《表1 基于深度学习的数据融合方法总结》
通过对上述基于深度学习的数据融合模型分析发现,深度神经网络具有强大的非线性表达能力,使其能够充分挖掘多源数据之间的深层抽象特征,避免了因特征提取不充分导致的影响模型输出精度降低的问题;深度学习具有的自学习能力,使其能自主获得多源信息之间的相关性,并按照相关性进行充分融合;基于深度学习的数据融合方法在计算能力较强的设备上运行时,具有很好的实时性,能够满足相关领域的实时性要求。因此,基于深度学习的数据融合方法相较于传统数据融合方法具有更好的性能。虽然深度学习在数据融合领域具有较好的应用前景,但是,深度学习模型的自身特点也一定程度上限制其应用。目前,大多数深度学习算法为了提高网络的非线性表达能力而增加模型的深度和网络复杂度,但同时也增加了模型的参数和模型的训练难度,运算资源消耗也进一步提高。因此,基于深度学习的数据融合方法在传感器网络节点、可移动终端等小型设备并不适用。最后如表1所示,本文从深度学习方法、融合数据类型、实时性、扩展性以及资源消耗等方面对本节中提到的基于深度学习的数据融合方法进行归纳总结。
图表编号 | XD00197434600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.15 |
作者 | 张红、程传祺、徐志刚、李建华 |
绘制单位 | 兰州理工大学计算机与通信学院、兰州理工大学计算机与通信学院、兰州理工大学计算机与通信学院、兰州理工大学机电工程学院 |
更多格式 | 高清、无水印(增值服务) |