之前说过根据融合算法，可以概括为随机类方法和人工智能两大类。随机类方法目前常见的有加权平均法、多贝叶斯估计法、卡尔曼滤波法、Dempster-Shafer（D-S）证据推理、产生式规则等。人工智能类则主要包括模糊逻辑理论、神经网络、粗集理论、专家系统等。这边文章主要按照融合算法进行简单总结。
1.加权平均方法
优点：信息丢失量较小，可以方便的对初始数据进行融合。
缺点： 必须找到恰当的数学模型，适用范围较为有限。
2.卡尔曼滤波的方法
优点：数据所要传达的信息丢失量较少，能够方便的把初始数据融合。
缺点：需要建立较为精确地数学模型或者统计特性已知，这造成了它的适用范围受限。
3.贝叶斯估计的方法
优点：拥有很好的理论基础支撑，便于理解实现。
缺点：先验知识难于获取， 这样限制了它的广泛使用。
4.D-S 证据推理的方法
优点：有强有力的数学公理支撑，便于理解实现，计算量小。
缺点：确定同贝叶斯估计一样，需要难于获取的先验知识，影响实际使用。
5产生式规则方法
优点：产 生规则的过程较为简单，便于进行系统性的解释，从而使得应用范围较广。
缺点：不 具有一般性，需要具体问题具体分析，从而造成融合系统的扩展性较差。
6.模糊逻辑推理的方法
优点：能够清晰明了的描述问题，与人 类语言习惯接近，具有较好的扩展性。
缺点：计算量非常大。
7.人工神经网络的方法
优点：对于先验知识的要求不太高甚至是无要求，自适应的能力较强。
缺点：运算量相当庞大，难于建立有效的学习规则。
8.专家系统的方法：
优点：可以解决目标识别在数据融合过程中的稳健性。
缺点：运算量 大。
Original: https://blog.csdn.net/yuan2520/article/details/124368651
Author: yuan2520
Title: 无人驾驶感知篇之融合（十四）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/691815/
转载文章受原作者版权保护。转载请注明原作者出处！