《信息合融》综述
1 信息融合的发展历史与现状
近二十年来，传感器技术比获得了迅速发展，各种面向复杂应用背景的多传感器信息系统大量涌现，在一个系统中装配的传感器在数量上和种类上也越来越多。因此需要有效地处理各种各样的大量的传感器信息。在这些系统中，信息表现形式的多样性，信息容量以及信息的处理速度等要求已经大大超出人脑的信息综合能力。处理各种各样的传感器信息意味着增加了待处理的信息量，很可能会涉及到在各传感器数据组之间数据的矛盾和不协调。在这样的情况下，多传感器信息融合技术(Multi-sensor information Fusion，MIF) 应运而生。“融合”是指采集并集成各种信息源、多媒体和多格式信息从而生成完整、准确、及时和有效的综合信息的过程。信息融合是针对一个系统中使用多种传感器(多个/或多类)这一特定问题而展开的一种信息处理的新研究方向。其实，信息融合是人类的一个基本功能，我们人类可以非常自如地把自己身体中的眼、耳、鼻、舌、皮肤等各个感官所感受到的信息综合起来，并使用先验知识去感知、识别和理解周围的事物和环境。
信息融合技术研究如何加工、协同利用信息，并使不同形式的信息相互补充，以获得对同一事物或目标的更客观、更本质的认识的信息综合处理技术。经过融合后的系统信息具有冗余性、互补性、实时性等特点。根据信息融合的定义，信息融合技术包括以下方面的核心内容:
(1)信息融合是在几个层次上完成对多源信息处理的过程，其中每一个层次
都具有不同级别的信息抽象;
(2)信息融合包括探测、互联、相关、估计以及信息组合;
(3)信息融合的结果包括较低层次上的状态估计和身份估计，以及较高层次
上的整个战术态势估计。
因此，多传感器是信息融合的硬件基础，多源信息是信息融合的加工对象，协调优化和综合处理是信息融合技术的核心。
信息融合的基本目标是通过信息组合而不是出现在输入信息中的任何个别元素，推导出更多的信息，这是最佳协同作用的结果。即利用多个传感器共同操作的优势，提高传感器系统的有效性用于融合的信息既可以是未经处理的原始数据，也可以是经过处理的数据，处理
后的数据既可以是描述某个过程的参数或状态估计，也可以是支持某个命题的证据或赞成某个假设的决策。在融合过程中，需要对这些性质不同，变化多样的信息进行复合推理，以改进分类器的决策能力。
信息融合(information fusion)起初被称为数据融合(data fusion)，起源于1973年美国国防部资助开发的声纳信号处理系统，其概念在20世纪70年代就出现在一些文献中。在20世纪90年代，随着信息技术的广泛发展，具有更广义化概念的“信息融合”被提出来。在美国研发成功声纳信号处理系统之后，信息融合技术在军事应用中受到了越来越广泛的青睐。20世纪80年代，为了满足军事领域中作战的需要，多传感器数据融合MSDF (Multi-sensor Data Fusion)技术应运而生。1988年，美国将C3I(Command，Control，Commication and Intelligence)系统中的数据融合技术列为国防部重点开发的二十项关键技术之一。由于信息融合技术在海湾战争中表现出的巨大潜力，在战争结束后,美国国防部又在C3I系统中加入计算机(computer)，开发了以信息融合为中心的C4I系统。此外，英国陆军开发了炮兵智能信息融合系统(AIDD)和机动与控制系统(W A VELL)。欧洲五国还制定了联合开展多传感器信号与知识综合系统(SKIDS)的研究计划。法国也研发了多平台态势感知演示验证系统(TsMPF)。军事领域是信息融合的诞生地，也是信息融合技术应用最为成功的地方。特别是在伊拉克战争和阿富汗战争中，美国军方的信息融合系统都发挥了重要作用。当前，信息融合技术在军事中的应用研究己经从低层的目标检测、识别和跟踪转向了态势评估和威胁估计等高层应用。20世纪90年代以来，传感器技术和计算机技术的迅速发展大大推动了信息融合技术的研究，信息融合技术的应用领域也从军事迅速扩展到了民用。目前，信息融合技术己在许多民用领域取得成效。这些领域主要包括:机器人和智能仪器系统、智能制造系统、战场任务与无人驾驶飞机、航天应用、目标检测与跟踪、图像分析与理解、惯性导航、模式识别等领域[1][2][3][4][5][6]。
我国对信息融合理论和技术的研究起步较晚，也是从军事领域和智能机器人的研究开始。20世纪90年代以后，信息融合的研究在我国逐渐形成高潮。不仅召开了关于数据融合的会议，出版了关于信息融合的专著和译著，国家自然科学基金和国家863计划也将其列入重点支持项目。目前已有许多高校和研究机构正积极开展这方面的研究工作，也分别在军用和民用方面取得了一些成果[7][8][9][10]。但是在信息融合模型、结构、算法等理论方面的原创性成果较少, 与世界先进水平还有一定的差距。
2 多传感器系统的特点与控制结构
传感器网络是将大量的具有通信盒计算能力的微小传感路节点，通过人工布设、空投、等方式设置在预定的监控区域，形成的智能自治测控网络系统，能够监测、感知和采集各种环境信息或监测对象的信息。传感器网络具有重要的科研价值和广泛的应用前景，它的出现引起了全世界的广泛关注，被公认为是将21世纪产生巨大影响的技术之一。
微电子技术的迅速发展奠定了设计使得将多种传感器集成一体，制造小型化、低成本、多功能的传感器成为了可能。大量的微电子传感器节点只有通过低功耗的无线电通讯技术连成网络才能够发挥整体的综合作用。
在通信方式上，无线电、红外、声等多种无线通信技术的发展为微传感器通信提供了多种选择，尤其是以IEEE802.15.4为代表的短距离无线电通信标准。
由于传感器节点数量众多，布设一般采用随机投放的方式，传感器节点的位置不能预先确定；在任意时刻，节点间通过无线信道连接，自组织网络拓扑结构；传感器节点间具有很强的协同能力，通过局部的数据采集、预处理以及节点间的数据交互来完成全局任务。感器网络是一种无中心节点的全分布系统。由于大量传感器节点是密集布设的，传感器节点间的距离很短，因此，多跳、对等通信方式比传统的单跳、主从通信方式更适合在床干起网络中使用，由于每跳的距离较短，收发器可以在较低的能量级别上工作。另外，多跳通信方式可以有效地避免在厂距离新信号传播过程中遇到的信号衰减和干扰等问题。此类传感器系统具有以下显著特点[11]：
1)无中心和自组织性
2)动态变化的网络拓扑
3)受限的传输带宽
4)节点的能力有限
5)多跳路由
6)安全性差
7)网络的扩展性不强
其控制结构可归纳如下。
集中式结构是以中心处理单元为核心的结构模式，融合中心处理单元直接与各个传感器或它们的处理器连接，它有三种不同的结构类型：第一种，传感器层信息融合结构，各传感器都有自己独立的信号处理单元，分别完成特征提取、目标分类与跟踪，然后将目标信息
