特征层数据融合

定义与定位

特征层数据融合属于多传感器数据融合的中间层次。其基本流程为：各传感器先对原始观测值进行特征提取，得到特征向量；再对这些特征向量进行关联与融合；最后将融合后的特征送入决策模型，输出属性判决或参数估计结果。与原始层融合（在特征提取前直接综合原始数据）和决策层融合（在各传感器已作出局部属性判决后再综合）相比，特征层融合处于二者之间。

适用条件

当多个传感器所测物理量不同、时空分辨率不同或测量位置未对齐时，原始数据可能不具有直接配准性；若缺少观测模型、时间同步或空间坐标映射等配准条件，则不能直接在原始层进行综合，此时数据融合可在特征层或决策层中进行。特征层融合正是针对这类情况：先由各传感器独立提取特征，再在特征空间中对齐和综合。

特征与特征提取

特征是具有代表性或区分性的属性或信息。特征提取的目的是选取或变换出具有代表性或区分性的任务相关属性，并常具有降维作用：原始数据序列经特征提取后转化为维度更低的特征向量。统一各传感器的时间和空间参考点属于配准，即对各传感器的观测值进行时间校准和空间坐标变换，以形成数据融合所需要的统一的时间和空间参考点；配准可与特征提取配合，但二者功能不能等同。

融合与决策

多个传感器的观察值经特征提取后综合为一组特征向量进行融合。融合后的特征向量进入识别或姿态估计等决策模型。以手指姿态估计为例：传感器阵列（如光敏二极管输出开关量、电容传感器输出电容值）的原始数据经特征提取和决策的深度模型处理后，输出手指姿态估计值。

线性回归实现示例

设特征向量为 $x$，姿态估计值为 $\widehat{y}$，假设二者呈线性关系：

其中 $w$ 为待求参数向量，$w^T$ 表示其转置，$x$ 为特征向量，$\widehat{y}$ 为姿态估计值。利用历史样本 $(x_i,y_i)$，通过最小二乘法估计参数 $w$，即求解使误差平方和最小的 $w$：

其中 $x_i$ 为第 $i$ 个历史样本的特征向量，$y_i$ 为对应的真实姿态值，$w$ 为待估参数向量。

深度学习实现示例

在手指姿态估计中，也可采用深度模型实现特征提取与决策：传感器原始数据输入深度神经网络，网络内部完成特征提取与决策映射，输出手指姿态估计值（如三维骨架点坐标）。

性能特点

特征层融合兼备原始层和决策层的优缺点，具有较大的应用范围。相对于原始层，其特征层融合的性能特点不能仅由层级独立决定，须按具体模型、噪声、特征和方法条件判断；在给定条件下，其信息量、信息损失、容错性、抗干扰性、对传感器依赖性、融合方法难度、预处理量、分类性质和系统开放性可表现为中等。

典型融合技术

该层典型的融合技术主要为模式识别技术，如人工神经网络、模糊聚类方法等。

所列单样本平方损失描述一次训练误差，多维参数通常不能由单个样本唯一确定。历史样本拟合常对多个样本的平方损失求和，若特征矩阵秩不足，还需处理非唯一解或采用正则化。