关于多传感器数据融合，它是一个针对特定问题而生的新兴研究领域，此特定问题是一个系统使用多种传感器，它是专门围绕该问题展开的数据处理研究。多传感器数据融合技术，是近几年发展起来的一门实践性较强的应用技术，属于多学科交叉的新技术，它所涉及的理论众多，分别有信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等等。
近些年，多传感器数据融合技术，在军事领域的应用极为广泛，在民事领域的应用也极为广泛。多传感器融合技术，已然成为军事方面关心的问题，成为工业方面关心的问题，成为高技术开发方面关心的问题。这一技术，在C3I系统被广泛应用，在复杂工业过程控制被广泛应用，在机器人被广泛应用，在自动目标识别被广泛应用，在交通管制被广泛应用，在惯性导航被广泛应用，在海洋监视和管理被广泛应用，在农业被广泛应用，在遥感被广泛应用，在医疗诊断被广泛应用，在图像处理被广泛应用，在模式识别被广泛应用。实践证明，跟单传感器系统相比较，运用多传感器数据融合技术，在解决探测问题方面，能增强系统生存能力，提高整个系统可靠性和鲁棒性，增强数据可信度，提高精度，扩展整个系统时间覆盖率以及空间覆盖率，增加系统实时性和信息利用率，在解决跟踪问题方面，同样如此，在解决目标识别等问题方面，亦是如此。
1 基本概念及融合原理
1．1 多传感器数据融合概念
称作信息融合或者多传感器数据融合，这种情况数据融合呢通常被这么称呼，然而呢，针对数据融合，要难以给出一个统一的、全面的定义，这可着实困难呀。借着数据融合以及计算机应用技术的向前发展 根据国内外研究得出的成果 多传感器数据融合存在着相对确切的定义 能够被概括成如下状态 充分运用以不同时间跟空间作为范畴的多传感器数据资源 使用计算机技术针对按照时间序列而取得的多传感器观测数据 在一定的准则之下展开分析 并实施综合 进行支配以及使用 从而获取针对被测对象的一致性解释与描述 进而达成相应的决策与估计 让系统得到比它各组成部分更为充分的信息 。
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、如同人脑综合处理信息那般，极大程度地运用多个传感器资源，借由对多传感器及其观测信息的妥善支配与运用，将多传感器在空间或者时间上冗余或者互补的信息、依照某种准则予以组合，从而获取被测对象的一致性解释或者描述。具体来讲，多传感器数据融合原理如下：
有一种称为 N 个不同类型的数据收集来源对象者，其可分为有源与无源两种类别，专门用于针对观测目标去收集数据 。
（2）对传感器输出的数据，这些数据可以是离散的或者连续的时间函数数据，亦或是输出矢量、成像数据或者一个直接的属性说明，进行特征提取的变换，从而提取出代表观测数据的特征矢量Yi 。
（3）进行各传感器关于目标的说明操作是这样的，要先对特征矢量Yi做模式识别处理方面的相关事项，比如采用各种统计模式识别法，像聚类算法、自适应神经网络或者其他能够 将特征矢量Yi变换成目标属性判决的方法等 ，以此来达成该完成动作 。
把各个传感器针对目标所作的说明数据，依据同一个目标来进行分组，这也就是所谓的关联，。
利用融合算法，将每一目标的各传感器数，据进行合成，从而得到该目标的一致性解释，以及描述。
2 多传感器数据融合方法
依据由多个传感器获取的，针对对象与环境的全面且完整的那部分信息，此部分要点集中于融合算法方面。由此可知，对于多传感器系统来讲，存在一个核心问题，这个核心问题就是要去挑选恰当适宜的融合算法。就多传感器系统而言，其信息呈现出某种特性，这种特性是具有多样性以及复杂性的，所以呢，针对信息融合方法提出了一项必备条件，这项必备条件是需具备健壮稳固性以及并行处理能够实现的能力。不仅如此，还涵盖方法运算的效率和精确程度这一内容；涉及跟前续预处理系统以及后续信息识别系统二者建立接口时所展现的性能情况；囊括与不同类别的技术和方法之间具备的协调配合能力；包含对信息样本提出的要求等等这些方面 。正常状况下，依据非线性的数学方式，要是它拥有容错性，具备自适应性，拥有联想记忆以及含有并行处理能力，那么全都能够用来当作融合方法 。
