,描述了三种处理结构：,集中式、分布式、混合式结构,集中式：处理传感器原始数据；,分布式：经过预处理的局部数据；,混合式：处理上述两种数据。,1.2,信息融合的模型分类与结构,通用处理结构,（,1,）集中式融合结构,1.2,信息融合的模型分类与结构,在集中式系统结构中，各个传感器录取的检测报告直接被送到融合中心，在那里进行数据对准，点迹相关，数据互联，航迹滤波，预测与综合跟踪。这种结构特点是信息损失小，对系统通信要求较高，融合中心计算负担重，系统的生存能力也较差。,1.2,信息融合的模型分类与结构,（,2,）分布式融合结构,1.2,信息融合的模型分类与结构,分布式结构与集中式结构的区别在于，每个传,感器的检测报告在进入融合中心以前，先由它,自己的数据处理器产生局部多目标跟踪航迹，,然后把处理后的信息送至融合中心，中心根据,各结点的航迹数据完成航迹关联和航迹融合，,形成全局估计。相对于集中式系统，此类系统,具有造价低、可靠性高、通信量小等特点。,1.2,信息融合的模型分类与结构,（,3,）混合式融合结构,1.2,信息融合的模型分类与结构,混合式融合系统同时传输检测报告和经过局部,结点处理后的航迹信息，它保留了上述两类系,统的优点，但在通信和计算上要付出较昂贵的,代价。但是，此类系统也有上述两类系统难以,比拟的优势，在实际场合往往采用此类结构。,1.2,信息融合的模型分类与结构,集中式：在融合中心进行全部工作，信息损失小；但对通信要求高，中心计算负担重，生存能力差；,分布式：接收局部航迹，处理后形成全局估计；可靠性高，通信量小,混合式：综合性能较好，应用较多。,1.3,信息融合的主要技术与方法,信息融合的基本功能是相关、估计和识别。涉及多方面理论和技术，如信号处理、估计理论、不确定性理论、模式识别、最优化技术、神经网络和人工智能等，是一个涉及到信息科学、计算机科学、自动化科学的交叉学科。,1.,主要技术与方法：,信号处理与估计理论：小波、,LSE,、,KF,、,UKF,统计推断方法：经典推理、,Bayes,推理、证据理论,信息论方法：熵方法、最小描述长度方法,决策论方法,人工智能方法：模糊理论、,ANN,、,GA,1.3,信息融合的主要技术与方法,信号处理与估计理论方法,信号处理与估计理论方法（signal processing and estimation theory methods）包括用于图像增强与处理的小波变换技术、加权平均、最小二乘、Kalman滤波等线性估计技术，以及扩展Kalman滤波（EKF），Gauss滤波（GSF）等非线性估计技术等。近年来，越来越多的学者致力于,无迹,Kalman,滤波,（,UKF,）,，基于随机抽样技术的粒子滤波和Markov链Monte Carlo（MCMC）等非线性估计技术的研究，并取得了很多有价值的研究成果。,期望极大化（EM）算法为求解在具有不完全观测数据的情况下的参数估计与融合问题，提供了一个全新的思路。,1.3,信息融合的主要技术与方法,统计推断方法,统计推断方法（statistical inference methods）包括经典推理、Bayes推理、证据推理，以及随机集（Random set）理论、支持向量机理论等,。,信息论方法,信息论方法（,information theory methods,）运用优化信息度量的手段融合多源数据，从而获得问题的有效解决。典型算法有熵方法（,entropy based methods,）、最小描述长度方法（,minimum description length,，,MDL,）等。,1.3,信息融合的主要技术与方法,决策,论方法,决策论方法（,decision theory methods,）往往应用于高级别的决策融合。可以借助决策论方法融合可见光、红外以及毫米波雷达数据用于报警分析（,alarm analysis,）,。