神經網路還需要信號融合嗎

❶ 神經網路可以進行信息融合嗎

如果信息融合對應說的是多變數線性或非線性函數的話，神經網路是拿手的。

❷ 多感測器信息融合和神經網路(RBF)是什麼關系

兩者間不具有明顯的關系，前者是一類需要解決的問題，即將處於不同層次或相同層次的感測器信息進行全局性或局部性的融合。(加權平均就是一種最簡單的融合)。
神經網路(NN)是人工智慧演算法中的一種方法，其可以用於解決諸如多感測器信息融合這樣的一類問題，其應用領域多種多樣。
總而言之，兩者間非必須的一種組合，但是兩者相結合也是一種處理問題的方法。
RBF(radial
basis
functions)徑向基網路也只是神經網路的一種類型，其是前饋型網路的一種。

❸ 神經網路演算法和卡爾曼濾波可以同時應用於信息融合嗎

可以的，可以預先用卡爾曼對信號進行濾波 ，去除一定的雜訊 然後再進行樣本神經網路訓練，不過網路實際用時也需先進行卡爾曼濾波

❹ 人工神經網路的發展趨勢

人工神經網路特有的非線性適應性信息處理能力，克服了傳統人工智慧方法對於直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。人工神經網路與其它傳統方法相結合，將推動人工智慧和信息處理技術不斷發展。近年來，人工神經網路正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳演算法、進化機制等結合，形成計算智能，成為人工智慧的一個重要方向，將在實際應用中得到發展。將信息幾何應用於人工神經網路的研究，為人工神經網路的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網路的發展提供了良好條件。
神經網路在很多領域已得到了很好的應用，但其需要研究的方面還很多。其中，具有分布存儲、並行處理、自學習、自組織以及非線性映射等優點的神經網路與其他技術的結合以及由此而來的混合方法和混合系統，已經成為一大研究熱點。由於其他方法也有它們各自的優點，所以將神經網路與其他方法相結合，取長補短，繼而可以獲得更好的應用效果。目前這方面工作有神經網路與模糊邏輯、專家系統、遺傳演算法、小波分析、混沌、粗集理論、分形理論、證據理論和灰色系統等的融合。
下面主要就神經網路與小波分析、混沌、粗集理論、分形理論的融合進行分析。
與小波分析的結合
1981年，法國地質學家Morlet在尋求地質數據時，通過對Fourier變換與加窗Fourier變換的異同、特點及函數構造進行創造性的研究，首次提出了小波分析的概念，建立了以他的名字命名的Morlet小波。1986年以來由於YMeyer、S.Mallat及IDaubechies等的奠基工作，小波分析迅速發展成為一門新興學科。Meyer所著的小波與運算元，Daubechies所著的小波十講是小波研究領域最權威的著作。
小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質，而且對低頻信號在頻域和對高頻信號在時域里都有很好的解析度，從而可以聚集到對象的任意細節。小波分析相當於一個數學顯微鏡，具有放大、縮小和平移功能，通過檢查不同放大倍數下的變化來研究信號的動態特性。因此，小波分析已成為地球物理、信號處理、圖像處理、理論物理等諸多領域的強有力工具。
小波神經網路將小波變換良好的時頻局域化特性和神經網路的自學習功能相結合，因而具有較強的逼近能力和容錯能力。在結合方法上，可以將小波函數作為基函數構造神經網路形成小波網路，或者小波變換作為前饋神經網路的輸入前置處理工具，即以小波變換的多解析度特性對過程狀態信號進行處理，實現信噪分離，並提取出對加工誤差影響最大的狀態特性，作為神經網路的輸入。
小波神經網路在電機故障診斷、高壓電網故障信號處理與保護研究、軸承等機械故障診斷以及許多方面都有應用，將小波神經網路用於感應伺服電機的智能控制，使該系統具有良好的跟蹤控制性能，以及好的魯棒性，利用小波包神經網路進行心血管疾病的智能診斷，小波層進行時頻域的自適應特徵提取，前向神經網路用來進行分類，正確分類率達到94%。
小波神經網路雖然應用於很多方面，但仍存在一些不足。從提取精度和小波變換實時性的要求出發，有必要根據實際情況構造一些適應應用需求的特殊小波基，以便在應用中取得更好的效果。另外，在應用中的實時性要求，也需要結合DSP的發展，開發專門的處理晶元，從而滿足這方面的要求。
混沌神經網路
混沌第一個定義是上世紀70年代才被Li-Yorke第一次提出的。由於它具有廣泛的應用價值，自它出現以來就受到各方面的普遍關注。混沌是一種確定的系統中出現的無規則的運動，混沌是存在於非線性系統中的一種較為普遍的現象，混沌運動具有遍歷性、隨機性等特點，能在一定的范圍內按其自身規律不重復地遍歷所有狀態。混沌理論所決定的是非線性動力學混沌，目的是揭示貌似隨機的現象背後可能隱藏的簡單規律，以求發現一大類復雜問題普遍遵循的共同規律。
1990年Kaihara、T.Takabe和M.Toyoda等人根據生物神經元的混沌特性首次提出混沌神經網路模型，將混沌學引入神經網路中，使得人工神經網路具有混沌行為，更加接近實際的人腦神經網路，因而混沌神經網路被認為是可實現其真實世界計算的智能信息處理系統之一，成為神經網路的主要研究方向之一。
