1、一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman滤波技术结合进一步得到研究需要的更纯净的有用信号。多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合
2、、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，
3、扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、产生式规则等;
4、而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。数据融合存在的问题(1)尚未建立统一的融合理论和有效广义融合模型及算法；(2)对数据融合的具体方法的研究尚处于初步阶段；(3)还没有很好解决融合系统中的容错性或鲁棒性问题；(4)关联的二义性是数据融合中的主要障碍；(5)数据融合系统的设计还存在许多实际问题。二、算法介绍：2.1 多传感器数据自适应加权融合估计算法：设有 n 个传感器对某一对象进行测量，如图 1 所示，对于不同的传感器都有各自不同的加权因子，我们的思想是在总均方误差最小这一最优条件
5、下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的 X 值达到最优。最优加权因子及所对应的均方误差：(多传感器方法的理论依据：设 n 个传感器的方差分别为 21， 22， 2n；所要估计的真值为 X ，各传感器的测量值分别为 X1，X2，Xn，它们彼此互相独立，并且是 X 的无偏估计；各传感器的加权因子分别为 W1，W2 ，Wn，则融合后的 X 值和加权因子满足以下两式：11,nnpp总均方误差为 22211,nnpppqpqEXX 因为 X 1 ，X 2 ， ，X n 彼此独立，并且为 X 的无偏估计，所以 E (X-Xp)(X-Xq) =0，(p
6、q;p =1 ，2 ，n;q =1 ，2 ，n)，故 2 可写成2211npppW从式可以看出，总均方误差 2 是关于各加权因子的多元二次函数，因此 2 必然存在最小值。该最小值的求取是加权因子 W1，W2，Wn 满足式约束条件的多元函数极值求取 。根据多元函数求极值理论，可求出总均方误差最小时所对应的加权因子：*21/ 1,2nppSWiipn此时对应的最小均方误差为： 2min21/p以上是根据各个传感器在某一时刻的测量值而进行的估计，当估计真值 X 为常量时，则可根据各个传感器历史数据的均值来进行估计。设此时估计值为11,2kppiXn 1npWk总均方误差为 2 22 21 1,n n
7、pppqpqEEWXkXkXk同理，因为 X1，X2，X n 为 X 的无偏估计，所以 X 1(k)，X 2(k)， ，X n(k)也一定是 X 的无偏估计，故 222 21 1n npppEWXkW 自适应加权融合估计算法的线性无偏最小方差性1)线性估计由式可以看出，融合后的估计是各传感器测量值或测量值样本均值的线性函数。2)无偏估计因为 Xp(p =1，2，n)为 X 的无偏估计，即 EX-Xp =0(p =1，2 ，n)，所以可得，X 为无偏估计。11 0nnppppEXWE同理，由于 Xp(p =1，2 ，n)为 X 的无偏估计，所以 Xp(k)也一定是 X 的无偏估计。11nnppp
