近二十年来，传感器技术比获得了迅速发展，各种面向复杂应用背景的多传感器信息系统大量涌现，在一个系统中装配的传感器在数量上和种类上也越来越多。因此需要有效地处理各种各样的大量的传感器信息。在这些系统中，信息表现形式的多样性，信息容量以及信息的处理速度等要求已经大大超出人脑的信息综合能力。处理各种各样的传感器信息意味着增加了待处理的信息量，很可能会涉及到在各传感器数据组之间数据的矛盾和不协调。在这样的情况下，多传感器信息融合技术(Multi-sensor information Fusion，MIF) 应运而生。“融合”是指采集并集成各种信息源、多媒体和多格式信息从而生成完整、准确、及时和有效的综合信息的过程。信息融合是针对一个系统中使用多种传感器(多个/或多类)这一特定问题而展开的一种信息处理的新研究方向。其实，信息融合是人类的一个基本功能，我们人类可以非常自如地把自己身体中的眼、耳、鼻、舌、皮肤等各个感官所感受到的信息综合起来，并使用先验知识去感知、识别和理解周围的事物和环境。 edta信息融合技术研究如何加工、协同利用信息，并使不同形式的信息相互补充，以获得对同一
事物或目标的更客观、更本质的认识的信息综合处理技术。经过融合后的系统信息具有冗余性、互补性、实时性等特点。根据信息融合的定义，信息融合技术包括以下方面的核心内容:
(1)信息融合是在几个层次上完成对多源信息处理的过程，其中每一个层次
都具有不同级别的信息抽象;
(2)信息融合包括探测、互联、相关、估计以及信息组合;
(3)信息融合的结果包括较低层次上的状态估计和身份估计，以及较高层次
上的整个战术态势估计。丹江口水电站
因此，多传感器是信息融合的硬件基础，多源信息是信息融合的加工对象，协调优化和综合处理是信息融合技术的核心。
信息融合的基本目标是通过信息组合而不是出现在输入信息中的任何个别元素，推导出更多的信息，这是最佳协同作用的结果。即利用多个传感器共同操作的优势，提高传感器系
统的有效性用于融合的信息既可以是未经处理的原始数据，也可以是经过处理的数据，处理后的数据既可以是描述某个过程的参数或状态估计，也可以是支持某个命题的证据或赞成某个假设的决策。在融合过程中，需要对这些性质不同，变化多样的信息进行复合推理，以改进分类器的决策能力。
信息融合 (information fusion)起初被称为数据融合 (data fusion)，起源于1973年美国国防部资助开发的声纳信号处理系统，其概念在20世纪70年代就出现在一些文献中。在20世纪90年代，随着信息技术的广泛发展，具有更广义化概念的“信息融合”被提出来。在美国研发成功声纳信号处理系统之后，信息融合技术在军事应用中受到了越来越广泛的青睐。20世纪80年代，为了满足军事领域中作战的需要，多传感器数据融合MSDF (Multi-sensor Data Fusion)技术应运而生。1988年，美国将C3I(Command，Control，Commication and Intelligence)系统中的数据融合技术列为国防部重点开发的二十项关键技术之一。由于信息融合技术在海湾战争中表现出的巨大潜力，在战争结束后,美国国防部又在C3I系统中加入计算机(computer)，开发了以信息融合为中心的C4I系统。此外，英国陆军开发了炮兵智能信息融合系统(AIDD)和机动与控制系统 (WAVELL)。欧洲五国还制定了联合开展多传感器
信号与知识综合系统 (SKIDS)的研究计划。法国也研发了多平台态势感知演示验证系统(TsMPF)。军事领域是信息融合的诞生地，也是信息融合技术应用最为成功的地方。特别是在伊拉克战争和阿富汗战争中，美国军方的信息融合系统都发挥了重要作用。当前，信息融合技术在军事中的应用研究己经从低层的目标检测、识别和跟踪转向了态势评估和威胁估计等高层应用。20世纪90年代以来，传感器技术和计算机技术的迅速发展大大推动了信息融合技术的研究，信息融合技术的应用领域也从军事迅速扩展到了民用。目前，信息融合技术己在许多民用领域取得成效。这些领域主要包括:机器人和智能仪器系统、智能制造系统、战场任务与无人驾驶飞机、航天应用、目标检测与跟踪、图像分析与理解、惯性导航、模式识别等领域[1][2][3][4][5][6]。
我国对信息融合理论和技术的研究起步较晚，也是从军事领 域和智能机器人的研究开始。20世纪90年代以后，信息融合的研究在我国逐渐形成高潮。不仅召开了关于数据融合的会议，出版了关于信息融合的专著和译著，国家自然科学基金和国家863计划也将其列入重点支持项目。目前已有许多高校和研究机构正积极开展这方面的研究工作，也分别在军用和民用方面取得了一些成果[7][8][9][10]。但是在信息融合模型、结构、算法等理论方面的原创性成果较少, 与世界先进水平还有一定的差距。 2 多传感器系统的特点与控制结构
传感器网络是将大量的具有通信盒计算能力的微小传感路节点，通过人工布设、空投、等方式设置在预定的监控区域，形成的智能自治测控网络系统，能够监测、感知和采集各种环境信息或监测对象的信息。传感器网络具有重要的科研价值和广泛的应用前景，它的出现引起了全世界的广泛关注，被公认为是将21世纪产生巨大影响的技术之一。
微电子技术的迅速发展奠定了设计使得将多种传感器集成一体，制造小型化、低成本、多功能的传感器成为了可能。大量的微电子传感器节点只有通过低功耗的无线电通讯技术连成网络才能够发挥整体的综合作用。
