1.2 多源信息融合技术

1.2.1 多源信息融合的定义

对多源信息融合的研究始于20世纪70年代美国对军事现代化C3I（Command，Control，Communication & Intelligence）系统自动数据融合的研究，并在各种武器平台上得到了广泛应用。1973年，美国研究机构在国防部的资助下，最早开展了现代信息融合理论方面的研究工作。20世纪80年代初，美国DARPA提出“联合战术合成计划”，并成功开发了情报与电子战方面第一个实用性的信息融合系统——全源分析敌情关联系统。1988年，美国国防部把信息融合技术列为20世纪90年代重点研究发展的关键技术之一。此外，其他国家也都加强了信息融合方面的研究工作，并取得了大量的研究成果，研制出战场利用与目标截获系统、战术指挥控制系统等多个军用信息融合系统。信息融合技术发展至今经历了40余年，但对于它的定义仍然有着多种不同的说法。目前被普遍接受的定义是1991年由美国实验室理事联合会（Joint Directors of Laboratory，JDL）提出的，具体如下：

定义1：信息融合技术是一种多层次、多方面的处理过程，即把多个传感器和信息源的数据信息加以联合、相关和合并，获得对实体目标位置和身份的精确估计，以及对战场态势和威胁的完整评估。

也有专家认为信息融合还可以给出以下几种不同的定义。

定义2：信息融合就是从多种信息源如传感器、数据库、知识库和人类本身来获取有关信息，并进行滤波、相关和集成，从而形成一个表示构架，这种构架适合于获得有关决策、解释信息、达到系统目标（如识别或跟踪运动目标）、传感器管理和系统控制等。

定义3：多源信息融合主要是利用计算机进行多源信息处理，从而得到可综合利用信息的理论和方法，其中也包含对自然界人和动物大脑进行多传感器信息融合机理的探索。

定义4：利用计算机技术，对按时序获得的若干传感器（含软传感）的观测信息在一定准则下加以自动分析、优化综合，以完成所需的决策和估计任务而进行的信息处理过程。

1.2.2 多源信息融合的模型

多源信息融合的模型包括JDL模型、Dasarrathy模型、Boyd控制环模型、瀑布模型和混合模型等。其中JDL模型最受关注，几经修改面向数据融合的模型如图1-13所示，已被越来越多的实际系统所采用。

在该处理模型中，包括如下几种处理过程。

第一级处理为目标评估（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。

第二级处理为态势评估（Situation Assessment），是对整个态势的抽象和评定。其中，态势抽象就是根据不完整的数据集构造一个综合的态势表示，从而产生实体之间一个相互联系的解释。而态势评定则关系到对产生观测数据和事件的态势的标识和理解。态势评定的输入包括事件检测、状态估计以及为态势评定所生成的一组假设等。态势评定的输出在理论上是所考虑的各种假设的条件概率。

第三级处理为影响评估（Impact Assessment），它将当前态势映射到未来，对参与者设想或预测的行为影响进行评估。

第四级处理为过程评估（Process Assessment），它是一个更高级的处理阶段。通过建立一定的优化指标，对整个融合过程进行实时监控与评价，从而实现多传感器自适应信息的获取和处理，以及资源的最优分配，以支持特定的任务目标，并最终提高整个实时系统的性能。

