0 引言

    多傳感器數(shù)據(jù)融合是一個(gè)新興的研究領(lǐng)域，是針對(duì)一個(gè)系統(tǒng)使用多種傳感器這一特定問(wèn)題而展開(kāi)的一種關(guān)于數(shù)據(jù)處理的研究。多傳感器數(shù)據(jù)融合技術(shù)是近幾年來(lái)發(fā)展起來(lái)的一門實(shí)踐性較強(qiáng)的應(yīng)用技術(shù)，是多學(xué)科交叉的新技術(shù)，涉及到信號(hào)處理、概率統(tǒng)計(jì)、信息論、模式識(shí)別、人工智能、模糊數(shù)學(xué)等理論。

    近年來(lái)，多傳感器數(shù)據(jù)融合技術(shù)無(wú)論在軍事還是民事領(lǐng)域的應(yīng)用都極為廣泛。多傳感器融合技術(shù)已成為軍事、工業(yè)和高技術(shù)開(kāi)發(fā)等多方面關(guān)心的問(wèn)題。這一技術(shù)廣泛應(yīng)用于C3I（command，control，communication and intelligence）系統(tǒng)、復(fù)雜工業(yè)過(guò)程控制、機(jī)器人、自動(dòng)目標(biāo)識(shí)別、交通管制、慣性導(dǎo)航、海洋監(jiān)視和管理、農(nóng)業(yè)、遙感、醫(yī)療診斷、圖像處理、模式識(shí)別等領(lǐng)域。實(shí)踐證明：與單傳感器系統(tǒng)相比，運(yùn)用多傳感器數(shù)據(jù)融合技術(shù)在解決探測(cè)、跟蹤和目標(biāo)識(shí)別等問(wèn)題方面，能夠增強(qiáng)系統(tǒng)生存能力，提高整個(gè)系統(tǒng)的可靠性和魯棒性，增強(qiáng)數(shù)據(jù)的可信度，并提高精度，擴(kuò)展整個(gè)系統(tǒng)的時(shí)間、空間覆蓋率，增加系統(tǒng)的實(shí)時(shí)性和信息利用率等。

1 基本概念及融合原理

    1．1 多傳感器數(shù)據(jù)融合概念

    數(shù)據(jù)融合又稱作信息融合或多傳感器數(shù)據(jù)融合，對(duì)數(shù)據(jù)融合還很難給出一個(gè)統(tǒng)一、全面的定義。隨著數(shù)據(jù)融合和計(jì)算機(jī)應(yīng)用技術(shù)的發(fā)展，根據(jù)國(guó)內(nèi)外研究成果，多傳感器數(shù)據(jù)融合比較確切的定義可概括為：充分利用不同時(shí)間與空間的多傳感器數(shù)據(jù)資源，采用計(jì)算機(jī)技術(shù)對(duì)按時(shí)間序列獲得的多傳感器觀測(cè)數(shù)據(jù)，在一定準(zhǔn)則下進(jìn)行分析、綜合、支配和使用，獲得對(duì)被測(cè)對(duì)象的一致性解釋與描述，進(jìn)而實(shí)現(xiàn)相應(yīng)的決策和估計(jì)，使系統(tǒng)獲得比它的各組成部分更充分的信息。

    1．2 多傳感器數(shù)據(jù)融合原理

    多傳感器數(shù)據(jù)融合技術(shù)的基本原理就像人腦綜合處理信息一樣，充分利用多個(gè)傳感器資源，通過(guò)對(duì)多傳感器及其觀測(cè)信息的合理支配和使用，把多傳感器在空間或時(shí)間上冗余或互補(bǔ)信息依據(jù)某種準(zhǔn)則來(lái)進(jìn)行組合，以獲得被測(cè)對(duì)象的一致性解釋或描述。具體地說(shuō)，多傳感器數(shù)據(jù)融合原理如下：

