数据融合技术简介
数据融合技术
无线传感器网络应用都是由大量的传感器节点构成共同完成信息收集、目标监视和感知环境的任务。
由于网络的通信带宽和能量资源存在着局限性，能量问题使得传感器网络的寿命存在很大的约束，而在进行信息采集数据传送的过程，由各个节点单独传输至汇聚节点的方法显然是不合适的，同时还会带来降低信息的收集效率以及影响信息采集的及时性等问题，因此人们通过研究提出了数据融合的方案。
作为无线传感器网络的关键技术之一，数据融合是将多份数据或信息进行处理，组合出更有效、更符合用户需求的数据的过程。
3.1数据融合的定义数据融合是将多份数据或信息进行处理，组合出更有效、更可靠、更符合用户需求的数据的过程，它涉及到系统、结构、应用、方法和理论。
传统意义上定义包括:(1)信息融合 (InformationFusinn)，定义为“在社会应用的上下文中，其包含了理论、技术和工具的创造和应用，用以在多个来源(传感器、数据库、人类收集)的信息间进行协作。
”(2)数据融合 (DataAggregatinn)是针对来自数据源的数据集合，将有弹性的、可编程的原始行数据处理为数量更少的精练数据，并将此精练数据传送给消费者。
其实，我们可以理解数据融合 (DataAggregation)为信息融合(hiformation Fusinn)的另一个子集，是将多份数据或信息进行处理，组合出更有效、更符合用户需求的数据的过程。
特别是对于无线传感器网络而言，提高精确度和节省能量是数据融合需要完成的首要任务。
3.2数据融合的作用在大多数无线传感器网络应用当中，很多时候不需要收到大量原始数据而只关心监测结果，因此处理该问题的有效手段就是数据融合技术。
而该技术的几个重要作用是其产生的重要背景。
1.节省能量无线传感器网络节点的冗余配置是建立在保证整个网络的可靠性和监测信息准确性的基础上。
在监测区域周围的节点采集和报告的数据信息会非常相似，甚至接近，这会造成较高的数据冗余情况，在这种情况下的数据发送至汇聚节点在满足数据精度的前提下，汇聚节点并不能获得更多的数据，相反会使网络的能量得到更多不必要的消耗。
数据融合技术概述
数据融合是WSN中非常重要的一项技术，也是目前的一个研究热点，通过一定算法将采集到的数据进行各种网内处理，去除冗余信息，减少数据传输量，降低能耗，延长网络生命周期。
本文以从降低传输数据量和能量方面对数据融合方法进行分类，介绍其研究现状。
1.与路由相结合的数据融合将路由技术和数据融合结合起来，通过在数据转发过程中适当地进行数据融合，减轻网络拥塞，延长网络生存时间[1]。
1.1查询路由中的数据融合定向扩散（directed diffusion）[2]作为查询路由的代表，数据融合主要是在其数据传播阶段进行，采用抑制副本的方法，对转发过的数据进行缓存，若发现重复数据将不予转发，该方法有很好的能源自适应性，但是他只能在他选择的随机路由上进行数据融合，并不是最优方案。
1.2分层路由中的数据融合Wendi Rabiner Heinzelman 等提出了在无线传感器网络中使用分簇概念,其将网络分为不同层次的LEACH 算法[3] :通过某种方式周期性随机选举簇头,簇头在无线信道中广播信息,其余节点检测信号并选择信号最强的簇头加入,从而形成不同的簇。
每个簇头在收到本簇成员后进行数据融合处理，并将结果发送给汇集节点。
LEACH算法仅强调数据融合的重要性，但未给出具体的融合方法。
TEEN是LEACH 算法的改进[4]，通过缓存机制抑制不需要转发的数据，进一步减少数据融合过程中的数据亮。
1.3链式路由中的数据融合Lindsey S 等人在L EACH 的基础上,提出了PEGASIS 算法[5]每个节点通过贪婪算法找到与其最近的邻居并连接,从而整个网络形成一个链,同时设定一个距离Sink 最近的节点为链头节点,它与Sink进行一跳通信。
数据总是在某个节点与其邻居之间传输,节点通过多跳方式轮流传输数据到Sink 处，位于链头节点和源节点之间的节点进行融合操作，最终链头节点将结果传送给汇聚节点。
链式结构使每个节点发送数据距离几乎最短，比LEACH节能，但增大了数据传送的平均延时，和传输失败率。