提供给中心处理单元进行融合处理（包括联结、相关、跟踪、评估、分类和嵌入）。由于每个传感器都有各自独立的信号处理单元，从而减少了融合处理的负担，传感器可任意增减而不必改变原来的结构和融合算法。第二种，中心层融合结构，各传感器的原始数据经滤波、放大和整形等初步处理后直接送入中心处理单元进行信息融合。由于取消了各传感器的信号处理单元，使得结构更为简单，提高了系统的可靠性，降低了成本，同时可对不同传感器的数据进行优化处理，提高了信息的利用率和效率。但中央处理单元的负担过重，对于不同的目标、任务和传感器，融合算法也不同，从而降低了系统的适应能力。第三种，混合式融合结构，它兼有上述两中结构的功能和特点，传感器数据既可直接送入中心处理单元，也可以先经过各自的信号处理单元加工后再送到中央处理器进行融合。该结构的适应性比前二种更强，但显然结构也最复杂。分布式多传感器系统结构：前面三种结构中的融合（中心）处理单元都是直接与各个传感器或它们的处理器连接，属于集中式融合结构。图5.4所示的分布式融合结构的中心处理单元（全局数据融合中心）不是与传感器直接连接，而是与局部（本地）信息融合单元相连，局部数据融合单元融合本地传感器的数据。该结构的优点是组合方便灵活，可根据需要将系统分成不同层次和不同方式的融合，每一层次具有自己独立的融合结果，同时又是全局融合的一个组成部分。但它显然保留了集中式融合结构的某些缺点，需要两种不同的融合算法，一个面对传感器数据，一个面对局部融合结果。无中心融合结构：前面四种结构的共同点是都有一个中心融合单元，不管它是集中式的还是分部式的。无中心的融合结构中，每一个节点与传感器或其它节点连接，输入传感器的测量值和其它节点的融合结果，并输出本节点的融合结果。由于取消了中心融合单元，系统输出不再只依赖于中心融合单元，而可从任何一个节点输出，任何一个传感器或节点出错或损坏对整个系统不会产生太大影响。但该结构的通信和融合算法比较复杂，这是它的不足。该结构中的节点可与其它所有节点连接，也可以只与部分节点连接。三级并行结构，该结构由SteliosC. A. Thomopoluous提出，分别由“信号级融合”、“证据级融合”和“动力学级融合”三级并行构成。NBS分级感知与控制结构：由美国国家标准局(NBS)制造工程中心自动制造研究实验室提出，是一种多传感器交互作用的分级感知与控制的多传感器机器人系统结构，该结构源于“小脑模型计算机”，它由一个逐级上升的“传感处理”层和逐级下降的“任务分解”控制层，以及每一层的“世界模型”构成，应用在NBS装配机器人系统中。
3 信息融合的主要方法与当前的研究热点
利用多个传感器所获取的关于对象和环境全面、完整信息,主要体现在融合算法上。因此,多传感器系统的核心问题是选择合适的融合算法。对于多传感器系统来说,信息具有多样性和复杂性,因此,对信息融合方法的基本要求是具有鲁棒性和并行处理能力。此外,还有方法的运算速度和精度;与前续预处理系统和后续信息识别系统的接口性能;与不同技术和方法的协调能力;对信息样本的要求等。一般情况下,基于非线性的数学方法,如果它具有容错性、自适应性、联想记忆和并行处理能力,则都可以用来作为融合方法。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算法,但在不少应用领域根据各自的具体应用背景,已经提出了许多成熟并且有效的融合方法。
3.1 信息融合主要模型
近20 年来,人们提出了多种信息融合模型.其共同点或中心思想是在信息融合过程中进行多级处理.现有系统模型大致可以分为两大类:a)功能型模型,主要根据节点顺序构建; b)数据型模型,主要根据数据提取加以构建.在20 世纪80 年代,比较典型的功能型模型主要有U K情报环、Boyd控制回路(OODA 环) ;典型的数据型模型则有JDL 模型. 20 世纪90年代又发展了瀑布模型和Dasarathy模型. 1999 年Mark Bedworth 综合几种模型,提出了一种新的混合模型。下面简单对上述典型模型介绍。
●情报环[16]
情报处理包括信息处理和信息融合。目前已有许多情报原则,包括: 中心控制避免情报被复制;实时性确保情报实时应用;系统地开发保证系统输出被适当应用;
保证情报源和处理方式的客观性;信息可达性;情报需求改变时,能够做出响应; 保护信息源不受破坏;对处理过程和情报收集策略不断回顾, 随时加以修正. 这些也是该模型的优点,而缺点是应用范围有限。U K 情报环把信息处理作为一个环状结构来描述. 它包括4 个阶段：a) 采集,包括传感器和人工信息源等的初始情报数据；b) 整理，关联并集合相关的情报报告,在此阶段会进行一些数据合并和压缩处理,并将得到的结果进行简单的打包，以便在融合的下一阶段使用；c) 评估，在该阶段融合并分析情报数据,同时分析者还直接给情报采集分派任务；d）分发,在此阶段把融合情报发送给用户通常是军事指挥官,以便决策行动,包括下一步的采集工作。
●JDL 模型[17]
1984 年,美国国防部成立了数据融合联合指挥实验室,该实验室提出了他们的JDL 模型，经过逐步改进和推广使用，该模型已成为美国国防信息融合系统的一种实际标准。JDL模型把数据融合分为3 级：第 1 级为目标优化、定位和识别目标;第 2 级处理为态势评估，根据第 1 级处理提供的信息构建态势图;第 3 级处理为威胁评估,根据可能采取的行动来解释第 2 级处理结果,并分析采取各种行动的优缺点. 过程优化实际是一个反复过程，可以称为第4 级，它在整个融合过程中监控系统性能,识别增加潜在的信息源，以及传感器的最优部署。其他的辅助支持系统包括数据管理系统存储和检索预处理数据和人机界面等。
●Boyd控制环[18]
Boyd 控制环OODA 环, 即观测、定向、决策、执行环,它首先应用于军事指挥处理,现在已经大量应用于信息融合。可以看出,Boyd 控制回路使得问题的反馈迭代特性显得十分明显。它包括 4 个处理阶段:a) 观测，获取目标信息,相当于JDL 的第 1 级和情报环的采集阶段; b) 定向,确定大方向,认清态势,相当于JDL 的第2 级和第3 级,以及情报环的采集和整理阶段；c) 决策,制定反应计划，相当于JDL 的第4 级过程优化和情报环的分发行为，还有诸如后勤管理和计划编制等;d) 行动,执行计划，和上述模型都不相同的是,只有该环节在实用中考虑了决策效能问题。OODA 环的优点是它使各个阶段构成了一个闭环,表明了数据融合的循环性。可以看出,随着融合阶段不断递进,传递到下一级融合阶段的数据量不断减少. 但是OO DA 模型的不足之处在于,决策和执行阶段对OODA 环的其它阶段的影响能力欠缺，并且各个阶段也是顺序执行的。
●扩展OODA模型[19]
扩展OODA 模型是加拿大的洛克西德马丁公司开发的一种信息融合系统结构。该种结构已经在加拿大哈利法克斯导弹护卫舰上使用. 该模型综合了上述各种模型的优点，同时又给并发和可能相互影响的信息融合过程提供了一种机理. 用于决策的数据融合系统被分解为一组有意义的高层功能集合例如图4 给出的由N 个功能单元构成的集合，这些功能按照构成OODA 模型的观测、形势分析、决策和执行4 个阶段进行检测评估。每个功能还可以依照OODA 的各个阶段进一步分解和评估. 图4 中标出的节点表示各个功能都与那几个OODA 阶段相关. 例如:功能A 和N 在每个阶段都有分解和评估,而功能B 和C 只与OODA 的部分或单个阶段有关. 该模型具有较好的特性,即环境只在观测阶段给各个功能提供信息输入,而各个功
能都依照执行阶段的功能行事。此外，观测、定向和决策阶段的功能仅直接按顺序影响其下各自一阶段的功能,而执行阶段不仅影响环境,而且直接影响OODA 模型中其它各个阶段的瀑布模型。
●Dasarathy模型[20,16]
Dasarathy 模型包括有5 个融合级别，如下表所示。综上可以看到,瀑布模型对底层功能作了明确区分,JDL 模型对中层功能划分清楚，而Boyd 回路则详细解释了高层处理。情报环涵盖了所有处理级别,但是并没有详细描述。而Dasarathy 模型是根据融合任务或功能加以构建,因此可以有效地描述各级融合行为。
●混合模型[16]
混合模型综合了情报环的循环特性和Boyd 控制回路的反馈迭代特性,同时应用了瀑布模型中的定义,每个定义又都与JDL 和Dasarathy 模型的每个级别相联系.
