特征向量

特征的定义

特征是描述对象时具有代表性或区分性的属性或信息。所谓代表性，指该属性在同类对象中普遍存在、能反映对象的本质；所谓区分性，指该属性在不同类对象之间存在可辨别的差异。例如在辨识动物时，轮廓（耳朵形状、胡须、颈部线条等）就是一类具有区分性的特征。

从原始数据到特征向量

传感器输出的原始数据（如各通道的采样值序列）通常维数高、冗余大、直接包含噪声，对许多传统决策模型而言不适合直接送入；但能否直接使用原始数据由模型和任务决定，端到端模型可直接接收原始序列，因此显式低维特征提取并非所有决策模型的必要条件。特征提取的作用是对原始数据做变换或筛选，得到一组维数较低、区分能力较强的数值，并按固定顺序排列成一个向量，即特征向量。

设原始数据为 $x_1,x_2,\dots ,x_n$，特征提取可表示为映射

其中 $\varphi (\cdot )$ 为特征提取算子，$\mathbf{f}$ 为特征向量，$d$ 为特征维数，一般 ，即实现降维。$f_1,f_2,\dots ,f_d$ 为各维特征值，其物理含义与单位由所选特征决定（例如幅值、频率、均值、方差等）。

多维特征向量与识别

在特征层数据融合中，对多个传感器的观测值分别进行特征提取，再综合为一组特征向量进行融合。识别时，根据多个传感器的观测结果形成一个 $N$ 维特征向量，其中每一维代表目标的一个特征分量；这里的“独立”仅指各维在向量中按固定顺序分别取值、互不混同，并不表示各维在概率意义上统计独立。若已知被观测目标有 $M$ 个类型及每类目标的特征，则可将实测特征向量与已知类型的特征进行比较，从而确定目标的类别。识别是目标属性的估计与比较，其估计结果建立在已知目标类别的先验知识基础上。

在数据融合流程中的位置

特征层融合处于原始层与决策层之间：先由各传感器获取原始数据，经特征提取生成特征向量，再输入决策模型得出决策结果。该层融合兼备原始层与决策层的优缺点，具有较大的应用范围，典型融合技术为模式识别技术，如人工神经网络、模糊聚类方法等。