数据融合(data fusion)原理与方法2007年01月21日星期日 18:41数据融合（data fusion）原理与方法
数据融合（data fusion）最早被应用于军事领域。
现在数据融合的主要应用领域有：多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信息源更精确、更完全、更可靠的估计和判断......
一. 数据融合基本涵义
数据融合（data fusion）最早被应用于军事领域。
现在数据融合的主要应用领域有：多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信息源更精确、更完全、更可靠的估计和判断。相对于单源遥感影象数据，多源遥感影象数据所提供的信息具有以下特点：
1.冗余性：表示多源遥感影像数据对环境或目标的表示、描述或解译结果相同；
2.互补性：指信息来自不同的自由度且相互独立
3.合作性：不同传感器在观测和处理信息时对其它信息有依赖关系；
4.信息分层的结构特性：数据融合所处理的多源遥感信息可以在不同的信息层次上出现，这些信息抽象层次包括像素层、特征层和决策层，分层结构和并行处理机制还可保证系统的实时性。
实质：在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法，生成一幅新的、更能有效表示该目标的图像信息。
目的：将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，改善遥感信息提取的及时性和可靠性，提高数据的使用效率。
二、数据融合原理及过程
一般来说，遥感影像的数据融合分为预处理和数据融合两步
1.预处理：
主要包括遥感影像的几何纠正、大气订正、辐射校正及空间配准
（1）几何纠正、大气订正及辐射校正的目的主要在于去处透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；
（2）影像空间配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。
影像的空间配准时遥感影像数据融合的前提空间配准一般可分为以下步骤 :
(1）特征选择：在欲配准的两幅影像上，选择如边界、线状物交叉点、区域轮廓线等明显的特征。
（2）特征匹配：采用一定配准算法，找处两幅影像上对应的明显地物点，作为控制点。
（3）空间变化：根据控制点，建立影像间的映射关系。
（4）插值：根据映射关系，对非参考影像进行重采样，获得同参考影像配准的影像。
空间配准的精度一般要求在1~2个像元内。空间配准中最关键、最困难的一步就是通过特征匹配寻找对应的明显地物点作为控制点。
2.数据融合
根据融合目的和融合层次智能地选择合适的融合算法，将空间配准的遥感影像数据（或提取的图像特征或模式识别的属性说明）进行有机合成，得到目标的更准确表示或估计。
对于各种算法所获得的融合遥感信息，有时还需要做进一步的处理，如"匹配处理"和"类型变换"等，以便得到目标的更准确表示或估计。
三、数据融合分类及方法
1 数据融合方法分类
遥感影像的数据融合方法分为三类：基于像元（pixel）级的融合、基于特征(feature)级的融合、基于决策(decision)级的融合。融合的水平依次从低到高。
1.1 像元级融合
像元级融合是一种低水平的融合。
像元级融合的流程为：经过预处理的遥感影像数据——数据融合——特征提取——融合属性说明。
优点：保留了尽可能多的信息，具有最高精度。
局限性：
1. 效率低下。由于处理的传感器数据量大，所以处理时间较长，实时性差。
2. 分析数据限制。为了便于像元比较，对传感器信息的配准精度要求很高，而且要求影像来源于一组同质传感器或同单位的。
3.分析能力差。不能实现对影像的有效理解和分析
4.纠错要求。由于底层传感器信息存在的不确定性、不完全性或不稳定性，所以对融合过程中的纠错能力有较高要求。
5.抗干扰性差。
像元级融合所包含的具体融合方法有：代数法、IHS变换、小波变换、主成分变换（PCT）、K-T变换等
1.2 特征级融合
特征级融合是一种中等水平的融合。在这一级别中，先是将各遥感影像数据进行特征提取，提取的特征信息应是原始信息的充分表示量或充分统计量，然后按特征信息对多源数据进行分类、聚集和综合，产生特征矢量，而后采用一些基于特征级融合方法融合这些特征矢量，作出基于融合特征矢量的属性说明。
特征级融合的流程为：经过预处理的遥感影像数据——特征提取——特征级融合——（融合）属性说明。
1.3 决策级融合
决策级融合是最高水平的融合。融合的结果为指挥、控制、决策提供了依据。在这一级别中，首先对每一数据进行属性说明，然后对其结果加以融合，得到目标或环境的融合属性说明。
决策级融合的优点时具有很强的容错性，很好的开放性，处理时间短、数据要求低、分析能力强。而由于对预处理及特征提取有较高要求，所以决策级融合的代价较高。
决策级融合的流程：经过预处理的遥感影像数据——特征提取——属性说明——属性融合——融合属性说明。
2 数据融合方法介绍
2.1 代数法
代数法包括加权融合、单变量图像差值法、图像比值法等。
（1）加权融合法
（2）单变量图象差值法
（3）图象比值法
2.2 图像回归法（Image Regression）
图像回归法是首先假定影像的像元值是另一影像的一个线性函数，通过最小二乘法来进行回归，然后再用回归方程计算出的预测值来减去影像的原始像元值，从而获得二影像的回归残差图像。经过回归处理后的遥感数据在一定程度上类似于进行了相对辐射校正，因而能减弱多时相影像中由于大气条件和太阳高度角的不同所带来的影响。
2.3 主成分变换（PCT）
也称为W-L变换，数学上称为主成分分析（PCA）。PCT是应用于遥感诸多领域的一种方法，包括高光谱数据压缩、信息提取与融合及变化监测等。PCT的本质是通过去除冗余，将其余信息转入少数几幅影像（即主成分）的方法，对大量影像进行概括和消除相关性。PCT 使用相关系数阵或协方差阵来消除原始影像数据的相关性，以达到去除冗余的目的。对于融合后的新图像来说各波段的信息所作出的贡献能最大限度地表现出来。
PCT的优点是能够分离信息，减少相关，从而突出不同的地物目标。另外，它对辐射差异具有自动校正的功能，因此无须再做相对辐射校正处理。
