多傳感器信息融合

多傳感器信息融合技術的基本原理就像人的大腦綜合處理信息的過程一樣，將各種傳感器進行多層次、多空間的信息互補和優化組合處理，最終產生對觀測環境的一致性解釋。在這個過程中要充分地利用多源數據進行合理支配與使用，而信息融合的最終目標則是基於各傳感器獲得的分離觀測信息，通過對信息多級別、多方面組合導出更多有用信息。這不僅是利用了多個傳感器相互協同操作的優勢，而且也綜合處理了其它信息源的數據來提高整個傳感器系統的智能化。

根據數據處理方法的不同，信息融合系統的體系結構有三種：分佈式、集中式和混合式。

1、分佈式：先對各個獨立傳感器所獲得的原始數據進行局部處理，然後再將結果送入信息融合中心進行智能優化組合來獲得最終的結果。分佈式對通信帶寬的需求低、計算速度快、可靠性和延續性好，但跟蹤的精度卻遠沒有集中式高；分佈式的融合結構又可以分為帶反饋的分佈式融合結構和不帶反饋的分佈式融合結構。

2、集中式：集中式將各傳感器獲得的原始數據直接送至中央處理器進行融合處理，可以實現實時融合，其數據處理的精度高，算法靈活，缺點是對處理器的要求高，可靠性較低，數據量大，故難於實現；

3、混合式：混合式多傳感器信息融合框架中，部分傳感器採用集中式融合方式，剩餘的傳感器採用分佈式融合方式。混合式融合框架具有較強的適應能力，兼顧了集中式融合和分佈式的優點，穩定性強。混合式融合方式的結構比前兩種融合方式的結構複雜，這樣就加大了通信和計算上的代價。

(1)卡爾曼濾波（KF）

卡爾曼濾波處理信息的過程一般為預估和糾正，他對多傳感信息融合技術的作用中不僅是個簡單具體的算法，而且也是一種非常有用的系統處理方案。事實上，它與很多系統處理信息數據的方法類似，它利用數學上迭代遞推計算的方法為融合數據提供行之有效的統計意義下的最優估計，但是對存儲的空間和計算要求很小，適合於對數據處理空間和速度有限制的環境下。KF分為分散卡爾曼濾波（DKF）和擴展卡爾曼濾波（EKF）兩種。DKF能使數據融合完全分散化，而EKF能有效克服數據處理的誤差和不穩定性對信息融合過程產生的影響。

(2)人工神經網絡法

這種方法通過模仿人腦的結構和工作原理以傳感器獲得的數據為網絡的輸入，通過網絡的訓練在相應的機器或者模型上完成一定的智能任務來消除非目標參量的干擾。神經網絡法對於消除在多傳感器在協同工作中受各方面因素相互交叉影響效果明顯，而且它編程簡便，輸出穩定 ^[4]  。

多傳感器信息融合技術的應用領域廣泛，不僅應用於軍事，在民事應用方面也有很大的空間。軍事應用是多傳感器信息融合技術誕生的奠基石，具體應用包括海洋監視系統和軍事防禦系統。在民事應用領域方面，主要用於智能處理以及工業化控制，智能處理包括醫藥方面的機器人微型手術和疾病監測尤其是智能家居等方面。

多傳感器信息融合技術存在的問題

1、關聯的二義性是技術的首要不足，在一個多傳感器的系統中，各個分散的傳感器獲得的數據會不可避免地受到許多因素制約（如環境狀態和傳感器本身的特性），因而要想更好的發展多傳感器的融合技術，降低關聯的二義性這個問題要得到充分關注；

2、基礎的理論體系和完善的融合算法有待完善。因為絕大多數的融合技術都是在特定的應用領域上開展的。我們必須針對實際問題來建立直觀的融合準則，形成有效數據融合方案。如果有了完善的理論體系和融合模型，就能避免融合技術的盲目性。如異步信息融合算法 ^[5]  ，量子神經網絡信息融合故障診斷方法 ^[6]  ，自組織映射神經網絡信息融合方法等，都是值得關注的新方法。

3、信息融合系統與融合方法在實施中還面臨許多問題。如各種融合模型的建立，以及各種傳感器的資源分配和信息管理方法都是現階段信息融合領域亟待解決的關鍵技術。

信息融合系統是一個具有強烈不確定性的複雜大系統，處理方法受到現有理論、技術、設備的限制。雖然這是一門新發展的學科，很多理論還不健全，但隨着各種新興的相關學科技術的發展，它將不斷完善，並得到更多的實用價值。