人工神经网络 人工神经网络提供了一种鲁棒性相当好的体系结构，利用它 可以对多传感器集成过程进行建模。 多层感知器：与大多数统计模式识别方法不同，使用多层感 知器不需要假设传感器数据的分布形式，数据可以为非高斯 分布。只要有足够多的训练样本和足够长的训练时间，多层 感知器经过学习后就能对传感器数据进行分类。 联想存贮：训练后的神经元可用来表达传感器信息，通过联 想回忆，神经元的复杂组合能够响应不同的传感器激励。模 拟退火是其中的技术之一，该技术可以根据每个神经元的局 部激活状态在存贮单元中找到一个全局最优状态
人工神经网络 人工神经网络提供了一种鲁棒性相当好的体系结构，利用它 可以对多传感器集成过程进行建模。 多层感知器：与大多数统计模式识别方法不同，使用多层感 知器不需要假设传感器数据的分布形式，数据可以为非高斯 分布。只要有足够多的训练样本和足够长的训练时间，多层 感知器经过学习后就能对传感器数据进行分类。 联想存贮：训练后的神经元可用来表达传感器信息，通过联 想回忆，神经元的复杂组合能够响应不同的传感器激励。模 拟退火是其中的技术之一，该技术可以根据每个神经元的局 部激活状态在存贮单元中找到一个全局最优状态
信息融合方法 加权平均 信号级融合的最简单、最直观方法是加权平均。该方法将一组传 感器提供的冗余信息进行加权平均，结果作为融合值。 卡尔曼滤波 卡尔曼滤波主要用于融合低层的实时动态多传感器冗余数据。该 方法应用测量模型的统计特性递推地确定融合数据的估计，且该 估计在统计意义下是最优的。如果是线性模型，且系统与传感器 的误差均符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供 唯一的统计意义下的最优估计。滤波器的递推特性使得它特别适 合在那些不具备大量数据存储能力的系统中使用。主要领域有： 目标识别、机器人导航、多目标跟踪、惯性导航和遥感等
信息融合方法 加权平均 信号级融合的最简单、最直观方法是加权平均。该方法将一组传 感器提供的冗余信息进行加权平均，结果作为融合值。 卡尔曼滤波 卡尔曼滤波主要用于融合低层的实时动态多传感器冗余数据。该 方法应用测量模型的统计特性递推地确定融合数据的估计，且该 估计在统计意义下是最优的。如果是线性模型，且系统与传感器 的误差均符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供 唯一的统计意义下的最优估计。滤波器的递推特性使得它特别适 合在那些不具备大量数据存储能力的系统中使用。主要领域有： 目标识别、机器人导航、多目标跟踪、惯性导航和遥感等
信息融合方法 贝叶斯估计 贝叶斯估计为多传感器融合提供了一种手段，是融合 静态环境中多传感器低层信息的常用方法。它使传感 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，可以用直 接法对传感器测量数据进行融合。但大多数情况下， 传感器是从不同的坐标系对同一环境物体进行描述， 这时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。间接法要解决的问题是求出与多个传感 器读数相一致的旋转矩阵和平移矢量
信息融合方法 贝叶斯估计 贝叶斯估计为多传感器融合提供了一种手段，是融合 静态环境中多传感器低层信息的常用方法。它使传感 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，可以用直 接法对传感器测量数据进行融合。但大多数情况下， 传感器是从不同的坐标系对同一环境物体进行描述， 这时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。间接法要解决的问题是求出与多个传感 器读数相一致的旋转矩阵和平移矢量
信息融合方法 统计决策理论 与多贝叶斯估计不同，统计决策理论中的不确定性为可加噪 声，从而不确定性的适应范围更厂。不同传感器观测到的数 据必须经过一个鲁棒综合测试以检验它的一致性。 S-D证据理论 Shsfer-Dempster证据理论是一种不精确推理理论，是贝 叶斯方法的发展，贝叶斯方法必须给出先验概率，而证据理 论则能够处理这种由不知道引起的不确定性
信息融合方法 统计决策理论 与多贝叶斯估计不同，统计决策理论中的不确定性为可加噪 声，从而不确定性的适应范围更厂。不同传感器观测到的数 据必须经过一个鲁棒综合测试以检验它的一致性。 S-D证据理论 Shsfer-Dempster证据理论是一种不精确推理理论，是贝 叶斯方法的发展，贝叶斯方法必须给出先验概率，而证据理 论则能够处理这种由不知道引起的不确定性
信息融合方法 模糊逻辑 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，相当于隐含算子的前提，允许将多传感 器信息融合过程中的不确定性直接表示在推理过程中。 如果采用某种系统化的方法对融合过程中的不确定性 进行建模，则可以产生一致性模糊推理
信息融合方法 模糊逻辑 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，相当于隐含算子的前提，允许将多传感 器信息融合过程中的不确定性直接表示在推理过程中。 如果采用某种系统化的方法对融合过程中的不确定性 进行建模，则可以产生一致性模糊推理