多传感器信息融合.docx

多传感器信息融合1多传感器信息融合模型多传感器组网系统最初主要的应用于军事领域中，随着该技术的应用价值受到越来越多行业领域的重视，如今在智能机器人、智能交通系统、医学成像与诊断等多个领域都有着广泛的应用。不同应用平台上的不同类型的传感器都能够有效的采集海量的信号数据，有着较为丰富的内容,彼此之间还能形成有效的互补。以单一传感节点为例，其采集的大多数的信号数据的精确度都低于95%。因此,要想在海量、多种类型的数据信息中提取有价值、精确度高的信息，进而能够更加准确的判定对象的属性和特征，一个必要的途径就是需要实现来源于不同类型的信号源的数据信息的融合。目前，信息融合主要包含JD1数据融合模型、Boyd控制环、瀑布模型、Dasarathy模型及混合模型五种方法。其中JD1模型较为详细的划分了中层功能,瀑布模型非常准确的区分了底层功能，而Boyd模型则对高层处理做出了最为详细的阐述。此外，以融合任务或功能为依据，就可以成功的构建DaSarathy模型。最后介绍一下混合模型，该模型将Dasarathy模型的反馈迭代特性和Boyd环的循环特性有效的结合在一起,并很好的使用了瀑布模型中的定义,每个定义又与JD1和DaSarathy模型的每个级别有效的联系在一起。2信息融合技术的发展多传感器网络组成了一个用于庞大数据信息的大数据系统，每一种传感器所提供的数据信息都具备复杂、多样的特性。要想能更加方便、快捷的协调使用传感器所提供的海量、多样的信息，就必须采用信息融合的方法，在时空上优化处理那些互补、冗余的信息，进而能更加精确的判定观察对象的本质属性，最终从根本上提升系统的效能。对于信息融合方法的选取,要以其所应用的场所为依据。现阶段，与信息融合相关的复杂问题还不能用一些数学工具描述和处理，因而需加快发展和丰富与信息融合有关的理论，构建一整套通用的一般问题的解决方法。要想使得多传感器信息融合变得更加的实用，必须很好的解决以下几个问题：一是要成功的处理好来源于不同信号源的数据的时空配准问题；二是要成功的解决不同密度和粒度级别的数据融合问题；三是需要成功的解决时间不同步、测量维度不匹配等异类数据融合问题。这些问题的存在对传统的信息融合方法提出了更高的要求，必须要改进传统的融合算法，并加以创新，形成新的算法，这样才能进一步的提升融合的准确性和精度。