传感信息融合的方法有哪些？

 传感信息融合的方法有很多，但到目前为止，最常用的方法主要有三类:嵌人约束法、证据组合法、人工神经网络法。

1.嵌入约束法

 嵌入约束法认为由多种传感器所获得的客观环境(即被测对象)的多组数据就是客观环境按照某种映射关系形成的像，信息融合就是通过像求解原像，即对客观环境加以了解。用数学说就是，所有传感器的全部信息，也只能描述环境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数据对应唯一的环境(即上述映射为一一映射)，就必须对映射的原像和映射本身加约束条件，使问题能有唯一的解。

2.证据组合法

 证据组合法认为完成某项智能任务就是依据有关环境的某方面的信息作出几种可能的决策，而多传感器数据信息在一定程度上反映环境这方面的情况。因此，我们分析每-数据作为支持某种决策的证据的支持程度，并将不同传感器数据的支持程度进行组合，即证据组合，分析得出现有组合证据支持程度最大的决策作为信息融合的结果。

 证据组合法是针对完成某一任务的需要而处理多种传感器的数据信息，完成某项智能任务实际上就是作出某项行动的决策。它先对单个传感器数据信息的每一种可能决策的支持程度给出度量(也即数据信息作为证据对决策的支持程度)，然后寻找一种证据组合的方法或规则，在已知两个不同传感器数据(即证据)对决策的分别支持程度时，通过反复运用组合规则，最终得出全体数据信息的联合体对某决策的总的支持程度。得到最大证据支持的决策，即为信息融合的结果。

 利用证据组合进行数据融合的关键在于:一是选择合适的数学方法描述证据、决策和支持程度等概念;二是建立快速、可靠并且便于实现的通用证据组合算法结构。

 证据组合法较嵌入束法有以下几个优点:

 (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) 通过性好，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-样，赋予对决策的支持程度，参与证据组合运算。

3.人工神经网络法

 人工神经网络方法通过模仿人脑的结构和工作原理，设计和建立相应的机器和模型并完成一定的智能任务。

 神经网络可根据当前系统所接收到的样本的相似性，确定分类标准。这种确定方法主要表现在网络权值分布上，同时可采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。神经网络多传感器信息融合的实现，可分为三个重要步骤:

 (1)根据智能系统的要求以及传感器信息融合的形式，选择神经网络的拓扑结构。

 (2)各传感器的输入信息综合处理为-一个总体输人函数，并将此函数映射定义为相关单元的映射函数,它通过神经网络与环境的交互作用把环境的统计规律反映到网络本身的结构中来。

 (3)对传感器输出信息进行学习、理解，确定权值的分配，完成知识获取信息融合，进而对输入模式作出解释，将输人数据向量转换成高层逻辑(符号)概念。

 基于神经网络的传感器信息融合有如下特点:

 (1)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。

 (2)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。

 (3)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。

 (4)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。