(一)数据融合
假设两个传感器的测量结果分别为和
,对应的标准差分别为
和
。
如何根据这两组数据得到最优估计?
估计值取为两个传感器测量结果的线性组合,如下所示:
为了获得最优估计值,需要让估计后的方差最小。
将方差对求导数,并令其等于0,有:
解得:
所以,最优估计如下:
(二)融合高斯分布
假设有如下两个高斯分布(即正态分布):
则这两个高斯分布的概率密度函数的乘积为:
方便起见,令:
继续令:
那么,有:
可以看出,位于
和
之间,
比
和
都要小,也就是说估计的标准差变小了,这就是做数据融合的主要目的。
从上面的分析可以看出,两个高斯分布融合后是一个被缩放的高斯分布,为缩放因子,相乘后概率密度的积分不为1,需要进行归一化处理。巧妙的是,融合高斯分布所得到的期望和标准差与“数据融合”部分得到的结果一致。