典型的多层神经网络模型,神经网络多传感器融合

1、多传感器信息融合和神经网络(RBF)是什么关系?

两者间不具有明显的关系，前者是一类需要解决的问题，即将处于不同层次或相同层次的传感器信息进行全局性或局部性的融合。（加权平均就是一种最简单的融合）。 神经网络（NN）是人工智能算法中的一种方法，其可以用于解决诸如多传感器信息融合这样的一类问题，其应用领域多种多样。
总而言之，两者间非必须的一种组合，但是两者相结合也是一种处理问题的方法。
RBF(radial basis functions)径向基网络也只是神经网络的一种类型，其是前馈型网络的一种。

谷歌人工智能写作项目：小发猫

2、信息融合的模型

近20 年来，人们提出了多种信息融合模型.其共同点或中心思想是在信息融合过程中进行多级处理.现有系统模型大致可以分为两大类：a）功能型模型，主要根据节点顺序构建； b）数据型模型，主要根据数据提取加以构建.在20 世纪80 年代，比较典型的功能型模型主要有U K情报环、Boyd控制回路（OODA 环） ；典型的数据型模型则有JDL 模型. 20 世纪90年代又发展了瀑布模型和Dasarathy模型. 1999 年Mark Bedworth 综合几种模型，提出了一种新的混合模型神经网络多模态信息融合案例。下面简单对上述典型模型介绍。
情报环
情报处理包括信息处理和信息融合。已有许多情报原则，包括： 中心控制避免情报被复制；实时性确保情报实时应用 ；系统地开发保证系统输出被适当应用 ；保证情报源和处理方式的客观性；信息可达性；情报需求改变时，能够做出响应； 保护信息源不受破坏；对处理过程和情报收集策略不断回顾，随时加以修正. 这些也是该模型的优点，而缺点是应用范围有限。U K 情报环把信息处理作为一个环状结构来描述. 它包括4 个阶段：a) 采集，包括传感器和人工信息源等的初始情报数据；b) 整理，关联并集合相关的情报报告，在此阶段会进行一些数据合并和压缩处理，并将得到的结果进行简单的打包，以便在融合的下一阶段使用；c) 评估，在该阶段融合并分析情报数据，同时分析者还直接给情报采集分派任务；d）分发，在此阶段把融合情报发送给用户通常是军事指挥官，以便决策行动，包括下一步的采集工作。
JDL 模型
1984 年，美国国防部成立了数据融合联合指挥实验室，该实验室提出了他们的JDL 模型，经过逐步改进和推广使用，该模型已成为美国国防信息融合系统的一种实际标准。JDL模型把数据融合分为3 级：第1 级为目标优化、定位和识别目标；第2 级处理为态势评估，根据第 1 级处理提供的信息构建态势图；第3 级处理为威胁评估，根据可能采取的行动来解释第2 级处理结果,并分析采取各种行动的优缺点. 过程优化实际是一个反复过程，可以称为第4 级，它在整个融合过程中监控系统性能，识别增加潜在的信息源，以及传感器的最优部署。其他的辅助支持系统包括数据管理系统存储和检索预处理数据和人机界面等。
Boyd控制环
Boyd 控制环OODA 环，即观测、定向、决策、执行环，它首先应用于军事指挥处理，已经大量应用于信息融合。可以看出，Boyd 控制回路使得问题的反馈迭代特性显得十分明显。它包括4 个处理阶段：a) 观测，获取目标信息，相当于JDL 的第1 级和情报环的采集阶段； b) 定向，确定大方向，认清态势，相当于JDL 的第2 级和第3 级，以及情报环的采集和整理阶段；c) 决策，制定反应计划，相当于JDL 的第4 级过程优化和情报环的分发行为，还有诸如后勤管理和计划编制等；d) 行动，执行计划，和上述模型都不相同的是，只有该环节在实用中考虑了决策效能问题。OODA 环的优点是它使各个阶段构成了一个闭环，表明了数据融合的循环性。可以看出，随着融合阶段不断递进，传递到下一级融合阶段的数据量不断减少. 但是OO DA 模型的不足之处在于，决策和执行阶段对OODA 环的其它阶段的影响能力欠缺，并且各个阶段也是顺序执行的。
扩展OODA模型
扩展OODA 模型是加拿大的洛克西德马丁公司开发的一种信息融合系统结构。该种结构已经在加拿大哈利法克斯导弹护卫舰上使用. 该模型综合了上述各种模型的优点，同时又给并发和可能相互影响的信息融合过程提供了一种机理. 用于决策的数据融合系统被分解为一组有意义的高层功能集合例如图4 给出的由N 个功能单元构成的集合，这些功能按照构成OODA 模型的观测、形势分析、决策和执行4 个阶段进行检测评估。每个功能还可以依照OODA 的各个阶段进一步分解和评估. 图4 中标出的节点表示各个功能都与那几个OODA 阶段相关. 例如：功能A 和N 在每个阶段都有分解和评估，而功能B 和C 只与OODA 的部分或单个阶段有关. 该模型具有较好的特性，即环境只在观测阶段给各个功能提供信息输入，而各个功能都依照执行阶段的功能行事。此外，观测、定向和决策阶段的功能仅直接按顺序影响其下各自一阶段的功能，而执行阶段不仅影响环境，而且直接影响OODA 模型中其它各个阶段的瀑布模型。
Dasarathy模型
Dasarathy 模型包括有5 个融合级别，如下表所示。综上可以看到，瀑布模型对底层功能作了明确区分，JDL 模型对中层功能划分清楚，而Boyd 回路则详细解释了高层处理。情报环涵盖了所有处理级别，但是并没有详细描述。而Dasarathy 模型是根据融合任务或功能加以构建，因此可以有效地描述各级融合行为。 输入 输出 描述 数据 数据 数据级融合 数据 特征 特征选择和特征提取 特征 特征 特征级融合 特征 决策 模式识别和模式处理 决策 决策 决策级融合 混合模型
混合模型综合了情报环的循环特性和Boyd 控制回路的反馈迭代特性，同时应用了瀑布模型中的定义，每个定义又都与JDL 和Dasarathy 模型的每个级别相联系. 在混合模型中可以很清楚地看到反馈. 该模型保留了Boyd 控制回路结构，从而明确了信息融合处理中的循环特性，模型中4 个主要处理任务的描述取得了较好的重现精度. 另外，在模型中也较为容易地查找融合行为的发生位置。主要算法
多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类,随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规则等；而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。
主要方法
加权平均法信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。
卡尔曼滤波法卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。但是，采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重的问题，比如： (1）在组合信息大量冗余的情况下，计算量将以滤波器维数的三次方剧增，实时性不能满足； (2）传感器子系统的增加使故障随之增加，在某一系统出现故障而没有来得及被检测出时，故障会污染整个系统，使可靠性降低。
多贝叶斯估计法贝叶斯估计为数据融合提供了一种手段，是融合静态环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进行组