多传感器数据融合的基本原理就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。多传感器数据融合与经典的信号处理方法之间有着本质的差别，其关键在于信息融合所处理的多传感器信息具有更复杂的形式，而且通常在不同的信息层次上出现。这些信息抽象层次包括检测层、位置层、属性层、态势层和威胁层。 1.2.2数据融合的级别
按照信息抽象的五个层次，融合可分为五级，即检测级融合、位置级融合、属性级融合、态势评估和威胁评估。
检测级融合----直接在信号层上进行的融合或者在检测判决层上进行的融合。分别对应集中式检测融合和分布式检测融合。
传感器1信号传感器2信号传感器n信号融合融合信号检检测结果测集中式检测级融合
传感器1信号传感器2信号传感器n信号检测检测结果1融融合检测结果检测结果2检测合检测结果n检测分布式检测级融合
位置级融合----直接在观测报告或测量点迹上进行的融合或在各个传感器状态估计上进行的融合。分别对应着集中式位置融合和分布式位置融合。
传感器1观测传感器2观测传感器n观测融合融合观测估估计结果计
集中式位置融合
传感器1观测传感器2观测传感器n观测估计估计结果1融估计估计结果2合估计结果n估计融合估计 2
分布式位置融合
目标识别级融合----目标识别亦称属性分类或身份估计，对观测体进行识别和表征。如使用雷达截面积（RCS）数据来确定一个实体是不是一个火箭体、碎片或再入大气层的飞船。敌-我-中识别器（IFFN）使用特征波形和有关数据对观测体判断，是敌机、友机还是不明。
目标识别层也称属性层的信息融合有三种方法：决策级融合、特征级融合、数据级融合。
1决策级融合
在决策级融合方法中，每个传感器都完成变换以便获得独立的身份估计，然后再对来自每个传感器的属性分类进行融合。
传感器1关于目标信息身份估计传感器2关于目标信息身份估计传感器n关于目标信息身份估计身份估计融合融合身份估计2特征级融合
在特征级融合方法中，每个传感器观测一个目标并完成特征提取以获得来自每个传感器的特征向量。然后融合这些特征向量并获得联合特征向量来产生身份估计。
传感器1关于目标信息特征提取传感器2关于目标信息特征提取传感器n关于目标信息特征提取身份估计身份估计3数据级融合
在数据级融合方法中，对来自同质传感器原始数据直接进行融合，然后基于融合的传感器数据进行特征提取和身份估计。（如多源图像复合，同质雷达的波形的直接合成）
传感器1关于目标信息传感器2关于目标信息传感器n关于目标信息
3
目标原始数据融合特征提取身份估计
第二章状态估计理论
状态估计理论的目的是对目标过去的运动状态进行平滑、对目标现在的运动状态滤波和对目标未来的运动状态进行预测，这些运动状态包括目标位置、速度和加速度等。本章讨论在多传感器跟踪系统中广泛应用的状态估计技术，这些方法是多传感器信息系统的最基本要素，也是形成多目标自适应跟踪滤波的前提和基础。
2.1估计问题的构成
在今后所讨论的随机估计问题中，用用m维向量Z=n维向量X=(x,x,12,xn)T表示被估计参数，
(z1,z2,,zm)T表示量测值，通常假设量测值Z与估计量X满足关系式
Z(j)=h[j,X(j),V(j)] (2.1.1)
这里j是指j时刻，V(j)是l维量测噪声并满足一定概率分布，通常是满足Gauss白噪声。 经过k个时刻的量测
Zk={Z(j):j=1,2,...,k} (2.1.2)
对X(k)进行估计，其估计值为X(k)。当被估计量X 不随时间变化时，则称对参数X 的估计为静态估计。当参数X 随时间变化时，一般认为X 满足某一动态方程
ùX(k+1)=f[k,X(k),U(k),W(k)] (2.1.3)
其中U(k)是p维输入向量，W(k)是q维过程噪声，也满足一定的概率分布，通常为Gauss白噪声。