2.4 K-T变换
即Kauth-Thomas变换，简称K-T变换，又形象地成为"缨帽变换"[14]。它是线性变换的一种，它能使座标空间发生旋转，但旋转后的坐标轴不是指向主成分的方向，而是指向另外的方向，这些方向与地面景物有密切的关系，特别是与植物生长过程和土壤有关。以此，这种变换着眼于农作物生长过程而区别于其他植被覆盖，力争抓住地面景物在多光谱空间的特征。通过这种变换，既可以实现信息压缩，又可以帮助解译分析农业特征，因此
有很大的实际应用意义。
目前对这个变换在多源遥感数据融合方面的研究应用主要集中在MSS与TM两种遥感数据的应用分析方面。
2.5 小波变换
小波变换是一种新兴的数学分析方法，已经受到了广泛的重视。小波变换是一种全局变换，在时间域和频率域同时具有良好的定位能力，对高频分量采用逐渐精细的时域和空域步长，可以聚焦到被处理图像的任何细节，从而被誉为"数学显微镜"。
小波变换常用于雷达影像SAR与TM影像的融合。它具有在提高影像空间分辨率的同时又保持色调和饱和度不变的优越性。
2.6 IHS变换
3个波段合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度I，色度H，饱和度S，它们分别对应3个波段的平均辐射强度、3个波段的数据向量和的方向及3个波段等量数据的大小。RGB颜色空间和IHS色度空间有着精确的转换关系。
以TM和SAR为例，变换思路是把TM图像的3个波段合成的RGB假彩色图像变换到IHS 色度空间，然后用SAR图像代替其中的I值，再变换到RGB颜色空间，形成新的影像。
2.7 贝叶斯（Bayes）估计
2.8 D-S推理法(Dempster-Shafter)
2.9 人工神经网络（ANN）
2.10 专家系统
遥感数据融合存在问题及发展趋势
遥感影像数据融合还是一门很不成熟的技术，有待于进一步解决的关键问题有：
（1）空间配准模型
（2）建立统一的数学融合模型
（3）提高数据预处理过程的精度
（4）提高精确度与可信度
随着计算机技术、通讯技术的发展，新的理论和方法的不断出现，遥感影像数据融合技术将日趋成熟，从理论研究转入到实际更广泛的应用，最终必将向智能化、实时化方向发展，并同GIS结合，实现实时动态融合用于更新和监测。
图像融合效果的评价方法2007年01月21日星期日 18:44 当前融合效果的评价问题一直未得到很好的解决，原因是：同一融合算法，对不同类型的图像，其融合效果不同；同一融合算法，对同一图像，观察者感兴趣的部分不同，则认为效果不同；不同的应用方面，对图像各项参数的要求不同，导致选取的评价方法不同。
因而，需要寻找一种比较客观评价融合图像效果的方法，使计算机能够自动选取适合当前图像的、效果最佳的算法。从而为不同场合下选择不同较优算法提供依据。
1客观评价
1.1基于信息量的评价
1.1.1 熵[3]
图像的熵是衡量图像信息丰富程度的一个重要指标。如果融合图像的熵越大，说明融合图像的信息量增加。
1.1.2交叉熵
交叉熵直接反映了两幅图像对应像素的差异，是对两幅图像所含信息的相对衡量。
1.1.3相关熵（互信息）
相关熵（互信息）是信息论中的一个重要基本概念，它可作为两个变量之间相关性的量度，或一个变量包含另一个变量的信息量的量度，因此，融合图像与原始图像的相关熵（互信息）越大越好。
1.1.4偏差熵
偏差熵反映了两幅图像像素偏差的程度，同时也反映了两幅图像信息量的偏差度，分别有：单一偏差熵、总体平方平均偏差熵、总体算术平均偏差熵、总体几何平均偏差熵、总体调和平均偏差熵。
1.1.5联合熵
联合熵也是信息论中的一个重要基本概念，它可作为三幅图像之间相关性的量度，同时也反映了三幅图像之间的联合信息，因此，融合图像与原始图像的联合熵越大越好。
1.2基于统计特性的评价
1.2.1均值
1.2.2标准差
标准差反映了灰度相对于灰度均值的离散情况，标准差越大，则灰度级分布越分散，有标准差、对数标准差。
1.2.3偏差度
偏差度用来反映融合图像与原始图像在光谱信息上的匹配程度，如果偏差指数较小，则说明融合后的图像R在提高空间分辨率的同时，较好地保留了F的光谱信息，有：绝对偏差度、相对偏差度。
1.2.4均方差
1.2.5平均等效视数
平均等效视数[8]可以用来衡量噪声的抑制效果、边缘的清晰度和图像的保持性。
1.2.6 协方差
1.3基于信噪比的评价
图像融合后去噪效果的评价原则为：（1）信息量是否提高；（2）噪声是否得到抑制；（3）均匀区域噪声的抑制是否得到加强；（4）边缘信息是否得到保留；（5）图像均值是否提高。因此可以从下面几个方面评价。
1.3.1信噪比
1.3.2峰值信噪比
1.4基于梯度值的评价
1.4.1清晰度（平均梯度）
清晰度[11]反映图像质量的改进，同时还反映出图像中微小细节反差和纹理变换特征。
1.4.2 空间频率
空间频率反映了一幅图像空间域的总体活跃程度。
1.7基于小波能量的评价[14~15]
对图像进行小波分解后，对小波系数处理，然后重构得到融合图像，这种方法融合图像的效果评价可以采用小波系数平均能量的办法。
2 评价指标的选取
评价指标的选取一般根据融合的目的选取，图像融合的目的主要有以下几个方面。
2.1 去噪
一般而言，从传感器得到的图像都是有噪图像，而后续的图像处理一般要求噪声在一定范围内，因此，可以采用融合的方法来降低噪声，提高信噪比。对于这种方法一般采用基于信噪比的评价。
2.2 提高分辨率
提高分辨率也是图像融合的一个重要目的，有时从卫星得到的红外图像的分辨率不高，这就要求用其它传感器得到图像（如光学图像，合成孔径图像）与红外图像进行融合来提高分辨率。对于这种方法的融合效果评价可采用基于统计特性及光谱信息的评价方法。
2.3 提高信息量
在传输图像，图像特征提取等方面需要提高信图像的信息量。图像融合是提高信息量的一个重要手段。对于融合图像的信息量是否提高，我们可采用基于信息量的评价方法。
2.4 提高清晰度
在图像处理中，往往需要在保持原有信息不丢失的情况下，提高图像的质量、增强图像的细节信息和纹理特征、保持边缘细节及能量，这对于一般的图像增强很难办到，因此需要采用图像融合的办法，这时，对融合效果的评价可采用基于梯度的方法及模糊积分的办法和
小波能量的评价方法.
