一、引言
传统的信号采集往往由单一的传感器来完成，即使采用多个（种）传感器也仅是从多个侧面孤立地反映目标信息。实际上，在大多数情况下，必须同时处理多个信号，而这些信号一般又来自多个信号源，即多传感器。但是多传感器也带来了信息冗余甚至矛盾。所以必须通过对各种传感器及其观测信息的合理支配与使用，将其采集的信息依据某种优化准则组合，产生对观测环境一致性的解释和描述，因此迫切要求对信息进一步处理。“信息融合”就是对多传感器的数据进行多级别、多方面、多层次的处理，即组合或融合来自多个传感器或其他信息源的数据，以获得综合的、更好的估计。
目前国内在多传感器融合方面的研究尚处于初始阶段，对这方面系统介绍的文献也相对较少，多传感器融合是一个复杂的信息处理过程，所要研究的问题多，而且解决问题的方法也很多，因此有必要对目前的研究情况进行系统的介绍。
二、信息融合基本概念及优越性
由于信息融合的定义都是功能性的描述，美国国防部JDL从军事应用的角度将数据融合进行定义，Waltz和Llinas对其进行了补充和修改，给出了较完整的定义：一种多层次的、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计，以及完整及时的态势评估和威胁估计。
近年来信息融合技术在基本理论和实现方法上得到极大的完善，显示出自身极大的优越性，主要表现在：容错性好；系统精度高；信息处理速度块；互补性强；信息获取成本低等方面。
三、数据融合技术的理论方法
数据融合的关键问题是模型设计和融合算法，数据融合模型主要包括功能模型、结构模型和数学模型。功能模型从融合过程出发，描述数据融合包括哪些主要功能和数据库，以及进行数据融合时系统各组成部分之间的相互作用过程；结构模型从数据融合的组成出发，说明数据融合系统的软、硬件组成，相关数据流、系统与外部环境的人机界面；数学模型是数据融合的算法和综合逻辑，算法主要包括分布检测、空间融合、属性融合、态势评估和威胁估计算法等，下面从3个方面分别进行介绍。
1）信息融合的功能模型目前已有很多学者从不同角度提出了信息融合系统的一般功能模型，最有权威性的是DFS（美国三军政府组织-实验室理事联席会（JDL）下面的C3I技术委员会（TPC3）数据融合专家组）提出的功能模型。
该模型把数据融合分为3级。第1级是单源或多源处理，主要是数字处理、跟踪相关和关联；第2级是评估目标估计的集合，及它们彼此和背景的关系来评估整个情况；第3级用一个系统的先验目标集合来检验评估的情况。
2）信息融合的结构模型数据融合的结构模有多种不同的分类方法，其中一种分类标准是根据传感器数据在送人融合处理中心之前已经处理的程度来进行分类。在这种分类标准下，融合结构被分为传感器级数据融合，中央级数据融合及混合式融合，还可以根据数据处理过程的分辨率来对融合结构进行分类。在这种情况下，融合结构为像素级、特征级和决策级融合。
3）多传感器信息融合实现的数学模型信息融合的方法涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、模式识别、最优化技术、模糊数学和神经网络等这方面国外已经做了大量的研究。
目前，这些方法大致分为两类：随机类方法和人工智能方法。
①随机类方法这类方法研究对象是随机的，在多传感器信息融合中常采用随机类方法包括很多，这里只介绍前3种方法。
a．Bayes推理方法把每个传感器看作是一个Bayes估计器，用于将每一个目标各自的关联概率分布综合成一个联合后验分布函数，然后随观测值的到来，不断更新假设的该联合分布似然函数，并通过该似然函数的极大或极小进行信息的最后融合。虽然Bayes推理法解决了传统的推理方法的某些缺点，但是定义先验似然函数比较困难，要求对立的假设彼此不相容，无法分配总的不确定性，因此，Bayes推理法具有很大的局限性。
b．Dempster-Shafer的证据理论是一种广义的Bayes推理方法，它是通过集合表示命题，把对命题的不确定性描述转化为对集合的不确定性描述，利用概率分配函数、信任函数、似然函数来描述客观证据对命题的支持程度，用它们之间的推理与运算来进行目标识别。D-S证据理论可以不需要先验概率和条件概率密度，并且能将“不知道”和“不确定”区分开来，但是它存在潜在的指数复杂度问题和要求证据是独立的问题。