在混合模型中可以很清楚地看到反馈. 该模型保留了Boyd 控制回路结构,从而明确了信息融合处理中的循环特性,模型中4 个主要处理任务的描述取得了较好的重现精度. 另外,在模型中也较为容易地查找融合行为的发生位置。
3.2信息融合的主要算法
多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类,随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等[1]-[6][12][13]。可以预见,神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。
几类主要的方法
●加权平均法[14]
信号级融合方法最简单、最直观方法是加权平均法,该方法将一组传感器提供的冗余信息进行加权平均,结果作为融合值,该方法是一种直接对数据源进行操作的方法。
●卡尔曼滤波法[12][13]
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。如果系统具有线性动力学模型,且系统与传感器的误差符合高斯白噪声模型,则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。但是,采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时,存在很多严重的问题, 比如: (1)在组合信息大量冗余的情况下,计算量将以滤波器维数的三次方剧增,实时性不能满足; (2)传感器子系统的增加使故障随之增加,在某一系统出现故障而没有来得及被检测出时,故障会污染整个系统,使可靠性降低。
●多贝叶斯估计法
贝叶斯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。它使传感器信息依据概率原则进行组合,测量不确定性以条件概率表示,当传感器组的观测坐标一致时,可以直接对传感器的数据进行融合,但大多数情况下,传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计,将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数,通过使用联合分布函数的似然函数为最小, 提供多传感器信息的最终融合值,融合信息与环境的一个先验模型提供整个环境的一个特征描述。
●证据推理方法
证据推理是贝叶斯推理的扩充,其3个基本要点是:基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的, 分三级。第1级为目标合成, 其作用是把来自独立传感器的观测结果合成为一个总的输出结果(D); 第2级为推断, 其作用是获得传感器的观测结果并进行推断,将传感器观测结果扩展成目标报告。这种推理的基础是:一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告;第3级为更新,各种传感器一般都存在随机误差,所以,在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。因此,在推理和多传感器合成之前,要先组合(更新)传感器的观测数据。产生式规则采用符号表示目标特征和相应传感器信息之间的联系,与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中, 2个或多个规则形成一个联合规则时,可以产生融合。应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关,如果系统中引入新的传感器, 需要加入相应的附加规则。
模糊逻辑是多值逻辑,通过指定一个0到1之间的实数表示真实度,相当于隐含算子的
前提,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。如果采用某种系统化的方法对融合过程中的不确定性进行推理建模,则可以产生一致性模糊推理。与概率统计方法相比, 逻辑推理存在许多优点,它在一定程度上克服了概率论所面临的问题,它对信息的表示和处理更加接近人类的思维方式,它一般比较适合于在高层次上的应用(如决策) , 但是, 逻辑推理本身还不够成熟和系统化。此外,由于逻辑推理对信息的描述存在很大的主观因素, 所以, 信息的表示和处理缺乏客观性。模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑,模糊逻辑是一种多值逻辑, 隶属度可视为一个数据真值的不精确表示。在MSF过程中,存在的不确定性可以直接用模糊逻辑表示,然后,使用多值逻辑推理, 根据模糊集合理论的各种演算对各种命题进行合并,进而实现数据融合。
神经网络具有很强的容错性以及自学习、自组织及自适应能力,能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力,恰好满足了多传感器数据融合技术处理的要求。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推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准,这种确定方法主要表现在网络的权值分布上,同时,可以采用神经网络特定的学习算法来获取知识,得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能, 即实现了多传感器数据融合。常用的数据融合方法及特性如表1所示。通常使用的方法依具体的应用而定,并且,由于各种方法之间的互补性,实际上,常将2种或2种以上的方法组合进行多传感器数据融合。
表1常用的数据融合方法比较[15]
3.3 当前的研究热点
尽管信息融合在军事领域的地位始终突出,但是随着信息融合技术的发展,其应用领域得以迅速扩展. 信息融合已成为现代信息处理的一种通用工具和思维模式。目前以模糊理论、神经网络、证据推理等为代表的所谓智能方法占有相当大的比例,这或许是因为,这些方法兼有对问题描述的非建模优势和语言化描述与综合优势的原因。从整体上分析,近年来,随着人工智能技术的发展,信息融合技术有朝着智能化、集成化的趋势发展.最新的研究动向包括[22]：
1) 研究并完善实用的算法分类和层次划分方法；
2)研究并发展实用的融合系统测试和评估方法；
3)建立系统设计和算法选择的工程指导方针；
4)编撰信息融合辞典,规范领域术语和定义；
5)发展并完善JDL 模型,以解决现有JDL 所不能处理的多图像融合以及合成传感器
(complex meta sensors)等问题；
6）另外分布式信息融合方法也受到越来越多学者的关注[12,13,14]。
4 信息融合应用举例
信息融合技术在军事、机器人、航空航天领域、图像处理、生物医学工程、智能交通系统等有着广泛的应用。下面介绍几个比较典型的应用：
1) 信息融合在工业机器人当中的应用
在工业机器人中除采用传统的位置速度和加速度传感器外装配焊接机器人还应用了视觉力觉和超声波等传感器。下表给出了多传感器信息融合技术在工业机器人领域应用的典型实例[21]。
2)信息融合的在线手写签名中的应用
在文献[23]，为了进一步提高认证效果,在演化计算、神经网络和离散F距手写签名认证算法的基础上,提出了基于信息融合的在线手写签名认证算法。该算法将测试签名和参考签名分别通过三种算法进行认证,得出测试签名为真实签名的置信度,然后对三种认证算法的结果进行加权融合,根据最终的融合结果进行签名真假的判定。实验结果表明,信息融合算法的误拒率和误纳率都有显著的减少。
3）信息融合在飞行器中的应用
飞行器的姿态和位置对飞行器起着至关重要的作用。因此，飞行机器人通常配有GPS/INS 导航器件。高精度的GPS信息可以用来修正INS, 控制其误差随时间的积累; 当GPS信号受到高强度干扰, 或当卫星系统接收机出现故障时, INS系统可以独立地进行导航定位。卡尔曼滤波和扩展的卡尔曼滤波是常用的信息融合算法。由Kong Wai Weng, Mohand Shukri 等人研制的四转轴飞行机器人配有加速度传感器方位传感器和陀螺仪用于测量机器人的位姿和倾角采用互补滤波器对各传感器输出的数据进行融合有效地减少了噪声对传感器的干扰。
5 信息融合技术发展前景展望
信息融合的发展非常迅速，下面几个研究发展方向是值得关注的。
1）基于Agent的信息融合[25,26]
在最新一期(2010 11(3))的Information Fusion是基于Agent的信息融合的特刊。多Agent 技术期望为复杂的工业应用系统、商业系统以及军事系统提供一个新的处理视角。这将会是以后研究的一个热点问题。
2) Web信息融合[27,28,29]
3）信息融合与信息安全[30,31]
6 参考文献
[1]Waltz E, Lilnas J . Multi-sensor data fusion [M ]. Boston: Artech House, 2000. 9 - 17.
[2] A. Noureldin, A. El-Shafie, M. R. Taha. Optimizing neuron-fuzzy modules for data fusion of
vehicular navigation systems using temporal cross-validation. Engineering Applications ofArtificial Intelligence, 2007, 20(1):49-61
[3]P. C. Lin, H. Komsuoglu, D. E.Koditschek. Sensor fusion for body state estimation in a
hexapod robot with dynamical gaits. IEEE Transactions on Robotics. 2006, 22(5): 932943 [4]Zhang, Y. and Q. Ji, Efficient Sensor Selection for Active Information Fusion. IEEE
TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART B-CYBERNETICS, 2010. 40: p. 719-728.
[5]Agaskar, A., T. He and L. Tong, Distributed Detection of Multi-Hop Information Flows With
Fusion Capacity Constraints. IEEE TRANSACTIONS ON SIGNAL PROCESSING, 2010.
58: p. 3373-3383.
[6]Karantzalos, K. and N. Paragios, Large-Scale Building Reconstruction Through Information
Fusion and 3-D Priors. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, 2010. 48: p. 2283-2296.
[7]陈森，徐克虎.C4ISR信息融合系统中的态势评估.火力与指挥控制，2006, 31(4):5-8
[8]高方君.C3I多传感器信息融合系统.火力与指挥控制，2008 33(4): 117-119
[9]李新德.多源不完善信息融合方法及其应用研究: [博士学位论文].武汉:华中科技大学图
书馆，2007.
[10]高健. DSmT信息融合技术及其在机器人地图创建中的应用: [博士学位论文].武汉:华中
科技大学图书馆，2007.
[11]童利标，漆德宁等. 无线传感器网络与信息融合.安徽人民出版社
[12]Yu, W., et al. , Distributed Consensus Filtering in Sensor Networks. IEEE TRANSACTIONS
ON SYSTEMS MAN AND CYBERNETICS PART B-CYBERNETICS, 2009. 39(6): p.
