下载文档原格式
多传感器数据融合多传感器数据融合是一个新兴的研究领域，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。
多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术，是多学科交叉的新技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。
近年来，多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。
多传感器融合技术已成为军事、工业和高技术开发等多方面关心的问题。
这一技术广泛应用于C3I系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、图像处理、模式识别等领域。
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，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。
1 基本概念及融合原理1．1 多传感器数据融合概念数据融合又称作信息融合或多传感器数据融合，对数据融合还很难给出一个统一、全面的定义。
随着数据融合和计算机应用技术的发展，根据国内外研究成果，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。
1．2 多传感器数据融合原理多传感器数据融合技术的基本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述。
具体地说，多传感器数据融合原理如下：（1）N个不同类型的传感器（有源或无源的）收集观测目标的数据；（2）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Yi；（3）对特征矢量Yi进行模式识别处理（如，聚类算法、自适应神经网络或其他能将特征矢量Yi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；（4）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；（5）利用融合算法将每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。
多传感器的加权融合方法
在现代科技发展中，传感器技术的应用越来越广泛，从智能手机到自动驾驶汽车，从医疗设备到环境监测，传感器都扮演着重要的角色。
然而，单一传感器所获取的信息可能存在不足或者误差，因此如何有效地融合多个传感器的信息成为了一个重要的问题。
在这篇文章中，我们将探讨多传感器的加权融合方法，以及其在不同领域的应用。
多传感器的加权融合方法是一种将来自不同传感器的信息进行整合和加权的技术。
通过融合多个传感器的信息，可以提高系统的准确性、鲁棒性和可靠性。
在实际应用中，多传感器的加权融合方法可以用于目标跟踪、环境监测、导航系统等领域。
在多传感器的加权融合方法中，首先需要对来自不同传感器的信息进行预处理和特征提取。
然后，针对每个传感器的信息，可以根据其准确性、可靠性和重要性进行加权。
最后，将加权后的信息进行融合，得到最终的结果。
在实际应用中，多传感器的加权融合方法可以通过不同的技术实现，例如卡尔曼滤波、粒子滤波、神经网络等。
这些技术可以根
据具体的应用场景和传感器类型进行选择和优化，以实现最佳的融合效果。
多传感器的加权融合方法在自动驾驶、智能交通、智能家居、医疗诊断等领域都有着广泛的应用。
例如，在自动驾驶汽车中，通过融合激光雷达、摄像头、超声波传感器等多种传感器的信息，可以实现对周围环境的全面感知和精准定位，从而提高驾驶安全性和舒适性。
总之，多传感器的加权融合方法是一种重要的技术手段，可以有效提高系统的性能和可靠性。
随着传感器技术的不断发展和应用场景的不断拓展，多传感器的加权融合方法将会发挥越来越重要的作用，为各种智能系统和设备的发展提供强大的支持。
多传感器数据融合常用的算法
多传感器数据融合常用的算法有很多，以下是一些常见的算法：
1. 卡尔曼滤波：一种基于最小均方误差准则的线性最优估计方法，适用于动态系统的状态估计。
2. 扩展卡尔曼滤波：对非线性系统进行线性化处理，然后应用卡尔曼滤波算法。
3. 粒子滤波：一种基于蒙特卡罗方法的非线性滤波算法，通过粒子采样和重采样来估计系统状态。
4. 模糊逻辑算法：利用模糊规则和模糊推理来处理不确定性和模糊性的数据。
5. D-S 证据理论：用于处理不确定性和多源信息融合的算法。
6. 支持向量机：一种监督学习算法，可用于分类或回归问题，常用于多传感器数据的特征提取和分类。
7. 人工神经网络：通过模拟神经系统的结构和功能，对多传感器数据进行学习和预测。
8. 贝叶斯网络：基于概率论和图论的方法，用于表示变量之间的概率关系和推理。
9. 小波变换：用于多传感器数据的时频分析和特征提取。
10. 主成分分析：一种数据降维和特征提取的方法，可减少数据维度并突出主要特征。
选择合适的多传感器数据融合算法取决于具体应用的需求、传感器数
据的特点和系统的约束条件等。
