1.基于雷视多传感器数据的水位数据融合方法，其特征在于，包括以下步骤：
步骤1.采集待研究区域基于视频与雷达的多传感器水位原始数据集o，o={o1(x)、o2(x)、o3(x)、…、om(x)}，oi(x)为第i个传感器监测的数据子集，oi(x)=[x1、x2、x3、…、xn]，xi为oi(x)的样本，m为数据子集个数，n为子集中数据样本个数；
步骤2.构建原始数据集理论函数和其约束条件，并对数据集样本进行可疑值检验和剔除，得到优选数据集S；
对于任一子集oi(x)，根据其所包含的样本来表示，将其理论函数表示为：
（2‑1）
T
式中，y表示数据子集的理论函数；αnt=[α1、α2、…、αnt] 为待定系数，βnt(x)=[β1(x)、β2T
(x)、…、βnt(x)]为一组线性无关的函数；nt为一组中线性无关函数的个数；
为保证理论函数最优，其目标函数应满足：
（2‑2）
目标函数的约束条件为：
（2‑3）
式中，μ是待求解的常数；xi为oi(x)的样本；
可疑值检验和剔除过程为，首先建立目标函数的拉格朗日函数：
（2‑4）
式中，φ为约束函数；
然后对拉格朗日函数进行求解：
（2‑5）
验证原始数据集o各子集中各个样本是否满足上式，将不满足的剔除，将满足的保留记为xi’，构成优选子集Si(x’)；所有优选子集形成优选数据集S，S={S1(x’)、S2(x’)、S3(x’)、…、Sm(x’)}；
步骤3.对优选数据集S进行频率统计，计算熵值，并构建相对熵矩阵H；
步骤4.对优选数据集S进行相关计算，并构建相关性矩阵R；
T
步骤5.基于相对熵矩阵H和相关性矩阵R构建权重系数矩阵ω ；
T
步骤6.基于权重系数矩阵ω 构建归一化系数矩阵W，并将W与S子集矩阵做乘积处理，得到最终融合结果；
其中，在步骤3中，频率统计为：记Si(x’)中任意xi’出现的次数为k，则其频率P(xi’)=k/N，
数据集的熵值为：
（3‑1）
对于任意两个数据子集Si(x’)和Sj(x’)，i≠j，其相对熵为：
（3‑2）
对所有优选子集进行相对熵计算，并构建相对熵矩阵H：
（3‑3）；
在步骤4中，对于任意两个数据子集Si(x’)和Sj(x’)其相关计算为：
（4‑1）
式中， ；
所有优选子集的相关性矩阵R为：
（4‑2）。
2.根据权利要求1所述的基于雷视多传感器数据的水位数据融合方法，其特征在于：
T
其中，在步骤5中，权重系数矩阵ω 为：
（5‑1）
其归一化处理为：
（5‑2）。
3.根据权利要求2所述的基于雷视多传感器数据的水位数据融合方法，其特征在于：
其中，在步骤6中，归一化系数矩阵W为：
（6‑1）
融合结果表达式为：
（6‑2）。
4.基于雷视多传感器数据的水位数据融合装置，其特征在于，包括：
采集部，采集待研究区域基于视频与雷达的多传感器水位原始数据集o，o={o1(x)、o2(x)、o3(x)、…、om(x)}，oi(x)为第i个传感器监测到的数据子集，oi(x)=[x1、x2、x3、…、xn]，xi为oi(x)的样本，m为数据子集个数，n为子集中数据样本个数；
筛选部，构建原始数据集理论函数和其约束条件，并对数据子集样本进行可疑值检验和剔除，得到优选数据集S；
对于任一子集oi(x)，根据其所包含的样本，将其数据集理论函数表示为：
（2‑1）
T
式中，y表示数据子集的理论函数；αnt=[α1、α2、…、αnt] 为待定系数，βnt(x)=[β1(x)、β2T
(x)、…、βnt(x)]为一组线性无关的函数；nt为一组中线性无关函数的个数；
为保证理论函数最优，其目标函数应满足：
（2‑2）
目标函数的约束条件为：
（2‑3）
式中，μ是待求解的常数；xi为oi(x)的样本；
可疑值检验和剔除过程为，首先建立目标函数的拉格朗日函数：
（2‑4）
式中，φ为约束函数；
然后对拉格朗日函数进行求解：
（2‑5）
验证原始数据集o各子集中各个样本是否满足上式，将不满足的剔除，将满足的保留记为xi’，构成优选子集Si(x’)；所有优选子集形成优选数据集S，S={S1(x’)、S2(x’)、S3(x’)、…、Sm(x’)}；
相对熵矩阵构建部，对优选数据集S进行频率统计，计算熵值，并构建相对熵矩阵H；
相关性矩阵构建部，对优选数据集S进行相关计算，并构建相关性矩阵R；
T
权重系数矩阵构建部，基于相对熵矩阵H和相关性矩阵R构建权重系数矩阵ω ；
T
融合部，基于权重系数矩阵ω 构建归一化系数矩阵W，并将W与S子集矩阵做乘积处理，得到最终融合结果；
控制部，与所述采集部、所述筛选部、所述相对熵矩阵构建部、所述相关性矩阵构建部、所述权重系数矩阵构建部和所述融合部均通信相连，控制它们的运行；
其中，在所述相对熵矩阵构建部中，记Si(x’)中任意xi’出现的次数为k，则其频率P(xi’)=k/N，
数据集的熵值为：
（3‑1）
对于任意两个数据集Si(x’)和Sj(x’)，i≠j，其相对熵为：
（3‑2）
对所有优选子集进行相对熵计算，并构建相对熵矩阵H：
（3‑3）；
在所述相关性矩阵构建部中，对于任意两个数据子集Si(x’)和Sj(x’)其相关计算为：
（4‑1）
式中， ；
所有优选子集的相关性矩阵R为：
（4‑2）。
5.根据权利要求4所述的基于雷视多传感器数据的水位数据融合装置，其特征在于：
T
其中，在所述权重系数矩阵构建部中，权重系数矩阵ω 为：
（5‑1）
其归一化处理为：
（5‑2）。
6.根据权利要求4所述的基于雷视多传感器数据的水位数据融合装置，其特征在于，还包括：
输入显示部，与所述采集部、所述筛选部、所述相对熵矩阵构建部、所述相关性矩阵构建部、所述权重系数矩阵构建部、所述融合部和所述控制部均通信相连，用于让用户输入操作指令，并进行相应显示。