1568-1577.
[13]Khan, U.A. and J. Moura, Distributing the Kalman filter for large-scale systems. IEEE
TRANSACTIONS ON SIGNAL PROCESSING, 2008. 56(10): p. 4919-4935.
[14]Jafarizadeh, S., Fastest Distributed Consensus Problem on Fusion of Two Star Networks.
Submitted. 2010.
[15]黄心汉.《信息融合》导论[课件].华中科技大学
[16]Mark Bedworth , Jane O’ Brien Jemity. The omnibus model : A new model of data fusion.
In :Proceedings of 1999 International Conference on Information Fusion. California , USA :Sunnyvale , 1999. 337～345
[17]Hannah P , Starr A. Decisions in condition monitoring—An examplar for data fusion
architecture. In : Proceedings of 2000 International Conference on Information Fusion.
France : Paris , 2000. 291～298
[18]Carl B Frankel , Mark D Bedworth. Cont rol , estimation and abst raction in fusion
architectures : Lessions f rom human information processing. In Proceedings of 2000 International Conference on Information Fusion. France : Paris ,2000. 130～137
[19]Elisa Shahbazian Dale E , Blodgett Paul Labbé . The extended OODA model for data fusion
systems. In Proceedings of 2001 International Conference on Information Fusion. Canada : 2001. 106～112
[20]Luo L C , Kay M G. Multisensor integration and fusion for intelligent machines and systems.
US :Abbex Publishing Corporation , 1995. 321～456
[21]赵小川, 罗庆生与韩宝玲, 机器人多传感器信息融合研究综述. 传感器与微系统,
2008(08).
[22]潘泉等, 信息融合理论的基本方法与进展. 自动化学报, 2003(04).
[23]张伟龙, 郑建彬与詹恩奇, 基于信息融合的在线手写签名算法研究. 计算机应用研究,
2010(05).
[24]Dasarathy, B.V., A special issue on agent-based information fusion. Information Fusion, 2010.
11(3): p. 215-215.
[25]Dasarathy, B.V., A special issue on agent-based information fusion. Information Fusion, 2010.
11(3): p. 215-215.
[26]Das, S., Agent-based information fusion. Information Fusion, 2010. 11(3): p. 216-219.
[27]Dasarathy, B.V., A special issue on web information fusion. Information Fusion, 2008. 9(4): p.
443-443.
[28]Yao, J., V.V. Raghavan and Z. Wu, Web information fusion. Information Fusion, 2008. 9(4): p.
444-445.
[29]Yao, J., V.V. Raghavan and Z. Wu, Web information fusion: A review of the state of the art.
Information Fusion, 2008. 9(4): p. 446-449.
[30]Dasarathy, B.V., A Special Issue on information fusion in computer security. Information
Fusion, 2009. 10(4): p. 271-271.
[31]Corona, I., et al. , Information fusion for computer security: State of the art and open issues.
Information Fusion, 2009. 10(4): p. 274-284.
万方数据
万方数据
万方数据
万方数据
万方数据
多传感器信息融合方法综述 作者：吴秋轩， 曹广益 作者单位：上海交通大学电子信息与电气工程学院,上海,200030 刊名： 机器人 英文刊名：ROBOT 年，卷(期)：2003,25(z1) 被引用次数：2次 参考文献(5条) 1.周锐;申功勋;房建成基于信息融合的目标图像跟踪 1998(12) 2.张尧庭;桂劲松人工智能中的概率统计方法 1998 3.何友;王国宏;彭应宁多传感器信息融合 2000 4.罗志增;叶明Bayes方法的多感觉信息融合算法及其应用[期刊论文]-传感技术学报 2001(03) 5.张文修;吴伟业;梁吉业粗糙集理论与方法 2001 本文读者也读过(8条) 1.臧大进.严宏凤.王跃才.ZANG Da-jin.YAN Hong-feng.WANG Yue-cai多传感器信息融合技术综述[期刊论文]-工矿自动化2005(6) 2.多传感器信息融合及应用[期刊论文]-电子与信息学报2001,23(2) 3.赵小川.罗庆生.韩宝玲.ZHAO Xiao-chuan.LUO Qing-sheng.HAN Bao-ling机器人多传感器信息融合研究综述[期刊论文]-传感器与微系统2008,27(8) 4.范新南.苏丽媛.郭建甲.FAN Xin-nan.SU Li-yuan.GUO Jian-jia多传感器信息融合综述[期刊论文]-河海大学常州分校学报2005,19(1) 5.咸宝金.陈松涛智能移动机器人多传感器信息融合及应用研究[期刊论文]-宇航计测技术2010,30(2) 6.韩增奇.于俊杰.李宁霞.王朝阳信息融合技术综述[期刊论文]-情报杂志2010,29(z1) 7.肖斌多传感器信息融合及其在工业中的应用[学位论文]2008 8.丁伟.孙华.曾建辉.DING Wei.SUN Hua.ZENG Jian-hui基于多传感器信息融合的移动机器人导航综述[期刊论文]-传感器与微系统2006,25(7) 引证文献(2条) 1.武伟.郭三学基于多传感信息融合的轮胎气压监测系统[期刊论文]-轮胎工业 2006(5) 2.魏东.杨洋.李大寨.宗光华基于多传感器融合的机器人微深度环切[期刊论文]-传感器技术 2005(11) 本文链接：https://www.doczj.com/doc/d0316477.html,/Periodical_jqr2003z1037.aspx
全媒体时代和媒体融合发展论文 回望传播史，传媒技术的变迁无不深刻重塑新闻业态。全媒体时代，媒体融合发展是大势所趋。思想认识的高度，决定融合发展的深度。当前，我国媒体融合正处于从“相加”向“相融”加速奔跑的关键阶段，中央主要新闻单位主动适应变革，大力推动变革，以自我革命的勇毅担当深入推进媒体融合发展。 从文字、印刷术的发明到电讯技术的发明，再到如今互联网的发明，人类传播经历了从“铅与火”“光与电”到“数与网”的发展，人们获取信息的方式从未像今天这样便捷与快速，信息传播也从未像这样“全程”与“全效”。特别是在微博、微信等新兴传播平台，信息的发送与接收都能都在极短的时间内完成，只要有相应的接收设备，其覆盖面积几乎能达到全球的每一个角落。 全媒体时代，新兴传播平台对于突发事件、社会民生、环境保护、交通运输等热点事件进行讨论，瞬间扩散能力强，许多热点事件传播以“亿”为单位，无论是数量还是传播范围、传播频率都超过报纸等传统媒体。 对传统媒体而言，曾经由传统媒体掌控的舆论格局被打破，互联网正成为最大的舆论场。首先，网民在视频平台上传爆料类内容，发布信息、解读热点新闻越来越成为常态。其次，全媒体时代呈现出信息传播多元化、载体移动化、内容碎片化、传播社交化特征，导致舆论场“众声喧哗”，情绪多事实少，假新闻不时出现。再次，更值得关注的是，舆论场的议程，越来越跟着网络走。第四，一些新媒体传播平台，提供了跨越传统的地域
