多传感器数据融合技术综述
多传感器数据融合模型综述
多传感器数据融合模型综述
多传感器数据融合模型是一种将多个传感器所采集到的数据进行整合和分析的技术。
该技术已被广泛应用于许多领域，如智能交通系统、无人机监测、军事情报收集等。
本文将综述多传感器数据融合模型的相关研究及其在不同领域的应用。
首先，我们将简要介绍多传感器数据融合的概念和基本原理，包括数据处理、特征提取和决策制定等方面。
然后，我们将介绍当前常用的多传感器数据融合模型，包括基于贝叶斯理论、卡尔曼滤波、神经网络等模型。
特别是，我们将详细介绍神经网络模型在多传感器数据融合中的应用，包括卷积神经网络、循环神经网络、变换器等。
最后，我们将探讨多传感器数据融合模型的未来发展方向和研究挑战，包括数据的异质性、可扩展性和可靠性等问题。
本文旨在为研究人员和工程师提供关于多传感器数据融合模型的全面认识和实用指导。
- 1 -。
多传感器数据融合算法的研究与应用
3、神经网络法：这种方法利用神经网络的自适应学习能力，将多个传感器 的数据进行融合，以获得最优的估计结果。其优点是适用于非线性系统的数据融 合，具有自适应学习能力；缺点是训练时间长，需要大量的样本数据进行训练。
4、遗传算法：这种方法利用遗传算法的全局搜索能力，对多个传感器的数 据进行融合，以获得最优的估计结果。其优点是适用于复杂系统的数据融合，具 有全局搜索能力；缺点是容易陷入局部最优解。
4、医疗诊断：通过对多个医疗设备的传感数据进行融合，可以提高医疗诊 断的准确性和可靠性。例如在医学影像中，通过对X光、CT、MRI等多种影像数据 的融合，提高医学诊断的准确性和可靠性。
5、交通管理：通过对多个交通传感器的数据进行融合，可以实现智能交通 管理。例如在交通控制中，通过对车流量、速度、道路状况等多种传感器的数据 进行融合实现对交通的有效控制和管理。
8、导航系统：在导航系统中常利用多传感器信息融合技术以提高导航系统 的定位精度和稳定性；例如通过GPS和惯性测量单元（IMU）的数据融合以实现高 精度导航。
9、无人系统：在无人驾驶、无人机等无人系统中常利用多传感器信息融合 技术以实现对环境的感知和理解以及自主决策和控制；例如通过摄像头、雷达、 超声波等传感器的数据融合以实现无人车的自动驾驶或无人机自主飞行。
参考内容二
随着科技的快速发展，多传感器数据融合技术在许多领域都得到了广泛的应 用。这种技术通过整合多个传感器的数据，可以提供更全面、准确的信息，有助 于提高决策的精度和效率。多传感器数据融合算法是实现这一目标的关键。本次 演示将对多传感器数据融合算法进行综述。
一、多传感器数据融合的基本概 念
多传感器数据融合是一种利用多个传感器获取和整合信息的技术。这些传感 器可以是有线的，也可以是无线的，可以在同一环境中部署，也可以分布在不同 地理位置。通过数据融合，我们可以获得比单一传感器更丰富、更准确的信息。
多传感器数据融合目标识别算法综述
第35卷，增刊红外与激光工程2006年10月V01．35Suppl em ent hl觎r ed趾d La se r Eng抵ri ng oc t．2006多传感器数据融合目标识别算法综述徐小琴a匕京跟踪与通信技术研究所，北京100094)摘要：多传感器数据融合作为一种特殊的数据处理手段在目标识别领域得到了较大的重视和发展。
在介绍多传感器数据融合目标识别基本原理及其算法理论依据基础上，从概念分类方面，对目前多传感器数据融合目标识别算法进行了全面综述，包括参数分类算法、基于认识模型的算法、物理模型算法及多类算法综合识别法等，说明了各算法特点及对其的进一步改进，列举了目前国内外一些已经发表的重要算法，为下一步多传感器融合目标识别研究提供了一定的理论依据。
关键词：多传感器；数据融合；目标识别；证据理论；推理算法中圈分类号l T P274．2文献标识码l A文章编号：1007．2276(2006)增D．0321一osSur vey of m ul t i-sens or dat a f us i on t ar get r ecogni t i on al gor i t hm sX UⅪao—qi n(B ei ji ng h曲埔e of T r∞ki ng蛐d Tel∞D衄ul Ii cal i o娜．Ibchnol ogy’B嘶ing100094，al ina)A bs tr act：M ul t i—s ens or dat a f us i on obt ai ns def i I l i t e D e c ogI l i t i on aI l d devel op r nent ac t S a s an e spe ci al dat apr o ces s i ng r nea ns i n m e dom如of t a唱et r eco gni t i on．