传感器信息融合及其应用论文.docx
《传感器信息融合及其应用论文.docx》由会员分享，可在线阅读，更多相关《传感器信息融合及其应用论文.docx（14页珍藏版）》请在冰点文库上搜索。
传感器信息融合及其应用论文
传感器融合理论及应用
——传感器信息融合及其应用综述
指导教师：
姓名：
专业：
学号：
传感器信息融合及其应用综述
1 引 言
近年来,多传感器信息融合技术不论在军事领域还是在民事领域都受到了广泛的关注。
这一技术正广泛应用于自动目标识别、战场监视、自动飞行器导航、机器人、遥感、医疗诊断、图像处理、模式识别和复杂工业过程控制等领域。
多传感器数据融合是指对不同知识源和传感器采集的数据进行融合,以实现对观测现象更好地理解。
从表面上看,多传感器融合的概念很直观,但实际上要真正实现一个多传感器融合系统是比较困难的。
异质传感器数据的建模、协同与解释都是富有挑战性的工作。
尽管有很多困难,但由于多传感器融合系统具有改善系统性能的巨大潜力,人们还是投入了大量的精力进行研究。
传感器是智能机器与系统的重要组成部分,其作用类似于人的感知器官,可以感知周围环境的状态,为系统提供必要的信息。
例如,一个机器人可以通过位置传感器获得自身当前的位置信息,为下一步的运动任务提供服务。
通过传感器可以将系统的输入和输出联系在一起,构成一个闭环的控制回路,这对实际应用有着极其重要的意义。
随着工作环境与任务的日益复杂,人们对智能系统的性能提出了更高的要求。
单靠一个位置传感器无法消除由于其自身的累积误差对系统造成的影响。
另外单个传感器往往无法满足某些系统对鲁棒性的要求。
显然,解决这些问题的一种有效途径就是多传感器技术。
多传感器技术的使用可以提高系统的性能,但在实际应用中还存在许多问题。
目前,针对这些问题的研究已经形成了一个新的研究领域,即多传感器集成与融合。
虽然这方面的研究只有短短十几年,但已经取得了许多研究成果,其中多传感器融合的研究更是受到人们的重视,并且已经成为目前该领域的研究热点之一。
和国外的研究相比,国在多传感器融合方面的研究尚处于初始阶段,对这方面系统介绍的文献也相对较少。
此外,多传感器融合是一个复杂的信息处理过程,所要研究的问题多,而且解决问题的方法也很多,因此有必要对目前的研究情况进行系统的介绍。
图1是多传感器数据融合的示意图,传感器之间的冗余数据增强了系统的可靠性,传感器之间的互补数据扩展了单个的性能。
一般而言,多传感器融合系统具有以下优点:
1）提高系统的可靠性和鲁棒性;
2）扩展时间上和空间上的观测围;
3）增强数据的可信任度;
4）增强系统的分辨能力。
图1
在设计多传感器融合系统时,应考虑以下一些基本问题:
1）系统中传感器的类型、分辨率、准确率;
2）传感器的分布形式;
3）系统的通信能力和计算能力;
4）系统的设计目标;
5）系统的拓扑结构（包括数据融合层次和通信结构）。
2 问题描述
单传感器系统结构如图2所示。
单个传感器在某一采样时刻只能获取一组数据,由于数据量少,所以经过处理得到的信息只能用来描述环境的局部特征,在实际应用中单传感器系统往往被认为是一个单入单出的系统。
与单传感器系统相比,多传感器系统的结构要复杂得多,如图3。
多传感器系统通过多个传感器（可以为同构,也可以为异构）获得更多种类和数量的传感数据,因此经过处理得到的多种信息能够对环境进行更加全面的描述,在实际应用中多传感器系统可以被理解为一个多入多出的系统（包括多入单出系统）。
这种结构上的差异导致了多传感器系统的处理过程比单传感器系统更加复杂,其中多传感器融合是整个处理过程中一个重要的组成部分,如图4。
图2
图3
图4
在多传感器融合中,包含了大量的不确定信息。
首先,无论哪种传感器,其测量数据都会存在一定的误差,造成误差的原因可能是环境中的不确定性,如噪声;也可能是传感器本身存在的问题,如传感器故障或者模型偏差。
因此从这样的测量数据中提取的信息必然具有某种不确定性（如随机性）。
