融合蛋白
科技名词定义
中文名称：融合蛋白
英文名称：fusion protein
定义1：融合基因的表达产物，或通过生物学和化学方法融合的两个或两个以上蛋白质。
所属学科：免疫学（一级学科）；应用免疫（二级学科）；免疫学检测和诊断（三级学科）
定义2：通过基因工程方法将编码不同蛋白质的基因片段按照正确的读框进行重组，将其表达后获得的新蛋白质。
所属学科：生物化学与分子生物学（一级学科）；方法与技术（二级学科）
定义3：由两段或多段基因序列串联形成的融合基因表达所产生的蛋白质。
所属学科：细胞生物学（一级学科）；细胞培养与细胞工程（二级学科）
本内容由全国科学技术名词审定委员会审定公布
目录
融合蛋白 - 技术概况融合蛋白技术是为获得大量标准融合蛋白而进
行的有目的性的基因融合和蛋白表达方法。利用融合蛋白技术，可构建和表达具有多种功能的新型目的蛋白。
技术特点
融合蛋白
融合基因可在原核细胞(如大肠杆菌) 也可在真核细胞中进行表达。
原核表达系统的特点是时程短，费用低，是科研中的主要工具。其缺点是真核蛋白表达没有得到确切修饰；大量蛋白常常沉淀成不溶性包涵体聚合物，需要复杂的变性和复性过程；大量蛋白的分泌较困难。真核表达系统的特点是蛋白翻译后加工机会多，甚至可被改造成人源型；真核细胞易被转染，具有遗传稳定性和可重复性；产物可被分泌，提纯简单，成本低。
技术内容
构建融合蛋白的基本原则是，将第一个蛋白的终止密码子删除，再接上带有终止密码子的第二个蛋白基因，以实现两个基因的共同表达。具体步骤有：
1.进行目的基因的克隆：根据基因序列互补原则，设计合适的引物序列，以cDNA为模板，利用PCR技术扩增不同的目的DNA片段。
2.在载体中进行重组：通过限制内切酶将两个DNA片段进行酶切并回收，然后通过连接酶将两个具有相同末端酶切位点的基因片段进行体外连接，并克隆到高表达质粒载体中，构建重组质粒。
3.将重组表达载体转染宿主细胞并利用选择标志进行筛选及测序。
4.融合基因的诱导表达及表达蛋白的纯化。
技术关键
在构建融合蛋白中，一个关键的问题是两蛋白间的接头序列( Linker )，即连接肽。它的长度对蛋白质的折叠和稳定性非常重要。如果接头序列太短，可能影响两蛋白高级结构的折叠，从而相互干扰；如果接头序列太长，又涉及免疫原性的问题，因为接头序列本身就是新的抗原。
一般来说， 3-5 个氨基酸的Linker 可满足大部分融合蛋白的正确折叠的要求。有人尝试在融合蛋白间加入一段有疏水性和一定伸展性的较长肽链，如(Gly4Ser1)，目的是将两者分开，以缓解相互干扰作用，并获得了满意的结果。但具体涉及到每种蛋白时，需具体分析。当我们构建融合蛋
白时，应多选择几种融合方式，从中优化出理想的连接方式。另外，大量研究表明连接肽的柔性和疏水性对不扰乱蛋白质的功能结构域是十分重要的。
遗憾的是，目前对于连接肽序列的设计还没有可靠的选择标准。现在，大多数连接肽序列的设计和选择仍主要依赖于直觉。尽管依赖于蛋白质的一级结构来预测其二级结构已经产生了重大的进步，但是我们对于序列和结构之间的关系的了解还是很有限的。
编辑本段临床应用
DNA疫苗目前，疫苗已经经历了三代：第一代疫苗是用减毒或杀死的病原体来激活机体免疫系统；第二代疫苗是用生物技术和重组DNA技术研制的组分疫苗注射机体诱导免疫应答；第三代疫苗是直接注射基因重组的抗原基因来激活人体免疫系统，即DNA疫苗。
DNA疫苗与传统疫苗相比有着明显的优势，如易于生产，稳定性强，成本低廉等，并可同时诱导体液与细胞免疫应答。
目前利用基因工程成功制成的多价重组抗体融合蛋白 CYF196(国内尚
未上市)就是一种DNA疫苗，它能有效防治下呼吸道感染和哮喘。因为CYF196对病毒的主要受体-位于呼吸道上皮中的细胞间黏附分子有高度亲和力，对鼻病毒感染有较强的防御功能。
双功能酶（多功能酶）以往研究发现，在利用基因融合所构建的大的酶分子中，如果用以构成融合蛋白的各个酶分子的整个编码序列均保留于新的酶分子中，则融合蛋白一般均保留所构成的酶分子各自的酶活性。