,人工智能方法,人工智能方法（artificial intelligence methods）包括模糊逻辑、神经网络、遗传算法、基于规则的推理以及专家系统、逻辑模板法、品质因数法（figure of merit，FOM）等，在信息融合领域的运用也取得了一定的成果,。,几何方法,几何方法通过充分探讨环境以及传感器模型的几何属性来达到多传感信息融合的目的。,1.3,信息融合的主要技术与方法,2.,几个关键问题,数据配准,;,同类或异类数据；,观测数据的不确定性；,不完整、不一致及虚假数据；,数据关联；,粒度；,态势数据库；,数据配准,在多传感信息融合系统中，每个传感器提供的观测数据都在各自的参考框架之内。在对这些信息进行组合之前，必须首先将它们变换到同一个参考框架中去。但要注意的是，由于多传感时空配准的舍入误差必须得到补偿。,同类或异类数据,多传感器提供的数据在属性上可以是同类也可以是异类的，而且异类多传感器较之同类传感器，其提供的信息具有更强的多样性和互补性；但同时由于异类数据在时间上的不同步，数据率不一致以及测量维数不匹配等特点，使得对这些信息的融合处理更困难。,传感器观测数据的不确定性,由于传感器工作环境的不确定性，导致观测数据包含有噪声成分。在融合处理中需要对多源观测数据进行分析验证，并补充综合，在最大限度上降低数据的不确定性。,不完整、不一致及虚假数据,在多传感信息融合系统中，对传感器接收到的量测数据有时会存在多种解释，称之为数据的不完整性；多传感数据往往也会对观测环境作出不一致甚至相互矛盾的解释；另外，由于噪声及干扰因素的存在，往往存在一些虚假的量测数据。信息融合系统需要能够对这些不完整数据、不一致数据以及虚假数据进行有效的融合处理。,数据关联,数据关联问题广泛存在，需要解决单传感时间域上的关联问题，以及多传感空间域上的关联问题，从而能确定来源于同一目标源的数据。,粒度,多传感器提供的数据可能是在不同的粒度级别上。这些数据可以是稀疏的，也可以是稠密的；它们也可能分别处于数据级、特征级，或是符号级各种不同的抽象级别上，所以一个可行的融合方案应该可以工作在各种不同的粒度级别上,态势数据库,态势数据库为各个级别上的融合处理提供实时和非实时数据。,这些数据包括多传感器观测数据、融合的中间结果数据、有关目标和环境的辅助信息以及进行融合处理所需的历史信息等。,对整个信息融合系统中态势数据库的要求是容量要大、搜索要快、开放互连性要好，并具有良好的人机接口。因此，要开发更有效的数据模型、新的有效查找和搜索机制，以及分布式多媒体数据库管理系统等。,1.3,信息融合的主要技术与方法,3.,今后主要研究方向,发展和完善信息融合基本理论；,改进融合算法以提高计算性能；,适应并行处理的融合估计算法；,传感器资源优化管理；,融合系统的数据库与知识库；,工程化的设计方法；,系统性能评估方法；,数据融合技术的研究热点,由于各种方法之间的互补性，将,2,种或,2,种以上的算法进行有机集成，往往可以扬长避短，取得比单纯采用一种算法更优的结果。,现代方法间的集成,遗传算法和模糊理论相结合,模糊理论和神经网络理论相结合,遗传算法和神经网络理论相结合,遗传算法和模糊神经网络相结合,经典方法与现代方法的结合,模糊逻辑和,Kalman,滤波相结合,小波变换和,Kalman,滤波相结合,模糊理论和最小二乘法相结合,1.4,国内外研究现状,1.4,国内外,研究现状,遗传算法和模糊理论相结合,遗传算法是一种并行算法，能够较好地解决多参数的优化问题，并针对算法的特点采用某些较新的算子，如实编码方式和对应的交叉算子与不一致变异技术的应用都保证遗传算法具有较好的性能并节省时间。另外，遗传算法所采用的某些算子能更好地模拟模糊关系，可以使融合达到较高的精度。