在实际应用中，通常需要根据具体情况选择和组合多种算法，以达到最优的融合效果。
同时，数据预处理、特征选择和模型评估等步骤也是多传感器数据融合过程中的重要环节。
一文详解目前最火的多传感器融合技术1、何为多传感器融合？进行自动分析和综合，以完成所需的决策和估计而进行的信息处理过程。
和人的感知相似，不同的传感器拥有其他传感器不可替代的作用，当各种传感器进行多层次，多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释。
具体来讲，多传感器数据融合处理：（1）多个不同类型传感器（有源或无源）收集观测目标的数据；（2）对传感器的输出数据（离散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Yi；（3）对特征矢量Yi进行模式识别处理（如聚类算法、自适应神经网络或其他能将特征矢量Yi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；（4）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；（5）利用融合算法将目标的各传感器数据进行合成，得到该目标的一致性解释与描述。
2、多传感器融合的优势多传感器融合的技术以及工程化落地难度无疑是复杂的，那么为何众多自动驾驶公司依然趋之若鹜，想要攻克实现路途中的一个个难题？这是因为多传感器融合可以很好地应用上每个传感器自身的优势，统一之后为下游输出一个更加稳定、全面的感知信息，让下游规控模块能够根据这些精确稳定的结果实现车辆最终的安全驾驶。
而应用上多传感器融合，自动驾驶系统将具有以下几类特征：一方面可以实现信息的冗余。
对于环境的某个特征，可以通过多个传感器（或者单个传感器的多个不同时刻）得到它的多份信息，这些信息是冗余的，并且具有不同的可靠性，通过融合处理，可以从中提取出更加准确和可靠的信息。
与此同时，信息的冗余性可以提高系统的稳定性，从而能够避免因单个传感器失效而对整个系统所造成的影响。
第二，完成信息的互补性。
不同种类的传感器可以为系统提供不同性质的信息，这些信息所描述的对象是不同的环境特征，它们彼此之间具有互补性。
如果定义一个由所有特征构成的坐标空间，那么每个传感器所提供的信息只属于整个空间的一个子空间，和其他传感器形成的空间相互独立。
物联网中的多传感器融合技术近年来，随着信息技术的快速发展，物联网（IoT）逐渐成为人们瞩目的热门领域之一。
在物联网系统中，传感器被用来采集各种实时数据，使得物联网可以实现对各种物体的监测、远程控制和自动化处理等功能。
在多传感器的情形下，如何在统一平台上处理来自不同传感器的数据成为了一个挑战性的问题。
为解决这个问题，多传感器融合技术被广泛应用于物联网系统。
本文将介绍多传感器融合技术在物联网系统中的应用以及其实现原理。
一、多传感器融合技术的应用传感器是物联网中非常重要的组成部分，它可以感知环境中的各种信息，包括气象信息、环境污染信息、灯光亮度信息、声音信息等。
然而，当多个传感器被应用于同一系统时，这些传感器采集的数据可能存在不一致或重叠的情况，从而导致数据的冲突和误差。
为了解决这个问题，多传感器融合技术被广泛应用于IoT 系统中。
传感器融合技术可以将来自多个传感器的数据进行集成，形成一个可靠和准确的数据源。
这样，IoT系统可以利用这些数据集中的信息，提高系统的性能和可靠性。
例如，在气象预报系统中，如果可以利用多个传感器采集的数据进行融合，预测结果将更加准确。
另外，在智能家居系统中，当多个传感器被应用于同一个房间时，将这些传感器数据进行融合，可以使家居系统根据用户的实时需求来调整房间的温度、湿度和照度等属性，实现更加人性化的智能控制。
二、多传感器融合技术的实现原理多传感器融合技术的实现需要涉及到多领域知识，包括信号处理、数据融合、机器学习等。
在多传感器融合技术中，主要有两种数据融合方法：基于模型的方法和基于数据的方法。
基于模型的方法：基于模型的方法是根据物理模型对数据进行预测或补偿，减小融合数据的误差。
这种方法涉及到多种数学模型，如卡尔曼滤波、粒子滤波、贝叶斯网络、模型推理等等。
这些模型都是基于传感器输出的数据进行的，因此需要较强的数学背景和计算机实现能力。
基于数据的方法：基于数据的方法是将传感器采集到的原始数据进行处理，用数学方法实现传感器数据的融合。
多传感器信息融合及其应用综述一、本文概述随着科技的不断发展，传感器技术已广泛应用于各个领域，如工业自动化、环境监测、航空航天、智能交通等。
这些传感器可以捕获各种物理量，如温度、湿度、压力、光强、声音、图像等，为人们的生产和生活提供了极大的便利。
然而，单一传感器往往难以满足复杂环境下对信息全面性和准确性的需求，因此，多传感器信息融合技术应运而生。
多传感器信息融合，即利用计算机技术对来自多个传感器的信息进行处理，提取有用的特征信息，并消除冗余和矛盾信息，最终形成对环境的全面、准确描述。
这种技术能够充分利用各传感器之间的互补性，提高信息的利用率和可靠性，为决策提供更为全面、准确的依据。
本文旨在对多传感器信息融合技术及其应用进行综述。
将介绍多传感器信息融合的基本原理和方法，包括数据预处理、特征提取、信息融合等步骤。
