信息融合技術在模式識別中的應用
2009-01-01 00:00:00葛紅田聯房
計算機應用研究 2009年1期
（1.華南理工大學 自動化科學與工程學院， 廣州 510631; 2.華南師范大學 計算機學院， 廣州 510631）
摘 要：對信息融合技術在模式識別領域中的主要方法及其應用進行了總結、分析和比較，并提出了以免疫算法作為信息融合算法的新思路。
關鍵詞：信息融合； DS證據理論； 人工神經網絡； 遺傳算法； 免疫算法
中圖分類號：TP309 文獻標志碼：A
文章編號：10013695(2009)01001906
Application of information fusion in pattern recognition
GE Hong1，2， TIAN Lianfang1
(1.College of Automatic Science Engineering， South China University of Technology， Guangzhou 510631， China; 2.School of Computer， South China Normal University， Guangzhou 510631， China)
Abstract:This paper overviewed the applications of information fusion in pattern recognition， and suggested a new idea to use immune algorithm as the information fusion method.
Key words：information fusion; DS dedication theory; artificial neural network; genetic algorithm; immune algorithm
0 引言
科學研究正朝著高智能化的方向發展，而許多新理論和新技術的發明都是以模仿人類的功能特性為基礎的。信息融合技術也是這樣一個高智能化方法。人類對事物的感知和認識不是通過單一的途徑，而是利用多個感覺器官對事物對象進行多方面、多角度的感知，從而形成對事物高效而準確的認識。信息融合就是模擬人類認識事物的原理，利用多源信息之間的相關和互補特性，通過合適的融合算法，獲得關于對象的全面的更為準確的檢測、識別、估計和決策。
信息融合技術最初是由于軍事的目的而提出的。近年來，隨著檢測技術、信息技術的發展和完善，已經被廣泛地應用于如醫療診斷、金融決策、計算機系統入侵檢測、輸電線網故障診斷、車輛跟蹤、汽車的自動駕駛、機器人視覺以及圖像處理等許多工程領域，取得了令人矚目的成效，越來越受到人們的重視[1]。
模式識別簡單地說就是對研究對象的認識。如何利用測量裝置所提供的信息高效、準確地識別對象并作出決策是模式識別的主要問題。隨著科學技術的發展，研究對象更加復雜，而檢測裝置更加完善，通過多種檢測裝置獲得研究對象多方面的信息，并充分利用這些信息實現對研究對象全面且準確的識別，即將信息融合技術應用于模式識別領域，是信息技術發展的必然趨勢，模式識別也是信息融合技術的主要應用領域之一。
本文在對信息融合技術的現狀進行簡單概括的基礎上，重點闡述了信息融合技術在模式識別領域中的方法和應用。
1 信息融合技術簡介
狹義來說，多源信息融合技術是一種利用計算機技術，對來自多種信息源的多個傳感器觀測的信息，在一定準則下進行自動分析、綜合，以獲得單個或單類信息源所無法獲得的有價值的綜合信息，并最終完成其任務目標的信息處理技術。多源信息融合的優點在于[2]：提高系統的可靠性和魯棒性；擴展時間上和空間上的觀測范圍；增強數據的可信任度；增強系統的分辨能力。這些優點正是高效、準確、全面的信息處理技術所需要的。
信息融合技術于20世紀80年代在美國作為國防關鍵技術之一得到優先發展，并在軍事應用中發揮了重要的作用。隨著民用高科技的發展，開發高智能化的信息處理技術和方法成為各個工程領域的主要目標，多源信息融合技術成為完成這個目標最恰當的手段。盡管目前信息融合技術在許多領域得到了成功的應用，但是由于信息融合概念的提出是基于信息處理技術發展的需要，信息融合技術沒有專門的理論體系，所采用的理論和方法主要是通過變化和改進現有的信息處理技術來獲得的。關于信息融合技術的研究主要是如何利用這些理論和方法構建適合的信息融合系統。總的來說，多源信息融合技術的研究涉及以下幾個方面：