并且发现在这些新构建的融合蛋白中，蛋白的正确折叠以及各个酶的活性部位均未受到影响，与单个酶相比，融合蛋白的酶的比活力为50%-100%，对于催化连续反应的两种或几种酶，利用基因融合的方法构成的融合蛋白可产生“ 邻近效应” （proximity effect）。
目前研究发现，β-半乳糖苷酶-半乳糖脱氢酶融合蛋白在一定条件下，其偶联反应产生 NADH 的速度是同时加入这两种酶的反应速度的两倍以上。同时过渡态时间缩短近四倍。
定向药物定向药物一般由两部分组成：一部分是药物；另一部分是可以与病灶特异性结合的配基。通过融合蛋白技术将这两部分融合在一起，即可构成一个具有独特构象与功能的蛋白质。
编辑本段常见的几种融合蛋白
免疫球蛋白（Ig）融合蛋白
免疫球蛋白融合蛋白是指在基因水平将目的基因同Ig部分片段基因相连，并在真核或原核细胞中表达出的具有上述两部分结构域的重组蛋白。据目的蛋白与Ig不同片断相连，可将其分为二大类：一类为Fab(Fv)融合蛋白；另一类为 Fc融合蛋白。
甲状旁腺激素（PTH）融合蛋白
甲状旁腺激素 ( Parathyroid Hormone， PTH) 是由甲状旁腺主细胞合成和分泌的一种单链多肽激素，成熟PTH含84个氨基酸残基，分子量约为9500，是人体内调节钙磷代谢及骨转换的最为重要的激素之一。它主要通过
作用于靶细胞膜上腺苷酸环化酶系统，增加胞浆内cAMP及焦磷酸盐 (PPi) 的水平来发挥作用。
细胞因子重组融合蛋白
细胞因子重组融合蛋白是一类利用基因工程的方法将编码细胞因子和
其他有特定功能的蛋白分子基因序列连接并表达相应蛋白质融合产物。其结构特点为将细胞因子功能活性域与其他分子的活性域融合，各组分可发挥协同作用，使融合蛋白的生物学活性较各单体大大增强。[1]
数据融合概念 文稿归稿存档编号：[KKUY-KKIO69-OTM243-OLUI129-G00I-FDQS58-
数据融合概念的提出源自战争的需要，是依赖于军事应用的。但随着数据融合的发展，它已经成为一门独立的学科，不受某一种应用明显的影响，而是借助于推理，对概念进行一般化，特殊化的综合分析来提出自己的问题。数据融合是一个具有广泛应用领域的概念，很难给出一个统一的定义。数据融合是针对一个系统中使用多个传感器这一特定问题而展开的研究方向，它的定义可以概括为：利用计算机技术对按时序获得的若干传感器的观测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。按照这一定义，多传感器系统是数据融合的硬件基础，多源信息是数据融合的加工对象，协调优化和综合处理是数据融合的核心。 数据融合最早用于军事领域，美国国防部JDL（Joint Directors of Laboratories）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进行联合（Association）、相关（Correlation）、组合（Combination）和估值的处理，以达到准确的位置估计（Position Estimation）与身份估计（Identity Estimation），以及对战场情况和威胁及其重要程度进行及时的完整评价。吉林大学博士学位论文：多传感器数据融合问题的研究有的专家对上述定义进行了补充和修改，用状态估计代替位置估计，并加入了检测的功能，从而给出了如下定义：数据融合是一个多层次、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合，以达到精确的状态估计和身份估计，以及完整及时的态势评估和威胁估计。此定义有三个要点：数据融合是多信源、多层次的处理过程，每个层次代表信息的不同抽象程度；数据融合过程包括数据的检测、关联、估计与合并；数据融合的输出包括低层次上的状态身份估计和高层次上的总战术态势的评估。从非军事应用的角度来说，数据融合是对多个传感器和信息源所提供的关于某一环境特征的不完整信息加以综合，以形成相对完整、一致的感知描述，从而实现更加准确的识别判断功能。综合考虑上述定义，融合都是将来自多传感