(2.1.3)式给出的是离散情况下的动态方程，更一般的是连续型方程
X(t)=f[t,X(t),U(t),W(t)] (2.1.4)
其中U(t)是输入向量，W(t)是过程噪声。
本章所讨论的问题是：假设被估计量X 满足动态方程(2.1.3)式或(2.1.4)式，已知k次量测值Z，对k时刻的状态向量X(k)进行最优估计。
2.2状态估计问题
4
k·
状态与系统相联系。状态估计是指对动态随机系统的状态估计。
设有动态系统，它满足一定的数学模型(如公式2.1.3)，其有关随机向量满足一定的统计性质。所指系统的状态估计问题就是根据选定的估计准则和已获得的量测信息(如公式2.1.1,2.1.2)，对系统进行估计，其中状态方程确定了被估计量的随机状态过程。
估计与量测有关。从上述状态估计问题的提法可以看出，在状态估计问题中，被估计量----状态向量和量测量均是随时间变化的，这样状态向量与量测量之间在时间上就有不同的对应关系。以离散时间系统为例，设Zj={Z(i):i=1,2...j}为已知j和j以前时刻的量测值，对k时刻状态X(k)作出某种估计。
?(k/k)为X(k)的最优滤波估计量。 (1)当k=j时，称为滤波问题，称X?(k/j)为X(k)的最优预测估计量。 (2)当k>j时，称为预测问题，称X?(k/j)为X(k)的最优平滑估计量。 (3)当k 2.3离散线性系统的最优估计——Kalman滤波技术 下面要讨论的动态系统是离散的和线性的，即(2.1.3)式中的f是线性函数，也就是说，状态方程满足 X(k+1)=F(k)X(k)+G(k)u(k)+G(k)V(k) (2.3.1) F(k)是k时刻n′n阶的状态转移矩阵，u(k)其中X(k)是n维向量，表示k时刻的状态向量， 为（已知）p维输入或控制信号（向量），G(k)为n′p阶输入矩阵, G(k)为n′n维过程噪声分布矩阵，V(k)为n维过程噪声，满足Gauss白噪声，并且 EV(k)=0 (2.3.2) EV(k)VT(j)=Q(k)dkj (2.3.3) 其中dkj为Dirichlet函数，即满足 ì0,k1j??dkj=í ?1,k=j??量测方程(2.1.1)式仍是线性函数,即满足 Z(k)=H(k)X(k)+W(k) (2.3.4) 其中Z(k)是m维向量，表示k时刻的量测向量，H(k)是m′维量测噪声，并满足Gauss白噪声，有 n阶量测矩阵，W(k)是m 5 EW(k)=0 (2.3.5) EW(k)WT(j)=R(k)dkj (2.3.6) 其中dkj的意义同前。 初始状态的描述： 假定初始状态X(0)是高斯的，具有均值X(0/0)和协方差P(0/0)，且 ì?轾V(k)骣Q(k)dkl00÷??犏?÷T?TT?犏÷Eí犏W(k)[V(l)W(l)X(0/0)]=?0R(k)dkl0÷?÷? (2.3.7) ??犏÷?÷?00P(0/0)÷?犏桫X(0/0)??臌}其中X(0/0)=X(0)-X(0/0)。 加Kalman滤波方法的推导过程 至此为止，我们得到了Kalman滤波方法。 为方便起见，概括如下： 1.动态系统 过程方程： 其中: X(k+1)=F(k)X(k+)Gk(u)k(+)Gk( V) k EV(k)=0 ；EV(k)VT(j)=Q(k)dkj 量测方程： Z(k)=H(k)X(k)+W(k) 其中 EW(k)=0 ；EW(k)WT(j)=R(k)dkj 2.滤波算法 ?(k/k)， 假设已知k时刻状态X(k)的滤波值X状态估计的一步预测方程（状态预测值）： ?(k/k)+G(k)u(k) (2.3.8) X(k+1/k)=F(k)X一步预测误差方程： X(k+1/k)X(k+1)-X(k+1/k)=F(k+1)X(k/k)+G(k)V(k) 6 （2.3.9)