地理信息系统中的数据融合技术
地理信息系统中的数据融合技术地理信息系统（Geographic Information System，简称GIS）是一种将地理空间数据与非空间数据进行集成、存储、检索、分析和展示的技术系统。
它在许多领域起到了重要的作用，如城市规划、自然资源管理和应急响应等。
而在GIS的应用过程中，数据融合技术是至关重要的环节。
一、数据融合技术的定义及意义数据融合技术是指将来自不同数据源的数据进行整合和处理的技术方法。
在GIS中，数据源可以包括卫星遥感数据、空间数据库、传感器数据等，而这些数据往往具有不同的格式、分辨率和精度。
通过数据融合技术，可以有效地将这些异构数据整合为统一的数据集，提高数据质量和准确性。
数据融合技术在GIS中的应用具有广泛的意义。
首先，数据融合可以减少数据冗余和重复采集，提高数据利用率。
其次，通过整合不同来源的数据，可以获得更全面、综合的地理信息，进而为决策提供更准确的依据。
此外，数据融合还可以用于监测和分析，帮助发现数据之间的关联性和规律性，为问题的解决提供更深入的洞察。
二、数据融合技术的方法在GIS中，有多种方法可用于数据融合，常见的方法包括：1. 特征级融合：特征级融合是指将不同源数据中的特征进行提取和融合。
通过分析各类数据的特征，并将它们进行统一的表示和处理，可以得到更综合的地理信息。
2. 图像级融合：图像级融合是指将来自不同传感器的图像进行融合，生成更高分辨率和更丰富信息的影像数据。
这种方法常用于卫星遥感数据的处理，可以在细节上提高图像的清晰度和质量。
3. 数据库级融合：数据库级融合是指将来自不同数据库的数据进行整合和管理。
通过建立统一的数据库模型和数据标准，可以实现各个数据库的数据共享和交互，提高数据的一致性和可访问性。
4. 规则级融合：规则级融合是指结合专家知识和规则，通过一定的逻辑和推理方法，对不同数据进行融合和推断。
这种方法常用于模型建立和预测分析等应用中，可以提高数据的解释性和应用价值。
数据融合概念
数据融合概念数据融合是指将来自不同来源、不同格式、不同结构的数据进行整合和合并，以便提供更全面、更准确、更有价值的信息。
通过数据融合，我们可以将分散的数据集合起来，消除冗余和重复数据，提高数据的质量和可用性，从而为决策提供更好的支持。
数据融合的目标是将多个数据源中的信息进行整合，形成一个统一的视图。
这个视图可以包括不同数据源的数据属性、关系、模式等信息，使得用户可以从一个统一的界面中访问和分析多个数据源的数据。
数据融合可以应用于各个领域，包括商业、科学、医疗等。
在商业领域，数据融合可以匡助企业整合来自不同渠道的销售数据、客户数据、市场数据等，以便进行更好的市场分析、客户关系管理和业务决策。
在科学研究中，数据融合可以匡助科学家整合来自不同实验、观测和摹拟的数据，以便进行更准确的数据分析和模型验证。
在医疗领域，数据融合可以匡助医生整合来自不同医疗设备、医疗记录和患者个人信息的数据，以便进行更准确的诊断和治疗。
数据融合的过程包括数据采集、数据清洗、数据集成和数据分析等步骤。
首先，需要从不同的数据源中采集数据，这些数据可以来自数据库、文件、传感器等。
然后，需要对采集到的数据进行清洗，包括去除重复数据、填补缺失值、纠正错误数据等。
接下来，需要将清洗后的数据进行集成，可以采用数据库技术、数据仓库技术、ETL（提取、转换、加载）工具等。
最后，可以对集成后的数据进行分析，包括数据挖掘、统计分析、机器学习等。
数据融合面临一些挑战，包括数据质量、数据安全和数据隐私等方面。
数据质量问题包括数据的准确性、完整性、一致性和时效性等。
数据安全问题包括数据的保密性、完整性和可用性等。
数据隐私问题包括如何保护个人隐私和敏感信息等。
为了解决这些问题，需要采取一系列的措施，包括数据清洗、数据加密、访问控制、权限管理等。
总之，数据融合是将来自不同来源的数据进行整合和合并，以提供更全面、更准确、更有价值的信息。
通过数据融合，可以消除数据的冗余和重复，提高数据的质量和可用性，为决策提供更好的支持。
数据融合技术简介