2.5特殊要求
在有些方面融合的目的既不是提高信息量，也不是提高分辨率和降低噪声。这就需要根据特殊的要求来加以衡量。
2.6定性描述
定性描述就是主观评价法，也就是目测法。这种方法主观性比较强，但对一些明显的图像信息进行评价直观、快捷、方便；对一些暂无较好客观评价指标的现象可以进行定性的说明。其主要用于判断融合图像是否配准，如果配准不好，那么图像就会出现重影，反过来通过图像融合也可以检查配准精度；判断色彩是否一致；判断融合图像整体亮度、色彩反差是否合适，是否有蒙雾或马赛克现象；判断融合图像的清晰度是否降低，图像边缘是否清楚；判断融合图像纹理及色彩信息是否丰富，光谱与空间信息是否丢失等。
几何校正
就是将图像数据投影到平面上，使其符合地图投影系统的过程，而将地图坐标系统赋予图像数据的过程，称为地理参考。由于所有地图投影系统都遵从于一定的地图坐标系统，所以几何校正过程包含了地理参考过程。
多项式纠正模型：最少控制点计算公式（t+1)(t+2)/2 －－－其中t为次数
经验，一景60KmX60Km的SPOT5数据，一般地势平缓的地区20个左右控制点即可达到满意的结果，在高山区25个左右控制点就可使正射校正精度满足要求。重采样方法采用双线性内插法。
正射校正
更多关注的是地形的影响吧
对于SAR，通常是倾斜观测的，地形畸形很大；对于TM这样的，卫星视角近于天顶观测，地形的影响很小
正射校正的目的是通过消除影像的几何变形，使多时相ASAR影像能互相匹配以进行多元信息分析，从而提高数据的应用效益。通过采集地面控制点，采用基于三维（3D）网格的重采样办法来进行校正。
SPOT物理模型可读取卫星在获取遥感数据的瞬间状态参数，这些参数存贮在数据的头文件中[3]。卫星状态参数包括：卫星成像瞬间的经纬度、高度、倾角等。卫星状态参数能够帮助提高几何校正的精度。
辐射校正
用户购买的SPOT5的各级数据，数据提供商已经根据卫星的记录参数对遥感数据做了辐射校正，即消除了传感器自身引起的、大气辐射引起的辐射噪声。若果影像存在薄雾或地形高差较大引起的辐射误差情况，用户应进一步进行辐射校正处理。
薄雾的简单消除原理是基于近红外波段不受大气辐射影响，清澈的水体或死阴影区的数值应为零。从各波段数据中减去近红外波段的水体或阴影的不为零值。
地形起伏引起的辐射误差校正公式:f(x,y)=g(x,y)/cosa，g(x,y)为坡度为a的倾斜面上的地物影像；f(x,y)为校正后的影像。由于坡度因子参与校正所以需要DEM支持。
1数据融合定义 1.1数据融合的定义 数据融合是面对不同级别，不同层次的对数据的处理流程，它的功能主要表现在将来自相异数据源的信息自动地做预处理，关联，预测更新和整合等相关处理。为了正规化管理数据融合中的专属词汇，美国国家安全部专门成立了一个特别的行动组织团体进行这项工作，从而实现了对数据融合的研究目的，定义和它的相关功能的预研究目的。随后数据融合的相关定义又被华尔兹和利纳斯进行了改进和补充。简而言之，人类本身就好比是一个天然的数据融合系统，我们的鼻子，嘴巴，耳朵，四肢以及眼睛就好比是一个个传感器，它们将各自获取的“数据”先进行“预处理”，也就是靠各自单一的感官去感觉，最后反馈给大脑这个中央处理器，大脑再对这些多源的“数据”进行处理，滤波和估计。 数据融合的定义基本上体现了数据融合的三个关键功能:(1)由于每个层级表示信息处理的不同级别，因此数据融合是在若干个层级上对空间分布的信息源进行操作的;(2)数据融合的本质其实就是对锁定的目标进行观测，追踪，状态预测和整合;(3)在数据融合操作完毕后会得到的高关联正确率的状态估计以及实时的威胁判断，这些处理结果将成为用户有价值的先验知识，从而使决策者做出正确的操作。 由数据融合的定义也可以看出，数据融合的过程是依托不同的层次来逐步完成的，一般主要由四层来共同完成。第一层主要是把各个传感器上获取的观测数据进行预处理，包括时间空间校对，坐标系变换等等;第二层主要是评估低层上得到的数据信息的态势，包括对现阶段态势的判断和未来时间的态势预测;第三层是面向整体态势的一种评估，其中有对总体态势的把握以及威胁级别的估计等等一系列。第四层主要是制定相关的补充计划。 1.2数据融合模型
浅谈AIS与雷达目标信息融合 摘要给出AIS和雷达目标信息融合问题的提出背景及模型的建立后，介绍主要用的信息融合方法即粗糙集与神经网络，简单概述粗糙集和人工神经网络，然后对粗糙集与人工神经网络相结合的可行性进行归纳总结，得出将粗糙集和神经网络结合起来的融合方法是可行的。 关键词AIS；雷达；信息融合；粗糙集；神经网络 传统的雷达曾是海上监控系统的一个里程碑。但由于传统雷达的局限性，决定了它所能提供的是非常小量的信息。而船舶自动识别系统（AIS）能提供的信息有很多的优点，足以弥补雷达数据的缺陷。但就现阶段来说，雷达在航海技术中又是无可替代的。因此，为给船舶航行提供更精确可靠的信息，我们需要将AIS与雷达结合起来，把他们的数据进行综合处理，取长补短，为船舶的安全航行和港口对船舶更好的管理提供质量更高的数据。 AIS与雷达系统对目标的监测跟踪相比，AIS具有下列优点： 1）信息量大，可提供雷达所不能提供的大量船舶动态信息，节省自动避碰系统的计算时间和存储容量。2）信息来源可靠，误差小。3）不间断地提供动态信息。4）自主运行，无需人工监控。 虽然AIS具有上述优点，但仍有它的局限性，因而它并不能取代雷达系统，这是由于： 1）不是所有船舶都安装了AIS，所以雷达系统还是不可或缺的。2）雷达系统是自主的监测跟踪手段。在VTS中心，无论船舶上是否装备AIS或雷达，或它们是否正常工作，雷达系统对目标的监测跟踪均不受影响；对一些突发性交通事故的监测、记录，雷达系统更能发挥作用。3）雷达系统可以得到水域的全景交通图像，除了所有的运动目标，还有静止和固定的目标，如助航设施等。4）AIS提供的位置数据来自于GPS/DGPS数据，而GPS/DGPS数据是GPS/DGPS 天线所在点的船舶运动数据，恢复成图像时该船只是一个点，而雷达目标回波在一定程度上可反映目标的大小和形状。5）虽然目前AIS设备中的船位信息来源于GPS/DGPS设备，精度较高。但是其提供的航向信息和航速信息还是采用陀螺经信息和计程议信息，因此这两种设备的误差势必将会传递到AIS数据中。 由于雷达和AIS都有各自独立的信息处理系统，而且分布式结构可以以较低的费用获得较高的可靠性和可用性；可以减少数据总线的频宽和数据处理的要求；可以获得与集中式结构相同或类似的精度。因此本文采用分布式结构对雷达和AIS信息进行融合研究，根据信息融合的分布式融合模型，结合AIS和雷达目标数据特点，本文建立了如图1的AIS和雷达目标信息融合的模型。 图1 AIS和雷达目标信息融合模型
