Métodos de estimación

Uno de los más simples e intuitivos métodos de fusión es tomar el promedio ponderado de información redundante que proviene de un grupo de sensores y usarlo como el valor de la fusión. Este método permite un procesamiento en tiempo real de los datos en bajo nivel, el Filtro de Kalman es predominantemente preferido ya que provee un método que es cercano

en los requerimientos de procesamiento y, en contraste con el promedio ponderado, el resultado de la fusión es óptimo, en un sentido estadístico.

Métodos de inferencia

La fusión de información basada en la inferencia Bayesiana proporciona un formalismo para combinar evidencia de acuerdo a las reglas de la teoría de probabilidades. La incertidumbre es representada en términos de probabilidades condicionales que describen las creencias y que pueden tener valores en el intervalo [0,1] donde 0 indica falta total de creencia y 1 creencia absoluta.

Métodos de inteligencia artificial

Inferencias de alto nivel requieren razonamiento humano tales como reconocimiento de patrones, planeación, deducción y aprendizaje. Los procesos de inferencia utilizados por sistemas expertos comienzan con un grupo de datos iniciales (datos a prior)y unas reglas básicas.

Las redes neuronales y lógica difusa son ejemplo de este tipo de métodos.

• - Electrónica de consumo.

• - Geomática.

• - Bioinformática.

• - Red de sensores.

• - Sistemas inteligentes de transporte.

• - Minería de datos.

• - Filtro de Kalman.

• - IMU.

• - Liggins, Martin E., David L. Hall, and James Llinas. (2008) Multisensor Data Fusion, Second Edition. Theory and Practice (Multisensor Data Fusion). CRC, ISBN 978-1-4200-5308-1 (en inglés).

• - David L. Hall, Sonya A. H. McMullen (2004) Mathematical Techniques in Multisensor Data Fusion, ISBN 1-58053-335-3 (en inglés).

• - H. B. Mitchell (2007) Multi-sensor Data Fusion – An Introduction, Springer-Verlag, Berlín, ISBN 978-3-540-71463-7 (en inglés).

• - S. Das (2008) High-Level Data Fusion Artech House Publishers, Norwood, MA, ISBN 978-1-59693-281-4 and 1596932813 (en inglés).

• - Erik P. Blasch, Eloi Bosse, and Dale A. Lambert (2012), High-Level Information Fusion Management and System Design, Artech House Publishers, Norwood, MA. ISBN 1-60807-151-0 | ISBN 978-1-60807-151-7 (en inglés).

Las estructuras jerárquicas permiten una representación eficiente de las diferentes formas,

niveles, y resolución de la información usada por el procesamiento de los sensores y el control.

Es posible realizar una clasificación de los diferentes métodos que realizan fusión de datos atendiendo a los siguientes cinco criterios.

1. • Clasificación basada en las relaciones de los datos de entrada[1]​.

2. • Clasificación basada en la entrada y salida[2]​.

3. • Clasificación basada en los niveles de abstracción.

4. • Clasificación basada en los niveles de fusión del JDL (U.S Joint Directors of Laboratory)[3]​.

5. • Clasificación basada en los tipos de arquitecturas.

Métodos de estimación

Uno de los más simples e intuitivos métodos de fusión es tomar el promedio ponderado de información redundante que proviene de un grupo de sensores y usarlo como el valor de la fusión. Este método permite un procesamiento en tiempo real de los datos en bajo nivel, el Filtro de Kalman es predominantemente preferido ya que provee un método que es cercano

en los requerimientos de procesamiento y, en contraste con el promedio ponderado, el resultado de la fusión es óptimo, en un sentido estadístico.

Métodos de inferencia

La fusión de información basada en la inferencia Bayesiana proporciona un formalismo para combinar evidencia de acuerdo a las reglas de la teoría de probabilidades. La incertidumbre es representada en términos de probabilidades condicionales que describen las creencias y que pueden tener valores en el intervalo [0,1] donde 0 indica falta total de creencia y 1 creencia absoluta.

Métodos de inteligencia artificial

Inferencias de alto nivel requieren razonamiento humano tales como reconocimiento de patrones, planeación, deducción y aprendizaje. Los procesos de inferencia utilizados por sistemas expertos comienzan con un grupo de datos iniciales (datos a prior)y unas reglas básicas.

Las redes neuronales y lógica difusa son ejemplo de este tipo de métodos.

• - Electrónica de consumo.

• - Geomática.

• - Bioinformática.

• - Red de sensores.

• - Sistemas inteligentes de transporte.

• - Minería de datos.

• - Filtro de Kalman.

• - IMU.

• - Liggins, Martin E., David L. Hall, and James Llinas. (2008) Multisensor Data Fusion, Second Edition. Theory and Practice (Multisensor Data Fusion). CRC, ISBN 978-1-4200-5308-1 (en inglés).

• - David L. Hall, Sonya A. H. McMullen (2004) Mathematical Techniques in Multisensor Data Fusion, ISBN 1-58053-335-3 (en inglés).

• - H. B. Mitchell (2007) Multi-sensor Data Fusion – An Introduction, Springer-Verlag, Berlín, ISBN 978-3-540-71463-7 (en inglés).

• - S. Das (2008) High-Level Data Fusion Artech House Publishers, Norwood, MA, ISBN 978-1-59693-281-4 and 1596932813 (en inglés).

• - Erik P. Blasch, Eloi Bosse, and Dale A. Lambert (2012), High-Level Information Fusion Management and System Design, Artech House Publishers, Norwood, MA. ISBN 1-60807-151-0 | ISBN 978-1-60807-151-7 (en inglés).