信息融合是一種多層次的、多方面的處理過程，這個過程是對多源數(shù)據(jù)進行檢測、結合、相關、估計和組合以達到精確的狀態(tài)估計和身份估計，以及完整、及時的態(tài)勢評估和威脅估計。

根據(jù)國外研究成果，信息融合比較確切的定義可概括為：利用計算機技術對按時序獲得的多源的觀測信息在一定準則下加以自動分析、綜合以完成所需的決策和估計任務而進行的信息處理過程。

按照這一定義，多傳感器系統(tǒng)是信息融合的硬件基礎，多源信息是信息融合的加工.對象，協(xié)調優(yōu)化和綜合處理是信息融合的核心。^[1]

信息融合的基本原理就像人腦綜合處理信息一樣，充分利用多源信息，通過對這些多源的觀測信息的合理支配和使用，把多源信息在空間或時間上的冗余或互補依據(jù)某種準則來進行組合，以獲得被測對象的一致性解釋或描述。

按照信息抽象的3個層次，可將信息融合分為3級，即象素級融合、特征級融合和決策級融合。

1.信息融合的加工對象。多源信息(數(shù)據(jù)源或信息源)為融合系統(tǒng)提供原始的和，或預處理的數(shù)據(jù)，因此，多源信息是信息融合的對象。多源信息可分為3類：傳感器、源數(shù)據(jù)和通信鏈。

傳感器是探測或測量物理現(xiàn)象的設備按不同的方式可分為物理接觸傳感器和非物理接觸傳感器；有源/主動傳感器和無源，被動傳感器。

源數(shù)據(jù)是經過人工處理過的預知數(shù)據(jù)，它常被看作是情報信息，主要包括人工情報、通信情報和我軍計劃等。源數(shù)據(jù)中的元素通常在態(tài)勢和威脅級進行融合，因此，它們不直接與傳感器數(shù)據(jù)組合，并常常將它們的輸入與傳感器數(shù)據(jù)分開。

通信鏈是從傳感器或源到數(shù)據(jù)融合處理節(jié)點的通信連接，用以傳輸來自遠方的數(shù)據(jù)。

2.信息融合的功能模型。為了給信息融合過程提供一個概貌，通過圖1所示的融合系統(tǒng)的功能模型來說明融合系統(tǒng)的功能組成以及這些功能之問的聯(lián)系。

在圖l的模型中，信息融合系統(tǒng)的功能主要有檢測(探測)、校準(對準)、相關(互聯(lián)、關聯(lián))、狀態(tài)估計、目標識別、行為估計。其中校準和相關是為識別和估計做準備的，實際融合在識別和估計中進行。該模型的融合功能分兩步完成。對應于不同的信息抽象層次，第一步是低層處理，對應于象素級融合和特征級融合，輸出的是狀態(tài)、特征和屬性等；第二步是高層處理(行為估計)，對應的是決策級融合，輸出的是抽象結果，如威脅、企圖和目的等。

3.信息融合的關鍵問題。信息融合的關鍵問題是：數(shù)據(jù)轉換、數(shù)據(jù)相關、態(tài)勢數(shù)據(jù)庫、融合推理和融合損失等。

(1)數(shù)據(jù)轉換數(shù)據(jù)轉換的關鍵在于，不僅要轉換不同層次之間的信息，而且罰樣需要轉換對環(huán)境或目標的描述或說明的不同之處和相似之處(目標和環(huán)境的先驗知識也難以提取)。即使是同一層次的信息，也存在不同的描述和說明。

(2)數(shù)據(jù)相關數(shù)據(jù)相關的核心問題是如何克服傳感器測量的不精確性和干擾等引起的相關二義性，即保持數(shù)據(jù)的一致性；如何控制和降低相關計算的復雜性，開發(fā)相關處理、融合處理和系統(tǒng)模擬的算法和模型。