现代方法间的集成 遗传算法和模糊理论相结合 模糊理论和神经网络理论相结合 遗传算法和神经网络理论相结合 遗传算法和模糊神经网络相结合 经典方法与现代方法的结合 模糊逻辑和Kalman滤波相结合 小波变换和Kalman滤波相结合 模糊理论和最小二乘法相结合 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，达到更佳的融合效果。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。 模糊理论和最小二乘法相结合 最小二乘法的准则是选取X 使得估计性能指标(估计误差的平方和)达到最小。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。仿真结果表明：相比同类融合方法，该方法获得的结果具有更高的精度。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。 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
数据融合方法 随着交通运行状态评价研究的不断发展，对数据的准确性和广泛覆盖性提出了更高的要求，在此基础上，不同的数据融合模型被引进应用于交通领域中来计算不同检测设备检测到的数据。现阶段，比较常用的数据融合方法主要有：表决法、模糊衰退、贝叶斯汇集技术、BP神经网络、卡尔曼滤波法、D．S理论等方法。 1现有方法应用范围 结合数据融合层次的划分，对数据融合方法在智能交通领域的应用作以下归纳总结： 表数据融合层次及对应的方法 2各种融合方法的优缺点 主要指各种融合方法的理论、应用原理等的不同，呈现出不同的特性。从理论成熟度、运算量、通用性和应用难度四个方面进行优缺点的比较分析，具体内容如下： (1)理论成熟度方面：卡尔曼滤波、贝叶斯方法、神经网络和模糊逻辑的理论已经基本趋于成熟；D—S证据推理在合成规则的合理性方
面还存有异议；表决法的理论还处于逐步完善阶段。 (2)运算量方面：运算量较大的有贝叶斯方法、D．S证据推理和神经网络，其中贝叶斯方法会因保证系统的相关性和一致性，在系统增加或删除一个规则时，需要重新计算所有概率，运算量大；D．S证据推理的运算量呈指数增长，神经网络的运算量随着输入维数和隐层神经元个数的增加而增长；运算量适中的有卡尔曼滤波、模糊逻辑和表决法。 (3)通用性方面：在这六种方法中，通用性较差的是表决法，因为表决法为了迁就原来产生的框架，会割舍具体领域的知识，造成其通用性较差；其他五种方法的通用性相对较强。 (4)应用难度方面：应用难度较高的有神经网络、模糊逻辑和表决法，因为它们均是模拟人的思维过程，需要较强的理论基础；D．S证据推理的应用难度适中，因其合成规则的难易而定：卡尔曼滤波和贝叶斯方法应用难度较低。 3 适用的交通管理事件 之前数据融合技术在交通领域中的应用多是在例如车辆定位、交通事件识别、交通事件预测等交通事件中，但是几乎没有数据融合技术在交通运行状态评价的应用研究，而本文将数据融合技术应用在交通运行状态评价中，为了寻找到最适用于交通运行状态评价的数据融合技术方法，有必要将之前适用于其它交通管理事件的数据融合技术进行评价比较。 表2 各种融合方法适用的交通管理事件的比较
多雷达数据融合成像 硕士论文多雷达数据融合成像摘要００删０４枷舢删 咖嘲蜊嘣Ｙ２２７６１３５多雷达数据融合成像是 一种新兴的雷达成像技术，在军事上有着非常重要的作用。它可以在现有的硬件基础上，综合多部雷达的回波信号，然后运用数据相干融合的思想获得超宽带和大相干积累角 度的雷达回波信号，最终得到比单雷达成像技术更高分辨率的雷达图像。本文主要分三部分来介绍多雷达数据融合成像技术：第一部分主要介绍了多雷达数据融合成像的理论基础，包括目标的电磁散射模型的建立、模型参数的估计、多频带雷达数据相干配准、逆合成孔径雷达成像模型及逆投影法成像算法。第二部分研究了同视角多频带雷达数据融合成像技术。针对观测频带有重叠的情况，提出了基于重叠回波信号的相干配准方法；对于稀疏多子带观测的情况，必须首先对己知的两段雷达数据分别建立电磁散射模型， 然后提出基于信号模型的相干配准方法，利用相干配准后的两段数据共同建立全局信号模型，并用来填补频带上的空缺数据：最后研究了噪声对两种情况数据融合成像结果的影响。第三部分研究了多视角多频带雷达数据融合成像技术。首先给出了目标散射场的二维指数和模型，然后将极坐标空间的雷达回波数据重采样到直角坐标空间下的均匀
矩形网格上，接着利用二维ｒｏｏｔ．ＭｕＳＩＣ算法结合线性最小二乘法估计出二维指数和模型的极点和幅度系数，通过设定阈值的方法完成极点的配对，最后算例仿真验证了算法的正确性。关键词：多雷达数据融合成像，相干配准，指数和模型，逆合成孔径雷达，求根多重信号分类，分辨率 ＡｂｓｔＩ砌硕士论文ＡｂｓｔｒａｃｔＭｕｌｔｉ－ｒａｄａｒｄａｔａ如ｓｉｏｎａｎｄｉｍａｇｉｎｇｉｓａｎｅｗｔｅｃｌｌｌｌｉｑｕｅ，ｗｈｉｃｈｐｌａｙｓａＶｅ可ｉｍｐｏｒｔａｎｔｒｏｌｅｉｎⅡ１ｅｍｉｌｉｔａｒｖ．ｎｃｏｍｂｉｎｅｓｍｕｌｔｉ—ｒａｄａｒｓｉｇｎａｌｓａｎｄｍｅｎｕｓｅｓｄａｔａ如ｓｉｏｎｔｈｅｏｒｙｔｏｏｂｔａｉｎｕｌ打ａ－ｗｉｄｅｂａＩｌｄａｎｄ１ａｒｇｅｒｃｏｈｅｒｅｎｔ ａｃｃｕｍｕｌａｔｉｏｎａｎｇｌｅｂａＳｅｄｏｎｔｌｌｅｅｘｉｓｔｉｎｇｈａｒｄｗａｒｅ．Ｆｉｎａｌｌｙｉｔｏｂｔａｊｎｓｈｉ曲ｅｒｒｅｓｏｌｕｔｉｏｎｒａｄａｒｉｍａｇｅｔｈａｎｔ１１ｅｓｉｎｇｌｅｒａｄａｒｉｍａｇｉｎｇｔｅｃｌｌｌｌｉｑｕ