c．Kalman滤波融合算法它利用测量模型的统计特性，递推确定在统计意义下最优的融合数据估计，适合于线性系统的目标跟踪，并且一般适用于平稳的随机过程，它要求系统具有线性的动力学模型，且系统噪声和传感器噪声是高斯分布白噪声模型，并且计算量大，对出错数据非常敏感。
②人工智能方法近年来，用于多传感器数据融合的计算智能方法有：小波分析理论、模糊集合理论、神经网络、粗集理论和支持向量机等，限于篇幅只介绍小波变换和神经网络方法。
a．小波变换是一种新的时频分析方法，它在多信息融合中主要用于图像融合，即是把多个不同模式的图像传感器得到的同一场景的多幅图像，或同一传感器在不同时刻得到的同一场景的多幅图像，合成为一幅图像的过程。经图像融合技术得到的合成图像可以更全面、精确地描述所研究的对象。基于小波变换的图像融合算法为：首先用小波变换将各幅原图像分解，然后基于一定的选择规则，得到各幅图像在各个频率段的决策表，对决策表进行一致性验证得到最终的决策表，在最终决策表的基础上经过一定的融合过程，得到融合后的多分辨表达式，最后经过小波逆变换得到融合图像。
b．神经网络方法是在现代神经生物学和认知科学对人类信息处理研究成果的基础上提出的，它有大规模并行处理、连续时间动力学和网络全局作用等特点，将存储体和操作合二为一。利用人工神经网络的高速并行运算能力，可以避开信息融合中建模的过程，从而消除由于模型不符或参数选择不当带来的影响，并实现实时识别。由于神经网络的种类繁多，学习算法多种多样，新的结构和算法层出不穷，使得目前对神经网络数据的研究非常广泛。
四、信息融合技术的应用研究
最初信息融合技术是为了满足战争的需求，目前军事领域仍是信息融合的最大应用领域，发展也最快，主要应用在预警系统、武器系统的指挥和控制、情报保障系统、军事力量的评估和指挥系统以及天地一体化信息融合系统。随着各种传感器技术和电子芯片的发展，信息融合技术在民用方面也得到了广泛的发展，下面详细介绍数据融合在智能机器人、故障诊断和图像处理方面的应用。
①信息融合在机器人研究领域中的应用机器人技术是一门综合技术，集光机电液信于一身，多感觉传感器系统与机器人相结合，形成感觉机器人和智能机器人。机器人演奏、机器人足球比赛、机器人摔跤等需要高度信息融合技术，工业机器人则成为典型的多传感器集成和融合系统，这里主要介绍信息融合技术在移动机器人和工业机器人方面的应用。
如何精确地获得自身的位置并由此规划运动路径，是自主式移动机器人研究领域中一直得到关注的问题。轮式移动机器人由于轮子打滑及测量模型噪声等原因，存在累计误差问题。为了进一步提高移动机器人的定位精度，文献采用扩展Kalman滤波对这两种传感器信息进行融合，即通过激光扫描器提供的信息不断修正光电编码器的定位信息，提高了定位精度。
工业机器人在工业系统中主要完成物料搬运、制造、装配、检测等，现已有一些较为成熟的应用例子，如Hitachi公司研制的应用于电子产品装配线上的工业机器人将三维视觉传感器和力传感器测出的数据进行融合。Georgia理工学院研制的机器人融合视觉和触觉传感器的信息。还有Groen等人研制的用于机械产品装配生产线上、Smith和Nitan等人研制的用于产品包装、Kremers等人研制的适用于加工制造业的一些工业机器人。
2）信息融合技术在故障诊断领域中的应用基于信息融合的故障诊断方法，是通过多传感器获取设备状态的特征信号，并进行多层关联组合、数据选择，从而获得对诊断对象故障信息更可靠的认识和对潜在故障发展趋势的态势评估。
文献针对某泵压式供应系统液体火箭发动机的泄漏故障，利用系统故障症状的分散性，提出了一种基于模糊数据融合技术的系统故障诊断方法。文献构造了神经网络信息融合中心，对来自多传感器的残差信号进行了预处理和离散小波变换，使用改进BP算法对神经网络分类器训练以进行相应的故障模式识别。文献利用不同采样速率多传感器观测对象，充分考虑多尺度、多信息融合状态估计精度和强跟踪滤波器理论在处理非线性系统时变参数与状态估计的能力，实现了变压器故障的在线诊断。