有多传感器数据融合，虽尚未构成完整详尽的理论体系以及切实有效的融合算法，然而在不少应用领域，依据各自特定的应用背景，已然提出了诸多成熟且具备实效的融合方法。多传感器数据融合的常用方法，大体上能够归纳为随机和人工智能这两大类，随机类方法包含加权平均法、卡尔曼滤波法、多贝叶斯估计法、-（D-S）证据推理、产生式规则等；而人工智能类则涵盖模糊逻辑理论、神经网络、粗集理论、专家系统等。能够预见到，神经网络这一概念，在多传感器数据融合里，会起到越发重要的作用，人工智能这种新技术，于传感器数据融合当中，同样会起到越发关键的作用 。
2．1 随机类方法
2．1．1 加权平均法
信号级融合方法里，最简单、最直观的方法是加权平均法，这种方法会把一组传感器所提供的冗余信息予以加权平均，其结果用作融合值，此方法是一种直接对数据源开展操作的方法。
2．1．2 卡尔曼滤波法
卡尔曼滤波主要被用于融合那种低层次的、实时动态的、多传感器冗余的数据，该方法凭借着测量模型的统计特性来进行递推，以此决定在统计意义之下的最优融合以及对数据的估计。要是系统具备线性动力学模型，并且系统跟传感器的误差契合高斯白噪声模型，那么卡尔曼滤波就会在融合后的数据方面提供唯一的、在统计意义下的最优估计。卡尔曼滤波所拥有的递推特性致使系统处理时不需要大量的数据存储与计算。可是，当运用单一的卡尔曼滤波器针对多传感器组合系统去做数据统计工作的时候，会存在诸多十分严重的问题，比如说：（1）在组合信息存在大量冗余这种状况之下，计算量会按照滤波器维数的三次方程度急剧增多，实时性没办法得到满足；（2）传感器子系统数量的增加会致使故障也跟着增加，当某一个系统出现故障却没有来得及被检测出来的时候，故障会对整个系统造成污染，故而使得可靠性降低 。
2．1．3 多贝叶斯估计法
一种为数据融合提供手段的是贝叶斯估计，它是融合静环境中多传感器高层信息的常用方法，它让传感器信息依据概率原则来组合，是以条件概率表示测量不确定性，当传感器组的观测坐标一致时能直接对传感器的数据融合，但多数时候传感器测量数据要以间接方式用贝叶斯估计进行数据融合。
多贝叶斯估计把每一个传感器当作一个贝叶斯估计，将各个单独物体的关联概率分布，合成为一个联合的后验的概率分布函数，借助使用联合分布函数时似然函数为最小，来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，从而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证据推理属于贝叶斯推理的扩充类别，其有着若干基本要点，其中包括基本概率赋值函数、信任函数以及似然函数这三个要点， D - S方法的推理结构呈现着自上而下的形态，该结构分为三个级别，第1级是目标合成，它具备的作用是把来自各个独立传感器的观测结果合成为一个总的输出结果，也就是把来自独立传感器的观测结果合成为一个总的输出这个结果被称为（ID），第2级是推断，它所具备的作用是获取传感器的观测结果并且进行推断，它是能够达到将传感器观测结果扩展成目标报告这样的作用 。这种推理有着这样一个基础，那就是，存在一定的传感器报告，这些报告以具备某种可信度的方式，在逻辑层面上会引发可以生成某些可信目标报告的情状；第3级的内容被划定为更新阶段，各种不同的传感器在通常情况下都存在随机性质的误差，所以呢，在时间段方面充分独立开来的、源自同一传感器的一小组在时间上相连续的报告，比任何单独的一份报告都更加地可靠。因而，在进行推理以及多传感器合成的操作之前，需要先对传感器的观测数据展开组合（也就是更新）的工作。
2．1．5 产生式规则
目标特征和相应传感器信息之间的联系借助产生式规则用符号来表示，和每一个规则相联系的置信因子体现它的不确定性程度。在同一个逻辑推理过程里，当2个或多个规则构成一个联合规则时，能够产生融合。运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和系统中其他规则的置信因子有关，要是系统中引入新的传感器，就得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
多值逻辑是指模糊逻辑，它借助指定一个处于0到1之间的实数用以表示真实度，这等同于隐含算子的前提，具备让多个传感器信息融合进程里的不确定性能够直接在推理历程中呈现出来的特性。要是运用某种系统化的方式针对融合进程中的不确定性开展推理建模，那就能够生成一致性模糊推理。比起概率统计方法，逻辑推理有着诸多优点，它在一定程度上克服了概率论面临的问题，它对信息的表示与处理更贴近人类思维方式，它通常较适合高层次应用（像决策），然而，逻辑推理自身还不够成熟且未系统化。另外，因为逻辑推理对信息描述有很大主观因素，所以，信息的表示和处理欠缺客观性。
