演算法融合數據屬於

㈠ 信息融合技術的信息融合技術內涵

信息融合又稱數據融合，也可以稱為感測器信息融合或多感測器信息融合。
信息融合技術可概括為：利用計算機技術對按時序獲得的若干感測器的觀測信息在一定準則下加以自動分析、綜合處理，以完成所需的決策和估計任務而進行的信息處理過程。按照這一定義，多感測器系統是信息融合的硬體基礎，多源信息是信息融合的加工對象，協調優化和綜合處理是信息融合的核心。
從軍事角度講，信息融合可以理解為對來自多源的信息和數據進行檢測、關聯、相關、估計和綜合等多級多方面的處理，以得到精確的狀態和類別判定以及進行快速完整的態勢和威脅估計。
也可以認為，信息融合或數據融合技術是利用計算機技術對來自多感測器（同類或不同類）探測的多源信息按一定規則進行自動分析和綜合後自動生成人們所期望的合成信息的信息處理技術。它包括多類型、多源、多平台感測器所獲得的各種情報信息（如數據、照片、視頻圖像等信息）進行採集、傳輸、匯集、分析、過濾、綜合、相關及合成，快速進行情報處理和自動圖形標繪。其主要技術有以下幾點。
① 數據融合理論方法研究。
② 多探測器不完全測量數據融合的演算法研究。
③ 專家系統在數據融合中的應用技術。
④ 目標自動識別方法研究。
⑤ 並行處理技術在數據融合中應用研究。
⑥ 數據融合中信息的可靠採集、分析和資源保護安全技術等。
採用信息融合技術有以下優點。
（1）提供穩定的工作性能
系統中各感測器彼此獨立地提供目標信息，任一感測器的失效、受到外界干擾而探測不到某目標時，它並不影響其他感測器的工作性能。
（2）提高空間分辨力
利用多感測器可以用幾何方法形成一個感測器孔徑，以獲得比任何單一感測器更高的分辨力。
（3）獲得更准確的目標信息
多感測器提供的不同信息減少了關於目標或事件的假設集合。此外，對同一目標或事件的多次（同一感測器的不同時序上）或多個（同一時刻不同感測器）獨立測量進行有效綜合可以提高可信度，改進檢測性能。
（4）獲得單個感測器不能獲得的目標信息
感測器之間的頻率互補性可以擴大空間、時間的覆蓋范圍，增加測量空間的維數，減少電子對抗措施（隱蔽、欺騙、偽裝）和氣象、地形干擾而造成的檢測盲點。多感測系統固有的冗餘度，將改進系統工作的可靠性和容錯性。
此外，信息融合技術還能增加指揮決策的正確性和可靠性，降低武器系統的成本；在一定范圍內通過恰當地分配感測器可以同時檢測和跟蹤更多敵方目標。
當然多感測器信息融合系統性能的提高是以增加系統的復雜度為代價的。

㈡ 多源異構數據融合技術要用到什麼演算法

經緯儀引導數據的數據融合可以採用參數估計融合演算法，即對8組引導數據，按照某種估計准則函數，利用引導數據序列對目標在空間的位置值作出估計，得到目標准確的位置值，消除引導過程中的不確定性。 為准確估計目標的位置值(以Y為例)，對8組引導數據進行線性觀測，得到的引導值為Cj，Y,j=1，2，3，…，n，其中：Cj為常值。 由於觀測有誤差，實際所得的引導值為：Ej＝CjY十cj，其中ej為觀測誤差，服從均值為0的正態分布。 依據Bayes後驗估計理論，可得到n個引導數據的狀態最優估計為： ＾Yop，(E1E2E3...En)＝maxP(Y│E1E2E3...En) (1) Y＾ 即位置的數據融合問題，可以轉化為求出滿足Y的最大後驗概率maxP(Y│E)的估計值Y（E）的問題。在經緯儀實時測量中，對多路引導源的異構引導數據，採用分布圖法進行數據合理性檢測，採用參數估計的邏輯規則進行數據融合，消除各引導數據的不確定性，可以獲得更准確、更可靠的引導數據，從而提高整個測量系統的工作性能。即使某一個甚至幾個引導源工作同時不正常時，其他引導源不受影響獨立地提供信息，指揮中心仍可依據非失效的引導數據獲知目標的准確位置，將失效的經緯儀很快的引導到目標觀測點，降低了整個測量系統的脆弱程度。

