多源数据融合学习

    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