1、第第9章章 物联网数据融合技术物联网数据融合技术 9.1 数据融合概述9.2 数据融合的原理9.3 数据融合技术与算法9.4 物联网数据管理技术 9.1 数据融合概述数据融合概述9.1.1 数据融合简介数据融合简介数据融合(Data Fusion)一词最早出现在20世纪70年代，并于20世纪80年代发展成一项专门技术。数据融合技术最早被应用于军事领域，1973年美国研究机构就在国防部的资助下，开展了声呐信号解释系统的研究。现在数据融合的主要应用领域有多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别、工业控制、海洋监视和管理等。在遥感中，数据融
2、合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信息源更精确、更完全、更可靠的估计和判断等。相对于单源遥感影像数据，多源遥感影像数据所提供的信息具有以下特点：(1)冗余性：指多源遥感影像数据对环境或目标的表示、描述或解译结果相同。(2)互补性：指信息来自不同的自由度且相互独立。(3)合作性：不同传感器在观测和处理信息时对其他信息有依赖关系。(4)信息分层的结构特性：数据融合所处理的多源遥感信息可以在不同的信息层次上出现，这些信息抽象层次包括像素层、特征层和决策层，分层结构和并行处理机制还可保证系统的实时性。多源遥感影像的实质是在统一地理坐标系中将对同一目标检测的多
3、幅遥感图像数据采用一定的算法，生成一幅新的、更能有效表示该目标的图像信息。多源遥感影像的目的是将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，改善遥感信息提取的及时性和可靠性，提高数据的使用效率。9.1.2 物联网中的数据融合物联网中的数据融合数据融合是针对多传感器系统而提出的。在多传感器系统中，由于信息表现形式的多样性、数据量的巨大性、数据关系的复杂性以及要求数据处理的实时性、准确性和可靠性，都已大大超出了人脑的信息综合处理能力，在这种情况下，多传感器数据融合技术应运而生。多传感器数据融合(Multi-Sensor Data
4、Fusion，MSDF)，简称数据融合，也被称为多传感器信息融合(Multi-Sensor Information Fusion，MSIF)。它由美国国防部在20世纪70年代最先提出，之后英、法、日、俄等国也做了大量的研究。近40年来数据融合技术得到了巨大的发展，同时伴随着电子技术、信号检测与处理技术、计算机技术、网络通信技术以及控制技术的飞速发展，数据融合已被应用在多个领域，在现代科学技术中的地位也日渐突出。1数据融合的定义数据融合的定义简洁地表述为：数据融合是利用计算机技术对时序获得的若干感知数据，在一定准则下加以分析、综合，以完成所需决策和评估任务而进行的数据处理过程。数据融合有三层含义
5、：(1)数据的全空间，即数据包括确定的和模糊的、全空间的和子空间的、同步的和异步的、数字的和非数字的，它是复杂的、多维多源的，覆盖全频段。(2)数据的融合不同于组合，组合指的是外部特性，融合指的是内部特性，它是系统动态过程中的一种数据综合加工处理。(3)数据的互补过程，数据表达方式的互补、结构上的互补、功能上的互补、不同层次的互补，是数据融合的核心，只有互补数据的融合才可以使系统发生质的飞跃。数据融合示意图如图9.1所示。图9.1 数据融合示意图数据融合的实质是针对多维数据进行关联或综合分析，进而选取适当的融合模式和处理算法，用以提高数据的质量，为知识提取奠定基础。2数据融合研究的主要内容数据
6、融合是针对一个网络感知系统中使用多个和多类感知节点(如多传感器)展开的一种数据处理方法，研究的内容主要包含以下几个方面。(1)数据对准。(2)数据相关。(3)数据识别，即估计目标的类别和类型。(4)感知数据的不确定性。(5)不完整、不一致和虚假数据。(6)数据库。(7)性能评估。3物联网数据融合的意义和作用物联网是利用射频识别(RFID)装置、各种传感器、全球定位系统(GPS)、激光扫描器等各种不同装置、嵌入式软硬件系统，以及现代网络及无线通信、分布式数据处理等诸多技术，能够协作地实时监测、感知、采集网络分布区域内的各种环境或监测对象的信息，实现包括物与物、人与物之间的互相连接，并且与互联网结
