数据融合三层次比较

三层次的划分依据

多传感器数据融合按“融合发生在信号处理链的哪一级”划分层次。设每个传感器通道依次经历：原始数据获取 → 特征提取 → 属性判决。融合环节插入在这三个位置之一，就对应原始层（数据层）、特征层、决策层融合。

原始层融合

流程为：关联 → 数据层融合 → 特征提取 → 属性判断。

各传感器尚未做特征提取，先对原始观测数据进行关联（配准到同一时空基准），再直接合并成一组数据，之后统一做特征提取与属性判断。

• 优点：保留的信息量最大，理论上可获得最优的融合性能。
• 代价：时空配准精度要求高，数据通信量和计算量大；若采用直接同量叠加等简单合并方法，还要求传感器同质或观测同一物理量，而采用观测模型融合时可用于异质原始量。抗干扰与容错能力弱——某一传感器原始数据出错会直接污染融合结果。

特征层融合

流程为：特征提取 → 关联 → 特征层融合 → 属性判断。

各传感器先各自提取特征（如边缘、谱峰、统计量），再对特征矢量做关联与融合，最后统一判决。

• 优点：数据量较原始层压缩，兼顾信息保留与实时性，对异质传感器较友好。
• 代价：特征提取过程会丢失部分信息，融合性能受特征选取质量影响。

决策层融合

流程为：特征提取 → 属性判决 → 关联 → 决策层融合 → 判断。

每个传感器先独立完成特征提取和局部属性判决，再把各局部判决结果关联后融合，得到最终判断。

• 优点：通信量通常最小，各传感器可独立工作，适合异质传感器与分布式系统；在局部判决错误相关性低、决策压缩损失可接受且采用鲁棒融合方法时，容错性和抗干扰能力可较强。
• 代价：信息损失最大；在信息、模型和损失函数可比且各层方法匹配时，融合精度通常低于前两层，但若原始层或特征层方法失配，决策层融合也可能更优。

三层次比较

三者的共同点是输入均为多路信息、输出均为判断结果，区别仅在于“关联”与“融合”介入的层级不同。选择层次时需在信息完整性与实时性、通信带宽、容错能力之间折中。