【多传感器融合】 综述 （待更新）

具体来讲，多传感器数据融合原理如下：

（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。

收集- 特征提取变换- 模式识别处理 - 目标分组关联 - 数据融合

对于多传感器系统而言，信息具有多样性和复杂性，因此对信息融合算法的基本要求是具有鲁棒性和并行处理能力。

融合算法分类 ：

随机类

AI类

模糊逻辑推理

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。

人工神经网络法

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，确定方法主要表现在网络的权值分布上，同时可以采用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。

存在问题

尚未建立统一的融合理论和有效广义融合模型及算法；

对数据融合的具体方法的研究尚处于初步阶段；

还没有很好解决融合系统中的容错性或鲁棒性问题；

关联的二义性是数据融合中的主要障碍；

数据融合系统的设计还存在许多实际问题。