原文来自 Feature fusion: parallel strategy vs. serial strategy
常用的三种融合策略：
- 集中式数据融合：将所有特征直接同化后集成到一个决策中。广泛应用于模式识别。
- 分布式数据融合：根据不同的特征集制定个体决策，然后将他们协调或组合到一个决策中。
- 特征融合：采用现有的多个特征集生成新的融合特征。
特征融合的优点：
- 可以从融合中涉及的多个原始特征集中获得最具差异性的信息。
- 它能够消除因不同特征集之间的相关性而产生的冗余信息，并使后续决策成为可能。
现存的融合方法又可以分为两个种类：
- 基于特征选择的方法：所有方法被聚合在一起，然后用一种合适的方法进行特征选择。
- 基于特征抽取的方法：将多个特征集组合成一组特征向量，输入到特征提取器进行融合。
作者提出的方法
并行特征融合方法：它的思想是通过一个复向量将两组特征向量组合成一个向量。本文将基于并向量的特征融合方法称为序列特征融合方法。 基于复向量的融合方法称为并行特征融合。
两组给定的原始特征向量首先用于形成复杂的特征向量空间。然后，传统的线性投影方法，包括主成分分析（PCA），K-L展开和线性判别分析（LDA），被推广到复杂特征空间的特征提取。