模糊集合理论对数据融合的实际价值，在于其外延至模糊逻辑，模糊逻辑是一种多值逻辑，隶属度可被视作一个数据真值的不精确表示，在MSF过程中，存在的不确定性能够直接用模糊逻辑表示，接着，运用多值逻辑推理，依据模糊集合理论的各种演算对各种命题予以合并，从而实现数据融合。
2．2．2 人工神经网络法
具有很强容错性的神经网络，具备自学习能力，能够自组织，有着自适应能力，它可以模拟复杂的非线性映射。神经网络的这些特性，以及其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。在多传感器系统里，各信息源所提供的环境信息在一定程度上都具有不确定性，对这些不确定信息进行融合的过程，实际上是一个不确定性推理的过程。神经网络依照当前系统所接纳的样本相似性去确定分类标准，这种确定方式主要体现于网络的权值分布方面，与此同时，能够采用既定学习算法获取知识，进而得到不确定性推理机制，借助神经网络的信号处理能力以及自动推理功能，如此便实现了多传感器数据融合。
表 1 所展列的是常用的数据融合方法以及其具有的特性。通常情况下使用的方法是依据具体应用来确定的，而且，鉴于各种方法之间存在的互补性，事实上，常常会把两种及两种以上的方法组合起来用以开展多传感器的数据融合工作。
3 应用领域
多传感器数据融合技术在发展着，因这发展，其应用领域不断扩大，多传感器融合技术早成功应用于好多研究领域啦 。啥是多传感器数据融合呢，它是一种智能化数据处理技术，能消除系统的不确定因素，能提供准确的观测结果，还能给出综合信息，就因如此，它在军事领域获得普遍关注且广泛应用了，在工业监控领域也这样，在智能检测领域同样情况哟，于机器人领域是有普遍关注和广泛应用的说，在图像分析领域也如此，目标检测与跟踪领域同样获得普遍关注了，自动目标识别领域也广泛应用着，还有称重传感器领域呢 。
（1）军事应用
数据融合技术发源于军事领域，数据融合于军事方面运用最早且范围最广，涉及了战术或者战略的诸多方面，比如检测、指挥、控制、通信以及情报任务等。其主要应用是展开目标的种种工作，像探测、跟踪以及识别等，涵盖了C31系统、自动识别武器、自主式运载制导、遥感、战场监视以及自动威胁识别系统等。举例来说，针对舰艇、飞机、导弹等实施检测、定位、跟踪以及识别，还有海洋监视、空对空防御系统、地对空防御系统等。所涵盖的海洋监视系统中，包含针对潜艇这样的目标，还有鱼雷这样的目标，以及水下导弹等目标进行检测，之后进行跟踪，最后予以识别，其传感器存在雷达这种，有声纳这种，有远红外这种，还有综合孔径雷达等。空对空、地对空防御系统主要用以对敌方飞机这种进行检测，对导弹这种进行检测，对防空武器这种进行检测，然后进行跟踪，进而进行识别，其传感器涵盖雷达这种，有ESM（电子支援措施）接收机这种，有远红外敌我识别传感器这种，有光电成像传感器等。至今为止，美国、英国、法国、意大利、日本、俄罗斯等国家，已经研制出了超过百种军事数据融合系统，比较典型的存在：TCAC—战术指挥控制，BETA—战场利用以及目标截获系统，AIDD—炮兵情报数据融合等等。在近几年所发生的几次局部战争当中，数据融合展现出了强大无比的威力，特别是在海湾战争还有科索沃战争之中，多国部队的融合系统发挥出了重要的作用。
（2）复杂工业过程控制
进行复杂工业过程控制，属于数据融合应用需要关注的一个特别要紧、关键的领域范畴。当下之情形为，数据融合技术已经在核反应堆以及石油平台监视等相关系统里头获得了应用机会。对于融合而言，其目的是，要弄清楚那些会导致系统运行之时呈现出的状态超出正常运行所规定范围的故障条件究竟是什么，并且依据所识别出来的这一情况去启动或触发一定数量的报警器 。借助时间序列分析，利用频率分析，采用小波分析，从各传感器所获取信号模式里面提取出特定表征的数据，与此同时呢， 把所提取出来特征性的数据供给 神经网络模式识别器接收，于此神经网络模式识别器展开对特征级数据的融合工作以识别出系统的具有其自身特点要求的表征数值资料等，然后再输送到模糊专家系统当中进而进行更加深层次的相关数据在决策这个等级别的优化改进，在专家系统进行推理的过程中，要从知识库以及数据库那里取出相关范围规则和其对应的数值量，跟特征数据进行相应匹配从而实现彼此之间的融合，最终达到判定选择明确被测系统的运行当下即时状态、设备工作实际具体的表现情况以及可能出现的故障以及其类型等。
