多传感器信息融合技术概论
多传感器信息融合概述及其应用
自动飞 行 器 导航 、机 器 人 、遥 感 、医 疗 诊 断 、 图像 处 理 、模 式 识 别 和 复 杂 工业 过 程 控 制 等 领 域 。
多传 感 器 数 据 融 合 是 指对 不 同知 识 源 和 传 感 器 采 集 的 数据 进 行 融合 ， 以 实现 对 观 测 现 象 更 好 地 理 解 。从
Ｔ ｃ ｎ ｌ ｇ ｖｅ ｅ ｈ ｏ ｏ ｙ Ｒｅ ｉ ｗ
综 尔述
摘 要 ：多 传 感器 数 据 融 合 广 泛 应用 于 自动 目标 识 别 、工业 过 程 控 制 、遥 感 、医疗 诊 断 、图 像 处 理 、模 式识
别等领域。介绍了多传感器信息融合技术的概念 ， 对信息融合的算法进行 了概述 ， 出了基于粗糙集理论 提 的多源信息融合算法 ，最后对多传感器融合技术的研究动向进行了展望。 关键词 ：多传感器；信息融合 ；融合方法 ；粗糙集
中图分类号 ：Ｔ ２ ２ Ｐ １
文献标识码 ： Ａ
文章编号 ：１０ — ８ Ｘ ２ １） － Ｏ ６ ０ ６ ８ ３ （ １ ０Ｏ — ５ ０ ００ ２
》
王 媛 彬
一
、
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 『 。信息融合作 ｌ ～
多数 情 况 下 非 常 受 限制 。
３ 、模 糊 理 论 模 糊 集 理 论 是 基 于 分 类 的局 部 理 论 ， 因 此 ，从 产 生 起 就
许 多模 糊 分 类 技 术 得 以发 展 。隶 属 函 数 可 以表 达 词 语 的
思 ，这 在 数 字 表 达 和 符 号 表达 之 间 建立 了一 个 便 利 的 交互 口【 ］ 。在 信 息 融 合 的 应 用 中 ，主 要 是 通 过 与 特 征 相 连 的
简述传感器信息融合
简述传感器信息融合
传感器信息融合是将多个传感器的观测数据进行综合处理，以获得更准确、全面、可靠的信息的过程。
它是一种多源信息处理技术，可以将不同类型、不同位置、不同时间的传感器数据进行融合，从而提高对目标或环境的感知能力。
传感器信息融合的主要目的是提高系统的可靠性、准确性和鲁棒性。
通过融合多个传感器的信息，可以消除传感器之间的冗余和互补，提高信息的可信度和精度。
同时，传感器信息融合还可以提高系统的容错能力，当某个传感器出现故障或失效时，其他传感器的信息可以进行补充和替代，从而保证系统的正常运行。
传感器信息融合的过程通常包括数据预处理、特征提取、数据融合和决策等环节。
在数据预处理阶段，需要对传感器数据进行滤波、校准、归一化等处理，以消除噪声和干扰。
在特征提取阶段，需要从传感器数据中提取出有用的特征信息，以便进行数据融合。
在数据融合阶段，可以采用多种融合算法，如加权平均、卡尔曼滤波、神经网络等，对传感器数据进行融合。
在决策阶段，根据融合后的信息进行决策和控制。
传感器信息融合技术在军事、航空航天、交通运输、医疗保健、工业控制等领域得到了广泛应用。
它可以提高系统的性能和可靠性，减少误判和漏判的发生，从而提高系统的安全性和效率。
多传感器数据智能融合理论与应用 第1章 多传感器数据融合概述
类似LANDSAT的卫星使用可见光和红外传感器来提 供有关作物的种类，生长情况，病虫害及耕作情况等信息。 合成孔径雷达（SAR）甚至可以从宇宙飞船上穿过云层拍 摄到地球的图片。SAR提供的关于地球资源的其他信息可 以与其他传感器提供的信息进行融合。
多传感器数据智能融合
8
2 多传感器系统的应用及优势
一个能够支持自动目标识别（ART）的多传感器系 统里面的传感器包含了毫米波雷达，毫米波辐射计以及被 动式和主动式红外传感器等。
在这个传感器级数据融合结构中，每个传感器都具 有自己的处理算法，采用何种算法主要考虑如下因素：数 据所处的频段；传感器的类型（主动型或被动型）；空间 分辨率和扫描特性；目标和背景特性以及信号的极化信息 等。
