信息融合
出自 MBA智库百科(https://wiki.mbalib.com/)
信息融合(Information Fusion)
目錄 |
信息融合是一種多層次的、多方面的處理過程，這個過程是對多源數據進行檢測、結合、相關、估計和組合以達到精確的狀態估計和身份估計，以及完整、及時的態勢評估和威脅估計。
根據國外研究成果，信息融合比較確切的定義可概括為：利用電腦技術對按時序獲得的多源的觀測信息在一定准則下加以自動分析、綜合以完成所需的決策和估計任務而進行的信息處理過程。
按照這一定義，多感測器系統是信息融合的硬體基礎，多源信息是信息融合的加工.對象，協調優化和綜合處理是信息融合的核心。[1]
信息融合的基本原理[1]
信息融合的基本原理就像人腦綜合處理信息一樣，充分利用多源信息，通過對這些多源的觀測信息的合理支配和使用，把多源信息在空間或時間上的冗餘或互補依據某種準則來進行組合，以獲得被測對象的一致性解釋或描述。
按照信息抽象的3個層次，可將信息融合分為3級，即象素級融合、特征級融合和決策級融合。
1.信息融合的加工對象。多源信息(數據源或信息源)為融合系統提供原始的和，或預處理的數據，因此，多源信息是信息融合的對象。多源信息可分為3類：感測器、源數據和通信鏈。
感測器是探測或測量物理現象的設備按不同的方式可分為物理接觸感測器和非物理接觸感測器；有源/主動感測器和無源，被動感測器。
源數據是經過人工處理過的預知數據，它常被看作是情報信息，主要包括人工情報、通信情報和我軍計劃等。源數據中的元素通常在態勢和威脅級進行融合，因此，它們不直接與感測器數據組合，並常常將它們的輸入與感測器數據分開。
通信鏈是從感測器或源到數據融合處理節點的通信連接，用以傳輸來自遠方的數據。
2.信息融合的功能模型。為了給信息融合過程提供一個概貌，通過圖1所示的融合系統的功能模型來說明融合系統的功能組成以及這些功能之問的聯繫。
在圖l的模型中，信息融合系統的功能主要有檢測(探測)、校準(對準)、相關(互聯、關聯)、狀態估計、目標識別、行為估計。其中校準和相關是為識別和估計做準備的，實際融合在識別和估計中進行。該模型的融合功能分兩步完成。對應於不同的信息抽象層次，第一步是低層處理，對應於象素級融合和特征級融合，輸出的是狀態、特征和屬性等；第二步是高層處理(行為估計)，對應的是決策級融合，輸出的是抽象結果，如威脅、企圖和目的等。
3.信息融合的關鍵問題。信息融合的關鍵問題是：數據轉換、數據相關、態勢資料庫、融合推理和融合損失等。
(1)數據轉換數據轉換的關鍵在於，不僅要轉換不同層次之間的信息，而且罰樣需要轉換對環境或目標的描述或說明的不同之處和相似之處(目標和環境的先驗知識也難以提取)。即使是同一層次的信息，也存在不同的描述和說明。
(2)數據相關數據相關的核心問題是如何剋服感測器測量的不精確性和干擾等引起的相關二義性，即保持數據的一致性；如何控制和降低相關計算的複雜性，開發相關處理、融合處理和系統模擬的演算法和模型。
(3)態勢資料庫態勢資料庫所要解決的難題是容量要大，搜索要快，開放互聯性好，並具有良好的用戶介面。
(4)融合推理融合推理是信息融合系統的核心，融合推理所需要勰決的關鍵閱題是如何針對複雜的環境和目標時變動態特性，在難以獲得先驗知識的前提下，建立具有良好穩鍵佳和自適應能力的目標機動與環境模型，以及如何有效地控制和降低遞推估計的計算複雜性。
(5)融合損失融合損失的關鍵問題是如何減少、剋服、彌補信息融合過程中的信息損失。
信息融合方法[1]
雖然信息融合問題至今來形成基本的理論框架和有效的廣義融合演算法，但是，不少應用領域的研究人員還是根據各自的具體應用背景，提出了許多比較成熟且有效的融合方法。
l。信息融合方法簡介
信息融合作為一種信信綜合和處理技術，實際上是許多傳統學科和新技術的集成和應用。為了進行信息融合，所採用的信息表示積處理方法均來自這些領域。從信息融合的功能模型可看到，融合的基本功能是相關、估計和識別，重點是估計和識別。
(1)相關。相關處理的常用演算法有：最近鄰法則、最大似然法、最優差別、統計關聯、聯合統計關聯等；
(2)估計。用於估計的演算法有：最小二乘法、最大似然估計法、卡爾曼濾波器等；
(3)識別。用於識別的演算法大概可分為3類：物理模型類識別演算法，參數分類識別演算法和認識模型類識的方法。圖2所示為用於識別的融合演算法的概念性分類。
