隶属函数的模糊标签：Z=零，S=小和L=大。为输出？定义了三个模糊个体分别被标记为G=好，AV=平均和P=坏，值分别为1，0.5和0。FLO基本启发式理论如下：如果和的值接近0，那么FSKF几乎完美工作，FSKF的状态估计被设定在1附近的一个量。相反，如果这两值中一个或者两个远离0而增加，那么意味着FSKF性能退化而FLO设定一个接近0的量。表1给出了每个FLO完整的模糊规则库。
3 INS传感器数据融合
在这一部分中，将FSKF算法运用到锤头式AUV的线性模型中。图3（a）显示了在实验舱里进行泄漏测试和压舱之前的潜行器，图3（b）在航向系统辨识实验期间的潜行器。潜行器舵输入被来自上位机的用户通过脐带电缆发送出去。
图3锤头式AUV：（a）泄漏测试和压舱前和（b）系统辨识实验期间 因此，在实际中它对于那个特异性实验是以一个半自治模型行驶的。电缆的牵制效应被认为是不可忽略的。在潜行器面板上的电子罗盘和惯性测量单元（IMU）用于捕捉相应的响应。
来自实验数据的线性离散状态空间模型的系统矩阵A，输入矩阵B和输出向量H分别为A=[0 1;-0.98312 1.9831]，B=[-0.00.1961 -0.0036115]，H=[1 0]。
假定该模型能足够准确的呈现潜行器的力度变化，由于这个原因，该模型在给定输入之后产生的任意输出都可以认为是一个实际输出值。这个假设也促使了
该模型输出作为在测量FSKF算法性能的一个参考使用。
为了测试FSKF算法，将来自电子罗盘和IMU（图5）的真实数据作为图4中输入的响应和两个模拟数据集融合到一起。为了产生模拟数据，图6（a）和（b）里的噪声分别简单的添加到电子罗盘和IMU真实数据里。
图4舵输入
图5实际电子罗盘和IMU输出
会导致具有图6中所显示特性的噪声的一个可能实时场景就是第二个电子罗盘的位置紧靠螺旋桨直流电机，电机内部温度会随着时间变化而增加从而影响传感器的环境温度。相似的情况也会发生在当第二个IMU紧靠着前面水上划艇步进电机，而最初内部温度较高过段时间稳定下来的时候。这种特定的情形会导致如图6中显示的噪声特性。初始状态的情形是，和。对于每个传感器来说R的实际值假设是未知的，但是它的初始值被选为。仿真结果将在下一部分展示。
图6（a）增加噪声谱给电子罗盘数据和（b）给IMU数据
3.1仿真结果
图7和8是仿真结果显，示了通过电子罗盘和IMU观测的锤头式AUV的响应，而图9和图10分别由传感器3和4观测到的，它们分别是添加了均匀噪声且随时间增加或减小的前置传感器的输出。
图7（a）过程，测量，估计偏航角输出（b）电子罗盘的测量与偏航角误差
图8（a）过程，测量，估计偏航角输出（b）IMU的测量与偏航角误差
图9（a）过程，测量，估计偏航角输出（b）传感器3的测量与偏航角误差
图10（a）过程，测量，估计偏航角输出（b）传感器4的测量与偏航角误差 图7和8是通过从传感器直接测量所产生的误差等级作比较，来显示用FSKF算法的改善性。除了在误差等级方面的改善，图9和10也显示了所提出的算法是如何检测到传感器内瞬时性和持久性错误（看2.2部分）并做出合适的恢复。
为了融合估计偏航角，这里采用了重心法：
这里的是第i个FSKF的输出（i=1,2,3,4），而是k时刻的各自的量。图11显示了实际偏航角和融合估计偏航角的比较。很明显，通过比较图11和图7-10，融合估计偏航角可以取得改善。
最后，采用以下工作指标作为比较目的：
这里的是偏航角的实际值，是测量值，是k时刻和采样点n的估计值（表2）。 仔细观察表2中的和，每个传感器都表明FSKF已经提高了磁头信息的精度。融合估计数据的结果显示了进一步的改善。最终融合结果显示一个微小的补偿可能是由过程噪声和它的协方差Q的不精确的模型引起的。这些参数的自适应调整是进一步研究的话题。也应该注意的是从理论观点来看，需要研究FSKF的稳定性的分析。然而，由于自适应技术在此的应用，这个问题的研究不易担任。将