其次,验前信息是根据系统以往行为得到的一种经验信息,可以是人工产生的,也可以由系统自身产生,它也具有一定不确定性（如模糊性）。
以上这些具有不确定性的信息统称为不确定信息。
除了上面介绍的两种情况外,在处理过程中由于信息的损失也会产生新的不确定信息。
多传感器融合的研究对象就是这些不确定信息,通过融合处理可以降低信息的不确定性,提高对环境特征描述的准确性。
研究表明,经融合处理得到的结果比单个传感器得到的结果更准确,同时信息的冗余还可以提高整个系统自身的鲁棒性。
多传感器融合是一个复杂的不确定信息处理过程,有待解决的问题很多。
2.1 信息描述空间的不同
在多传感器系统中,每个传感器得到的信息都是某个环境特征在该传感器空间中的描述。
由于各传感器物理特性以及空间位置上的差异,造成这些信息的描述空间各不相同,因此很难对这样的信息进行融合处理。
为了保证融合处理的顺利进行,必须在融合前对这些信息进行适当的处理,将这些信息映射到一个共同的参考描述空间中,然后进行融合处理,最后得到环境特征在该空间上的一致描述。
例如,在一个多传感器系统中,可以通过视觉传感器得到物体位置信息,也可以用超声波传感器得到物体的位置信息。
由于坐标系不同,因此在融合前必须将它们转换到同一个参考坐标系中,然后进行融合处理。
这里值得注意的是,信息的不确定性给这个问题的解决带来了许多困难。
Durrant-Whyte在文中曾提出了一种不确定几何学的理论框架,它能够有效地解决不确定几何体在不同坐标空间中的变换,这一方法还在文中得到了应用。
但这种方法仅限于几何信息的处理。
2.2 数据关联与时间同步问题
融合处理的前提条件是从每个传感器得到的信息必须是对同一目标的同一时刻的描述。
这包括两个方面,首先要保证每个传感器得到的信息是对同一目标的描述,比如同一物体的位置信息。
在多传感器融合中,这被称之为数据关联（Dataassoci-ation）。
其次,要保证各传感器之间应该在时间上同步。
在动态工作环境下,同步问题表现得尤为突出。
文利用序列的方法来解决时变观测（Time-variantobservation）的同步问题。
是值得研究的问题。
在这方面,专家系统和数据挖掘技术为解决这些问题提供了很好的思路。
2.3 验前信息
验前信息也是多传感器融合所要处理的容之一。
它与其他信息不同,它可以被用于多传感器融合的各个阶段,对多传感器融合起着重要的作用。
因此,如何将验前信息与多传感器融合有机地结合以及在动态环境下如何获取、更新验前信息都
2.4 融合方法
多传感器融合的实质是不确定信息的处理,它需要能够处理不确定信息的数学工具。
要解决融合问题,首先要用具体的数学形式来描述不确定信息,然后用相应的数学工具来处理。
因此,不确定信息的不同表示方法对应着不同种类的融合方法。
例如,与随机信息相对应的是基于概率统计的融合方法;与模糊信息相对应的是基于模糊逻辑的融合方法。
除了不确定性给处理带来的困难外,多种不同形式的不确定性并存也给多传感器融合带来了很大的困难。
此外,还要考虑应用环境对融合方法的进一步要求,即适用于动态与未知环境下的融合方法。
2.5 融合结构
多传感器融合具有明显的层次结构,如图3所示,在从左到右的处理过程中,信息会变得越来越抽象,高层的信息可以看成是从多个低层信息中抽象出来的,例如,可以从两幅图像中得到物体的深度信息。
虽然层次结构为多传感器融合提供了灵活性,但同时也带来了一些问题,比如信息损失等。
在这些所要解决的问题中,有些是在特殊应用环境下提出的。
然而作为多传感器融合的本质问题,无论是理论研究还是实际应用,融合方法都是多传感器融合所研究的重点。
3 多传感器融合方法
作为多传感器融合的研究热点之一,融合方法一直受到人们的重视,这方面国外已经作了大量的研究,并且提出了许多融合方法。
目前,这些方法大致可分为两大类:
概率统计方法和人工智能方法。
其中人工智能方法又可以分为两种:
逻辑推理方法和学习方法。
3.1 概率统计方法