■ 遗传算法（GA）：求最优的一种迭代算法，属于人工智能类。 ■ 确定基因优化的准则？交叉、变异、进化。 ■ 有用遗传算法，用于多传感器信息的融合。
多传感器数据智能融合
18
3 数据融合算法
■ 粒子群方法（PSO）：粒子群优化算法（Particle Swarm optimization, PSO）是一种进化计算（evolutionary computation）技术，由Eberhart博士和Kennedy博士于1995年 提出[1]。该算法源于对鸟群捕食的行为研究，主要用于优化 计算，基本思想是通过群体中个体之间的协作和信息共享来 寻找最优解。PSO算法的优势在于简单容易实现并且没有许多 参数的调节。目前已被广泛应用于函数优化、神经网络训练、 模糊系统控制以及其他遗传算法的应用领域。
多传感器信息融合
多传感器信息融合近年来，随着计算机技术、通讯技术的发展，特别是军事上的迫切要求，多传感器信息融合技术得到了迅速的发展。
信息融合作为一门跨学科的综合信息处理理论，涉及系统论、信息论、控制论、人工智能和计算机通信等众多的领域和科学，它被广泛应用于自动目标识别、战场监视、自动飞行器导航、机器人、遥感、医疗诊治、图像处理等领域。
信息融合技术首先应用于军事领域，包括航空目标的探测、识别和跟踪，以及战场监视、战术态势估计和威胁估计等；在地质科学领域上，信息融合应用于遥感技术，包括卫星图像和航空拍摄图像的研究；在机器人技术和智能航行器研究领域，信息融合主要被应用于机器人对周围环境的识别和自动导航；信息融合技术也被应用于医疗诊断以及一些复杂工业过程控制领域。
１多传感器信息融合的定义传感器获得的信息有３类：冗余信息、互补信息和协同信息。
冗余信息是由多个独立传感器提供的关于环境信息中同一特征的多个信息，也可以是某一传感器在一段时间内多次测量得到的信息。
在一个多传感器系统中，若每个传感器提供的环境特征是彼此独立的，即感知的是环境各个不同侧面的信息，则这些信息称为互补信息。
在一个多传感器系统中，若一个传感器信息的获得必须依赖另一个传感器的信息，或一个传感器必须与另一个传感器配合工作才能获得所需的信息时，则这两个传感器提供的信息称为协同信息。
多传感器信息融合，又称多传感器数据融合，指的是对不同知识源和多个传感器所获得的信息进行综合处理，消除多传感器信息之间可能存在的冗余和矛盾，利用信息互补，降低不确定性，以形成对系统环境相对完整一致的理解，从而提高智能系统决策和规划的科学性、反应的快速性和正确性，进而降低决策风险过程。
图１是多传感器信息融合的示意图，传感器之间的冗余信息增强了系统的可靠性，多传感器之间的互补信息扩展了单个传感器的性能。
一般而言，多传感器融合系统具有以下优点：一是提高系统的可靠性和鲁棒性，二是扩展时间上和空间上的观测范围，三是增强数据的可信任度，四是增强系统的分辨能力。
多传感器数据融合技术
多传感器数据融合可以利用不同传感器的测量范围和优势 ，实现对更广泛区域或更复杂环境的全面感知和测量。
增强系统鲁棒性
多传感器数据融合可以通过对多个传感器的数据进行综合 分析，提高系统对异常数据的识别和处理能力，增强系统 的鲁棒性。
提高实时性
多传感器数据融合可以通过并行处理和分布式计算等技术 手段，提高数据处理速度和效率，满足实时性要求较高的 应用场景需求。
、智能家居等。
加强多传感器数据融合技术的 标准化和规范化研究，推动其
在产业界的广泛应用。
关注多传感器数据融合技术的 安全性和隐私保护问题，确保 其在应用过程中的合规性和可
信度。
THANKS
感谢观看
特征关联
提取不同传感器数据的特 征，并进行相似度匹配和 关联。
数据融合算法
加权平均法
对多个传感器的数据进行 加权平均，得到融合结果 。
卡尔曼滤波法
利用状态估计的方法对多 传感器数据进行融合，适 用于动态系统。
神经网络法
通过训练神经网络模型， 实现对多传感器数据的融 合和分类。
融合结果评估技术
误差分析
数据融合的层次
根据数据处理的不同层次，多传感器数据融合可分为数据 级融合、特征级融合和决策级融合。
与其他技术的关系
