。多傳感器融合技術已成為軍事、工業和高技術開發等多方面關心的問題。這一技術廣泛應用于C3I系統、復雜工業過程控制、機器人、自動目標識別、交通管制、慣性導航、海洋監視和管理、農業、遙感、醫療診斷、圖像處理、模式識別等領域。

　　實踐證明：與單傳感器系統相比，運用多傳感器數據融合技術在解決探測、跟蹤和目標識別等問題方面，能夠增強系統生存能力，提高整個系統的可靠性和魯棒性，增強數據的可信度，并提高精度，擴展整個系統的時間、空間覆蓋率，增加系統的實時性和信息利用率等。

　　數據融合又稱作信息融合或多傳感器數據融合，對數據融合還很難給出一個統一、全面的定義。隨著數據融合和計算機應用技術的發展，根據國內外研究成果，多傳感器數據融合比較確切的定義可概括為：

　　充分利用不同時間與空間的多傳感器數據資源，采用計算機技術對按時間序列獲得的多傳感器觀測數據，在一定準則下進行分析、綜合、支配和使用，獲得對被測對象的一致性解釋與描述，進而實現相應的決策和估計，使系統獲得比它的各組成部分更充分的信息。

　　多傳感器數據融合技術的基本原理就像人腦綜合處理信息一樣，充分利用多個傳感器資源，通過對多傳感器及其觀測信息的合理支配和使用，把多傳感器在空間或時間上冗余或互補信息依據某種準則來進行組合，以獲得被測對象的一致性解釋或描述。

　　對傳感器的輸出數據（離散的或連續的時間函數數據、輸出矢量、成像數據或一個直接的屬性說明）進行特征提取的變換，提取代表觀測數據的特征矢量Yi；

　　對特征矢量Yi進行模式識別處理（如，聚類算法、自適應神經網絡或其他能將特征矢量Yi變換成目標屬性判決的統計模式識別法等）完成各傳感器關于目標的說明；

　　利用融合算法將每一目標各傳感器數據進行合成，得到該目標的一致性解釋與描述。

　　利用多個傳感器所獲取的關于對象和環境全面、完整的信息，主要體現在融合算法上。因此，多傳感器系統的核心問題是選擇合適的融合算法。對于多傳感器系統來說，信息具有多樣性和復雜性，因此，對信息融合方法的基本要求是具有魯棒性和并行處理能力。

　　此外，還有方法的運算速度和精度；與前續預處理系統和后續信息識別系統的接口性能；與不同技術和方法的協調能力；對信息樣本的要求等。一般情況下，基于非線性的數學方法，如果它具有容錯性、自適應性、聯想記憶和并行處理能力，則都可以用來作為融合方法。

　　多傳感器數據融合雖然未形成完整的理論體系和有效的融合算法，但在不少應用領域根據各自的具體應用背景，已經提出了許多成熟并且有效的融合方法。

　　多傳感器數據融合的常用方法基本上可概括為隨機和人工智能兩大類，隨機類方法有加權平均法、卡爾曼濾波法、多貝葉斯估計法、Dempster-Shafer（D-S）證據推理、產生式規則等；而人工智能類則有模糊邏輯理論、神經網絡、粗集理論、專家系統等。可以預見，神經網絡和人工智能等新概念、新技術在多傳感器數據融合中將起到越來越重要的作用。

　　信號級融合方法最簡單、最直觀方法是加權平均法，該方法將一組傳感器提供的冗余信息進行加權平均，結果作為融合值，該方法是一種直接對數據源進行操作的方法。

　　卡爾曼濾波主要用于融合低層次實時動態多傳感器冗余數據。該方法用測量模型的統計特性遞推，決定統計意義下的最優融合和數據估計。如果系統具有線性動力學模型，且系統與傳感器的誤差符合高斯白噪聲模型，則卡爾曼濾波將為融合數據提供唯一統計意義下的最優估計。卡爾曼濾波的遞推特性使系統處理不需要大量的數據存儲和計算。

　　但是，采用單一的卡爾曼濾波器對多傳感器組合系統進行數據統計時，存在很多嚴重的問題，例如：

　　在組合信息大量冗余的情況下，計算量將以濾波器維數的三次方劇增，實時性不能滿足；

　　傳感器子系統的增加使故障隨之增加，在某一系統出現故障而沒有來得及被檢測出時，故障會污染整個系統，使可靠性降低。

　　貝葉斯估計為數據融合提供了一種手段，是融合靜環境中多傳感器高層信息的常用方法。它使傳感器信息依據概率原則進行組合，測量不確定性以條件概率表示，當傳感器組的觀測坐標一致時，可以直接對傳感器的數據進行融合，但大多數情況下，傳感器測量數據要以間接方式采用貝葉斯估計進行數據融合。