概率论已有很长的历史,它成功地处理了许多与不确定性有关的问题,有丰富的理论和系统的方法。
它所研究的现象是随机的,用随机变量来表示不确定信息（随机信息）,将概率统计方法作为不确定信息处理的手段。
在多传感器融合中,常采用的与概率统计有关的方法包括:
估计理论、卡尔曼滤波、假设检验、贝叶斯方法,统计决策理论以及其他变形的方法。
其中,文对卡尔曼滤波、贝叶斯估计、多贝叶斯方法和统计决策理论做了简单的介绍,其他方法可以在本文所列举的参考文献中找到。
概率统计方法可以在融合的各个层次上使用。
尽管概率统计方法已经成为多传感器融合研究中不可缺少的工具,但是在不确定性推理中仍然存在一些问题。
这主要有两方面的原因,首先,概率论本身存在着缺陷。
目前,对概率存在两种不同的解释,一种是客观概率,即事件发生的频率;另一种是主观概率,即人的信念。
这两者既存在着联系,又存在着差异和矛盾。
此外,概率论在传统框架下无法综合不同信息所表示信念。
尧庭等人讨论了概率论存在的问题,并且介绍了两种改进的概率方法,即似然比推理和信任函数理论。
这两种方法可以在一定程度上克服传统概率方法所存在的问题。
其次,在许多融合方法中,往往对传感信息的性质做了一些明确的假设,最常见的假设就是每个传感器所采用的测量模型都包含一附加的白噪声项,同时假设各个传感器之间相互独立。
可是在实际应用中这一假设很难满足,这对概率统计方法的实际应用会造成影响。
此外,由于许多概率统计方法都是基于一个确定的概率分布,因此大多数概率统计方法只适合于静态的工作环境。
3.2 逻辑推理
逻辑推理包括概率推理、证据推理、模糊推理、和产生式规则等。
它们都属于不确定性推理,是人工智能研究中最为活跃的研究领域之一。
不确定性推理的方法,首先需要对不确定信息进行表示（或度量）、不同的表示方法即构成不同的不确定性推理的方法。
对人工智能中的不确定性进行了深入的讨论。
对不确定性推理原理进行了详细的讨论,并且提出了包含度理论。
包含度理论不仅是研究不确定性推理的一般原理,而且是研究不确定现象的方法学。
分别给出了模糊方法和D-S证据理论在多传感器数据融合中的应用。
介绍了产生式规则在多传感器融合中的应用。
此外,Luo和Kay还对D-S证据理论、模糊逻辑和产生式规则进行了比较,与概率统计方法相比,逻辑推理存在许多优点,它在一定程度上克服了概率论所面临的问题,它对信息的表示和处理更加接近人类的思维方式,它一般比较适合于在高层次上的应用（如决策）,但是逻辑推理本身还不够成熟和系统化。
此外,由于逻辑推理对信息的描述存在很大的主观因素,所以信息的表示和处理缺乏客观性。
和概率统计方法一样,逻辑推理在实际应用中也存在一些问题。
例如,证据组合规则是D-S证据理论的核心,但在应用中要求满足组合证据之间相互独立,这在实际应用中往往难以满足。
针对这一问题对D-S证据理论做了一些改进。
4数据融合技术的理论方法
数据融合的关键问题是模型设计和融合算法,数据融合模型主要包括功能模型、结构模型和数学模型。
功能模型从融合过程出发,描述数据融合包括哪些主要功能和数据库,以及进行数据融合时系统各组成部分之间的相互作用过程;结构模型从数据融合的组成出发,说明数据融合系统的软、硬件组成,相关数据流、系统与外部环境的人机界面;数学模型是数据融合的算法和综合逻辑,算法主要包括分布检测、空间融合、属性融合、态势评估和威胁估计算法等,下面从3个方面分别进行介绍。
1）信息融合的功能模型目前已有很多学者从不同角度提出了信息融合系统的一般功能模型,最有权威性的是DFS（美国三军政府组织）实验室理事联席会（JDL）下面的C3I技术委员会（TPC3）数据融合专家组）提出的功能模型。
该模型把数据融合分为3级。
第1级是单源或多源处理,主要是数字处理、跟踪相关和关联;第2级是评估目标估计的集合,及它们彼此和背景的关系来评估整个情况;第3级用一个系统的先验目标集合来检验评估的情况。
图5
其简化模型如图5所示。
2）信息融合的结构模型