在通信方式上，无线电、红外、声等多种无线通信技术的发展为微传感器通信提供了多种选择，尤其是以IEEE802.15.4为代表的短距离无线电通信标准。
由于传感器节点数量众多，布设一般采用随机投放的方式，传感器节点的位置不能预先确定；在任意时刻，节点间通过无线信道连接，自组织网络拓扑结构；传感器节点间具有很强的协同能力，通过局部的数据采集、预处理以及节点间的数据交互来完成全局任务。感
器网络是一种无中心节点的全分布系统。由于大量传感器节点是密集布设的，传感器节点间的距离很短，因此，多跳、对等通信方式比传统的单跳、主从通信方式更适合在床干起网络中使用，由于每跳的距离较短，收发器可以在较低的能量级别上工作。另外，多跳通信方式可以有效地避免在厂距离新信号传播过程中遇到的信号衰减和干扰等问题。此类传感器系统具有以下显著特点[11]：
假如我是一个病人1)无中心和自组织性
2)动态变化的网络拓扑
3)受限的传输带宽
4)节点的能力有限
5)多跳路由
6)安全性差
北京自贸区总体方案公布
7)网络的扩展性不强
其控制结构可归纳如下。
集中式结构是以中心处理单元为核心的结构模式，融合中心处理单元直接与各个传感器或它们的处理器连接，它有三种不同的结构类型：第一种，传感器层信息融合结构，各传感器都有自己独立的信号处理单元，分别完成特征提取、目标分类与跟踪，然后将目标信息提供给中心处理单元进行融合处理（包括联结、相关、跟踪、评估、分类和嵌入）。由于每个传感器都有各自独立的信号处理单元，从而减少了融合处理的负担，传感器可任意增减而不必改变原来的结构和融合算法。第二种，中心层融合结构，各传感器的原始数据经滤波、放大和整形等初步处理后直接送入中心处理单元进行信息融合。由于取消了各传感器的信号处理单元，使得结构更为简单，提高了系统的可靠性，降低了成本，同时可对不同传感器的数据进行优化处理，提高了信息的利用率和效率。但中央处理单元的负担过重，对于不同的目标、任务和传感器，融合算法也不同，从而降低了系统的适应能力。第三种，混合式融合结构，它兼有上述两中结构的功能和特点，传感器数据既可直接送入中心处理单元，也可以先经过各自的信号处理单元加工后再送到中央处理器进行融合。该结构的适应性比前二种更强，但显然结构也最复杂。分布式多传感器系统结构：前面三种结构中的融合（中心）处理单元都是直接与各个传感器或它们的处理器连接，属于集中式融
合结构。图5.4所示的分布式融合结构的中心处理单元（全局数据融合中心）不是与传感器直接连接，而是与局部（本地）信息融合单元相连，局部数据融合单元融合本地传感器的数据。该结构的优点是组合方便灵活，可根据需要将系统分成不同层次和不同方式的融合，每一层次具有自己独立的融合结果，同时又是全局融合的一个组成部分。但它显然保留了集中式融合结构的某些缺点，需要两种不同的融合算法，一个面对传感器数据，一个面对局部融合结果。无中心融合结构：前面四种结构的共同点是都有一个中心融合单元，不管它是集中式的还是分部式的。无中心的融合结构中，每一个节点与传感器或其它节点连接，输入传感器的测量值和其它节点的融合结果，并输出本节点的融合结果。由于取消了中心融合单元，系统输出不再只依赖于中心融合单元，而可从任何一个节点输出，任何一个传感器或节点出错或损坏对整个系统不会产生太大影响。但该结构的通信和融合算法比较复杂，这是它的不足。该结构中的节点可与其它所有节点连接，也可以只与部分节点连接。三级并行结构，该结构由SteliosC. A. Thomopoluous提出，分别由“信号级融合”、“证据级融合”和“动力学级融合”三级并行构成。NBS分级感知与控制结构：由美国国家标准局(NBS)制造工程中心自动制造研究实验室提出，是一种多传感器交互作用的分级感知与控制的多传感器机器人系统结构，该结构源于“小脑模型计算机”，它由一个逐级上
升的“传感处理”层和逐级下降的“任务分解”控制层，以及每一层的“世界模型”构成，应用在NBS装配机器人系统中。脚误
3 信息融合的主要方法与当前的研究热点
利用多个传感器所获取的关于对象和环境全面、 完整信息 ,主要体现在融合算法上。因此 ,多传感器系统的核心问题是选择合适的融合算法。对于多传感器系统来说 ,信息具有多样性和复杂性 ,因此 ,对信息融合方法的基本要求是具有鲁棒性和并行处理能力。此外 ,还有方法的运算速度和精度;与前续预处理系统和后续信息识别系统的接口性能;与不同技术和方法的协调能力;对信息样本的要求等。一般情况下 ,基于非线性的数学方法 ,如果它具有容错性、 自适应性、 联想记忆和并行处理能力 ,则都可以用来作为融合方法。多传感器数据融合虽然未形成完整的理论体系和有效的融合算法 ,但在不少应用领域根据各自的具体应用背景 ,已经提出了许多成熟并且有效的融合方法。
3.1 信息融合主要模型
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去年的树课堂实录
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。下面简单对上述典型模型介绍。
●情报环[16]
情报处理包括信息处理和信息融合。 目前已有许多情报原则,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
