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