a）多傳感器系統的構建和組織。多源信息融合系統的多源信息來源于多個檢測設備，傳感器的選擇和協調管理是建立一個信息融合系統的基礎；多傳感器系統既要有足夠的傳感器向融合中心提供充分的信息，又要使每個傳感器得到充分合理的利用。
b）包含多級別、多層次的信息融合系統模型的確定和使用。在獲得多源檢測信息后，信息融合流程的安排及每一級別的功能和結構設計是信息融合系統的關鍵之一；要根據具體問題的特點和需求，以及各種信息融合體系的特性，構建性能最好的信息融合模式。
c）信息融合算法的選擇和設計。構造有效的信息融合系統的另一個關鍵就是所采用的融合方法的設計對融合效果起著決定性的作用；在利用和改進現有信息處理方法的基礎上，嘗試依據信息融合問題的特性，建立信息融合的理論體系，是信息融合技術研究的核心問題。
d）信息融合系統中檢測數據的預處理。由于多源信息來自于不同的檢測設備，在融合之前要考慮數據在時間和空間上的配準、數據格式的轉換和統一，以及檢測數據中的干擾信號的消除等，這些是影響信息融合性能的重要方面。
e）融合效果的分析和評價。信息融合技術是從實際應用出發提出的，對于融合效果的評價也與技術的應用對象密切相關，因此，需要建立測試平臺從仿真測試和應用測試兩個方面進行分析和評價。
以上每一個方面都是一個比較復雜的理論和應用體系。目前大多數研究還是從實際應用的需求出發，重點在于信息融合系統的模型構建和信息融合算法設計兩個方面。
信息融合系統結構有多種形式、多種級別、多種層次。按照融合層次分類，常用的信息融合系統結構可分為三類[1，2]，即數據層融合、特征層融合、決策層融合。數據級融合是最低層次的融合，直接對多傳感器的觀測數據進行融合處理；然后基于融合后的結果進行特征提取和判斷決策。采用數據級融合監測信息損失小，但是數據傳送量大、數據格式不統一、難以處理。特征級融合屬于中間層次的融合，首先對每個傳感器的檢測數據進行加工處理，獲取各自的特征向量；然后對各個特征向量進行融合。特征級融合數據格式統一、易于處理、數據傳送量較少，但是會損失一部分信息。決策級融合是一種高層次的融合，首先由每個傳感器基于檢測數據給出決策；然后再對各個決策進行融合處理，得出最終的決策結果。決策級融合數據傳送量小、抗干擾能力強、數據形式統一、易于處理，但是信息損失最為嚴重。總之，各種融合結構各有利弊，具體選用哪種結構完成信息融合，取決于具體問題的需要。目前比較常用的融合系統結構是特征級融合，因為它既有數據層融合信息損失小的優點，又有決策層融合數據易于傳送和處理的優點。
如前所述，融合算法主要源于對現有的信息處理方法的引用和改進，涉及到的理論也非常廣泛。常用的融合方法可以歸結如下[1，2]：
a)估計理論方法。如卡爾曼濾波、小波變換、Gauss和濾波等。
b）基于概率論的方法。如經典概率推理、經典Bayes推理、Bayes凸集理論和信息論等。
c）非概率的方法。如DS證據推理、條件事件代數、隨機集理論、粗集、小波變換等。
d)智能化方法。如模糊邏輯、人工神經網絡、支持向量機、進化算法等。
在具體應用中選擇和構造怎樣的信息融合系統以及采用何種融合算法取決于應用目標的需要。從最終的應用結果來看，信息融合技術的應用領域大致可以分為如下三類：
a）目標的檢測與識別。對特定的目標和模式進行檢測及識別，實際上就是模式識別問題。
b）目標的跟蹤。它是為了維持對目標當前狀態的估計，同時也是對傳感器接收到的量測進行處理的過程，即將傳感器所接收到的量測信息分解為對應于各種不確定機動信息源所產生的不同觀測集或軌跡上。
c）圖像融合。它是綜合和提取兩個或多個多源圖像信息，獲得對同一場景或目標更為準確、全面和可靠的圖像，使之更適合于人眼感知或計算機后續處理。
由于信息融合技術所涉及到的理論、方法、形式和應用都非常廣泛，要對該技術進行完整的全方位的總結和描述比較困難。模式識別是信息融合技術應用最多的領域，本文針對該領域中信息融合技術的理論和方法進行總結和分析，并為后續研究和開發提供參考。
2 信息融合技術在模式識別中的應用
廣義地講，所有信息處理過程及其結果都屬于模式識別領域；狹義地講，模式識別就是指對表征事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程，是信息科學和人工智能的重要組成部分。目前模式識別的應用領域十分廣泛，包括機械故障診斷、目標判斷與識別、系統威脅模式識別，以及無損檢測、圖像分割和識別等許多方面。