7、合起来而形成的一个巨大的信息网络系统。这个巨大的信息网络系统是一个物联网系统，在这个物联网系统中，有大量感知数据需要选取适当的融合模式、处理算法进行综合分析，才能提高数据的质量，获得最佳决策和完成评估任务。这就是物联网数据融合的意义和作用。4物联网数据融合所要解决的关键问题和要求1)物联网数据融合所要解决的关键问题物联网数据融合所要解决的关键问题有以下几个：(1)数据融合节点的选择。融合节点的选择与网络层的路由协议有密切关系，需要依靠路由协议建立路由回路数据，并且使用路由结构中的某些节点作为数据融合的节点。(2)数据融合时机。(3)数据融合算法。2)物联网数据融合技术要求与以往的多传感器数据融
8、合有所不同，物联网具有它自己独特的融合技术要求：(1)稳定性。(2)数据关联。(3)能量约束。(4)协议的可扩展性。9.2 数据融合的原理数据融合的原理9.2.1 数据融合的基本原理数据融合的基本原理1数据融合的原理数据融合的原理数据融合中心对来自多个传感器的信息进行融合，也可以将来自多个传感器的信息和人机界面的观测事实进行信息融合(这种融合通常是决策级融合)，提取征兆信息，在推理机作用下，将征兆与知识库中的知识匹配，做出故障诊断决策，提供给用户。在基于信息融合的故障诊断系统中可以加入自学习模块，故障决策经自学习模块反馈给知识库，并对相应的置信度因子进行修改，更新知识库。同时，自学习模块能根据
9、知识库中的知识和用户对系统提问的动态应答进行推理，以获得新知识、总结新经验，不断扩充知识库，实现专家系统的自学习功能。一般来说，遥感影像的数据融合分为预处理和数据融合两步。1)预处理预处理主要包括遥感影像的几何纠正、大气订正、辐射校正及空间配准。(1)几何纠正、大气订正及辐射校正的目的在于去除透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响。(2)影像空间配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。影像空间配准时遥感影像数据融合的前提空间配准一般可分为以下步骤：特征选择：在欲配准的两幅影像上，选择如边界、线状物交叉
10、点、区域轮廓线等明显的特征。特征匹配：采用一定配准算法，找出两幅影像上对应的明显地物点，作为控制点。空间变化：根据控制点，建立影像间的映射关系。插值：根据映射关系，对非参考影像进行重采样，获得同参考影像配准的影像。空间配准的精度一般要求在1至2个像元内。空间配准中最关键、最困难的一步就是通过特征匹配寻找对应的明显地物点作为控制点。2)数据融合根据融合目的和融合层次智能地选择合适的融合算法，将空间配准的遥感影像数据(或提取的图像特征或模式识别的属性说明)进行有机合成(如“匹配处理”和“类型变换”等)，以便得到目标的更准确表示或估计。2数据融合的分类及方法1)数据融合的分类遥感影像的数据融合有三类
11、：像元(pixel)级融合、特征(feature)级融合、决策(decision)级融合，融合的水平依次从低到高。(1)像元级融合：是一种低水平的融合。像元级融合的流程：经过预处理的遥感影像数据数据融合特征提取融合属性说明。像元级融合模型如图9.2所示。图9.2 像元级融合模型像元级融合的优点：保留了尽可能多的信息，具有最高精度。像元级融合的局限性：效率低下。由于处理的传感器数据量大，所以处理时间较长，实时性差。分析数据受限。为了便于像元比较，对传感器信息的配准精度要求很高，而且要求影像来源于一组同质传感器或同单位的。分析能力差。不能实现对影像的有效理解和分析。纠错要求。由于底层传感器信息存在
12、不确定性、不完全性或不稳定性，所以对融合过程中的纠错能力有较高要求。抗干扰性差。像元级融合所包含的具体融合方法有代数法、IHS变换、小波变换、主成分变换(PCT)、K-T变换等。(2)特征级融合：是一种中等水平的融合。在这一级别中，先是将各遥感影像数据进行特征提取，提取的特征信息应是原始信息的充分表示量或充分统计量，然后按特征信息对多源数据进行分类、聚集和综合，产生特征矢量，而后采用一些基于特征级的融合方法融合这些特征矢量，作出基于融合特征矢量的属性说明。特征级融合的流程：经过预处理的遥感影像数据特征提取特征级融合融合属性说明。特征级融合模型如图9.3所示。图9.3 特征级融合模型(3)决策级
