1引 言
        根据JDL(joint directors of laboratories data fusion wor— king group)的定义，多传感器数据融合是一种针对单一传感器或多传感器数据或信息的处理技术，通过数据关联、相关和组合等方式以获得对被测环境或对象的更加精确的定位、身份识别以及对当前态势和威胁的全面而及时的评估。
        “数据融合”一词出现在2O世纪7O年代初期，当时并未引起人们的足够重视CONTROL ENGINEERING China版权所有，只是局限于军事应用方面的研究。指令控制和通信一体化(command control and con— munication integration，C I)系统率先采用多传感器数据融合技术来采集和处理战场信息并获得成功。而随着工业系统的复杂化和智能化，数据融合近三十多年来取得了迅速发展。如今世界各国都有学者和技术人员在开展数据融合技术的研究，这一领域的研究内容和成果已大量出现在各种学术会议和公开的学术期刊上。近几年，我国对数据融合方面的研究也日益重视，国家自然科学基金和 “863”计划已将其列入重点支持项目。各大学、研究机构都在进行学术与工程应用的研究，并做了大量的基础研究工作 。
        1 数据融合的层次及其分类
        1．1 数据融合的层次
        多传感器数据融合与经典信号处理方法之间也存在本质的区别，其关键在于数据融合所处理的多传感器信息具有更复杂的形式，而且，可以在不同的信息层次上出现，每个层次代表了对数据不同程度的融合过程CONTROL ENGINEERING China版权所有，这些信息抽象层次包括数据层(像素级)、特征层和决策层 。相应的数据融合也主要有数据级、特征级和决策级融合3种方式，表1对其所属层次、主要特点、方法及应用进行了总结归纳。
        数据级融合是指在融合算法中，要求进行融合的传感器数据间具有精确到一个像素的匹配精度的任何抽象层次的融合；特征级融合是指从各只传感器提供的原始数据中进行特征提取www.cechina.cn，然后，融合这些特征；决策级融合是指在融合之前，各传感器数据源都经过变换并获得独立的身份估计。信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合，最终得到整体一致的决策 。
        1．2 常用数据融合方法
        多传感器数据融合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、最优化理论、模式识别、神经网络和人工智能等。很多学者从不同角度出发提出了多种数据融合技术方案。图l对现有比较 常用的数据融合方法进行了归纳，主要分为经典方法和现代方法两大类。

        2 数据融合技术的研究热点
        由于各种方法之间的互补性CONTROL ENGINEERING China版权所有，将2种或2种以上的算法进行有机集成，往往可以扬长避短，取得比单纯采用一种算法更优的结果。
        2．1 现代方法间的集成
        2．1．1 遗传算法和模糊理论相结合
        遗传算法是一种并行算法，能够较好地解决多参数的优化问题，并针对算法的特点采用某些较新的算子，如实编码方式和对应的交叉算子与不一致变异技术的应用都保证遗传算法具有较好的性能并节省时间。另外，遗传算法所采用的某些算子能更好地模拟模糊关系，可以使融合达到较高的精度。将其与模糊理论相结合可以在信息源的可靠性、信息的冗余度、互补性以及进行融合的分级结构不确定的情况下，以近似最优的方式对传感器数据进行融合。因此，该方法逐渐成为目前的研究热点之一。例如：Choi J N等人提出一种基于分层公平竞争的并行遗传算法和信息粒化理论的混合优化模糊推理系统。另外，遗传模糊控制还被用于策略问题的研究 。
        2．1．2 模糊理论和神经网络理论相结合
        神经网络具有大规模并行处理能力、自学习能力和自适应能力，其仿生特性使之能更有效地利用系统本身的信息，并能映射任意函数关系，但缺点是知识表达比较困难，学习速度慢。而模糊系统则采用简单的“如果⋯则⋯”规则，但自动生成和调整隶属度函数和模糊规则是个难题 。两者相结合产生的模糊神经网络可以看作是一种不依赖于精确数学模型的函数估计器。它除具有神经网络的功能外，还能处理模糊信息，完成模糊推理功能。模糊神经网络的节点和参数均有明显的物理意义，初值比较容易确定，利用学习算法可以使之很快收敛到要求的输入、输出关系，并且，参数的学习和调整比较容易，性能优于单纯的模糊控制和单纯的神经网络 。
        模糊系统与神经网络的结合方式各种各样，目前的各种模糊神经网络，一般可分为两类：根据模糊数计算得到的模糊神经网络；以模糊规则的逻辑推理过程为基础而形成的模糊神经网络。第一类模糊神经网络，其结构沿袭普通的多层前向网络，但输入输出为模糊语言值，权值一般取模糊数或清晰数www.cechina.cn，所以，权值调整算法是根据模糊数的计算特点而改进的BP算法，主要用于模拟模糊规则集，进行近似推理。第二类模糊神经网络的输入输出为精确值，一般包括模糊化、推理和清晰化过程，此类网络由于规则表达形式的多样性和网络模拟方法的灵活性而产生了各种结构和算法，主要用于时间序列预测、多种信息融合等方面。近年来，国内外出现了大量关于模糊神经网络的研究 ，如用于非线性模型的模糊神经网络混合辨识方法，用一种三层前反馈神经网络和Levenberg—Marquardt学习算法实现模糊系统的“如果⋯则”规则等。