B as i c也eor y of r r l ul t i—s enso r dat a f us i on协略etr ecogIl i t i on andi ts al gonⅡ1mⅡl eo巧el em ent s a r e i n仰duced，and f r om m e as p ect of concept cl as si fi c撕on，aI l al l—a round sun，e y of act Il al m ul t i一§ens or dat a f us i on t a r ge t re c ogI l i t i on al gor i t l l m s i s gi V en w hi c h i n cl udes par锄et er c l as s i fl c at i on al gor i t hm s，al gor i m m s bas ed o n cogI l i t i on m odel，phys i cs m odel al g嘶m m s aI l d s ynm et i cal m ul t i一哆pe r ecogni t i on al gori t l l m s aI l d s o on，pecul i撕t ies of m ese al gor i t l l m s aI l df珊l er锄el i om t i on about t he m ar e expl ai ned，som e publ i s hed i m por t ant al gor i m m s at t ll e pres ent t i l ne a r e em m l er纳ed，w l l i ch pr ovi des def i I l i t e t l l eor e廿ca l bas es f br f ut ur e m ul t i se ns or f us i on t a r ge t r ecogni t i on r es ear ch．K ey w or ds：M ul t i—s ensor；D at a f l ls i on；№et rec删ti∞；E vi den ce nl eor y；R caso血g al go珊吼O引育众所周知，在高科技信息对抗环境下，各种监测设备功能不断增加，检测到的信息复杂多变且日益增多。
多传感器信息融合及其应用综述
第16卷第5期V o l.16N o.5 控 制 与 决 策CON T ROL A N D D EC IS ION 2001年9月Sep t.2001 文章编号:100120920(2001)0520518205多传感器信息融合及其应用综述王耀南,李树涛(湖南大学电气与信息工程学院,湖南长沙410082)摘 要:多传感器数据融合广泛应用于自动目标识别、战场监视、自动飞行器导航与控制、机器人、工业过程控制、遥感、医疗诊断、图像处理、模式识别等领域。
介绍了多传感器数据融合技术的概念、处理模型、融合层次等问题,综述了近年来多传感器融合技术的研究进展和应用,预测了未来的发展趋势。
关键词:多传感器;信息融合;复杂工业过程控制中图分类号:T P14 文献标识码:AM ultisen sor I nformation Fusion and Its Application:A SurveyW A N G Y ao2nan,L I S hu2tao(Co llege of E lectrical and Info r m ati on Engineering,H unan U niversity,Changsha410082,Ch ina)Abstract:M ultisenso r info r m ati on fusi on is being app lied to a w ide variety of fields such as autom atedtarget recogniti on,battlefield surveillance,guidance and contro l of autonomous veh icles,robo tics,in2dustrial p rocess contro l,m edical diagno stics,i m age p rocessing and pattern recogniti on.T he concep t ofm ultisenso r info r m ati on fusi on is