8、pkk最小均方误差估计在推导过程中，是以均方误差最小做为最优条件，因而该估计算法的均方误差一定是最的。为了进一步说明这一点，我们用所得的均方误差 2Lmin 与用单个传感器均值做估计和用多传感器均值平均做估计的均方误差相比较。我们用 n 个传感器中方差最小的传感器 L 做均值估计，设传感器 L 的方差 2Lmin 为测量数据的个数为 k，则 所以22minin21/,/nL pkk2min1inLp下面我们讨论与用多个传感器均值平均做估计均方误差相比较的情况。所谓用多个传感器均值平均做估计是用 n 个传感器测量数据的样本平均再做均值处理而得到的估计，即 此时均方误差为1npXk 2 221 1
9、,n np pqp pqEEXEXkXk同理，Xp(k)一定为 X 的无偏估计，可得 则22 21 1n nppp k 若我们事先已经将各个传感器的方差进行排序，且不妨设22211minnnpp，则根据契比雪夫不等式得210n221minp各传感器方差 p2 的求取从以上分析可以看出，最佳加权因子 Wp*决定各个传感器的方差 p2。一般不是已知的，我们可根据各个传感器所提供的测量值，依据相应的算法，将它们求出。设有任意两个不同的传感器 p、q ，其测量值分别为 X p、X q ，所对应观测误差分别为Vp、V q，即 ，其中，V p、V q 为零均值平稳噪声，则传感器 p;ppqqXVX方差，因
10、为 Vp、V q 互不相关，与 X 也不相关，所以 X p、X q 的互协方差函数22ppERpq 满足 ，X p 的自互协方差函数 Rpp 满足2qRXE作差得2ppp 22ppqEVR对于 Rpp、R pq 的求取，可由其时间域估计值得出。设传感器测量数据的个数为 k，Rpp 的时间域估计值为 Rpp(k)，Rpq 的时间域估计值为 Rpq(k)，则111kppppi kXi Xkpqpqpqk如用传感器 q(q p ;q =1，2，n)与传感器 p 做相关运算，则可以得到 Rpq(k)(q p；q =1，2，n)值。因而对于 R pq 可进一步用 R pq(k)的均值 Rp(k)来做为它
11、的估计，即1npqpqRk由此，我们依靠各个传感器的测量值求出了 Rpp 与 Rpq 的时间域的估计值 ，从而可估计出各个传感器的方差。2.2 基于最小二乘原理的多传感器加权融合算法以存在随机扰动环境中的不同参数多传感器为研究对象，基于最小二乘原理，提出了一种加权融合算法，推导出各传感器的权系数与测量方差的关系。并且根据测量信息，提出了一种方差估计学习算法，实现对各传感器测量方差的估计，从而对各传感器的权值进行合理的分配。该算法简单，能快速、准确的估计出待测物理量的状态信息。同种类型不同参数的多个传感器对存在随机扰动环境中的某一状态进行测量时，如何使状态的估计值在统计意义上更加接近于状态的真实
12、值，针对这一问题进行了研究。依据最小二乘原理，推导出了多传感器的加权融合公式，并且在最优原则下，得出测量过程中各传感器的测量方差与其权系数的关系。针对以上不足，充分利用多传感器测量这一特点，将传感器内部噪声与环境干扰综合考虑，提出了一种对各传感器测量方差及待测物理量状态进行实时估计的算法。设 n 个传感器对某系统状态参数的观测方程为： ，式中，x 为一维状态量；YYHe为 n 维测量向量，设 ，e 为 n 维测量噪声向量，包含传感器的内部噪声12TnYy及环境干扰噪声，设 ，H 为已知 n 维常向量。采用加权最小二乘法从测量e向量 Y 中估计出状态量 x 的估计量。加权最小二乘法估计的准则是使
13、加权误差平方和取最小值。其中 W 是一个正定对角加权阵，设TwJxHWY，对之求偏导，令 得12ndiag 0wTTJxYHx到加权最小二乘估计： 11niTTiwyxHWY对测量噪声作如下假设：(1)各传感器的测量噪声为相互独立的白噪声；(2)由于测量噪声是传感器内部噪声和环境干扰等多种相互独立因素引起的，利用概率知识可以证明: 多个相互独立的随机变量相加的和接近正态分布。因而可以假设测量噪声的分布规律也是正态的。所以 写作矩阵形式：22 1,2i iiEexyRn其中，Ri 为第 i 个传感器的测量方差，R 为120,Tndag测量方差矩阵。可得估计方差： 22112221 11ninii
