已给出的数据融合概念的定义都是功能性的。美国国防部从军事应用的角度将数据融合定义为这样的一个过程，即把来自许多传感器和信息源的数据和信息加以联合、相关和组合，以获得精确的位置估计和身份估计，完整而及时的战场态势和威胁估计。这一定义基本上是对数据融合技术所期望达到的功能的描述，包括低层次上的位置和身份估计，以及高层次上的态势评估和威胁估计。

　　其中 是 维输入向量， 是 维过程噪声，也满足一定的概率分布，通常为Gauss白噪声。

　　本章所讨论的问题是：假设被估计量X满足动态方程(2.1.3)式或(2.1.4)式，已知k次量测值 ，对k时刻的状态向量X(k)进行最优估计。

　　目标识别级融合----目标识别亦称属性分类或身份估计，对观测体进行识别和表征。如使用雷达截面积（RCS）数据来确定一个实体是不是一个火箭体、碎片或再入大气层的飞船。敌-我-中识别器（IFFN）使用特征波形和有关数据对观测体判断，是敌机、友机还是不明。

　　目标识别层也称属性层的信息融合有三种方法：决策级融合、特征级融合、数据级融合。

　　现在考虑局部节点估计与传感器测量位于不同坐标系的情况。设传感器i在局部节点笛卡尔坐标系中的三个位置分量为 ，并假定目标的位置坐标分量（x，y，z轴分量）包含在测量向量中。于是，令

　　为传感器i的状态坐标偏移量在局部节点j笛卡尔坐标系中的增广向量。那么传感器i在局部节点j笛卡尔坐标系中k1时刻的观测为

　　由2．3节的结果可知，局部节点j中的第i个传感器的Kalman滤波方程为

　　Edward Walts和Jame Linas对上述定义进行了补充和修改，用状态估计代替位置估计，并加上了检测功能。

　　关于数据融合研究的范围现在尚无定论，以军事应用为目标的数据融合技术也可用于工业和农业等其他领域。

　　必一运动

　　(1)生存能力强----在有若干传感器不能利用或受到干扰，或某个目标/事件不在覆盖范围时，总会有一种传感器可以提供信息。

　　未来战争将是作战体系间的综合对抗，在很大程度上表现为信息战的形式。而建立具有合成作战的指挥能力和智能化的决策指挥能力的指挥控制系统的瓶颈是数据融合技术。因此，关于多传感器数据融合理论和技术的研究对于我国国防建设具有重要的战略意义和社会意义。

　　按照信息抽象的五个层次，融合可分为五级，即检测级融合、位置级融合、属性级融合、态势评估和威胁评估。

　　检测级融合----直接在信号层上进行的融合或者在检测判决层上进行的融合。分别对应集中式检测融合和分布式检测融合。

　　位置级融合----直接在观测报告或测量点迹上进行的融合或在各个传感器状态估计上进行的融合。分别对应着集中式位置融合和分布式位置融合。

　　在未来战争中，电磁环境将异常复杂，无论是空战、海战还是陆战以至于陆、海、空相结合的立体战争，都将日益依赖于各种传感器设备。在实战中，传感器将受到各种欺骗和干扰，检测目标的数量日益增多，运动速度越来越快，而且多数目标采用隐身技术和低空/超低空突防技术，使传感器难以捕获和跟踪。这种现状是数据融合作为一种特殊的作战手段已渗透到几乎所有军事部门和各个作战领域，数据融合已不仅是高技术战争的先导，而且贯穿于战役的全过程，深刻地影响着战争的进程和结局。

　　为局部节点j位置坐标的增广向量，则节点j在融合中心坐标系中k1时刻的局部广义测量向量为

　　现在把离散Kalman滤波理论应用于式（3.1）和式（3.2）构成的线性系统，则局部节点 的集中状态估计方程为

　　其中 是n维向量，表示k时刻的状态向量， 是k时刻 阶的状态转移矩阵， 为（已知） 维输入或控制信号（向量）， 为 阶输入矩阵, 为 维过程噪声分布矩阵， 为n维过程噪声，满足Gauss白噪声，并且

