information fusion

20世紀80年代，為了滿足軍事領域中作戰的需要，多感測器數據融合MSDF (Multi-sensor Data Fusion)技術應運而生。1988年，美國將CI(Command，Control，Commication and Intelligence)系統中的數據融合技術列為國防部重點開發的二十項關鍵技術之一。由於信息融合技術在海灣戰爭中表現出的巨大潛力，在戰爭結束后，美國國防部又在CI系統中加入計算機(computer)，開發了以信息融合為中心的CI系統。此外，英國陸軍開發了炮兵智能信息融合系統(AIDD)和機動與控制系統 (WAVELL)。歐洲五國還制定了聯合開展多感測器信號與知識綜合系統(SKIDS)的研究計劃。法國也研發了多平台態勢感知演示驗證系統(TsMPF)。軍事領域是信息融合的誕生地，也是信息融合技術應用最為成功的地方。特別是在伊拉克戰爭和阿富汗戰爭中，美國軍方的信息融合系統都發揮了重要作用。當前，信息融合技術在軍事中的應用研究己經從低層的目標檢測、識別和跟蹤轉向了態勢評估和威脅估計等高層應用。

20世紀90年代以來，感測器技術和計算機技術的迅速發展大大推動了信息融合技術的研究，信息融合技術的應用領域也從軍事迅速擴展到了民用。目前，信息融合技術己在許多民用領域取得成效。這些領域主要包括：機器人和智能儀器系統、智能製造系統、戰場任務與無人駕駛飛機、航天應用、目標檢測與跟蹤、圖像分析與理解、慣性導航、模式識別等領域。

利用多個感測器所獲取的關於對象和環境全面、完整信息，主要體現在融合演演算法上。因此，多感測器系統的核心問題是選擇合適的融合演演算法。對於多感測器系統來說，信息具有多樣性和複雜性，因此，對信息融合方法的基本要求是具有魯棒性和并行處理能力。此外 ,還有方法的運算速度和精度；與前續預處理系統和後續信息識別系統的介面性能；與不同技術和方法的協調能力；對信息樣本的要求等。一般情況下，基於非線性的數學方法，如果它具有容錯性、自適應性、聯想記憶和并行處理能力，則都可以用來作為融合方法。多感測器數據融合雖然未形成完整的理論體系和有效的融合演演算法，但在不少應用領域根據各自的具體應用背景，已經提出了許多成熟並且有效的融合方法。

1 信息融合主要模型

近20 年來，人們提出了多種信息融合模型。其共同點或中心思想是在信息融合過程中進行多級處理。現有系統模型大致可以分為兩大類:a)功能型模型，主要根據節點順序構建; b)數據型模型，主要根據數據提取加以構建。在20 世紀80 年代，比較典型的功能型模型主要有U K情報環、Boyd控制迴路(OODA 環) ;典型的數據型模型則有JDL 模型. 20 世紀90年代又發展了瀑布模型和Dasarathy模型. 1999 年Mark Bedworth 綜合幾種模型，提出了一種新的混合模型。下面簡單對上述典型模型介紹。

情報環情報處理包括信息處理和信息融合。目前已有許多情報原則，包括: 中心控制避免情報被複制；實時性確保情報實時應用 ;系統地開發保證系統輸出被適當應用 ;保證情報源和處理方式的客觀性；信息可達性；情報需求改變時，能夠做出響應; 保護信息源不受破壞；對處理過程和情報收集策略不斷回顧, 隨時加以修正. 這些也是該模型的優點，而缺點是應用範圍有限。U K 情報環把信息處理作為一個環狀結構來描

述. 它包括4 個階段：a) 採集，包括感測器和人工信息源等的初始情報數據；b) 整理，關聯並集合相關的情報報告，在此階段會進行一些數據合併和壓縮處理，並將得到的結果進行簡單的打包，以便在融合的下一階段使用；c) 評估，在該階段融合併分析情報數據，同時分析者還直接給情報採集分派任務；d）分發，在此階段把融合情報發送給用戶通常是軍事指揮官，以便決策行動，包括下一步的採集工作。

JDL 模型 1984 年，美國國防部成立了數據融合聯合指揮實驗室，該實驗室提出了他們的JDL 模型，經過逐步改進和推廣使用，該模型已成為美國國防信息融合系統的一種實際標準。JDL模型把數據融合分為3 級：第1 級為目標優化、定位和識別目標；第2 級處理為態勢評估，根據第 1 級處理提供的信息構建態勢圖；第3 級處理為威脅評估，根據可能採取的行動來解釋第2 級處理結果，並分析採取各種行動的優缺點. 過程優化實際是一個反覆過程，可以稱為第4 級，它在整個融合過程中監控系統性能，識別增加潛在的信息源，以及感測器的最優部署。其他的輔助支持系統包括數據管理系統存儲和檢索預處理數據和人機界面等。