(3)態(tài)勢數(shù)據(jù)庫態(tài)勢數(shù)據(jù)庫所要解決的難題是容量要大，搜索要快，開放互聯(lián)性好，并具有良好的用戶接口。

(4)融合推理融合推理是信息融合系統(tǒng)的核心，融合推理所需要勰決的關鍵閱題是如何針對復雜的環(huán)境和目標時變動態(tài)特性，在難以獲得先驗知識的前提下，建立具有良好穩(wěn)鍵佳和自適應能力的目標機動與環(huán)境模型，以及如何有效地控制和降低遞推估計的計算復雜性。

(5)融合損失融合損失的關鍵問題是如何減少、克服、彌補信息融合過程中的信息損失。

雖然信息融合問題至今來形成基本的理論框架和有效的廣義融合算法，但是，不少應用領域的研究人員還是根據(jù)各自的具體應用背景，提出了許多比較成熟且有效的融合方法。

l。信息融合方法簡介

信息融合作為一種信信綜合和處理技術，實際上是許多傳統(tǒng)學科和新技術的集成和應用。為了進行信息融合，所采用的信息表示積處理方法均來自這些領域。從信息融合的功能模型可看到，融合的基本功能是相關、估計和識別，重點是估計和識別。

(1)相關。相關處理的常用算法有：最近鄰法則、最大似然法、最優(yōu)差別、統(tǒng)計關聯(lián)、聯(lián)合統(tǒng)計關聯(lián)等；

(2)估計。用于估計的算法有：最小二乘法、最大似然估計法、卡爾曼濾波器等；

(3)識別。用于識別的算法大概可分為3類：物理模型類識別算法，參數(shù)分類識別算法和認識模型類識的方法。圖2所示為用于識別的融合算法的概念性分類。

2.用于信息融合的D—S方法

D—S方法是出Dempster和Sharer在70年代提出的證據(jù)理論，該理論建立了命題和集合之間的一一對應，以把命題的不確定性轉化為集合的不確定性問題，而證據(jù)理論處理的正是集合的不確定性。D—S證據(jù)推毽在信息融合中的基本應用過程如下：它首先計算各個證據(jù)的基本概率賦值函數(shù)m₁、信任度函數(shù)Bel₁和似然函數(shù)Pls₁；然后用D—S組合規(guī)則計算所有證據(jù)聯(lián)合作用下的基本概率賦值函數(shù)、信任函數(shù)和似然函數(shù)；最后根據(jù)一定的決策規(guī)則，選擇聯(lián)合作咫下支持度最大的假設。

3.基于信息論的融合算法

有時，信意融會并不舞癸篇統(tǒng)計方法壹接模擬觀測數(shù)據(jù)的隨機形式，而是依賴于觀測參數(shù)與目標身份之間的映射關系來對目標進行標識，這類方法稱為基于信息論的融合方法。如聚類分析法是一綴啟發(fā)式算法，在模式數(shù)目不是精確知道的標識性應用中，這類算法很有用處。聚類分析算法按某種聚類準則將數(shù)據(jù)分組(聚類)，并由分析員把每個數(shù)據(jù)組解釋為相應的目標類。聚類分析主要有以下幾個步驟：(1)從觀測數(shù)據(jù)中選擇一揍樣本數(shù)據(jù)；(2)定義特征變量集合以表征樣本中實體； (3)計算數(shù)據(jù)的相似性，并按照一個相似性準則劃分數(shù)據(jù)集；(4)檢驗劃分成的類對子實際應用是否有意義；(5)反復將產生的子集加以劃分，并對劃分結果使用第4步，直到再沒有進一步的細分結果，或者直到滿足某種停止規(guī)則為止。