将重点介绍多传感器信息融合在各个领域中的应用案例，如工业自动化中的设备故障诊断、环境监测中的空气质量预测、航空航天中的目标识别与跟踪等。
将探讨多传感器信息融合技术面临的挑战和未来的发展趋势，以期为相关领域的研究和实践提供参考和借鉴。
二、多传感器信息融合的基本原理多传感器信息融合，又称为多源信息融合或多传感器数据融合，是一种将来自多个传感器或信息源的数据和信息进行集成、处理、分析和利用的技术。
其基本原理在于通过一定的算法和策略，将多个传感器提供的关于同一目标或现象的不完整、冗余或互补的信息进行联合处理，从而生成更为准确、全面和可靠的信息描述。
多传感器信息融合的基本原理主要包括三个层次：数据层融合、特征层融合和决策层融合。
数据层融合：也称为像素级融合，是在最底层的数据级别上进行的融合。
它直接对原始传感器数据进行操作，如图像数据的像素值、声音信号的波形等。
数据层融合能够最大限度地保留原始信息，但处理的数据量大，对传感器数据的同步性和配准精度要求高。
特征层融合：是在数据的中间层次进行的，即对提取出的特征信息（如目标的边缘、形状、速度等）进行融合。
多传感器系统的协同数据融合方法分析在现代科技的快速发展和应用需求的推动下，多传感器系统（Multi-sensor system）的应用越来越广泛。
多传感器系统往往由多个传感器组成，可以实时采集和处理大量的数据。
然而，由于不同传感器之间存在差异，数据的质量和精度可能存在差异，因此需要对数据进行融合以获得更准确、可靠的结果。
本篇文章将重点探讨多传感器系统的协同数据融合方法。
1. 多传感器系统的数据融合意义在单一传感器系统中，只能依靠一个传感器获得数据信息，如图像、声音等，这限制了其应用范围和数据可靠性。
而多传感器系统则可以通过融合多个传感器获得的数据信息，提高数据质量和精度，实现更多样化的应用。
数据融合的意义在于多个传感器之间可以相互补充，减少数据噪声，提高系统的性能。
例如，在环境监测中，可以利用多传感器系统通过融合不同传感器的数据来获得更准确的环境参数，如温度、湿度、二氧化碳浓度等；在智能交通系统中，使用多传感器融合可以提供更全面的交通状况信息，实现更高效的交通管理。
2. 多传感器系统的数据融合方法数据融合方法可以分为两类：基于信息融合和基于模型融合。
基于信息融合是指根据传感器获得的信息进行融合；基于模型融合是指根据已有的数学模型进行数据融合。
下面将分别介绍这两种方法。
2.1 基于信息融合的方法基于信息融合的方法主要是通过对传感器数据的加权组合来得到最终的结果。
常见的融合方法有加权平均、特征融合和决策级融合。
加权平均方法是最简单的融合方法，将不同传感器获得的数据根据其可靠性和权重进行加权平均，得到最终结果。
然而，这种方法忽略了不同传感器之间的相关性和误差。
特征融合方法是在加权平均的基础上，通过对传感器数据进行特征提取，再进行融合。
例如，在目标跟踪中，可以通过计算不同传感器提供的目标位置和速度等特征，然后将这些特征进行融合以提高跟踪的精度和准确性。
决策级融合方法是将不同传感器的决策进行融合，以进行最终的决策。
多传感器融合方法嘿，朋友们！今天咱来聊聊多传感器融合方法，这可真是个超级有趣又超级实用的玩意儿呢！你想想看啊，我们的生活中到处都是各种各样的传感器。
就好比我们的眼睛、耳朵、鼻子，它们各自都能收集到不同的信息，眼睛能看到色彩和形状，耳朵能听到声音，鼻子能闻到气味。
但要是把这些信息都融合在一起，那能发挥出多大的作用呀！这就跟做饭一样，单独的盐、糖、醋可能都不错，但把它们巧妙地搭配在一起，就能做出美味无比的菜肴啦！多传感器融合方法呢，就是把这些来自不同传感器的信息像拼图一样拼在一起，让我们得到一个更全面、更准确的认知。
比如说，在自动驾驶汽车里，有摄像头能看到周围的环境，有雷达能探测到物体的距离和速度，还有各种其他的传感器。
如果只是单独依靠某一个传感器，可能就会出现偏差或者误判。
但要是把它们的信息融合起来，那汽车就能像老司机一样稳稳地在路上行驶啦！再比如，在智能家居系统里，温度传感器能知道房间里的温度，湿度传感器能了解湿度情况，还有门窗传感器能知道门和窗是不是关好。
把这些信息融合起来，就能让家里的环境变得更加舒适和安全。
要是温度太高了，空调就自动打开；要是湿度太低了，加湿器就开始工作，多贴心呀！多传感器融合方法可不是随随便便就能做好的哦！这就像一场精彩的音乐会，每种乐器都要在合适的时间发出合适的声音，才能演奏出美妙的音乐。
传感器们也得相互配合、相互协调，才能发挥出最大的效果。
这可不是一件容易的事儿呢，需要很多的技术和算法来支持。
而且呀，这就像搭积木一样，要一层一层地往上搭，每一层都要搭得稳稳当当的。
从传感器的选择、数据的采集，到数据的处理和融合，每一个环节都不能马虎。
要是有一个环节出了问题，那整个大厦可就可能会摇摇欲坠啦！你说这多传感器融合方法是不是很神奇？它就像一个神奇的魔法，能把各种不同的信息变成一个完整的画面。
让我们能更好地了解这个世界，更好地与这个世界互动。
所以呀，朋友们，可别小看了这多传感器融合方法哦！它可是未来科技发展的重要方向之一呢！它能让我们的生活变得更加智能、更加便捷。
多传感器数据融合多传感器数据融合是一个新兴的研究领域，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。