經過多年的研究和應用，模式識別已經具備一定的理論基礎和應用形式。一般的模式識別處理過程可簡單地描述為圖1。
由于檢測技術和信息處理技術的限制，過去的模式識別通常只依據一種檢測信息來完成，對于復雜對象，從這樣單一的信息中很難獲得關于對象比較全面準確的識別。隨著科技的不斷發展，模式識別對象越來越復雜，對于識別技術的性能要求也越來越高，而檢測技術、計算機技術和信息處理技術的快速發展，使得多源信息融合技術應用于模式識別領域不僅必要而且可行。事實上，信息融合技術已經被廣泛應用于模式識別的各個領域中，并取得了顯著的成效。
模式識別的主要目標就是對對象的屬性類別進行分類和判斷，因此，基于信息融合技術的模式識別系統通常采用特征級信息融合模型或決策級信息融合模型。其基本結構分別如圖2和3所示。
無論是特征級融合還是決策級融合，融合算法的選擇和構建都對整個模式識別系統的性能起著關鍵的作用。相關的應用實踐表明，目前還沒有一種適用于所有問題的通用算法，而算法的選擇也缺乏理論指導，仍然需要針對具體問題進行選擇。
2.1 基于統計理論的信息融合算法
2.1.1 Bayes理論
Bayes統計理論將統計推斷的精度和信度與所有的樣本聯系起來，利用先驗知識和實驗提供的新信息，形成關于事件出現可能性的后驗知識。Bayes理論描述如下[2]：
考察一個隨機實驗，在這個實驗中，n個互不相容事件A1，A2，…，An必發生一個，且只能發生一個，用P（Ai）表示Ai的概率，則有
∑ni=1P(Ai)=1(1)
設B為任一事件，則根據條件概率的定義及全概率公式有
P(Ai｜B)=P(B｜Ai)P(Ai)/[∑nj=1P(B｜Aj)P(Aj)]（2）
Bayes學派認為，處理任何統計分析問題，在利用樣本所提供的信息時也必須利用先驗信息，以先驗分布為基礎和出發點。因此，在應用Bayes方法時，構造先驗概率是一個十分重要的問題。
利用Bayes統計理論進行信息融合的主要步驟包括：
a)將每個傳感器關于目標的觀測轉換為目標屬性的分類與說明D1，D2，…，Dm。
b)計算每個傳感器關于目標屬性說明或判定的不確定性，即P(Dj｜Oi)(j=1，2，…，m；i=1，2， …，n)。
c)計算目標屬性的融合概率，即
P(Oi｜D1，D2，…，Dm)=P(D1，D2，…，DM｜Oi)P(Oi)/[∑mi=1P(D1，D2，…，Dm｜Oi)P(Oi)];i=1，2，…，n（3）
如果D1，D2，…，Dm相互獨立，則
P(Oi｜D1，D2，…，Dm)=P(D1｜Oi)P(D2｜Oi)…P(Dm｜Oi)
（4）
在應用Bayes統計理論進行信息融合時，先驗概率就是各種目標出現可能性的概率分布，如果傳感器滿足相互獨立的條件，只需要知道每個目標出現的情況下各種檢測值的條件概率即可。
對于先驗知識比較豐富的應用問題，應用Bayes推理方法可以獲得有效的融合效果。文獻[3]選擇了Parzen窗密度估計方法擬合，并且采用了擬合結果相對光滑的高斯函數作為窗函數，構成先驗概率，用Bayes方法實現了決策融合。文獻[4]提出一種先進的知識服務器方法，從現存的異構數據庫中提取先驗知識，并用于后續的融合推理過程，取得 了較好的識別效果。文獻[5]中針對已知先驗概率公式的問題，提出采用DS證據理論先獲得公式中的參數，然后利用Bayes方法實現融合。由于先驗概率通常是依據有限的先驗數據來估算的，很難一次性得到準確的結果。文獻[6]提出改變以往先驗概率一旦確定就不再改變的方法，在融合決策過程中不斷修正先驗概率，從而獲得更高的融合決策精度。通常認為，Bayes方法不能用于不確定的、不準確的和相互沖突的信息融合問題，但是文獻[7]中提出一種改進的Bayes方法可以很好地用于不確定、不準確和相互沖突的信息融合，并可以獲得與DS證據理論和DSm理論同樣的融合效果。不過，該方法要面向應用，設計合適的近似函數才能獲得好的效果。
由于先驗概率是在大量統計數據的基礎上得出的，對于比較復雜的問題，獲取先驗知識所需的工作量非常大，往往難以給出準確、有效的先驗概率，從而影響該方法的應用效果；Bayes推理要求各證據之間是不相容或相互獨立的，當問題中的多個假設相互關聯時，該方法就無法應用。同時，古典概率論對于不確定性的處理能力也比較弱，而不確定性卻是許多實際應用問題的突出特性。
2.1.2 DS證據理論