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
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
数据融合技术简介 数据融合技术是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理技术。 数据融合的概念虽始于７０年代初期，但真正的技术进步和发展乃是８０年代的事【1】，尤其是近几年来引起了世界范围内的普遍关注，美、英、日、德、意等发达国家不但在所部署的一些重大研究项目上取得了突破性进展，而且已陆续开发出一些实用性系统投入实际应用和运行。 我国“八五”规划亦已把数据融合技术列为发展计算机技术的关键技术之一，并部署了一些重点研究项目，尽可能给予了适当的经费投入。但这毕竟是刚刚起步，我们所面临的挑战和困难是十分严峻的，当然也有机遇并存。这就需要认真研究，针对我国的国情和军情，采取相应的对策措施，以期取得事半功倍的效果。 数据融合可分为： （1）像素级融合： 它是直接在采集到的原始数据层上进行的融合，在各种传感器的原始测报未经预处理之前就进行数据的综合与分析。数据层融合一般采用集中式融合体系进行融合处理过程。这是低层次的融合，如成像传感器中通过对包含若一像素的模糊图像进行图像处理来确认目标属性的过程就属于数据层融合。 （2）特征层融合： 特征层融合属于中间层次的融合，它先对来自传感器的原始信息进行特征提取(特征可以是目标的边缘、方向、速度等)，然后对特征信息进行综合分析和处理。特征层融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度的给出决策分析所需要的特征信h。特征层融合一般采用分布式或集中式的融合体系。特征层融合可分为两大类：一类是目标状态融合；另一类是目标特性融合。 （3）决策层融合 决策层融合通过不同类型的传感器观测同一个目标，每个传感器在本地完成基本的处理，其中包括预处理、特征抽取、识别或判决，以建立对所观察目标的初步结论。然后通过关联处理进行决策层融合判决，最终获得联合推断结果。 数据融合作为一种数据综合和处理技术，实际上是许多传统学科和新技术的集成和应用，其中涉及的知识包括通信、模式识别、决策论、不确定性理论、信号处理、估计理论、最优化技术、计算机科学、人工智能、神经网络等，特别是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。多传感器数据融合技术的核心问题是选择合适的融合算法，由于信息的多样性和复杂性，对数据融合方法的基本要求是具有鲁棒性和并行处理能力。具体的数据融合的方法很多【3】【4】，常用的方法大体上可分成三大类：（1）基于统计理论的融合方法----------- 基于统计理论的融合方法有：经典推理法、贝叶斯估计法和证据理论法（Dempster-Shafer）。 经典推理法在早起的数据融合中得到了广泛的应用，由于其完全依赖数学理论，则形式简单、易操作，缺点是必须要求先验知识和计算先验概率密度分布函数，同时一次仅能估计
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)
数据融合概念的提出源自战争的需要，是依赖于军事应用的。但随着数据融合的发展，它已经成为一门独立的学科，不受某一种应用明显的影响，而是借助于推理，对概念进行一般化，特殊化的综合分析来提出自己的问题。数据融合是一个具有广泛应用领域的概念，很难给出一个统一的定义。数据融合是针对一个系统中使用多个传感器这一特定问题而展开的研究方向，它的定义可以概括为：利用计算机技术对按时序获得的若干传感器的观测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。按照这一定义，多传感器系统是数据融合的硬件基础，多源信息是数据融合的加工对象，协调优化和综合处理是数据融合的核心。 