採用CarlsON 最優數據融合準則， 將基於Kalman 濾波的多傳感器狀態融合估計方法應用到雷達跟蹤系統。仿真實驗表明，多傳感器Kalman 濾波狀態融合估計誤差小於單傳感器Kalman 濾波得出的狀態估計誤差，驗證了方法對雷達跟蹤的有效性。
本文引用地址：http://www.eepw.com.cn/article/162520.htm隨著科學技術的發展， 特別是微電子技術、集成電路技術、計算機技術、信號處理技術及傳感器技術的發展， 多傳感器信息融合已經發展成為一個新的研究領域， 並在軍用領域和民用領域均得到了廣泛應用。
多傳感器信息融合的基本原理如同人腦綜合處理信息的過程， 即充分利用多個傳感器資源， 通過對各種傳感器及其觀測信息的合理支配與使用， 將各種傳感器在空間和時間上的互補與冗餘信息依據某種優化準則組合起來， 從而得出更為準確、可靠的結論。
現代戰爭的多樣性和複雜性提出了對信息處理更高的要求， 信息融合可對多傳感器提供的多種觀測信息進行優化綜合處理， 從而獲取目標狀態、識別目標屬性、分析目標意圖與行為， 為電子對抗、精確制導等提供作戰信息。本文將基於Kalman 濾波的多傳感器狀態融合估計方法應用到雷達跟蹤系統。仿真實驗表明， 三個傳感器融合所獲得的估計值都更加貼近於目標信號， 因而提高了對雷達系統的跟蹤精度。
1 卡爾曼濾波器
多傳感信息融合的主要任務之一就是利用多傳感器信息進行目標的狀態估計。目前， 進行狀態估計的方法很多，Kalman 濾波器是一種常用方法。Kalman 濾波器在機動目標跟蹤中具有良好的性能， 它是最佳估計並能夠進行遞推計算， 即它只需要當前的一個測量值和前一個採樣周期的預測值就能進行狀態估計。
考慮一個離散時間的動態系統， 它有如下形式：
針對動態系統(1) 和(2) ，Kalman 遞推濾波算法如下：
2 多傳感狀態融合估計算法
單採樣率多傳感器狀態融合估計的研究方法主要有基於概率論的方法、基於Kalman 濾波的方法、基於推理網絡的方法、基於模糊理論的方法、基於神經網絡的方法， 以及基於小波、熵、類論、隨機集、生物學靈感、Choquet 積分的方法等等。基於Kalman 濾波的方法由於具有操作簡單、計算量小、實時性強等優點， 得到最為廣泛的研究。
下面重點介紹基於Kalman 濾波的分布式數據融合狀態估計算法。設多傳感器系統有如下形式：
狀態向量初始值x(0)為一隨機向量， 並且有：
假設x (0)、w (k) 和v (i，k) 之間是統計獨立的，i =1，2，…，N 表示傳感器。數據融合的目的是通過合理利用這些傳感器的觀測信息， 獲得狀態的最優估計值。