13、融合：是最高水平的融合。融合的结果为指挥、控制、决策提供了依据。在这一级别中，首先对每一数据进行属性说明，然后对其结果加以融合，得到目标或环境的融合属性说明。决策级融合的流程：经过预处理的遥感影像数据特征提取属性说明属性融合融合属性说明。决策级融合模型如图9.4所示。图9.4 决策级融合模型决策级融合的优点：容错性强、开放性好、处理时间短、数据要求低、分析能力强。而由于对预处理及特征提取有较高要求，所以决策级融合的代价较高。2)数据融合的方法数据融合的方法主要有以下几种：(1)代数法：包括加权融合法、单变量图像差值法、图像比值法等。(2)图像回归法(Image Regression)：首先假定
14、影像的像元值是另一影像的一个线性函数，通过最小二乘法来进行回归，然后再用回归方程计算出的预测值减去影像的原始像元值，从而获得二影像的回归残差图像。经过回归处理后的遥感数据在一定程度上类似于进行了相对辐射校正，因而能减弱多时相影像中由于大气条件和太阳高度角的不同所带来的影响。(3)主成分变换(PCT)：也称为W-L变换，数学上称为主成分分析(PCA)。PCT是应用于遥感诸多领域的一种方法，包括高光谱数据压缩、信息提取与融合及变化监测等。PCT的本质是通过去除冗余，将其余信息转入少数几幅影像(即主成分)的方法，对大量影像进行概括和消除相关性。PCT使用相关系数阵或协方差阵来消除原始影像数据的相关性
15、，以达到去除冗余的目的。对于融合后的新图像来说各波段的信息所作出的贡献能最大限度地表现出来。PCT的优点是能够分离信息，减少相关，从而突出不同的地物目标。另外，它对辐射差异具有自动校正的功能，因此无须再做相对辐射校正处理。(4)K-T变换：即Kauth-Thomas变换，又形象地称为“缨帽变换”。它是线性变换的一种，它能使坐标空间发生旋转，但旋转后的坐标轴不是指向主成分的方向，而是指向另外的方向，这些方向与地面景物有密切的关系，特别是与植物生长过程和土壤有关。因此，这种变换着眼于农作物生长过程而区别于其他植被覆盖，力争抓住地面景物在多光谱空间的特征。通过K-T变换，既可以实现信息压缩，又可以帮
16、助解译分析农业特征，因此，有很大的实际应用意义。目前K-T变换在多源遥感数据融合方面的研究应用主要集中在MSS与TM两种遥感数据的应用分析上。(5)小波变换：是一种新兴的数学分析方法，已经受到了广泛的重视。小波变换是一种全局变换，在时间域和频率域同时具有良好的定位能力，对高频分量采用逐渐精细的时域和空域步长，可以聚焦到被处理图像的任何细节，从而被誉为“数学显微镜”。小波变换常用于雷达影像(SAR)与TM影像的融合。它具有在提高影像空间分辨率的同时又保持色调和饱和度不变的优越性。(6)IHS变换：三个波段合成的RGB颜色空间是一个对物体颜色属性描述的系统，而IHS色度空间提取出物体的亮度I、色度
17、H、饱和度S分别对应三个波段的平均辐射强度、三个波段的数据向量和的方向及三个波段等量数据的大小。RGB颜色空间和IHS色度空间有着精确的转换关系。以TM和SAR为例，变换思路是把TM图像的三个波段合成的RGB假彩色图像变换到IHS色度空间，然后用SAR图像代替其中的I值，再变换到RGB颜色空间，形成新的影像。数据融合的方法还包括多贝叶斯估计法、D-S(Dempster-Shafer)证据推理法和人工神经网络法等，具体内容将在后面章节中进行介绍。遥感影像数据融合还是一门很不成熟的技术，有待于进一步解决的关键问题包括空间配准模型、建立统一的数学融合模型、提高数据预处理过程的精度、提高精确度与可信度
18、等。随着计算机技术、通信技术的发展，新的理论和方法的不断出现，遥感影像数据融合技术将日趋成熟，从理论研究转入到实际更广泛的应用，最终必将向智能化、实时化方向发展，并同GIS结合，实现实时动态融合，用于更新和监测。9.2.2 物联网中数据融合的层次结构物联网中数据融合的层次结构通过对多感知节点信息的协调优化，数据融合技术可以有效地减少整个网络中不必要的通信开销，提高数据的准确度和收集效率。因此，传送已融合的数据要比未经处理的数据节省能量，延长网络的生存周期。但对物联网而言，数据融合技术将面临更多挑战，例如，感知节点能源有限、多数据流的同步、数据的时间敏感特性、网络带宽的限制、无线通信的不可靠性和
19、网络的动态特性等。因此，物联网中的数据融合需要有其独特的层次性结构体系。1传感网感知节点的部署在传感网数据融合结构中，比较重要的问题是如何部署感知节点。目前，传感网感知节点的部署方式一般有三种类型：并行拓扑、串行拓扑和混合拓扑。最常用的拓扑结构是并行拓扑，在这种部署方式中，各种类型的感知节点同时工作；串行拓扑，其感知节点检测数据信息具有暂时性，实际上SAR(Synthetic Aperture Radar)图像就属于此结构；混合拓扑，即树状拓扑。2数据融合的层次划分数据融合大部分是根据具体问题及其特定对象来建立自己的融合层次。例如，有些应用将数据融合划分为检测层、位置层、属性层、态势评估和威胁
