在多准则下考察传感器的融合权重, 提出一种新的多传感器数据融合方法. 通过多个性能指标折中估计传感器权重, 以降低决策的主观性和偶然性; 提出从不同融合级别来定义多个准则, 定性地提高了多准则的信息量; 在没有决策者对各准则偏好信息的情况下, 以最小化准则冗余度和最大化评价差异度为原则建立多目标优化模型对准则权重向量优化求解. 仿真实验结果表明, 相比于单准则和单层次的融合方法, 所提出方法具有更低的决策风险和更高的稳定性.

刮板输送机是煤矿井下重要的开采设备之一,简要分析了现阶段刮板输送机的故障诊断现状,针对刮板输送机故障种类繁多,相互影响大且不易诊断的问题,根据多传感器数据融合理论,提出了RBF和模糊积分相结合的刮板输送机故障诊断数据融合方法。在特征级采用RBF,可以对同类传感器采集的数据进行快速学习和收敛,得到同源数据对每一类故障的模糊测度,以便在高维空间内进行同源数据的线性可分。决策级采用模糊积分理论利用该模糊测度通过模糊积分计算,获得刮板输送机故障信息的预测结果,该方法具有较好的容错性,简化了冗余信息,降低了故障相互影响的关联性。刮板输送机减速器电机故障的诊断研究表明,文中所提出的方法有助于克服故障类型的不确定性,在整体上确保故障数据的完备性,正确地判定故障的类型,提高了故障诊断的准确性。

中心议题 　　多传感器数据融合技术能对缺陷信号作智能化处理 　　电磁感应式传感器和霍尔传感器的工作原理 　　采用小波去噪的方法，并利用RBF神经网络的数据融合技术对缺陷信号进行检测处理并得出仿真结果 　　解决方案 　　采用漏磁传感器阵列，提高检测灵敏度，减小钢管表面接触噪声和温度影响 　　对信号预处理，保证测试准确性 　　选用RBF神经网络作为融合中心的特征层融合器 　　随着电子技术、神经网络和人工智能处理技术的发展，国内外都在开展新的漏磁信号处理方法的研究。由于传统方法受人为因素影响严重，容易产生漏检误检，大大影响了检测准确度，因此特别需要一种对缺陷信号的智能化处理方法。多传

给出一种新的神经网络——粗神经网络结构, 并给出了基于粗神经网络的多传感器数据融合
模型, 阐述了用于数据融合的粗神经网络的结构和训练方法。分析和仿真结果表明, 新模型不仅能解决
传统模型所能解决的问题, 而且能解决传感器输出为二值或一个范围的多传感器数据融合问题。

Bayes统计理论 基于经典统计方法的多传感器数据处理。 经典统计理论的两个特征： 不采用先验概率； 概率是一种类似频数的解释。 经典统计理论的基本原理：小概率原理。 经典统计理论的不足： 将被测参数看做一个固定值，没有充分利用其先验信息； 精度和信度是预定的，不依赖于样本。

论文研究-基于Bayes估计的多传感器数据融合方法研究.pdf,  对多传感器数据融合方法进行研究 ,以 Bayes估计理论为基础得到了多传感器最优融合数据 ,并将它与其它方法得到的融合数据进行了比较 .

多传感器数据融合中DS证据理论算法的改进与应用.pdf

Handbook of Multisensor Data Fusion.pdf 多传感器数据融合PDF原版

多传感器数据融合及其应用.zip

传感器原理与检测技术：第17章 多传感器数据融合.ppt