4.基子認識模型的融合算法

基予認識模型的信惠融會方法試圖模仿人類辨別實體的識別過程模型，如模糊集合方法，由zadeh提出的模糊集合理論的中心思惹是隸屬函數(shù)μ，隸屬函數(shù)主觀上是由知識啟發(fā)、經驗或推測過程確定，對它的評定沒有形式化過程，這是明顯確定。盡管如此，精確的隸屬函數(shù)分布形狀對根據(jù)模糊演算得出的推理結論影響不大，因此，也可以解決證據(jù)不確定性或決策中的不準確性等問題。

模糊集合理論對于信息融合的實際價值在于它外延到模糊邏輯。通過模糊命題的表示，用綜合規(guī)則建立起演繹推理，并在推理中使用模糊概率，從而方便地建立起模糊邏輯。

模糊邏輯是一種多值邏輯。隸屬程度可視為一個數(shù)據(jù)真值的不精確表示。因此，信息融合過程中存在的不確定性可以直接用模糊邏輯表示，然后使用多值邏輯推理，根據(jù)各種模糊演算對各種命題(即各傳感器提供的數(shù)據(jù))進行合并，從而實現(xiàn)信息融合。當然，要得到一致的結果，必須首先系統(tǒng)地建立命題以及算子到[0，1]區(qū)間的映射，并適當?shù)剡x擇合并運算所使用的算子。

5.用于信息融合的人工智能方法(AI技術)

按照信息融合的3個層次，在決策級融合要處理大量的反映數(shù)值數(shù)據(jù)問關系、含義的抽象數(shù)據(jù)(如符號)，因此要使用推斷或推理技術，而AI技術的符號處理功能正好可用于獲得這些推斷或推理能力。

人工智能(AI)主要是研究怎樣讓計算機模仿人腦從事推理、規(guī)劃、設計、思考、學習、記憶等活動，解決迄今只能由人類專家才能解答的復雜問題，代行人類專家的部分職能。

AI技術在信息融合中的應用表現(xiàn)在以下幾個方面：使用多個互相協(xié)作的ES，以便真正利用多個領域的知識進行信息綜合；使用先進的立體數(shù)據(jù)庫管理技術為決策級推理提供支撐；使用學習系統(tǒng)，以便自動適應各種態(tài)勢的變化。

在信息融合問題中，由予融合對象有一種是源數(shù)據(jù)(消息)。對這種經過人工預處理過的非格式信息的融合，推理比數(shù)值運算更重要，因此，應該采用基于知識的專家系統(tǒng)技術進行融合。

專家系統(tǒng)(Es)是人工智能一個實用性分支。專家系統(tǒng)的出現(xiàn)標志著人工智能向工程技術應用邁出了一大步，揭開了人工智能發(fā)展歷史一個嶄新階段。盡管如此，大量專家系統(tǒng)的開發(fā)研究也暴露出它的一些局限性，主要有：知識獲取、知識存儲量受存儲器容量限制、推理速度緩慢等問題。

神經網絡系統(tǒng)采用特定的計算機組織結構，以分布式存儲和并行、協(xié)同處理為特色，具備聯(lián)想學習記憶能力和自適應學習更新能力，正好可以有效解決現(xiàn)行專家系統(tǒng)的局限性。因此，將專家系統(tǒng)與人工神經網絡相結合(稱為神經網絡專家系統(tǒng))并在信息融合系統(tǒng)中應用，引起了廣泛的重視。

神經網絡專家系統(tǒng)既可以克服現(xiàn)行計算機信息處理技術的缺點，又可以克服現(xiàn)行專家系統(tǒng)技術的缺點。或者說，既具有現(xiàn)行專家系統(tǒng)技術之優(yōu)點，又彌補其不足，使人工智能技術再次大大前進一步：知識表示和存儲是分布式的、實現(xiàn)自動知識獲取、具有高度冗余性和容錯能力、具有很強的不確定性信息處理能力、具有很強的不確定性信息處理能力具有很強的自適應學習能力等。

總的說來，神經網絡專家系統(tǒng)開發(fā)研究活動尚處在實驗室試驗階段，尚未見到實用系統(tǒng)配裝。