将其与模糊理论相结合可以在信息源的可靠性、信息的冗余度、互补性以及进行融合的分级结构不确定的情况下，以近似最优的方式对传感器数据进行融合。因此，该方法逐渐成为目前的研究热点之一。例如：,Choi JN,等人提出一种基于分层公平竞争的并行遗传算法和信息粒化理论的混合优化模糊推理系统。另外，遗传模糊控制还被用于策略问题的研究。,模糊理论和神经网络理论相结合,神经网络具有大规模并行处理能力、自学习能力和自适应能力，其仿生特性使之能更有效地利用系统本身的信息，并能映射任意函数关系，但缺点是知识表达比较困难，学习速度慢。而模糊系统则采用简单的“如果则”规则，但自动生成和调整隶属度函数和模糊规则是个难题。,两者相结合产生的模糊神经网络可以看作是一种不依赖于精确数学模型的函数估计器。它除具有神经网络的功能外，还能处理模糊信息，完成模糊推理功能。模糊神经网络的节点和参数均有明显的物理意义，初值比较容易确定，利用学习算法可以使之很快收敛到要求的输入、输出关系，并且，参数的学习和调整比较容易，性能优于单纯的模糊控制和单纯的神经网络。,1.4,国内外研究现状,1.4,国内外研究现状,模糊系统与神经网络的结合方式各种各样，目前的各种模糊神经网络，一般可分为两类：根据模糊数计算得到的模糊神经网络,;,以模糊规则的逻辑推理过程为基础而形成的模糊神经网络。第一类模糊神经网络，其结构沿袭普通的多层前向网络，但输入输出为模糊语言值，权值一般取模糊数或清晰数，所以，权值调整算法是根据模糊数的计算特点而改进的,BP,算法，主要用于模拟模糊规则集，进行近似推理。第二类模糊神经网络的输入输出为精确值，一般包括模糊化、推理和清晰化过程，此类网络由于规则表达形式的多样性和网络模拟方法的灵活性而产生了各种结构和算法，主要用于时间序列预测、多种信息融合等方面。近年来，国内外出现了大量关于模糊神经网络的研究，如用于非线性模型的模糊神经网络混合辨识方法，用一种三层前反馈神经网络和,Levenberg-Marquardt,学习算法实现模糊系统的“如果则”规则等。模糊神经网络的优势使其广泛应用于控制、模式识别、数据融合等领域，具有很大的发展前景。,1.4,国内外研究现状,遗传算法和神经网络理论相结合,神经网络技术是模拟人类大脑而产生的一种信息处理技术，它使用大量的简单处理单元,(,即神经元,),处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其他层上的神经元联接，采用并行结构和并行处理机制，因而，网络具有很强的容错性和自学习、自组织及自适应能力，能够模拟复杂的非线性映射。因此，大量的工程实际应用中都将其与遗传算法结合起来使用，如用于片上系统的智能信息处理，优化集成电路板中金属层间介电质的参数设计以及处理和分析非线性地震数据等。,遗传算法和模糊神经网络相结合,模糊神经网络和单纯的模糊控制与单纯的神经网络相比，具有更优的性能，但仍然存在不足，因此，有研究将遗传算法与模糊神经网络结合起来以取得更好的数据融合效果。例如：姜静等人先用遗传算法对模糊神经控制器进行离线训练，然后，用,BP,算法对模糊神经控制器进一步在线训练，仿真结果表明：模糊神经控制器比模糊控制器取得了更好的控制效果。,1.4,国内外研究现状,经典方法与现代方法的结合,模糊逻辑和,Kalman,滤波相结合,经典最优,Kalman,滤波理论对动态系统提出了严格的要求，即当观测几何信息和动力学模型及统计信息可靠时，,Kalman,滤波计算性能较好。但在实践中很难满足这一条件，在使用不精确或错误的模型和噪声统计设计,Kalman,滤波器时会导致滤波结果失真，甚至使滤波发散。为了解决此问题，产生了自适应,Kalman,滤波。,Escamilla,，,Ambrosio,等人提出了一种基于模糊逻辑的自适应,Kalman,滤波数据融合算法，该算法使用模糊逻辑调整,Q,和,R,的值使之可以更好地符合协方差的估计值。