多源信息融合技术及其应用研究
来源:用户上传
作者:杨晓梅 张菊玲 赵忠华
摘 要：首先，文章阐述了多源信息融合的概念与模型;其次，探讨了多源信息融合的层次和方法;最后，介绍了多源信息融合技术的应用领域和发展趋势，特别讨论了几个新兴的应用领域。
关键词：多源信息;信息融合;信息融合技术
1 多源信息融合的概念和模型
多源信息融合从20世纪70年代末由一门新兴学科迅速发展起来。随着信息技术的进步，各种应用系统背景越来越复杂，因而多源信息系统大量出现，对不同信息源的信息进行有效融合已成为迫切的需求。同时，各种关于信息融合的新理论、新方法和新技术层出不穷，多源信息融合技术的应用领域也越来越广泛。
1.1 多源信息融合的基本概念
多源信息融合（简称为信息融合）是指组合和合并多个来源的信息或数据，以便形成一个统一结果的技术[1]，其过程是用技术工具和数据方法来综合处理不同来源的信息，通过对信息的优化组合，得到高品质的有效信息。简而言之，即信息融合是为综合信息系统的用户提供多个数据源的统一视图的过程[2]。多源信息融合的目的主要有两个方面：一方面，针对多源信息的冗余性，消除输入信息中的噪声和异常值;另一方面，针对多源信息的互补性，获取与实际应用相关的有价信息，最大限度地获取所观察对象的完整信息描述。
多源信息融合是一个多学科交叉的研究领域，为各学科的研究者提供了互相合作与借鉴的机会，已广泛应用于众多领域。
1.2 多源信息融合的模型
多源信息融合模型可分为功能模型、结构模型、过程模型和数学模型等类别。前3类可以统称为信息融合模型，而数学模型多指各种信息融合方法。
到目前为止，人们已提出了多种信息融合模型，如JDL模型、OO-DA模型、Omnibus模型、STDF模型等[3]，其中，应用最广泛的是JDL模型及其演化版本。最初的JDL模型根据信息融合的结果可分为3级：第一级是位置估计与目标身份识别;第二级是态势评估;第三级是威胁估计。后期的四级融合模型在三级模型的基础上增加了第四级“精细处理”，而五级融合模型与三级模型相比，将位置级融合与目标识别级融合分开，并且增加了“检测级融合”。使JDL模型从军事应用成功推广到民用领域的模型改进主要是将第三级“威胁评估”改为“影响评估”。
2 多源信息融合的层次和方法
多源信息融合用不同层次来表示对信息的处理的不同级别，不同级别的输入信息和输出结果都有所不同。每个层次都会涉及很多具体的方法与技术，研究各种技术方法的适用范围、优缺点以及相互之间的关系等，可以为多源信息融合的技术方法及应用提供借鉴。
2.1 多源信息融合的层次
根据输入信息的抽象层次，可将多源信息融合分为3个层次：数据级融合、特征级融合和决策级融合。
（1）数据级融合，属于3个融合层次的最低层，对采集到的原始信息进行直接融合处理，能够尽可能多地保持现场数据，并且能够对信息处理结果进行特征提取和相应的决策判断。数据级融合处理方法能够提供更加细致的信息，且信息损失较少，所以分析结果的精度较髙。但是因为数据容量大，所以处理时间长、代价高、实时性差。在数据融合阶段多用传统方法进行处理，例如加权平均法、特征匹配法等。
（2）特征级融合，是介于数据融合和决策融合之间的层次。首先，对多源信息进行特征提取;其次，按照特征信息对多源信息进行分类和融合;最后，形成基于融合特征矢量的属性说明。该层主要由目标特征信息和目标状态信息融合组成，常用的方法有分类法、卡尔曼滤波、聚类法等。
（3）决策级融合，是多源信息融合中最髙层次的融合，通过对特征信息分类和识别等处理，再进行进一步的信息融合，其結果用来为各种控制和决策提供依据。由于决策级融合的预处理工作量大，信息损失也较多，易造成精度降低，但是它适用于异构传感器场合，且融合处理过程代价较低，抗干扰能力较强。常见决策级融合方法有贝叶斯网络推理法、D-S理论和专家系统等。
2.2 多源信息融合的方法
多源信息融合方法种类繁多，每种方法都各有优缺点，各种方法相互之间也具有一定的互补性。按照多源信息融合算法的数学基础可分为估计理论方法、不确定性推理方法和人工智能和模式识别方法。
（1）估计理论方法，包括线性估计技术和非线性估计技术。常见的线性估计技术有卡尔曼滤波与加权平均等;非线性估计技术如扩展卡尔曼滤波（Extended Kalman Filter，EKF）、强跟踪滤波器（Strong Tracking Filter，STF）和UKF滤波等。随着对信息融合认知程度的加深，基于随机抽样技术的非线性非高斯系统的研究也获得了很多成果。
