多來源資料融合學習

    最近在看多來源資料融合相關的論文，記錄一下論文中的閱讀筆記和自己的一些見解

多源資訊融合（Multi-source information fusion）最早由美國學者提出，這是一個新興的交叉領域，近些年獲得廣泛的發展。應用於多個領域：目標識別、遙感、醫學等。多源資訊融合是對多種資料進行認知、綜合、判斷的過程，參與融合的資料往往具有：多源性、異構性、不完備性等，按照融合的層次不同，資訊融合可以分為：資料級融合、模型級融合（特徵級融合）、決策級融合。資料級融合是最低層次的融合，直接對原始的資料進行處理，優點是保留了原始資訊，資訊損失很少，缺點是融合的局限性較大，只能夠對單個或者相同類型的資料資訊進行處理，計算量較大。模型級融合是處於三種融合中介層次的融合，較為智能化，優點是對原始的資料進行了提取和處理進行融合，在資料量上降低了，帶來的是計算量的減少，缺點是資訊損失會帶來資料精度的下降。決策級融合在三者中是最高層次的融合，是最高層面的智能化融合，是建立在模型融合的基礎上對於最終的處理結果進行綜合的決策。有點事可以對不同類型的資料進行融合，計算量小，容錯和抗幹擾性較強，但是缺點也是顯而易見的，資料資訊損失較大會帶來精度的下降。三者對比如下：             資料級融合   模型級融合  決策級融合資訊處理量     最大          較小        最小資訊損失量     最小          較小        最大抗幹擾能力     最小          較小        最小容錯能力       最差          較差        較好融合演算法難度    難            中          易融合前處理     最小           中         最大融合效能       最好           中          差感應器依賴程度  大            中          小資訊融合中的關鍵技術主要包括：資料轉換、資料關聯、融合演算法。常用融合方法的比較融合方法    運行環境  資訊類型  資訊表示       不確定性    融合技術       適用範圍加權平均     動態       冗餘   原始值讀取                  加權平均        低層融合卡爾曼濾波   動態       冗餘   機率分布        高斯雜訊   系統模型濾波     低層融合貝葉斯估計   靜態       冗餘   機率分布        高斯雜訊    貝葉斯估計      低層融合統計決策     靜態       冗餘   機率分布        高斯雜訊    極值決策        高層融合證據理論     靜態       冗餘   互補命題        邏輯推理                    高層融合模糊理論     靜態       冗餘   互補命題        隸屬度       邏輯推理       高層融合神經元網路   動靜       冗餘   互補神經元輸入  學習誤差     神經網路       低 或 高產生式規則   動靜       冗餘   互補命題        置信因子    邏輯推理        高層融合