特徵融合演算法

❶ 「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。

❷ 機器學習演算法可以合並特徵嗎

可以。根據查詢機器學習相關信息顯示機器學習演算法可以合並特徵。特徵融合是模式識別領域的一種重要方法，計算機視覺領域的圖像識別問題作為一種特殊的模式分類問題，仍存在很多挑戰，特徵融合方法能夠中和利用多種圖像特徵，實現多特徵的優勢互補，獲得更加魯棒和准確的識別結果。

❸ 基於貝葉斯估計特徵分布融合的目標分類方法是什麼

貝葉斯法則

機器學習的任務：在給定訓練數據D時，確定假設空間H中的最佳假設。

最佳假設：一種方法是把它定義為在給定數據D以及H中不同假設的先驗概率的有關知識下的最可能假設。貝葉斯理論提供了一種計算假設概率的方法，基於假設的先驗概率、給定假設下觀察到不同數據的概率以及觀察到的數據本身。

應用

變分貝葉斯估計可以應用於完整的貝葉斯推斷（full Bayesian inference），即對後驗分布按因子展開進行近求解。在最大期望演算法（Expectation-Maximization algorithm, EM）的E步中對隱變數後驗分布的求解可以通過變分貝葉斯估計實現，形成變分貝葉斯EM（Variational Bayesian EM algorithm, VBEM）。