2.2 多传感器数据融合
随着传感器技术的应用发展，多传感器数据融合技术也得以迅速发展。各种单一的传感器往往不能从观测环境中提取足够的信息，以至于很难甚至无法独立获得对一个环境的全面描述，因此需要多传感器同时获取目标数据进行融合分析，才可有效地进行分类识别决策。类似于人的大脑综合处理信息的过程，感知系统综合分布在不同位置的各种传感器实时采集的局部、分离、不完整的观察量，通过智能计算方法，提取有效特征信息，最终产生与观测场景相对完整一致的解释。在这个过程中，充分利用了多源数据，这不仅发挥了多个传感器相互协同操作的优势，也综合处理了其他信息源的数据以提高整个感知系统的智能化。
2.2.1 数据融合的概念
数据融合是一种数据处理技术，主要解决多传感器数据处理的问题。随着人工智能技术迅速发展，它已成为人类智能活动的基本部分。数据融合目前还没有相对统一的定义，不过其概念可以概括为，通过综合不同时间与空间的多传感器观察量，利用这些量的互补性、冗余性克服单个传感器的不确定性和局限性，以形成对被测对象的相对完整一致的解释与描述，提高测量的精度和可靠性，从而提高智能系统识别、判断、决策、规划和反应的快速性和准确性。
数据融合的过程如图2-6所示，其概念主要包含3个层次的含义[4]。
图2-6 数据融合的过程
（1）数据融合要处理的是复杂的、多源、多维和全时空信息。来自多传感器的数据可能是确定的或不确定的、同步的或非同步的、同类型的或不同类型的、数字的或非数字的。
（2）数据融合的对象不仅包括多传感器得到的数据（自然环境信息），还包括社会信息，数据融合需要对感知系统动态过程中的所有信息进行有效综合。
（3）互补包括信息表达方式、结构、功能等各种不同层次上的互补，通过关联、分类、估值、预测等算法对信息进行互补运算，可在不同层次上使信息越来越清晰、越来越丰富，完成信息的再生和升华，从而达到最优。
2.2.2 数据融合的目标、原理与层次
1.目标
单个传感器因其功能的局限，获得的只是局部片面的环境特征，另外受到自身设备品质、性能及噪声的影响，采集到的被测对象信息不完善，可能有较大不确定性，甚至是错误的。而融合多传感器的信息能够在相对较短的时间内，以较小的代价得到超越单个传感器的精确特征。因此，数据融合的目的就是通过多传感器进行协作测量并进一步融合数据，全面了解被测对象以获得对其一致性的最优估值和辨识。
2.原理
数据融合的原理示意如图2-7所示。首先，N个不同类型的传感器采集被测目标的观察量，经过特征提取变换处理，得到观察量对应的特征矢量；其次，对特征矢量进行模式识别处理，得到各传感器关于被测目标的描述说明；再次，将这些描述说明数据按同一个被测目标进行分组；最后，利用融合方法将每一被测目标的描述说明数据合成，得到该目标的一致性解释描述。
图2-7 数据融合的原理示意
3.层次
数据融合按其在融合系统中信息处理的抽象程度，主要划分为3个层次：数据级融合、特征级融合和决策级融合。
（1）数据级融合：数据级融合也称像素级融合，是对传感器的直接观测数据的融合，然后从融合的数据中提取特征矢量并进行判断识别。数据级融合需要传感器是同质的（传感器观测的是同一物理量），如果传感器是异质的（观测的不是同一个物理量），那么数据只能在特征层或决策层进行融合。数据级融合的优点是数据没有丢失，保留了尽可能多的信息，得到的结果是最准确的；缺点是处理的传感器数据量大，因此处理代价高，时间较长，实时性差。
（2）特征级融合：特征级融合属于中间层次，首先从每种传感器提供的原始观测数据中提取有代表性的特征，这些特征融合成单一的特征矢量；然后运用模式识别的方法进行处理以作为进一步决策的依据。特征级融合的优点是计算量较小及对通信带宽的要求相对低，有利于实时处理；缺点是由于部分数据的舍弃使其准确性有所下降。
（3）决策级融合：决策级融合属于高层次的融合，首先每个传感器执行一个对目标的识别决策；然后将来自每个传感器的识别结果进行融合，按照一定的准则做出最优决策。决策级融合的优点是计算量小及对通信带宽的要求最低，实时性好；缺点是对传感器的数据进行了浓缩，因此产生的结果相对而言不准确。
在近几年的研究中，又出现了一种新的融合层次，即监视动态融合。其通过动态监视融合处理过程，优化资源和传感器管理，实时反馈融合结果信息，以使融合处理过程具有自适应性，从而达到最佳融合效果[5]。
对于特定的多传感器融合系统工程应用，应综合考虑传感器的性能、系统的计算能力、通信带宽、期望的准确率及资金能力等因素，以确定哪种层次是最优的。另外，在一个系统中，也可能同时在不同的融合层次上进行数据融合。
2.2.3 数据融合的方法
利用多个传感器所获取的关于被测对象和环境全面、完整的信息，主要体现在融合方法上。因此，多传感器系统的核心问题是选择合适的数据融合方法。多传感器数据融合虽然未形成完整的理论体系和有效的融合方法，但在不少应用领域根据各自的具体应用背景，已经有许多成熟且有效的融合方法。多传感器数据融合的常用方法如图2-8所示。
1.统计方法