20、评估；有的根据输入/输出数据的特征提出了基于输入/输出特征的融合层次化描述。数据融合层次的划分目前还没有统一标准。根据多传感器数据融合模型定义和传感网的自身特点，通常按照节点处理层次、融合前后的数据量变化、信息抽象的层次，来划分传感网数据融合的层次结构。数据融合的一般模型如图9.5所示。图9.5 数据融合的一般模型9.3 数据融合技术与算法数据融合技术与算法9.3.1 传感器网络数据传输及融合技术传感器网络数据传输及融合技术如今无线传感器网络已经成为一种极具潜力的测量工具。它是一个由微型、廉价、能量受限的传感器节点所组成，通过无线方式进行通信的多跳网络，其目的是对所覆盖区域内的信息进行采集、处
21、理和传递。然而，传感器节点体积小，依靠电池供电，且更换电池不便，如何高效使用能量，提高节点生命周期，是传感器网络面临的首要问题。1传统的无线传感器网络数据传输1)直接传输模型直接传输模型是指传感器节点将采集到的数据通过较大的功率直接一跳传输到Sink节点上，进行集中式处理，如图9.6所示。这种方法的缺点在于：距离Sink节点较远的传感器节点需要很大的发送功率才可以达到与Sink节点通信的目的，而传感器节点的通信距离有限，因此距离Sink较远的节点往往无法与Sink节点进行可靠的通信，这是不能被接受的；且在较大通信距离上的节点需耗费很大的能量才能完成与Sink节点的通信，容易造成有关节点的能量很
22、快耗尽，这样的传感器网络在实际中难以得到应用。2)多跳传输模型多跳传输模型类似于Ad-Hoc网络模型，如图9.7所示。每个节点自身不对数据进行任何处理，而是调整发送功率，以较小功率经过多跳将测量数据传输到Sink节点中再进行集中处理。多跳传输模型很好地改善了直接传输模型的缺陷，使得能量得到了有效的利用，这是传感器网络得到广泛利用的前提。图9.6 直接传输模型 图9.7 多跳传输模型 该方法的缺点在于：当网络规模较大时，会出现热点问题，即位于两条或多条路径交叉处的节点，以及距离Sink节点一跳的节点(将它称之为瓶颈节点)，如图9.7中的N1、N2、N3、N4，它们除了自身的传输之外，还要在多跳传
23、递中充当中介。在这种情况下，这些节点的能量将会很快耗尽。对于以节能为前提的传感器网络而言，这显然不是一种很有效的方式。2无线传感器网络的数据融合技术在大规模的无线传感器网络中，由于每个传感器的监测范围以及可靠性都是有限的，在放置传感器节点时，有时要使传感器节点的监测范围互相交叠，以增强整个网络所采集的信息的鲁棒性和准确性。那么，在无线传感器网络中的感测数据就会具有一定的空间相关性，即距离相近的节点所传输的数据具有一定的冗余度。在传统的数据传输模式下，每个节点都将传输全部的感测信息，这其中就包含了大量的冗余信息，即有相当一部分的能量用于不必要的数据传输。而传感器网络中传输数据的能耗远大于处理数据
24、的能耗。因此，在大规模无线传感器网络中，使各个节点多跳传输感测数据到Sink节点前，先对数据进行融合处理是非常有必要的，数据融合技术应运而生。1)集中式数据融合算法(1)分簇模型的LEACH算法。为了改善热点问题，Wendi Rabiner Heinzelman等提出了在无线传感器网络中使用分簇概念，其将网络分为不同层次的LEACH算法：通过某种方式周期性随机选举簇头，簇头在无线信道中广播信息，其余节点检测信号并选择信号最强的簇头加入，从而形成不同的簇。簇头之间的连接构成上层骨干网，所有簇间通信都通过骨干网进行转发。簇内成员将数据传输给簇头节点，簇头节点再向上一级簇头传输，直至Sink节点。图
25、9.8所示为两层分簇结构。这种方式可降低节点发送功率，减少不必要的链路和节点间干扰，达到保持网络内部能量消耗的均衡，延长网络寿命的目的。该算法的缺点在于：分簇的实现以及簇头的选择都需要相当一部分的开销，且簇内成员过多地依赖簇头进行数据传输与处理，使得簇头的能量消耗很快。为避免簇头能量耗尽，需频繁选择簇头。同时，簇头与簇内成员为点对多点的一跳通信，可扩展性差，不适用于大规模网络。图9.8 LEACH算法 图9.9 PEGASIS算法(2)PEGASIS算法。Stephanie Lindsey等人在LEACH的基础上提出了PEGASIS算法。此算法假定网络中的每个节点都是同构的且静止不动，节点通过