　�。�1）N個(gè)不同類型的傳感器（有源或無(wú)源的）收集觀測(cè)目標(biāo)的數(shù)據(jù)；

　�。�2）對(duì)傳感器的輸出數(shù)據(jù)（離散的或連續(xù)的時(shí)間函數(shù)數(shù)據(jù)、輸出矢量、成像數(shù)據(jù)或一個(gè)直接的屬性說(shuō)明）進(jìn)行特征提取的變換，提取代表觀測(cè)數(shù)據(jù)的特征矢量Yi；

　�。�3）對(duì)特征矢量Yi進(jìn)行模式識(shí)別處理（如，聚類算法、自適應(yīng)神經(jīng)網(wǎng)絡(luò)或其他能將特征矢量Yi變換成目標(biāo)屬性判決的統(tǒng)計(jì)模式識(shí)別法等）完成各傳感器關(guān)于目標(biāo)的說(shuō)明；

　�。�4）將各傳感器關(guān)于目標(biāo)的說(shuō)明數(shù)據(jù)按同一目標(biāo)進(jìn)行分組，即關(guān)聯(lián)；

　　（5）利用融合算法將每一目標(biāo)各傳感器數(shù)據(jù)進(jìn)行合成，得到該目標(biāo)的一致性解釋與描述。

2 多傳感器數(shù)據(jù)融合方法

    利用多個(gè)傳感器所獲取的關(guān)于對(duì)象和環(huán)境全面、完整的信息，主要體現(xiàn)在融合算法上。因此，多傳感器系統(tǒng)的核心問(wèn)題是選擇合適的融合算法。對(duì)于多傳感器系統(tǒng)來(lái)說(shuō)，信息具有多樣性和復(fù)雜性，因此，對(duì)信息融合方法的基本要求是具有魯棒性和并行處理能力。此外，還有方法的運(yùn)算速度和精度；與前續(xù)預(yù)處理系統(tǒng)和后續(xù)信息識(shí)別系統(tǒng)的接口性能；與不同技術(shù)和方法的協(xié)調(diào)能力；對(duì)信息樣本的要求等。一般情況下，基于非線性的數(shù)學(xué)方法，如果它具有容錯(cuò)性、自適應(yīng)性、聯(lián)想記憶和并行處理能力，則都可以用來(lái)作為融合方法。

    多傳感器數(shù)據(jù)融合雖然未形成完整的理論體系和有效的融合算法，但在不少應(yīng)用領(lǐng)域根據(jù)各自的具體應(yīng)用背景，已經(jīng)提出了許多成熟并且有效的融合方法。多傳感器數(shù)據(jù)融合的常用方法基本上可概括為隨機(jī)和人工智能兩大類，隨機(jī)類方法有加權(quán)平均法、卡爾曼濾波法、多貝葉斯估計(jì)法、Dempster-Shafer（D-S）證據(jù)推理、產(chǎn)生式規(guī)則等；而人工智能類則有模糊邏輯理論、神經(jīng)網(wǎng)絡(luò)、粗集理論、專家系統(tǒng)等�？梢灶A(yù)見(jiàn)，神經(jīng)網(wǎng)絡(luò)和人工智能等新概念、新技術(shù)在多傳感器數(shù)據(jù)融合中將起到越來(lái)越重要的作用。

    2．1 隨機(jī)類方法

    2．1．1 加權(quán)平均法

    信號(hào)級(jí)融合方法最簡(jiǎn)單、最直觀方法是加權(quán)平均法，該方法將一組傳感器提供的冗余信息進(jìn)行加權(quán)平均，結(jié)果作為融合值，該方法是一種直接對(duì)數(shù)據(jù)源進(jìn)行操作的方法。