（3）机器人
多传感器数据融合技术还有一个典型应用领域是机器人，当下，主要应用于移动机器人以及遥操作机器人，这是由于这些机器人工作在动态、不确定且非结构化的环境里，如“勇气”号和“机遇”号火星车，这种高度不确定的环境要求机器人具备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恰是提升机器人系统感知能力的有效办法，实践表明：采用单个传感器的机器人不具备完整、可靠地感知外部环境的能力。智能机器人要采用多个传感器，借助这些传感器冗余及互补的特性，去获取机器人外部环境动态变化的较为完整的信息，还要对外部环境变化做出实时响应。当前，机器人学界提出向非结构化环境进军，其核心关键之一便是多传感器系统以及数据融合。
（4）遥感
在遥感领域当中，多传感器融合有着应用，其主要是借助高空间分辨力全色图像与低光谱分辨力图像的融合，进而得到高空问分辨力以及高光谱分辨力的图像，通过融合多波段和多时段的遥感图像旨在提高分类的准确*。
****通管理系统
地面车辆定位方面可应用数据融合技术，车辆跟踪方面也有其应用，车辆导航方面同样能应用该技术，空中交通管制系统等其他领域也可应用数据融合技术。
（6）全局监视
较大范围内的人和事物的运动以及状态若要被监视，那就需要运用数据融合技术；比如有着各种医疗传感器，还有病历、病史或者气候季节等观测信息，以此来实现对病人的自动监护；从空中以及地面的传感器去监视庄稼生长状况接着进行产量预测；依据卫星云图、气流或者温度压力等观测信息拿来作出天气预报 。
4 存在问题及发展趋势
可以应用于数据融合系统的几乎是一切信息处理方法，数据融合技术此刻正蓬勃兴起。涉及传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术、并行计算软件和硬件技术等相关技术不断发展，特别是人工智能技术取得进步，新的、更具成效的数据融合方法会持续涌现，多传感器数据融合必定会成为未来复杂工业系统智能检测与数据处理的关键技术，其应用领域会不断拓展。多传感器数据融合并非是一门单独的技术，它身为一门跨越学科的综合理论以及方法，而且啊，它还是一个并非特别成熟的崭新研究领域，正处于持续不断变化以及发展的进程之中，其中包含压力传感器。
4．1 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。
4．2 数据融合发展趋势
数据融合的发展趋势如下：
构建起一个统一的，包含融合理论的，数据融合的体系结构，以及广义融合模型 。
解决数据配准问题，解决数据预处理问题，解决数据库构建问题，解决数据库管理问题，解决人机接口问题，解决通用软件包开发问题，利用成熟的辅助技术，建立面向具体应用需求的数据融合系统。
把人工智能技术，像是神经网络、遗传算法、模糊理论、专家理论这类，引进到数据融合领域；采用集成的计算智能方法，比如模糊逻辑与神经网络相结合、遗传算法与模糊以及神经网络相加等，来提升多传感融合的性能 。
针对不确定性因素的表达，予以解决，还要进行推理演算，比如说，把灰数的概念引入进来 。
（5）借助有关的先验数据来提升数据融合的性能，去钻研更为先进复杂的融合算法，诸如在未知以及动态环境里，应用并行计算机结构开展多传感器集成与融合方法的研究等等 。
分别在多平台以及单平台的情形下，针对异类多传感器还有同类多传感器的应用背景，去构建计算复杂程度低的数据处理模型，并且与此同时，还要构建能满足任务要求的算法 。
（7）构建数据融合测试评估平台和多传感器管理体系；
将已有的融合方法，进行工程化以及商品化，开发出能提供多种复杂融合算法的处理硬件，在数据获取之际，就实时地完成融合。
5 结束语
伴随研究者持续不懈地努力，在不久之后的将来，数据融合的基础理论会不断获得完善，具备鲁棒性与准确性的融合算法会持续得以改进进而实现技术会一直不断被更新，实际应用会持续不断被拓展。多传感器数据融合技术必定会持续朝着成熟迈进。