        模糊神经网络的优势使其广泛应用于控制、模式识别、数据融合等领域，具有很大的发展前景 。
        2．1．3 遗传算法和神经网络理论相结合
        神经网络技术是模拟人类大脑而产生的一种信息处理技术，它使用大量的简单处理单元(即神经元)处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其他层上的神经元联接，采用并行结构和并行处理机制，因而，网络具有很强的容错性和自学习、自组织及自适应能力，能够模拟复杂的非线性映射 。因此，大量的工程实际应用中都将其与遗传算法结合起来使用，如用于片上系统的智能信息处理 ，优化集成电路板中金属层间介电质的参数设计以及处理和分析非线性地震数据等。
        2．1．4 遗传算法和模糊神经网络相结合
        模糊神经网络和单纯的模糊控制与单纯的神经网络相比，具有更优的性能，但仍然存在不足，因此，有研究将遗传算法与模糊神经网络结合起来以取得更好的数据融合效果 。例如：姜静等人先用遗传算法对模糊神经控制器进行离线训练，然后，用BP算法对模糊神经控制器进一步在线训练，仿真结果表明：模糊神经控制器比模糊控制器取得了更好的控制效果 。
        2．2 经典方法与现代方法的结合
        2．2．1 模糊逻辑和Kalman滤波相结合
        经典最优Kalman滤波理论对动态系统提出了严格的要求，即当观测几何信息和动力学模型及统计信息可靠时，Kalman滤波计算性能较好。但在实践中很难满足这一条件，在使用不精确或错误的模型和噪声统计设计Kalman滤波器时会导致滤波结果失真，甚至使滤波发散。为了解决此问题，产生了自适应Kalman滤波 。Escamilla—Ambrosio 等人提出了一种基于模糊逻辑的自适应Kalman滤波数据融合算法，该算法使用模糊逻辑调整Q和R的值使之可以更好地符合协方差的估计值 。接着Escamilla．Ambrosio P J等人又将上述算法用来建立集中式、分布式和混合式的自适应Kalman滤波多传感器融合算法。另外，i A D等 人还提出了一种可用于实时处理的自适应Kalman滤波和 模糊跟踪数据融合算法 。
        近年来，模糊Kalman滤波算法在实际中得到了非常广泛的应用，例如：目标跟踪、图像处理以及组合导航等。
        2．2．2 小波变换和Kalman滤波相结合
        在实际中，不同的传感器数据采集系统采集的数据具 有不同的分辨率，因而，需要解决多分辨率数据的融合技术 和方法，以便更好地利用不同分辨率数据的互补信息，达到 更佳的融合效果。Kalman滤波对非平稳信号具有较强的估 计能力，能对信号所有的频率成分同时进行处理。同时，小波变换具有高分辨力，对高频分量采用逐渐精细的时域 和频域步长，可以聚焦到分析对象的任意细节。因此，小波变换与Kalman滤波结合可以取得良好的融合效果。
        2．2．3 模糊理论和最小二乘法相结合
        最小二乘法的准则是选取X 使得估计性能指标(估计误差的平方和)达到最小。它是以误差理论为依据，在诸数据处理方法中，误差最小，精确性最好，并在处理数据过程 中不需要知道数据的先验信息 。因而，刘建书等人利用模糊理论中的相关性函数对多传感器的相互支持程度进行计算，应用基于最小二乘原理的数据融合方法，对支持程度高的传感器数据进行融合。仿真结果表明：相比同类融合方法，该方法获得的结果具有更高的精度 。
        3 应用
        目前，信息融合的应用领域已经从单纯军事上的应用渗透到许多民用领域中，如工业中的柔性制造、故障诊断等领域，以及在医学、测量等领域中的图像分析与处理、目标监测与跟踪、气象预报、现代制造业等许多方面 。
        应用在移动机器人和遥操作机器人上，主要利用距离、视觉、触觉、滑觉、热觉、接近觉、力与力矩等多种传感器来实现：机器人自定位、环境建模、地图与大地(地面)模型的建立、导航、避障或障碍物检测、路径规划或任务规划等 。哈尔滨理工大学将基于Takagi—Sugeno模型的模糊神经网络的信息融合算法应用于移动机器人的避障运动中，南洋理工大学研究了一种自适应模糊神经鲁棒控制器，该控制器适用于多关节机器人的运动控制 。
        近年来，数据融合技术还被应用于流量测量当中，如对流量传感器的压力和温度补偿，油气两相流流型的辨识副以及对多相流量参数的测量等。北京航空航天大学将数据融合技术用于基于科氏效应的谐振式质量流量传感器系统的研究中，利用压力传感器和温度传感器来进行流量测量过程中的压力和温度补偿，消除科氏质量流量传 感器在其运行状况中受到的温度和压力因素干扰的影响。
        4 结束语
        本文通过对现有的数据融合方法进行分类和归纳总结，对一些多传感器数据融合算法集成方法的研究进展和数据融合技术的应用情况进行阐述，为广大科研工作者在数据融合方面进行进一步的研究提供了有益的参考和借 鉴。
        数据融合技术是一门新兴的跨学科综合理论和方法，在几十年的发展中，取得了突破性的进展，但仍然存在很多的问题，如没有统一二的定义，缺乏系统完善的基础理论等。因此，需要针对现有的数据融合技术进行深入的系统研究。