　　量测方程(2.1.1)式仍是线)降低了信息的模糊度----多传感器的联合信息降低了目标/事件的不确定性。

　　(6)改进了探测性能----对目标/事件的多种测量的有效融合，提高了探测的有效性。

　　(7)提高了空间分辨率----多传感器可以获得比任何单一传感器更高的分辨率。

　　(8)增加了测量空间的维数----使用工作在不同频段的传感器可以测量陆、海、空、天等多维空间目标，同时不宜受到敌方行动或自然现象的破坏。

　　估计与量测有关。从上述状态估计问题的提法可以看出，在状态估计问题中，被估计量----状态向量和量测量均是随时间变化的，这样状态向量与量测量之间在时间上就有不同的对应关系。以离散时间系统为例，设 为已知j和j以前时刻的量测值，对k时刻状态X(k)作出某种估计。

　　其中， 是k时刻目标的状态向量， 是零均值白高斯过程噪声向量， 是状态转移矩阵， 是过程噪声分布矩阵。初始状态X（0）是均值为μ和协方差矩阵为P0的一个高斯随机向量，且 。

　　其中，M是局部节点数，N j是局部节点j的传感器数。局部节点j传感器i的测量方程可表示为

　　下面要讨论的动态系统是离散的和线)式中的f是线性函数，也就是说，状态方程满足

　　一般的监视和跟踪系统中，其目标运动和传感器测量方程都是线性的，过程与测量噪声是相互独立的，并且系统模型中不含控制项。为了讨论问题的方便，下面再次描述目标运动、传感器测量和单传感器Kalman滤波方程。

　　设有动态系统，它满足一定的数学模型(如公式2.1.3)，其有关随机向量满足一定的统计性质。所指系统的状态估计问题就是根据选定的估计准则和已获得的量测信息(如公式2.1.1,2.1.2)，对系统进行估计，其中状态方程确定了被估计量的随机状态过程。

　　在决策级融合方法中，每个传感器都完成变换以便获得独立的身份估计，然后再对来自每个传感器的属性分类进行融合。

　　在特征级融合方法中，每个传感器观测一个目标并完成特征提取以获得来自每个传感器的特征向量。然后融合这些特征向量并获得联合特征向量来产生身份估计。

　　在数据级融合方法中，对来自同质传感器原始数据直接进行融合，然后基于融合的传感器数据进行特征提取和身份估计。（如多源图像复合，同质雷达的波形的直接合成）

　　其中 是m维向量，表示k时刻的量测向量， 是 阶量测矩阵， 是m维量测噪声，并满足Gauss白噪声，有

　　多传感器数据融合的基本原理就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。多传感器数据融合与经典的信号处理方法之间有着本质的差别，其关键在于信息融合所处理的多传感器信息具有更复杂的形式，而且通常在不同的信息层次上出现。这些信息抽象层次包括检测层、位置层、属性层、态势层和威胁层。

　　状态估计理论的目的是对目标过去的运动状态进行平滑、对目标现在的运动状态滤波和对目标未来的运动状态进行预测，这些运动状态包括目标位置、速度和加速度等。本章讨论在多传感器跟踪系统中广泛应用的状态估计技术，这些方法是多传感器信息系统的最基本要素，也是形成多目标自适应跟踪滤波的前提和基础。

　　(2)扩展了空间覆盖范围----通过多个交叠的传感器作用区域，扩展了空间覆盖范围，一种传感器可以探测到其他传感器探测不到的地方。

　　(3)扩展了时间覆盖范围----用多个传感器的协同作用提高检测概率，某个传感器可以探测到其他传感器不能顾及的目标/事件。

　　在今后所讨论的随机估计问题中，用 维向量 表示被估计参数，用 维向量 表示量测值，通常假设量测值Z与估计量X满足关系式

　　这里 是指 时刻， 是 维量测噪声并满足一定概率分布，通常是满足Gauss白噪声。

　　对 进行估计，其估计值为 。当被估计量X不随时间变化时，则称对参数X的估计为静态估计。当参数X随时间变化时，一般认为X满足某一动态方程

　　由第1章的描述可知，在多传感器信息融合系统中，就位置（空间）级融合系统的结构而论有集中式、分布式结构。所谓信息融合主要有两项任务，其一是点迹-航迹互联和／或航迹与航迹关联问题，其二是目标状态的估计和/或航迹融合问题。在第4章中研究航迹关联算法，本章中，3．2节描述线性离散集中式多传感器融合系统中的状态估计，3．3节讨论线性离散分布式多传感器融合系统中的状态估计。