傳感器技術(shù)介紹(三)，傳感器技術(shù)之多傳感器融合

傳感器技術(shù)應(yīng)用廣泛，因此傳感器技術(shù)的重要性不言而喻。對于傳感器技術(shù)，想必大家也有所了解。為進一步增進大家對傳感器技術(shù)的了解，本文將對傳感器技術(shù)中的多傳感器融合技術(shù)予以介紹。如果你對傳感器技術(shù)存在一定興趣，不妨繼續(xù)往下閱讀哦。

多傳感器融合又稱多傳感器信息融合，有時也稱作多傳感器數(shù)據(jù)融合，于1973年在美國國防部資助開發(fā)的聲納信號處理系統(tǒng)中被首次提出，它是對多種信息的獲取、表示及其內(nèi)在聯(lián)系進行綜合處理和優(yōu)化的技術(shù)。

隨著機器人技術(shù)的不斷發(fā)展，機器人的應(yīng)用領(lǐng)域和功能有了極大的拓展和提高。智能化已成為機器人技術(shù)的發(fā)展趨勢，而傳感器技術(shù)則是實現(xiàn)機器人智能化的基礎(chǔ)之一。由于單一傳感器獲得的信息非常有限，而且，還要受到自身品質(zhì)和性能的影響，因此，智能機器人通常配有數(shù)量眾多的不同類型的傳感器，以滿足探測和數(shù)據(jù)采集的需要。若對各傳感器采集的信息進行單獨、孤立地處理，不僅會導(dǎo)致信息處理工作量的增加，而且，割斷了各傳感器信息間的內(nèi)在聯(lián)系，丟失了信息經(jīng)有機組合后可能蘊含的有關(guān)環(huán)境特征，造成信息資源的浪費，甚至可能導(dǎo)致決策失誤。為了解決上述問題人們提出了多傳感器融合技術(shù)(mulTI-sensorfusion)。

一、概述

多傳感器融合又稱多傳感器信息融合(mulTI-sensor informaTIon fusion)，有時也稱作多傳感器數(shù)據(jù)融合(mulTI-sensor data fusion)，于1973年在美國國防部資助開發(fā)的聲納信號處理系統(tǒng)中被首次提出，它是對多種信息的獲取、表示及其內(nèi)在聯(lián)系進行綜合處理和優(yōu)化的技術(shù)。它從多信息的視角進行處理及綜合，得到各種信息的內(nèi)在聯(lián)系和規(guī)律，從而剔除無用的和錯誤的信息，保留正確的和有用的成分，最終實現(xiàn)信息的優(yōu)化，也為智能信息處理技術(shù)的研究提供了新的觀念。

二、多傳感器融合的層次結(jié)構(gòu)

多傳感器融合在結(jié)構(gòu)上按其在融合系統(tǒng)中信息處理的抽象程度，主要劃分為三個層次：數(shù)據(jù)層融合、特征層融合和決策層融合?？达w機太傷腎，男子看航展憋尿憋出內(nèi)傷

1.數(shù)據(jù)層融合：也稱像素級融合，首先將傳感器的觀測數(shù)據(jù)融合，然后從融合的數(shù)據(jù)中提取特征向量，并進行判斷識別。數(shù)據(jù)層融合需要傳感器是同質(zhì)的(傳感器觀測的是同一物理現(xiàn)象)，如果多個傳感器是異質(zhì)的(觀測的不是同一個物理量)，那么數(shù)據(jù)只能在特征層或決策層進行融合。數(shù)據(jù)層融合不存在數(shù)據(jù)丟失的問題，得到的結(jié)果也是最準確的，但計算量大，且對系統(tǒng)通信帶寬的要求很高。

2.特征層融合：特征層融合屬于中間層次，先從每種傳感器提供的觀測數(shù)據(jù)中提取的有代表性的特征，這些特征融合成單一的特征向量，然后運用模式識別的方法進行處理。這種方法的計算量及對通信帶寬的要求相對降低，但由于部分數(shù)據(jù)的舍棄使其準確性有所下降。

3.決策層融合：決策層融合屬于高層次的融合，由于對傳感器的數(shù)據(jù)進行了濃縮，這種方法產(chǎn)生的結(jié)果相對而言最不準確，但它的計算量及對通信帶寬的要求最低。

對于特定的多傳感器融合系統(tǒng)工程應(yīng)用，應(yīng)綜合考慮傳感器的性能、系統(tǒng)的計算能力、通信帶寬、期望的準確率以及資金能力等因素，以確定哪種層次是最優(yōu)的。另外，在一個系統(tǒng)中，也可能同時在不同的融合層次上進行融合。