introduced,and the p roblem of p rocessing model and fusi on level ofm ultisenso r info r m ati on fusi on are discussed.A review of the state of the art and developm ent trend arep resented.Key words:m ultisenso r;info r m ati on fusi on;comp lex industrial p rocess contro l1 引 言 近年来,多传感器信息融合技术不论在军事领域还是在民事领域都受到了广泛的关注[1～3]。
论文--多传感器数据融合技术在移动机器人中的应用
智能信息处理技术论文论文题目：多传感器数据融合技术在移动机器人中的应用学院：自动化学院专业：控制理论与控制工程学号：XX：序号：多传感器数据融合技术在移动机器人中的应用摘要机器人多传感器数据融合是当今科学研究的热点问题。
综述了多传感器数据融合技术在移动机器人几个工作阶段中的应用。
指明了移动机器人领域中多传感器数据融合技术的开展趋势。
关键词移动机器人多传感器数据融合AbstractNowadays, the multi-sensor data fusion of robots is an intensive topicin scientific research. The application of multi-sensor data fusion technology in mobile robots' several sessions is described. At last, future development trends of this technology arealso presented.Key Wordmobile robot multi-sensor data fusion前言随着传感器种类的日益丰富和传感器技术的飞速开展，多传感器数据融合技术得到了越来越多的关注。
并且由于其在解决探测、跟踪和识别等问题上具有生存能力强，能够增强系统检测性能、可信度、鲁棒性和可靠性，可以提高测量数据精度，扩展系统的时间和空间覆盖X围[1]等优势，多传感器数据融合在军事、农业、工业等各个领域上的应用越来越频繁。
其中，数据融合技术在机器人研究领域的应用也正处在快速开展的阶段，特别是在移动机器人中，数据融合技术的应用就更为广泛了。
本文比拟分析了现有移动机器人上所应用的多传感器数据融合技术，并对未来移动机器人研究领域内数据融合技术的开展进展了合理的展望。
正文1 移动机器人技术简介移动机器人是一类能够通过传感器感知自身状态和周围环境，实现在复杂未知中面向目标的自主运动，并完成预定任务的机器人系统[2,3]。
多传感器信息融合研究综述
多传感器信息融合研究综述多传感器信息融合是指从多个传感器获取的不同类型的数据进行整合和分析，以获得更准确、更完整的信息。
随着传感技术的不断进步和应用的扩大，多传感器信息融合成为了许多领域的研究热点，如环境监测、交通管理、智能机器人等。
本文将从多传感器信息融合的定义、分类、算法以及应用领域等方面进行综述。
首先，多传感器信息融合的定义。
多传感器信息融合是指通过不同类型的传感器获取的数据进行融合和分析，以提高信息的精确性和可靠性。
这些传感器可以是同种类型的，如多个摄像头用于图像融合；也可以是不同类型的，如摄像头和温湿度传感器用于环境监测。
其次，多传感器信息融合可分为数据级信息融合和特征级信息融合。
数据级信息融合是指直接采用传感器原始数据进行处理和融合，如数据融合、数据对准等。
特征级信息融合是指从传感器数据中提取有用的特征，并将这些特征进行融合和分析，如特征抽取、特征选择等。
数据级信息融合和特征级信息融合可以相互补充，提高信息融合的准确性和鲁棒性。
再次，多传感器信息融合的算法主要包括基于模型的方法和基于数据的方法。
基于模型的方法是指根据传感器的物理模型和系统模型，将传感器数据与模型进行匹配和融合，如卡尔曼滤波器、粒子滤波器等。
基于数据的方法是指根据大量的历史数据进行统计分析和建模，以获得传感器数据之间的关联性，并进行数据融合和预测，如神经网络、支持向量机等。
最后，多传感器信息融合在许多领域都得到了广泛的应用。
在环境监测方面，多传感器信息融合可以帮助提高空气质量、水质监测的准确性；在交通管理方面，多传感器信息融合可以帮助更准确地监测交通流量、路况等信息；在智能机器人方面，多传感器信息融合可以帮助机器人实现自主导航、目标识别等功能。
