(完整版)信息融合算法.docx

信息融合算法 概述 信息融合又称数据融合， 是对多种信息的获取、 表示及其内在联系进行综合处理和优化的技术。 经过融合后的传感器信息具有以下特征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。 1、组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法， 是一种最基本的方式， 涉及的问题有输出方式的协调、综合以及传感器的选择。在硬件这一级上应用。 2、综合：信息优化处理中的一种获得明确信息的有效方法。 例：在虚拟现实技术中， 使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像， 综合这两幅图像可以复原出一个准确的有立体感的物体的图像。 3、融合：当将传感器数据组之间进行相关或将传感器数据与系 统内部的知识模型进行相关，而产生信息的一个新的表达式。 4、相关：通过处理传感器信息获得某些结果，不仅需要单项信 息处理，而且需要通过相关来进行处理， 获悉传感器数据组之间的关 系，从而得到正确信息，剔除无用和错误的信息。 相关处理的目的： 对识别、预测、学习和记忆等过程的信息进行 综合和优化。 技术发展现状 信息融合技术的方法，概括起来分为下面几种： 组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。在硬件这一级上应用。 综合：信息优化处理中的一种获得明确信息的有效方法。 例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到 一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。 融合：当将传感器数据组之间进行相关或将传感器数据与系 统内部的知识模型进行相关， 而产生信息的一个新的表达式。 相关：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。 算法描述 3.1 Bayes 融合 Bayes融合是融合静态环境中多传感器低层数据的一种常用方法。 其信息描述为概率分布，适用于具有可加高斯噪声的不确定性信息。假定完成任务所需的有关环境的特征物用向量 f 表示，通过传感器获得的数据信息用向量 d 来表示， d 和 f 都可看作是随机向量。信息融合的任务就是由数据 d 推导和估计环境 f。假设 p(f，d)为随机向量 f 和 d 的联合概率分布密度函数，则 p( f , d ) p( f | d ) p(d ) p( f | d) p( f ) p(f| d)表示在已知 d 的条件下， f 关于 d 的条件概率密度函数 p(f|d )表示在已知 f 的条件下， d 关于 f 的条件概率密度函数p(d)和 p(f)分别表示 d 和 f 的边缘分布密度函数 已知 d 时，要推断 f，只须掌握 p(f|d) 即可，即 p( f | d) p(d | f ) p( f ) / p(d ) 信息融合通过 数据信息 d 做出对环境 f 的推断，即求解 p(f|d )。 由 Bayes 公式知，只须知道 p(f|d )和 p(f)即可。因为 p(d)可看作是使 p(f|d )?p(f)成为概率密度函数的归一化常数， p(d|f )是在已知客观环境 变量 f 的情况下，传感器得到的 d 关于 f 的条件密度。当环境情况和 传感器性能已知时， p(f|d )由决定环境和传感器原理的物理规律完全 确定。而 p(f)可通过先验知识 的获取和积累，逐步渐近准确地得到， 因此，一般总能对 p(f)有较好的近似描述。 在传感器信息融合的实际应用过程中， 通常的情况是在某一时刻 从多种传感器得到一组数据信息 d，由这一组数据给出当前环境的一 个估计 f。因此 ,实际中应用较多的方法是寻找最大后验估计 g，即 p（ g | d） max p（f | d） f 即最大后验估计是在已知数据为 d 的条件下，使后验概率密度 p(f)取得最大值得点 g，根据概率论，最大后验估计 g 满足 p（ g | d）? p（ g） max p（d | f）? p（ f） f 当 p(f)为均匀分布时，最大后验估计 g 满足 p（ g | f） max p（d | f） f 此时，最大后验概率 也称为极大似然估计。 当传感器组的观测坐标一致时， 可以用直接法对传感器测量数据进行融合。在大多数情况下， 多传感器从不同的坐标框架对环境中同一物体进行描述， 这时传感器测量数据要以间接的方式采用 Bayes 估计进行数据融合。间接法要解决的问题是求出与多个传感器读数相一致的旋转矩阵 R和平移矢量 H。 在传感器数据进行融合之前，必须确保测量数据代表同一实物，即要