三、多傳感器融合的算法

融合算法是融合處理的基礎(chǔ)。它是將多元輸入數(shù)據(jù)根據(jù)信息融合的功能要求，在不同融合層次上采用不同的數(shù)學(xué)方法，對數(shù)據(jù)進行綜合處理，最終實現(xiàn)融合。目前已有大量的融合算法，它們都有各自的優(yōu)缺點。這些融合算法總體上法可以分為三大類型：嵌入約束法、證據(jù)組合法、人工神經(jīng)網(wǎng)絡(luò)法。

1.嵌入約束法

由多種傳感器所獲得的客觀環(huán)境的多組數(shù)據(jù)就是客觀環(huán)境按照某種映射關(guān)系形成的像，傳感器信息融合就是通過像求解原像，即對客觀環(huán)境加以了解。用數(shù)學(xué)語言描述就是，即使所有傳感器的全部信息，也只能描述環(huán)境的某些方面的特征，而具有這些特征的環(huán)境卻有很多，要使一組數(shù)據(jù)對應(yīng)惟一的環(huán)境(即上述映射為一一映射)，就必須對映射的原像和映射本身加約束條件，使問題能有惟一的解。嵌入約束法有兩種基本的方法：貝葉斯估計和卡爾曼濾波。

2.證據(jù)組合法

證據(jù)組合法認為完成某項智能任務(wù)是依據(jù)有關(guān)環(huán)境某方面的信息做出幾種可能的決策，而多傳感器數(shù)據(jù)信息在一定程度上反映環(huán)境這方面的情況。因此，分析每一數(shù)據(jù)作為支持某種決策證據(jù)的支持程度，并將不同傳感器數(shù)據(jù)的支持程度進行組合，即證據(jù)組合，分析得出現(xiàn)有組合證據(jù)支持程度最大的決策作為信息融合的結(jié)果。

證據(jù)組合法是為完成某一任務(wù)的需要而處理多種傳感器的數(shù)據(jù)信息。它先對單個傳感器數(shù)據(jù)信息每種可能決策的支持程度給出度量(即數(shù)據(jù)信息作為證據(jù)對決策的支持程度)，再尋找一種證據(jù)組合方法或規(guī)則，使在已知兩個不同傳感器數(shù)據(jù)(即證據(jù))對決策的分別支持程度時，通過反復(fù)運用組合規(guī)則，最終得出全體數(shù)據(jù)信息的聯(lián)合體對某決策總的支持程度，得到最大證據(jù)支持決策，即傳感器信息融合的結(jié)果。

常用的證據(jù)組合方法有：概率統(tǒng)計方法、D-S(Dempster-Shafer)證據(jù)推理法。

3.人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)通過模仿人腦的結(jié)構(gòu)和工作原理，設(shè)計和建立相應(yīng)的機器和模型并完成一定的智能任務(wù)。神經(jīng)網(wǎng)絡(luò)根據(jù)當前系統(tǒng)所接收到的樣本的相似性，確定分類標準。這種確定方法主要表現(xiàn)在網(wǎng)絡(luò)權(quán)值分布上，同時可采用神經(jīng)網(wǎng)絡(luò)特定的學(xué)習(xí)算法來獲取知識，得到不確定性推理機制。采用神經(jīng)網(wǎng)絡(luò)法的多傳感器信息融合，分三個主要步驟：

(1)根據(jù)智能系統(tǒng)要求及傳感器信息融合的形式，選擇其拓撲結(jié)構(gòu);

(2)各傳感器的輸入信息綜合處理為一總體輸入函數(shù)，并將此函數(shù)映射定義為相關(guān)單元的映射函數(shù)，通過神經(jīng)網(wǎng)絡(luò)與環(huán)境的交互作用把環(huán)境的統(tǒng)計規(guī)律反映網(wǎng)絡(luò)本身的結(jié)構(gòu);

(3)對傳感器輸出信息進行學(xué)習(xí)、理解，確定權(quán)值的分配，進而對輸入模式作出解釋，將輸入數(shù)據(jù)向量轉(zhuǎn)換成高級邏輯(符號)概念。

以上便是此次小編帶來的“傳感器技術(shù)”相關(guān)內(nèi)容，通過本文，希望大家對多傳感器融合技術(shù)具備一定的了解。如果你喜歡本文，不妨持續(xù)關(guān)注我們網(wǎng)站哦，小編將于后期帶來更多精彩內(nèi)容。最后，十分感謝大家的閱讀，have a nice day!