和职业的组织资源，日益成为汇聚新闻信息、探讨公共事务、推动社会舆论的“超级舆论集散地”，社会治理难度加大，不能不引起警思。 对主流媒体而言，应认真践行总书记媒体融合发展指示精神，应对全媒体时代挑战。通过媒体融合，进一步巩固和壮大主流舆论阵地，有效提升了传播力、引导力、影响力、公信力。对管理部门而言，应始终把党管意识形态、党管媒体、党管舆论原则贯穿全媒体时代新媒体平台发展始终。应明确各类平台的边界、行为规范，有针对性地管理好、运用好、发展好，同时密切关注新传播动向，不能再任由其野蛮生长。
多传感器数据融合技术及其应用 多传感器数据融合概念 数据融合又称作信息融合或多传感器数据融合,对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展,根据国外研究成果,多传感器数据融合比较确切的定义可概括为充分利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息。 多传感器数据融合原理 多传感器数据融合技术的基本原理就像人脑综合处理信息一样,充分利用多个传感器资源,通过对多传感器及其观测信息的合理支配和使用,把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合,以获得被测对象的一致性解释或描述。具体地说,多传感器数据融合原理如下: 1)N个不同类型的传感器(有源或无源的)收集观测目标的数据; (2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换,提取代表观测数据的特征矢量Yi; (3)对特征矢量Yi进行模式识别处理(如,聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等)完成各传感器关于目标的说明; 4)将各传感器关于目标的说明数据按同一目标进行分组,即关联; (5)利用融合算法将每一目标各传感器数据进行合成,得到该目标的一致性解释与描述。 多传感器数据融合方法
多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类,随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer(D-S)证据推理、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见,神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。 卡尔曼滤波法 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。如果系统具有线性动力学模型,且系统与传感器的误差符合高斯白噪声模型,则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。但是,采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时,存在很多严重的问题,例如:(1)在组合信息大量冗余的情况下,计算量将以滤波器维数的三次方剧增,实时性不能满足;(2)传感器子系统的增加使故障随之增加,在某一系统出现故障而没有来得及被检测出时,故障会污染整个系统,使可靠性降低。 多贝叶斯估计法 贝叶斯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。它使传感器信息依据概率原则进行组合,测量不确定性以条件概率表示,当传感器组的观测坐标一致时,可以直接对传感器的数据进行融合,但大多数情况下,传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计,将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数,通过使用联合分布函数的似然函数为最小,提
多传感器信息融合
0前言 移动机器人的定位问题是提高移动机器人自主能力的关键问题之一。具体来说，定位是利用先验环境地图信息、机器人位姿的当前估计及传感器的观测值等输入信息，经过一定的处理和变换，产生更加准确地对机器人当前位姿的估计。机器人的定位方式有很多种，如，基于光电寻线的定位、基于声纳的机器人自主定位、基于全景视觉的定位及基于激光测距的定位等。可以看出：机器人的定位方式取决于所采用的传感器。目前，在移动机器人上使用较多的传感器有视觉传感器、里程计和惯导系统、超声传感器、激光测距仪、GPS 定位系统等。其中，视觉传感器具有信息量大、感应时间短的优点，但往往获得的数据噪声大、信息处理时间长；激光传感器在测距范围和方向上具有较高的精度，但价格昂贵；超声波传感器虽然角度分辨力较低，但它处理信息简单、成本低、速度快，因此，在自主移动机器人上得到了广泛的应用；里程计是一种相对定位传感器，它通过累计计算得到定位信息，缺点是存在累计误差问题，因此，可结合绝对定位传感器，如超声传感器等，提供较准确的定位。各传感器都有它自己的局限性，因此，移动机器人往往同时装备多种传感器，各自提供关于机器人定位的消息。目前的趋势是：根据传感器的可靠性。使用不同类型的传感器来测量相关数据。本文采用扩展卡尔曼滤波( EKF) 技术，将里程计和超声波传感器所提供的数据进行融合定位。 1 机器人运动模型的建立 由于移动机器人机构复杂，为了便于构造运动学模型与规划控制机器人的位姿，本文选择两轮驱动小车作为运动平台。将整个机器人本体看作一个刚体，车轮视为刚性轮，并在运动不是太快而转弯半径较大时，不考虑车轮与地面侧向滑动的情况，其简化运动学模型如图1 所示。
第三届中国信息融合大会 中国 西安 2011.08 ———————————————————— 基金项目：航空基金项目，批准号：20090853013，西北工业大学校翱翔之星计划；西北工业大学基础研究基金：JC201015 多传感器航迹融合算法综述 张 伟，兰 华，杨 峰，梁 彦 （西北工业大学自动化学院，陕西 西安，710072） 摘 要：航迹融合是多传感器融合的一个重要组成部分，也是多传感器融合领域发展最快的方向之一。本文论述了航迹融合理论发展，以局部航迹估计误差的相关性为研究对象，详细讨论了几种主流航迹融合算法，包括简单凸组合、修正互协方差、不带反馈和带反馈的最优分布式融合、协方差交集、最优线性无偏估计以及自适应航迹融合等算法，分析并比较了各算法的特点、性能及应用。 关键词：多传感器；航迹融合；误差相关性 Approaches to Mutisensor Track-to-Track Fusion ：A Survey ZHANG Wei, LAN Hua, YANG Feng, LIANG Yan (College of Automation, Northwestern Polytechnical University, Xi’an Shannxi 710072, P .R. China) Abstract : Track-to-track fusion is an important part of multisensor fusion and is also one of the most rapidly developing branches of the multisensor fusion field. Various mainstream track-to-track fusion algorithms, including covariance convex algorithm, Bar Shalom-Campo algorithm, optimal distributed fusion without feedback, optimal distributed fusion with feedback, covariance intersection algorithm, best linear unbiased estimation algorithm and adaptive fusion algorithm, are investigated in detail, according to the correlation between local estimate errors. The performance of various algorithms and the weaknesses and strengths of the approaches in the context of different applications are analyzed and compared in this paper. Keywords ：Multisensor ; track-to-track fusion; error correlation 0引 言 在一个分布式多传感器环境中，每个传感器对于目标进行探测和跟踪的过程都是独立的，航迹关联关心的是如何判断从不同传感器获得的两条航迹是否对应于同一个目标。当确认两条航迹来自同一个目标后，接下来的问题是如何将这两条航迹的估计结果融合在一起，这就是航迹融合问题[1] 。 在航迹关联与航迹融合的问题中，由于参与融合的局部航迹之间存在误差相关性，从而使得航迹融合问题变得复杂。航迹融合中的误差相关性可以分为两类，一类是各局部状态估计之间由于共同的过程噪声、相关的量测噪声以及共同的先验估计而产生的 误差相关性；另一类是当融合中心具备记忆能力并存在多条传感器至融合中心的信息传播途径，局部状态（先验）估计与全局状态（先验）估计之间也存在有相关性[2]。因此，对局部航迹之间误差相关性的分析是航迹融合的基础和关键。在航迹融合的发展过程中，对误差相关性不同处理方式一直是航迹融合算法发展的主轴。 早期的航迹融合算法假设局部航迹之间的估计误差是独立的[3][4]，文献[5,6]首次考虑了由于相同过程噪声所导致的航迹误差相关性，并且分别给出了两传感器的最优关联和融合算法，文献[7]首次给出了多传感器最优估计的方法。一般的航迹关联和融合算法都需要计算它们之间的互协方差矩阵，
