92、数据融合：概念、模型与应用

数据融合：概念、模型与应用

1. 数据融合概述

信息融合（IF）是一个多领域的新兴领域，旨在为态势理解提供数据处理方法。其全局目标是整合传感器数据、信息/知识数据库、上下文信息和任务目标等，以描述动态变化的情况。具体而言，信息融合的目标是基于部分观察和对额外数据源或处理过程修改需求的评估，不断完善对世界子集的估计和评估，从而获得更好的结果。

数据融合的能力受输入质量的影响，输入数据可能来自设备或文本，且格式多样，可能存在不准确、不完整、模糊或矛盾的问题。现代数据融合应用的关键在于适当地整合不同类型的信息和知识，主要包括以下几类：
- 观测数据 ：这是关于动态场景和感兴趣实体的基础数据，可通过物理设备（如雷达、无人机等“硬”数据）和人类观察者（“软”数据）收集。
- 先验和学习的领域模型 ：信息融合用于推断某些实体或隐藏状态，这需要结合数据更新估计，并利用实体预期行为的动态模型。当无法形成先验详细模型时，可以通过在线机器学习过程从观测数据中提取知识。
- 上下文信息 ：上下文信息对于复杂场景中的模型开发至关重要，可定义为围绕任务且可能与任务完成相关的一组情况。它虽不是主要关注的特定实体、事件或行为，但会影响对这些项目的最佳估计。

2. 抽象层次：JDL 模型

在对信息融合功能和问题进行分类的各种方法中，联合实验室数据融合小组开发的“JDL 模型”得到了广泛认可。该模型将融合功能分为不同的“级别”，与“对象”、“态势”、“威胁”和“过程”相关参数估计的细化有关。具体级别定义如下：
| 级别 | 名称 | 描述