3）信息融合技术在图像处理方面的应用遥感图像的信息融合能使各种空间、波谱和时间分辨率的图像纳入统一的时空内，融合构成一种新的图像，增加信息量，实现多种信息的互补，改善了图像的质量和有效性。文献〔19〕把同一目标的不同传感器获得的图像数据利用小波包变换进行融合，得到目标较为清晰的融合图像。文献〔20〕提出了一种针对SAR（合成孔径雷达）图像保留边缘的融合方法，在计算量不显著增加的前提下，提高了边缘检测的质量。
在医学方面CT与NMR具有不同的成像机理，CT能够清晰表达骨骼信息，而NMR能够清晰表达软组织信息，文献提出了一种新的基于小波变换的系数取大融合算法，从而既可清晰地表现骨组织信息，又可清晰地表现软组织信息，这对临床医学具有十分重要的意义。
五、数据融合研究中的存在问题
1）未形成基本理论框架和有效广义模型及算法虽然数据融合的研究已经相当广泛，但是自前对信息融合的研究都是根据问题的种类，各自建立融合准则，并在此基础上形成所谓最佳融合方案，而且目前很多研究工作是基础研究、仿真性工作。
2）关联的二义性是数据融合中的主要障碍在进行融合处理前，必须对信息进行关联，以保证所融合的信息是来自同一目标。所以，信息可融合性的判断准则及如何进一步降低关联的二义性已成为融合研究领域亟待解决的问题。
3）数据融合方法与融合系统实施问题数据融合系统的设计实施目前还存在许多实际的问题：传感器动态测量误差模型的建立、传感器系统优化、复杂动态环境下系统实时性、大型知识库的建立与管理、与其他领域的很多新技术的“嫁接与融合”，如人工智能技术、计算神经网络计算、遗传算法、进化计算、虚拟现实技术性等，这些尚无成熟理论。
4）融合系统的容错性和稳健性没有得到很好的解决冲突（矛盾）信息或传感器故障所产生的错误信息等的有效处理，即系统的容错性或稳健性也是信息融合理论研究中必须考虑的问题。
六、研究方向展望
尽管信息融合技术20多年来已有了很大的发展，但仍然还有很多领域有待于进一步的研究与探索，目前主要包括：
①多传感器分布检测研究分布式检测融合自提出至今已形成了比较完善的理论体系。目前对该领域的研究主要有：在各检测器性能时变的条件下，如何自适应估计各检测器性能并进行分布式检测融合是目前的一个方向;在信号参数模糊下的分布式检测融合问题：在信号参数随机变化下的分布式检测融合问题；微弱信号的检测融合问题。
②异类多传感器信息融合技术研究异类多传感器信息融合由于具有时间不同步，数据率不一致及测量维数不匹配等特点，几因而具有很大的不确定性。在异类多传感器信息融合中，如何利用各传感器信息进行航迹起始，如何综合利用位置、动态及特征和属性参数改善目标跟踪性，如何合理利用互补信息以改善对目标的识别及如何实现检测跟踪的联合优化都是需要进一步研究和解决的问题。③传感器资源分配与管理技术研究多个传感器构成了多传感器系统的互补体系，因此必须按照某些工作准则适当地管理这些传感器，以便获得最优的数据采集性能。传感器管理的内容通常包括：空间管理、模式管理和时间管理。这一方面主要包括：传感器性能预测，传感器对目标的分配方法，传感器空间和时间作用范围控制准则，传感器配置和控制策略，传感器接口技术，传感器对目标分配的优先级技术，以及传感器指示和交接技术。
③研究数据融合用的数据库和知识库，高速并行检索和推理机制利用大型空间数据库中数据和知识进行推理是融合系统过程中的关键任务，因此深人研究和探讨空间数据库的知识库，高速并行推理机制应成为未来的研究重点之一。
七、结语
综上所述，多传感器信息融合技术涉及到多学科、多领域，且具有多信息量、多层次、多手段等特点，并在机器人、故障诊断、图像处理等民用领域中，充分发挥了强大的信息处理优势，几乎一切需要信息处理的系统都可以应用信息融合，利用信息融合技术可得到比单一信息源更精确更完全的判断。随着科学技术的发展，尤其是人工智能技术的进步，数据融合的基础理论将更加完善，兼有稳健性和准确性的融合算法和模型将不断推出，研究数据融合的数据库和知识库也会取得重大进展。在将来，多传感器信息融合技术以军事应用为核心，将不断地向工业、农业等领域渗透，进而取得更为广泛的应用。
(本文转自电子工程世界：http://www.eeworld.com.cn/mndz/2010/0811/article_2456.html)