算法融合数据属于

㈠ 信息融合技术的信息融合技术内涵

信息融合又称数据融合，也可以称为传感器信息融合或多传感器信息融合。
信息融合技术可概括为：利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以自动分析、综合处理，以完成所需的决策和估计任务而进行的信息处理过程。按照这一定义，多传感器系统是信息融合的硬件基础，多源信息是信息融合的加工对象，协调优化和综合处理是信息融合的核心。
从军事角度讲，信息融合可以理解为对来自多源的信息和数据进行检测、关联、相关、估计和综合等多级多方面的处理，以得到精确的状态和类别判定以及进行快速完整的态势和威胁估计。
也可以认为，信息融合或数据融合技术是利用计算机技术对来自多传感器（同类或不同类）探测的多源信息按一定规则进行自动分析和综合后自动生成人们所期望的合成信息的信息处理技术。它包括多类型、多源、多平台传感器所获得的各种情报信息（如数据、照片、视频图像等信息）进行采集、传输、汇集、分析、过滤、综合、相关及合成，快速进行情报处理和自动图形标绘。其主要技术有以下几点。
① 数据融合理论方法研究。
② 多探测器不完全测量数据融合的算法研究。
③ 专家系统在数据融合中的应用技术。
④ 目标自动识别方法研究。
⑤ 并行处理技术在数据融合中应用研究。
⑥ 数据融合中信息的可靠采集、分析和资源保护安全技术等。
采用信息融合技术有以下优点。
（1）提供稳定的工作性能
系统中各传感器彼此独立地提供目标信息，任一传感器的失效、受到外界干扰而探测不到某目标时，它并不影响其他传感器的工作性能。
（2）提高空间分辨力
利用多传感器可以用几何方法形成一个传感器孔径，以获得比任何单一传感器更高的分辨力。
（3）获得更准确的目标信息
多传感器提供的不同信息减少了关于目标或事件的假设集合。此外，对同一目标或事件的多次（同一传感器的不同时序上）或多个（同一时刻不同传感器）独立测量进行有效综合可以提高可信度，改进检测性能。
（4）获得单个传感器不能获得的目标信息
传感器之间的频率互补性可以扩大空间、时间的覆盖范围，增加测量空间的维数，减少电子对抗措施（隐蔽、欺骗、伪装）和气象、地形干扰而造成的检测盲点。多传感系统固有的冗余度，将改进系统工作的可靠性和容错性。
此外，信息融合技术还能增加指挥决策的正确性和可靠性，降低武器系统的成本；在一定范围内通过恰当地分配传感器可以同时检测和跟踪更多敌方目标。
当然多传感器信息融合系统性能的提高是以增加系统的复杂度为代价的。

㈡ 多源异构数据融合技术要用到什么算法

经纬仪引导数据的数据融合可以采用参数估计融合算法，即对8组引导数据，按照某种估计准则函数，利用引导数据序列对目标在空间的位置值作出估计，得到目标准确的位置值，消除引导过程中的不确定性。 为准确估计目标的位置值(以Y为例)，对8组引导数据进行线性观测，得到的引导值为Cj，Y,j=1，2，3，…，n，其中：Cj为常值。 由于观测有误差，实际所得的引导值为：Ej＝CjY十cj，其中ej为观测误差，服从均值为0的正态分布。 依据Bayes后验估计理论，可得到n个引导数据的状态最优估计为： ＾Yop，(E1E2E3...En)＝maxP(Y│E1E2E3...En) (1) Y＾ 即位置的数据融合问题，可以转化为求出满足Y的最大后验概率maxP(Y│E)的估计值Y（E）的问题。在经纬仪实时测量中，对多路引导源的异构引导数据，采用分布图法进行数据合理性检测，采用参数估计的逻辑规则进行数据融合，消除各引导数据的不确定性，可以获得更准确、更可靠的引导数据，从而提高整个测量系统的工作性能。即使某一个甚至几个引导源工作同时不正常时，其他引导源不受影响独立地提供信息，指挥中心仍可依据非失效的引导数据获知目标的准确位置，将失效的经纬仪很快的引导到目标观测点，降低了整个测量系统的脆弱程度。