DS證據理論是由Dempster和Shafer提出的一套數學理論，是對概率論的進一步擴充。DS證據理論是針對不確定信息的表達和應用提出的一種智能化方法。DS證據理論包含三個重要參數。辨識框架Θ表示n個互不相容的類別或假設的集合。由這n個類別所構成的所有2n個子集的集合稱為Θ的冪集，表示為Ω（Θ），冪集表示在辨識框架下所有可能情況的集合。
Mass函數M（A）：基本概率分配函數。其中A表示冪集中的一個集合；m（A）表示對A的信任程度。
M(Φ)=0，∑AΩM(A)=1
信任度函數Bel（A）：表示所有證據對A的信任度。
Bel(A)=∑BAM(B)
似然函數Pl(A)：表示所有證據不否認信任A的程度。
Pl(A)=1-Bel(A)
根據以上的定義可以看出，信任函數給出了對A的信任程度的下限，似然函數給出了對A的信任程度的上限；由信任函數和似然函數所構成的區間表達對命題A的信任程度，兩者之差表示對A不知道的程度。差值越大，表示對A的認識越模糊。
對于辨識框架下多個Mass函數的情況，采用如下組合規則求取綜合Mass函數。設M1，M2，…，Mn是Ω上多個概率分配函數，則其融合Mass函數就是M1，M2，…，Mn的正交和，定義為[2]
M(A)=c-1∑∩Ai ∏1≤i≤nMi(Ai)
其中：c=1-∑∩Ai=Φ ∏1≤i≤nMi(Ai)=∑∩Ai≠Φ
∏1≤i≤nMi(Ai)。
由此可見，DS證據推理理論用于基于信息融合的模式識別問題，可以描述為對于n類識別問題，辨識框架就是這n類的集合，事件A為識別框架的一個冪集，依據m個傳感器的觀察可以獲得相應的Mass函數Mj（A）（j=1，2，…，m）。這里的Mj（A）表示第j個傳感器對于事件A發生的信任程度。于是，根據組合規則求得關于事件A的融合Mass函數M（A），隨后根據定義計算信任函數Bel（A）和似然函數Pl（A）。由此，就通過融合m個傳感器所提供的信息，得到了關于m個類別的信任程度，并根據得到的融合信任函數和似然函數來進行判定和決策。基于DS證據理論的信息融合技術應用的關鍵是確定辨識框架和依據傳感器所獲得的信息確定Mass函數，以及選擇所采用的判別決策。
文獻[8]對基于DS證據理論的信息融合在GIS中的應用作了比較詳細的綜述，并針對幾種典型應用提出了實現方案，為相關應用提供了有力的參考。文獻[9]中采用基于DS證據理論的信息融合方法來實現對電機的故障檢測。辨識框架就是電機的n類故障，用m維特征矢量作為故障的描述，通過p個傳感器獲得關于特征向量的p檢測數據；然后分別計算每一檢測值與特征值的距離值，并將這些距離值作為Mass函數。依據DS證據理論的綜合規則，求得融合后的關于各種故障的信任函數和似然函數，最后選擇合適的決策策略給出故障類型的判斷。文獻[10]提出了一種改進Mass函數融合規則的DS證據理論，并用于鑄件的缺陷檢測，但是文章并未提到Mass函數的構造方法。文獻[11]進一步研究了異源信息融合問題。大多數應用實踐表明，Mass函數的構造沒有統一的方法，通常是根據具體應用情況，采用被識別對象的特征值與檢測值的比對來獲取Mass函數。
統計理論由于有著扎實的理論基礎和廣泛的應用領域，在相當長的時間內包括現在都是人們研究信息融合方法的重要基礎，并且在許多實際應用中取得了不可忽視的成效。但是，應用基于統計理論的信息融合方法所需要的基本概率分布函數、先驗概率以及可信度函數等知識，在面向數據量大、情況比較復雜和不確定性較強的問題時很難獲得，因此統計理論無法應用于這些問題中。尤其是隨著科學技術的不斷進步，應用對象的特性越來越復雜，因而對于解決應用問題的方法的性能要求也越來越高，開發新型高效的算法成為各個領域研究的重點方向。
2.2 基于智能計算的信息融合算法
智能化算法是模擬人類許多行為特性而構造的具有自調整、自適應的算法總稱。智能化算法的開發和應用不僅越來越為人們所重視，并且已在許多領域取得了成效。信息融合是人類感知世界的根本方法，因此將智能化算法引入信息融合技術是自然而且必然的選擇。
2.2.1 人工神經網絡
人工神經網絡是模擬人腦神經網絡的功能原理而構造的算法模型，是由許多簡單處理單元通過復雜互連而構成的。從理論上講，只要有適當的訓練數據和算法，它幾乎可以實現各種映射關系，因此用人工神經網絡實現基于信息融合的模式識別是可行的，并且事先不需要太多的先驗知識。以多源信息作為輸入，利用人工神經網絡完成信息融合和處理，不僅從形式上使得人工神經網絡的功能特性更加接近人腦神經網絡；同時，人工神經網絡的高效信息處理和分類識別能力，也使其成為模式識別領域中最常用的信息融合方法之一。
