第一节概述二、意义及应用2、在计算机科学领域3、在自动化领域三、优点第二节传感器信息融合分类和结构二、信息融合的结构三、信息融合系统结构的实例第三节传感器信息融合的一般方法1.Bayes估计信息融合通过数据信息d做出对环境f的推断，即求解p(f|d)。由Bayes公式知，只须知道p(f|d)和p(f)即可。因为p(d)可看作是使p(f|d)•p(f)成为概率密度函数的归一化常数，p(d|f)是在已知客观环境变量f的情况下，传感器得到的d关于f的条件密度。当环境情况和传感器性能已知时，p(f|d)由决定环境和传感器原理的物理规律完全确定。而p(f)可通过先验知识的获取和积累，逐步渐近准确地得到，因此，一般总能对p(f)有较好的近似描述。在嵌入约束法中，反映客观环境和传感器性能与原理的各种约束条件主要体现在p(f|d)中，而反映主观经验知识的各种约束条件主要体现在p(f)中。在传感器信息融合的实际应用过程中，通常的情况是在某一时刻从多种传感器得到一组数据信息d，由这一组数据给出当前环境的一个估计f。因此,实际中应用较多的方法是寻找最大后验估计g，即即最大后验估计是在已知数据为d的条件下，使后验概率密度p(f)取得最大值得点g，根据概率论，最大后验估计g满足当p(f)为均匀分布时，最大后验估计g满足此时，最大后验概率也称为极大似然估计。当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。在大多数情况下，多传感器从不同的坐标框架对环境中同一物体进行描述，这时传感器测量数据要以间接的方式采用Bayes估计进行数据融合。间接法要解决的问题是求出与多个传感器读数相一致的旋转矩阵R和平移矢量H。在传感器数据进行融合之前，必须确保测量数据代表同一实物，即要对传感器测量进行一致性检验。常用以下距离公式来判断传感器测量信息的一致：2.卡尔曼滤波(KF)二、证据组合法证据组合法较嵌入约束法优点：(1)对多种传感器数据间的物理关系不必准确了解，即无须准确地建立多种传感器数据体的模型；(2)通用性好，可以建立一种独立于各类具体信息融合问题背景形式的证据组合方法，有利于设计通用的信息融合软、硬件产品；(3)人为的先验知识可以视同数据信息一样，赋予对决策的支持程度，参与证据组合运算。1.概率统计方法2.Dempster-Shafer证据推理(简称D-S推理)当利用N个传感器检测环境M个特征时，每一个特征为F中的—个元素。第i个传感器在第k-1时刻所获得的包括k—1时刻前关于第j个特征的所有证据，用基础概率分配函数表示，其中i=1，2，…，m。第i个传感器在第k时刻所获得的关于第j个特征的新证据用基础概率分配函数表示。由和可获得第i个传感器在第k时刻关于第j个特征的联合证据。类似地，利用证据组合算法，由和可获得在k时刻关于第j个特征的第i个传感器和第i+1个传感器的联合证据。如此递推下去，可获得所有N个传感器在k时刻对j特征的信任函数，信任度最大的即为信息融合过程最终判定的环境特征。D-S证据推理优点：算法确定后，无论是静态还是时变的动态证据组合，其具体的证据组合算法都有一共同的算法结构。但其缺点：当对象或环境的识别特征数增加时，证据组合的计算量会以指数速度增长。三、人工神经网络法基于神经网络的传感器信息融合特点：具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器信息进行融合，获得相应网络的参数，并且可将知识规则转换成数字形式，便于建立知识库；利用外部环境的信息，便于实现知识自动获取及并行联想推理；能够将不确定环境的复杂关系，经过学习推理，融合为系统能理解的准确信号；由于神经网络具有大规模并行处理信息能力，使得系统信息处理速度很快。第四节传感器信息融合的实例第四节传感器信息融合的实例2.舰船上的传感器信息融合