发布时间 : 星期二 文章多传感器数据融合更新完毕开始阅读
第一章概论
1.1数据融合的目的和应用
在未来战争中，电磁环境将异常复杂，无论是空战、海战还是陆战以至于陆、海、空相结合的立体战争，都将日益依赖于各种传感器设备。在实战中，传感器将受到各种欺骗和干扰，检测目标的数量日益增多，运动速度越来越快，而且多数目标采用隐身技术和低空/超低空突防技术，使传感器难以捕获和跟踪。这种现状是数据融合作为一种特殊的作战手段已渗透到几乎所有军事部门和各个作战领域，数据融合已不仅是高技术战争的先导，而且贯穿于战役的全过程，深刻地影响着战争的进程和结局。
目前，要给出数据融合这门学科的一般概念是非常困难的，这种困难是由所研究的内容的广泛性和多样性带来的，自从海湾战争以来，致力于数据融合研究的人数和这一领域著作的数量都显著地增加了这门学科每年都以大量的新成果丰富自己，获得越来越多的内容。（通过查资料大家感受一下）
已给出的数据融合概念的定义都是功能性的。美国国防部从军事应用的角度将数据融合定义为这样的一个过程，即把来自许多传感器和信息源的数据和信息加以联合、相关和组合，以获得精确的位置估计和身份估计，完整而及时的战场态势和威胁估计。这一定义基本上是对数据融合技术所期望达到的功能的描述，包括低层次上的位置和身份估计，以及高层次上的态势评估和威胁估计。
Edward Walts 和Jame Linas对上述定义进行了补充和修改，用状态估计代替位置估计，并加上了检测功能。
关于数据融合研究的范围现在尚无定论，以军事应用为目标的数据融合技术也可用于工业和农业等其他领域。
多传感器数据融合在解决探测、跟踪和识别问题方面，具有如下的性能：
(1) 生存能力强----在有若干传感器不能利用或受到干扰，或某个目标/事件不在覆
盖范围时，总会有一种传感器可以提供信息。
(2) 扩展了空间覆盖范围----通过多个交叠的传感器作用区域，扩展了空间覆盖范
围，一种传感器可以探测到其他传感器探测不到的地方。
(3) 扩展了时间覆盖范围----用多个传感器的协同作用提高检测概率，某个传感器
可以探测到其他传感器不能顾及的目标/事件。
(4) 提高了可信度----一种或多种传感器对同一目标/事件加以确认。
(5) 降低了信息的模糊度----多传感器的联合信息降低了目标/事件的不确定性。 (6) 改进了探测性能----对目标/事件的多种测量的有效融合，提高了探测的有效
性。
(7) 提高了空间分辨率----多传感器可以获得比任何单一传感器更高的分辨率。 (8) 增加了测量空间的维数----使用工作在不同频段的传感器可以测量陆、海、空、
天等多维空间目标，同时不宜受到敌方行动或自然现象的破坏。
与单传感器相比，多传感器系统的复杂性大大增加，由此带来一些不利因素。
未来战争将是作战体系间的综合对抗，在很大程度上表现为信息战的形式。而建立具有合成作战的指挥能力和智能化的决策指挥能力的指挥控制系统的瓶颈是数据融合技术。因此，关于多传感器数据融合理论和技术的研究对于我国国防建设具有重要的战略意义和社会意义。
1.2数据融合的理论基础 1.2.1数据融合的基本原理
1
多传感器数据融合的基本原理就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。多传感器数据融合与经典的信号处理方法之间有着本质的差别，其关键在于信息融合所处理的多传感器信息具有更复杂的形式，而且通常在不同的信息层次上出现。这些信息抽象层次包括检测层、位置层、属性层、态势层和威胁层。 1.2.2数据融合的级别
按照信息抽象的五个层次，融合可分为五级，即检测级融合、位置级融合、属性级融合、态势评估和威胁评估。