　　多貝葉斯估計將每一個傳感器作為一個貝葉斯估計，將各個單獨物體的關聯概率分布合成一個聯合的后驗的概率分布函數，通過使用聯合分布函數的似然函數為最小，提供多傳感器信息的最終融合值，融合信息與環境的一個先驗模型提供整個環境的一個特征描述。

　　必一運動官網

　　D-S證據推理是貝葉斯推理的擴充，其3個基本要點是：基本概率賦值函數、信任函數和似然函數。D-S方法的推理結構是自上而下的，分三級。

　　第1級為目標合成，其作用是把來自獨立傳感器的觀測結果合成為一個總的輸出結果（ID）；第2級為推斷，其作用是獲得傳感器的觀測結果并進行推斷，將傳感器觀測結果擴展成目標報告。這種推理的基礎是：一定的傳感器報告以某種可信度在邏輯上會產生可信的某些目標報告；

　　第3級為更新，各種傳感器一般都存在隨機誤差，所以，在時間上充分獨立地來自同一傳感器的一組連續報告比任何單一報告可靠。因此，在推理和多傳感器合成之前，要先組合（更新）傳感器的觀測數據。

　　產生式規則采用符號表示目標特征和相應傳感器信息之間的聯系，與每一個規則相聯系的置信因子表示它的不確定性程度。當在同一個邏輯推理過程中，2個或多個規則形成一個聯合規則時，可以產生融合。應用產生式規則進行融合的主要問題是每個規則的置信因子的定義與系統中其他規則的置信因子相關，如果系統中引入新的傳感器，需要加入相應的附加規則。

　　模糊邏輯是多值邏輯，通過指定一個0到1之間的實數表示真實度，相當于隱含算子的前提，允許將多個傳感器信息融合過程中的不確定性直接表示在推理過程中。如果采用某種系統化的方法對融合過程中的不確定性進行推理建模，則可以產生一致性模糊推理。

　　與概率統計方法相比，邏輯推理存在許多優點，它在一定程度上克服了概率論所面臨的問題，它對信息的表示和處理更加接近人類的思維方式，它一般比較適合于在高層次上的應用（如決策），但是，邏輯推理本身還不夠成熟和系統化。此外，由于邏輯推理對信息的描述存在很大的主觀因素，所以，信息的表示和處理缺乏客觀性。

　　模糊集 合理論對于數據融合的實際價值在于它外延到模糊邏輯，模糊邏輯是一種多值邏輯，隸屬度可視為一個數據真值的不精確表示。在MSF過程中，存在的不確定性可以直接用模糊邏輯表示，然后，使用多值邏輯推理，根據模糊集 合理論的各種演算對各種命題進行合并，進而實現數據融合。

　　神經網絡具有很強的容錯性以及自學習、自組織及自適應能力，能夠模擬復雜的非線性映射。神經網絡的這些特性和強大的非線性處理能力，恰好滿足了多傳感器數據融合技術處理的要求。在多傳感器系統中，各信息源所提供的環境信息都具有一定程度的不確定性，對這些不確定信息的融合過程實際上是一個不確定性推理過程。

　　神經網絡根據當前系統所接受的樣本相似性確定分類標準，這種確定方法主要表現在網絡的權值分布上，同時，可以采用經*定的學習算法來獲取知識，得到不確定性推理機制。利用神經網絡的信號處理能力和自動推理功能，即實現了多傳感器數據融合。

　　常用的數據融合方法及特性如表1所示。通常使用的方法依具體的應用而定，并且，由于各種方法之間的互補性，實際上，常將2種或2種以上的方法組合進行多傳感器數據融合。

　　隨著多傳感器數據融合技術的發展，應用的領域也在不斷擴大，多傳感器融合技術已成功地應用于眾多的研究領域。多傳感器數據融合作為一種可消除系統的不確定因素、提供準確的觀測結果和綜合信息的智能化數據處理技術，已在軍事、工業監控、智能檢測、機器人、圖像分析、目標檢測與跟蹤、自動目標識別等領域獲得普遍關注和廣泛應用稱重傳感器。

　　數據融合技術起源于軍事領域，數據融合在軍事上應用最早、范圍最廣，涉及戰術或戰略上的檢測、指揮、控制、通信和情報任務的各個方面。

　　主要的應用是進行目標的探測、跟蹤和識別，包括C31系統、自動識別武器、自主式運載制導、遙感、戰場監視和自動威脅識別系統等。如，對艦艇、飛機、導彈等的檢測、定位、跟蹤和識別及海洋監視、空對空防御系統、地對空防御系統等。海洋監視系統包括對潛艇、魚雷、水下導彈等目標的檢測、跟蹤和識別，傳感器有雷達、聲納、遠紅外、綜合孔徑雷達等。

