针对无线传感网络中数据融合需求的多样性，提出了一种新的簇内数据融合方法。该方法基于信息熵可反映节点数据分布的统计特性，首先对节点内数据并查集的信息熵进行最大寻优、自动确定融合的上下限阈值，完成节点局部数据融合；同时考虑簇内信息分布的空间特性，对簇内二维信息熵进行最大寻优，并由此确定簇内数据融合的阈值、实现冗余数据过滤；最后就该方法与传统的数据融合策略进行了仿真比较。实验结果验证了该方法简单，可有效实现全局数据融合，显著降低节点能耗。

针对基于多源数据融合的多用户决策问题，建立了多源异构数据融合模型，研究了基于三角模糊数的异构数据统一量化表示方法，采用有序加权平均算子融入决策者的偏好，设计了一种支持多用户决策的多源异构数据融合算法。实际应用表明，本文设计的算法能解决多源异构数据在结构和语义上的模糊性、差异性和异构性等问题，通过在数据融合过程中考虑决策者偏好，提高了多用户决策结果的可靠度。

提出基于过程特征信息的火灾早期探测数据融合方法.利用加窗函数的外推算法和最小二乘法,提取CO浓度上升速度与加速度、CO2的浓度上升速度作为火灾辨识的特征层信息,建立一个3输入,3输出的概率神经网络的系统决策层.选取58组具有代表性的火灾状况特征信息作为数据样本,对网络进行训练.仿真结果表明,经过50次训练,最终误差为10 - 3 ,方法能够快速、准确地对火灾的阴燃初期进行识别,正确判别明火,且对于干扰信号能够有效滤除.

论文研究-基于Bayes估计的多传感器数据融合方法研究.pdf,  对多传感器数据融合方法进行研究 ,以 Bayes估计理论为基础得到了多传感器最优融合数据 ,并将它与其它方法得到的融合数据进行了比较 .

一种基于深度学习的多源异构数据融合方法.pdf

研究了一种基于D-S证据理论的多证据数据融合决策的开关磁阻发电机（SRG）故障诊断方法。根据SRG电流、电压、转矩三个证据信号进行融合处理，提高了其故障诊断的精确性和可靠性。文章对D-S证据理论在开关磁阻发电机故障诊断中的应用进行了实例分析，结果表明该方法能够有效提高故障诊断精度。

针对当前输电线路故障诊断的需求，结合智能电网运行中产生的大量结构多样、来源复杂的数据，将这些大数据归类于不同的维度，设计了基于多维度数据融合的输电线路故障智能诊断系统。对多维度的诊断结果融合架构、融合方法等进行了设计，并给出了故障智能诊断系统的主要功能模块和整体结构。最后，通过该系统的运行，表明了多维度数据融合的诊断结果具有较高的诊断速度和准确度，在电力行业故障诊断方面具有良好的应用前景。

随着我国列车行驶速度的不断提高,列车的行车安全逐渐得到了人们的重视,海量列车轮对监测数据为分析列车运行状态提供了条件.为了提高列车轮对故障诊断效率和准确性,文章提出一种基于大数据分析的列车轮对故障诊断方法,针对传统列车轮对故障诊断方法在处理大规模监测数据集时存在处理时间长,故障结果不准确等问题.首先设计一个监测数据融合框架,然后将多故障诊断循环神经网络算法与大数据MapReduce分布式计算框架相结合,利用循环神经网络算法特征提取能力和MapReduce快速计算能力.这样不但能够发挥循环神经网络故障特征提取能力,还能够满足列车轮对故障诊断精确性和实时性的需求,最后通过实例分析,证明了该方法的有效性.

本文采用两种改进的算法: 基于HSV的小波融合算法(HSV-WT)、基于区域特征的自适应小波包融合算法(AWP)分别对多光谱LandSat TM数据与全色SPOT-5数据、TM数据与ERS-2的合成孔径雷达SAR数据进行融合. 融合结果表明两种改进算法融合后的数据在保持光谱信息和提高空间细节信息两方面均得到提高. 当应用两种方法对同一组数据进行处理时, AWP的性能参数优于HSV-WT. 这两种算法相对传统小波算法, 能克服对高频信息处理的缺陷, 突破待融合数据的分辨率比值限制, 实现分辨率之比非2n的数据融合.

数据融合matlab代码自适应加权学习网络的轻量图像超分辨率 王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”， 该代码基于 依存关系 的Python 3.5 PyTorch> = 0.4.0 麻木 skimage 意象 matplotlib tqdm 代码 git clone git@github.com:ChaofWang/AWSRN.git cd AWSRN 抽象的 近年来，深度学习已以出色的性能成功地应用于单图像超分辨率（SISR）任务。 但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。 在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。 在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。 此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。 AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分