传感器融合是信号处理中一个相当广泛的子主题。除了传感器融合之外，它还以不同的形式出现，例如多样性增强、多传感器组合、整体平均等等。

如果传感器的输出同相或同步（这是一个敏感的假设，因为您正在谈论平均），但可能带有噪声或不同的幅度水平（因子）：$y_i$$n_i$$k_i$

$$y_i = k_i x+n_i$$

在Signal extract from multiple noise sensors中有一个相当古老的参考，S. Palit，1997。我还没有实现它，它也没有被完全引用，但我仍然觉得它值得仔细研究。在同一类型中，最近的许多作品都遵循“集成平均”的轨道，“低秩”分解的概念听起来很吸引人：将你的输出放入矩阵中。如果没有噪声，则列将是单个信号的倍数。因此，如果不为零，则矩阵的秩为 1。的低秩近似，分离信号，噪声$X$$x$$x$$X$$X$$x$$n_i$以及潜在的局部干扰、足迹稀疏的异常值。其中一种方法称为GoDec：在嘈杂情况下的随机低秩和稀疏矩阵分解：

低秩和稀疏结构在矩阵补全和压缩感知中得到了深入的研究。在本文中，我们开发了“Go Decomposition”（GoDec）来有效且稳健地估计具有噪声的矩阵和稀疏部分GoDec 将 的低秩近似分配给的稀疏近似分配给。该算法可以通过双边随机投影（BRP）显着加速。我们还建议将 GoDec 用于矩阵完成作为一个重要的变体。我们证明了目标值$L$$S$$X=L+S+G$$G$$X-S$$L$$X-L$$S$$\|X-L-S\|_F^2$ 收敛到局部最小值，而和线性收敛到局部最优值。理论上，我们分析、 和$L$$S$$L$$S$$G$到渐近/收敛速度，以发现 GoDec 的鲁棒性。实证研究表明，GoDec 与代表性矩阵分解和完成工具（例如，Robust PCA 和 OptSpace）相比具有效率、稳健性和有效性。GoDec 可以通过将多标签数据分解为几个低秩部分和一个稀疏残差的总和来解决多标签学习问题，其中每个低秩部分对应于特定标签在特征空间中的映射. 然后可以通过在低秩部分定义的子空间上找到新实例的组稀疏表示来获得预测。

如果输出不是时间对齐的，或者有抖动，那么您可以探索卷积盲源分离、超分辨率（用于 BW 扩展）等，但这个边距太薄，无法绘制完整的全景图。

与 DSP 中的往常一样（您稍后可能会发现 (-: )，只有将“好”对您的含义定义为数字时，才能找到“更好”的方法。

经典地，人们会尝试最小化组合估计的方差，如果该估计收敛到实际观察量的值（无偏差估计）。

所以，这实际上是一个经过充分研究的领域；估计理论，最适合您的应用的方法取决于您的应用和传感器的特性，因此无法给出一般性建议。Rodrigo 对研究卡尔曼滤波器的建议还不错——它是一种经常使用、流行且在许多情况下是在多次观察下跟踪变化量的最佳解决方案。

我在Messtechnik（德语：测量技术）的讲座中学到了这一点，因此，我只知道有关该主题的德国文献（测量和控制理论是我当地的主题，一般来说德国大学都有丰富的历史，所以有大量的德语“原创”文学作品）。我会去问那些学习过电子工程或机械工程的人，问他们上过哪些计量学、测量/估计理论（或至少是控制理论）的课程，以及他们会推荐什么。

平均值的替代方法是中位数。对于在传感器时间轴和传感器编号轴上均为白色的高斯噪声，均值（平均值）优于中值。存在中位数更好的噪声分布。Edward R. Dougherty 和 Jaakko Astola 的“非线性图像处理简介”的一些对称噪声分布的均值和中值的渐近方差：$\sigma^2$

$$\begin{array}{lll} \text{Noise density}&\text{Mean}&\text{Median}\\ \text{Uniform}&\frac{\sigma^2}{N}&\frac{3\sigma^2}{N+2}\\ \text{Gaussian}&\frac{\sigma^2}{N}&\frac{\pi\sigma^2}{2N}\\ \text{Laplacian}&\frac{\sigma^2}{N}&\frac{\sigma^2}{2N} \end{array}$$

同样，Seyhmus Güngören 在对数学堆栈交换问题的回答中写道：

如果手头的数据遵循高斯分布，则样本均值是最大似然估计量。另一方面，如果数据遵循拉普拉斯分布，则样本中位数是均值的最大似然估计量。

如果稳定噪声很少但有时其中一个传感器发生故障，中值将比平均值工作得更好。

另一个关键字是minimum-variance unbiased estimator。