龙源期刊网 https://www.doczj.com/doc/f17874958.html, ADS-B与雷达数据的融合应用 作者：谢峥 来源：《科教导刊》2010年第21期 摘要本文介绍了ADS-B的概念,对比了ADS-B与常规雷达的主要区别,分析了在空管自动化系统中ADS-B与雷达数据的融合处理过程,最后探讨了其技术优势和应用前景。 关键词ADS-B 雷达数据传感器航迹 中图分类号:TN95文献标识码:A 1 ADS-B概述 ADS-B,即广播式自动相关监视,是一种利用空地、空空数据通信完成交通监视和信息传递的航行新技术,国际民航组织(ICAO)将其确定为未来监视技术发展的主要方向,并正积极推进该项技术的应用。 作为应用在空中交通服务中的监视技术,ADS-B主要实施空对空监视,装备了ADS-B机载 设备的飞机通过数字式数据链,不停地广播其精确的4维位置信息(经度、纬度、高度和时间)和其它可能附加信息(冲突告警信息,飞行员输入信息,航迹角,航线拐点等信息)以及飞机的识别信息和类别信息。ADS-B接收机与空中交通管理系统、其它飞机的机载ADS-B结合起来,在空地都能提供精确、实时的冲突信息。 ADS-B技术是新航行系统中非常重要的监视技术,与常规雷达相比,ADS-B能够提供更加实时和准确的航空器位置等监视信息,但对其建设投资只有前者的十分之一左右,并且维护费用低,使用寿命长。使用ADS-B可以增加无雷达区域的空域容量,减少有雷达区域对雷达多重覆盖的需求,大大降低空中交通管理的费用。 但由于在技术体制、规划性、兼容性等个方面问题,单一依靠雷达系统或ADS-B实施空中交通监视,都会存在影响空中交通服务的有效性和可靠性的问题。如何将ADS-B信息与雷达数据融合应用,成为一个有益的课题。 2 ADS-B与常规雷达的比较 在工作原理和数据来源方面,常规的民用航管二次雷达,使用A/C询问模式工作,雷达向飞机询问,飞机的应答机向地面雷达发送气压高度和二次编码,地面雷达通过计算得出飞机的相对距离和方位。而ADS-B无需应答,是飞机依靠星基GPS来确定精确位置,由机载设备将GPS定位
传感器数据融合技术 数据融合也称为信息融合，是将来自多个传感器或多源的信息进行综合处理，从而得出更为全面、准确和可靠的结论。数据融合出现于2 0世纪7 0年代，源于当时军事领域的需要，称为多源相关、多传感器混合数据融合，并于20世纪80年代建立其技术。美国是数据融合技术起步最早的国家，在随后的十几年时间里各国的研究开始逐步展开，并相继取得了一些具有重要影响的研究成果。和国外相比, 我国在数据融合领域的研究起步较晚。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咼度重视。一些咼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展开了大量研究，但基本上处于理论研究的层次，在工程化、实用化方面尚未取得有成效的突破，许多关键技术问题尚待解决。 多传感器数据融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息与先验知识进行融合的能力，以便对周围的环境和正在发生的事件作出估计。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，通过对这些传感器及其获得信息的合理支配和使用，把其在时间或空间上的冗余或互补信息依据某种准则来进行综合，以获得被测对象的一致性解释或描述，使该系统由此而获得比它的各组成部分的子集所构成的系统具备更优越的性能。 具体而言，多传感器数据融合基本原理如下： 1）多个不同类型的传感器获取目标的数据； 2）对输出数据进行特征提取，从而获得特征矢量； 3）对特征矢量进行模式识别，完成各传感器关于目标的属性说明； 4）将各传感器关于目标的属性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。 在各种系统中，靠单一的传感器不能满足对目标、环境的识别和控制的要求。若对不同传感器采集的数据单独、孤立地进行加工，不仅会导致数据处理工作量的剧增，而且割断了各传感器数据之间的有机联系，丢失数据有机组合蕴涵的特征，造成数据资源的浪费。因此，要对多传感器的数据进行
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。
全面解析数据挖掘的分类及各种分析方法 1.数据挖掘能做以下六种不同事情（分析方法）： ?分类（Classification） ?估值（Estimation） ?预言（Prediction） ?相关性分组或关联规则（Affinitygroupingorassociationrules） ?聚集（Clustering） ?描述和可视化（DescriptionandVisualization） ?复杂数据类型挖掘(Text,Web,图形图像，视频，音频等) 2.数据挖掘分类 以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘?直接数据挖掘 目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。 ?间接数据挖掘 目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系。 ?分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘 3.各种分析方法的简介 ?分类（Classification） 首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。 例子： a.信用卡申请者，分类为低、中、高风险 b.分配客户到预先定义的客户分片 注意：类的个数是确定的，预先定义好的 ?估值（Estimation） 估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。 例子： a.根据购买模式，估计一个家庭的孩子个数 b.根据购买模式，估计一个家庭的收入 c.估计realestate的价值
