1.3.1  数据融合的主要方法

    通常数据融合的大致过程如下：首先将被测对象的输出结果转化为电信号，然后经过A/D转换形成数字量；数字化后电信号经过预处理，滤波数据采集过程中的干扰和噪音；对经过处理后的有用信号进行特征抽取，实现数据融合，或者直接对信号进行融合处理；然后输出融合的结果。

目前数据融合的方法主要有如下几种。

1.综合平均法

    该方法是把来自多个传感器的众多数据进行综合平均。它适用于同类传感器检测同一个检测目标。这是最简单、最直观的数据融合方法。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。

如果对一个检测目标进行了k次检测，则综合平均的结果为

  其中， 为分配给第 次检测的权重。

2.卡尔曼滤波法

    卡尔曼滤波法用于融合低层的实时动态多传感器冗余数据。该方法利用测量模型的统计特性，递推地确定融合数据的估计，且该估计在统计意义下是最优的。如果系统可以用一个线性模型描述，且系统与传感器的误差均符合高斯白噪音模型，则卡尔曼滤波将为融合数据提供唯一统计意义上的最优估计。

卡尔曼滤波器的递推特性使得它特别适合在那些不具备大量数据存储能力的系统中使用。它的应用领域涉及目标识别、机器人导航、多目标跟踪、惯性导航和遥感等。

3.贝叶斯估计法

    贝叶斯估计是融合静态环境中多传感器低层信息的常用方法。它使传感器信息依靠概率原则进行组合，测量不确定以条件概率表示。当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。在大多数情况下，传感器是从不同的坐标系对同一个环境物体进行描述，这时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。

4.D-S证据推理法源:自'优尔.·论,文;网·www.youerw.com/

D-S证据推理法是目前数据融合技术中比较常用的一种方法，是有Dempster首先提出，由Shafer发展的一种不精确推理理论。这种方法是贝叶斯方法的扩展。因为贝叶斯方法必须给出先验概率，证据理论则能够处理这种由不知道引起的不确定性，通常用来对目标的位置、存在与否进行推断。

5.统计决策理论

    与多贝叶斯估计不同，统计决策理论中的不确定性为可加噪音，从而不确定性的适应范围更广。不同传感器观测到的的数据必须进过一个鲁棒综合测试，以检测它的一致性，经过一致性检验的数据用鲁棒极值决策规则进行融合处理。

6.模糊逻辑法

针对数据融合中所检测的目标特征具有某种模糊性的现象，利用模糊逻辑方法对检测目标进行识别和分类。建立标准检测目标和待识别检测目标的模糊子集是此方法的基础。模糊子集的建立需要有各种各样的标准检测目标，同时必须建立适合的隶属函数。

7.产生式规则法

 这是人工智能常用的控制方法。一般要通过对具体使用的传感器的特性及环境特性进行分析，才能归纳出产生式规则法中的规则。通常系统改换或增减传感器时，其规则要重新产生。这种方法的特点是系统拓展性较差，但推理过程简单明了，易于系统解释。

    8.神经网络方法

    神经网络方法是模拟人类大脑行为而产生的一种信息处理技术，它采用大量以一定方式相互连接和相互作用的简单处理单元（即神经元）来处理信息。神经网络具有较强的容错能力和自组织、自学习和自适应能力，能过实现复杂的映射。神经网络的优越性和强大的非线性处理能力，能够很好地满足多传感器数据融合技术的要求。