基于模糊证据理论的数据融合算法研究文献综述

基于模糊证据理论的数据融合算法研究文献综述 0引言 信息物理融合系统CPS,是通过计算、通信与控制技术的有机与深度 融合实现计算资源与物理资源的紧密结合与协调的下一代智能系统⑴。 CPS的典型应用包括智能交通领域的自主导航汽车、无人飞行机以及智能 电网、家庭机器人、智能建筑等，是构建人类未来智慧城市的基础⑵。CPS 的基本组件包括传感器、执行器和决策控制单元，各个层级的组件与子系 统都围绕数据融合向上提供服务数据沿从物理世界接口到用户的路径上 不断提升抽象级用户最终得到全面的精确的事件信息。 汽车CPS,简单来说是指把CPS技术应用在汽车上，以使汽车更易于 驾驶，更安全。具体指用带微处理器的实时输入传感器和分布在汽车的不 同部件上的提供输出的制动器等控制单元，收集本车的实时信息或其他车 辆的信息，通过一个统一的网络如控制局域网（Controller Area Network, CAN）来完成信息的交互、计算，并根据信息的反馈来完成对汽车的控制， 使得汽车更易于驾驶，响应更快，更安全，更智能。人类对汽车性能要求 的提高以及智能交通系统的建设，物理设备（比如ECU）和信息系统（比如ITS 中的信息电子系统）的深度融合，海量数据的处理，多维度复杂开放系统的 建立等，使得汽车CPS的研究与发展成为汽车电子中物理设备系统发展的 必然趋势。 文献［3］指出未来CPS的全球化、自主的网络架构需要能够容纳大量的 物理数据源执行器和分布的计算元素，所以需要以数据融合与提升信息抽 象能力为中心以满足应用需求。CPS系统中收集到的数据具有异构性、海 量性、不确定性、动态性等特点，如何对这些数据进行有效的融合，从而 得到具有自适应性、自主性、高效性、可靠性、安全性等特点的一个智能 的有自主行为的系统至关重要。 1数据融合技术发展历史与现状 1.1数据融合定义 数据融合又称为多传感器数据融合，是针对一个系统使用多种传感器 这一特定问题而展开的一种关于数据处理的研究。目前，对数据融合还很 难给出一个统 一、全面的定义［4,5］o随着数据融合和计算机应用技术的发展，根据 国内外研究成果，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［6,7］。它要强调数据融合的3个核心方 面数据融合是在几个层次上完成对多源信息的处理过程，其中每一层 次都表示不同级别的信息抽象；数据融合包括检测、关联、相关、估计 及信息组合；数据融合的结果是指较低层次上的状态和身份估计，以及 较高层次上的整个态势估计。 这一技术广泛应用于C3I系统、复杂工业过程控制、机器人、自动目 标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、 图像处理、模式识别等领域［8］。文献［9］指出，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。 1.2数据融合的发展历史与现状 数据融合出现于20世纪70年代［10］o美国是数据融合技术起步最早 的国家，1983年，美国国防高级研究计划局DARPA 推出的战略计算机计 划中，将多传感器数据融合列为重大研究课题；1984年，美国国防部DOD 成立了数据融合专家组，负责指导、组织并协调有关这一国防关键技术的 系统研究，1988年又将其列入国防部22项关键技术之一，同时其它西方 发达国家和国际组织如英、日、德、法及欧共体等也积极开展了数据融 合技术研究工作。1986年开始，每年IEEE主办的机器人与自动化学术会议 上都有专门关于数据融合的专题［ll］o各种学术刊物也纷纷开辟专栏和出 版专集，交流和探讨数据融合的有关问题。1987 年欧洲共同体开始为期5年的SK IDS Signal and Knowledge Integration with Decisional Control for Multisensory System 计戈［|, 主要 目标 是研究多传感器数据融合的通用结构及实时信息融合技术等。1998年成立 了国际信息融合学会IS IF,每年举行一次信息融合国际学术会议，促进 了信息融合技术的交流与发展，相继取得了一些有重要影响的研究成果 ［12］。 和国外相比，我国在数据融合领域的研究起步较晚，1991年海湾战争 结束以后，数据融合技术引起国内有关单位和专家的iWj度重视［13］o 些 高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开展了大量 研究，但基本上处于理论研究的层次上，在工程化、实用化方面尚未取得 有成效的突破。有许多关键技术问题尚待解决，在工程应用领域，需要开 发出有重要应用价值的实用系统。近年来数据融合技术已形成研究热点， 国家自然科学基金和国家863计划已将其列入重点支持项目［14］o 2数据融合框架及方法介绍 数据级融 特征级融合 决策级融合 图1三种信息融合框图 数据级融合是在原始的传感器数据经过很小程度的处理后进行的，因 此保留了尽可能多的原始信息，融合结果具有最好的精度，可以给人更加 直观、全面的认识，但这种融合方式的数据处理量大，抗干扰能力差，可 用于精度要求不高的场合。特征级融合属于中间层次，是指从各个传感器 提供的原始数据中进行特征提取，然后融合这些特征，在融合前实现了一 定的信息压缩，有利于实时处理，具有很大的灵活性。决策级融合是指在 融合之前，各传感器数据源都经过变换并获得独立的身份估计，信息根据 一定准则和决策的可信度对各自传感器的属性决策结果进行融合，最终得 到整体一致的决策，这种融合方式具有很好的容错性和实时性［15,16］。 从理论上说，决策级融合输出的联合决策结果比任何单传感器更为精 确和明确，而且可以用于异质传感器数据的融合，在一个或多个传感器失 效时也能正常工作。目前已有的决策层数据融合方法包括经典推理法、 Kalman滤波法［17］、Bays估计法［18］＞ D-S证据推理法［19］、聚类分析法、 专家系统法、模糊集合理论［20,21］、神经网络［22］、粗集理论［23］等等。其 中证据理论和模糊集理论是决策级数据融合中最常用的两种算法。表1对 几种常用的融合方法作了简单的介绍。 表1融合框架比较 框架概率论法证据理论模糊理论 特点 采用概率分布来表示数据， 在贝叶斯框架内融合 功能 处理不确定性数据的容易构建和理解的方法 局限性 不能处理不完整性数据 的其他方面不能处理数据不精确性的其他方面，不能用于对高冲突 数据的融合只能用来融合模糊数据在数据融合领域没有得到广泛使用 和很好的理 解数据的粒度要选取合适需要一个特定的融合框架来包容其它框 架，计 首旦一P 相对较新的方法，在数据融合领域还未被深入 研究 基于概率分配