在基于信息融合的模式識別應用研究中，利用人工神經網絡作為信息融合方法的實例很多。由于人們對生物神經網絡的認識還非常有限，現在的人工神經網絡沒有統一的形式和算法，有多種結構形式和相應的訓練算法。常用于信息融合的神經網絡結構形式包括感知器、BP網絡、Bayes網絡、SVM網等。從信息融合的層次來看，可以分為兩大類形式，即特征級的融合和決策級的融合。
特征級的人工神經網絡信息融合的系統模型可以概括如圖4所示。
人工神經網絡的輸入信息是多源檢測數據經過預處理后的特征值，網絡的輸出是對象的識別結果。文獻[12]中首先對可用于機場識別的特征進行分析，使用光譜特征、紋理特征和幾何形狀特征這三個特征的七維矢量作為BP網絡的輸入；然后利用BP網絡實現特征級的分類。文獻[13]利用紅外和電磁傳感器分別檢測鋁絞線和鋼芯(鋼絞線)的斷股故障信號，應用db4小波基對故障信號進行小波分析，由故障信號的時頻域和小波分解細節特征，構造了神經網絡診斷模型的輸入特征矢量。利用三層BP網絡實現了導線斷股故障的精確診斷。文獻[14]針對目前多源信息融合存在的問題，提出采用模擬人類思維的方法來實現信息融合。該方法首先利用粗集理論的強定性分析能力對多源輸入信息進行約簡，消除了樣本中的噪聲和冗余，在此基礎上再利用支持向量機對約簡信息進行融合。為了獲得最優的融合精度，該方法還利用遺傳算法對融合進行了優化。文字識別的實例研究表明，該方法具有良好的容錯性、穩健性和準確性。文獻[15]直接利用感知器對各個傳感器的檢測數據進行特征提取，然后再用感知器實現各個傳感器特征數據的融合。文獻[16]則是直接將各個傳感器特征數據利用加權和的形式進行融合。
從上述相關應用研究可以看出，基于人工神經網絡的特征級信息融合，大多數都是先分別抽取各個傳感器的檢測數據特征，然后利用神經網絡進行融合。這類方法最關鍵的問題是選擇適當的傳感器特征抽取方法和用于特征融合的神經網絡形式。文獻[17]針對多種特征抽取技術和基于人工神經網絡的分類技術作了介紹，以木料檢測為研究對象，通過實驗對這些特征抽取方法和神經網絡分類器的性能進行了比較。實驗證明，利用融合的特征數據進行分類比采用單一的特征數據分類效果好，但是并沒有得出哪種特征抽取方法或哪種神經網絡分類器效果更好的結論。其他的應用實踐也表明，這兩個關鍵問題的解決，目前仍沒有固定解決模式，主要是針對具體應用具體分析。比較常用的特征抽取方法包括小波分析、獨立成分分析、粗集理論以及信號變換等。
此外，在圖像識別的應用中是直接將像素級數據作為輸入，通過神經網絡進行融合處理。文獻[18]運用支持向量機和徑向基函數融合紋理和形狀信息，用于識別面部表情和面部行為單元。文獻[19]用基于知識的神經網絡融合方法直接實現多圖像邊沿信息融合，以得到更準確的圖像邊沿。可用于雷達—光學圖像、光學—光學圖像、紅外—紅外圖像和紅外—光學圖像。
決策級的人工神經網絡信息融合的系統模型可以概括如圖5所示。
文獻[20]首先利用多個神經網絡的分類器實現分類，然后用單個分類器的分類輸出作為支持向量機的輸入，通過支持向量機實現決策級融合。文獻[21]針對目前多傳感器系統中常用的信息融合方法識別率較低、網絡穩定性不好、不能很好地處理不確定性等問題，提出了一種基于神經網絡和DS方法的信息融合算法。該方法兼顧神經網絡和DS推理兩者的優勢，有效地解決了目前信息融合方法對大噪聲不確定性傳感器測量信息的誤識別問題。仿真實驗結果驗證了該算法在提高目標識別率和抗噪能力方面的有效性。文獻[22]首先利用多個BP網絡分類，然后將分類結果通過Bayes網絡融合，實現基于二源信息的蘋果瑕疵分類檢測。文獻[23]采用獨立成分分析方法實現特征抽取，然后用支持向量機進行分類，最后用模糊積分法對各個分類器的分類結果進行融合。文獻[24]同樣采用多個神經網絡分類器分別實現分類，然后融合決策規則實現最終的融合分類。這類形式主要用于多源同構檢測數據的融合。
無論是特征級融合還是決策級融合，首先都需要利用訓練數據對人工神經網絡進行訓練，訓練后的神經網絡系統才能真正實現信息融合和分類判別的功能。因此，與其他的智能化方法相似，雖然人工神經網絡是一種適用范圍相當廣泛的信息處理方法，但是在實際應用時，仍然需要先解決三個重點和難點問題：網絡結構的選擇；訓練算法的選擇與構造；檢測值的特征抽取方法。解決這些問題目前缺乏系統的理論指導，主要是針對具體問題具體分析和利用試湊法。