数据融合技术简介数据融合技术是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理技术。
数据融合的概念虽始于７０年代初期，但真正的技术进步和发展乃是８０年代的事【1】，尤其是近几年来引起了世界范围内的普遍关注，美、英、日、德、意等发达国家不但在所部署的一些重大研究项目上取得了突破性进展，而且已陆续开发出一些实用性系统投入实际应用和运行。
我国“八五”规划亦已把数据融合技术列为发展计算机技术的关键技术之一，并部署了一些重点研究项目，尽可能给予了适当的经费投入。
但这毕竟是刚刚起步，我们所面临的挑战和困难是十分严峻的，当然也有机遇并存。
这就需要认真研究，针对我国的国情和军情，采取相应的对策措施，以期取得事半功倍的效果。
数据融合可分为：（1）像素级融合：它是直接在采集到的原始数据层上进行的融合，在各种传感器的原始测报未经预处理之前就进行数据的综合与分析。
数据层融合一般采用集中式融合体系进行融合处理过程。
这是低层次的融合，如成像传感器中通过对包含若一像素的模糊图像进行图像处理来确认目标属性的过程就属于数据层融合。
（2）特征层融合：特征层融合属于中间层次的融合，它先对来自传感器的原始信息进行特征提取(特征可以是目标的边缘、方向、速度等)，然后对特征信息进行综合分析和处理。
特征层融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度的给出决策分析所需要的特征信h。
特征层融合一般采用分布式或集中式的融合体系。
特征层融合可分为两大类：一类是目标状态融合；另一类是目标特性融合。
（3）决策层融合决策层融合通过不同类型的传感器观测同一个目标，每个传感器在本地完成基本的处理，其中包括预处理、特征抽取、识别或判决，以建立对所观察目标的初步结论。
然后通过关联处理进行决策层融合判决，最终获得联合推断结果。
数据融合作为一种数据综合和处理技术，实际上是许多传统学科和新技术的集成和应用，其中涉及的知识包括通信、模式识别、决策论、不确定性理论、信号处理、估计理论、最优化技术、计算机科学、人工智能、神经网络等，特别是神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。
数据融合概念
数据融合概念数据融合是指将来自不同来源的数据整合、合并和处理，以生成更全面、准确和有用的信息。
它是一种数据管理和分析技术，可以帮助组织更好地理解和利用其数据资产。
在当今信息爆炸的时代，组织面临着大量的数据来源，包括传感器、社交媒体、移动设备和互联网等。
这些数据通常以不同的格式、结构和质量存在，使得对其进行分析和利用变得困难。
数据融合的目标就是将这些异构数据整合成一致、连续和有意义的信息。
数据融合的过程包括数据收集、数据清洗、数据转换、数据集成和数据分析等步骤。
首先，需要收集来自不同来源的数据，这可能涉及到不同的数据源和数据采集方法。
然后，对收集到的数据进行清洗，去除重复、缺失和错误的数据，确保数据的质量和一致性。
接下来，需要将清洗后的数据进行转换，使其能够以统一的格式和结构进行处理。
然后，将转换后的数据进行集成，将不同数据源的数据整合在一起。
最后，对整合后的数据进行分析，提取有用的信息和洞察。
数据融合可以应用于各个领域，包括商业、科学、医疗、金融等。
在商业领域，数据融合可以帮助企业整合来自不同渠道的销售数据，分析客户行为和偏好，为市场营销和业务决策提供支持。
在科学领域，数据融合可以帮助研究人员整合不同实验室和观测站点的数据，进行跨领域的研究和发现。
在医疗领域，数据融合可以帮助医生整合患者的电子病历、实验室结果和影像数据，提供更准确的诊断和治疗建议。
在金融领域，数据融合可以帮助银行整合客户的交易数据、信用评分和行为数据，进行风险评估和个性化推荐。
数据融合的优势在于能够提供更全面、准确和有用的信息。
通过将不同数据源的数据整合在一起，可以消除数据孤岛和信息碎片化的问题，提供更完整和连续的数据视图。
同时，数据融合可以帮助发现不同数据源之间的关联和相互作用，提供更深入和全面的洞察。
此外，数据融合还可以提高数据的质量和一致性，减少数据错误和偏差的影响。