多传感器信息融合技术论文多传感器信息融合技 术论文阐述了多传感器信息融合的定义、原理、分类和结构，分析了多传感器信息融合的特点及其研究方向多传感器信息融合技术论文【1】关键词：多传感器信息融合研究方向 1 、多传感器信息融合的定义多传感器信息融合也称为信息融合或数据融合，指的是对不同知识源和多个传感器所获得的信息进行综合处理，消除多传感器信息之间可能存在的冗余和矛盾，利用信息互补，降低不确定性，以形成对系统环境相对完整一致的理解，从而提高智能系统决策和规划的科学性、反应的快速性和正确性，进而降低决策风险的过程。 由其定义可见，多传感器信息融合避免了单一传感器的局限性，可以获取更多信息，得出更为准确、可靠的结论。 2 、多传感器信息融合的原理多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。如果把单传感器信号处理或低层次的数据处理方式看作是对人脑信息处理的一种低水平模仿，那么多传感器信息融合就是对人脑信息处理的一种高水平模仿。 多传感器信息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，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在时间或空间上的冗余或互补信息依据某种准 则来进行组合，以获得被测对象的一致性解释或描述[1] 。 3 、多传感器信息融合的分类 信息的数据融合是对多源数据进行多级处理，每一级处理都代表了
对原始数据的不同程度的抽象化，它包括对数据的检测、关联、估计和组合等处理。信息融合按其在传感器信息处理层次中的抽象程度，可以分为三个层次：像素层融合、特征层融合及决策层融合[2] 。 3.1 像素层融合它是最低层次的融合，是在采集到的传感器的原始信息层次上（未经处理或只做很少的处理）进行融合，在各种传感器的原始测报信息未经预处理之前就进行信息的综合和分析。其优点是保持了尽可能多的战场信息; 其缺点是处理的信息量大，所需时间长，实时性差。 3.2 特征层融合属于融合的中间层次，兼顾了数据层和决策层的优点。它利用从传感器的原始信息中提取的特征信息进行综合分析和处理。也就是说，每种传感器提供从观测数据中提取的有代表性的特征，这些特征融合成单一的特征向量，然后运用模式识别的方法进行处理。这种方法对通信带宽的要求较低，但由于数据的丢失使其准确性有所下降。 3.3 决策层融合指在每个传感器对目标做出识别后，将多个传感器的识别结果进行融合。这一层融合是在高层次上进行的，融合的结果为指挥控制决策提供依据。 决策层融合的优点是：具有很高的灵活性，系统对信息传输带宽要求较低; 能有效地融合反映环境或目标各个侧面的不同类型信息，具有很强的容错性;通信容量小，抗干扰能力强; 对传感器的依赖性小，传感器可以是异质的; 融合中心处理代价低。 4 、多传感器信息融合的融合结构多传感器信息融合通常是在一个
本次讲座主要讲了多源数据融合的定义、应用领域、所具有的优势、信息融合的级别、通用处理结构、主要技术方法、要解决的几个关键问题和未来的主要研究方向。下面就围绕这几个方面进行阐述。 多源信息融合是一种多层次，多方面的处理过程，包括对多源数据进行检测、相关、组合和估计，从而提高状态和身份估计的精度，以及对战场态势和威胁的重要程度进行实时完整的评估。简单说，多源信息融合就是对多源信息进行综合处理，从而得出更为准确、可靠的结论。例如我们感知天气，通过我们的体表感觉温度的高低，通过眼睛观察天气的晴朗或阴雨，通过耳朵听风的大小，然后将这些信息通过大脑的综合处理，对天气有一个总体的感知定位。 多源信息融合在各个领域都有着广泛的应用。如军事上进行战场监视、图像融合，包含医学图像融合等、工业智能机器人（对图像、声音、电磁等数据进行融合，以进行推理，从而完成任务）、空中交通管制（由导航设备、监事和控制设备、通信设备和人员四部分组成）、工业过程监控（过程诊断）、刑侦（将人的生物特征如指纹、虹膜、人脸、声音等信息进行融合，可提高对人身份识别的能力）、遥感等。 信息融合技术越来越受到人们的重视，这时因为它在信息处理方面具有一定的优势。增强系统的生存能力，也就是防破坏能力，改善系统的可靠性；可以在时间、空间上扩展覆盖范围；提高可信度，降低信息的模糊度，如可以使多传感器对同一目标或时间加以确定；提高空间分辨率，多传感器信息的合成可以获得比任一单传感器更高的分辨率；增加了测量空间的维数，从而使系统不易受到破坏。 信息融合的级别有多种分类方法，若按数据抽象的层次来分，可分为数据级融合、特征级融合和决策级融合。数据级融合是直接对传感器的观测数据进行融合处理，然后基于融合后的结果进行特征提取和判断决策。数据级融合的精度高，但由于数据量大，故处理的时间长，代价高，数据通信量大，抗干扰能力差，并且要求传感器是同类的。多应用在多源图像复合、同类雷达波形的直接合成等。特征级融合是先由每个传感器抽象出自己的特征向量（比如目标的边缘、方向、速度等信息），融合中心完成的是特征向量的融合处理。这种融合级别实现了可观的数据压缩，降低了通信带宽的要求，有利于实现实时处理，但却损失了一部分有用信息，使融合性能有所降低。决策级融合是先由每个传感器基于自己的数据作出决策，然后融合中心完成的使局部决策的融合处理。这种级别的融合数据损失量大，相对来讲精度低，但却抗干扰能力强，通信量小，对传感器依赖小，不要求同质传感器，融合中心处理代价低。 图1、集中式结构 多源数据融合的通用结构有集中式结构、分布式结构和混合式结构。集中式结构是所有传感器的数据直接送给融合中心进行处理，结构如图1所示。 分布式结构是融合中心收到的是经过局部处理的数据，结构如图2所示。混合式结构是
龙源期刊网 https://www.doczj.com/doc/d0316477.html, 媒介融合的研究进展 作者：王卿力吴兰 来源：《新闻世界》2016年第03期 【摘要】互联网时代，新媒体与传统媒体之间的合作与发展已成为必然趋势。传统媒体不断创新以谋求更好的发展，新媒体也在继承中不断发展。媒介的融合发展引起学者的高度重视与研究。本文对媒介融合研究文献进行了综述与分析。 【关键词】媒介融合；新媒体；传统媒体；文献综述 媒介融合（Media Convergence）概念始于20世纪80年代的美国，其最简单的定义是将原先属于不同类型的媒介结合在一起。大学教授I·浦尔曾表示，媒介融合指的是各种媒介呈现出来的多功能一体化的一种发展趋势，并把历来泾渭分明的传播形态聚合的原因归结为数码电子科技的发展。当前学术界对媒介融合的定义主要为：狭义层面，是指“融合”不同的媒介形态，形成一种新的媒介形态，如手机报等；广义层面，则指对一切媒介及相关要素的汇聚、融合。 媒介融合概念起源于国外，然而当下国内对它的探究分析已经很多，覆盖的范围也很广。当前学者对媒介融合的研究，主要侧重于新旧媒介的融合，其中对电视新闻编辑、报刊转型的研究更加重视。目前已有的研究，为之后的相关研究提供了参考。 媒介融合研究现状分析 学术界从不同角度对媒介融合进行有深度的研究分析，强劲的媒介融合趋势研究成为热点。徐沁的《媒介融合：新闻传播业的新趋势》，归纳了众多国内外学者的研究分析。在文中，她列举分析关于媒介融合给新闻业带来的挑战与机遇：Lynn和Smith归纳出七大影响——对分销商的影响、对媒介各部门关系的影响、全球化背景的影响等；Don Corrigan教授强烈反对布什政府媒介管制的观点，表示这会产生对新闻多样性与民主性的影响，以及他将矛头指向记者的角色转变与新闻的质量受损等观点。这篇文章通过对媒介融合发展趋势做出分析，让受众对媒介融合发展趋势有更全面的认知。 许颖在《互动·整合·大融合———媒体融合的三个层次》中表示，媒介融合是一个过程，具有分层次与分阶段的特征。她指出媒体融合的三个层次——媒介互动（媒体战术性融合）、媒介整合（媒体组织结构性融合）、媒介大融合（不同媒介形态在一个多媒体数字平台上集合）。虽然当前媒介融合更多的是同时发生、各自推进，但是在媒介融合的过程中，无论媒体处于何种融合的层面，内容和服务都应是媒介最重要的关注点。 除了研究媒介融合的趋势之外，也有学者对传统媒体与新媒体的具体融合发展问题进行探究。柳邦坤在《传统媒体与新兴媒体融合发展问题探析》中，分析了传统媒体与新媒体的竞争发展问题。新媒体与传统媒体有各自优势与特征：传统媒体在组织与管理、采编能力等方面具
数据融合技术的研究方法及现状 学科专业：模式识别与智能系统 姓名：高鸽 学号：S2******* 日期：2012年4月