14、ii in nijii ijni iji iwyxyExxEwxyxyw 由于 i 不等于 j 时 ei、ej 相互独立，故令偏导数为零得2 22 21 1n ni iii ii iwExxyRw 得估计方差为1,2iiwnR 21niiExR不难看出，采用加权融合的估计方差比任何一个传感器的测量方差都小。当以算术平均作为状态的估计时，其估计方差 ，可以证明 说明加权融合的效果21niR 211niniiR要优于算术平均估计。可得 ，1TTxHWe10TTExHWEe可知基于最小二乘原理的加权融合算法是一种无偏估计算法。通过以上的推导，公式)即为基于最小二乘原理的加权融合算法的计算公式。测量方
15、差阵 R 的计算方法：进行测量方差的估计时，把传感器的内部噪声与环境干扰综合考虑，将得出一个随不确定因素而变化的测量方差阵 R 的估计方法。在对测量方差进行估计之前，先作如下分析:(1)横向分析(针对多个传感器一次采样结果的分析):多个传感器单次采样结果的算术平均值是该采样时刻状态的无偏估计。基于这个原理，各传感器测量方差的估计可先基于算术平均值作一个粗略的分配估算；以每个传感器的测量值与该次采样时各传感器测量算术平均值的偏差平方作为各传感器该次采样的方差分配。横向分析中利用了多传感器在某一采样时刻的测量信息。(2)纵向分析(针对一个传感器多次采样结果的分析): 以单个传感器为研究对象，测量方
16、差是传感器内部噪声与环境干扰的一种综合属性，这一属性始终存在于测量的全过程中，因此要将单个传感器历次采样时的方差分配与当前方差分配的算术平均值作为当前测量方差的实时估算。亦即在此提出了方差估计学习算法。基于以上分析，方差估计学习算法如下: 设 ymi 表示第 i 个传感器第 m 次采样的结果，则第 m 次采样时各传感器测量算术平均值为: 。第 i 个传感器第 m 次采样时测量方差的估计分配 Rmi为:1nmii对各传感器测量方差在历次采样时的估计分配值 Rmi求算术平均值2miiRy此式即为第 m 次采样时第 i 个传感器测量方差的估计值， 写成递推公式形1iji式为: (1)0 1,2mim
17、iiiRR将结果代入，便得测量过程中各传感器的权系数。由测量方差估计的计算过程可以看出，每次新的测量数据都对各传感器的测量方差有调节作用，但这种调节作用将越来越小。这是因为把传感器与测量环境综合起来考虑，测量向量从统计意义上说，它的概率分布是确定的。方差估计学习算法实际上是随着采样时刻的推移，对测量向量分布特性的学习过程，而在学习过程中，最初的几个采样时刻是对测量向量分布特性从无到有的认识，因而学习速度较快，体现在对测量方差的估计中是相邻采样点间各传感器测量方差估计值的变化率较大。而随着采样的进行，这种学习过程将趋于稳定，体现在对测量方差的估计中是每次新的测量数据对各传感器测量方差的估计只起微
18、小的调节作用，相邻采样点间各传感器测量方差估计值的变化率较小。2.3 同类多传感器自适应加权估计的数据级融合算法研究针对同类多传感器测量中含有的噪声， 提出了多传感器数据自适应加权融合估计算法，该算法不要求知道传感器测量数据的任何先验知识， 依据估计的各传感器的方差的变化，及时调整参与融合的各传感器的权系数， 使融合系统的均方误差始终最小， 并在理论上证明了该估计算法的线性无偏最小方差性. 仿真结果表明了本算法的有效性， 其融合结果在精度、容错性方面均优于传统的平均值估计算法。同类多传感器数据的测量可以看作是从含有噪声的大量测量数据中估计一个非随机量，由于测量数据中存在着噪声，那么根据这些测量