26、通信来获得与其他节点之间的位置关系。每个节点通过贪婪算法找到与其最近的相邻节点，并作为自己的下一节点，依次遍历网络中的所有节点，最终形成一条链(Chain)，同时设定一个距离Sink最近的节点为链头节点，它与Sink进行一跳通信。数据总是在某个节点与其邻居之间传输，节点通过多跳方式轮流传输数据到Sink处，如图9.9所示。PEGASIS算法的缺点也很明显：首先每个节点必须知道网络中其他各节点的位置信息；其次，链头节点为瓶颈节点，它的存在至关重要，若它的能量耗尽，则有关路由将会失效；再次，较长的链会造成较大的传输时延。2)分布式数据融合算法可以将一个规则的传感器网络拓扑图等效为一幅图像，获得一种
27、将小波变换应用到无线传感器网络中的分布式数据融合技术。这方面的研究已取得了一些阶段性成果，下面就对其进行介绍。(1)规则网络情况。Servetto首先研究了小波变换的分布式实现，并将其用于解决无线传感器网络中的广播问题。南加州大学的A.Ciancio进一步研究了无线传感器网络中的分布式数据融合算法，引入lifting变换，提出了一种基于lifting的规则网络中分布式小波变换数据融合算法(DWT_RE)，并将其应用于规则网络中。如图9.10所示，网络中节点规则分布，每个节点只与其相邻的左右两个邻居进行通信，对数据进行去相关计算。图9.10 DWT_RE算法DWT_RE算法的实现分为两步：第一步
28、，奇数节点接收到来自它们偶数邻居节点的感测数据，并经过计算得出细节小波系数；第二步，奇数节点把这些系数送至它们的偶数邻居节点以及Sink节点中，偶数邻居节点利用这些信息计算出近似小波系数，也将这些系数送至Sink节点中。小波变换在规则分布网络中的应用是数据融合算法的重要突破，但是实际应用中节点分布是不规则的，因此需要找到一种算法解决不规则网络的数据融合问题。(2)不规则网络情况。莱斯大学的R Wagner在其博士论文中首次提出了一种不规则网络环境下的分布式小波变换方案，即Distributed Wavelet Transform_IRR(DWT_IRR)，并将其扩展到三维情况。莱斯大学的COM
29、PASS项目组已经对此算法进行了检验，下面对其进行介绍。DWT_IRR算法建立在lifting算法的基础上，它的具体思想如图9.11图9.13所示，分成三步：分裂、预测和更新。首先根据节点之间的不同距离(数据相关性不同)按一定算法将节点分为偶数集合Ej和奇数集合Oj。以Oj中的数据进行预测，根据Oj节点与其相邻的Ej节点进行通信后，用Ej节点信息预测出Oj节点信息，将该信息与原来Oj中的信息相减，从而得到细节分量dj。然后，Oj发送dj至参与预测的Ej中，Ej节点将原来信息与dj相加，从而得到近似分量Sj，该分量将参与下一轮的迭代。以此类推，直到j=0为止。图9.11 总体思想图该算法依靠节点
30、与一定范围内的邻居节点进行通信。经过多次迭代后，节点之间的距离进一步扩大，小波也由精细尺度变换到了粗糙尺度，近似信息被集中在了少数节点中，细节信息被集中在了多数节点中，从而实现了网络数据的稀疏变换。通过对小波系数进行筛选，将所需信息进行lifting逆变换，可以应用于有损压缩处理。它的优点是：充分利用感测数据的相关性，进行有效的压缩变换；分布式计算，无中心节点，避免热点问题；将原来网络中的瓶颈节点以及簇头节点的能量平均到整个网络中，充分起到了节能作用，延长了整个网络的寿命。然而，该算法也有其自身的一些设计缺陷：首先，节点必须知道全网位置信息；其次，虽然最终与Sink节点的通信数据量是减少了，但
31、是有很多额外开销用于了邻居节点之间的局部信号处理上，即很多能量消耗在了局部通信上。对于越密集、相关性越强的网络，该算法的效果越好。在此基础上，南加州大学的Godwin Shen考虑到DWT_IRR算法中没有讨论的关于计算反向链路所需的开销，从而对该算法进行了优化。由于反向链路加重了不必要的通信开销，Godwin Shen提出预先为整个网络建立一棵最优路由树，使节点记录通信路由，从而消除反向链路开销。基于应用领域的不同，以上算法各有其优缺点，如表9-1所示。表表9-1 各类算法比较各类算法比较9.3.2 多传感器数据融合算法多传感器数据融合算法多传感器数据融合技术是近几年发展起来的一门实践性较强