检测级融合----直接在信号层上进行的融合或者在检测判决层上进行的融合。分别对应集中式检测融合和分布式检测融合。
传感器1信号传感器2信号传感器n信号融合融合信号检检测结果测集中式检测级融合
传感器1信号传感器2信号传感器n信号检测检测结果1融融合检测结果检测结果2检测合检测结果n检测分布式检测级融合
位置级融合----直接在观测报告或测量点迹上进行的融合或在各个传感器状态估计上进行的融合。分别对应着集中式位置融合和分布式位置融合。
传感器1观测传感器2观测传感器n观测融合融合观测估估计结果计
集中式位置融合
传感器1观测传感器2观测传感器n观测估计估计结果1融估计估计结果2合估计结果n估计融合估计 2
分布式位置融合
目标识别级融合----目标识别亦称属性分类或身份估计，对观测体进行识别和表征。如使用雷达截面积（RCS）数据来确定一个实体是不是一个火箭体、碎片或再入大气层的飞船。敌-我-中识别器（IFFN）使用特征波形和有关数据对观测体判断，是敌机、友机还是不明。
目标识别层也称属性层的信息融合有三种方法：决策级融合、特征级融合、数据级融合。
1决策级融合
在决策级融合方法中，每个传感器都完成变换以便获得独立的身份估计，然后再对来自每个传感器的属性分类进行融合。
传感器1关于目标信息身份估计传感器2关于目标信息身份估计传感器n关于目标信息身份估计身份估计融合融合身份估计2特征级融合
在特征级融合方法中，每个传感器观测一个目标并完成特征提取以获得来自每个传感器的特征向量。然后融合这些特征向量并获得联合特征向量来产生身份估计。
传感器1关于目标信息特征提取传感器2关于目标信息特征提取传感器n关于目标信息特征提取身份估计身份估计3数据级融合
在数据级融合方法中，对来自同质传感器原始数据直接进行融合，然后基于融合的传感器数据进行特征提取和身份估计。（如多源图像复合，同质雷达的波形的直接合成）
传感器1关于目标信息传感器2关于目标信息传感器n关于目标信息
3
目标原始数据融合特征提取身份估计
第二章状态估计理论
状态估计理论的目的是对目标过去的运动状态进行平滑、对目标现在的运动状态滤波和对目标未来的运动状态进行预测，这些运动状态包括目标位置、速度和加速度等。本章讨论在多传感器跟踪系统中广泛应用的状态估计技术，这些方法是多传感器信息系统的最基本要素，也是形成多目标自适应跟踪滤波的前提和基础。
2.1估计问题的构成
在今后所讨论的随机估计问题中，用用m维向量Z=n维向量X=(x,x,12,xn)T表示被估计参数，
(z1,z2,,zm)T表示量测值，通常假设量测值Z与估计量X满足关系式
Z(j)=h[j,X(j),V(j)] (2.1.1)
这里j是指j时刻，V(j)是l维量测噪声并满足一定概率分布，通常是满足Gauss白噪声。 经过k个时刻的量测
Zk={Z(j):j=1,2,...,k} (2.1.2)
对X(k)进行估计，其估计值为X(k)。当被估计量X 不随时间变化时，则称对参数X 的估计为静态估计。当参数X 随时间变化时，一般认为X 满足某一动态方程
ùX(k+1)=f[k,X(k),U(k),W(k)] (2.1.3)
其中U(k)是p维输入向量，W(k)是q维过程噪声，也满足一定的概率分布，通常为Gauss白噪声。
(2.1.3)式给出的是离散情况下的动态方程，更一般的是连续型方程
X(t)=f[t,X(t),U(t),W(t)] (2.1.4)
其中U(t)是输入向量，W(t)是过程噪声。
本章所讨论的问题是：假设被估计量X 满足动态方程(2.1.3)式或(2.1.4)式，已知k次量测值Z，对k时刻的状态向量X(k)进行最优估计。
2.2状态估计问题
4
k·