接着,scamilla,，,Ambrosio PJ,等人又将上述算法用来建立集中式、分布式和混合式的自适应,Kalman,滤波多传感器融合算法。另外，,TaftiA D,等人还提出了一种可用于实时处理的自适应,Kalman,滤波和模糊跟踪数据融合算法。,近年来，模糊,Kalman,滤波算法在实际中得到了非常广泛的应用，例如：目标跟踪、图像处理以及组合导航等。,1.4,国内外研究现状,小波变换和,Kalman,滤波相结合,在实际中，不同的传感器数据采集系统采集的数据具有不同的分辨率，因而，需要解决多分辨率数据的融合技术和方法，以便更好地利用不同分辨率数据的互补信息，达到更佳的融合效果。,Kalman,滤波对非平稳信号具有较强的估计能力，能对信号所有的频率成分同时进行处理。同时，小波变换具有高分辨力，对高频分量采用逐渐精细的时域和频域步长，可以聚焦到分析对象的任意细节。因此，小波变换与,Kalman,滤波结合可以取得良好的融合效果。,模糊理论和最小二乘法相结合,最小二乘法的准则是选取,X,使得估计性能指标,(,估计误差的平方和,),达到最小。它是以误差理论为依据，在诸数据处理方法中，误差最小，精确性最好，并在处理数据过程中不需要知道数据的先验信息。因而，刘建书等人利用模糊理论中的相关性函数对多传感器的相互支持程度进行计算，应用基于最小二乘原理的数据融合方法，对支持程度高的传感器数据进行融合。仿真结果表明：相比同类融合方法，该方法获得的结果具有更高的精度。,1.4,国内外研究现状,存在问题及发展趋势,数据融合技术方兴未艾，几乎一切信息处理方法都可以应用于数据融合系统。随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术、并行计算软件和硬件技术等相关技术的发展，尤其是人工智能技术的进步，新的、更有效的数据融合方法将不断推出，多传感器数据融合必将成为未来复杂工业系统智能检测与数据处理的重要技术，其应用领域将不断扩大。多传感器数据融合不是一门单一的技术，而是一门跨学科的综合理论和方法，并且，是一个不很成熟的新研究领域，尚处在不断变化和发展过程中。,数据融合存在的问题,（,1,）尚未建立统一的融合理论和有效广义融合模型及算法；,（,2,）对数据融合的具体方法的研究尚处于初步阶段；,（,3,）还没有很好解决融合系统中的容错性或鲁棒性问题；,（,4,）关联的二义性是数据融合中的主要障碍；,（,5,）数据融合系统的设计还存在许多实际问题。,1.4,国内外研究现状,数据融合发展趋势,（,1,）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；,（,2,）解决数据配准、数据预处理、数据库构建、数据库管理、人机接 口、通用软件包开发问题，利用成熟的辅助技术，建立面向具体应用需求的数据融合系统；,（,3,）将人工智能技术，如，神经网络、遗传算法、模糊理论、专家理论等引入到数据融合领域；利用集成的计算智能方法（如，模糊逻辑神经网络，遗传算法模糊神经网络等）提高多传感融合的性能；,（,4,）解决不确定性因素的表达和推理演算，例如：引入灰数的概念；,1.4,国内外研究现状,数据融合发展趋势,（,5,）利用有关的先验数据提高数据融合的性能，研究更加先进复杂的融合算法（未知和动态环境中，采用并行计算机结构多传感器集成与融合方法的研究等）；,（,6,）在多平台单平台、异类同类多传感器的应用背景下，建立计算复杂程度低，同时，又能满足任务要求的数据处理模型和算法；,（,7,）构建数据融合测试评估平台和多传感器管理体系；,（,8,）将已有的融合方法工程化与商品化，开发能够提供多种复杂融合算法的处理硬件，以便在数据获取的同时就实时地完成融合。,