Boyd控制環Boyd 控制環OODA 環, 即觀測、定向、決策、執行環 ,它首先應用于軍事指揮處理，現在已經大量應用於信息融合。可以看出,Boyd 控制迴路使得問題的反饋迭代特性顯得十分明顯。它包括4 個處理階段:a) 觀測，獲取目標信息，相當於JDL 的第1 級和情報環的採集階段; b) 定向，確定大方向，認清態勢，相當於JDL 的第2 級和第3 級，以及情報環的採集和整理階段；c) 決策，制定反應計劃，相當於JDL 的第4 級過程優化和情報環的分發行為，還有諸如後勤管理和計劃編製等;d) 行動，執行計劃，和上述模型都不相同的是，只有該環節在實用中考慮了決策效能問題。OODA 環的優點是它使各個階段構成了一個閉環，表明了數據融合的循環性。可以看出，隨著融合階段不斷遞進，傳遞到下一級融合階段的數據量不斷減少. 但是OO DA 模型的不足之處在於，決策和執行階段對OODA 環的其它階段的影響能力欠缺，並且各個階段也是順序執行的。

擴展OODA模型擴展OODA 模型是加拿大的洛克西德馬丁公司開發的一種信息融合系統結構。該種結構已經在加拿大哈利法克斯導彈護衛艦上使用. 該模型綜合了上述各種模型的優點，同時又給併發和可能相互影響的信息融合過程提供了一種機理. 用於決策的數據融合系統被分解為一組有意義的高層功能集合例如圖4 給出的由N 個功能單元構成的集合，這些功能按照構成OODA 模型的觀測、形勢分析、決策和執行4 個階段進行檢測評估。每個功能還可以依照OODA 的各個階段進一步分解和評估. 圖4 中標出的節點表示各個功能都與那幾個OODA 階段相關. 例如：功能A 和N 在每個階段都有分解和評估，而功能B 和C 只與OODA 的部分或單個階段有關. 該模型具有較好的特性，即環境只在觀測階段給各個功能提供信息輸入，而各個功能都依照執行階段的功能行事。此外，觀測、定向和決策階段的功能僅直接按順序影響其下各自一階段的功能，而執行階段不僅影響環境，而且直接影響OODA 模型中其它各個階段的瀑布模型。

Dasarathy模型Dasarathy 模型包括有5 個融合級別，如下表所示。綜上可以看到，瀑布模型對底層功能作了明確區分,JDL 模型對中層功能劃分清楚，而Boyd 迴路則詳細解釋了高層處理。情報環涵蓋了所有處理級別，但是並沒有詳細描述。而Dasarathy 模型是根據融合任務或功能加以構建，因此可以有效地描述各級融合行為。

混合模型混合模型綜合了情報環的循環特性和Boyd 控制迴路的反饋迭代特性，同時應用了瀑布模型中的定義，每個定義又都與JDL 和Dasarathy 模型的每個級別相聯繫. 在混合模型中可以很清楚地看到反饋. 該模型保留了Boyd 控制迴路結構，從而明確了信息融合處理中的循環特性，模型中4 個主要處理任務的描述取得了較好的重現精度. 另外，在模型中也較為容易地查找融合行為的發生位置。

2信息融合的主要演演算法

多感測器數據融合的常用方法基本上可概括為隨機和人工智慧兩大類，隨機類演演算法有加權平均法、卡爾曼濾波法、多貝葉斯估計法、證據推理、產生式規則等；而人工智慧類則有模糊邏輯理論、神經網路、粗集理論、專家系統等。可以預見，神經網路和人工智慧等新概念、新技術在多感測器數據融合中將起到越來越重要的作用。

幾類主要的方法

加權平均法信號級融合方法最簡單、最直觀方法是加權平均法，該方法將一組感測器提供的冗餘信息進行加權平均，結果作為融合值，該方法是一種直接對數據源進行操作的方法。

卡爾曼濾波法卡爾曼濾波主要用於融合低層次實時動態多感測器冗餘數據。該方法用測量模型的統計特性遞推，決定統計意義下的最優融合和數據估計。如果系統具有線性動力學模型，且系統與感測器的誤差符合高斯白雜訊模型，則卡爾曼濾波將為融合數據提供唯一統計意義下的最優估計。卡爾曼濾波的遞推特性使系統處理不需要大量的數據存儲和計算。但是，採用單一的卡爾曼濾波器對多感測器組合系統進行數據統計時，存在很多嚴重的問題, 比如: (1)在組合信息大量冗餘的情況下，計算量將以濾波器維數的三次方劇增，實時性不能滿足; (2)感測器子系統的增加使故障隨之增加，在某一系統出現故障而沒有來得及被檢測出時，故障會污染整個系統，使可靠性降低。