多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术，是多学科交叉的新技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。
近年来，多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。
多传感器融合技术已成为军事、工业和高技术开发等多方面关心的问题。
这一技术广泛应用于C3I系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、图像处理、模式识别等领域。
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，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。
1 基本概念及融合原理1．1 多传感器数据融合概念数据融合又称作信息融合或多传感器数据融合，对数据融合还很难给出一个统一、全面的定义。
随着数据融合和计算机应用技术的发展，根据国内外研究成果，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。
1．2 多传感器数据融合原理多传感器数据融合技术的基本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述。
具体地说，多传感器数据融合原理如下：（1）N个不同类型的传感器（有源或无源的）收集观测目标的数据；（2）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Yi；（3）对特征矢量Yi进行模式识别处理（如，聚类算法、自适应神经网络或其他能将特征矢量Yi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；（4）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；（5）利用融合算法将每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。
2 多传感器数据融合方法利用多个传感器所获取的关于对象和环境全面、完整的信息，主要体现在融合算法上。
因此，多传感器系统的核心问题是选择合适的融合算法。
对于多传感器系统来说，信息具有多样性和复杂性，因此，对信息融合方法的基本要求是具有鲁棒性和并行处理能力。
此外，还有方法的运算速度和精度；与前续预处理系统和后续信息识别系统的接口性能；与不同技术和方法的协调能力；对信息样本的要求等。
一般情况下，基于非线性的数学方法，如果它具有容错性、自适应性、联想记忆和并行处理能力，则都可以用来作为融合方法。
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、Dempster-Shafer（D-S）证据推理、产生式规则等；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。
2．1 随机类方法2．1．1 加权平均法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。
2．1．2 卡尔曼滤波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。
如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。
卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。
但是，采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重的问题，例如：（1）在组合信息大量冗余的情况下，计算量将以滤波器维数的三次方剧增，实时性不能满足；（2）传感器子系统的增加使故障随之增加，在某一系统出现故障而没有来得及被检测出时，故障会污染整个系统，使可靠性降低。
2．1．3 多贝叶斯估计法贝叶斯估计为数据融合提供了一种手段，是融合静环境中多传感器高层信息的常用方法。
它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进行融合，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。
多贝叶斯估计将每一个传感器作为一个贝叶斯估计，将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提供整个环境的一个特征描述。
2．1．4 D-S证据推理方法D-S证据推理是贝叶斯推理的扩充，其3个基本要点是：基本概率赋值函数、信任函数和似然函数。
D-S方法的推理结构是自上而下的，分三级。
第1级为目标合成，其作用是把来自独立传感器的观测结果合成为一个总的输出结果（ID）；第2级为推断，其作用是获得传感器的观测结果并进行推断，将传感器观测结果扩展成目标报告。