然而，数据融合也面临一些挑战和难题。
首先，不同数据源的数据可能存在差异，包括格式、结构、质量和语义等方面的差异，这需要进行数据转换和映射。
数据融合技术的应用
数据融合技术的应用一、引言现今的信息时代，数据的产生和积累速度呈爆炸式增长，各个行业和领域都需要对这些海量的数据进行分析和利用。
而数据融合技术是一种有效的手段，能够将分散在不同系统、不同格式的数据进行整合和处理，从而为决策提供更可靠的依据。
本文将深入探讨数据融合技术的应用，并对其进行全面的分析和讨论。
二、数据融合技术的概述2.1 数据融合技术的定义数据融合技术是指将分散在多个数据源、不同格式的数据进行整合，并利用特定的算法和模型将其融合成适合决策和应用的统一表示形式的过程。
2.2 数据融合技术的重要性数据融合技术对于各个行业和领域都具有重要的意义。
首先，数据融合技术可以帮助企业和组织整合并利用分散在不同系统、不同格式的数据资源，从而提升决策的准确性和效率。
其次，数据融合技术可以帮助政府机构快速整合和利用各种数据资源，从而提升公共管理的水平和效能。
再次，数据融合技术对于科学研究和工程领域也具有重要作用，能够辅助科学家和工程师进行数据分析和模型建立，提升研究和开发的效率。
2.3 数据融合技术的应用领域数据融合技术在各个领域都有广泛的应用，包括但不限于以下几个方面： - 金融领域：数据融合技术可以帮助银行和保险公司整合客户信息、财务数据等，提供综合的风险评估和决策支持。
- 健康领域：数据融合技术可以将来自医院、医疗设备、健康监测器等多个数据源的医疗数据整合起来，为医生提供全面的诊断和治疗建议。
- 物联网领域：数据融合技术可以将来自物联网设备、传感器等多个数据源的数据进行整合，为智能城市、智能交通等领域提供综合的决策支持。
- 社交媒体领域：数据融合技术可以整合多个社交媒体平台上的用户数据和行为数据，为企业和组织提供精准的营销和推广策略。
三、数据融合技术的关键问题3.1 数据质量数据融合技术的关键问题之一是数据质量。
由于数据来源的多样性和不确定性，数据融合过程中可能面临数据质量的问题，如数据缺失、数据错误等。
数据融合技术概述
数据融合技术概述
数据融合技术包括数据对接、数据清洗、数据标准化、数据集成等过程。
首先，要通过数据对接将不同数据源的数据连接起来，以实现数据的综合管理；然后，要清洗数据，去除冗余、错误和丢失的数据，以保证数据的准确性；接下来，要进行数据标准化，即将各个数据源的数据统一起来，以保证数据的一致性；最后，通过数据集成将各个数据源的数据整合起来，以实现数据的完整性。
数据融合技术的应用是多种多样的，除了可以支持企业的数据分析和决策，还可以用于社会经济发展研究、市场营销分析等多种领域。
数据融合技术在企业中的应用不断增加，采用数据融合技术的企业能够更快、更准确地获取数据，从而更好地支持企业的决策制定。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据融合技术简介数据融合技术是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理技术。
数据融合的概念虽始于７０年代初期，但真正的技术进步和发展乃是８０年代的事【1】，尤其是近几年来引起了世界范围内的普遍关注，美、英、日、德、意等发达国家不但在所部署的一些重大研究项目上取得了突破性进展，而且已陆续开发出一些实用性系统投入实际应用和运行。
我国“八五”规划亦已把数据融合技术列为发展计算机技术的关键技术之一，并部署了一些重点研究项目，尽可能给予了适当的经费投入。
但这毕竟是刚刚起步，我们所面临的挑战和困难是十分严峻的，当然也有机遇并存。
这就需要认真研究，针对我国的国情和军情，采取相应的对策措施，以期取得事半功倍的效果。
数据融合可分为：（1）像素级融合：它是直接在采集到的原始数据层上进行的融合，在各种传感器的原始测报未经预处理之前就进行数据的综合与分析。
数据层融合一般采用集中式融合体系进行融合处理过程。
这是低层次的融合，如成像传感器中通过对包含若一像素的模糊图像进行图像处理来确认目标属性的过程就属于数据层融合。
