最近在看多源数据融合相关的论文,记录一下论文中的阅读笔记和自己的一些见解
-
多源信息融合(Multi-source information fusion)
-
最早由美国学者提出,这是一个新兴的交叉领域,近些年获得广泛的发展。应用于多个领域:目标识别、遥感、医学等。多源信息融合是对多种数据进行认知、综合、判断的过程,参与融合的数据往往具有:多源性、异构性、不完备性等,按照融合的层次不同,信息融合可以分为:数据级融合、模型级融合(特征级融合)、决策级融合。
-
数据级融合是最低层次的融合,直接对原始的数据进行处理,优点是保留了原始信息,信息损失很少,缺点是融合的局限性较大,只能够对单个或者相同类型的数据信息进行处理,计算量较大。
-
模型级融合是处于三种融合中间层次的融合,较为智能化,优点是对原始的数据进行了提取和处理进行融合,在数据量上降低了,带来的是计算量的减少,缺点是信息损失会带来数据精度的下降。
-
决策级融合在三者中是最高层次的融合,是最高层面的智能化融合,是建立在模型融合的基础上对于最终的处理结果进行综合的决策。有点事可以对不同类型的数据进行融合,计算量小,容错和抗干扰性较强,但是缺点也是显而易见的,数据信息损失较大会带来精度的下降。
-
三者对比如下:
-
数据级融合 模型级融合 决策级融合
-
信息处理量 最大 较小 最小
-
信息损失量 最小 较小 最大
-
抗干扰能力 最小 较小 最小
-
容错能力 最差 较差 较好
-
融合算法难度 难 中 易
-
融合前处理 最小 中 最大
-
融合性能 最好 中 差
-
传感器依赖程度 大 中 小
-
信息融合中的关键技术主要包括:数据转换、数据关联、融合算法。
-
常用融合方法的比较
-
融合方法 运行环境 信息类型 信息表示 不确定性 融合技术 适用范围
-
加权平均 动态 冗余 原始值读取 加权平均 低层融合
-
卡尔曼滤波 动态 冗余 概率分布 高斯噪声 系统模型滤波 低层融合
-
贝叶斯估计 静态 冗余 概率分布 高斯噪声 贝叶斯估计 低层融合
-
统计决策 静态 冗余 概率分布 高斯噪声 极值决策 高层融合
-
证据理论 静态 冗余 互补命题 逻辑推理 高层融合
-
模糊理论 静态 冗余 互补命题 隶属度 逻辑推理 高层融合
-
神经元网络 动静 冗余 互补神经元输入 学习误差 神经网络 低 或 高
-
产生式规则 动静 冗余 互补命题 置信因子 逻辑推理 高层融合
转自:https://blog.csdn.net/Together_CZ/article/details/78236489