與常規的離散型Hopfield神經網路相比較，混沌神經網路具有更豐富的非線性動力學特性，主要表現如下：在神經網路中引入混沌動力學行為；混沌神經網路的同步特性；混沌神經網路的吸引子。
當神經網路實際應用中，網路輸入發生較大變異時，應用網路的固有容錯能力往往感到不足，經常會發生失憶現象。混沌神經網路動態記憶屬於確定性動力學運動，記憶發生在混沌吸引子的軌跡上，通過不斷地運動(回憶過程)一一聯想到記憶模式，特別對於那些狀態空間分布的較接近或者發生部分重疊的記憶模式，混沌神經網路總能通過動態聯想記憶加以重現和辨識，而不發生混淆，這是混沌神經網路所特有的性能，它將大大改善Hopfield神經網路的記憶能力。混沌吸引子的吸引域存在，形成了混沌神經網路固有容錯功能。這將對復雜的模式識別、圖像處理等工程應用發揮重要作用。
混沌神經網路受到關注的另一個原因是混沌存在於生物體真實神經元及神經網路中，並且起到一定的作用，動物學的電生理實驗已證實了這一點。
混沌神經網路由於其復雜的動力學特性，在動態聯想記憶、系統優化、信息處理、人工智慧等領域受到人們極大的關注。針對混沌神經網路具有聯想記憶功能，但其搜索過程不穩定，提出了一種控制方法可以對混沌神經網路中的混沌現象進行控制。研究了混沌神經網路在組合優化問題中的應用。
為了更好的應用混沌神經網路的動力學特性，並對其存在的混沌現象進行有效的控制，仍需要對混沌神經網路的結構進行進一步的改進和調整，以及混沌神經網路演算法的進一步研究。
基於粗集理論
粗糙集(Rough Sets)理論是1982年由波蘭華沙理工大學教授Z.Pawlak首先提出，它是一個分析數據的數學理論，研究不完整數據、不精確知識的表達、學習、歸納等方法。粗糙集理論是一種新的處理模糊和不確定性知識的數學工具，其主要思想就是在保持分類能力不變的前提下，通過知識約簡，導出問題的決策或分類規則。目前，粗糙集理論已被成功應用於機器學習、決策分析、過程式控制制、模式識別與數據挖掘等領域。
粗集和神經網路的共同點是都能在自然環境下很好的工作，但是，粗集理論方法模擬人類的抽象邏輯思維，而神經網路方法模擬形象直覺思維，因而二者又具有不同特點。粗集理論方法以各種更接近人們對事物的描述方式的定性、定量或者混合性信息為輸入，輸入空間與輸出空間的映射關系是通過簡單的決策表簡化得到的，它考慮知識表達中不同屬性的重要性確定哪些知識是冗餘的，哪些知識是有用的，神經網路則是利用非線性映射的思想和並行處理的方法，用神經網路本身結構表達輸入與輸出關聯知識的隱函數編碼。
在粗集理論方法和神經網路方法處理信息中，兩者存在很大的兩個區別：其一是神經網路處理信息一般不能將輸入信息空間維數簡化，當輸入信息空間維數較大時，網路不僅結構復雜，而且訓練時間也很長；而粗集方法卻能通過發現數據間的關系，不僅可以去掉冗餘輸入信息，而且可以簡化輸入信息的表達空間維數。其二是粗集方法在實際問題的處理中對雜訊較敏感，因而用無雜訊的訓練樣本學習推理的結果在有雜訊的環境中應用效果不佳。而神經網路方法有較好的抑制雜訊干擾的能力。
因此將兩者結合起來，用粗集方法先對信息進行預處理，即把粗集網路作為前置系統，再根據粗集方法預處理後的信息結構，構成神經網路信息處理系統。通過二者的結合，不但可減少信息表達的屬性數量，減小神經網路構成系統的復雜性，而且具有較強的容錯及抗干擾能力，為處理不確定、不完整信息提供了一條強有力的途徑。
目前粗集與神經網路的結合已應用於語音識別、專家系統、數據挖掘、故障診斷等領域，將神經網路和粗集用於聲源位置的自動識別，將神經網路和粗集用於專家系統的知識獲取中，取得比傳統專家系統更好的效果，其中粗集進行不確定和不精確數據的處理，神經網路進行分類工作。
雖然粗集與神經網路的結合已應用於許多領域的研究，為使這一方法發揮更大的作用還需考慮如下問題：模擬人類抽象邏輯思維的粗集理論方法和模擬形象直覺思維的神經網路方法更加有效的結合；二者集成的軟體和硬體平台的開發，提高其實用性。
與分形理論的結合
自從美國哈佛大學數學系教授Benoit B. Mandelbrot於20世紀70年代中期引入分形這一概念，分形幾何學(Fractal geometry)已經發展成為科學的方法論--分形理論，且被譽為開創了20世紀數學重要階段。現已被廣泛應用於自然科學和社會科學的幾乎所有領域，成為現今國際上許多學科的前沿研究課題之一。
由於在許多學科中的迅速發展，分形已成為一門描述自然界中許多不規則事物的規律性的學科。它已被廣泛應用在生物學、地球地理學、天文學、計算機圖形學等各個領域。
用分形理論來解釋自然界中那些不規則、不穩定和具有高度復雜結構的現象，可以收到顯著的效果，而將神經網路與分形理論相結合，充分利用神經網路非線性映射、計算能力、自適應等優點，可以取得更好的效果。
分形神經網路的應用領域有圖像識別、圖像編碼、圖像壓縮，以及機械設備系統的故障診斷等。分形圖像壓縮/解壓縮方法有著高壓縮率和低遺失率的優點，但運算能力不強，由於神經網路具有並行運算的特點，將神經網路用於分形圖像壓縮/解壓縮中，提高了原有方法的運算能力。將神經網路與分形相結合用於果實形狀的識別，首先利用分形得到幾種水果輪廓數據的不規則性，然後利用3層神經網路對這些數據進行辨識，繼而對其不規則性進行評價。
分形神經網路已取得了許多應用，但仍有些問題值得進一步研究：分形維數的物理意義；分形的計算機模擬和實際應用研究。隨著研究的不斷深入，分形神經網路必將得到不斷的完善，並取得更好的應用效果。?