多传感器数据融合与信号处理、模式识别、人工智能等领 域密切相关，需要借助这些领域的技术手段实现。
技术发展历程及现状
发展历程
多传感器数据融合技术经历了从简单的数据组合到复杂的统计推断、从单一层次到多层次 的发展历程。
研究现状
目前，多传感器数据融合技术已成为研究热点，国内外众多学者和企业都在进行相关研究 ，取得了显著成果。
挑战与机遇
多传感器融合与信息融合技术在智慧交通中的应用
多传感器融合与信息融合技术在智慧交通中的应用
汇报人：XXX
contents
目录
01 /
多传感器融合技术的概述
02 /
多传感器融合技术在智慧交通中的应用场景
03 /
信息融合技术的概述
04 /
信息融合技术在智慧交通中的应用场景
05 /
多传感器融合技术与信息融合技术的结合应用在智慧交通中的优势和挑战
多传感器融合技术在智慧交通中的应用场景
多传感器融合技术在智慧交通中的应用场景
车辆监测与控制：利用多传感器融合技术对车辆进行实时监测和控制，提高车辆的行驶安全性和效率。
交通拥堵分析：通过多传感器融合技术收集交通数据，对交通拥堵进行分析和预测，为交通管理部门提供决策支持。
智能交通信号控制：利用多传感器融合技术对交通信号进行智能控制，提高交通信号的准确性和效率，减少交通拥堵。
20世纪90年代的第二代信息融合技术
21世纪初的第三代信息融合技术
当前研究的前沿信息融合技术
技术优势：能够充分利用多个传感器获取的信息，提高系统的可靠性和鲁棒性技术局限：存在数据融合中的信息冗余和计算复杂性问题，需要优化算法和模型技术优势和局限技术优势：能够融合多源信息，提高系统的感知能力和决策能力技术局限：存在信息融合中的不确定性和风险性问题，需要加强数据质量和系统安全性技术优势和局限技术优势：能够提高系统的感知能力和决策能力，减少信息的不确定性和风险性技术局限：存在数据融合中的计算复杂性和实时性问题，需要优化算法和模型技术优势和局限技术优势：能够提高系统的感知能力和决策能力，减少信息的不确定性和风险性技术局限：存在数据融合中的计算复杂性和实时性问题，需要优化算法和模型
发展阶段：采用算法进行数据融合
多传感器数据融合
卡尔曼滤波
利用状态方程和观测方程，对数据进行递归 估计和融合。
DS证据理论
处理不确定性信息，将多个传感器信息进行 融合。
决策层融合
分类器融合
将多个分类器的结果进行综合，得出 最终分类结果。
决策表融合
将各个传感器的决策表进行综合，形 成最终决策表。
模糊逻辑
感知。
数据融合技术将机器人上不同传感器的 数据进行整合，提高机器人的感知精度 和稳定性，增强机器人的自主导航和任
务执行能力。
机器人中的数据融合技术有助于提高机 器人的智能化水平和人机协作能力。
05
多传感器数据融合的挑战与未来发展
数据质量问题
数据不一致性
由于不同传感器采集数据的原理、 方式、精度和范围不同，导致数 据之间存在不一致性，需要进行 校准和补偿。
信号干扰
不同传感器可能使用相同 的频段或相近的频段，导 致信号干扰和数据冲突。
交叉感应
某些传感器之间可能存在 交叉感应，导致数据之间 产生耦合和相互影响。
算法的实时性
计算量大
01
多传感器数据融合需要进行大量的数据处理和计算，对算法的
实时性要求较高。
算法优化
02
需要不断优化算法，提高计算效率和准确性，以满足实时性要
医疗领域
在医疗领域中，多传感器数据 融合可以用于医疗诊断、病人
监护和康复治疗等方面。
02
多传感器数据融合技术
数据预处理
01
02
03
数据清洗
去除异常值、缺失值和冗 余数据，确保数据质量。
数据归一化
将不同量纲和量级的数据 统一到同一尺度，便于后 续处理。
数据去噪
通过滤波、插值等方法降 低噪声对数据的影响。
多传感器数据融合技术
多传感器数据融合技术伴随着信息技术的发展，多传感器数据融合技术一直受到人们的关注。
多传感器数据融合技术可以通过多种传感器收集到大量的原始数据，并且在数据处理、信息提取和信息融合等方面发挥独特的作用，进而改善现有的信息处理方法，实现信息从传感器采集到最终用户处高效可靠地传输实现应用。
