深度解析多传感器融合技术

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总的支持程度，得到最大证据支持决策，即传感器信息融合的结果。

　　常用的证据组合方法有：概率统计方法、D-S（Dempster-Shafer）证据推理法。

　　3.人工神经网络法

　　人工神经网络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。采用神经网络法的多传感器信息融合，分三个主要步骤：

　　（1）。根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；

　　（2）。各传感器的输入信息综合处理为一总体输入函数，并将此函数映射定义为相关单元的映射函数，通过神经网络与环境的交互作用把环境的统计规律反映网络本身的结构；

　　（3）。对传感器输出信息进行学习、理解，确定权值的分配，进而对输入模式作出解释，将输入数据向量转换成高级逻辑（符号）概念。

　　前景展望

　　在多传感器融合技术中，融合结构、融合算法都占有重要地位。随着多传感器融合研究与应用的深入，未来的多传感器融合将会是一个更加复杂的信息处理过程，不仅包括许多具体的算法，而且结构也比较复杂。如何根据实际应用将算法与结构有机地结合在一起，为整个融合系统提供更加有效的融合策略，这是未来多传感器融合研究所要解决的主要问题。目前已有大量的融合算法，它们都存在各自的优缺点，需要通过合理的融合结构将这些算法组合在一起，使其扬长避短，构成更加有效的融合方法。另外，多传感器融合还将面临一个难题，那就是动态与未知环境下的融合问题，这无疑会对融合方法提出更高的要求。这不仅需要性能更好的融合算法，而且需要更加灵活的融合结构，提高融合系统的自适应性和鲁棒性。