32、的应用技术，是多学科交叉的新技术，涉及信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。多传感器融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于C3I(Command，Control，Communication and Intelligence)系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、图像处理、模式识别等领域。1多传感器数据融合原理数据融合又称做信息融合或多传感器数据融合。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感
33、器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。多传感器数据融合技术的基本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上冗余或互补的信息依据某种准则来进行组合，以获得对被测对象的一致性解释与描述。具体地说，多传感器数据融合原理如下：(1)N个不同类型的传感器(有源或无源的)收集观测目标的数据。(2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取变换，提取代表观测数
34、据的特征矢量Yi。(3)对特征矢量Yi进行模式识别处理(如聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等)，完成各传感器关于目标的说明。(4)将各传感器关于目标的说明数据按同一目标进行分组，即关联。(5)利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。2多传感器数据融合方法利用多个传感器所获取的关于对象和环境全面、完整的信息，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
35、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。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。随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer(D-S)证据推理、产生式规则等；而人工智能类方法则有模糊逻辑推理、人工神经网络法、粗集理论、专家系统等。1)随机
36、类方法(1)加权平均法。加权平均法是最简单、最直观的方法。该方法将一组传感器提供的冗余信息进行加权平均，其结果作为融合值。该方法是一种直接对数据源进行操作的方法。(2)卡尔曼滤波法。卡尔曼滤波法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，则卡尔曼滤波法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。(3)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
37、信息依据概率原则进行组合，测量不确定性以条件概率表示。当传感器组的观测坐标一致时，可以直接对传感器的数据进行融合，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计，将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提供整个环境的一个特征描述。(4)D-S证据推理。D-S证据推理是贝叶斯推理的扩充，其三个基本要点是：基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的，分三级。第一级为目标合成，其作用是把来
