加權數據融合

加權數據融合是指對不同時間與空間的多感測器數據進行統計分析，然後利用有關數學方法或實際經驗對不同的感測數據賦予不同的權值，得到數據融合值。如加權平均法，卡爾曼濾波以及人工神經網路法。加權數據融合是為了得到多源數據特徵的更好表達。

在系統檢測過程中，對於某一被測對象的參數而言，它的每一個測量值都在不同程度上反映了其真實值。但是在測量過程中，測量人員的更換、對檢測設備進行檢修或校對、被測對象的較大不均勻性等都會導致測量值與真實值之間的誤差波動。

嚴格來講，絕對的等精度觀測是不存在的，不等精度觀測則是絕對的，所謂的等精度觀測只是一種近似意義上的等精度，可以稱之為準等精度觀測。對於不等精度測量數據，為了權衡各數據的不同精度，可引用標誌測量精度的特徵數字“權”數，即各測量數據的相對重要程度。精度高的數據誤差小，權數應大；而精度低的數據誤差大，權數應小。將測量列的各個數據按照其精度分別乘以權數再進行平均值處理，無疑有利於提高估計值的準確性。因此，對於不等精度測量所得的數據，正確地給定權數非常重要。常用的確定權數的方法有:①根據經驗確定；②根據測量次數確定；③根據數據的精度參數確定。

加權平均法

加權平均法，利用過去若干個按照時間順序排列起來的同一變數的觀測值並以時間順序數為權數，計算出觀測值的加權算術平均數，以這一數字作為預測未來期間該變數預測值的一種趨勢預測法。加權平均法是指標綜合的基本方法，具有兩種形式，分別為加法規則與乘法規則。

卡爾曼濾波

卡爾曼濾波（Kalman filter）是一種高效率的遞歸濾波器（自回歸濾波器），它能夠從一系列的不完全及包含雜訊的測量中，估計動態系統的狀態。卡爾曼濾波會根據各測量量在不同時間下的值，考慮各時間下的聯合分佈，再產生對未知變數的估計，因此會以只以單一測量量為基礎的估計方式要准。卡爾曼濾波得名自主要貢獻者之一的魯道夫·卡爾曼。

卡爾曼濾波在技術領域有許多的應用。常見的有飛機及太空船的導引、導航及控制。卡爾曼濾波也廣為使用在時間序列的分析中，例如信號處理及計量經濟學中。卡爾曼濾波也是機器人運動規劃及控制的重要主題之一，有時也包括在軌跡最佳化。卡爾曼濾波也用在中軸神經系統運動控制的建模中。因為從給與運動命令到收到感覺神經的回授之間有時間差，使用卡爾曼濾波有助於建立符合實際的系統，估計運動系統的狀態，並且更新命令。卡爾曼濾波的演演算法是二步驟的程序。在估計步驟中，卡爾曼濾波會產生有關狀態的估計，其中也包括不確定性。只要觀察到下一個量測（其中一定含有某種程度的誤差，包括隨機雜訊）。會透過加權平均來更新估計值，而確定性越高的量測加權比重也越高。演演算法是迭代的，可以在實時控制系統中執行，只需要的輸入量測、以往的計算值以及其不確定性矩陣，不需要其他以往的資訊。

使用卡爾曼濾波不用假設誤差是正態分佈，不過若所有的誤差都是正態分佈，卡爾曼濾波可以得到正確的條件機率估計。

也發展了一些擴展或是廣義的卡爾曼濾波，例如運作在非線性糸統的擴展卡爾曼濾波及無損卡爾曼濾波（unscented Kalman filter）。底層的模型類似隱馬爾可夫模型，不過潛在變數的狀態空間是連續的，而且所有潛在變數及可觀測變數都是正態分佈。

人工神經網路法

神經網路具有很強的容錯性以及自學習、自組織及自適應能力，能夠模擬複雜的非線性映射。神經網路的這些特性和強大的非線性處理能力，恰好滿足了多感測器數據融合技術處理的要求。在多感測器系統中，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。神經網路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為網路的權值分佈上，同時，可以採用經*定的學習演演算法來獲取知識，得到不確定性推理機制。利用神經網路的信號處理能力和自動推理功能，即實現了多感測器數據融合。

充分利用多感測器資源，通過對這些感測器及其觀察信息和數據的合理支配和使用，把多個感測器在空間或時間上的信息和數據依照某種準則進行組合，以獲得對被測對象的一致性解釋或描述，使該信息系統由此而獲得比它的各組成部分所構成的系統更優越的性能的技術。多感測器數據的融合是人和其他生物的一種基本功能。將圖像、聲音、味、物理形狀或組織結構之類的數據，變換成對環境有意義的感覺，要求進行大量的各類數據的處理和具有足以理解融合數據含義的知識基礎。20世紀70年代以來，已經用自動系統模擬人的這種功能，藉助於計算機處理多感測器的數據，來獲得任何單個感測器不可能單獨提供的有用數據。類似的術語有多感測器或多源相關、多源綜合、感測混合或數據融合等。

軍事上對數據融合最通用的解釋是：檢測、關聯、相關、估算和組合多源數據和信息，以獲得精細的狀態和身份的估測及全面、實時地確定情況和威脅。該定義反映出融合的三個中心內容：①數據融合是在若干層次對多源數據實施處理的過程；②數據融合的過程，包括檢測、關聯、相關、估值和數據組合；③數據融合的產品，包括較低層次的狀態和身份估計以及較高層次的綜合戰術情況的確定。總之，數據融合就是利用多感測器的協合效應來提高系統效率。