这种推理的基础是：一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告；第3级为更新，各种传感器一般都存在随机误差，所以，在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。
因此，在推理和多传感器合成之前，要先组合（更新）传感器的观测数据。
2．1．5 产生式规则产生式规则采用符号表示目标特征和相应传感器信息之间的联系，与每一个规则相联系的置信因子表示它的不确定性程度。
当在同一个逻辑推理过程中，2个或多个规则形成一个联合规则时，可以产生融合。
应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关，如果系统中引入新的传感器，需要加入相应的附加规则。
2．2 人工智能类方法2．2．1 模糊逻辑推理模糊逻辑是多值逻辑，通过指定一个0到1之间的实数表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。
如果采用某种系统化的方法对融合过程中的不确定性进行推理建模，则可以产生一致性模糊推理。
与概率统计方法相比，逻辑推理存在许多优点，它在一定程度上克服了概率论所面临的问题，它对信息的表示和处理更加接近人类的思维方式，它一般比较适合于在高层次上的应用（如决策），但是，逻辑推理本身还不够成熟和系统化。
此外，由于逻辑推理对信息的描述存在很大的主观因素，所以，信息的表示和处理缺乏客观性。
模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑，模糊逻辑是一种多值逻辑，隶属度可视为一个数据真值的不精确表示。
在MSF过程中，存在的不确定性可以直接用模糊逻辑表示，然后，使用多值逻辑推理，根据模糊集合理论的各种演算对各种命题进行合并，进而实现数据融合。
2．2．2 人工神经网络法神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。
神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器数据融合技术处理的要求。
在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定性推理过程。
神经网络根据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时，可以采用经*定的学习算法来获取知识，得到不确定性推理机制。
利用神经网络的信号处理能力和自动推理功能，即实现了多传感器数据融合。
常用的数据融合方法及特性如表1所示。
通常使用的方法依具体的应用而定，并且，由于各种方法之间的互补性，实际上，常将2种或2种以上的方法组合进行多传感器数据融合。
3 应用领域随着多传感器数据融合技术的发展，应用的领域也在不断扩大，多传感器融合技术已成功地应用于众多的研究领域。
多传感器数据融合作为一种可消除系统的不确定因素、提供准确的观测结果和综合信息的智能化数据处理技术，已在军事、工业监控、智能检测、机器人、图像分析、目标检测与跟踪、自动目标识别等领域获得普遍关注和广泛应用称重传感器。
（1）军事应用数据融合技术起源于军事领域，数据融合在军事上应用最早、范围最广，涉及战术或战略上的检测、指挥、控制、通信和情报任务的各个方面。
主要的应用是进行目标的探测、跟踪和识别，包括C31系统、自动识别武器、自主式运载制导、遥感、战场监视和自动威胁识别系统等。
如，对舰艇、飞机、导弹等的检测、定位、跟踪和识别及海洋监视、空对空防御系统、地对空防御系统等。
海洋监视系统包括对潜艇、鱼雷、水下导弹等目标的检测、跟踪和识别，传感器有雷达、声纳、远红外、综合孔径雷达等。
空对空、地对空防御系统主要用来检测、跟踪、识别敌方飞机、导弹和防空武器，传感器包括雷达、ESM（电子支援措施）接收机、远红外敌我识别传感器、光电成像传感器等。
迄今为止，美、英、法、意、日、俄等国家已研制出了上百种军事数据融合系统，比较典型的有：TCAC—战术指挥控制，BETA—战场利用和目标截获系统，AIDD—炮兵情报数据融合等。
在近几年发生的几次局部战争中，数据融合显示了强大的威力，特别是在海湾战争和科索沃战争中，多国部队的融合系统发挥了重要作用。
（2）复杂工业过程控制复杂工业过程控制是数据融合应用的一个重要领域。
目前，数据融合技术已在核反应堆和石油平台监视等系统中得到应用。
融合的目的是识别引起系统状态超出正常运行范围的故障条件，并据此触发若干报警器。
通过时间序列分析、频率分析、小波分析，从各传感器获取的信号模式中提取出特征数据，同时，将所提取的特征数据输入神经网络模式识别器，神经网络模式识别器进行特征级数据融合，以识别出系统的特征数据，并输入到模糊专家系统进行决策级融合；专家系统推理时，从知识库和数据库中取出领域知识规则和参数，与特征数据进行匹配（融合）；最后，决策出被测系统的运行状态、设备工作状况和故障等。
（3）机器人多传感器数据融合技术的另一个典型应用领域为机器人。
目前，主要应用在移动机器人和遥操作机器人上，因为这些机器人工作在动态、不确定与非结构化的环境中（如“勇气”号和“机遇”号火星车），这些高度不确定的环境要求机器人具有高度的自治能力和对环境的感知能力，而多传感器数据融合技术正是提高机器人系统感知能力的有效方法。
