加权数据融合是对多源冗余信息进行加权平均，结果作为融合值，是一种直接对数据源进行操作的方法。
数据融合是指充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。加权数据融合是对多源冗余信息进行加权平均，结果作为融合值，是一种直接对数据源进行操作的方法。
简介
加权数据融合是指对不同时间与空间的多传感器数据进行统计分析，然后利用有关数学方法或实际经验对不同的传感数据赋予不同的权值，得到数据融合值。如加权平均法，卡尔曼滤波以及人工神经网络法。加权数据融合是为了得到多源数据特征的更好表达。
权的概念和权数的确定
在系统检测过程中，对于某一被测对象的参数而言，它的每一个测量值都在不同程度上反映了其真实值。但是在测量过程中，测量人员的更换、对检测设备进行检修或校对、被测对象的较大不均匀性等都会导致测量值与真实值之间的误差波动。
严格来讲，绝对的等精度观测是不存在的，不等精度观测则是绝对的，所谓的等精度观测只是一种近似意义上的等精度，可以称之为准等精度观测。对于不等精度测量数据，为了权衡各数据的不同精度，可引用标志测量精度的特征数字“权”数，即各测量数据的相对重要程度。精度高的数据误差小，权数应大;而精度低的数据误差大，权数应小。将测量列的各个数据按照其精度分别乘以权数再进行平均值处理，无疑有利于提高估计值的准确性。因此，对于不等精度测量所得的数据，正确地给定权数非常重要。常用的确定权数的方法有:①根据经验确定；②根据测量次数确定；③根据数据的精度参数确定。
方法
加权平均法
加权平均法，利用过去若干个按照时间顺序排列起来的同一变量的观测值并以时间顺序数为权数，计算出观测值的加权算术平均数，以这一数字作为预测未来期间该变量预测值的一种趋势预测法。加权平均法是指标综合的基本方法，具有两种形式，分别为加法规则与乘法规则。
卡尔曼滤波
卡尔曼滤波（Kalman filter）是一种高效率的递归滤波器（自回归滤波器），它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。卡尔曼滤波会根据各测量量在不同时间下的值，考虑各时间下的联合分布，再产生对未知变数的估计，因此会以只以单一测量量为基础的估计方式要准。卡尔曼滤波得名自主要贡献者之一的鲁道夫·卡尔曼。
卡尔曼滤波在技术领域有许多的应用。常见的有飞机及太空船的导引、导航及控制。卡尔曼滤波也广为使用在时间序列的分析中，例如信号处理及计量经济学中。卡尔曼滤波也是机器人运动规划及控制的重要主题之一，有时也包括在轨迹最佳化。卡尔曼滤波也用在中轴神经系统运动控制的建模中。因为从给与运动命令到收到感觉神经的回授之间有时间差，使用卡尔曼滤波有助于建立符合实际的系统，估计运动系统的状态，并且更新命令。卡尔曼滤波的算法是二步骤的程序。在估计步骤中，卡尔曼滤波会产生有关状态的估计，其中也包括不确定性。只要观察到下一个量测（其中一定含有某种程度的误差，包括随机噪声）。会透过加权平均来更新估计值，而确定性越高的量测加权比重也越高。算法是迭代的，可以在实时控制系统中执行，只需要的输入量测、以往的计算值以及其不确定性矩阵，不需要其他以往的资讯。
使用卡尔曼滤波不用假设误差是正态分布，不过若所有的误差都是正态分布，卡尔曼滤波可以得到正确的条件机率估计。
也发展了一些扩展或是广义的卡尔曼滤波，例如运作在非线性糸统的扩展卡尔曼滤波及无损卡尔曼滤波（unscented Kalman filter）。底层的模型类似隐马尔可夫模型，不过潜在变量的状态空间是连续的，而且所有潜在变量及可观测变数都是正态分布。
人工神经网络法
神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器数据融合技术处理的要求。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现为网络的权值分布上，同时，可以采用经*定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能，即实现了多传感器数据融合。
数据融合技术
充分利用多传感器资源，通过对这些传感器及其观察信息和数据的合理支配和使用，把多个传感器在空间或时间上的信息和数据依照某种准则进行组合，以获得对被测对象的一致性解释或描述，使该信息系统由此而获得比它的各组成部分所构成的系统更优越的性能的技术。多传感器数据的融合是人和其他生物的一种基本功能。将图像、声音、味、物理形状或组织结构之类的数据，变换成对环境有意义的感觉，要求进行大量的各类数据的处理和具有足以理解融合数据含义的知识基础。20 世纪 70 年代以来，已经用自动系统模拟人的这种功能，借助于计算机处理多传感器的数据，来获得任何单个传感器不可能单独提供的有用数据。类似的术语有多传感器或多源相关、多源综合、传感混合或数据融合等。
军事上对数据融合最通用的解释是：检测、关联、相关、估算和组合多源数据和信息，以获得精细的状态和身份的估测及全面、实时地确定情况和威胁。该定义反映出融合的三个中心内容：①数据融合是在若干层次对多源数据实施处理的过程；②数据融合的过程，包括检测、关联、相关、估值和数据组合；③数据融合的产品，包括较低层次的状态和身份估计以及较高层次的综合战术情况的确定。总之，数据融合就是利用多传感器的协合效应来提高系统效率。