一、多传感器数据融合技术的基本概念多传感器数据融合技术是一种基于多源数据的技术，通过对来自不同传感器的原始数据进行数据融合，有效地整合多源信息，实现从传感器采集信息到最终用户处高效可靠地传输实现应用，其特点是可以实时获取被测物体的准确信息，实现更准确的判断和识别。
二、多传感器数据融合技术的应用领域（1）安全监控：利用多传感器数据融合技术可以进行安全监控，例如使用视频传感器来检测被监控地区的运动物体，通过捕获的原始图像数据可以实现更精确的目标跟踪和检测，从而提高安全效率。
（2）导航导引：多传感器数据融合技术可以较好地为导航导引系统提供信息，例如可以通过多传感器数据融合来实时获取目标位置及其周边环境信息，加快及精准地实现自动导引，提高导航系统的性能。
（3）车辆道路检测：利用多传感器数据融合技术可以实时收集和融合多源数据，结合现有的几何模型和视觉技术，可以大大提高道路检测的准确度，从而更有效地检测环境物体，进而改善车辆的行驶路径规划和安全管控。
三、多传感器数据融合技术的发展前景多传感器数据融合技术在各种领域应用受到越来越多的关注，然而尚有不少问题尚未解决，例如融合数据的精确性、融合算法的优化及如何更好地实现实时融合等问题，这些问题需要研究者们在未来的发展过程中进行研究，以期推动多传感器数据融合技术在各种领域的应用。
总之，多传感器数据融合技术是一种新兴的技术，其主要作用是将多源数据融合成有效信息，实现从传感器采集信息到最终用户处高效可靠地传输实现应用，已经广泛应用于安全监控、导航导引系统以及车辆道路检测等领域，且在未来发展前景良好。
- 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)。
多传感器信息融合技术概述摘要：传感器信息融合，是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。
单一传感器只能获得环境或被测对象的部分信息段，而多传感器信息经过融合后能够完善地、准确地反映环境的特征。
信息融合技术已经广泛应用于信息电子学、计算机科学、自动化等领域，下面从五个方面做概述。
关键词：多传感器；信息融合1 多传感器信息融合基本原理多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。
人类本能地具有将身体上的各种功能器官所探测到的信息（景物、声音、气味和触觉等）与先验知识进行综合的能力，以便对他周围的环境和正在发生的事件作出估计。
多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，它充分地利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。
信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。
它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。
2 多传感器信息融合的几种方法2.1 卡尔曼滤波（KF）该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。
如果系统具有线性动力学模型，且系统噪声和传感器噪声可用高斯分布的白噪声模型来表示，则KF 为融合数据提供惟一的统计意义下的最优估计，它的递推特性使系统数据处理不需大量的存储和计算。
KF分为分散卡尔曼滤波（DKF）和扩展卡尔曼滤波（EKF）。
DKF可实现多传感器数据融合完全分散化，其优点是，单个传感器节点失效不会导致整个系统失效。
而EKF 的优点是，可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产生的影响。
2.2 人工神经网络法这种方法通过模仿人脑的结构和工作原理，设计和建立相应的机器和模型并完成一定的智能任务。