综上所述，多传感器信息融合是通过将不同类型的传感器数据进行整合和分析，以提高信息的精确性和可靠性的方法。
多传感器信息融合可以分为数据级信息融合和特征级信息融合，其算法主要包括基于模型的方法和基于数据的方法。
智能机器人导航中的多传感器融合技术综述
智能机器人导航中的多传感器融合技术综述智能机器人导航是现代机器人技术领域的一个重要研究方向。
为了实现智能机器人的精确定位、路径规划和环境感知等功能，多传感器融合技术被广泛应用于智能机器人导航系统中。
本文将对智能机器人导航中的多传感器融合技术进行综述，包括其原理、应用以及挑战等方面的内容。
智能机器人导航的主要目标是使机器人能够自主地在未知环境中实现定位和导航，并能够智能地避开障碍物。
然而，由于环境变化的不确定性以及单一传感器的局限性，单一传感器无法满足对导航系统精确定位和环境感知的要求。
因此，借助多传感器融合技术可以解决这一问题。
多传感器融合技术是指将不同类型的传感器（如视觉、激光、惯性、雷达等）的信息进行融合，从而提高机器人导航的精确性和鲁棒性。
常用的传感器融合方法包括Kalman滤波、粒子滤波、扩展卡尔曼滤波、信息融合等。
这些方法能够从不同传感器中获取的信息中提取最准确的定位和环境信息，为导航系统提供准确的导航决策。
在智能机器人导航系统中，视觉传感器被广泛应用于环境建模和障碍物检测。
视觉传感器可以利用摄像头获取环境的图像信息，并通过图像处理算法提取出环境中的关键信息，如地标、障碍物等。
同时，激光传感器可以通过激光束扫描地形，获取地形的深度和距离信息，从而实现地图构建和路径规划。
惯性传感器可以测量机器人的加速度和角速度，通过积分得到机器人的运动轨迹，在导航中起到重要的作用。
雷达传感器可以通过发射电磁波来探测周围的障碍物，并可以测量障碍物的距离和角度。
这些传感器的融合可以在不同环境中实现精确的定位和路径规划。
然而，智能机器人导航中的多传感器融合技术仍面临一些挑战和困难。
首先，多传感器信息的处理和融合需要复杂的算法与方法，对计算资源和功耗有较高要求。
其次，多传感器的数据具有不同的精确性和准确性，需要进行有效地融合与融合结果的权重分配。
此外，环境中的不确定性会对传感器的测量产生干扰，需要通过滤波算法进行噪声处理和过滤。
基于智能车辆的多传感器数据融合算法研究与分析综述
车辆导航 等。文章通过对现有的数据融合方法进行分 类和 归纳总结 ， 多传感器数据 融合 算法的研 究和数据 融 对 合技术的应用情 况进行 阐述 ， 为智能车辆多传感数据融合方面的研 究提供参考。 关键词 ： 智能车辆 ： 传感器 ； 数据融合算法
中图分类号 ：Ｐ ３ Ｕ ６ Ｔ７２ ４ 文献标识码 ： Ａ 文章编号 ：６ ２ ９ ８ （０ ２０ — ０ ２ ０ １７ — ８ ９ ２ １ ）３ ０ ８ — ４
生活 ：与此 同时电子信息技术经过近 ２ ０年以来飞
ｅ ａ ｏ ａｅ ｅ ｒ ｓ ａ ｃ ｎ ｍｕｔ ｓ ｎ ｏ ａａ ｆ ｓ ｎ ａｇ ｒ ｈ ａ ｄ ｔ ｅａ ｐ ｉａ ｉｎ ｏ ａａ ｆ ｓｏ ｅ ｈ ｏｏ ｙ Ｔ ｉ ｐ ｐ ｒ ｌ ｂ ｒ ｔｓ ｔ ｅ ｅ ｒ ｈ ｏ ｌ － ｅ ｓ ｒｄ ｔ ｉ ｌｏ ｉ ｍ ｎ ｐ ｌ ｔ ｆｄ ｔ ｕ ｉｎ ｔｃ ｎ ｌｇ ． ｈ ｓ ａ ｅ ｈ ｉ ｕ ｏ ｔ ｈ ｃ ｏ
- 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)。
多传感器数据融合技术综述一、多传感器数据融合的定义数据融合技术（Multiple Sensor Information Fusion，MSIF）又称信息融合技术，它的研究起源于军事指挥智能通讯系统，即C3I （Command，Control，Communication and Intelligence）系统建设的需求，早期研究也多来自于军事方面的应用。
而随着工业系统的复杂化和智能化，该技术已被推广到民用领域，如医疗诊断、机械故障诊断、空中交通管制、遥感、智能制造、智能交通、工业智能控制及刑侦等等。
作为前沿领域技术，无论是军用系统还是民用系统，都趋向于采用数据融合技术来进行信息综合处理。
在知识爆炸的信息时代，数据融合技术就显得尤其重要，它能避免数据富有但信息贫乏的情况发生。
数据融合是关于协同利用多传感器信息，进行多级别、多方面、多层次信息检测、相关、估计和综合以获得目标的状态和特征估计以及态势和威胁评估的一种多级信息自动处理过程。
它将不同来源、不同模式、不同时间、不同地点、不同表现形式的信息进行融合，最后得出被感知对象的精确描述。
数据融合其实也就是对数据的提取和处理，得出最终的有效信息。
