1、簡介
多傳感器信息融合是用于包含處于不同位置的多個或者多種傳感器的信息處理技術(shù)。隨著傳感器應用技術(shù)、數(shù)據(jù)處理技術(shù)、計算機軟硬件技術(shù)和工業(yè)化控制技術(shù)的發(fā)展成熟,多傳感器信息融合技術(shù)已形成一門熱門新興學科和技術(shù)。我國對多傳感器信息融合技術(shù)的研究已經(jīng)在工程上已應用于信息的定位和識別等。而且相信隨著科學的進步,多傳感器信息融合技術(shù)會成為一門智能化、精細化數(shù)據(jù)信息圖像等綜合處理和研究的專門技術(shù)。
2、基本原理
3、主要功能體系架構(gòu)
根據(jù)數(shù)據(jù)處理方法的不同,信息融合系統(tǒng)的體系結(jié)構(gòu)有三種:分布式、集中式和混合式。
1)分布式:先對各個獨立傳感器所獲得的原始數(shù)據(jù)進行局部處理,然后再將結(jié)果送入信息融合中心進行智能優(yōu)化組合來獲得最終的結(jié)果。分布式對通信帶寬的需求低、計算速度快、可靠性和延續(xù)性好,但跟蹤的精度卻遠沒有集中式高;
2)集中式:集中式將各傳感器獲得的原始數(shù)據(jù)直接送至中央處理器進行融合處理,可以實現(xiàn)實時融合,其數(shù)據(jù)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(shù)據(jù)量大,故難于實現(xiàn);
4、理論方法
(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(shù)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(tǒng)處理方案。事實上,它與很多系統(tǒng)處理信息數(shù)據(jù)的方法類似,它利用數(shù)學上迭代遞推計算的方法為融合數(shù)據(jù)提供行之有效的統(tǒng)計意義下的最優(yōu)估計,但是對存儲的空間和計算要求很小,適合于對數(shù)據(jù)處理空間和速度有限制的環(huán)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(shù)據(jù)融合完全分散化,而EKF能有效克服數(shù)據(jù)處理的誤差和不穩(wěn)定性對信息融合過程產(chǎn)生的影響。
(2)人工神經(jīng)網(wǎng)絡法
這種方法通過模仿人腦的結(jié)構(gòu)和工作原理以傳感器獲得的數(shù)據(jù)為網(wǎng)絡的輸入,通過網(wǎng)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(jīng)網(wǎng)絡法對于消除在多傳感器在協(xié)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(wěn)定[3] 。
5、研究發(fā)展
多傳感器信息融合技術(shù)的應用領域廣泛,不僅應用于軍事,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(shù)誕生的奠基石,具體應用包括海洋監(jiān)視系統(tǒng)和軍事防御系統(tǒng)。在民事應用領域方面,主要用于智能處理以及工業(yè)化控制,智能處理包括醫(yī)藥方面的機器人微型手術(shù)和疾病監(jiān)測尤其是智能家居等方面。
多傳感器信息融合技術(shù)存在的問題
1)關聯(lián)的二義性是技術(shù)的首要不足,在一個多傳感器的系統(tǒng)中,各個分散的傳感器獲得的數(shù)據(jù)會不可避免地受到許多因素制約(如環(huán)境狀態(tài)和傳感器本身的特性),因而要想更好的發(fā)展多傳感器的融合技術(shù),降低關聯(lián)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(shù)的融合技術(shù)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(shù)據(jù)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(shù)的盲目性。如異步信息融合算法[4] ,量子神經(jīng)網(wǎng)絡信息融合故障診斷方法[5] ,自組織映射神經(jīng)網(wǎng)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(tǒng)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(xiàn)階段信息融合領域亟待解決的關鍵技術(shù)。
6、展望
信息融合系統(tǒng)是一個具有強烈不確定性的復雜大系統(tǒng),處理方法受到現(xiàn)有理論、技術(shù)、設備的限制。雖然這是一門新發(fā)展的學科,很多理論還不健全,但隨著各種新興的相關學科技術(shù)的發(fā)展,它將不斷完善,并得到更多的實用價值。
內(nèi)容來自百科網(wǎng)