数据融合各种算法及数学知识汇总 粗糙集理论 理论简介 面对日益增长的数据库，人们将如何从这些浩瀚的数据中找出有用的知识？ 我们如何将所学到的知识去粗取精？什么是对事物的粗线条描述什么是细线条描述？ 粗糙集合论回答了上面的这些问题。要想了解粗糙集合论的思想，我们先要了解一下什么叫做知识？假设有8个积木构成了一个集合A，我们记： A={x1,x2,x3,x4,x5,x6,x7,x8}，每个积木块都有颜色属性，按照颜色的不同，我们能够把这堆积木分成R1={红，黄，蓝}三个大类，那么所有红颜色的积木构成集合X1={x1,x2,x6}，黄颜色的积木构成集合X2={x3,x4}，蓝颜色的积木是：X3={x5,x7,x8}。按照颜色这个属性我们就把积木集合A进行了一个划分(所谓A的划分就是指对于A中的任意一个元素必然属于且仅属于一个分类），那么我们就说颜色属性就是一种知识。在这个例子中我们不难看到，一种对集合A的划分就对应着关于A中元素的一个知识，假如还有其他的属性，比如还有形状R2={三角,方块,圆形}，大小R3={大,中,小}，这样加上R1属性对A构成的划分分别为： A/R1={X1,X2,X3}={{x1,x2,x6},{x3,x4},{x5,x7,x8}} （颜色分类） A/R2={Y1,Y2,Y3}={{x1,x2},{x5,x8},{x3,x4,x6,x7}} （形状分类） A/R3={Z1,Z2,Z3}={{x1,x2,x5},{x6,x8},{x3,x4,x7}} （大小分类） 上面这些所有的分类合在一起就形成了一个基本的知识库。那么这个基本知识库能表示什么概念呢？除了红的{x1,x2,x6}、大的{x1,x2,x5}、三角形的{x1,x2}这样的概念以外还可以表达例如大的且是三角形的 {x1,x2,x5}∩{x1,x2}={x1,x2}，大三角{x1,x2,x5}∩{x1,x2}={x1,x2}，蓝色的小的圆形({x5,x7,x8}∩{x3,x4,x7}∩{x3,x4,x6,x7}={x7}，蓝色的或者中的积木{x5,x7,x8}∪{x6,x8}={x5,x6,x7,x8}。而类似这样的概念可以通过求交运算得到，比如X1与Y1的交就表示红色的三角。所有的这些能够用交、并表示的概念以及加上上面的三个基本知识(A/R1,A/R2.A/R3)一起就构成了一个知识系统记为R=R1∩R2∩R3，它所决定的所有知识是 A/R={{x1,x2},{x3,x4},{x5},{x6},{x7},{x8}}以及A/R中集合的并。 下面考虑近似这个概念。假设给定了一个A上的子集合X={x2,x5,x7}，那么用我们的知识库中的知识应该怎样描述它呢？红色的三角？****的大圆？ 都不是，无论是单属性知识还是由几个知识进行交、并运算合成的知识，都不能得到这个新的集合X，于是我们只好用我们已有的知识去近似它。也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似，一个作为上近似。于是我们选择了“蓝色的大方块或者蓝色的小圆形”这个概念： {x5,x7}作为X的下近似。选择“三角形或者蓝色的”{x1,x2,x5,x7,x8}作为它的上近似，值得注意的是，下近似集是在那些所有的包含于X的知识库
AIS与雷达数据融合技术研究孙文杰 AIS与雷达都是船舶导航的关键设备，但有着各自的优势和不足，将两者综合应用具有重要意义。但AIS与雷达数据既有冗余又有互补，因此需要一定的数据融合算法才能达到较好的应用效果。文章从AIS和雷达在船舶导航的应用背景出发，介绍了雷达和AIS系统的基本工作原理，并详细分析了其各自的优缺点，论述了两种技术相结合的必要性。最后对AIS与雷达数据融合技术进行了深入研究，给出了一个典型的数据融合系统，为船舶航行安全提供了保障。 标签：雷达；AIS；数据融合；船舶导航 Abstract：Both AIS and radar are the key equipment of ship navigation，but they have their own advantages and disadvantages，so it is of great significance to apply them in a comprehensive way. However，AIS and radar data are redundant and complementary，so a certain data fusion algorithm is needed to achieve good results. Based on the application background of AIS and radar in ship navigation，this paper introduces the basic working principle of radar and AIS system，analyzes their respective advantages and disadvantages in detail，and discusses the necessity of combining the two technologies. Finally，the technology of data fusion between AIS and radar is deeply studied，and a typical data fusion system is presented，which provides a guarantee for the safety of ship navigation. Keywords：radar；AIS；data fusion；ship navigation 1 概述 随着经济的发展，海运和内河航运走进了一个新的阶段，船舶数量不断增加，港口和航道的船只密度越来越高，船舶碰撞事件時有发生。雷达的应用在一定程度上解决了船舶定位和碰撞问题，但雷达易受雨雪和海浪等因素的影响，而且在图像显示和航迹预测方面还有很大的不足，因此未能完全满足船舶航行安全的要求。船舶自动识别系统（Automatic Identification System，AIS）技术的产生很大程度上弥补了雷达的缺陷，使船只信息交换更加准确快捷。因此，在雷达系统的基础上加装AIS系统，将两者综合起来形成一个新的系统，具有广阔的应用前景。 2 雷达及AIS基本原理 2.1 雷达导航原理 雷达是通过电磁波的反射原理来对目标位置进行测量的。首先雷达天线会对外发射射频信号，若目标存在，则会将部分信号反射回来，雷达天线接收到反射信号后，根据其强度和角度等信息即可计算出目标所在的位置。通过不停地发射与接收，即可测量出目标的运动轨迹。雷达可以区分出固定的物体和运动物体，