数据融合的结构模型有多种不同的分类方法,其中一种分类标准是根据传感器数据在送入融合处理中心之前已经处理的程度来进行分类。
在这种分类标准下,融合结构被分为传感器级数据融合、中央级数据融合及混合式融合,还可以根据数据处理过程的分辨率来对融合结构进行分类。
在这种情况下,融合结构为像素级、特征级和决策级融合。
3）多传感器信息融合实现的数学模型信息融合的方法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、模式识别、最优化技术、模糊数学和神经网络等这方面国外已经做了大量的研究。
目前,这些方法大致分为两类:
随机类方法和人工智能方法。
随机类方法这类方法研究对象是随机的,在多传感器信息融合中常采用随机类方法包括很多,这里只介绍前3种方法。
a.Bayes推理方法把每个传感器看作是一个Bayes估计器,用于将每一个目标各自的关联概率分布综合成一个联合后验分布函数,然后随观测值的到来,不断更新假设的该联合分布似然函数,并通过该似然函数的极大或极小进行信息的最后融合。
虽然Bayes推理法解决了传统的推理方法的某些缺点,但是定义先验似然函数比较困难,要求对立的假设彼此不相容,无法分配总的不确定性,因此,Bayes推理法具有很大的局限性。
b.Dempster-Shafer的证据理论是一种广义的Bayes推理方法,它是通过集合表示命题,把对命题的不确定性描述转化为对集合的不确定性描述,利用概率分配函数、信任函数、似然函数来描述客观证据对命题的支持程度,用它们之间的推理与运算来进行目标识别。
D-S证据理论可以不需要先验概率和条件概率密度,并且能将/不知道0和/不确定0区分开来,但是它存在潜在的指数复杂度问题和要求证据是独立的问题。
c.Kalman滤波融合算法它利用测量模型的统计特性,递推确定在统计意义下最优的融合数据估计,适合于线性系统的目标跟踪,并且一般适用于平稳的随机过程,它要求系统具有线性的动力学模型,且系统噪声和传感器噪声是高斯分布白噪声模型,并且计算量大,对出错数据非常敏感。
人工智能方法近年来,用于多传感器数据融合的计算智能方法有:
小波分析理论、模糊集合理论、神经网络、粗集理论和支持向量机等,限于篇幅只介绍小波变换和神经网络方法。
a.小波变换是一种新的时频分析方法,它在多信息融合中主要用于图像融合,即是把多个不同模式的图像传感器得到的同一场景的多幅图像,或同一传感器在不同时刻得到的同一场景的多幅图像,合成为一幅图像的过程。
经图像融合技术得到的合成图像可以更全面、精确地描述所研究的对象。
基于小波变换的图像融合算法为:
首先用小波变换将各幅原图像分解,然后基于一定的选择规则,得到各幅图像在各个频率段的决策表,对决策表进行一致性验证得到最终的决策表,在最终决策表的基础上经过一定的融合过程,得到融合后的多分辨表达式,最后经过小波逆变换得到融合图像。
b.神经网络方法是在现代神经生物学和认知科学对人类信息处理研究成果的基础上提出的,它有大规模并行处理、连续时间动力学和网络全局作用等特点,将存储体和操作合二为一。
利用人工神经网络的高速并行运算能力,可以避开信息融合中建模的过程,从而消除由于模型不符或参数选择不当带来的影响,并实现实时识别。
由于神经网络的种类繁多,学习算法多种多样,新的结构和算法层出不穷,使得目前对神经网络数据的研究非常广泛。
5 多传感器信息融合的研究进展
5.1 多传感器信息融合的应用进展
多传感器数据融合系统的应用可大致分为军事应用和民事应用两大类。
军事应用是多传感器数据融合技术诞生的源泉,主要用于包括军事目标（舰艇、飞机、导弹等）的检测、定位、跟踪和识别。
这些目标可以是静止的,也可以是运动的。
具体应用包括海洋监视、空对空、地对空防御系统。
海洋监视系统包括潜艇、鱼雷、水下导弹等目标的检测、跟踪和识别,典型的传感器包括雷达、声纳、远红外、综合孔径雷达等。