（2）特征层融合：特征层融合属于中间层次的融合，它先对来自传感器的原始信息进行特征提取(特征可以是目标的边缘、方向、速度等)，然后对特征信息进行综合分析和处理。
特征层融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度的给出决策分析所需要的特征信h。
特征层融合一般采用分布式或集中式的融合体系。
特征层融合可分为两大类：一类是目标状态融合；另一类是目标特性融合。
（3）决策层融合决策层融合通过不同类型的传感器观测同一个目标，每个传感器在本地完成基本的处理，其中包括预处理、特征抽取、识别或判决，以建立对所观察目标的初步结论。
然后通过关联处理进行决策层融合判决，最终获得联合推断结果。
数据融合作为一种数据综合和处理技术，实际上是许多传统学科和新技术的集成和应用，其中涉及的知识包括通信、模式识别、决策论、不确定性理论、信号处理、估计理论、最优化技术、计算机科学、人工智能、神经网络等，特别是神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。
多传感器数据融合技术的核心问题是选择合适的融合算法，由于信息的多样性和复杂性，对数据融合方法的基本要求是具有鲁棒性和并行处理能力。
具体的数据融合的方法很多【3】【4】，常用的方法大体上可分成三大类：（1）基于统计理论的融合方法-----------基于统计理论的融合方法有：经典推理法、贝叶斯估计法和证据理论法（Dempster-Shafer）。
经典推理法在早起的数据融合中得到了广泛的应用，由于其完全依赖数学理论，则形式简单、易操作，缺点是必须要求先验知识和计算先验概率密度分布函数，同时一次仅能估计两个假设，特别是用于多变量统计时计算更加复杂。
贝叶斯推理技术比经典推理法有了较大的进步，它可以处理多个假设问题，贝叶斯估计法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。
但其定义先验似然函数比较困难，缺乏很好的表述及分配总体不确定性的能力等。
D-S证据推理是贝叶斯推理的重要推广扩充，其主要有三个基本要点：基本概率赋值函数、信任函数和似然函数，其用置信区间代替概率，用集合表示事件，用D-S组合规则代替贝叶斯公式来更新置信函数。
其自上而下的推理结构是分为目标合成、推断和更新三级。
D-S 理论优点是解决了一般水平的不确定性分配问题，能够很好地表示“不确定性”、“不知道”等认知学上的重要概念，因此具有很大的应用前景。
（2）基于信息论的融合方法基于信息论的融合方法包括模板法、聚类分析法和人工神经网络等，这些方法的共同点是将自然分组和目标类型相联系。
模板法通过对观测数据与先验模板匹配处理，来确定观测数据是否支持已有模板所表征的假设。
其根据具体的时域、频域或小波域的数据或图像与预先存储的目标特征或预测的目标模型作比较，通过计算预测数据和实测数据的关联，若两者的相关系数超过了一个预先设定的阂值，则认为两者存在匹配关系。
模板法由于计算量大，在非实时环境中有很好的效果，而在实时环境中可能无法满足要求。
聚类分析法根据预先指定的相似标准把观测分为一些自然组或聚集，再把自然组与目标预测类型相关，需要定义一个相似性函数或关联度量以提供一个表示任何两个特征向量之间“接近”程度或不相似程度的值，缺点是本身的启发性使得数据排列方式、相似性参数的选择、聚类算法的选择等都对聚类有影响。
人工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。
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，这种确定方法主要表现在网络的权值分布上，同时，可以采用神经网络特定的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。
当输入数据中混有噪声时，人工神经网络的优点更加突出。
（3）基于认识模型的融合方法基于认识模型的融合方法试图模仿人类辨别实体的过程，其中有模糊集合理论、逻辑模板法和专家系统等。