数据融合最早用于军事领域，美国国防部JDL（Joint Directors of Laboratories）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进行联合（Association）、相关（Correlation）、组合（Combination）和估值的处理，以达到准确的位置估计（Position Estimation）与身份估计（Identity Estimation），以及对战场情况和威胁及其重要程度进行及时的完整评价。吉林大学博士学位论文：多传感器数据融合问题的研究有的专家对上述定义进行了补充和修改，用状态估计代替位置估计，并加入了检测的功能，从而给出了如下定义：数据融合是一个多层次、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合，以达到精确的状态估计和身份估计，以及完整及时的态势评估和威胁估计。此定义有三个要点：数据融合是多信源、多层次的处理过程，每个层次代表信息的不同抽象程度；数据融合过程包括数据的检测、关联、估计与合并；数据融合的输出包括低层次上的状态身份估计和高层次上的总战术态势的评估。从非军事应用的角度来说，数据融合是对多个传感器和信息源所提供的关于某一环境特征的不完整信息加以综合，以形成相对完整、一致的感知描述，从而实现更加准确的识别判断功能。综合考虑上述定义，融合都是将来自多传感器或多源数据进行综合处理，从而得出更为准确可信的结论。多传感器数据融合主要包括多传感器的目标检测、数据关联、跟踪与识别、情况评估和预测。数据融合的基本目的是通过融合得到比单独的各个输入数据更多的信息。这一点是协同作用的结果，即由于多传感器的共同作用，使系统的有效性得以增强。多传感器数据融合技术实际上是一种多源信息的综合技术，通过对来自不同传感器的数据进行分析和综合，可以获得被检对象及其性质的最佳一致估计。多传感器数据融合是指将经过集成处理的多种传感器信息进行合成，形成对外部环境某一特征的一种表达方式。多传感器数据融合是人类和其它逻辑系统中常见的基本功能。人非常自然地运用这一能力把来自人体各个传感器（眼、耳、鼻、四肢）的信息（景物、声音、气味、触觉）组合起来，并使用先验知识去估计、理解周围环境和正在发生的事件。由于人类感官具有不同的度量特征，因而可测出不同空间范围内的各种物理现象，这一过程是复杂的，也是自适应的。把各种信息或数据（图像、声音、气味以及物理形状或上下文）转换成对环境的有价值的解释，需要大量不同的智能处理，以及适用于解释组合信息含义的知识库。 在模仿人脑综合处理复杂问题的数据融合系统中，各种传感器的信息可能具有不同的特征：实时的或者非实时的，快变的或者缓变的，模糊的或者确定的，相互支持或互补，也可能相互矛盾或竞争。而多传感器数据融合的基本原理也就像人类综合处理信息一样，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，把各种传感器在空间或时间上的冗余或互补信息依据某种优化准则组合起来，以获得对被测对象的一致性解释或描述。数据融合的基本目标是通过数据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或联合操作的优势，提高整个传感系统的有效性。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，也可以是某个命题的证据，或赞成某个假设的决策。在信号处理技术中，一般是对同一类型的数据，例如时间序列