神经网络根据当前系统所接收到的样本的相似性，确定分类标准。
这种确定方法主要表现在网络权值分布上，同时可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。
神经网络多传感器信息融合的实现，分三个重要步骤：根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；各传感器的输入信息综合处理为一总体输入函数，并将此函数映射定义为相关单元的映射函数，通过神经网络与环境的交互作用把环境的统计规律反映到网络本身结构；对传感器输出信息进行学习、理解，确定权值的分配，完成知识获取信息融合，进而对输入模式做出解释，将输入数据向量转换成高层逻辑概念。
2.3 概率统计方法假设一组随机向量X1, X2,…，x n分别表示n个不同传感器得到的数据信息，根据每一个数据X i可对所完成的任务做出决策d i。
X i的概率分布为p ai(x i), a i为该分布函数中的未知参数，若参数已知，则X i的概率分布是确定的。
用非负函数L(a i，d i)表示当分布参数确定为a i时，第i个信息源采取决策d i时所造成的损失函数。
在实际问题中，a i是未知的，因此，当得到X i时，并不能直接从损失函数中定出最优决策。
先由X i做出a i的一个估计，记为a i(x i),再由损失函数L[a i(x i),d i] 决定出损失最小的决策。
其中利用X i估计a i的估计量a i(x i)有很多种方法。
2.4 D-S 推理假设F为所有可能证据所构成的有限集，A i为集合F中的某个元素(证据)。
引入信任函数B(f) € [0，1]，它表示每个证据的信任程度：B(F) 1，B( ) 0。
引入基础概率分配函数m(f) € [0，1]，满足m( ) 0和m(A) 1，与之相对应AF的信任函数：B(A) m(C) 其中A,C F (2.4.1)CA当利用N个传感器检测环境M个特征时，每一个特征为F中的一个元素。
第i 个传感器在第k-1 时刻所获得的包括k-1 时刻前关于第j 个特征的所有证据，用基础概率分配函数表示，其中i=1 , 2,…，m。
第i个传感器在第k时刻所获得的关于第j 个特征的新证据用基础概率分配函数表示。
利用证据组合算法，可获得在k 时刻关于第j 个特征的第i 个传感器和第i+1 个传感器的联合证据。
如此递推下去，可获得所有N 个传感器在k 时刻对j 特征的信任函数，信任度最大的即为信息融合过程最终判定的环境特征。
D-S 证据推理优点：算法确定后，无论是静态还是时变的动态证据组合，其具体的证据组合算法都有一共同的算法结构。
其缺点：当对象或环境的识别特征数增加时，证据组合的计算量会以指数速度增长。
2.5 Bayes 估计这是融合静态环境中多传感器低层数据的一种常用方法，其信息描述为概率分布，适用于具有可加高斯噪声的不确定性信息。
假定完成任务所需的有关环境的特征物用向量f表示，通过传感器获得的数据信息用向量d来表示，d和f都可看作是随机向量。
信息融合的任务就是由数据d推导和估计环境f。
假设p(f，d)为随机向量f和d的联合概率分布密度函数，则p(f,d) p(f |d)?p(d) p(d| f)?p(f) (2.5.1) p(f|d)表示在已知d的条件下，f关于d的条件概率密度函数；p(d|f)表示在已知f的条件下，d关于f的条件概率密度函数；p(d)和p(f)分别表示d和f的边缘分布密度函数。
已知d时，要推断f，只须掌握p(f|d)即可，即p( f |d) p(d | f)? p( f)/p(d) (2.5.2) 上式为概率论中的Bayes公式。
信息融合通过数据信息d做出对环境f的推断，即求解p(f|d)。
由Bayes公式知，只须知道p(f|d)和p⑴即可。
因为p(d)可看作是使p(f|d)?p(f)成为概率密度函数的归一化常数，p(df)是在已知客观环境变量f的情况下，传感器得到的d关于f的条件密度。