2.2.2 遺傳算法和進化策略
遺傳算法和進化策略都是模擬生物界優勝劣汰、適者生存的基本發展規則而構造的算法模型。這些算法作為優化算法具有啟發性、自適應性和并行性等特點，在許多領域中得到了成功的應用。在信息融合技術中，進化算法主要用于融合參數或融合模型的優化。
文獻[25]利用紅外圖像和視頻圖像的互補特性，研究將兩種圖像融合實現圖像識別的技術，采用了兩種融合方法：一種是在小波領域的基于像素的融合；另一種是在特征空間領域的基于特征的融合，先用主成分分析法（PCA）進行特征抽取，然后實現特征級融合。遺傳算法被用于求取最優圖像融合系數矩陣。文獻[26]用模糊集合方法實現信息融合，同樣適用于遺傳算法求信息融合多項式中的系數。文獻[27]對進化算法的基本方法和應用現狀作了比較詳細的敘述，并闡述了進化算法在圖像配準、語義情景解釋和特征抽取等信息融合領域的應用，為在信息融合中更好地使用進化算法提供了參考。文獻[28]采用模糊積分方法實現信息多分類器的決策級融合，提出利用遺傳算法計算模糊積分密度函數，獲得了比同類方法更好的融合效果。
遺傳算法在信息融合技術中的另一類常見應用是與人工神經網絡結合，以神經網絡作為信息融合工具，而遺傳算法則作為神經網絡的學習算法。文獻[29]用模糊神經網絡結構實現特征信息的融合，利用遺傳算法實現神經網絡參數的計算。文獻[30]采用粗集理論實現檢測數據的特征抽取，然后用支持向量機完成特征的融合。文中遺傳算法用于求去粗集中的參數。文獻[31]用遺傳算法對圖像進行特征抽取，然后用DS證據理論實現信息融合。
進化算法因其模型的通用性，被廣泛地應用于優化領域，但是這個特性也使得進化算法在應用于實際問題時，需要依據具體問題確定算法的具體實現形式和幾個關鍵參數。如果選擇不當，不僅難以達到理想的應用效果，還可能導致問題無法解決。另外，進化算法不能作為獨立的信息融合算法使用，只能與其他融合方法結合，作為優化融合方法中的參數和形式的工具。
2.2.3 人工免疫算法
人工免疫系統是從模擬人體免疫系統的功能機理出發而構造的一系列智能化信息處理方法的總稱。現在應用比較廣泛的人工免疫系統包括人工免疫算法、否定選擇算法、人工免疫網絡等多種形式，應用領域包括模式識別、智能控制、計算機系統安全等。由于對于人體免疫系統功能機理的認識還很有限，各種人工免疫系統只是從一個側面對人體免疫系統進行模擬。人工免疫網絡就是以免疫系統的獨特性網絡理論為基礎構造的一種高效、自適應、魯棒性的信息處理新方法。人工免疫網絡對于解決先驗知識少、不確定性和復雜性較高的分類、聚類問題的突出表現，使得它在現代模式識別領域得到了廣泛的應用。人工免疫網絡在信息處理和模式識別領域應用的優勢和特點可以概括如下：
a）多樣性尋優能力。為了有效防御外界病毒的入侵，生物免疫系統必須能夠識別多種類似的和不同的病毒。因此，按照免疫系統識別機理所設計的免疫算法，它是一種多樣性尋優算法。人工免疫網絡以免疫算法為基礎，免疫算法的優勢就是可以實現多目標尋優。研究表明，它正適合用于在模式識別問題中尋求各個模式類的特征值。
b）分布式。與其他系統不同，免疫系統是分布式系統，各個子系統獨立且相互協調工作，沒有中心控制，適于聚類分析中各個模式類特征值的尋求和優化。
c）自適應性和自學習能力。免疫算法是一種自學習算法，與遺傳算法類似，只要按照算法步驟和目標評價進行處理，免疫網絡就可以根據具體數據集自動調整聚類中心和獲取特征值，避免了監督學習算法中對期望值的要求；同時，免疫網絡還具有繼續學習能力，可以通過遺忘機制，刪除長期無用的特征值點，或者通過適當擴充網絡規模來實現持續學習。其適合于現在許多復雜的、非線性和不確定性問題的解決。
由此可見，將人工免疫網絡用于信息融合技術也應該是可行的，但是目前相關的應用研究還很少。
2.3 其他方法
其他的較為成熟的信息融合方法主要有經典推理法、卡爾曼濾波法、參數模板法、物理模型法、熵法、品質因數法、估計理論法和專家系統法等。近年來，用于多傳感器數據融合的計算智能化新方法還包括模糊集合理論∞ 、粗集理論、小波分析理論和支持向量機等 。
3 結束語