38、自独立传感器的观测结果合成为一个总的输出结果(ID)。第二级为推断，其作用是获得传感器的观测结果并进行推断，将传感器观测结果扩展成目标报告。这种推断的基础是：一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告。第三级为更新，各种传感器一般都存在随机误差，所以，在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。因此，在推理和多传感器合成之前，要先组合(更新)传感器的观测数据。(5)产生式规则。产生式规则采用符号表示目标特征和相应传感器信息之间的联系，与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中，两个或多个规则形成一个联合规则时，可以产生融合
39、。应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关，如果系统中引入新的传感器，则需要加入相应的附加规则。2)人工智能类方法(1)模糊逻辑推理。模糊逻辑是多值逻辑，通过指定一个0到1之间的实数表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行推理建模，则可以产生一致性模糊推理。与概率统计方法相比，逻辑推理存在许多优点，它在一定程度上克服了概率论所面临的问题，对信息的表示和处理更加接近人类的思维方式，一般比较适合于在高层次上的应用(如决策)，但是，模糊逻辑推理本身
40、还不够成熟和系统化。此外，由于模糊逻辑推理对信息的描述存在很大的主观因素，所以，信息的表示和处理缺乏客观性。模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑，模糊逻辑是一种多值逻辑，隶属度可视为一个数据真值的不精确表示。在MSF(Microsoft Solution Framwork)过程中，存在的不确定性可以直接用模糊逻辑表示，然后，使用多值逻辑推理，根据模糊集合理论的各种演算对各种命题进行合并，进而实现数据融合。(2)人工神经网络法。神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器数据融合技
41、术处理的要求。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时，可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能，即实现了多传感器数据融合。常用的数据融合方法及特性如表9-2所示。通常使用的方法依具体的应用而定，并且，由于各种方法之间的互补性，实际上，常将两种或两种以上的方法组合进行多传感器数据融合。表表9-2 常用的数据融合方法比较常用的数据融合方法比较融合方法运行环
42、境信息类型信息表示不确定性融合技术适用范围加权平均法动态冗余原始读数值加权平均低层数据融合卡尔曼滤波法动态冗余概率分布高斯噪声系统模型滤波低层数据融合多贝叶斯估计法静态冗余概率分布高斯噪声贝叶斯估计高层数据融合产生式规则动/静态冗余/互补命题置信因子逻辑推理高层数据融合D-S证据推理静态冗余/互补命题逻辑推理高层数据融合模糊逻辑推理静态冗余/互补命题隶属度逻辑推理高层数据融合人工神经网络法动/静态冗余/互补神经元输入学习误差神经网络低/高层3数据融合存在的问题及发展趋势数据融合技术方兴未艾，几乎一切信息处理方法都可以应用于数据融合系统。随着传感器技术、数据处理技术、计算机技术、网络通信技术、人
43、工智能技术、并行计算软件和硬件技术等相关技术的发展，尤其是人工智能技术的进步，新的、更有效的数据融合方法将不断推出，多传感器数据融合必将成为未来复杂工业系统智能检测与数据处理的重要技术，其应用领域将不断扩大。多传感器数据融合不是一门单一的技术，而是一门跨学科的综合理论和方法，并且，是一个不很成熟的新研究领域，尚处在不断变化和发展过程中。1)数据融合存在的问题(1)尚未建立统一的融合理论和有效的广义融合模型及算法。(2)对数据融合的具体方法的研究尚处于初级阶段。(3)还没有很好解决融合系统中的容错性或鲁棒性问题。(4)关联的二义性是数据融合中的主要障碍。(5)数据融合系统的设计还存在许多实际问题
44、。2)数据融合的发展趋势数据融合的发展趋势如下：(1)建立统一的融合理论、数据融合的体系结构和广义融合模型。(2)解决数据配准、数据预处理、数据库构建、数据库管理、人机接口、通用软件包开发问题，利用成熟的辅助技术，建立面向具体应用需求的数据融合系统。(3)将人工智能技术(如神经网络、遗传算法、模糊逻辑推理、专家理论等)引入到数据融合领域，利用集成的计算智能方法(如模糊逻辑推理+神经网络，遗传算法+模糊逻辑推理+神经网络等)提高多传感器融合的性能。(4)解决不确定性因素的表达和推理演算，例如引入灰数的概念。(5)利用有关的先验数据提高数据融合的性能，研究更加先进、复杂的融合算法(未知和动态环境中