基于统计学的算法主要运用传统概率统计方法，利用概率分布或密度函数来描述数据的不确定性。数据融合的目的是从大量冗余、精准性不高的数据中提取所需的特征。
1）Bayes估计
Bayes 估计为数据融合提供了一种手段，是融合静态环境中多传感器高层信息的常用方法。该方法通过先验概率递归地更新状态系统的概率分布或密度函数[6]。WA Abdulhafiz等采用了改进的 Bayes 方法（Modified Bayesian Fusion Algorithm， MB）[7]，引入新的机制来考虑测量的不一致性，使个体分布的方差与因子f成正比，并与卡尔曼滤波器进行结合，提高了估计值的精确度。改进的 Bayes 方法能有效地增加数据的真实性，使后验概率的不确定性降低。
图2-8 数据融合的常用方法
2）最大似然估计
用一句话概括最大似然估计就是“模型已定，参数未知”，它是在给定模型和样本集的情况下，用来估计模型参数的方法。其基本思想是找到最佳的模型参数，使模型实现对样本最大程度的拟合。
3）卡尔曼滤波
卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。其本质是根据前一次的滤波结果和当前时刻的测量值，不断地对预测协方差进行递归，从而估算出当前时刻的滤波结果。
4）D-S证据理论
D-S证据理论是由哈佛大学数学家Dempster提出的，他的学生Shafer对证据理论做了进一步发展，引入了信任函数概念，形成了一套“证据”和“组合”来处理不确定性推理。D-S证据理论针对事件发生后的结果（证据）探求事件发生的主要原因（假设），分别通过各证据对所有的假设进行独立判断，得到各证据下各种假设的基本概率分配（mass函数）。mass函数是人们凭经验和感觉主观给出的，也可结合其他方法得到相对客观的mass函数值，然后对某假设在各证据下的判断信息进行融合，进而形成“综合”证据下该假设发生的融合概率，概率最大的假设即判决结果。
总体来说，基于统计方法的数据融合方法，主要解决数据的不确定性融合，有完善和可理解的一套数学处理方法，但其对异常数据的处理能力较差，即鲁棒性较低。
2.信息论方法
1）聚类分析
聚类分析算法因为简单直观、不需要先验知识等特点而广泛应用于数据融合中。其实质是在一定条件下，按照目标空间相似性把目标空间划分为若干子集，划分的结果应使表示聚类质量的准则函数最大。常用距离表示目标空间的相似性，目标空间划分的每个区域相当于一个类别。其分类结果完全依赖于事先选择的聚类变量，同时有时依据距离参数并不能得到理想的数据关联性，这些影响了聚类分析的具体应用。
2）表决法
表决法类似于日常生活中的投票选举，是最简单的数据融合方法。它由每个传感器提供对被测对象状态的一个判断，然后通过表决算法对这些判断进行搜索，以找到一个由半数以上传感器“同意”的判断（或采取其他简单的判定规则），并宣布表决结果[8]。
3）神经网络
神经网络具有很强的容错性及自学习、自组织和自适应能力，具有强大的非线性处理能力，可对多传感器传来的经特征提取的各种数据进行判断。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定性的推理过程。利用神经网络的信号处理能力和自动推理功能，就可以实现多传感器数据融合。
4）熵法
熵是信息论中非常重要的一个概念，熵法是利用事件发生的概率来反映信息量的重要程度。它的原理是经常发生的事情熵最小，而不经常发生的事情熵最大。将其用于数据融合过程中，就是要让度量信息熵的函数值最大。
基于信息论的数据融合方法是通过识别观测空间中参数的相似性来进行融合操作的，一般不能直接对数据的某些方面建立明确的识别函数。
3.认知模型方法
1）模糊逻辑
模糊逻辑是多值逻辑，用隶属度不精确地表示一个数据真值，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。其使用多值逻辑推理，通过模糊概率的计算实现数据融合判断。由于逻辑推理对信息的描述存在很大的主观因素，因此，其信息的表示和处理缺乏客观性。
2）知识系统
知识系统将规则或知名的专家知识结合起来实现自动的目标识别。当人工推理由于某种原因不能进行时，专家系统可以运用专家的知识进行辅助推理。其一般包括4个逻辑部分：知识库、全局数据库、控制结构或推理机制、人机界面。
3）逻辑模板
逻辑模板实质上是一种匹配识别的方法，它将系统的一个预先确定的模式（模板）与观测数据进行匹配，确定条件是否满足，从而进行推理。预先确定的模式中可以包含逻辑条件、模糊概念、观测数据及用来定义一个模式的逻辑关系中的不确定性等。因此逻辑模板实质上是一种表示与逻辑关系进行匹配的综合参数模式方法[9]。
认知模型方法对信息的表示和处理更加接近人类的思维方式，它一般比较适用于高层次上的数据融合。
随着传感器技术、数据处理技术、计算机技术、网络通信技术、人工智能技术、并行计算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。