19、数据所得到的估计值也存在估计误差，然而这种估计误差是随机量，一般用均方误差来评价测量方法的优劣 ，而影响估计值均方误差的主要因素是传感器自身的均方误差。在单一传感器测量时，为了减少估计值的均方误差就必须增大测量数据的数量，这必然降低实时性。为了提高测量的实时性和精度，就需要用同种类的多个传感器同时测量一个物理量。数据一致性检验设有 m 个传感器对某一对象进行测量，首先对 X i(i =1 ， 2 ， m)进行数据检验，检验准则是 X1 ，X 2 ， ， Xm 的相邻两值之差不应超过给定门限 。 根据传感器精度确定。即1232 , m自适应加权融合估计算法理论：与 2.2 完全相同算法流程：1)
20、根据递推式算出采样时刻 k 的 与 ；2)计算 k 时刻 ；3)计RppqRp算 k 时刻 ； 4)求出各传感器 k 时刻均值2p；5) 求出此时刻各传感器最优加权因子kXiXppkipp 11；6)得出此时刻估价式 。从以上运算流程可以看出， 对于每个传感器所对应的最优*pW加权因子，只是根据各个传感器的测量数据以自适应的方式将它们求取出来，因而，称该算法为多传感器数据自适应加权融合估计算法。2.4 基于信任度的多传感器数据融合及其应用针对多传感器信息采集系统中的数据不确定性问题，提出了一种基于信任度的多传感器数据融合方法。该方法首先定义一个模糊型指数信任度函数，对两传感器测得数据间的信任程
21、度进行量化处理，并通过信任度矩阵度量各传感器测得数据的综合信任程度，以合理地分配测得数据在融合过程中所占权重，得到数据融合估计的最终表达式，从而实现了多传感器数据的融合。在多传感器信息采集系统中，由于不可避免会受到传感器精度、传输误差、环境噪声和人为干扰等因素的影响，将使得它们的测得数据产生不确定性因此在数据融合过程中，必须首先确定被融合数据的可信程度：若某些数据表现异常，就不能作为被融合的数据；若某些数据相互接近，则可以把它们融合在一起，从而提高融合结果的精确度和稳定性。针对上述问题，本文充分利用模糊集合理论中隶属度函数范围确定的优点，定义了一种模糊型指数信任度函数，对传感器测得数据间的信任
22、程度进行量化处理，并通过信任度矩阵度量各传感器测得数据的综合信任程度，合理地分配测得数据在融合过程中所占权重，得出数据融合估计的最终表达式，进而得到一种对多个传感器测得数据进行融合处理的简便有效的方法。设多个传感器测量同一参数，第 i 个传感器和第 j 个传感器测得的数据分别为 xi 和 xj。 如果 xi 的真实性越高，xi 被其余数据所信任的程度就越高。所谓 xi 被 xj 信任程度，即从 xj 来看 xi 为真实数据的可能程度，多传感器测得数据间的这种信任程度被称为信任度。为了对测得数据间的信任度进行进一步地统一量化处理，定义一个信任度函数 bij，表示 xi 被 xj 信任程度。 其中
23、， ，为连续下降函数。njixfbjiij ,21,10f一般给出融合上限 ，令 若 bij=0，认为第 i 个传感器与第 j0ijmijjiij mx个相互不信任，若 bij=1，则认为二者间信任。若一个传感器不被其他传感器信任，或只被少数传感器信任，则该传感器的读数在进行数据融合时即被删掉。这样处理不利于对实际情况做出客观判别，进而使融合结果受主观因素的影响过大。改进方法将 bij 设为指数函数， ，即设定当二者差值大Mxebjixijji0于上限值 M，二者不再信任 bij=0。将 bij 定义成满足模糊性的指数函数形式这样既充分利用了模糊理论中隶属度函数范围确定的优点，又避免了数据之间