常用数据融合方法 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络、人工智能、小波分析理论和支持向量机等。很多学者从不同角度出发提出了多种数据融合技术方案。表1对现有比较常用的数据融合方法进行了归纳，主要分为经典方法和现代方法两大类。 目前，人们已开始将多传感器信息融合应用于复杂工业过程控制系统，文献[25]提出的复杂工业过程综合集成智能控制系统便是其中的一种。 表1 常用的数据融合方法 1）加权平均法 加权平均法是最简单直观地实时处理信息的融合方法。基本过程如下： 设用n 个传感器对某个物理量进行测量, 第i 个传感器输出的数据为i X , 其中，i= 1,2,…,n, 对每个传感器的输出测量值进行加权平均, 加权系数为i w ,得到的加权平均融 合结果为：i 1 =n i i X w X =∑ 加权平均法将来自不同传感器的冗余信息进行加权平均, 结果作为融合值。应用该方法必须先对系统和传感器进行详细分析, 以获得正确的权值。
2）极大似然估计 极大似然估计是静态环境中的常用方法，能将信息融合取为使似然函数得到估计值。 3）Kalman 滤波 Kalman 滤波用于动态环境中冗余信息的实时融合。对线性模型系统, 且噪声是高斯分布的白噪声, 可获得最优融合信息统计。非线性模型, 可采用扩展Kalman 滤波。系统模型有变化或系统状态有渐/ 突变时, 可采用基于强跟踪的Kalman 滤波。 4）贝叶斯估计法 贝叶斯估计属静态环境信息融合方法，信息描述为概率分布，适用于具有加高斯噪声的不确定信息处理。 贝叶斯推理技术主要用来进行策略层融合，它是通过把先验信息和样本信息合成为后验分布，对检测目标作出推断。设来自第i 个传感器的信息为 i s ，i=1,2,…k ，则数据融合后 目标d 的后验概率是： 1 1 1 ()(|) |()(|)()(|) k i i k k i i i i i P d P d P P d P d P d P d s s s s ===+∏∏∏（d ）= 缺点：对先验概率比较敏感，并且要找到一个合适的先验分布并不容易。 4）D-S 法 Dempster-Shafter （简称D-S 法）是目前数据融合技术中比较常用的一种方法。该方法通常用来表示对于检测目标的大小、位置及存在与否进行推断。它实际上是广义的贝叶斯方法。根据人的推理模式，采用了概率区间和不确定区间来决定多证据下假设的似然函数来进行推理。由各种传感器检测到的信息提取的特征参数构成了该理论中的证据，利用这些证据构造相应的基本概率分布函数，对于所有的命题赋予一个信任度。基本概率分布函数及其相应的分辨框合称为一个证据体。因此，每个传感器就相当于一个证据体。多个传感器数据融合，实际上就是在同归分辨框下，用Dempster 合并规则将各个证据体合并成一个新的证据体。产生新证据体的过程就是D-S 法数据融合。 5）聚类分析法 聚类分析定义相似性函数或关联度量以提供任何两个特征向量间“接近”程度或不相似程度的值, 依隶属度将样本归并到某类。可分成硬聚类和模糊聚类和可能性聚类等方法。 6）模糊逻辑法 针对数据融合中所检测的目标特征具有某种模糊性的现象，有人利用模糊逻辑方法对检测目标进行识别和分类。建立标准检测目标和待识别检测目标的模糊子集是此方法的研究基础。但模糊子集的建立需要有各种各样的标准检测目标，同时又必须建立合适的隶属函数。实际上，确定隶属函数比较麻烦，目前还没有规范的方法可遵循。又由于
互联网时代传统媒体媒介融合现状研究 专业：传播学 姓名：刘兆兰 一、研究意义 历经30多年的改革与开放，目前中国传媒业已形成由报纸、杂志、广播、电视等传统媒体与网络、手机等新媒体共同构成的全方位、多层次的传播架构。以互联网和手机为代表的新媒体深刻地改变了媒介市场的内在结构和总体格局，并引发了媒介革命。在媒介市场日益多样化的今天，新媒体和传统媒体在竞争中相互促进，共同发展，媒介融合应运而生。媒介融合日益成为当下传统媒体产业发展的一种战略思想。 2010年1月，国务院((关于印发三网融合总体方案的通知》和2010年6月《关于印发三网融合试点方案的通知》将推进三网融合作为当前和今后一个时期应对国际金融危机的重大举措和培育战略性新兴产业的重要任务。通过三网融合，可以节省网络资源，降低业务拓展成本，提高整个网络的经济价值，并进一步加速媒介融合。目前，媒介融合已经上升到国家战略层面，日益成为推动传媒产业快速发展的全新的产业革命。 2015年11月3日，新华社受权发布《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》。“建议”提出：拓展网络经济空间，实施“互联网+”行动计划，推进产业组织、商业模式、供应链、物流链创新，支持基于互联网的各类创新；加强网上思想文化阵地建设，实施网络内容建设工程，发展积极向上的网络文化，净化网络环境，推动传统媒体和新兴媒体融合发展，加快媒体数字化建设，打造一批新型主流媒体。十三五规划建议进一步体现了国家政策对于媒介融合的关注与支持，发展媒介融合，是互联网新时代传统媒体发展的必行之路。 从新闻传播理论方面来看，基于法兰克福学派批判理论中的“工具理性”观点，从新闻传播实践的层面来讲，互联网技术的飞速发展对传统媒体来说既是危机也是转机，危机已经很明显，而转机则在于互联网为传统媒体的变革提供了更好的综合条件以及更多的可能性。传统媒体应该立足媒介融合，努力探寻更适合自身发展的融合之道，以巩固自身的根基，并建立健康发展所需的更加庞大多元的原料供给管道。 综合来看，媒介融合的研究对于中国当下的媒体来说意义重大。作为媒体发展的必然方向，相关的研究一定会给媒介融合今后的具体时间提供可依据的经验和教训，使我国的媒介融合走上更成熟稳健的道路。 二、媒介融合的定义 （一）媒介融合定义 1、外国学者对媒介融合的定义 20世纪80年代，美国马萨诸塞州理工大学的浦尔教授最早提出“媒介融合”的概念，其本意是指各种媒介呈现出多功能一体化的趋势。 美国新闻学会媒介研究中心主任Andrew Nachison将"融合媒介"定义为"印刷的、音频的、视频的、互动性数字媒体组织之间的战略的、操作的、文化的联盟"，他强调的"媒介融合"更多是指各个媒介之间的合作和联盟。 2、中国学者对媒介融合的定义 喻国明教授在《传媒经济学》中认为，媒介融合是指报刊、广播电视、互联网所依赖的
一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman 滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、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。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。 实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。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。 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算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。 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。 二、算法介绍： 2.1多传感器数据自适应加权融合估计算法： 设有n 个传感器对某一对象进行测量，如图1 所示，对于不同的传感器都有各自不同的加权因子，我们的思想是在总均方误差最小这一最优条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的X值达到最优。
媒体融合整体解决方案 步入全媒体时代，各级媒体机构纷纷探索媒体融合业务，积极开展新型制播体系建设。在此背景下，应运而生了全媒体融合生产与运营平台（即媒体融合平台），可全方位满足各广电媒体机构在融合新闻生产、融合节目制作、多屏互动播出、媒体智慧运营等方面的需求。 全媒体融合生产与运营平台以融合资源环境为核心，支持互联网媒体资源、UGC/PGC内容资源、合作伙伴资源、台内各系统内容资源的统一聚合。聚合后的媒体资源由融合资源环境进行统一的管理、展现、共享，形成面向全台（集团）的融合资源库。除了支持对媒体资源进行管理外，融合资源环境也是面向全媒体融合生产的公共基础平台，媒体融合平台的人员/权限、计算能力、存储资源、应用工具等也由融合资源环境进行统一管理。 此外，在全媒体融合生产与运营平台中还预置了大量的生产工具，包括全媒体指挥调度工具、收录采集工具、节目制作工具、文稿撰写工具、内容审核工具、资源管理工具、互动播出工具、大数据分析工具等，在融合平台中即可以完成所有的传统媒体内容生产和新媒体内容生产工作。各种生产工具基于标准接口访问融合资源库，而且可以根据业务流程和组织结构组成各种“逻辑”上的工作群组，从而提供灵活、强大、可扩展的生产制播能力。 鉴于台内已经有新闻系统、制作系统、媒资系统、播出系统等，而且这些系统在未来一段时期内还将继续存在，融合平台可以与台内已有的各种系统进行整合对接，在内容资源、计算资源、存储资源等方面为原有业务系统提供强大支撑，优化原有的生产工艺流程，提升原有业务的工作效率。未来，随着业务的发展和
系统的升级换代，可以逐步将原有的业务整合到新的融合平台中，实现进一步的融合。 在内容发布运营方面，全媒体融合生产与运营平台除了能够满足电视、广播的内容生产要求外，还可为各种新媒体业务（如网络电视台、两微一端、IPTV、OTT、互动电视等）以及广播、报纸等提供内容生产及运营服务，助力各广电媒体机构开展广电的“互联网+”业务，进行多渠道拓展和多业态运营，提升媒体的传播力、引导力、影响力和公信力。