❺ 神經網路可以進行信息融合嗎

感測器是一種能把物理量或化學量轉變成便於利用的電信號的器件。目前對於信息融合有多種不同的定義。其中美國國防部JDL（Joint Directors of Laboratories）的定義為：把來自許多感測器和信息源的數據和信息加以聯合（Association）、相關（Combination）、組合（Correlation），以獲得精確的位置估計（Position Estimation）和身份估計（Identity Estimation），以及對戰場情況威脅及其重要程度進行適時的完整評價。學者Edward Waltz和James Llinas的定義為：是一種多層次的、多方面的處理過程，這個過程是對多源數據進行檢測、結合、相關、估計和組合以達到精確的狀態估計和身份估計，以及完整、及時的態勢評估（situation assessment）和威脅估計

最廣泛的定義是指把來自多感測器的數據和信息，根據既定的規則，分析、結合為一個全面的情報，並在此基礎上為用戶提供需求信息，諸如：決策、任務和航跡等。

信息融合最初是針對多感測器系統中多源異構信息的處理和集成而開展的一個研究領域，隨著多感測器系統的廣泛應用，便出現了多感測器信息的處理和使用問題，多感測器數據融合技術應運而生，它是利用計算機技術對按時序獲得的若干感測器的觀測信息，以及資料庫和知識庫的信息，在一定準則下加以自動匯集、相關、分析、綜合為一種表示形式，以完成所需要的估計和決策任務所進行的信息處理過程。