多貝葉斯估計法貝葉斯估計為數據融合提供了一種手段，是融合靜態環境中多感測器高層信息的常用方法。它使感測器信息依據概率原則進行組合，測量不確定性以條件概率表示，當感測器組的觀測坐標一致時，可以直接對感測器的數據進行融合，但大多數情況下，感測器測量數據要以間接方式採用貝葉斯估計進行數據融合。多貝葉斯估計將每一個感測器作為一個貝葉斯估計，將各個單獨物體的關聯概率分佈合成一個聯合的后驗的概率分佈函數，通過使用聯合分佈函數的似然函數為最小, 提供多感測器信息的最終融合值，融合信息與環境的一個先驗模型提供整個環境的一個特徵描述。

證據推理方法證據推理是貝葉斯推理的擴充，其3個基本要點是：基本概率賦值函數、信任函數和似然函數。D-S方法的推理結構是自上而下的, 分三級。第1級為目標合成, 其作用是把來自獨立感測器的觀測結果合成為一個總的輸出結果(D); 第2級為推斷, 其作用是獲得感測器的觀測結果並進行推斷，將感測器觀測結果擴展成目標報告。這種推理的基礎是：一定的感測器報告以某種可信度在邏輯上會產生可信的某些目標報告；第3級為更新，各種感測器一般都存在隨機誤差，所以，在時間上充分獨立地來自同一感測器的一組連續報告比任何單一報告可靠。因此，在推理和多感測器合成之前，要先組合(更新)感測器的觀測數據。產生式規則採用符號表示目標特徵和相應感測器信息之間的聯繫，與每一個規則相聯繫的置信因子表示它的不確定性程度。當在同一個邏輯推理過程中, 2個或多個規則形成一個聯合規則時，可以產生融合。應用產生式規則進行融合的主要問題是每個規則的置信因子的定義與系統中其他規則的置信因子相關，如果系統中引入新的感測器, 需要加入相應的附加規則。

模糊邏輯是多值邏輯，通過指定一個0到1之間的實數表示真實度，相當於隱含運算元的前提，允許將多個感測器信息融合過程中的不確定性直接表示在推理過程中。如果採用某種系統化的方法對融合過程中的不確定性進行推理建模，則可以產生一致性模糊推理。與概率統計方法相比, 邏輯推理存在許多優點，它在一定程度上克服了概率論所面臨的問題，它對信息的表示和處理更加接近人類的思維方式 ,它一般比較適合於在高層次上的應用(如決策) , 但是, 邏輯推理本身還不夠成熟和系統化。此外，由於邏輯推理對信息的描述存在很大的主觀因素, 所以, 信息的表示和處理缺乏客觀性。模糊集合理論對於數據融合的實際價值在於它外延到模糊邏輯，模糊邏輯是一種多值邏輯, 隸屬度可視為一個數據真值的不精確表示。在MSF過程中，存在的不確定性可以直接用模糊邏輯表示，然後，使用多值邏輯推理, 根據模糊集合理論的各種演算對各種命題進行合併，進而實現數據融合。

神經網路具有很強的容錯性以及自學習、自組織及自適應能力，能夠模擬複雜的非線性映射。神經網路的這些特性和強大的非線性處理能力，恰好滿足了多感測器數據融合技術處理的要求。在多感測器系統中，各信息源所提供的環境信息都具有一定程度的不確定性，對這些不確定信息的融合過程實際上是一個不確定性推理過程。神經網路根據當前系統所接受的樣本相似性確定分類標準，這種確定方法主要表現在網路的權值分佈上，同時，可以採用神經網路特定的學習演演算法來獲取知識，得到不確定性推理機制。利用神經網路的信號處理能力和自動推理功能, 即實現了多感測器數據融合。常用的數據融合方法及特性如表1所示。通常使用的方法依具體的應用而定，並且，由於各種方法之間的互補性，實際上，常將2種或2種以上的方法組合進行多感測器數據融合。

方法比較

3 當前的研究熱點

儘管信息融合在軍事領域的地位始終突出，但是隨著信息融合技術的發展，其應用領域得以迅速擴展. 信息融合已成為現代信息處理的一種通用工具和思維模式。目前以模糊理論、神經網路、證據推理等為代表的所謂智能方法佔有相當大的比例，這或許是因為，這些方法兼有對問題描述的非建模優勢和語言化描述與綜合優勢的原因。從整體上分析，近年來，隨著人工智慧技術的發展，信息融合技術有朝著智能化、集成化的趨勢發展。最新的研究動向包括：