1.多传感器信息融合概念 多传感器信息融合是指综合来自多个传感器的感知数据, 以产生更可靠、更准确或更精确的信息。经过融合的多传感器系统能完善地、精确地反映检测对象特性, 消除信息的不确定性, 提高传感器的可靠性。经过融合的多传感器信息具有以下特性: 信息的冗余性、信息的互补性、信息的实时性和信息的低成本性。 2. 多传感器信息融合分类 按融合判断方式分类 （1） 硬判决方式 硬判决方式设置有确定的预置判决门限。只有当数据样本特征量达到或超过预置门限时，系统才做出判决断言；只有当系统做出了确定的断言时，系统才向更高层次系统传送“确定无疑”的判决结论。这种判决方式以经典的数理逻辑为基础，是确定性的。 （2） 软判决方式 软判决方式不设置确定不变的判决门限。无论系统何时收到观测数据都要执行相应分析，都要做出适当评价，也都向更高层次系统传送评判结论意见及其有关信息，包括评判结果的置信度。这种评判不一定是确定无疑的，但它可以更充分地发挥所有有用信息的效用，使信息融合结论更可靠更合理。 按传感器组合方式分类 （1） 同类传感器组合 同类传感器组合只处理来自同一类传感器的环境信息，其数据格式、信息内容都完全相同，因而处理方式相对比较简单。 （2） 异类传感器组合 异类传感器组合同时处理来自各种不同类型传感器采集的数据。优点是信息内容广泛，可以互相取长补短，实现全源信息相关，因而分析结论更准确、更全面、更可靠，但处理难度则高很多。 3.信息融合的系统结构 信息融合的系统结构研究包含两部分, 即信息融合的层次问题和信息融合的体系结构。融合的层次结构主要从信息的角度来分析融合系统, 信息融合的体系结构则主要是从硬件的角度来分析融合系统。 （1）信息融合的层次 信息融合系统可以按照层次划分, 对于层次划分问题存在着较多的看法。目前较为普遍接受的是层次融合结构, 即数据层、特征层和决策层。 数据层融合是指将全部传感器的观测数据直接进行融合, 然后从融
数据融合中存在的问题与可解决的思路 3222011041张志成 一、数据融合技术概念由来 数据融合技术，包括对各种信息源给出的有用信息的采集、传输、综合、过滤、相关及合成，以便辅助人们进行态势/环境判定、规划、探测、验证、诊断。这对战场上及时准确地获取各种有用的信息，对战场情况和威胁及其重要程度进行适时的完整评价，实施战术、战略辅助决策与对作战部队的指挥控制，是极其重要的。 数据融合的概念虽始于70年代初期，但真正的技术进步和发展乃是80年代的事，尤其是近几年来引起了世界范围内的普遍关注，美、英、日、德、意等发达国家不但在所部署的一些重大研究项目上取得了突破性进展，而且已陆续开发出一些实用性系统投入实际应用和运行。不少数据融合技术的研究成果和实用系统已在1991年的海湾战争中得到实战验证，取得了理想的效果。 随着计算机技术、通信技术的快速发展，且日趋紧密地互相结合，加之军事应用的特殊迫切需求，作为数据处理的新兴技术——数据融合技术，在近10年中得到惊人发展并已进入诸多军事应用领域。 二、数据融合存在的问题及研究方向 1.当前数据融合研究存在的问题 数据融合是一门新兴的学科，目前尚存在以下的问题：
（1）未形成基本的理论框架和广义融合算法：目前，绝大多数的融合研究皆是针对特定的应用领域的特定问题开展的（混合结构，分布式）。即根据问题的种类，各自建立直观的融合准则，形成“最佳”融合方案，未形成完整的理论框架和融合模型，使得融合系统的设计具有一定的盲目性。 （2）关联的二义性：关联的二义性是数据融合的主要障碍，传感器测量的不精确性和干扰等都是引起关联二义性的因素。如何降低关联二义性是数据融合研究以待解决的问题。 （3）数据融合方法与融合系统实施存在的问题：目前，大多数数据融合是经一种简单的方法合成信息，并未充分有效地利用多传感器所提供的冗余信息，融合方法研究也还处于初步阶段。而且目前很多研究工作亦是基础研究，仿真性工作。因此，数据融合系统的设计实施还存在许多实际的问题：传感器动态测量误差模型的建立、传感器系统优化、复杂动态环境下系统实时性、大型知识库的建立与管理、与其它领域的很多新技术的“嫁接与融合”，如人工智能技术、计算神经网络计算、遗传算法、进化计算、虚拟现实技术性等。 2.数据融合的研究方向 （1）建立数据融合的基础理论，这包括进一步研究融合技术的数学基础，对于同类信息相融合的数值处理：主要研究其各种最优、次优分散式算法；对于不同类型信息相融合的符号处理方法，引进其它领域的一些新技术：如具备学习功能的新型 AI技术、
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。