多传感器信息融合及应用(何友等著)一至四章节读书笔记

第一章 多传感器信息融合概述

1.2 多传感器信息融合的基本原理

1.2.1 信息融合的基本原理

信息抽象层次包括检测层、位置层、属性层、势态层和威胁层。

1.2.2 信息融合的级别

信息融合的级别可分为5级:检测级融合、位置级融合、属性(目标)级融合、势态评估和威胁评估。(主要是前三个,后俩是军事上的)

检测级融合

在信号层中进行融合。在多传感器分布式检测系统中,每个传感器对观测先进行一定的预处理,然后将压缩的信息传送给其他传感器,最后在某一个中心融合心诚全局检测判决。

有两种信号处理形式:1.硬判决融合,即融合中心处理0,1形式的局部判决。2.软判决融合,中心处理来自局部节点的统计量和置信度。

分布式信号处理可以分为分布式检测和分布式估计。在分布式检测中,由于传感器进行了预处理,因此相较于集中式检测会有性能损失。通过对传感器信息的最优局部处理和融合可以减小损失。

位置级融合

在传感器的测量或估计状态上进行的融合。主要是时空的融合,多应用在跟踪级上,也是最重要的融合。包括了集中式、分布式、混合式和多级式结构。(多应用在对对象的追踪定位上)

目标识别级融合

目标识别也称为属性分类或者身份估计。用于对对象的定位,表征和识别。例如对复杂系统设备故障的识别,医学上利用监视器对人的健康状况进行半自动监视等。主要目标识别技术有:模板法、聚类方法、自适应神经网络、基于知识的技术。

目标识别层的信息融合有三种方法:数据级融合、特征级融合、和决策级融合

1.数据级融合

同量级同类别的传感器原始数据直接进行融合。一般涉及到图像画面像素级的融合,例如多源图像复合。

2.特征级融合

每个传感器观测目标并完成特征提取以获得特征向量。然后融合这些特征向量获得联合特征向量来产生身份估计。必须要使用关联处理吧特征向量分成有意义的群组。

3.决策级

每个传感器都获得独立的身份估计,然后对每个传感器的属性分类进行融合。用于融合身份估计的技术包括表决法、贝叶斯推理、D-S方法、推广的证据理论、模糊集法等。

1.4多传感器信息融合技术研究的历史与现状

给出一些参考文献,其中《Information Fusion》是一区期刊,很重要。
在这里插入图片描述在这里插入图片描述在这里插入图片描述

第二章 状态估计(动态参数估计)基础

2.1 引言

问题大概可以分为两步:一是信号检测;
二是参数估计问题。按照是否随时间变化又可分为静态估计和动态估计。动态估计又称为状态估计。目的是对过去状态进行平滑,对当前状况进行滤波,对未来状况进行预测。

2.2 线性系统估计——卡尔曼滤波

外网有篇文章很好How a Kalman filter works, in pictures。这篇文章的翻译还有很多关于如何通俗并尽可能详细的解释卡尔曼滤波的好回答在知乎的这个链接里都能找到。
注意卡尔曼滤波器需要初始化,常采用二点差分法或三点差分法。

2.2.3 稳态卡尔曼滤波SSKF

对于时不变系统并且将其理想化后可对卡尔尔曼滤波进行简化。其中协方差P为常数,卡尔曼增益K可简化为定值矩阵,从而简化计算量。

2.3 运动模型的稳态滤波器(α-β,α-β-γ滤波器)

二者是简单且易于实现的常增益滤波方法,但仅适用于匀速或匀加速运动。

2.4 非线性系统的状态估计

2.4.1 扩展卡尔曼滤波EKF

2.4.2 迭代扩展卡尔曼滤波IEKF

2.4.3 无迹卡尔曼滤波UKF

2.4.4 粒子滤波算法PF

第三章 不确定推理方法

3.1 引言

不确定性推理包括符号推理和数值推理:前者如认可理论等,其特点是在推理过程中信息损失少,但是计算量大;后者如贝叶斯推理和证据理论,特点是易于实现但是推理过程中有一些信息损失。接下来主要介绍主观贝叶斯推理和D-S证据理论(又称证据理论)这两种不确定推理方法。