由於多感測器信息的冗餘性、互補性、時效性和低代價，使得多感測器信息融合系統克服了單一感測器的局限，從而具有較強的魯棒性和較高的置信度。

數據融合由多感測器融合問題發展而來，目前已不局限於感測器數據的融合，目前的數據融合技術不僅涵蓋了聲、光、電等物理層的處理，而且涉及了資料庫、網頁、視頻、資訊、自然語言等較高層次的信息整合。

❻ 信息融合的模型

近20 年來，人們提出了多種信息融合模型.其共同點或中心思想是在信息融合過程中進行多級處理.現有系統模型大致可以分為兩大類：a）功能型模型，主要根據節點順序構建； b）數據型模型，主要根據數據提取加以構建.在20 世紀80 年代，比較典型的功能型模型主要有U K情報環、Boyd控制迴路（OODA 環） ；典型的數據型模型則有JDL 模型. 20 世紀90年代又發展了瀑布模型和Dasarathy模型. 1999 年Mark Bedworth 綜合幾種模型，提出了一種新的混合模型。下面簡單對上述典型模型介紹。
情報環
情報處理包括信息處理和信息融合。已有許多情報原則，包括： 中心控制避免情報被復制；實時性確保情報實時應用 ；系統地開發保證系統輸出被適當應用 ；保證情報源和處理方式的客觀性；信息可達性；情報需求改變時，能夠做出響應； 保護信息源不受破壞；對處理過程和情報收集策略不斷回顧，隨時加以修正. 這些也是該模型的優點，而缺點是應用范圍有限。U K 情報環把信息處理作為一個環狀結構來描述. 它包括4 個階段：a) 採集，包括感測器和人工信息源等的初始情報數據；b) 整理，關聯並集合相關的情報報告，在此階段會進行一些數據合並和壓縮處理，並將得到的結果進行簡單的打包，以便在融合的下一階段使用；c) 評估，在該階段融合並分析情報數據，同時分析者還直接給情報採集分派任務；d）分發，在此階段把融合情報發送給用戶通常是軍事指揮官，以便決策行動，包括下一步的採集工作。
JDL 模型
1984 年，美國國防部成立了數據融合聯合指揮實驗室，該實驗室提出了他們的JDL 模型，經過逐步改進和推廣使用，該模型已成為美國國防信息融合系統的一種實際標准。JDL模型把數據融合分為3 級：第1 級為目標優化、定位和識別目標；第2 級處理為態勢評估，根據第 1 級處理提供的信息構建態勢圖；第3 級處理為威脅評估，根據可能採取的行動來解釋第2 級處理結果,並分析採取各種行動的優缺點. 過程優化實際是一個反復過程，可以稱為第4 級，它在整個融合過程中監控系統性能，識別增加潛在的信息源，以及感測器的最優部署。其他的輔助支持系統包括數據管理系統存儲和檢索預處理數據和人機界面等。
Boyd控制環
Boyd 控制環OODA 環，即觀測、定向、決策、執行環，它首先應用於軍事指揮處理，已經大量應用於信息融合。可以看出，Boyd 控制迴路使得問題的反饋迭代特性顯得十分明顯。它包括4 個處理階段：a) 觀測，獲取目標信息，相當於JDL 的第1 級和情報環的採集階段； b) 定向，確定大方向，認清態勢，相當於JDL 的第2 級和第3 級，以及情報環的採集和整理階段；c) 決策，制定反應計劃，相當於JDL 的第4 級過程優化和情報環的分發行為，還有諸如後勤管理和計劃編制等；d) 行動，執行計劃，和上述模型都不相同的是，只有該環節在實用中考慮了決策效能問題。OODA 環的優點是它使各個階段構成了一個閉環，表明了數據融合的循環性。可以看出，隨著融合階段不斷遞進，傳遞到下一級融合階段的數據量不斷減少. 但是OO DA 模型的不足之處在於，決策和執行階段對OODA 環的其它階段的影響能力欠缺，並且各個階段也是順序執行的。
擴展OODA模型