    2．1．2 卡爾曼濾波法

    卡爾曼濾波主要用于融合低層次實(shí)時(shí)動(dòng)態(tài)多傳感器冗余數(shù)據(jù)。該方法用測(cè)量模型的統(tǒng)計(jì)特性遞推，決定統(tǒng)計(jì)意義下的最優(yōu)融合和數(shù)據(jù)估計(jì)。如果系統(tǒng)具有線性動(dòng)力學(xué)模型，且系統(tǒng)與傳感器的誤差符合高斯白噪聲模型，則卡爾曼濾波將為融合數(shù)據(jù)提供唯一統(tǒng)計(jì)意義下的最優(yōu)估計(jì)�？�爾曼濾波的遞推特性使系統(tǒng)處理不需要大量的數(shù)據(jù)存儲(chǔ)和計(jì)算。但是，采用單一的卡爾曼濾波器對(duì)多傳感器組合系統(tǒng)進(jìn)行數(shù)據(jù)統(tǒng)計(jì)時(shí)，存在很多嚴(yán)重的問(wèn)題，例如：（1）在組合信息大量冗余的情況下，計(jì)算量將以濾波器維數(shù)的三次方劇增，實(shí)時(shí)性不能滿足；（2）傳感器子系統(tǒng)的增加使故障隨之增加，在某一系統(tǒng)出現(xiàn)故障而沒(méi)有來(lái)得及被檢測(cè)出時(shí)，故障會(huì)污染整個(gè)系統(tǒng)，使可靠性降低。

    2．1．3 多貝葉斯估計(jì)法

    貝葉斯估計(jì)為數(shù)據(jù)融合提供了一種手段，是融合靜環(huán)境中多傳感器高層信息的常用方法。它使傳感器信息依據(jù)概率原則進(jìn)行組合，測(cè)量不確定性以條件概率表示，當(dāng)傳感器組的觀測(cè)坐標(biāo)一致時(shí)，可以直接對(duì)傳感器的數(shù)據(jù)進(jìn)行融合，但大多數(shù)情況下，傳感器測(cè)量數(shù)據(jù)要以間接方式采用貝葉斯估計(jì)進(jìn)行數(shù)據(jù)融合。

    多貝葉斯估計(jì)將每一個(gè)傳感器作為一個(gè)貝葉斯估計(jì)，將各個(gè)單獨(dú)物體的關(guān)聯(lián)概率分布合成一個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù)，通過(guò)使用聯(lián)合分布函數(shù)的似然函數(shù)為最小，提供多傳感器信息的最終融合值，融合信息與環(huán)境的一個(gè)先驗(yàn)?zāi)Ｐ吞峁┱麄�(gè)環(huán)境的一個(gè)特征描述。

    2．1．4 D-S證據(jù)推理方法

    D-S證據(jù)推理是貝葉斯推理的擴(kuò)充，其3個(gè)基本要點(diǎn)是：基本概率賦值函數(shù)、信任函數(shù)和似然函數(shù)。D-S方法的推理結(jié)構(gòu)是自上而下的，分三級(jí)。第1級(jí)為目標(biāo)合成，其作用是把來(lái)自獨(dú)立傳感器的觀測(cè)結(jié)果合成為一個(gè)總的輸出結(jié)果（ID）；第2級(jí)為推斷，其作用是獲得傳感器的觀測(cè)結(jié)果并進(jìn)行推斷，將傳感器觀測(cè)結(jié)果擴(kuò)展成目標(biāo)報(bào)告。這種推理的基礎(chǔ)是：一定的傳感器報(bào)告以某種可信度在邏輯上會(huì)產(chǎn)生可信的某些目標(biāo)報(bào)告；第3級(jí)為更新，各種傳感器一般都存在隨機(jī)誤差，所以，在時(shí)間上充分獨(dú)立地來(lái)自同一傳感器的一組連續(xù)報(bào)告比任何單一報(bào)告可靠。因此，在推理和多傳感器合成之前，要先組合（更新）傳感器的觀測(cè)數(shù)據(jù)。