多传感器数据融合也就是用各种不同的传感器观测信息，然后将不同来源、不同形式、不同时间、不同地点的信息通过计算机技术，对按时间顺序获得的若干传感器的观测信息，用某种方法自动分析、综合，得到更加有效的信息。
二、国内外研究概况美国国防部JDL（Joint Directors of Laboratories）从军事应用的角度将数据融合定义为一种多层次、多方面的处理过程，即把来此许多传感器和信息源的数据和信息加以联合（Association）、相关（Correlation）和组合（Combination），以获得精确的位置估计（Position Estimation）和身份估计（Identity Estimation），以及对战情况和威胁及其重要程度进行了适时的完整评价。
数据融合近三十年来取得了迅速发展，如今美国、英国、德国、法国、加拿大、俄罗斯、日本、印度等国都有学者和技术人员在开展数据融合技术的研究，这一领域的研究内容和成果已大量出现在各种学术会议和公开的学术期刊上，例如美国三军数据融合年会、SPIE 国际年会、IEEE Trans on AES，IEEE Trans on IT，IEEE Trans on AC，IEEE Trans on SMC，IEEE Trans on IP，以及IEEE其他相关的会议和期刊中。
当前，美国等军事强国的各类作战指挥自动化系统（C3I，C4ISRT）和战争情报收集系统中都有较强的数据融合功能。
此外，美国三军、某些大公司、大学均建立了专门的实验系统，以开发、评估各种数据融合算法系统。
为了进行广泛的国际交流，1998年美国成立了国际数据融合年会（International Society of Information Fusion，简称ISIF），每年举行一次数据融合国际学术会议。
从已发表的公开文献来看，我国1998年开始有关数据融合的文献才陆续多起来。
随着国外数据融合技术研究的发展和计算机存贮能力的大幅度提高，近几年我国对数据融合方面的研究日益重视。
已有一批高等院校和研究所展开了研究，比如四川大学研制的多航管雷达数据融合系统，该系统性能达到了世界领先水平，且已经实地运行于广州白云、深圳、成都双流等多家航空港。
中科院遥感所开发的图像数据融合软件，已成功地应用在卫星地面站的图像分类与识别中。
由于大批院校和研究所的技术投入，国内有关数据融合的研究取得了许多成果并已投入到应用当中，出现了许多热门研究方向，如多目标跟踪系统、有初步综合能力的多传感器数据融合系统等。
目前新一代舰载、机载、弹载和各种C3I系统正在向多传感器数据融合方向发展，并将会有更多的多传感器数据融合系统投入到军事民用的各个方面中去。
三、多传感器数据融合的基本原理多传感器数据融合的基本原理就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在时间和空间上的冗余或者互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述，使该信息系统由此而获得比它的各组成部分的子集所构成的系统更优越的性能。
传感器之间的冗余数据增强了系统的可靠性，传感器之间的互补数据扩展了单个的性能。
多传感器数据融合与经典信号处理方法之间存在本质的区别，其关键在于数据融合所处理的多传感器信息具有更为复杂的形式，而且可以在不同的信息层次上出现。
四、数据融合的过程多传感器数据融合的过程主要包括多传感器、数据预处理、数据融合中心和结果输出等环节，其过程如图1所示。
图1 多传感器数据融合过程由于被测对象多半为具有不同特征的非电量，如压力、温度、色彩和灰度等，因此首先要将它们转换成电信号，然后经过A/D转换将它们转换为能由计算机处理的数字量。
数字化后的电信号由于环境等因素的随机影响，不可避免的存在一些干扰和噪音信号，通过预处理滤除数据采集过程中的干扰和噪音，以便得到有用信号。
预处理后的有用信号经过特征提取，并对某一特征量进行数据融合计算，最后输入融合结果。
1、信号的获取多传感器信号获取的方法很多，可根据具体情况采取不同的传感器获取被测对象的信号。
图形影响的获取一般可利用电视摄像系统或电荷耦合器件，将外界的图形景象信息进入电视摄像系统或电荷耦合器件变化的光通量传换成变化的电信号，再经A/D转换后进入计算机系统。
2、信号预处理在信号获取过程中，一方面由于各种客观因素的影响，在检测到的信号中常常混有噪音。
另一方面，经过A/D转换后的离散时间信号除含有原来的噪音外，又增加了A/D转换器的量化噪音。
因此，在对多传感器信号融合处理前，常对传感器输出信号进行预处理，尽可能的去除这些噪音，提高信号的信噪比。
信号预处理的方法主要有去均值、滤波、消除趋势项等。
