در این پایان نامه همجوشی داده ها در شرایط عدم قطعیت به صورت "ترکیب چند منبع غیر قطعی با توانایی شناسایی و برخورد با عدم قطعیت و تناقضات که بتواند منجر به ارائه یک بازنمایی موثر برای انسان یا ماشین شود" تعریف شده است. مهمترین جنبه این پایان نامه شناسایی و رسیدگی به عدم قطعیت و تناقضات داده ها در همجوشی برای سیستم های ناشناس می باشد. غالبا روش های پیشین همجوشی داده ها مانند فیلتر کالمن و تئوری بیزین با مدل رفتاری سیستم کار می کنند؛ این بدین معنا است که برای همجوشی داده ها از یک پیش بینی نظری استفاده می کنند. در سیستم هایی که مدل رفتاری آنها در دسترس نیست نمی توان از الگوریتمی مانند فیلتر کالمن استفاده نمود. باید به این موضوع توجه نمود که الگوریتم ارائه شده در این پایان نامه، می تواند برای سیستم با مدل مشخص کار نماید؛ اما بدیهی است با حذف مدل سیستم فرآیند همجوشی و رسیدگی به خطا ها مشکل تر خواهد شد. مهمترین تفاوتی که در سیستم هایی با مدل رفتاری ناشناس و شناسا وجود دارد این است که در سیستم های شناسا، عملیات همجوشی در شرایط عدم قطعیت حتی با یک سنسور هم امکان پذیر است زیرا مدل سیستم در تولید داده همجوشی شده، کمک خواهد کرد. در سیستم های ناشناس برای رسیدگی به تناقضات به تعداد زیادی سنسور نیاز خواهد بود. اگر منابع دارای عدم قطعیت باشند، ممکن است همجوشی داده های آنها از واقعیت دور بوده و ارزیابی سیستم از محیط اشتباه باشد. روش ارائه شده در این پایان نامه، این امکان را کاهش می دهد. روش ارائه شده در این پایان نامه، شامل یک تکنیک جدید خوشه بندی، شبکه عصبی mlp و قانون جدید به روز رسانی پیش بینی برای همجوشی داده ها می باشد. در نهایت روش ارائه شده با داده های هواشناسی مورد آزمایش قرار گرفته و نتایج آزمایشات بیانگر توانایی روش ارائه شده می باشد.