2卡尔曼滤波KF) 用于实时融合动态的低层次冗余传感器数据,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,KF为融 合数据提供惟一的统计意义下的最优估计,KF的递推特 性使系统数据处理不需大量的数据存储和计算。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:每个传感 器节点失效不会导致整个系统失效。而EKF的优点: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 嵌入约束法传感器信息融合的最基本方法之 其缺点:需要对多源数据的整体物理规律有较好的了解, 才能准确地获得p(d,但需要预知先验分布p(。2.卡尔曼滤波(KF) 用于实时融合动态的低层次冗余传感器数据，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，KF为融 合数据提供惟一的统计意义下的最优估计，KF的递推特 性使系统数据处理不需大量的数据存储和计算。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：每个传感 器节点失效不会导致整个系统失效。而EKF的优点：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。 嵌入约束法传感器信息融合的最基本方法之一， 其缺点：需要对多源数据的整体物理规律有较好的了解， 才能准确地获得p(d|f)，但需要预知先验分布p(f)