    2．1．5 產(chǎn)生式規(guī)則

    產(chǎn)生式規(guī)則采用符號(hào)表示目標(biāo)特征和相應(yīng)傳感器信息之間的聯(lián)系，與每一個(gè)規(guī)則相聯(lián)系的置信因子表示它的不確定性程度。當(dāng)在同一個(gè)邏輯推理過(guò)程中，2個(gè)或多個(gè)規(guī)則形成一個(gè)聯(lián)合規(guī)則時(shí)，可以產(chǎn)生融合。應(yīng)用產(chǎn)生式規(guī)則進(jìn)行融合的主要問(wèn)題是每個(gè)規(guī)則的置信因子的定義與系統(tǒng)中其他規(guī)則的置信因子相關(guān)，如果系統(tǒng)中引入新的傳感器，需要加入相應(yīng)的附加規(guī)則。

    2．2 人工智能類方法

    2．2．1 模糊邏輯推理

    模糊邏輯是多值邏輯，通過(guò)指定一個(gè)0到1之間的實(shí)數(shù)表示真實(shí)度，相當(dāng)于隱含算子的前提，允許將多個(gè)傳感器信息融合過(guò)程中的不確定性直接表示在推理過(guò)程中。如果采用某種系統(tǒng)化的方法對(duì)融合過(guò)程中的不確定性進(jìn)行推理建模，則可以產(chǎn)生一致性模糊推理。與概率統(tǒng)計(jì)方法相比，邏輯推理存在許多優(yōu)點(diǎn)，它在一定程度上克服了概率論所面臨的問(wèn)題，它對(duì)信息的表示和處理更加接近人類的思維方式，它一般比較適合于在高層次上的應(yīng)用（如決策），但是，邏輯推理本身還不夠成熟和系統(tǒng)化。此外，由于邏輯推理對(duì)信息的描述存在很大的主觀因素，所以，信息的表示和處理缺乏客觀性。

    模糊集合理論對(duì)于數(shù)據(jù)融合的實(shí)際價(jià)值在于它外延到模糊邏輯，模糊邏輯是一種多值邏輯，隸屬度可視為一個(gè)數(shù)據(jù)真值的不精確表示。在MSF過(guò)程中，存在的不確定性可以直接用模糊邏輯表示，然后，使用多值邏輯推理，根據(jù)模糊集合理論的各種演算對(duì)各種命題進(jìn)行合并，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)融合。

    2．2．2 人工神經(jīng)網(wǎng)絡(luò)法

     神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的容錯(cuò)性以及自學(xué)習(xí)、自組織及自適應(yīng)能力，能夠模擬復(fù)雜的非線性映射。神經(jīng)網(wǎng)絡(luò)的這些特性和強(qiáng)大的非線性處理能力，恰好滿足了多傳感器數(shù)據(jù)融合技術(shù)處理的要求。在多傳感器系統(tǒng)中，各信息源所提供的環(huán)境信息都具有一定程度的不確定性，對(duì)這些不確定信息的融合過(guò)程實(shí)際上是一個(gè)不確定性推理過(guò)程。神經(jīng)網(wǎng)絡(luò)根據(jù)當(dāng)前系統(tǒng)所接受的樣本相似性確定分類標(biāo)準(zhǔn)，這種確定方法主要表現(xiàn)在網(wǎng)絡(luò)的權(quán)值分布上，同時(shí)，可以采用經(jīng)網(wǎng)絡(luò)特定的學(xué)習(xí)算法來(lái)獲取知識(shí)，得到不確定性推理機(jī)制。利用神經(jīng)網(wǎng)絡(luò)的信號(hào)處理能力和自動(dòng)推理功能，即實(shí)現(xiàn)了多傳感器數(shù)據(jù)融合。

    常用的數(shù)據(jù)融合方法及特性如表1所示。通常使用的方法依具體的應(yīng)用而定，并且，由于各種方法之間的互補(bǔ)性，實(shí)際上，常將2種或2種以上的方法組合進(jìn)行多傳感器數(shù)據(jù)融合。

