各种融合方法之间的结合对比

现代方法间的集成

遗传算法和模糊理论相结合

模糊理论和神经网络理论相结合

遗传算法和神经网络理论相结合

遗传算法和模糊神经网络相结合

经典方法与现代方法的结合

模糊逻辑和Kalman滤波相结合

小波变换和Kalman滤波相结合

模糊理论和最小二乘法相结合

小波变换和Kalman滤波相结合

在实际中，不同的传感器数据采集系统采集的数据具有不同的分辨率，因而，需要解决多分辨率数据的融合技术和方法，以便更好地利用不同分辨率数据的互补信息，达到更佳的融合效果。Kalman滤波对非平稳信号具有较强的估计能力，能对信号所有的频率成分同时进行处理。同时，小波变换具有高分辨力，对高频分量采用逐渐精细的时域和频域步长，可以聚焦到分析对象的任意细节。因此，小波变换与Kalman滤波结合可以取得良好的融合效果。

模糊理论和最小二乘法相结合

最小二乘法的准则是选取X 使得估计性能指标(估计误差的平方和)达到最小。它是以误差理论为依据，在诸数据处理方法中，误差最小，精确性最好，并在处理数据过程中不需要知道数据的先验信息。因而，刘建书等人利用模糊理论中的相关性函数对多传感器的相互支持程度进行计算，应用基于最小二乘原理的数据融合方法，对支持程度高的传感器数据进行融合。仿真结果表明：相比同类融合方法，该方法获得的结果具有更高的精度。模糊逻辑和Kalman滤波相结合

经典最优Kalman 滤波理论对动态系统提出了严格的要求，即当观测几何信息和动力学模型及统计信息可靠时，Kalman滤波计算性能较好。但在实践中很难满足这一条件，在使用不精确或错误的模型和噪声统计设计Kalman 滤波器时会导致滤波结果失真，甚至使滤波发散。为了解决此问题，产生了自适应Kalman 滤波。Escamilla，Ambrosio等人提出了一种基于模糊逻辑的自适应Kalman 滤波数据融合算法，该算法使用模糊逻辑调整Q和R 的值使之可以更好地符合协方差的估计值。接着scamilla，Ambrosio PJ等人又将上述算法用来建立集中式、分布式和混合式的自适应Kalman滤波多传感器融合算法。另外，TaftiA D等人还提出了一种可用于实时处理的自适应Kalman 滤波和模糊跟踪数据融合算法。

近年来，模糊Kalman滤波算法在实际中得到了非常广泛的应用，例如：目标跟踪、图像处理以及组合导航等。

遗传算法和神经网络理论相结合

神经网络技术是模拟人类大脑而产生的一种信息处理技术，它使用大量的简单处理单元(即神经元)处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其他层上的神经元联接，采用并行结构和并行处理机制，因而，网络具有很强的容错

性和自学习、自组织及自适应能力，能够模拟复杂的非线性映射。因此，大量的工程实际应用中都将其与遗传算法结合起来使用，如用于片上系统的智能信息处理，优化集成电路板中金属层间介电质的参数设计以及处理和分析非线性地震数据等。

遗传算法和模糊神经网络相结合

模糊神经网络和单纯的模糊控制与单纯的神经网络相比，具有更优的性能，但仍然存在不足，因此，有研究将遗传算法与模糊神经网络结合起来以取得更好的数据融合效果。例如：姜静等人先用遗传算法对模糊神经控制器进行离线训练，然后，用BP 算法对模糊神经控制器进一步在线训练，仿真结果表明：模糊神经控制器比模糊控制器取得了更好的控制效果。

遗传算法和模糊理论相结合

遗传算法是一种并行算法，能够较好地解决多参数的优化问题，并针对算法的特点采用某些较新的算子，如实编码方式和对应的交叉算子与不一致变异技术的应用都保证遗传算法具有较好的性能并节省时间。另外，遗传算法所采用的某些算子能更好地模拟模糊关系，可以使融合达到较高的精度。将其与模糊理论相结合可以在信息源的可靠性、信息的冗余度、互补性以及进行融合的分级结构不确定的情况下，以近似最优的方式对传感器数据进行融合。因此，该方法逐渐成为目前的研究热点之一。例如：Choi JN等人提出一种基于分层公平竞争的并行遗传算法和信息粒化理论的混合优化模糊推理系统。另外，遗传模糊控制还被用于策略问题的研究。

模糊理论和神经网络理论相结合

神经网络具有大规模并行处理能力、自学习能力和自适应能力，其仿生特性使之能更有效地利用系统本身的信息，并能映射任意函数关系，但缺点是知识表达比较困难，学习速度慢。而模糊系统则采用简单的“如果⋯则⋯”规则，但自动生成和调整隶属度函数和模糊规则是个难题。

两者相结合产生的模糊神经网络可以看作是一种不依赖于精确数学模型的函数估计器。它除具有神经网络的功能外，还能处理模糊信息，完成模糊推理功能。模糊神经网络的节点和参数均有明显的物理意义，初值比较容易确定，利用学习算法可以使之很快收敛到要求的输入、输出关系，并且，参数的学习和调整比较容易，性能优于单纯的模糊控制和单纯的神经网络。

模糊系统与神经网络的结合方式各种各样，目前的各种模糊神经网络，一般可分为两类：根据模糊数计算得到的模糊神经网络;以模糊规则的逻辑推理过程为基础而形成的模糊神经网络。第一类模糊神经网络，其结构沿袭普通的多层前向网络，但输入输出为模糊语言值，权值一般取模糊数或清晰数，所以，权值调整算法是根据模糊数的计算特点而改进的BP算法，主要用于模拟模糊规则集，进行近似推理。第二类模糊神经网络的输入输出为精确值，一般包括模糊化、推理和清晰化过程，此类网络由于规则表达形式的多样性和网络模拟方法的灵活性而产生了各种结构和算法，主要用于时间序列预测、多种信息融合等方面。近年来，国内外出现了大量关于模糊神经网络的研究，如用于非线性模型的模糊神经网络混合辨识方法，用一种三层前反馈神经网络和Levenberg-Marquardt学习算法实现模糊系统的“如果⋯则”规则等。模糊神经网络的优势使其广泛应用于控制、模式识别、数据融合等领域，具有很大的发展前景。