论文

舰船目标检测
多模态信息融合检测
HRRP 高分辨距离像
SAR 合成孔径雷达
AIS 自动识别

HRRP+AIS te

特征级融合

HRRP+SAR
图像融合

AIS+SAR
决策级融合/特征融合

HRRP+SAR+AIS
HRRP+SAR特征融合+AIS决策级融合

三模态拼接融合

多网络多尺度特征融合
分别特征提取并用多尺度数据融合如投票堆栈等融合

基于记忆融合网络

ANNs BPNN DBN深度信念网络 离散小波变换（DWT）

工业互联网
Remaining Useful Life Prediction of IIoT-Enabled Complex Industrial Systems With Hybrid Fusion of Multiple Information Sources
基于多种信息源混合融合的IIoT复杂工业系统的剩余使用寿命预测 多传感器数据集遗传算法融合+决策级融合

Towards intelligent industrial systems: A comprehensive survey of sensor fusion techniques in IIoT
迈向智能工业系统：IIoT中传感器融合技术的综合研究

Multimodal Sensor Data Fusion Based Cyberattack Detection in Industrial Internet of Things Environment
基于多模态传感器数据融合的工业物联网环境网络攻击检测
萤火虫群工具检测 检测iiot中的网络数据? 值得回去一看

FL-CTIF: A federated learning based CTI framework based on information fusion for secure IIoT
FL-CTIF：基于信息融合的联邦学习CTI框架，实现安全IIoT
提出了一个基于信息融合（FL-CTIF）的基于联邦学习的CTI框架，用于保护IIoT环境。我们使用信息融合设计了一个全面的网络攻击数据集，并更新了特征选择，以提高识别网络攻击的准确性。

概率建模、深度学习方法、集成方法和贝叶斯推理
IIoT使用一种称为“传感器融合”的方法，通过组合来自多个传感器的读数来提高所收集数据的精度和可靠性。由于传感器融合，可以全面了解被监控的系统和过程，这有助于企业克服单个传感器的局限性[21]。例如，在工厂中，传感器融合可以通过组合来自多个传感器（如温度、压力和振动）的数据来更全面地了解机器的健康和性能[22]。从这些信息中获得的见解可以导致及早发现问题并实施修复程序，否则会导致计划外停机。它在工业环境中特别有用，在工业环境中，可以使用多个传感器来监控系统或过程的各个部分。为了跟踪温度、振动和流速等变量，工厂通常使用传感器来跟踪生产线效率[23]。从这些传感器收集的信息可用于更好地了解生产线的整体运作情况，这有助于定位问题并最大限度地提高效率。实现传感器融合的方法有很多种。与特征融合相反，特征融合结合了从数据中提取的特征或特征，传感器融合结合了来自多个传感器的原始数据[24]。

An improved multi-channels information fusion model with multi-scale signals for fault diagnosis
一种改进的多通道信息融合模型，用于故障诊断的多尺度信号
A novel approach of multisensory fusion to collaborative fault diagnosis in maintenance
一种多感官融合在维护中协同故障诊断的新方法
Knowledge-based fault diagnosis in industrial internet of things: a survey
Design of multi-information fusion based intelligent electrical fire detection system for green buildings
基于多信息融合的绿色建筑智能电气火灾探测系统设计
Fault prediction using fuzzy convolution neural network on IoT environment with heterogeneous sensing data fusion
基于异构感知数据融合的物联网环境模糊卷积神经网络故障预测 基于模糊卷积神经网络的技术，利用凯斯西储大学（CWRU）的轴承数据集提取和诊断缺陷指标 99.87 借助基于直接卷积神经网络的模型评估了所提模型的有效性。

Mechanical fault diagnosis and prediction in IoT based on multi-source sensing data fusion
基于多源传感数据融合的物联网机械故障诊断与预测 //重点看一下
反向传播神经网络（BPNN）、径向基函数神经网络（RBFNN）、埃尔曼神经网络（ENN）、概率神经网络（PNN）、模糊神经网络（FNN）和小波神经网络（WNN）
随着数据融合技术的发展，人们提出了多种融合模型，如JDL模型[33]、Boyd的OODA（Observe-Orient-Decide-Act）Loop模型[34]、Intelligence Cycle模型[35]、Omnibus模型[35]、[36]、状态转换数据融合（STDF）模型[37]、Dasarathy模型[38]、瀑布模型[39]和混合模型[36]。然而，JDL 模型仍然是最常应用和研究的模型，并且在开发其他模型时充当了基础。在探索机械故障诊断和预测模型的研究者中，利用Dasarathy模型和瀑布模型开发的分层融合模型被广泛应用。

JDL模型
目前，分层融合模型的思想在机械故障诊断中得到了广泛的应用，即通过两到三个阶段应用数据预处理、特征级融合和决策级融合来获得最终的诊断结果。例如，Wang等[98]提取了液压系统振动信号的时域、频域和时频域特性，随后利用SVM进行特征级融合。马等[99]利用堆叠稀疏自编码器提取了飞机发动机的性能退化特征，通过自动学习进行特征级融合，并应用逻辑回归进行决策级融合。Zeng等[100]使用SVM对单个传感器数据进行表征，然后利用D-S证据理论进行决策级融合，实现发动机故障预测。Hang等[61]提出使用经验模式分解进行数据预处理，并结合模糊支持向量机进行特征级融合，以实现风力发电机组的故障检测。Guan等[76]提出利用经验模态分解和样本熵对原始数据进行重构，然后利用DBN进行特征级融合，实现旋转机械的故障预测。在数据级融合方面，由于原始数据量普遍较大，噪声数据量也很大，因此对数据级融合相关算法的研究很少。

基于深度学习卷积神经网络（CNN）、深度信念网络（DBN）、深度神经网络（DNN）、自动编码器（AE）和长短期记忆网络（LSTM）的五种融合算法在机械设备故障诊断与预测领域的应用。相应的网络模型结构如图5所示。

A Lightweight Sensing Data Integrity Detection Method for the Industrial Internet of Things
一种面向工业物联网的轻量级感知数据完整性检测方法

研究方向:
增强的传感器集成：研究人员正在探索新的方法，以有效地将来自不同传感器的数据集成到IIoT系统中。这包括基于深度学习的融合、概率建模和信息融合算法等技术，以提高传感器数据融合的准确性和可靠性。
边缘计算和分布式融合：随着边缘计算在IIoT中的普及，人们对开发能够利用边缘设备计算能力的分布式传感器融合算法越来越感兴趣。这支持实时处理，减少延迟，并增强大规模 IIoT 部署中传感器融合的可扩展性
安全和隐私：由于 IIoT 系统处理敏感数据，因此确保强大的安全和隐私措施至关重要。研究人员正专注于开发安全和保护隐私的传感器融合技术，以保护敏感信息，同时保持融合数据的准确性和完整性

项目方面,航弹院的项目我应该之后整体验收的时候会去一次,之后有问题应该可以线上给他答疑就行.
c++库的那个项目,我们这两周没有推进多少,个人感觉难度超过预期

然后论文方面,上次说的是工业互联网和水下或者舰船的数据融合方面
数据融合还能分多源数据融合多模态数据融合等,然后在iiot方面,数据不是很好找,我找到的是多个传感器数据融合的文章,在这个方面的场景集中在故障诊断预测 iiot场景下的网络攻击诊断等
方法也有很多,ANNs BPNN DBN深度信念网络 小波变换 卡尔曼滤波（DWT）LSTM等等