3 應(yīng)用領(lǐng)域

    隨著多傳感器數(shù)據(jù)融合技術(shù)的發(fā)展，應(yīng)用的領(lǐng)域也在不斷擴(kuò)大，多傳感器融合技術(shù)已成功地應(yīng)用于眾多的研究領(lǐng)域。多傳感器數(shù)據(jù)融合作為一種可消除系統(tǒng)的不確定因素、提供準(zhǔn)確的觀測(cè)結(jié)果和綜合信息的智能化數(shù)據(jù)處理技術(shù)，已在軍事、工業(yè)監(jiān)控、智能檢測(cè)、機(jī)器人、圖像分析、目標(biāo)檢測(cè)與跟蹤、自動(dòng)目標(biāo)識(shí)別等領(lǐng)域獲得普遍關(guān)注和廣泛應(yīng)用。

（1）軍事應(yīng)用

    數(shù)據(jù)融合技術(shù)起源于軍事領(lǐng)域，數(shù)據(jù)融合在軍事上應(yīng)用最早、范圍最廣，涉及戰(zhàn)術(shù)或戰(zhàn)略上的檢測(cè)、指揮、控制、通信和情報(bào)任務(wù)的各個(gè)方面。主要的應(yīng)用是進(jìn)行目標(biāo)的探測(cè)、跟蹤和識(shí)別，包括C31系統(tǒng)、自動(dòng)識(shí)別武器、自主式運(yùn)載制導(dǎo)、遙感、戰(zhàn)場(chǎng)監(jiān)視和自動(dòng)威脅識(shí)別系統(tǒng)等。如，對(duì)艦艇、飛機(jī)、導(dǎo)彈等的檢測(cè)、定位、跟蹤和識(shí)別及海洋監(jiān)視、空對(duì)空防御系統(tǒng)、地對(duì)空防御系統(tǒng)等。海洋監(jiān)視系統(tǒng)包括對(duì)潛艇、魚雷、水下導(dǎo)彈等目標(biāo)的檢測(cè)、跟蹤和識(shí)別，傳感器有雷達(dá)、聲納、遠(yuǎn)紅外、綜合孔徑雷達(dá)等�？諏�(duì)空、地對(duì)空防御系統(tǒng)主要用來(lái)檢測(cè)、跟蹤、識(shí)別敵方飛機(jī)、導(dǎo)彈和防空武器，傳感器包括雷達(dá)、ESM（電子支援措施）接收機(jī)、遠(yuǎn)紅外敵我識(shí)別傳感器、光電成像傳感器等。迄今為止，美、英、法、意、日、俄等國(guó)家已研制出了上百種軍事數(shù)據(jù)融合系統(tǒng)，比較典型的有：TCAC—戰(zhàn)術(shù)指揮控制，BETA—戰(zhàn)場(chǎng)利用和目標(biāo)截獲系統(tǒng)，AIDD—炮兵情報(bào)數(shù)據(jù)融合等。在近幾年發(fā)生的幾次局部戰(zhàn)爭(zhēng)中，數(shù)據(jù)融合顯示了強(qiáng)大的威力，特別是在海灣戰(zhàn)爭(zhēng)和科索沃戰(zhàn)爭(zhēng)中，多國(guó)部隊(duì)的融合系統(tǒng)發(fā)揮了重要作用。

（2）復(fù)雜工業(yè)過(guò)程控制

    復(fù)雜工業(yè)過(guò)程控制是數(shù)據(jù)融合應(yīng)用的一個(gè)重要領(lǐng)域。目前，數(shù)據(jù)融合技術(shù)已在核反應(yīng)堆和石油平臺(tái)監(jiān)視等系統(tǒng)中得到應(yīng)用。融合的目的是識(shí)別引起系統(tǒng)狀態(tài)超出正常運(yùn)行范圍的故障條件，并據(jù)此觸發(fā)若干報(bào)警器。通過(guò)時(shí)間序列分析、頻率分析、小波分析，從各傳感器獲取的信號(hào)模式中提取出特征數(shù)據(jù)，同時(shí)，將所提取的特征數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模式識(shí)別器，神經(jīng)網(wǎng)絡(luò)模式識(shí)別器進(jìn)行特征級(jí)數(shù)據(jù)融合，以識(shí)別出系統(tǒng)的特征數(shù)據(jù)，并輸入到模糊專家系統(tǒng)進(jìn)行決策級(jí)融合；專家系統(tǒng)推理時(shí)，從知識(shí)庫(kù)和數(shù)據(jù)庫(kù)中取出領(lǐng)域知識(shí)規(guī)則和參數(shù)，與特征數(shù)據(jù)進(jìn)行匹配（融合）；最后，決策出被測(cè)系統(tǒng)的運(yùn)行狀態(tài)、設(shè)備工作狀況和故障等。