擴展OODA 模型是加拿大的洛克西德馬丁公司開發的一種信息融合系統結構。該種結構已經在加拿大哈利法克斯導彈護衛艦上使用. 該模型綜合了上述各種模型的優點，同時又給並發和可能相互影響的信息融合過程提供了一種機理. 用於決策的數據融合系統被分解為一組有意義的高層功能集合例如圖4 給出的由N 個功能單元構成的集合，這些功能按照構成OODA 模型的觀測、形勢分析、決策和執行4 個階段進行檢測評估。每個功能還可以依照OODA 的各個階段進一步分解和評估. 圖4 中標出的節點表示各個功能都與那幾個OODA 階段相關. 例如：功能A 和N 在每個階段都有分解和評估，而功能B 和C 只與OODA 的部分或單個階段有關. 該模型具有較好的特性，即環境只在觀測階段給各個功能提供信息輸入，而各個功能都依照執行階段的功能行事。此外，觀測、定向和決策階段的功能僅直接按順序影響其下各自一階段的功能，而執行階段不僅影響環境，而且直接影響OODA 模型中其它各個階段的瀑布模型。
Dasarathy模型
Dasarathy 模型包括有5 個融合級別，如下表所示。綜上可以看到，瀑布模型對底層功能作了明確區分，JDL 模型對中層功能劃分清楚，而Boyd 迴路則詳細解釋了高層處理。情報環涵蓋了所有處理級別，但是並沒有詳細描述。而Dasarathy 模型是根據融合任務或功能加以構建，因此可以有效地描述各級融合行為。 輸入 輸出 描述 數據 數據 數據級融合 數據 特徵 特徵選擇和特徵提取 特徵 特徵 特徵級融合 特徵 決策 模式識別和模式處理 決策 決策 決策級融合 混合模型
混合模型綜合了情報環的循環特性和Boyd 控制迴路的反饋迭代特性，同時應用了瀑布模型中的定義，每個定義又都與JDL 和Dasarathy 模型的每個級別相聯系. 在混合模型中可以很清楚地看到反饋. 該模型保留了Boyd 控制迴路結構，從而明確了信息融合處理中的循環特性，模型中4 個主要處理任務的描述取得了較好的重現精度. 另外，在模型中也較為容易地查找融合行為的發生位置。主要演算法
多感測器數據融合的常用方法基本上可概括為隨機和人工智慧兩大類,隨機類演算法有加權平均法、卡爾曼濾波法、多貝葉斯估計法、證據推理、產生式規則等；而人工智慧類則有模糊邏輯理論、神經網路、粗集理論、專家系統等。可以預見，神經網路和人工智慧等新概念、新技術在多感測器數據融合中將起到越來越重要的作用。
主要方法
加權平均法信號級融合方法最簡單、最直觀方法是加權平均法，該方法將一組感測器提供的冗餘信息進行加權平均，結果作為融合值，該方法是一種直接對數據源進行操作的方法。
卡爾曼濾波法卡爾曼濾波主要用於融合低層次實時動態多感測器冗餘數據。該方法用測量模型的統計特性遞推，決定統計意義下的最優融合和數據估計。如果系統具有線性動力學模型，且系統與感測器的誤差符合高斯白雜訊模型，則卡爾曼濾波將為融合數據提供唯一統計意義下的最優估計。卡爾曼濾波的遞推特性使系統處理不需要大量的數據存儲和計算。但是，採用單一的卡爾曼濾波器對多感測器組合系統進行數據統計時，存在很多嚴重的問題，比如： (1）在組合信息大量冗餘的情況下，計算量將以濾波器維數的三次方劇增，實時性不能滿足； (2）感測器子系統的增加使故障隨之增加，在某一系統出現故障而沒有來得及被檢測出時，故障會污染整個系統，使可靠性降低。
多貝葉斯估計法貝葉斯估計為數據融合提供了一種手段，是融合靜態環境中多感測器高層信息的常用方法。它使感測器信息依據概率原則進行組合，測量不確定性以條件概率表示，當感測器組的觀測坐標一致時，可以直接對感測器的數據進行融合，但大多數情況下，感測器測量數據要以間接方式採用貝葉斯估計進行數據融合。多貝葉斯估計將每一個感測器作為一個貝葉斯估計，將各個單獨物體的關聯概率分布合成一個聯合的後驗的概率分布函數，通過使用聯合分布函數的似然函數為最小，提供多感測器信息的最終融合值，融合信息與環境的一個先驗模型提供整個環境的一個特徵描述。
