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,*,多传感器数据融合,国内外研究现状,数据融合就是利用计算机对各种信息源进行处理、控制和决策的一体化过程。它是计算机、通信和微电子等技术迅速开展的结果。数据融合技术作为一种交叉性极强的科学，几乎与当今所有新的研究方向都有交叠，并融会了这些研究领域最新的科研成果，成为近些年来国内外技术研究的热点。,“数据融合出现于20世纪70年代，源于军事领域的C3I(command，control，communication and intelligence)系统的需要，当时称为多源相关、多传感器混合数据融合，并于80年代建立其技术。美国是数据融合技术起步最早的国家，1983年，美国国防高级研究方案局(DARPA)推出的战略计算机方案中，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(DFSData Fusion Subana1)，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。同时其它西方兴旺国家和国际组织(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(Robotics and Automation)学术会议上都有专门关于数据融合的专题。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(Signal and Knowledge Integration with Decisional Control for Multisensory System)方案，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开展，相继取得了一些有重要影响的研究成果。,国内外研究现状,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。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，但根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方案已将其列入重点支持工程。,国内外研究现状,2.1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。,2.1.1 现代方法间的集成,2.1.1.1 遗传算法和模糊理论相结合,2.1.1.2模糊理论和神经网络理论相结合,2.1.1.3遗传算法和神经网络理论相结合,2.1.1.4遗传算法和模糊神经网络相结合,2.1.2 经典方法与现代方法的结合,2.1.2.1模糊逻辑和Kalman滤波相结合,2.1.2.2小波变换和Kalman滤波相结合,2.1.2.3模糊理论和最小二乘法相结合,2.2 多传感器融合技术的应用,2.3 存在问题及开展趋势,国内外研究现状,2.1.1.1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，可以使融合到达较高的精度。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。,国内外研究现状,2.1.1.2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。而模糊系统那么采用简单的“如果那么规那么，但自动生成和调整隶属度函数和模糊规那么是个难题。,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。,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;以模糊规那么的逻辑推理过程为根底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那么集，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，此类网络由于规那么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，用一种三层前反响神经网络和Levenberg-Marquardt学习算法实现模糊系统的“如果那么规那么等。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，具有很大的开展前景。,国内外研究现状,2.1.1.3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。,2.1.1.4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，但仍然存在缺乏，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，仿真结果说明：模糊神经控制器比模糊控制器取得了更好的控制效果。,国内外研究现状,2.1.2经典方法与现代方法的结合,2.1.2.1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。,国内外研究现状,2.1.2.2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，到达更佳的融合效果。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。,2.1.2.3模糊理论和最小二乘法相结合,最小二乘法的准那么是选取X 使得估计性能指标(估计误差的平方和)到达最小。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。仿真结果说明：相比同类融合方法，该方法获得的结果具有更高的精度。,国内外研究现状,2.2 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。,2.3 存在问题及开展趋势,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开展，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，尚处在不断变化和开展过程中。,国内外研究现状,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。,国内外研究现状,2.3.2 数据融合开展趋势,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；,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。,人工智能算法开展现状,人工智能(ArtificialIntelligence),英文缩写为AI,是一门综合了计算机科学、生理学、哲学的交