（3）機(jī)器人

    多傳感器數(shù)據(jù)融合技術(shù)的另一個(gè)典型應(yīng)用領(lǐng)域?yàn)闄C(jī)器人。目前，主要應(yīng)用在移動(dòng)機(jī)器人和遙操作機(jī)器人上，因?yàn)檫@些機(jī)器人工作在動(dòng)態(tài)、不確定與非結(jié)構(gòu)化的環(huán)境中（如“勇氣”號(hào)和“機(jī)遇”號(hào)火星車），這些高度不確定的環(huán)境要求機(jī)器人具有高度的自治能力和對(duì)環(huán)境的感知能力，而多傳感器數(shù)據(jù)融合技術(shù)正是提高機(jī)器人系統(tǒng)感知能力的有效方法。實(shí)踐證明：采用單個(gè)傳感器的機(jī)器人不具有完整、可靠地感知外部環(huán)境的能力。智能機(jī)器人應(yīng)采用多個(gè)傳感器，并利用這些傳感器的冗余和互補(bǔ)的特性來(lái)獲得機(jī)器人外部環(huán)境動(dòng)態(tài)變化的、比較完整的信息，并對(duì)外部環(huán)境變化做出實(shí)時(shí)的響應(yīng)。目前，機(jī)器人學(xué)界提出向非結(jié)構(gòu)化環(huán)境進(jìn)軍，其核心的關(guān)鍵之一就是多傳感器系統(tǒng)和數(shù)據(jù)融合。

（4）遙感

    多傳感器融合在遙感領(lǐng)域中的應(yīng)用，主要是通過(guò)高空間分辨力全色圖像和低光譜分辨力圖像的融合，得到高空問(wèn)分辨力和高光譜分辨力的圖像，融合多波段和多時(shí)段的遙感圖像來(lái)提高分類的準(zhǔn)確性。

（5）交通管理系統(tǒng)

    數(shù)據(jù)融合技術(shù)可應(yīng)用于地面車輛定位、車輛跟蹤、車輛導(dǎo)航以及空中交通管制系統(tǒng)等。

（6）全局監(jiān)視

    監(jiān)視較大范圍內(nèi)的人和事物的運(yùn)動(dòng)和狀態(tài)，需要運(yùn)用數(shù)據(jù)融合技術(shù)。例如：根據(jù)各種醫(yī)療傳感器、病歷、病史、氣候、季節(jié)等觀測(cè)信息，實(shí)現(xiàn)對(duì)病人的自動(dòng)監(jiān)護(hù)；從空中和地面?zhèn)鞲衅鞅O(jiān)視莊稼生長(zhǎng)情況，進(jìn)行產(chǎn)量預(yù)測(cè)；根據(jù)衛(wèi)星云圖、氣流、溫度、壓力等觀測(cè)信息，實(shí)現(xiàn)天氣預(yù)報(bào)。

4 存在問(wèn)題及發(fā)展趨勢(shì)

    數(shù)據(jù)融合技術(shù)方興未艾，幾乎一切信息處理方法都可以應(yīng)用于數(shù)據(jù)融合系統(tǒng)。隨著傳感器技術(shù)、數(shù)據(jù)處理技術(shù)、計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)通訊技術(shù)、人工智能技術(shù)、并行計(jì)算軟件和硬件技術(shù)等相關(guān)技術(shù)的發(fā)展，尤其是人工智能技術(shù)的進(jìn)步，新的、更有效的數(shù)據(jù)融合方法將不斷推出，多傳感器數(shù)據(jù)融合必將成為未來(lái)復(fù)雜工業(yè)系統(tǒng)智能檢測(cè)與數(shù)據(jù)處理的重要技術(shù)，其應(yīng)用領(lǐng)域?qū)⒉粩鄶U(kuò)大。多傳感器數(shù)據(jù)融合不是一門單一的技術(shù)，而是一門跨學(xué)科的綜合理論和方法，并且，是一個(gè)不很成熟的新研究領(lǐng)域，尚處在不斷變化和發(fā)展過(guò)程中。