24、相互信任程度的绝对化，更加符合实际问题的真实性，同时便于具体实施，可以使融合的结果更加精确和稳定。设有 n 个传感器测量同一参数，根据测得数据间的信任度函数 bij，建立信任度矩阵 BnnnbbB 212112对于 B 中第 i 行元素来说，若 较大，表明第 i 个传感器的测得数据被多数传感nji1器信任；反之，第 i 个传感器的测得数据为真实数据的可能性较小。数据融合过程用 wi 表示第 i 个传感器测得数据 xi 在融合过程中所占权重。由于 wi 值的大小反映了其它传感器测的数据对第 i 个传感器测得数据 xi 的综合信任程度，可以利用 wi 对 xi进行加权求和，得到数据融合的表达式 n
25、ii nw1,2其中，权系数满足 01iniw在信任度矩阵 B 中，信任度函数 bij 仅仅表示测得数据 xj 对 xi 的信任程度，并不能反映系统中所有传感器的测得数据对 xi 的信任程度，而 xi 的真实程度实际上应该由bi1， bi2 ， bin 综合来体现。wi 应综合一个关于 xi 的信任度系统中，各子系统 bi1， bi2 ， .， bin 的全部信息，所以需要求出一组非负数 a1， a2， .， an，使得改写为矩阵形式iainiii ,21 BAW式中， ，Tw,WTn,21A因为 bij0，所以信任度矩阵 B 是一个非负矩阵，并且该对称矩阵存在最大模特征值 0，使得 。求出
26、及对应特征向量 A，满足 ai0，则BA AW可以作为对可以作为各传感器测得数据间综合信任程度的度量，即对 wi 进行归一化处理，得到njiawjiji ,21,nii 21得到对所有传感器测得数据融合估计的最终结果为 nniiaxx212.5 提高测量可靠性的多传感器数据融合有偏估计方法为了提高测量数据可靠性， 多传感器数据融合在过程控制领域得到了广泛应用。本文基于有偏估计能够减小最小二乘无偏估计方差的思想， 提出采用多传感器有偏估计数据融合改善测量数据可靠性的方法。首先， 基于岭估计提出了有偏测量过程， 并给出了测量数据可靠性定量表示方法， 同时证明了有偏测量可靠度优于无偏测量可靠度。其次
27、， 提出了多传感器有偏估计数据融合方法， 证明了现有集中式与分布式无偏估计数据融合之间的等价性。最后， 证明了多传感器有偏估计数据融合收敛于无偏估计数据融合。证明了方法的有效性。目前单传感器测量数据的处理方法主要有三种:平均值法1、 加权平均法2 和递推滤波算法3. 通过理论推导， 发现这些方法都是特殊形式的最小二乘估计(Least square estimation， LS)。基于模型 ，x 的最小二乘估计为wyHyxTLSH1y 为观测矢量，H 为观测矩阵，未知矢量 x，当 H=I，可化简为 miLS1可知， 平均值法与其具有相同的表达形式. 采用类似的分析过程， 可得另外两种方法与最小二
28、乘估计是等价的. 由于最小二乘估计是一种无偏估计， 所以这种等价关系也说明上述三种数据处理方法具有无偏性， 本文称之为无偏测量过程。无偏测量过程可以采用方差直接衡量测量可靠性， 即方差越小测量可靠性越高。为了提高测量可靠性， 国内外学者提出了多传感器数据融合的方法， 旨在减小测量方差。目前多传感器数据融合常用的理论方法为线性无偏估计理论(简称多传感器无偏估计数据融合) ， 其中又以最小二乘估计应用最为广泛.但是现有多传感器无偏估计数据融合方法存在两方面问题: 1) 融合结果可靠性均为定性说明而无法量化表示， 即只能通过比较不同融合结果的方差定性地判断融合结果可靠性的优劣;2) 虽然多传感器无偏
