最近读了一篇关于多源数据融合的论文，记录下了论文中的读书笔记和自己的见解
多源信息融合(多源信息融合) ) )。
首先由美国学者提出，这是一个新的交叉领域，近年来得到了广泛的发展。 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、集成、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，不同层次的融合，信息融合可以融合为数据级融合、模型级融合(特征级融合)、决策级融合
数据级融合是最低级别的融合，直接处理原始数据。 优点是保留原始信息，信息丢失少。 缺点是融合极限大，只能处理单一或相同类型的数据信息，计算量大。
模型级融合是处于三者融合中间水平的融合，是智能化的。 优点是提取原始数据进行处理并融合，导致数据量下降，计算量减少，缺点是信息丢失会造成数据精度降低。
决策级融合是三者中最高级别的融合，是最高级别的智能融合，是基于模型融合综合决策最终处理结果。 它可以融合不同类型的数据，计算量小，容错和抗干扰能力强，但缺点也很明显，数据信息丢失越大，精度越低。
三者的比较如下：
数据级融合模型级融合决策级融合
信息处理量最大、最小
信息丢失量最小且最大
抗干扰能力最小，最小
容错性最好是最坏的
融合算法很难
融合预处理最小中最大
融合性能中等较好
传感器依赖度大，中小
信息融合中的关键技术主要是数据转换、数据关联和融合算法。
常用融合方法的比较
融合方法执行环境信息类型信息表示不确定性融合技术的应用范围
加权平均动态冗余元读数加权平均低层融合
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
证据理论静态冗馀补命题逻辑推理高层融合
模糊理论静态冗余命题隶属度逻辑推理高层融合
神经网络运动冗余互补神经元输入学习误差的神经网络低或高
产生式规则运动冗余的互补命题信任因子逻辑推理高层融合
转自： https://blog.csdn.net/together _ cz/article/details/78236489