2.用於信息融合的D—S方法
D—S方法是出Dempster和Sharer在70年代提出的證據理論，該理論建立了命題和集合之間的一一對應，以把命題的不確定性轉化為集合的不確定性問題，而證據理論處理的正是集合的不確定性。D—S證據推毽在信息融合中的基本應用過程如下：它首先計算各個證據的基本概率賦值函數m1、信任度函數Bel1和似然函數Pls1；然後用D—S組合規則計算所有證據聯合作用下的基本概率賦值函數、信任函數和似然函數；最後根據一定的決策規則，選擇聯合作咫下支持度最大的假設。
3.基於資訊理論的融合演算法
有時，信意融會並不舞癸篇統計方法壹接模擬觀測數據的隨機形式，而是依賴於觀測參數與目標身份之間的映射關係來對目標進行標識，這類方法稱為基於資訊理論的融合方法。如聚類分析法是一綴啟髮式演算法，在模式數目不是精確知道的標識性應用中，這類演算法很有用處。聚類分析演算法按某種聚類準則將數據分組(聚類)，並由分析員把每個數據組解釋為相應的目標類。聚類分析主要有以下幾個步驟：(1)從觀測數據中選擇一揍樣本數據；(2)定義特征變數集合以表徵樣本中實體； (3)計算數據的相似性，並按照一個相似性準則劃分數據集；(4)檢驗劃分成的類對子實際應用是否有意義；(5)反覆將產生的子集加以劃分，並對劃分結果使用第4步，直到再沒有進一步的細分結果，或者直到滿足某種停止規則為止。
4.基子認識模型的融合演算法
基予認識模型的信惠融會方法試圖模仿人類辨別實體的識別過程模型，如模糊集合方法，由zadeh提出的模糊集合理論的中心思惹是隸屬函數μ，隸屬函數主觀上是由知識啟發、經驗或推測過程確定，對它的評定沒有形式化過程，這是明顯確定。儘管如此，精確的隸屬函數分佈形狀對根據模糊演算得出的推理結論影響不大，因此，也可以解決證據不確定性或決策中的不准確性等問題。
模糊集合理論對於信息融合的實際價值在於它外延到模糊邏輯。通過模糊命題的表示，用綜合規則建立起演繹推理，併在推理中使用模糊概率，從而方便地建立起模糊邏輯。
模糊邏輯是一種多值邏輯。隸屬程度可視為一個數據真值的不精確表示。因此，信息融合過程中存在的不確定性可以直接用模糊邏輯表示，然後使用多值邏輯推理，根據各種模糊演算對各種命題(即各感測器提供的數據)進行合併，從而實現信息融合。當然，要得到一致的結果，必須首先系統地建立命題以及運算元到[0，1]區間的映射，並適當地選擇合併運算所使用的運算元。
5.用於信息融合的人工智慧方法(AI技術)
按照信息融合的3個層次，在決策級融合要處理大量的反映數值數據問關係、含義的抽象數據(如符號)，因此要使用推斷或推理技術，而AI技術的符號處理功能正好可用於獲得這些推斷或推理能力。
人工智慧(AI)主要是研究怎樣讓電腦模仿人腦從事推理、規劃、設計、思考、學習、記憶等活動，解決迄今只能由人類專家才能解答的複雜問題，代行人類專家的部分職能。
AI技術在信息融合中的應用表現在以下幾個方面：使用多個互相協作的ES，以便真正利用多個領域的知識進行信息綜合；使用先進的立體資料庫管理技術為決策級推理提供支撐；使用學習系統，以便自動適應各種態勢的變化。
在信息融合問題中，由予融合對象有一種是源數據(消息)。對這種經過人工預處理過的非格式信息的融合，推理比數值運算更重要，因此，應該採用基於知識的專家系統技術進行融合。
專家系統(Es)是人工智慧一個實用性分支。專家系統的出現標志著人工智慧向工程技術應用邁出了一大步，揭開了人工智慧發展歷史一個嶄新階段。儘管如此，大量專家系統的開發研究也暴露出它的一些局限性，主要有：知識獲取、知識存儲量受存儲器容量限制、推理速度緩慢等問題。
神經網路系統採用特定的電腦組織結構，以分散式存儲和並行、協同處理為特色，具備聯想學習記憶能力和自適應學習更新能力，正好可以有效解決現行專家系統的局限性。因此，將專家系統與人工神經網路相結合(稱為神經網路專家系統)併在信息融合系統中應用，引起了廣泛的重視。
神經網路專家系統既可以剋服現行電腦信息處理技術的缺點，又可以剋服現行專家系統技術的缺點。或者說，既具有現行專家系統技術之優點，又彌補其不足，使人工智慧技術再次大大前進一步：知識表示和存儲是分散式的、實現自動知識獲取、具有高度冗餘性和容錯能力、具有很強的不確定性信息處理能力、具有很強的不確定性信息處理能力具有很強的自適應學習能力等。
總的說來，神經網路專家系統開發研究活動尚處在實驗室試驗階段，尚未見到實用系統配裝。
