多传感器信息融合系统功能和结构

信息融合模型可以从功能、结构和数学模型等方面进行研究和描述。功能模型从融合过程出发，描述了信息融合包含的主要功能、数据库以及系统各组成部分之间的相互作用过程；结构模型则从信息融合的组成出发，说明了信息融合系统的软硬件组成、相关数据流以及系统与外部环境的人机界面；数学模型则是信息融合算法和综合逻辑。为了更针对性地研究信息融合算法，本文重点探讨了信息融合系统的功能和结构模型。

信息融合模型的分类

All 和 Waltz 等人将多传感器信息融合分为五级，从信息融合的功能层次出发，定义了五个层次：检测判断融合、位置融合、属性信息融合、态势评估和威胁估计。这种功能模型描述了前三个层次的信息融合适用于任意多传感器信息融合系统，而后两个层次主要适用于军事应用指挥控制系统。这是一种广泛的信息融合功能分级法，这种从信息融合功能角度出发的分级方法有助于信息融合技术的研究。下图展示了这种分级方法的功能框图，图中左侧是传感器的监控/跟踪环境及其数据采集源。辅助信息包括人工情报、先验信息和环境参数。融合功能主要包括第一级处理、预滤波、数据采集管理、第二级处理、第三级处理、第四级处理、第五级处理、数据库管理、支持数据库、人机界面和功能评估。

多传感器信息融合的表示

检测级融合结构

从分布式检测的角度来看，检测级融合的结构模型主要有五种：分散式结构、并行结构、串行结构、树状结构和带反馈并行结构。分散式空间结构的分布式检测系统如下图所示，实际上是将并行结构中的融合节点 S 取消后得到的。每个部分决策 u(i=1,...,N) 都是最终决策。在具体应用中，可以根据某种规则将这些分离的子系统联系起来，作为大系统的一部分，并遵循大系统中的某种最优化原则来确定每个子系统的工作点。并行结构的分布式检测系统如下图所示，N 个部分节点 S1, S2, ..., S 接收未经处理的原始数据 Y1, Y2, ..., Y，并在局部节点分别作出局部检测决策，然后在检测中心通过融合得到全局决策。这种结构在分布式检测系统中应用广泛。

[分散式结构图]

[并行结构图]

位置融合结构

从多传感器系统的信息流通方式和综合处理层次来看，位置融合及系统结构模型主要有四种：集中式、分布式、混合式和多级式。分别如下图所示：

[集中式融合图]

[分布式融合图]

[混合式融合图]

[多级式结构图]

集中式结构

将传感器收集的检测报告传递到融合中心，在那里进行数据对准、点迹相关、数据互联、轨迹滤波、预测和综合跟踪。这种结构的最大优点是信息损失最小，但数据互联较困难，并且要求系统具有较大的处理能力，计算负担重，系统生存能力相对较差。

分布式结构

特点是每个传感器的检测报告在进入融合前，由其自身的数据处理器生成局部多目标跟踪轨迹，然后将处理后的信息发送到融合中心，中心根据各节点的轨迹数据完成轨迹关联和轨迹融合，形成全局估计。这种系统应用非常广泛，尤其是在军事指挥控制系统中，不仅具有局部独立跟踪能力，还具备全局监视和评估特征的能力。系统的成本可以控制在一定范围内，并且具有较强的自下而上能力。这种结构也被称为分级式和自主式融合。在分布式结构中，各节点连接成类似环形的结构，或者存在相互交叉的信息传输。

混合式

同时传输探测报告和经过局部节点处理的轨迹信息，它保留了上述两类系统的优点，但在通信和计算上需要付出高昂的代价。对于安装在同一平台上的不同类型传感器，如雷达、敌我识别（IFF）、红外搜索与跟踪、电子支援措施（ESM）组成的传感器群，可能更适合采用混合式结构，例如机载多传感器数据融合系统。

多级式结构

各部分节点可以同时或分别是集中式、分布式或混合式的融合中心，它们接收和处理来自多个传感器的数据或来自多个跟踪器的轨迹，而系统的融合节点要再次对各部分融合节点传送来的轨迹数据进行关联和融合，也就是说目标的检测报告要经过两级以上的轨迹融合处理，因此称为多级式系统。典型的多级式系统如海军指挥控制中心、舰队指挥中心、海上多平台系统、岸基或陆基战斗或战略指挥控制系统。为了提高局部节点的跟踪能力，分布式、混合式和多级式系统中的局部节点经常接收来自融合节点的反馈信息。如果从数据融合的五个层次来看，任何军用多传感器系统都可以看作是多级式融合结构。

[多传感器信息融合表示图]

目标识别融合结构

如前所述，目标识别（属性）数据融合结构主要有三类：决策层属性融合、特征层属性融合和数据层属性融合。下图展示了决策层属性融合结构。在这种方法中，每个传感器为了获得独立的属性决策要完成一个转换，然后顺序融合来自每个传感器的属性决策。其中 I/D 是来自第 i 个传感器的属性决策结果。

[决策层属性融合结构图]

在另一种方法中，每个传感器观察一个目标，并为了生成每个传感器的特征向量要完成特征提取，然后融合这些特征向量，并基于组合特征向量作出属性决策。此外，为了将特征向量划分为有意义的群组，必须使用关联过程。地位信息是有用的。数据层属性融合结构如下图所示。在这种数据层融合方法中，直接融合来自同类传感器的数据，然后进行特征提取和来自融合数据的属性决策。为了实现这种数据层融合，传感器必须是相同的（如几个红外传感器）或同类的（例如一个红外传感器和一个视觉图像传感器）。为了确保融合的数据对应于相同的目标或对象，关联必须基于原始数据完成。与位置融合结构类似，通过融合接近信源的信息可以获得更高的精度，即数据层融合能够提供更高的精度。

[数据层属性融合结构图]

特征层融合精度较高，而决策层融合精度较差，但数据层融合仅适用于产生同类观测的传感器。当然，通过这三种方法也可以组成其他混合结构。另外，就融合结构而言，位置与属性融合密切相关，并且常常是并行同步处理的，这也是有人将它们视为一级融合的原因。Dasarathy 将传统的数据层、特征层和决策层融合进一步细分为“数据入数据出（DAI DAO）”、“数据入特征出（DAI-FEO）”、“特征入特征出（FEI-FEO）”、“特征入决策出（FEI-DEO）”和“决策入决策出（DEI-DEO）”五级。这种方法可用于构建灵活的信息融合系统结构，对实际应用研究具有指导意义。

多传感器信息融合的优势

多传感器信息融合的优势在于，可以综合利用多种信息源的不同特点，多方位获取相关信息，从而提高整个系统的可靠性和精确度。未来传感器融合技术将变得越来越重要，并将成为一种趋势。