㈢ “数据融合”总结1

融合标准 ：以融合数据与数据真实值的偏差作为数据融合方法的稳定性判定依据。
所提方法 ：加权最小二乘法在数据融合

常用的融合方法有：

加权最小二乘法融合
对于数据线性模型基于加权最小二乘法融合算法为：

所提方法 ：基于多维特征融合（几何特征、颜色特征和纹理特征）与 Adaboost-SVM 强分类器的车辆目标识别算法。
仅提取了大量特征，文中直接说对构建多维特征向量。

首先用光流法提取步态周期，获得一个周期的步态能量图（GEI）；然后分三层提取 GEI的 LBP特征，得到三层的 LBP图像；依次提取每层LBP图像的HOG特征，最后将每层提取的LBP和HOG特征融合（串联拼接），得到每层的新特征最后将三个新特征依次融合成可以用于识别的最终特征。

提出一个FLANN结构进行特征融合，functional link artificial neural networks。FLANN是一个单层非线性网络，输入X_k是n维向量，输出y_k是一个标量，训练数据集为{X_k, y_k}，偏置集合T用来增强网络的非线性能力，这些函数值的线性组合可以用它的矩阵形式表示S=WT, Y=tanh(S)。FLANN和MLP的主要区别是FLANN只有输入和输出层，中间的隐藏层完全被非线性映射代替，事实上，MLP中隐藏层的任务由Functional expansions来执行。

三种Functional expansions :

提出了三种融合策略：早期融合、中期融合和晚期融合。早期融合也就是特征级融合，决策级融合也就是晚期融合。
特征级融合 ：
直接将不同方法提取的特征进行串联。

多核学习（Multiple kernel learning, MKL) :
参考自文献。MKL由巴赫创立。核学习算法在多类问题的分类任务中表现出良好的性能。为了将内核学习算法应用于特征组合，每个单独的内核与每个特征链接在一起。因此，特征组合问题就变成了核组合问题。在支持向量机中，采用单核函数，而在MKL中，利用核的求和或积定义了不同核的线性组合。

提出一种新颖的系统，它利用训练好的卷积神经网络（CNN）的多阶段特征，并精确地将这些特征与一系列手工特征相结合。手工提取的特征包括三个子集：

所提出的系统采用一种新颖的决策级特征融合方法对ECG进行分类，分别利用了三种融合方法：

在多数表决的基础上，将三种不同分类器的个体决策融合在一起，并对输入的心电信号分类做出统一的决策。

通过对图像进行对偶树复小波变换（DTCWT）和快速傅里叶变换（FFT）提取特征，将二者通过 算数加法（arithmetic addition） 融合为一个特征集合。

DTCWAT特征 ：对图像进行5层小波分解得到384个小波系数
FFT特征 ：采用傅里叶变换生成图像的绝对系数，然后排序后取前384个作为fft特征
算数加法特征融合 ：

本文提出了一种快速的特征融合方法将深度学习方法和传统特征方法相结合。

浅层网络结构 ：

每个特性的重要性应根据应用程序和需求的不同而有所不同。因此，为了实现动态权值分配，我们提出了多特征融合模型。

使用Curvelet变换进行特征提取，因为它有效地从包含大量C2曲线的图像中提取特征。Curvelet Transform具有很强的方向性,能更好地逼近和稀疏表达平滑区域和边缘部分。
我们应用了基于包装的离散Curvelet变换，使用了一个实现快速离散Curvelet变换的工具箱Curvelab-2.1.2。在实验中使用了默认的方向和5层离散Curvelet分解。
使用标准差进行降维
串联融合方法

在本文中，提出了一种深度多特征融合方法（Deep multiple feature fusion，DMFF）对高光谱图像进行分类。

基于gcForest的思想，提出了DMFF方法。
gcForest
gcForest模型主要包含两个部分：

DMFF
DMFF去掉了Multigrained Scanning，缺失了多样性输入，因为采用多特征来进行弥补。随即森林都是同一种类型。

㈣ 设计一种图像数据融合算法，对多聚焦图像进行融合

融合算法fusion
algorithm
如：（多传感器单目标位置融合算法）
经纬仪引导数据的数据融合可以采用参数估计融合算法，即对8组引导数据，按照某种估计准则函数
融合算法fusion
algorithm
如：（多传感器单目标位置融合算法）
经纬仪引导数据的数据融合可以采用参数估计融合算法，即对8组引导数据，按照某种估计准则函数

㈤ 大数据算法属于自然科学吗

属于自然科学，大数据算法跟计算机科学和统计学有关，不过归根结底从属于数学范畴，而数学是自然科学，所以大数据的相关知识点属于自然科学。