空对空、地对空防御系统的基本目标是检测、跟踪、识别敌方飞机、导弹和反飞机武器,典型的传感器包括雷达、ESM接收机、远红外、敌我识别传感器、电光成像传感器等。
近年来,多传感器融合系统在民事应用领域得到了较快的发展,主要用于机器人、智能制造、智能交通、医疗诊断、遥感、刑侦和保安等领域。
机器人主要使用电视图像、声音、电磁等数据的融合来进行推理,以完成物料搬运、零件制造、检验和装配等工作。
智能制造系统包括各种智能加工机床、工具和材料传送装置、检测和试验装置以及装配装置。
目的是在制造系统中用机器智能来代替人进行智能加工、状态监测和故障诊断。
智能交通系统采用多传感器数据融合技术,实现无人驾驶交通工具的自主道路识别、速度控制以及定位。
在以往的医疗诊断中,外科医生常用视觉检查以及温度计和听诊器来帮助诊断。
现在出现了更为复杂而有效的医用传感技术,如超声波成像、核磁共振成像和X-射线成像等。
将这些传感器的数据进行融合能更准确地进行医疗诊断,如肿瘤的定位与识别。
遥感在军事和民事领域都有一定的应用,可用于监测天气变化、矿产资源、农作物收成等。
多传感器融合在遥感领域中的应用,主要是通过高空间分辨率全色图像和低光谱分辨率图像的融合,得到高空间分辨率和高光谱分辨率的图像,融合多波段和多时段的遥感图像来提高分类的准确性。
多传感器数据融合技术在刑侦中的应用,主要是利用红外、微波等传感设备进行隐匿武器、毒品等的检查。
将人体的各种生物特征如人脸、指纹、声音、肛膜等进行适当的融合,能大幅度提高对人的身份识别认证能力,这对提高安全保卫能力是很重要的。
最初信息融合技术是为了满足战争的需求,目前军事领域仍是信息融合的最大应用领域,发展也最快,主要应用在预警系统、武器系统的指挥和控制、情报保障系统、军事力量的评估和指挥系统以及天地一体化信息融合系统。
随着各种传感器技术和电子芯片的发展,信息融合技术在民用方面也得到了广泛的发展,下面详细介绍数据融合在智能机器人、故障诊断和图像处理方面的应用。
1）信息融合在机器人研究领域中的应用
机器人技术是一门综合技术,集光机电液信于一身,多感觉传感器系统与机器人相结合,形成感觉机器人和智能机器人。
机器人演奏、机器人足球比赛、机器人摔跤等需要高度信息融合技术,工业机器人则成为典型的多传感器集成和融合系统,这里主要介绍信息融合技术在移动机器人和工业机器人方面的应用。
如何精确地获得自身的位置并由此规划运动路径,是自主式移动机器人研究领域中一直得到关注的问题。
轮式移动机器人由于轮子打滑及测量模型噪声等原因,存在累计误差问题。
为了进一步提高移动机器人的定位精度,文献采用扩展Kalman滤波对这两种传感器信息进行融合,即通过激光扫描器提供的信息不断修正光电编码器的定位信息,提高了定位精度。
工业机器人在工业系统中主要完成物料搬运、制造、装配、检测等,现已有一些较为成熟的应用例子,如Hitachi公司研制的应用于电子产品装配线上的工业机器人将三维视觉传感器和力传感器测出的数据进行融合。
Georgia理工学院研制的机器人融合视觉和触觉传感器的信息。
还有Groen等人研制的用于机械产品装配生产线上、Smith和Nitan等人研制的用于产品包装、Kremers等人研制的适用于加工制造业的一些工业机器人。
2）信息融合技术在故障诊断领域中的应用
基于信息融合的故障诊断方法,是通过多传感器获取设备状态的特征信号,并进行多层关联组合、数据选择,从而获得对诊断对象故障信息更可靠的认识和对潜在故障发展趋势的态势评估。
文献针对某泵压式供应系统液体火箭发动机的泄漏故障,利用系统故障症状的分散性,提出了一种基于模糊数据融合技术的系统故障诊断方法。
文献构造了神经网络信息融合中心,对来自多传感器的残差信号进行了预处理和离散小波变换,使用改进BP算法对神经网络分类器训练以进行相应的故障模式识别。
文献利用不同采样速率多传感器观测对象,充分考虑多尺度、多信息融合状态估计精度和强跟踪滤波器理论在处理非线性系统时变参数与状态估计的能力,实现了变压器故障的在线诊断。