信息融合技術是一種面向應用的智能化新技術，相關的研究都是從實際應用的需要出發，在現有信息處理理論和方法的基礎上進行的改進和完善。模式識別是信息融合技術最直接、應用最廣泛的領域，利用多源融合信息實現高效模式識別，是相關技術發展的必然。盡管目前信息融合技術在模式識別領域的應用得到了廣泛的關注和研究，在許多應用實踐中取得了重要進展，但是隨著信息檢測技術和信息傳輸技術的快速發展，模式識別問題所面對的信息數量更大、維數更高、形式也更為復雜。如何充分利用這些信息以獲取更好的識別結果是模式識別領域的研究重點，也是信息融合領域的研究重點。
通過對國內外相關研究的分析和總結可以看出，盡管許多比較成熟的信息處理方法，如卡爾曼濾波、Bayes估計理論等，通過適當的變換和改進，已經作為信息融合方法應用于模式識別領域中，也顯著提高了識別的性能，但是這些經典的方法約束條件多，對對象的形式和特性要求比較高，難以解決帶有不確定性和對象特性比較復雜的識別問題。因此，具有魯棒性、自適應性和自學習能力的智能化信息處理方法逐漸成為構建信息融合新方法的主要途徑。
目前用做信息融合算法的智能化方法主要包括DS證據理論、BP網絡及支持向量機（SVM）等。其中DS證據理論和支持向量機由于有著比較成熟的理論基礎，近年來在模式識別領域受到了很多的關注，并取得了一定的成效。但是也正是由于這些方法是通過明確的理論推導得出結果，在實際中應用這些方法時，首先要對與其相關的數學理論有著清楚的認識，才可能正確使用，獲得理想的效果。另外，這些方法對數據格式的要求比較嚴格，使數據預處理的工作量更大；同時，要獲得好的應用效果還必須滿足較多的約束條件，從而制約了它們的應用范圍。
智能化計算方法如遺傳算法、進化策略、蟻群算法等，這些源于生物界的啟發式方法約束條件少，并且有著本質的并行性和自組織、自學習能力，面對的對象形式可以多樣化，只要理解了算法的基本思想，就可以正確地應用，適用面非常廣。但是從現有的研究成果可以看出，遺傳算法、進化策略等優化算法，在基于信息融合的模式識別領域中，主要用做其他融合算法的參數優化工具，不能作為單獨的信息融合算法來使用，因此，這些智能化方法在基于信息融合技術的模式識別領域中的應用受到了限制。
新型的智能化方法——免疫算法，雖然形式上與上述算法有相似之處，但是免疫算法的基本功能特性卻與遺傳算法不同，它可以直接用于解決模式識別問題。免疫算法既具有智能化方法啟發性、并行性和通用性的優點，又特別適合于模式聚類和識別問題，因此采用免疫算法作為信息融合算法是值得進一步研究的新方向。
盡管如此，由于免疫算法同樣具有通用性和對問題約束條件少的特點，算法模型提供的只是算法的基本框架，在應用免疫算法時，具體的應用形式和參數需要根據具體問題來確定；又由于這些方法的理論體系還未成熟，其應用形式和參數的確定依賴經驗和試探。在基于信息融合技術的模式識別領域中，要很好地應用免疫算法并發揮其優勢，獲得更加高效的信息融合新方法，要亟待解決的問題包括：
a）信息融合級別的選擇。前已述及，信息融合系統通常有三種融合級別可以選擇，即數據級、屬性級和決策級。應用免疫算法作為信息融合算法，采用哪一級別的信息融合是首先要解決的問題。
b）具體實現形式的設計。免疫算法是通用的算法框架，針對具體應用問題時，算法的實現形式、數據格式、具體操作方法、參數的選擇和設置、結束條件等的確定，對算法的性能有著關鍵性的影響，作為信息融合算法應該采用何種形式，仍是影響融合效果的關鍵。
c）檢測數據的預處理。免疫算法的原型主要是針對一般的實數或二進制數據，而多源信息融合系統中的數據形式都是多種多樣的，如電磁信號、音頻信號、視頻信號等，這些不同格式的信號事先需要進行轉換；同時，對于屬性級和決策級的融合，還必須處理數據已獲得的特征信息和決策信息，數據的預處理過程既要保留原始信號的主要特征值，又要滿足融合算法的數據格式和要求，對融合性能也有著不可忽視的作用。
參考文獻：
［1］韓崇昭，朱洪艷，段戰勝.多源信息融合[M]. 北京:清華大學出版社，2006.
[2]楊露菁，余華.多源信息融合理論與應用[M]. 北京:北京郵電大學出版社，2006.
[3]方昱春，王蘊紅，譚鐵牛. 融合人臉輪廓和區域信息改進人臉檢測[J].計算機學報，2004，27(4)：482491.
[4]BOSSE E， VALIN P，BOURYBRISSE T，et al. Exploitation of a priori knowledge for information fusion[J]. Information Fusion，2006，7(2):161175.