    4．1 數(shù)據(jù)融合存在的問(wèn)題

　�。�1）尚未建立統(tǒng)一的融合理論和有效廣義融合模型及算法；

　　（2）對(duì)數(shù)據(jù)融合的具體方法的研究尚處于初步階段；

　�。�3）還沒(méi)有很好解決融合系統(tǒng)中的容錯(cuò)性或魯棒性問(wèn)題；

　　（4）關(guān)聯(lián)的二義性是數(shù)據(jù)融合中的主要障礙；

　　（5）數(shù)據(jù)融合系統(tǒng)的設(shè)計(jì)還存在許多實(shí)際問(wèn)題。

    4．2 數(shù)據(jù)融合發(fā)展趨勢(shì)

    數(shù)據(jù)融合的發(fā)展趨勢(shì)如下：

　�。�1）建立統(tǒng)一的融合理論、數(shù)據(jù)融合的體系結(jié)構(gòu)和廣義融合模型；

　　（2）解決數(shù)據(jù)配準(zhǔn)、數(shù)據(jù)預(yù)處理、數(shù)據(jù)庫(kù)構(gòu)建、數(shù)據(jù)庫(kù)管理、人機(jī)接口、通用軟件包開(kāi)發(fā)問(wèn)題，利用成熟的輔助技術(shù)，建立面向具體應(yīng)用需求的數(shù)據(jù)融合系統(tǒng)；

　　（3）將人工智能技術(shù)，如，神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊理論、專家理論等引入到數(shù)據(jù)融合領(lǐng)域；利用集成的計(jì)算智能方法（如，模糊邏輯＋神經(jīng)網(wǎng)絡(luò)，遺傳算法＋模糊＋神經(jīng)網(wǎng)絡(luò)等）提高多傳感融合的性能；

　�。�4）解決不確定性因素的表達(dá)和推理演算，例如：引入灰數(shù)的概念；

　�。�5）利用有關(guān)的先驗(yàn)數(shù)據(jù)提高數(shù)據(jù)融合的性能，研究更加先進(jìn)復(fù)雜的融合算法（未知和動(dòng)態(tài)環(huán)境中，采用并行計(jì)算機(jī)結(jié)構(gòu)多傳感器集成與融合方法的研究等）；

　�。�6）在多平臺(tái)／單平臺(tái)、異類／同類多傳感器的應(yīng)用背景下，建立計(jì)算復(fù)雜程度低，同時(shí)，又能滿足任務(wù)要求的數(shù)據(jù)處理模型和算法；

　　（7）構(gòu)建數(shù)據(jù)融合測(cè)試評(píng)估平臺(tái)和多傳感器管理體系；

　�。�8）將已有的融合方法工程化與商品化，開(kāi)發(fā)能夠提供多種復(fù)雜融合算法的處理硬件，以便在數(shù)據(jù)獲取的同時(shí)就實(shí)時(shí)地完成融合。

5 結(jié)束語(yǔ)

    隨著研究者的不斷努力，不久的將來(lái)，數(shù)據(jù)融合的基礎(chǔ)理論、兼有魯棒性和準(zhǔn)確性的融合算法將不斷地得到完善，實(shí)現(xiàn)技術(shù)將不斷地得到更新，實(shí)際應(yīng)用將不斷地被擴(kuò)展。多傳感器數(shù)據(jù)融合技術(shù)必將不斷地走向成熟。

　　轉(zhuǎn)載請(qǐng)注明來(lái)源：賽斯維傳感器網(wǎng)（m.fineinshow.com）