传感器数据融合的主要算法

多传感器数据融合的常用方法基本可以概括为随机和人工智能两大类。

随机类算法：

1. 加权平均法：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，是一种直接对数据源进行操作的方法。

2. 卡尔曼滤波法：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。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。

3. 多贝叶斯估计法：是融合静态环境中多传感器高层信息的常用方法。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。

4. 多贝叶斯估计将每一个传感器节点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。

5. 证据推理方法：分三级，第一级为目标合成，其作用是把来自独立传感器节点的观测结果合成为一个总的输出结果；第二级为推断，其作用是获得传感器节点的观测结果并进行推断，将观测结果扩展成目标报告。这种推理的基础是：一定的传感器结果以某种可信度在逻辑上会产生可信的某些目标报告；第三级为更新，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。

人工智能类算法：

1. 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，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。

优点：对信息的表示和处理更加接近人类的思维方式，一般比较适用于高层次上的应用。

2. 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。