当环境情况和传感器性能已知时，p(f|d)由决定环境和传感器原理的物理规律完全确定。
p⑴可通过先验知识的获取和积累，逐步逼近得到。
3多传感器信息融合技术的应用多传感器信息融合技术的应用领域大致分为军事应用和民事应用两大类军事应用是多传感器信息融合技术诞生的源泉，具体应用包括海洋监视系统，空对空或地对空防御系统，战场情报、防御、目标获取，战略预警和防御系统。
其中，海洋监视系统包括潜艇、鱼雷、水下导弹等目标的检测、跟踪和识别；空对空、地对空防御系统包括检测、跟踪、识别敌方飞机、导弹和反飞机武器；战场情报、防御、目标获取包括探测、识别陆地上隐蔽目标。
在民事应用领域，主要用于机器人、智能制造、智能交通、无损检测、环境监测、医疗诊断、遥感、刑侦和保安等领域。
其中，机器人被用于完成物料搬运、零件制造、检验和装配等工作；智能制造系统包括各种智能加工机床、工具和材料传送装置、检测和试验装置以及装配装置；智能交通系统采用多传感器信息融合技术，实现无人驾驶交通工具的自主道路识别、速度控制以及定位；在环境监测中，主要用于辨识和确定自然现象(如地震、气候等)；在医疗诊断中，多传感器信息融合技术被用于定位和各种病的诊断(如肿瘤的定位与识别)。
4 多传感器信息融合技术的不足信息融合作为一门新兴的学科，目前尚存在以下的问题：(1) 未形成基本的理论框架和广义融合算法。
目前，绝大多数的融合研究皆是针对特定的应用领域的特定问题展开的。
即根据问题的种类，各自建立直观的融合准则，形成“最佳”融合方案，未形成完整的理论框架和融合模型，使得融合系统的设计具有一定的盲目性。
(2) 关联的二义性。
在一个多传感器系统中，每一种传感器所提供的数据不可避免地受环境状态和传感器本身特性的制约，因而不同的传感器对环境中同一特征所测的数据有时彼此差别很大甚至是矛盾的。
(3) 信息融合方法与融合系统实施存在的问题。
目前，大多数信息融合是经一种简单的方法合成信息的，并未充分有效地利用多传感器所提供的冗余信息，融合方法研究还处于初步阶段。
信息融合系统的设计实施还存在许多实际的问题：传感器动态测量误差模型的建立、传感器系统优化、复杂动态环境下系统实时性、大型知识库的建立与管理、与其它领域的很多新技术的“嫁接和融合” 等。
5 多传感器信息融合技术的展望信息融合系统是一个具有强烈不确定性的复杂大系统，处理方法受到现有理论、技术、设备的限制。
这是一门新发展的学科，很多理论还不健全，但随着传感器技术、数据处理技术、计算机技术、网络通信技术、人工智能技术、并行计算软件和硬件技术等的发展，它将不断完善。
它的发展方向大致有四个：（1）基础理论研究。
研究建立统一的信息融合理论，主要包括多平台、多传感器信息的获取、特征提取、分类、信息融合过程的一般模式，功能结构的建立，优化设计以及系统的评估标准。
（2）算法和模型研究。
包括关联处理、融合处理和系统模拟、多传感器优化组合、各种先进技术在信息融合系统中的应用等。
（3）推理系统研究。
包括在信息融合系统中应用的数据库、知识库、确定和不确定信息的推理机构、融合规则库等研究。
（4）应用研究。
从工程实现角度来讲，我们关心的是信息的获取、融合、传感器管理和控制一体化系统的研制，而不是单纯的融合算法研究。
6 结束语本文从原理、基本方法、应用领域、现有不足和技术展望五个方面概述了多传感器信息融合技术。
多传感器信息融合技术方兴未艾，几乎一切信息处理方法都可以应用于信息融合系统，随着科学技术的发展，特别是人工智能、神经网络、遗传算法等理论和技术的进步，新的更有效的信息融合方法将不断推出，并取得更加广泛的应用。
参考文献[1] 何友,王国宏,陆大,彭应宁. 多传感器信息融合及应用[M] . 北京:电子工业出版社,2000.1 〜11.[2] 倪国强,李勇量,牛丽红. 基于神经网络的数据融合技术的新进展[J] . 北京理工大学学报,2003 ,23 （4） :503 〜508.[3] 曾庆茂，丁正生. 多传感器信息融合技术综述[J] . 赣南师范学院学报. 2004.。