[5]ZHOU Zhongbao， JIANG Ping， WU Xiaoyue. Application of evidence theory in information fusion of multiple sources in Bayesian analysis[J]. Journal of Harbin Institute， 2004，11(4):461463.
[6]王剛，趙海，魏守智，等. 基于非參數估計的決策融合模型及其應用研究[J].系統仿真學報，2004，16（7）：15931596.
[7]MASKELL S. A Bayesian approach to fusing uncertain， imprecise and conflicting information[J]. Information Fusion，2008，9(2):259277.
[8]MALPICA J A， ALONSO M C， SANZ M A. DempsterShafer theory in geographic information systems: a survey[J]. Expert Systems with Applications， 2007，32(1):4755.
[9]BASIR O， YUAN Xiaohong. Engine fault diagnosis based on multisensor information fusion using DempsterShafer evidence theory[J]. Information Fusion， 2007，8(4):379386.
[10]陳艷琴，羅大庸.多信息融合技術及在無損檢測中的應用[J]. 電子科技大學學報，2003，32（6）：661664.
[11]于昕，韓崇昭. 一種基于DS推理的異源信息目標識別方法[J].系統工程與電子技術，2007，29（5）：788790.
[12]馬洪超，郭麗艷. 人工神經網絡信息融合及其在機場識別中的應用研究[J].武漢大學學報:信息科學版，2005，30(8):14.
[13]吳功平，肖曉暉，申瑞剛.高壓輸電導線的損傷檢測與故障診斷[J].儀器儀表學報，2006，27（10）：12041208.
[14]黃鴟，陳森發，亓霞，等. 基于粗集理論和支持向量機的多源信息融合方法及應用[J].模式識別與人工智能，2005，18（3）：354358.
[15]MITZIAS D A， MERTZOIS B G. A neural multiclassifier system for object recognition in robotic vision applications[J]. Measurement，2004，36(4):315330.
[16]YAMAUCHI K， OOTA M， ISHII N. A selfsupervised learning system for pattern recognition by sensory integration[J]. Neural Networks， 1999，12(10):13471358.
[17]YELLA S， GUPTA N K， DOUGHERTY M S. Comparison of pattern recognition techniques for the classification of impact acoustic emissions[J]. Trans Research Part C， 2007，15(3):324335.
[18]KOTSIA I， ZAFEIRIOU S， PITAS I. Texture and shape information fusion for facial expression and facial action unit recognition[J]. Pattern Recognition， 2008，41(3): 833851.
[19]YIYAO I，VENKATESH Y V，KO C C，et al. A knowledgebased neural network for fusion edge maps of multisense images[J]. Information Fusion， 2001，2(4)：121133.
[20]耿伯英，彭穩高，朱強華. 基于信息融合的模式識別方法研究[J].模式識別與人工智能，2002，15（3）：339342.
[21]張池平，張英俊，蘇小紅，等. 一種基于神經網絡和證據理論的信息融合算法[J].計算機工程與應用，2006，42(1)：174176.
[22]LI Changying， HEINEMANNB P. Neural network and Bayesian network fusion models to fuse electronic nose and surface acoustic wave sensor data for apple defect detection[J]. Sensors and Actuators B， 2007，125(1)：301310.
[23]CHEN Xuerong， JING Zhongliang， XIAO Gang. Nonlinear fusion for face recognition using fuzzy integral[J]. Communications in Nonlinear Science and Numerical Simulation， 2007， 12 (5)：823831.
[24]ZHANG Jie. Improved online process fault diagnosis through information fusion in multiple neural networks[J]. Computers and Chemical Engineering， 2006，30(3)：558571.
[25]BEBIS G， GYAOUROVA A， SINGH S，et al. Face recognition by fusing thermal infrared and visible imagery[J]. Image and Vision Computing， 2006，24(7)：727742.
[26]BUCZAK A L. Hybrid fuzzygenetic technique for multisensor fusion[J]. Intelligent Systems， Information Science， 1996，93(34): 265281.
[27]IGOR V， MASLOV A， GERTNER I. Multisensor fusion: an evolutionary algorithm approach[J]. Information Fusion， 2006，7(7)：304330.
[28]姚明海，李澎林.基于遺傳算法和模糊積分的多分類器集成[J].計算機應用與軟件， 2003， 20(8):6668.
[29]鮑連承，趙景波，趙海軍. 基于模糊遺傳神經網絡的信息融合故障診斷技術及其應用[J].電氣傳動自動化，2007，29（1）：2023.
[30]趙春玲，黃鴟，陳森發. 一種多源信息的最優融合方法研究[J].信息與控制，2005，34（1）：6670.
[31]趙慶建，陳森發. 基于紋理分析的多源信息融合方法研究[J].信息與控制，2007，36（2）：160164.