在多源信息融合的系统中，各种源信息本身包含大量的不确定性，不确定推理方法的目的就是实现根据这些不确定信息进行信息处理，用来实现对目标身份的识别和属性判断等。不确定推理方法主要包括主观贝叶斯方法、D-S证据推理方法、DSmT方法、模糊数学理论方法和可能性推理方法等。其中，主观贝叶斯方法要求系统可能的决策相互独立，是早期使用的一种高效率的信息融合方法;D-S证据理论采用信任函数作为量度，能够较好解决未知所引起的不确定问题;DSmT方法是传统D-S理论的延伸，通过组合使用信任函数，可以表达任何类型的独立源。
人工智能和模式方法可以处理不完善数据，在处理信息的过程中通过自身不断学习与归纳，最终把不完善的信息融合为较为统一和完善的信息。主要方法包括粗糙集理论、随机理论、信息熵理论、灰色系统理论、贝叶斯网络、神经网络和遗传算法等。
3 多源信息融合技术的应用及发展趋势 多源信息融合理论和技术起源并应用于军事领域。近年来，多源信息融合系统在民用方面也得到了蓬勃发展，主要应用领域为：图像融合、目标跟踪、工业控制、环境监测、医疗保健和各种智能系统等。
随着互联网技术的迅速发展，面向互联网的多源信息融合问题越来越多地受到关注，例如Web信息融合、网络安全、数据隐私保护及其他应用等。下面着重讨论网络方向的相关应用。
3.1 Web信息融合
Web信息融合是指将不同来源的Web信息进行整合，从而为用户提供所需的、统一的、高质量的信息结果。Web信息融合的研究工作主要集中于信息检索数据融合和Web文档知识融合，包括多媒体的融合和多语言信息融合。Web信息融合技术的发展将促进基于Web支持系统的各种研究与开发。
3.2 网络安全
网络本身具有高度的复杂性，在网络系统受到各种各样攻击的时候，对攻击的理解和检测判断往往依赖于多源信息的收集和关联。在网络安全防护的各个阶段都可以采用多源信息融合技术。目前针对入侵检测的多源信息融合研究比较集中，研究中的重点主要是分类器组合和警报组合。
3.3 数据隐私保护及其他应用
当涉及数据隐私问题时，需要严格控制特定敏感信息的获取，尤其是通过数据挖掘等技术从商业数据库中获取相关数据时，对隐私数据的保护尤为重要。多源信息融合技术在数据隐私中所起的作用主要表现在两个方面[4-5]：（1）通过数据聚合来扰乱或屏蔽特定信息。（2）用记录链接来匹配与合并多个来源的数据信息，从而实现多源信息之间的隐私保护。
随着信息技术的迅猛发展，海量数据融合、分布式信息融合、安全信息融合和多模态异类信息融合的实现有待进一步研究，另外，这些信息融合问题也可考虑采用Web Service和云计算方案来解决。未来的多源数据融合技术正朝着物理化、大数据化和全自动化的方向发展。
4 结语
多源信息融合的理论和技术及应用范围非常广泛。本文通过探讨多源信息融合的基本概念、模型和多源信息融合的层次、方法以及应用，以期更好地选择融合方法，从而找到适应具体多源数据环境与現实问题需求的最优解。
[参考文献]
[1]陈科文，张祖平，龙军.多源信息融合关键问题、研究进展与新动向[J].计算机科学，2013（8）：6-13.
[2]BLEIHOLDER J，SZOTT S，HERSCHEL M，et al.Subsumption and complementation as data fusion operators[C].Lausanne：13th International Conference on Extending Database Technology，2010.
[3]彭冬亮，文成林，薛安克.多传感器多源信息融合理论及应用[M].北京：科学出版社，2010.
[4]NAVARRO A G，TORRA V.Information fusion in data privacy：a survey[J].Information Fusion，2012（4）：22-24.
[5]韩崇昭，朱洪艳，段战胜，等.多源信息融合[M].北京：清华大学出版社，2006.
转载注明来源:https://www.xzbu.com/8/view-15059547.htm