模糊集合理论应用广义的集合论来确定指定集合所具有的隶属关系。
模糊集理论对模糊集及其元素提供了一个集合变换代数算法(如并集、逻辑或等)。
其建立在一组可变的模糊“IF-THEN”规则基础上的。
这些规则的来源既可以是专家的信息也可以是通过输入一输出数据对的映射得到。
“IF-THEN”规则的模糊概念是以隶属函数来表达的，通过使某些指标函数取得最优值，以获得最佳辨识效果。
该方法的难点在于如何构造合理有效的隶属函数和指标函数。
逻辑模板法是基于逻辑的识别技术的总称，其主要将通过模糊逻辑推理方法应在在系统匹配模型中，主要用于时间探测或态势估计所进行的多传感器数据融合的应用中。
专家系统试图模拟专家对专业进行决策和推理的能力，其知识库包含事实、经验规则和启发性信息，使用观测数据，再根据知识库进行推理。
专家系统或知识库系统适于实现较高水平的推理。
由于专家系统方法依赖于知识的表示，因此其先验知识库的有效建立决定了专家系统应用的成败。
数据融合的算法非常多，除了以上常见的数据融合方法外，还有基本的加权平均法、卡尔曼滤波法、品质因数法，随着科学技术的飞速发展，一些智能方法如粗集理论、小波分析理论和支持向量机等也不断的出现，必将在多传感器数据融合中将起到越来越重要的作用【5】。
数据融合技术通过组合获得比单传感器数据更准确的信息，即通过各个传感器之间的协调和性能互补来提高整个多传感器系统的性能。
从目前来看，应用数据融合技术主要有以下几个优点【6】：（1）可以提高信息的可信度由于多传感器数据融合技术拓展了时空分辨力，其利用多种传感器能够更加准确地获得环境目标的某一特征或一组相关特征，降低了目标位置估计和属性估计的不确定性，使整个系统所获得的综合信息具有更高的精度及可靠性。
（2）改进了系统探测性能由于多传感器数据融合技术对目标的多种测量的有效融合，在相同的时间内能获得更多的信息，特别是在测量运动速度快的目标时，提高了系统探测的有效性，弥补了手段缺乏而引起的不足。
（3）提供稳定的工作性能多传感器数据融合技术利用系统固有的冗余度，减少了关于目标或事件的假设集合，对同一目标或事件的多次同一传感器在不同的时序上或多个同一时刻不同传感器独立测量进行有效综合分析和处理，可以提高系统检测的有效性和生存能力。
（4）提高了系统容错能力由于多个传感器所采集的信息具有冗余性，当系统中有一个甚至几个传感器出现故障时，尽管某些信息容量减少了，但仍可由其它传感器获得有关信息，使系统继续运行，故经过数据融合处理无疑会使系统在利用这些信息时具有很好的容错性能。
（5）实现信息的智能化处理多传感器数据融合技术为多信息源复杂系统的智能控制与决策奠定了基础。
可以是信息处理更方便、快捷和智能化，数据融合技术可以进行更复杂信号的检测处理，提高系统检测的准确性。
随着多传感器数据融合技术的发展，应用的领域也在不断扩大，多传感器融合技术已成功地应用于众多的研究领域。
多传感器数据融合作为一种可消除系统的不确定因素、提供准确的观测结果和综合信息的智能化数据处理技术，己在军事、工业监控、智能检测、机器人、图像分析、目标检测与跟踪、自动目标识别等领域获得普遍关注和广泛应用。
数据融合必将成为未来复杂工业系统智能检测与故障诊断的重要技术。
另外，如何将基于模糊逻辑、神经网络、遗传算法、粗集理论、支持向量机、小波变换等智能方法有机结合起来实现对当前数据融合算法的改进，也是将来的一个重要的发展趋势。
[1]计算机世界报1994年第4期[2]何友,王国宏,陆大金,等.多传感器信息融合及应用[M].北京:电子工业出版社, 2000:1-2[3]杨万海.多传感器数据融合及其应用[M].西安:西安电子科技大学出版社，2004[4]宋明,王耀南.复杂工业系统的多传感器信息融合智能技术研究[J].计算技术与自动化, 2003, 22(2):130-133.[5]胡丹丹,肖书明,王燕清等.基于多传感器的数据融合技术[J].东北电力学院学报，2004, 24(1):62-67.[6]肖兵,蒋艳,瞿彬彬.多传感器数据融合性能评估结构的设计[J].武汉理工大学学报，2006, 28(12):12-14.。