常用数据分析方法有那些 文章来源：ECP数据分析时间：2013/6/2813:35:06发布者：常用数据分析（关注：554） 标签： 本文包括： 常用数据分析方法：聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析； 问卷调查常用数据分析方法：描述性统计分析、探索性因素分析、Cronbach’a 信度系数分析、结构方程模型分析(structural equations modeling)。 数据分析常用的图表方法：柏拉图(排列图)、直方图(Histogram)、散点图(scatter diagram)、鱼骨图（Ishikawa）、FMEA、点图、柱状图、雷达图、趋势图。 数据分析统计工具：SPSS、minitab、JMP。 常用数据分析方法: 1、聚类分析（Cluster Analysis） 聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。 2、因子分析（Factor Analysis） 因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。 因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。这些方法本质上大都属近似方法，是以相关系数矩阵为基础的，所不同的是相关系数矩阵对角线上的值，采用不同的共同性□2估值。在社会学研究中，因子分析常采用以主成分分析为基础的反覆法。 3、相关分析（Correlation Analysis） 相关分析（correlation analysis），相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。相关关系是一种非确定性的关系，例如，以X和Y分别记一个人的身高和体重，或分别记每公顷施肥量与每公顷小麦产量，则X与Y显然有关系，而又没有确切到可由其中的一个去精确地决定另一个的程度，这就是相关关系。 4、对应分析（Correspondence Analysis） 对应分析(Correspondence analysis)也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。
雷达组网中数据融合的研究 摘要：随着电子干扰技术的不断发展，单部雷达面临的威胁越来越大。雷达组网可以充分利用各单部雷达的资源和信息融合优势，将多部不同体制、不同频段、不同极化方式的雷达组成一个整体，极大提高了整体作战能力。本文在简述雷达组网的基础上，重点介绍了雷达组网中的数据融合技术。 关键字：多传感器雷达组网数据融合 1引言 随着技术的进步，雷达的性能经受了严峻的考验。强大的欺骗性、压制性电子干扰使雷达迷盲、性能降低或者完全失效。据报道，国外新型多功能综合干扰飞机已经把电子侦察、告警和干扰有机地结合在一起，通过计算机分析、判断、决策，大大提高了干扰的效能，雷达的效能被大大降低[1]。单部雷达已经很难应对越来越复杂的电磁环境。 雷达组网，是指通过将多部不同体制、不同频段、不同工作模式、不同极化方式的雷达或者无源侦察装备适当布站，借助通信手段链接成网，并由中心站统一调配，从而形成的一个有机整体。网内各雷达和雷达对抗侦察装备的信息（原始信号、点迹、航迹等）由中心站收集，综合处理后形成雷达网覆盖范围内的情报信息，并按照战争态势的变化自适应地调整网内各雷达的工作状态，发挥各个雷达和雷达对抗侦察装备的优势，从而完成整个覆盖范围内的探测、定位和跟踪等任务[2]。 现代干扰技术还没有发展到对雷达组网系统实施有效的欺骗性干扰[1]，针对单部雷达的欺骗干扰，无法对整个雷达组网产生有效影响。对整个雷达网进行干扰，要求干扰机具有极高的信号侦察、分选能力以及较高的干扰功率，这往往是很难达到的，因此雷达组网具有较好的抗干扰能力。从数据处理的方式来分，雷达组网分为集中式和分布式。分布式雷达组网，是指组网中的每部雷达都有各自的处理器，通过预处理产生目标跟踪航迹，汇总至融合中心，由融合中心进行时间空间配准、航迹关联和航迹融合，最终生成目标的航迹[3]。和集中式雷达组网相比，分布式雷达组网具有系统可靠性高、各站与融合中心通信量小等优点。 规模较大的雷达组网系统，尤其是多部不同体制、不同频段的雷达组网，一般采用分布式结构，可以充分利用子雷达站，节约通信资源，有效的提高雷达网整体性能。本文重点对分布式雷达组网进行研究，对整个雷达网数据处理流程建模仿真，并对雷达组网抗干扰能力进行分析。本文从现实需求出发，立足于提高现有体制组网的性能，研究了雷达组网数据处理仿真流程，通过设置典型场景对其抗干扰能力进行评估。论文的研究成果可为应对外军雷达组网系统提供理论基础，同时为我国雷达组网系统提供良好的技术储备。 2概述 雷达组网不是雷达简单的拼凑，而是在优化组网基础上将多部不同频段、不同体制、不同工作模式、不同极化方式的雷达进行适当的、合理的优化布站，并通过网络进行联结，使雷达资源优化配置协同运作，对网内各部雷达的信息以“网”的形式收集和传递，并由中心站进行综合处理、控制和管理，从而完成整个覆盖范围内的探测、定位和跟踪任务。 2.1雷达组网的意义 ●实现系统内的情报资源共享，完成对每个网站的实时指挥控制，增加了实战的 可靠性； ●不同的雷达可从不同的视角观察目标，有助于减少目标衰落、闪烁和地形遮蔽 的影响，并可较充分地利用隐身目标的前向、侧向、上下反射的隐身缺口(雷 达反射截面随视角的变化可达20~30 dB)，实现反隐身的目的[4] ；
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
