决策层数据融合

定义与定位

决策层数据融合（又称决策级融合）是多传感器数据融合中的最高抽象层次。其基本流程为：对每个传感器（或信息源）的观测数据分别进行特征提取与模式识别，得到各自的局部属性判决结果；随后将这些局部判决结果进行关联，再通过决策层融合输出整体一致的识别结果。

三个融合层次的划分依据

按融合发生的信息抽象层次，多传感器数据融合分为原始层（数据层）、特征层和决策层：

• 原始层融合：在特征提取之前，对未经处理或经过很少处理的原始传感信息直接进行综合。其前提是传感器信息具有配准性，即各传感器所测的物理量相同、采样位置与时间可对应；若各传感器所测物理量不同或无法建立观测模型与坐标映射，则只能在特征层或决策层融合。
• 特征层融合：先对各传感器观测值进行特征提取，将提取出的特征综合为一组特征向量，在属性判决之前完成融合。
• 决策层融合：每个传感器先独立完成特征提取与模式识别，形成局部属性判决，再对多个局部判决进行关联与融合，得到最终决策结果。

三者的流程差异可概括为：

• 原始层：关联 → 数据层融合 → 特征提取 → 属性判断；
• 特征层：特征提取 → 关联 → 特征层融合 → 属性判断；
• 决策层：特征提取 → 属性判决 → 关联 → 决策层融合 → 判断。

决策层融合的特点

决策层融合具有较好的容错性：当某个传感器出错时，通过适当的融合方法，系统仍可能获得正确的决策结果。随着融合信息的抽象层次增高，决策层对原始传感器信息没有特殊要求，即不要求各传感器原始数据具有严格的配准性。但由于需要先对每个传感器的原始信息进行预处理以获得初步决策结果，因此融合信息的处理量较大。

典型融合技术

决策层融合的典型技术包括经典推理理论、Bayes 推理方法、Dempster-Shafer 证据理论、加权决策方法（投票法）等。

与其他层次的性能比较

从原始层到特征层再到决策层，信息量通常由最大降至最小，信息损失通常由最小增至最大，预处理量通常由最小变为最大；而容错性、抗干扰性、对传感器的依赖性、融合方法难度、分类性质与系统开放性并无仅由融合层级决定的绝对次序，须结合具体模型、噪声条件与融合方法说明。

在数据融合功能模型中的位置

在数据融合系统的功能模型中，主要功能包括特征提取、分类（数据相关或数据关联）、识别、参数估计和决策。其中特征提取和分类是基础，识别和参数估计阶段可完成融合；但融合也可发生在像素、原始观测、特征或决策层，具体取决于系统设计。数据融合过程分为两个步骤：第一步是低层处理，包括像素级融合和特征级融合，输出状态、特征和属性等；第二步是高层处理，即决策级融合，输出抽象结果。

适用条件与范围

决策层融合适用于各传感器原始信息配准性差、难以在原始层或特征层直接综合的场合，或对系统容错性、抗干扰性和开放性要求较高的多传感器系统。其代价是需要对每个传感器单独进行完整的特征提取与模式识别，预处理量和信息损失较大。