45、，采用并行计算机结构多传感器集成与融合方法的研究等)。(6)在多平台/单平台、异类/同类多传感器的应用背景下，建立计算复杂程度低，同时，又能满足任务要求的数据处理模型和算法。(7)构建数据融合测试评估平台和多传感器管理体系。(8)将已有的融合方法工程化与商品化，开发能够提供多种复杂融合算法的处理硬件，以便在数据获取的同时就实时地完成融合。总之，与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统的生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。9.3.3 传感器网络的
46、数据融合路由算法传感器网络的数据融合路由算法1无线传感器网络中的路由协议无线传感器网络中的路由协议无线传感器网络因为其与正常通信网络和Ad-Hoc网络有较大不同，所以对网络协议提出了许多新的挑战。(1)由于无线传感器网络中节点众多，无法为每一个节点建立一个能在网络中唯一区别的身份，所以典型的基于IP的协议无法应用于无线传感器网络。(2)与典型通信网络的区别是：无线传感器网络需要从多个源节点向一个汇聚节点传送数据。(3)在传输过程中，很多节点发送的数据具有相似部分，所以需要过滤掉这些冗余信息，从而保证能量和带宽的有效利用。(4)传感器节点的传输能力、能量、处理能力和内存都非常有限，而同时网络又具
47、有节点数量众多、动态性强、感知数据量大等特点，所以需要很好地对网络资源进行管理。根据这些区别，产生了很多新的无线传感器网络路由算法，这些算法都是针对网络的应用与构成进行研究的。几乎所有的路由协议都以数据为中心进行工作。传统的路由协议通常以地址作为节点标志和路由的依据，而在无线传感器网络中，大量节点随机部署，我们所关注的是监测区域的感知数据，而不是具体哪个节点获取的信息，不依赖于全网唯一的标识。当有事件发生时，在特定感知范围内的节点就会检测到并开始收集数据，这些数据将被发送到汇聚节点做进一步处理，以上描述称为事件驱动的应用，在这种应用当中，传感器用来检测特定的事件。当特定事件发生时，收集原始数据
48、，并在发送之前对其进一步处理。首先把本地的原始数据融合在一起，然后把融合后的数据发送给汇聚节点。在反向组播树里，每个非叶子节点都具有数据融合的功能。这个过程称为以数据为中心的路由。在以数据为中心的路由里，数据融合技术利用抑制冗余、最小、最大和平均计算等操作，将来自不同源节点的相似数据结合起来，通过数据的简化实现传输数量的减少，从而节约能源、延长传感器网络的生存时间。在数据融合中，节点不仅能使数据简化，还可以针对特定的应用环境，将多个传感器节点所产生的数据按照数据的特点综合成有意义的信息，从而提高了感知信息的准确性，增强了系统的鲁棒性。2几种基于数据融合的路由算法几种基于数据融合的路由算法下面对
49、近几年比较新型的、基于数据融合的路由算法MLR、GRAN、MFST和GROUP进行详细分析。1)MLRMLR(Maximum Lifetime Routing)是基于地理位置的路由协议。每个节点将自己的邻居节点分为上游邻居节点(离Sink节点较远的邻居节点)和下游邻居节点(离Sink节点较近的邻居节点)。节点的下跳路由只能是其下游邻居节点。在此模型中，节点i对上游邻居节点j传送的信息进行两种处理：如果是上游产生的源信息，则用本地信息对其进行融合处理；如果是已经融合处理过的信息，则选择直接发送到下一跳。即每个节点产生的信息只经过其下游邻居节点的一次融合处理。MLR中将数据融合与最优化路由算法结合
50、到一起，减少了数据通信量，一定程度上改善了传感器网络的有效性。其不足之处为：在传感器网络中，每个节点均具有数据融合功能，但数据融合仅存在于邻居节点的一跳路由中，而且不能对数据进行重复融合，当传感器网络中的数据量增大时，其融合效率不高。2)GRANGRAN(Geographical Routing with Aggregation Nodes)算法也将数据融合应用到地理位置路由协议中，而且假设每个节点都具有数据融合功能，不同之处在于数据融合方法的实现。MLR中的数据融合在下一跳中进行，而GRAN算法另外运行一个选取融合节点的算法DDAP(Distributed Data Aggregation