统计分类就是根据事物的内在特点，按照一定标志将重复出现的社会经济现象体区分为不同的类型。 统计分布是在统计分组的基础上，把总体的所有单位按组归排列。形成总体中各个单位在各组间的分布。其实质是把总体的全部单位按某标志所分的组进行分配所形成的数列，所以又称分配数列或分布数列。统计分布由两个构成要素所组成：总体按某标志所分的组，各组所占有的单位数—次数。根据分组标志的不同，分配数列分为品质分配数列和变量分配数列。统计分布分为离散型分布和连续型分布。常见的离散型分布有：0-1分布B(1,p)、二项分布B(n,p)、泊松分布P(λ)；常见的连续型分布有：均匀分布U[a,b]、指数分布E[λ]、Γ-分布Γ(λ,α)、正态分布N(μ,σ2)。 数据展示方式，即数据描述方式。 一、用图表展示定性数据。定性数据包括分类数据和顺序数据，它们的图表展示方法基本相同。通常可以用频数分布表和图形来描述。其中，图形描述又分为饼图、条形图、环形图。 二、用图表展示定量数据。定性数据的图示表示方法，也都适用于定量数据。但定量数据还有一些特定的图示方法，它们并不适用于定性数据。1、生成频数分别表；2、定量数据的图形表示。常用来表述定量数据统计图形有：直方图、折线图和散点图。 三、用统计表来表示数据。统计表是一种用密集的形式归纳数据的方法，它主要利用行和列中的数据来表述现象特征。 四、用数字来概括数据。1、定性数据的数字特征。由于定性数据主要是计数，比较简单，对定性数据的集中趋势常用的方法就是计算比例、百分比、中位数和众数；2、定量数据的数字特征。反映定量数据特征的统计量常用的有：1、反映数据集中趋势的水平度量：平均数、中位数、众数和分位数等；2、反映数据离散程度的差异度量：极差、四分位差、标准差和方差。
数据融合是WSN中非常重要的一项技术，也是目前的一个研究热点，通过一定算法将采集到的数据进行各种网内处理，去除冗余信息，减少数据传输量，降低能耗，延长网络生命周期。本文以从降低传输数据量和能量方面对数据融合方法进行分类，介绍其研究现状。 1.与路由相结合的数据融合 将路由技术和数据融合结合起来，通过在数据转发过程中适当地进行数据融合，减轻网络拥塞，延长网络生存时间[1]。 1.1查询路由中的数据融合 定向扩散（directed diffusion）[2]作为查询路由的代表，数据融合主要是在其数据传播阶段进行，采用抑制副本的方法，对转发过的数据进行缓存，若发现重复数据将不予转发，该方法有很好的能源自适应性，但是他只能在他选择的随机路由上进行数据融合，并不是最优方案。 1.2分层路由中的数据融合 Wendi Rabiner Heinzelman 等提出了在无线传感器网络中使用分簇概念,其将网络分为不同层次的LEACH 算法[3] :通过某种方式周期性随机选举簇头,簇头在无线信道中广播信息,其余节点检测信号 并选择信号最强的簇头加入,从而形成不同的簇。每个簇头在收到本簇成员后进行数据融合处理，并将结果发送给汇集节点。LEACH算法仅强调数据融合的重要性，但未给出具体的融合方法。TEEN是LEACH 算法的改进[4]，通过缓存机制抑制不需要转发的数据，进一步减少数据融合过程中的数据亮。
1.3链式路由中的数据融合 Lindsey S 等人在L EACH 的基础上,提出了PEGASIS 算法[5]每个节点通过贪婪算法找到与其最近的邻居并连接,从而整个网络形成一个链,同时设定一个距离Sink 最近的节点为链头节点,它与Sink进行一跳通信。数据总是在某个节点与其邻居之间传输,节点通过多跳方式轮流传输数据到Sink 处，位于链头节点和源节点之间的节点进行融合操作，最终链头节点将结果传送给汇聚节点。链式结构使每个节点发送数据距离几乎最短，比LEACH节能，但增大了数据传送的平均延时，和传输失败率。PEDAP (power efficient data gathering and aggregation protocol) [6]协议进一步发展了PEGASIS 协议,其核心思想是把WSN 的所有节点构造成一棵最小汇集树(minimum spanning tree) 。节点不管在每一轮内接收到多少个来自各子节点的数据包,都将压缩融合为单个数据包,再进行转发,以最小化每轮数据传输的 总能耗。然而,PEDAP 存在难以及时排除死亡节点(非能量耗尽) 的缺点。 2.基于树的数据融合 现有的算法有最短路径树（SPT）、贪婪增量树（GIT）、近源汇集树（CNS）和Steiner树以及他们的改进算法。Zhang [7]提出 DCTC(dynamic convey tree based collaboration) 算法。通过目标附近的节点协同构建动态生成树,协同组节点把测量数据沿确定的生成树向根节点传输,在传输过程中,汇聚节点对其子生成树节点的数 据进行数据融合。Luo [8-9]了MFST (minimum fusion steiner t ree)
1数据融合定义 数据融合的定义 数据融合是面对不同级别，不同层次的对数据的处理流程，它的功能主要表现在将来自相异数据源的信息自动地做预处理，关联，预测更新和整合等相关处理。为了正规化管理数据融合中的专属词汇，美国国家安全部专门成立了一个特别的行动组织团体进行这项工作，从而实现了对数据融合的研究目的，定义和它的相关功能的预研究目的。随后数据融合的相关定义又被华尔兹和利纳斯进行了改进和补充。简而言之，人类本身就好比是一个天然的数据融合系统，我们的鼻子，嘴巴，耳朵，四肢以及眼睛就好比是一个个传感器，它们将各自获取的“数据”先进行“预处理”，也就是靠各自单一的感官去感觉，最后反馈给大脑这个中央处理器，大脑再对这些多源的“数据”进行处理，滤波和估计。 数据融合的定义基本上体现了数据融合的三个关键功能:(1)由于每个层级表示信息处理的不同级别，因此数据融合是在若干个层级上对空间分布的信息源进行操作的;(2)数据融合的本质其实就是对锁定的目标进行观测，追踪，状态预测和整合;(3)在数据融合操作完毕后会得到的高关联正确率的状态估计以及实时的威胁判断，这些处理结果将成为用户有价值的先验知识，从而使决策者做出正确的操作。 由数据融合的定义也可以看出，数据融合的过程是依托不同的层次来逐步完成的，一般主要由四层来共同完成。第一层主要是把各个传感器上获取的观测数据进行预处理，包括时间空间校对，坐标系变换等等;第二层主要是评估低层上得到的数据信息的态势，包括对现阶段态势的判断和未来时间的态势预测;第三层是面向整体态势的一种评估，其中有对总体态势的把握以及威胁级别的估计等等一系列。第四层主要是制定相关的补充计划。 数据融合模型