　　空對空、地對空防御系統主要用來檢測、跟蹤、識別敵方飛機、導彈和防空武器，傳感器包括雷達、ESM（電子支援措施）接收機、遠紅外敵我識別傳感器、光電成像傳感器等。

　　迄今為止，美、英、法、意、日、俄等國家已研制出了上百種軍事數據融合系統，比較典型的有：TCAC—戰術指揮控制，BETA—戰場利用和目標截獲系統，AIDD—炮兵情報數據融合等。在近幾年發生的幾次局部戰爭中，數據融合顯示了強大的威力，特別是在海灣戰爭和科索沃戰爭中，多國部隊的融合系統發揮了重要作用。

　　復雜工業過程控制是數據融合應用的一個重要領域。目前，數據融合技術已在核反應堆和石油平臺監視等系統中得到應用。融合的目的是識別引起系統狀態超出正常運行范圍的故障條件，并據此觸發若干報警器。

　　通過時間序列分析、頻率分析、小波分析，從各傳感器獲取的信號模式中提取出特征數據，同時，將所提取的特征數據輸入神經網絡模式識別器，神經網絡模式識別器進行特征級數據融合，以識別出系統的特征數據，并輸入到模糊專家系統進行決策級融合；專家系統推理時，從知識庫和數據庫中取出領域知識規則和參數，與特征數據進行匹配（融合）；最后，決策出被測系統的運行狀態、設備工作狀況和故障等。

　　多傳感器數據融合技術的另一個典型應用領域為機器人。目前，主要應用在移動機器人和遙操作機器人上，因為這些機器人工作在動態、不確定與非結構化的環境中（如“勇氣”號和“機遇”號火星車），這些高度不確定的環境要求機器人具有高度的自治能力和對環境的感知能力，而多傳感器數據融合技術正是提高機器人系統感知能力的有效方法。

　　實踐證明：采用單個傳感器的機器人不具有完整、可靠地感知外部環境的能力。智能機器人應采用多個傳感器，并利用這些傳感器的冗余和互補的特性來獲得機器人外部環境動態變化的、比較完整的信息，并對外部環境變化做出實時的響應。目前，機器人學界提出向非結構化環境進軍，其核心的關鍵之一就是多傳感器系統和數據融合。

　　多傳感器融合在遙感領域中的應用，主要是通過高空間分辨力全色圖像和低光譜分辨力圖像的融合，得到高空問分辨力和高光譜分辨力的圖像，融合多波段和多時段的遙感圖像來提高分類的準確。數據融合技術可應用于地面車輛定位、車輛跟蹤、車輛導航以及空中交通管制系統等。

　　監視較大范圍內的人和事物的運動和狀態，需要運用數據融合技術。例如：根據各種醫療傳感器、病歷、病史、氣候、季節等觀測信息，實現對病人的自動監護；從空中和地面傳感器監視莊稼生長情況，進行產量預測；根據衛星云圖、氣流、溫度、壓力等觀測信息，實現天氣預報。

　　數據融合技術方興未艾，幾乎一切信息處理方法都可以應用于數據融合系統。隨著傳感器技術、數據處理技術、計算機技術、網絡通訊技術、人工智能技術、并行計算軟件和硬件技術等相關技術的發展，尤其是人工智能技術的進步，新的、更有效的數據融合方法將不斷推出，多傳感器數據融合必將成為未來復雜工業系統智能檢測與數據處理的重要技術，其應用領域將不斷擴大。

　　多傳感器數據融合不是一門單一的技術，而是一門跨學科的綜合理論和方法，并且，是一個不很成熟的新研究領域，尚處在不斷變化和發展過程中壓力傳感器。

　　（2）解決數據配準、數據預處理、數據庫構建、數據庫管理、人機接口、通用軟件包開發問題，利用成熟的輔助技術，建立面向具體應用需求的數據融合系統；

　　（3）將人工智能技術，如，神經網絡、遺傳算法、模糊理論、專家理論等引入到數據融合領域；利用集成的計算智能方法（如，模糊邏輯＋神經網絡，遺傳算法＋模糊＋神經網絡等）提高多傳感融合的性能；

　　（5）利用有關的先驗數據提高數據融合的性能，研究更加先進復雜的融合算法（未知和動態環境中，采用并行計算機結構多傳感器集成與融合方法的研究等）；

　　（6）在多平臺／單 平臺、異類／同類多傳感器的應用背景下，建立計算復雜程度低，同時，又能滿足任務要求的數據處理模型和算法；

　　（8）將已有的融合方法工程化與商品化，開發能夠提供多種復雜融合算法的處理硬件，以便在數據獲取的同時就實時地完成融合。

　　隨著研究者的不斷努力，不久的將來，數據融合的基礎理論、兼有魯棒性和準確性的融合算法將不斷地得到完善，實現技術將不斷地得到更新，實際應用將不斷地被擴展，多傳感器數據融合技術必將不斷地走向成熟。