3.2 主观贝叶斯方法、

3.3 证据理论

3.3.4 证据理论线模糊集合的推广

带有不确定性的问题,有时需要把证据理论向模糊集合推广。

第四章 多传感器信息融合系统功能和结构模型

信息融合模型可以分为功能模型、结构模型等几个方面来进行研究。

4.1 信息融合系统的功能模型

信息融合的级别可分为5级(JDL功能模型):检测级融合、位置级融合、属性(目标)级融合、势态评估和威胁评估(主要是前三个,后俩是军事上的)。功能框图图下图所示。

在这里插入图片描述
第一级处理是信号融合级的信息融合,也是一个分布检测问题,常根据检测准则形成最优化门限,处理检测和背景杂波统计量,然后再融合中心直接进行分布式恒虚警(CFAR)检测。后结合辅助信息进行预滤波。

第二级处理融合各传感器所获得的目标的位置和速度信息。

第三处理是属性信息融合,对目标属性进行识别,得到对目标身份的联合估计。

总体来看,第一级是信号检测理论的直接发展,第二级和第三级是最重要的两级。除了何友院士提出的5级模型,JDL的4级模型,Hall和Waltz的三级模型外,还有Dasarathy提出的I/O模型,及Bedworth提出的Omnibus处理模型。

4.2 信息融合系统的结构模型

有时位置级融合和目标级融合是相关的,并同步处理,有时候大家把他们看做一级。

4.2.1 检测级融合结构

分布检测角度来看,检测级融合结构模型有5种:分散式结构、并行式结构、串行结构、树状结构和带反馈并行结构。
如图4.2,分散式结构分布检测取消了融合节点,实际上每个传感器的局部决策都是最终决策。
如图4.3,并形结构分布检测在每个传感器局部节点做出局部判决后在检测中心进行融合得到全局决策。这种结构在分布式检测系统中应用较为普遍。
如图4.4,并行结构分布检测各个局部节点在接收到自己的检测后,由节点S1做出局部判决u1,然后向后通信到节点S2。节点S2将自身检测与上一个局部判断u1结合做出判决u2,以此类推,信息向右传递最后作出判决。
如图4.5,树状结构中信息传递的流程是从树枝到树根,最后在树根节点融合,做出全局判决。
如图4.6,带反馈的并形结构类似并行结构,区别在于全局判决之后,将全局判决反馈到各局部传感器作为下一时刻局部决策的输入,可以干山局部节点的判决质量。
在这里插入图片描述在这里插入图片描述在这里插入图片描述

4.2.2 位置级融合结构

位置融合级系统结构主要有:集中式、分布式、混合式和多级式。
如图4.7,集中式结构将各个传感器的检测报告传递到融合中心(在图示中是后三列框),在那里进行数据对准、滤波、数据互联等操作。优点是信息损失较小但是数据互联较为困难,要求系统具备较强的容量和处理能力,计算负担重。
在这里插入图片描述
如图4.8,分布式结构的每个传感器把数据进行预处理后送入融合中心(在图示中是多目标跟踪环节),形成全局估计。
在这里插入图片描述
如图4.9,对于同一平台上不同类型的传感器多模态融合也许是用混合式结构更合适。
如图4.10,在多及时结构中,各局部节点可以同时是或分别是集中式、分布式或是混合式的融合中心,他们将接收处理来自多个传感器的数据,系统的融合节点要对各局部融合皆甜传来的航迹数据进行关联和融合。
在这里插入图片描述

4.2.3 目标识别融合结构

目标识别(属性)数据融合主要有三类:决策层属性融合、特征层属性融合、数据层属性融合。

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(DADAO)”、“数据入特征出(DAI-FEO)”、“特征入特征出(FEL-FEO)”、“特征入决策出(FE-DEO)"和“决策入决策出(DEI-DEO)”五级。该方法可用于构建灵活的信息融合系统结构,对于实际的应用研究有指导意义。

如图4.11,决策层属性融合结构中每个传感器需要完成一个独立的属性判决,然后顺序融合每个传感器的属性判决结果。
在这里插入图片描述
如图4.12所示,特征层属性融合的每个传感器对目标进行观测后,进行特征提取环节,通过融合这些特征向量后,基于联合特征向量做出属性判决。
如图4.13所示,数据集融合将相同或者同类的传感器数据进行融合。例如都是视觉类传感器,并且要对于相同的目标或客体进行。

在这里插入图片描述
数据级融合、特征级融合和决策级融合层次的比较。
在这里插入图片描述

  • 4
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值