3）信息融合技术在图像处理方面的应用遥感图像的信息融合能使各种空间、波谱和时间分辨率的图像纳入统一的时空,融合构成一种新的图像,增加信息量,实现多种信息的互补,改善了图像的质量和有效性。
文献把同一目标的不同传感器获得的图像数据利用小波包变换进行融合,得到目标较为清晰的融合图像。
文献提出了一种针对SAR（合成孔径雷达）图像保留边缘的融合方法,在计算量不显著增加的前提下,提高了边缘检测的质量。
在医学方面CT与NMR具有不同的成像机理,CT能够清晰表达骨骼信息,而NMR能够清晰表达软组织信息,文献提出了一种新的基于小波变换的系数取大融合算法,从而既可清晰地表现骨组织信息,又可清晰地表现软组织信息,这对临床医学具有十分重要的意义。
图6
5.2 多传感器信息融合实现方法的进展
成熟的多传感器信息融合方法主要有:
经典推理法、卡尔曼滤波法、贝叶斯估计法、Dempster-Shafer证据推理法、聚类分析法、参数模板法、物理模型法、熵法、品质因数法、估计理论法和专家系统法等。
近年来,用于多传感器数据融合的计算智能方法主要包括:
模糊集合理论、神经网络、粗集理论、小波分析理论和支持向量机等。
目前,人们已开始将多传感器信息融合应用于复杂工业过程控制系统,文献提出的复杂工业过程综合集成智能控制系统便是其中的一种。
复杂工业过程多传感器信息融合系统如图6所示。
图中时间序列分析、频率分析、小波分析从各传感器获取的信号模式中提取出特征数据,同时将所提取的特征数据输入神经网络模式识别器;神经网络模式识别器进行特征级数据融合,以识别出系统的特征数据,并输入到模糊专家系统进行决策级融合;专家系统推理时,从知识库和数据库中取出领域知识规则和参数,与特征数据进行匹配（融合）,最后决策出被测系统的运行状态、设备工作状况和故障等。
6 结论与期望
本文对多传感器融合目前的研究现状进行了讨论,对其存在的问题进行了详细的描述,并且对存在的融合方法进行了分类介绍,其中每种分类又包括许多具体的方法。
随着多传感器融合研究的深入和相关学科的发展,还会出现新的方法,这些方法都存在其优点和局限性。
无论哪种方法,它所研究的对象都是不确定信息,不同种类的不确定信息都有不同的数学处理方法,目前还没有一种通用的方法可以用来处理所有不确定信息。
人们在寻找新算法的同时,开始考虑融合结构的问题。
融合结构也是多传感器融合所要研究的问题之一,融合结构的一般表示如图3。
如果不确定信息种类少,而且处理过程简单,那么融合算法的结构就可以看成是融合结构,这时可以忽略融合结构问题。
然而当不确定信息种类增加或者处理过程变得复杂（如层次增加）,整个处理过程就会包括许多的算法,如传感数据的预处理,数据关联,融合算法等,这时就需要用一种合理的结构将这些算法有效地组织起来,如何建立这种结构就是融合结构所要研究的问题。
国外这方面的研究开始的很早,也取得了一些成果,其中包括许多文献中提到的一种通用融合结构,该结构是由美国联合指挥官实验室（JointDirectorsofLaboratories）的数据融合工作组提出的。
它将融合过程分为4个模块:
预处理、一级处理、二级处理和三级处理,其中的每个模块又可以进一步分割,并且这些模块可以采用不同的算法来实现。
尽管该结构存在一定的局限性,但可以作为多传感器融合的一种通用模型。
此外,文提出了一种融合结构,该结构包括数据层、特征层和决策层。
在数据层上,首先将原始数据创送到融合中心,然后进行融合处理。
结果也比较准确,但要求传感器为同构的,而且占用很大的通讯带宽;在特征层上,首先原始数据提取特征信息,然后传送至融合中心进行处理。
和数据层相比,尽管可以节省通讯带宽,但由于信息损失,处理结果准确性较差;在决策层上,每个传感器可以进行局部决策,然后将局部决策进行融合得出全局的决策结果。
由于信息压缩,结果准确性最差,但处理时占用的带宽最小,并且没有传感器同构的要求。
上面介绍的只是一般性的融合结构,但在实际应用中,人们更关心的是针对具体应用所采用的
升级会员 