29、估计数据融合具有无偏性的优良性质， 但是并不能由此认为它的测量结果一定是高可靠的. 因为根据高斯 马尔科夫定理可知， 最小二乘估计方差有下界， 所以此时无偏估计数据融合具有最小的方差， 但是当这个最小方差本身却很大时， 那么无偏估计数据融合将不能保证测量数据的可靠性一定是可接受的.但值得一提的是， 无偏测量过程与最小二乘估计之间的等价关系为线性有偏估计算法用于提高测量可靠性成为可能. 如 James-Stein 估计、 压缩最小二乘估计、 岭估计 (Ridge estimation， RE)1819 等. 其中岭估计是应用最为广泛的改进最小二乘估计方法. 本文以岭估计为基础提出多传感器有偏估计
30、数据融合方法， 岭估计长期以来一直是广泛用于改善最小二乘估计方差的有偏估计方法. 由于无偏测量与最小二乘估计之间是等价的， 所以本文借鉴岭估计的思想通过引入较小的偏差改善无偏测量数据的方差， 并称之为有偏测量过程. 在此基础上解决有偏测量与无偏测量的可靠性定量表示问题.这种方法引入的偏差是可知的固定性偏差，且可以在一定程度上减小估计值的方差，其余并没有创新，不详细介绍了。2.6 基于小波去噪和数据融合的多传感器数据重建算法为了从被噪声干扰的各个传感器测量值中获得更准确的测量结果， 提出了一种基于小波去噪和多传感器数据融合的传感器数据重建算法。仿真和实验的结果都表明: 由该算法重建得到的各个传感
31、器的重建数据的方差低于传感器测量值的方差。可以认为多传感器数据重建算法给出了对每一个传感器的更为准确的测量结果。一个传感器组， 利用每一个传感器的测量值对其加权， 进而对这组传感器的测量结果进行数据融合以达到提高测量精度的目的.具体方法是在方差基本定义的基础上提出递归的估计方差的算法， 利用估计的方差估计出每个数据的权值 ，进而对电磁流量计的流量进行递归估计 ，从而达到提高精度的目的。为了从受到不同噪声干扰的各个传感器测量值中获得更准确的各个传感器数据 ，本文提出了一种基于小波去噪和多传感器数据融合的传感器数据重建算法.该方法首先将每个传感器的测量值用小波阈值的方法去噪，减小噪声对传感器测量值
32、的影响 .为了更好的重建传感器信号， 先将各个传感器测量值进行归一化处理 ，再将归一化后的各个传感器测量值做基于最小均方的数据融合 .多传感器数据融合目的在于用较大的数据量， 充分利用对被测目标的在时间与空间的信息 ，获得对被测量的描述。来自多传感器的信号所提供的信息具有相关性、互补性和冗余性 ，将同源数据进行组合，可得到统计上的优势。基于小波去噪及多传感器数据融合的传感器数据重建算法：假设 N 个传感器在不同位置对同一测量值 Y 测量，每个传感器测量值记为 Xj（j=1，2，.N）由于测量中，存在内部外部噪声影响，测量值表示为 。S(n)为被测量，ej(n)jneSnXjj ,1为第 j 个
33、传感器在时刻加性噪声， Xj(n)为第 j 个传感器在 n 时刻观测值。信号小波消噪方法主要通过设置阈值.通过信号的离散小波变换， 计算所有小波系数 ，然后剔除被认为跟噪声有关的小波系数。例如通常的方法是设置阈值，将小于阈值的小波系数去掉.最后，然后通过小波变换的逆变换来得到信号.数据融合数据重建算法：首先对每一个传感器获得的一组测量值用这组数据中的最大测量值归一： InNjnYMaxnYjjj ,21;,21/ 其中， 是在估计长度 I 内第 j 个传感器的最大测量值。 为第 j 个传感器在j nYjn 时刻归一化后的测量值，由于每个传感器收到噪声干扰程度不同，所以偏离真实被测量程度不同，对每个传感器根据一定原则确定权值，可从 N 个传感器得到估计值 Y。NjjNjjWY11,由于各传感器之间受到噪声干扰的程度不同，所以各传感器测量值的方差并不一致 ，即各传感器测量值的可信度是不同的.若将较大的权值赋予可信度高的传感器 ，将较小的权值赋予可信度小的传感器 ，就可以使估计值更精确地描述原信号。