證據推理方法證據推理是貝葉斯推理的擴充，其3個基本要點是：基本概率賦值函數、信任函數和似然函數。D-S方法的推理結構是自上而下的，分三級。第1級為目標合成，其作用是把來自獨立感測器的觀測結果合成為一個總的輸出結果（D); 第2級為推斷，其作用是獲得感測器的觀測結果並進行推斷，將感測器觀測結果擴展成目標報告。這種推理的基礎是：一定的感測器報告以某種可信度在邏輯上會產生可信的某些目標報告；第3級為更新，各種感測器一般都存在隨機誤差,所以，在時間上充分獨立地來自同一感測器的一組連續報告比任何單一報告可靠。因此，在推理和多感測器合成之前，要先組合（更新）感測器的觀測數據。
產生式規則採用符號表示目標特徵和相應感測器信息之間的聯系，與每一個規則相聯系的置信因子表示它的不確定性程度。當在同一個邏輯推理過程中，2個或多個規則形成一個聯合規則時，可以產生融合。應用產生式規則進行融合的主要問題是每個規則的置信因子的定義與系統中其他規則的置信因子相關，如果系統中引入新的感測器，需要加入相應的附加規則。
模糊邏輯是多值邏輯，通過指定一個0到1之間的實數表示真實度，相當於隱含運算元的前提，允許將多個感測器信息融合過程中的不確定性直接表示在推理過程中。如果採用某種系統化的方法對融合過程中的不確定性進行推理建模，則可以產生一致性模糊推理。與概率統計方法相比，邏輯推理存在許多優點，它在一定程度上克服了概率論所面臨的問題，它對信息的表示和處理更加接近人類的思維方式，它一般比較適合於在高層次上的應用（如決策），但是，邏輯推理本身還不夠成熟和系統化。此外，由於邏輯推理對信息的描述存在很大的主觀因素，所以，信息的表示和處理缺乏客觀性。模糊集合理論對於數據融合的實際價值在於它外延到模糊邏輯，模糊邏輯是一種多值邏輯，隸屬度可視為一個數據真值的不精確表示。在MSF過程中，存在的不確定性可以直接用模糊邏輯表示，然後，使用多值邏輯推理，根據模糊集合理論的各種演算對各種命題進行合並，進而實現數據融合。
神經網路具有很強的容錯性以及自學習、自組織及自適應能力，能夠模擬復雜的非線性映射。神經網路的這些特性和強大的非線性處理能力，恰好滿足了多感測器數據融合技術處理的要求。在多感測器系統中，各信息源所提供的環境信息都具有一定程度的不確定性,對這些不確定信息的融合過程實際上是一個不確定性推理過程。神經網路根據當前系統所接受的樣本相似性確定分類標准，這種確定方法主要表現在網路的權值分布上，同時，可以採用神經網路特定的學習演算法來獲取知識，得到不確定性推理機制。利用神經網路的信號處理能力和自動推理功能，即實現了多感測器數據融合。
常用的數據融合方法及特性如表1所示。通常使用的方法依具體的應用而定，並且，由於各種方法之間的互補性，實際上，常將2種或2種以上的方法組合進行多感測器數據融合。
表1常用的數據融合方法比較[15]
融合方法
運行環境
信息類型
信息表示
不確定性
融合技術
適用范圍
加權平均
動態
冗餘
原始讀數值
加權平均
低層數據融合
卡爾曼濾波
動態
冗餘
概率分布
高斯雜訊
系統模型濾波
低層數據融合
貝葉斯估計
靜態
冗餘
概率分布
高斯雜訊
貝葉斯估計
高層數據融合
統計決策理論
靜態
冗餘
概率分布
高斯雜訊
極值決策
高層數據融合
證據推理
靜態
冗餘互補
命題
邏輯推理
高層數據融合
模糊推理
靜態
冗餘互補
命題
隸屬度
邏輯推理
高層數據融合
神經元網路
動/靜態
冗餘互補
神經元輸入
學習誤差
神經元網路
低/高層
產生式規則
動/靜態
冗餘互補
命題
置信因子
邏輯推理
高層數據融合