1.2.3 多源信息融合的分类

多源信息融合有很多种分类标准，下面对按照融合技术、融合结构以及融合目的进行分类的标准加以阐述。

按照融合技术分类，多源信息融合技术可以分为假设检验型信息融合技术、滤波跟踪型信息融合技术、聚类分析型信息融合技术、模式识别型信息融合技术、人工智能型信息融合技术等。其中，假设检验型信息融合技术是以统计假设检验原理为基础，信息融合中心选择某种最优化假设检验判决准则执行多传感器数据假设检验处理，以获取综合的相关结论；滤波跟踪型信息融合技术是将卡尔曼滤波（或其他滤波）航迹相关技术由单一传感器扩展到多个传感器组成的探测网，用联合卡尔曼滤波相关算法执行多传感器滤波跟踪相关处理；聚类分析型信息融合技术是以统计聚类分析或模糊聚类分析原理为基础，在多目标、多传感器大量观测数据样本的情况下，使来自同一目标的数据样本自然聚集、来自不同目标的数据样本自然隔离，从而实现多目标信息融合；模式识别型信息融合技术是以统计模式识别或模糊模式识别原理为基础，在通常的单一传感器模式识别准则基础上建立最小风险多目标多传感器模式识别判决准则，通过信息融合处理自然实现目标分类和识别；人工智能型信息融合技术将人工智能技术应用于多传感器信息融合，对于解决信息融合中的不精确、不确定信息有着很大的优势，因此成为信息融合的发展方向。智能融合方法可分为基于专家系统的融合方法、基于神经网络的融合方法、基于生物基础的融合方法和基于模糊逻辑的融合方法等。

按照融合结构分类，多源信息融合技术可以分为集中式、分布式和混合式三大类。

在集中式信息融合结构中，每个传感器获得的观测数据都不加分析地传送给上级信息融合中心。信息融合中心借助一定的准则和算法对全部初始数据执行联合、筛选、相关和合成处理，一次性地提供信息融合结论输出。

在分布式信息融合结构中，每个传感器都先对元素观测数据进行初步分析处理，做出本地判决结论，只把这种本地判决结论及其有关信息，或经初步分析认定可能存在某种结论但又不完全可靠的结论及其有关信息，向信息融合中心呈报；然后由信息融合中心在更高层次上集中多方面数据做进一步的相关合成处理，获得最终判决结论。

集中式信息融合方案的优点是数据全面，无信息丢失，最终判决结论置信度高，但数据量大，对传输网络要求苛刻，信息处理的时间较长，影响系统响应能力。相比之下，分布式信息融合方案需传送的数据量要少得多，对传输网络的要求可以放松，信息融合中心的处理时间可以缩短，响应速度可以提高。

混合式融合结构同时包含集中式和分布式融合结构，它保留了这两种结构的优点，但是在通信和计算上要付出比较昂贵的代价。但是此类系统也有上述系统难以比拟的优点，在实际场合中得到了广泛的应用。

按照融合目的的不同，多源信息融合技术可以分为检测融合（Detection Fusion）、估计融合（Estimation Fusion）和属性融合（Attribution Fusion）三大类。其中检测融合是将来自不同传感器的观测数据或判决结果进行综合，从而形成一个关于统一环境或者事件的更全面、更准确的判决。检测融合的主要目的是利用多传感器进行信息融合处理，可以消除单个或者单类传感器检测的不确定性，提高检测系统的可靠性，获得对检测对象更准确的认识。

估计融合研究在估计未知量的过程中，如何最佳地利用多个数据集合中所包含的有用信息。这些数据集合通常来自多个信息源，大多数情况下是来自多个传感器的信息。

属性融合是利用多传感器检测信息对目标的属性和类型进行判断。

1.2.4 多源信息融合的方法

多源信息融合的方法可以分为信号处理与估计方法、统计推断方法、信息论方法、决策论方法、人工智能方法和几何方法。

信号处理与估计方法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、卡尔曼滤波等线性估计方法，以及扩展卡尔曼滤波（Extended Kalman Filter，EKF）、粒子滤波（Particle Filter,PF）、无迹卡尔曼滤波（Unscented Kalman Filter，UKF）等非线性估计方法和多模型自适应估计方法。

统计推理方法包括经典推理、Bayes推理、证据推理以及随机集理论和支持向量机理论等。

信息论方法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、最小描述长度方法（Minimum Description Length，MDL）等。

决策论方法往往用于高级别的决策融合，比如借助决策论方法融合可见光、红外以及毫米波雷达，用于报警分析。

人工智能方法包括模糊逻辑、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（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器信息融合的目的。