1) 研究並完善實用的演演算法分類和層次劃分方法；

2)研究並發展實用的融合系統測試和評估方法；

3)建立系統設計和演演算法選擇的工程指導方針；

4)編撰信息融合辭典，規範領域術語和定義；

5)發展並完善JDL 模型，以解決現有JDL 所不能處理的多圖像融合以及合成感測器(complex meta sensors)等問題；

6）另外分散式信息融合方法也受到越來越多學者的關注。

傳統的數據融合是指多感測器的數據在一定準則下加以自動分析、綜合以完成所需的決策和 評估而進行的信息處理過程。信息融合最早用于軍事領域，定義為一個處理探測、互聯、估 計以及組合多源信息和數據的多層次多方面過程，以便獲得準確的狀態和身份估計、完整而 及時的戰場態勢和威脅估計。它強調信息融合的三個核心方面：第一，信息融合是在幾個層 次上完成對多源信息的處理過程，其中每一層次都表示不同級別的信息抽象；第二，信息融 合包括探測、互聯、相關、估計以及信息組合；第三，信息融合的結果包括較低層次上的狀 態和身份估計，以及較高層次上的整個戰術態勢估計。

多感測器數據融合是人類或其他邏輯系統中常見的功能。人非常自然地運用這一能力把來自 人體各個感測器(眼、耳、鼻、四肢)的信息(景物、聲音、氣味、觸覺)組合起來，並使用先 驗知識去估計、理解周圍環境和正在發生的事件。

隨著信息技術的發展和普及，特別是信息網路和信息高速公路的建設和應用，信息獲取、綜 合分析和處理以及信息應用已經深入各行各業和社會的各個方面，為人們提供決策支持。由 於信息化在各個方面展開，為了綜合應用各種信息，需要對各方面的信息技術進行圍繞因特 網或信息高速公路的融合，以便產生新的增長點和開拓新的領域，不斷地進行知識創新。

信息融合的發展非常迅速，下面幾個研究發展方向是值得關注的。

1）基於Agent的信息融合

在最新一期的 Information Fusion是基於 Agent的信息融合的特刊。多Agent技術期望為複雜的工業應用系統、商業系統以及軍事系統提供一個新的處理視角。這將會是以後研究的一個熱點問題。

2) Web信息融合

Waltz E, Lilnas J . Multi-sensor data fusion [M ]. Boston: Artech House, 2000. 9 - 17.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):49-61P. 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): 932943Zhang, 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.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.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.陳森，徐克虎.C4ISR信息融合系統中的態勢評估。火力與指揮控制，2006, 31(4):5-8高方君.C3I多感測器信息融合系統。火力與指揮控制，2008 33(4): 117-119李新德。多源不完善信息融合方法及其應用研究: [博士學位論文].武漢：華中科技大學圖書館，2007.高健. DSmT信息融合技術及其在機器人地圖創建中的應用: [博士學位論文].武漢：華中科技大學圖書館，2007.童利標，漆德寧等. 無線感測器網路與信息融合。安徽人民出版社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.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.Jafarizadeh, S., Fastest Distributed Consensus Problem on Fusion of Two Star Networks. Submitted. 2010.黃心漢.《信息融合》導論 [課件].華中科技大學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. 337～345Hannah 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. 291～298Carl 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. 130～137Elisa 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. 106～112Luo L C , Kay M G. Multisensor integration and fusion for intelligent machines and systems. US :Abbex Publishing Corporation , 1995. 321～456趙小川, 羅慶生與韓寶玲, 機器人多感測器信息融合研究綜述. 感測器與微系統, 2008(08).潘泉等, 信息融合理論的基本方法與進展. 自動化學報, 2003(04).張偉龍, 鄭建彬與詹恩奇, 基於信息融合的在線手寫簽名演演算法研究. 計算機應用研究, 2010(05).Dasarathy, B.V., A special issue on agent-based information fusion. Information Fusion, 2010. 11(3): p. 215-215.Dasarathy, B.V., A special issue on agent-based information fusion. Information Fusion, 2010. 11(3): p. 215-215.Das, S., Agent-based information fusion. Information Fusion, 2010. 11(3): p. 216-219.Dasarathy, B.V., A special issue on web information fusion. Information Fusion, 2008. 9(4): p. 443-443.Yao, J., V.V. Raghavan and Z. Wu, Web information fusion. Information Fusion, 2008. 9(4): p. 444-445.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.Dasarathy, B.V., A Special Issue on information fusion in computer security. Information Fusion, 2009. 10(4): p. 271-271.Corona, I., et al. , Information fusion for computer security: State of the art and open issues. Information Fusion, 2009. 10(4): p. 274-284.