3、特征提取对来自传感器的原始信息进行特征提取，特征可以是被测对象的物理量。
4、融合计算数据融合计算方法较多，主要有数据相关计算、估计理论和识别计算等。
五、多传感器数据融合的层次在多传感器数据融合中，由于数据的多样化就需要按照数据的类型、采集的方式等特点或工程的需要有层次分步骤的进行融合，这就需要引入数据融合的级别问题。
根据数据融合功能的抽象层次和数据流通方式及传输形式，把数据融合分为高层次和低层次处理。
低层次处理包括数据的预处理，目标的检测、分类和辨识，目标跟踪。
高层次处理包括态势和威胁估计以及对整个融合过程的提取。
一般来说目标识别（属性）级融合有三个基本结构：即数据级融合、特征级融合和决策级融合结构。
1、数据级融合（pixel based fusion）数据级融合也称象素级融合，就是直接到采集的原始数据层上进行融合，在多源数据未经预处理之前就进行数据综合和分析，这是最底层的融合。
这种融合的主要优点是原始信息丰富，并且能提供另外俩个融合层次所不能提供的详细信息，因此精度最高。
但丰富的原始信息也意味着数据级融合所要处理的传感器数据量巨大，处理代价高，耗时长，实时性差。
数据级融合通常用于：多源图像复合、图像分析和理解，以及同类（同质）雷达波形的直接合成。
数据级融合的主要方法有：HIS变换、PCA变换、小波变换等。
由于这种融合是在信息的最底层进行的，传感器原始信息的不确定性、不完全性和不稳定性在融合时有较高的纠错能力。
2、特征级融合（feature based fusion）特征级融合属于中间层次，它首先对来自传感器的原始信息进行特征提取，然后对特征信息进行分析和处理。
一般地，提取的特征信息应是原始数据信息的充分表示量或统计量。
其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，所以结果能最大限度地给出决策分析所需要的特征信息。
特征级融合的方法有：Dempster-Shafer推理法（D-S方法）、表决法、神经网络法。
这种方法对通信带宽的要求较低。
但由于数据的丢失使其准确性有所下降。
3、决策级融合（decision-level based fusion）决策级融合是一种高层次的融合，其结果可为指挥控制与决策提供依据。
因此，决策融合常常从具体决策问题的需求出发，充分利用特征级融合所提取的测量对象的各类特征信息，采用适当的融合技术来实现。
决策级融合是三级融合的最终结果，是直接针对具体决策目标的，融合结果直接影响决策水平。
目前，决策级融合方法主要有：贝叶斯估计法、专家系统、神经网络法、模糊集理法、可靠性理论以及逻辑模板法。
由于对传感器的数据进行了浓缩，这种方法产生的结果相对而言最不准确，但它对通信带宽的要求最低。
六、三中融合层次的比较数据级融合是最底层融合，是在对传感器原始信息未经过或经过很小处理的基础上进行的，它要求各个融合的传感器信息源具有精确到一个象素的配准精度的任何抽象层次的融合。
其优点是能够提供其他两种层次的融合所不具有的细节信息，但也具有下述几个方面的局限性。
1、由于它所要处理的传感器信息量大，故处理代价较大。
2、由于传感器信息稳定性差，特别是在目标检测与分类时，故在融合时要求有较高的纠错处理能力。
3、由于在该层次上的信息要求各传感器信息之间具有象素级的配准关系，故要求各传感器信息来自同质传感器。
4、由于其通信量较大，故抗干扰能力较差。
决策级融合的优缺点正好与数据级融合相反。
其传感器可以是异质传感器，预处理代价较高，而融合中心处理代价小，整个系统的通信量小，抗干扰能力强。
由于处理效果很大程度取决于各个传感器预处理的性能，而传感器预处理一般是简单的处理，其性能一般不太高，故融合中心的性能要比数据级融合性能差些。
特征级融合是上述两种信息融合的这种形式，兼容了两者的优缺点。
各层次融合的优缺点可用表1说明。
表1 融合层次比较一个系统采用哪个层次上的数据融合方法，要有该系统的具体要求来决定，不存在能够适用于所有情况或应用的普遍结构。
对于多传感器数据融合系统的特定的工程应用，应综合考虑系统的性能、系统的计算能力、通信带宽、期望的准确率以及资金能力等因素，以确定哪种层次是最优的。
另外，在一个系统中，也可能在不同的融合层次上进行融合，一个实际的融合系统是上诉三种融合的组合，融合的级别越高则处理的速度也越快，信息的压缩量越大损失也越大。
在数据融合处理过程中，根据对原始数据处理方法的不同，数据融合系统的体系结构主要有两种：集中式体系结构和分布是体系结构。
1、集中式：集中式将各传感器获得的原始数据直接送至中央处理器进行融合处理。
可以实现实时融合，其数据处理的精度高，解法灵活，缺点是对处理器要求高，可靠性较低，数据量大，故难以实现。