态势感知中的数据融合和决策方法综述 作者简介：盖伟麟(1987－)，男，硕士研究生，主研方向：网络与信息安全，态势感知；辛丹、王璐，硕士研究生；欣，讲 师、博士；胡建斌，副教授、博士。 收稿日期：2013-03-05 修回日期：2013-05-08 E-mail：gaiweilin54070225163. 态势感知中的数据融合和决策方法综述 盖伟麟a，辛丹a，王璐b，欣a，胡建斌b (大学a. 软件与微电子学院；b. 信息科学技术学院，100871) 摘要： 在赛博空间态势感知的相关研究中，处理不确定、不精确的多源异构信息是态势认识过程中需要解决的一个重要问题。为正确处理这些信息，提高对态势的认识，使得到的态势更具有正确性、时效性和全局性，研究数据融合方式和决策方式等现存的处理技术并进行综述。数据融合包含贝叶斯网络、D-S 证据理论、粗糙集理论、神经网络、隐马尔科夫模型及马尔科夫博弈论等方式，决策方式涵盖认知心理学、逻辑学、风险管理等。研究结果表明，目前的技术焦点呈现多样性，但在态势生成应用及验证方面仍有较大的改进空间。 关键词：赛博空间；态势感知；多源异构；数据融合；决策 Review of Date Fusion and Decision-making Methods in Situation Awareness GAI Wei-lina, XIN Dana, WANG Lub, LIU Xina, HU Jian-binb (a. School of Software and Microelectronics; b. School of Electronics Engineering and Computer Science, Peking University, Beijing 100871, China) 【Abstract】In the research of cyberspace situation awareness, how to deal with uncertain, inaccurate multi-source heterogeneous information is an important problem which needs to be solved in the process of situational understanding. In order to accurately handle with the information, improve the awareness of the situation, make the situation more accuracy, timeliness and overall, the paper reviews the existing technology focus, mainly including data fusion methods and decision-making methods. Data fusion methods mainly includes Bayesian network, D-S evidence theory, rough set theory, neural network, hidden Markov model and Markov game theory methods, and decision-making mainly includes cognitive psychology, logic and risk management methods. Research results show that current technology focuses present diversity, but still has great space for improvement in both the situation generation application and verification. 【Key words】cyberspace; situation awareness; multi-source heterogeneous; data fusion; decision-making DOI: 10.3969/j.issn.1000-3428.2014.05.005 计算机工程 Computer Engineering 第40 卷第5 期
论西方“媒体融合”的现状与启示 摘要］在近些年的社会舆论中，媒体融合这个概念往往披着一层神秘的面纱。特别是在未来主义和自由经济舆论的鼓吹下，媒体融合不仅代表让人眼花缭乱的新技术，仿佛还预示着天赋人权和民主自由的人类理想，因而成为了象征实现社会进步、经济发展、人类平等的金钥匙。笔者认为北美关于媒体融合的研究把媒体融合现象作为起点，着重剖析现象背后更深层次的政经、机构、政策、发展、社会关系和权力结构的本质、动因以及影响。总的来说，在全球传播体系市场化、自由化和数字化的大背景下，媒体融合不仅是全球资本主义体系通过传播信息产业自我更新和自我重组的具体手段，同时也给发展策略、行业监管、资本积累、劳动关系、社会民主和大众文化带来了种种互相制衡的矛盾的影响，历史的延续性和革新性是媒体融合的双重特点。 ［关键词］传播政治经济学；媒体融合；概述 洪宇，美国伊利洛伊大学厄巴纳-香槟分校(UIUC)传播学博士，现任Muhlenberg College 媒体传播学院助理教授。洪宇的研究方向包括：中国信息传播产业与政治经济研究，国际传播以及发展问题。电子邮件yuhonguiuc@https://www.doczj.com/doc/d0316477.html, “媒体融合”，作为一个学术概念，它的内涵与外延非常的丰富，人们对媒体融合的界定往往受潜在的经济逻辑和主流意识形态的影响；作为历史现象，媒体融合的发展也还未有终结。处在最活跃的经济和技术领域，媒体融合的走势受到宏观政治、意识形态、产业政策、市场、技术、核心价值和社会大众的多方影响。介于“媒体融合”是一个动态的学术热点,本文试图粗略地归纳出几种比较突出的研究途径和角度。特别是站在传播政治经济学的角度，本文旨在审视北美学者近几年内对“媒体融合”现象的预测、分析以及常用的理论分析框架。总体来说，北美学者对媒体融合的探讨大致分三大重点：第一个重点考量媒体融合这一历史现象的性质，并试图解释趋势背后的主要推动力和阻力;第二个重点通过实证研究方法，对媒体融合的具体状况加以分析。对于新媒体政策与新融合经济的解析是这个方向的重中之重；第三个重点涉及媒体融合所带来的，反映在大众政治、公共文化、社会关系上的种种深刻影响。可以说，一方面，通过对当今全球资本主义格局的分析，北美传播学，特别是传播政治经济学，对“媒体融合”概念中另人眼花缭乱的技术未来主义成分做了“去神秘化”的剖析；另一方面，由于认识到在市场化和自由化的全球影响下，媒体融合已超越言论，成为了实实在在的、承载国际政治经济角逐、影响国内社会权力结构的重要历史趋势，北美学者也因此给于媒体融合足够的重视，对这个历史进程在当今政治、经济、社会、文化、机构和权力分配中起到的有机作用做了全方位的研究。 一、什么是媒体融合？ 媒体融合最早是由MIT政治学学者Ithiel de Sola Pool提出的。他在1983年的专著Technologies of Freedom中，把媒体融合描绘成一股未来趋势。这个概念泛指由数字技术
媒体融合发展是一项紧迫课题 习近平这样提出要求1月25日上午，中共中央政治局就全媒体时代和媒体融合发展举行第十二次集体学习，中共中央总书记习近平主持学习。 特别课堂 25日上午，在习近平带领下，中共中央政治局同志来到人民日报社新媒体大厦。这次学习把“课堂”设在了媒体融合发展的第一线，采取调研、讲解、讨论相结合的形式进行。 紧迫课题 推动媒体融合发展、建设全媒体成为我们面临的一项紧迫课题。 重要判断 全媒体不断发展，出现了全程媒体、全息媒体、全员媒体、全效媒体，信息无处不在、无所不及、无人不用，导致舆论生态、媒体格局、传播方式发生深刻变化，新闻舆论工作面临新的挑战。 重磅要求 党报、党刊、党台、党网等主流媒体必须紧跟时代，大胆运用新技术、新机制、新模式，加快融合发展步伐，实现宣传效果的最大化和最优化。 党报党刊要加强传播手段建设和创新，发展网站、微博、微信、电子阅报栏、手机报、网络电视等各类新媒体，积极发展各
种互动式、服务式、体验式新闻信息服务，实现新闻传播的全方位覆盖、全天候延伸、多领域拓展，推动党的声音直接进入各类用户终端，努力占领新的舆论场。 我们要因势而谋、应势而动、顺势而为，加快推动媒体融合发展，使主流媒体具有强大传播力、引导力、影响力、公信力，形成网上网下同心圆，使全体人民在理想信念、价值理念、道德观念上紧紧团结在一起，让正能量更强劲、主旋律更高昂。 实现路径 采编发流程再造和融媒体中心建设是媒体融合发展的重要一环。要运用信息革命成果，推动媒体融合向纵深发展，做大做强主流舆论。推动媒体融合发展： 要坚持一体化发展方向，通过流程优化、平台再造，实现各种媒介资源、生产要素有效整合，实现信息内容、技术应用、平台终端、管理手段共融互通，催化融合质变，放大一体效能，打造一批具有强大影响力、竞争力的新型主流媒体。 要坚持移动优先策略，让主流媒体借助移动传播，牢牢占据舆论引导、思想引领、文化传承、服务人民的传播制高点。 要探索将人工智能运用在新闻采集、生产、分发、接收、反馈中，全面提高舆论引导能力。 要统筹处理好传统媒体和新兴媒体、中央媒体和地方媒体、主流媒体和商业平台、大众化媒体和专业性媒体的关系，形成资源集约、结构合理、差异发展、协同高效的全媒体传播体系。 要依法加强新兴媒体管理，使我们的网络空间更加清朗。