㈢ 「數據融合」總結1

融合標准 ：以融合數據與數據真實值的偏差作為數據融合方法的穩定性判定依據。
所提方法 ：加權最小二乘法在數據融合

常用的融合方法有：

加權最小二乘法融合
對於數據線性模型基於加權最小二乘法融合演算法為：

所提方法 ：基於多維特徵融合（幾何特徵、顏色特徵和紋理特徵）與 Adaboost-SVM 強分類器的車輛目標識別演算法。
僅提取了大量特徵，文中直接說對構建多維特徵向量。

首先用光流法提取步態周期，獲得一個周期的步態能量圖（GEI）；然後分三層提取 GEI的 LBP特徵，得到三層的 LBP圖像；依次提取每層LBP圖像的HOG特徵，最後將每層提取的LBP和HOG特徵融合（串聯拼接），得到每層的新特徵最後將三個新特徵依次融合成可以用於識別的最終特徵。

提出一個FLANN結構進行特徵融合，functional link artificial neural networks。FLANN是一個單層非線性網路，輸入X_k是n維向量，輸出y_k是一個標量，訓練數據集為{X_k, y_k}，偏置集合T用來增強網路的非線性能力，這些函數值的線性組合可以用它的矩陣形式表示S=WT, Y=tanh(S)。FLANN和MLP的主要區別是FLANN只有輸入和輸出層，中間的隱藏層完全被非線性映射代替，事實上，MLP中隱藏層的任務由Functional expansions來執行。

三種Functional expansions :

提出了三種融合策略：早期融合、中期融合和晚期融合。早期融合也就是特徵級融合，決策級融合也就是晚期融合。
特徵級融合 ：
直接將不同方法提取的特徵進行串聯。

多核學習（Multiple kernel learning, MKL) :
參考自文獻。MKL由巴赫創立。核學習演算法在多類問題的分類任務中表現出良好的性能。為了將內核學習演算法應用於特徵組合，每個單獨的內核與每個特徵鏈接在一起。因此，特徵組合問題就變成了核組合問題。在支持向量機中，採用單核函數，而在MKL中，利用核的求和或積定義了不同核的線性組合。

提出一種新穎的系統，它利用訓練好的卷積神經網路（CNN）的多階段特徵，並精確地將這些特徵與一系列手工特徵相結合。手工提取的特徵包括三個子集：

所提出的系統採用一種新穎的決策級特徵融合方法對ECG進行分類，分別利用了三種融合方法：

在多數表決的基礎上，將三種不同分類器的個體決策融合在一起，並對輸入的心電信號分類做出統一的決策。

通過對圖像進行對偶樹復小波變換（DTCWT）和快速傅里葉變換（FFT）提取特徵，將二者通過 算數加法（arithmetic addition） 融合為一個特徵集合。

DTCWAT特徵 ：對圖像進行5層小波分解得到384個小波系數
FFT特徵 ：採用傅里葉變換生成圖像的絕對系數，然後排序後取前384個作為fft特徵
算數加法特徵融合 ：

本文提出了一種快速的特徵融合方法將深度學習方法和傳統特徵方法相結合。

淺層網路結構 ：

每個特性的重要性應根據應用程序和需求的不同而有所不同。因此，為了實現動態權值分配，我們提出了多特徵融合模型。

使用Curvelet變換進行特徵提取，因為它有效地從包含大量C2曲線的圖像中提取特徵。Curvelet Transform具有很強的方向性,能更好地逼近和稀疏表達平滑區域和邊緣部分。
我們應用了基於包裝的離散Curvelet變換，使用了一個實現快速離散Curvelet變換的工具箱Curvelab-2.1.2。在實驗中使用了默認的方向和5層離散Curvelet分解。
使用標准差進行降維
串聯融合方法

在本文中，提出了一種深度多特徵融合方法（Deep multiple feature fusion，DMFF）對高光譜圖像進行分類。

基於gcForest的思想，提出了DMFF方法。
gcForest
gcForest模型主要包含兩個部分：

DMFF
DMFF去掉了Multigrained Scanning，缺失了多樣性輸入，因為採用多特徵來進行彌補。隨即森林都是同一種類型。

㈣ 設計一種圖像數據融合演算法，對多聚焦圖像進行融合

融合演算法fusion
algorithm
如：（多感測器單目標位置融合演算法）
經緯儀引導數據的數據融合可以採用參數估計融合演算法，即對8組引導數據，按照某種估計准則函數
融合演算法fusion
algorithm
如：（多感測器單目標位置融合演算法）
經緯儀引導數據的數據融合可以採用參數估計融合演算法，即對8組引導數據，按照某種估計准則函數

㈤ 大數據演算法屬於自然科學嗎

屬於自然科學，大數據演算法跟計算機科學和統計學有關，不過歸根結底從屬於數學范疇，而數學是自然科學，所以大數據的相關知識點屬於自然科學。