聚类分析法在一定条件下，按照目标间的相似性把目标空间划分为若干子集，划分的结果应使表示聚类质量的准则函数为最大。当用距离来表示目标间的相似性时，其结果降判别空间划分成若干区域，每一个区域相当于一个类别。常用的距离函数有明氏距离、欧式距离、马氏距离、类块距离等。包括：聚类分析法、表决法、神经网络法、参数模板匹配法、熵量测、品质因数、模式识别，等。第31页，共50页，星期日，2025年，2月5日类间距离离差平方和法（wardmethod）D2=WM－WK－WL即对异常值很敏感；对较大的类倾向产生较大的距离，从而不易合并，较符合实际需要。ClusterKClusterLClusterM第32页，共50页，星期日，2025年，2月5日表决法由每个传感器提供对被测对象状态的一个判断，然后由表决方法对这些判断进行搜索，以找到一个由板书以上传感器“同意”的判断（或采取其它简单的判定规则），并宣布表决结果。适合实时融合融合无偿较大第33页，共50页，星期日，2025年，2月5日神经网络非线性，自学习，自组织，并行性，容错性权值，学习收敛性，学习速度，网络模型，结构，等需要人为地根据融合对象的特点进行调整第34页，共50页，星期日，2025年，2月5日参数模板匹配把在一段时间内得到的多传感器数据与多个信息源按照预先选择好的条件进行匹配，然后判断观测量是否包含支持某一现象的证据第35页，共50页，星期日，2025年，2月5日熵量测来源于通信理论通过事件发生的概率来度量实践中所包含信息的重要程度。度量信息价值的函数应具有这样的性质，即信息价值的大小与接受到该信息的概率成反比。第36页，共50页，星期日，2025年，2月5日第1页，共50页，星期日，2025年，2月5日集成与融合新系统：升华、再生融合：综合、互补集成：基础、结构图2.1集成、融合关系图第2页，共50页，星期日，2025年，2月5日数据融合20世纪80年代诞生，主要解决多传感器信息处理问题，把分布在不同位置的多个同类或不同类传感器的局部、不完整的观察量加以综合，利用其互补性、冗余性，克服单个传感器的不确定性和局限性，提高整个传感器系统的有效性能，已形成对系统环境相对完整一致的感知描述，提高测量信息的精度和可靠性内涵的延展，不同方法获得的参量的综合第3页，共50页，星期日，2025年，2月5日数据融合的三层定义全空间综合互补多传感器动态信息处理算法融合图2.2数据融合的3层定义第4页，共50页，星期日，2025年，2月5日数据融合的内涵延展举例红外和可见光图像融合？PET,MR,CT等模式图像间的融合？特征点、面、区域提取与基于体素方法的融合用于配准基于颜色、纹理、光度等特征的融合用于识别？基于颜色、面积、纹理等特征的融合用于分割？特征选择？第5页，共50页，星期日，2025年，2月5日信息的互补问题本质在于对不确定处理和精确处理的互补，复杂，并不是简单的代数相加运算。包括信息表达方式上的、结构上、功能上的、不同层次上的互补。把握不同信息的本质举例：特征点和体素/像素的互补？纹理和颜色的互补？时域、频域、复频域的互补？第6页，共50页，星期日，2025年，2月5日数据融合的基本框架信息源信息转换、传递、交换信息互补、综合处理信息融合处理报告信息流：信息获取信息预处理信息融合融合决策第7页，共50页，星期日，2025年，2月5日2多传感器数据融合的基本原理N个不同类型的传感器收集观测目标的数据。对传感器的输出数据（离散的或连续的时间函数数据，输出矢量，成像数据或一个直接的属性说明）进行特征提取的变换，提取代表观测数据的特征矢量。对特征矢量进行模式识别处理（如聚类算法，自适应神经网，或其它能将特征矢量变换成目标属性判决的统计模式识别法等），完成各传感器关于目标的说明。将各传感器关于目标的说明数据按同一目标进行分组，即关联。利用融合方法将各一目标各传感器数据进行合成，得到该目标的一致性解释与描述。第8页，共50页，星期日，2025年，2月5日2.1数据融合的层次结构数据层融合特征层融合决策层融合第9页，共50页，星期日，2025年，2月5日数据层融合全部传感器的观测数据直接进行融合，然后从融合的数据中提取特征矢量，并进行判断识别。传感器必须同质优点：保持了尽可能多的原始信息缺点：处理的信息量大，处理实时性差。第10页，共50页，星期日，2025年，2月5日数据层融合图例待识别物体图像数据声音数据气味数据传感器传感器传感器统一的数