第一章前言多源異構數據融合理論綜述數據融合（DataFusion）又稱信息融合（InformationFusion），這一概念起源于人類和動物的進化能力，通過整合來自多種感官的信息提高它們的生存能力。例如，利用視覺、觸覺、嗅覺和味覺的多種信息組合可以更加準確地分析一種物質是否可食用。20世紀70年代美國國防部在開發(fā)聲吶信號處理系統過程中首次明確提出了數據融合技術，并對多個傳感器的數據融合與信息處理技術進行了大量研究。隨著數據融合技術在多個軍事和民事領域中的應用與發(fā)展，數據融合逐漸成為了一門專業(yè)的工程學科。在本研究中，數據融合特指通過深度學習模型實現融合多個數據源，以產生比任何單個數據源提供的信息更一致、更準確和更互補的信息的過程。相關概念為了方便對數據融合過程的理解，接下來將對本章涉及到的相關概念進行介紹，以下概念均特指適用于本研究的應用場景，非一般化概念定義。特征：指的是股票可被觀察到的可測量的特性或屬性，包括輸入特征和抽象特征。例如，代表個股市場表現的價格數據（開盤價、收盤價、最高價、最低價）、交易量、成交額、技術指標數據（MA、MACD、RSI等）等均可作為當前時間節(jié)點下的個股輸入特征。特征選擇：也稱為變量選擇、屬性選擇或變量子集選擇，指的是選擇相關特征作為模型輸入的過程。特征選擇是一個重要的數據預處理（DataPreprocessing）過程，因為給定的數據集往往包含有一些與目標任務無關的特征，或是可以通過其他特征推演出來的特征，這些特征被稱為是“冗余特征”。特征選擇的目的就是為了剔除冗余特征，避免輸入維度災難，使其更易于研究人員解釋。并且輸入維度的降低一定程度上可以簡化模型從而縮短訓練時間。尤其是在樣本數據量較少的情況下還可以使得模型減少過擬合的可能性從而增強模型的泛化能力。因此在獲取數據之后通常會先進行特征選擇然后再進行模型學習和訓練。特征抽?。禾卣鞒槿〉母拍钤谟行┪墨I中與特征選擇的概念相同，但在本研究中特指利用一定手段從原始數據中構建旨在提供非冗余的抽象特征的過程。這一過程有助于進一步完成模型的目標任務，且在某些情況下可以帶來更好的可解釋性。例如在處理時間序列數據時，常提到一點是利用模型抽取數據中的“時序特征”。時序特征這一概念目前并沒有明確的定義，更多的是表示序列輸入數據在時間維度上的抽象依賴關系?？傊?，在本研究中，特征抽取的目的是為了創(chuàng)造出對目標任務更有價值、更具鑒別性的抽象特征信息。融合層次每一種來源的數據都可為目標任務提供一定的信息，多源信息融合的目的是最大限度地對多種來源的數據進行綜合分析、判斷以便更好地完成目標任務。多源信息融合不是簡單的信息累加，對不同來源的數據特征進行簡單的拼接整合或采用同種模式的特征抽取不能保證信息挖掘的有效性。因此，多源信息融合需要根據不同數據來源的特性，通過針對性地進行特征抽取，創(chuàng)造出更有價值的新信息，以便模型學習輸入數據與目標任務之間的映射關系。如圖3-1所示，從數據抽象的層次角度出發(fā)，多源信息融合可以分為三個層次：數據層融合（低等水平融合）、特征層融合（中等水平融合）和決策層融合（高等水平融合）。圖3-1多源信息融合的不同層次數據層融合指的是將多源異構數據預處理為數值型的標準輸入格式（可供模型直接計算）之后，在數據級別上進行融合的過程。加權平均是最簡單直觀的一種融合方式，可通過先驗知識為不同來源的數據直接分配權重，也可在模型中設置相應模塊自動學習各數據源之間的權重。數據層融合需要建立在數據表示與特征選擇的基礎上；特征層融合主要是在對原始數據進行特征抽取，也可在此基礎之上進行更高層次的特征融合。這一層的特征抽取與融合過程一般被認為是信息融合過程中最關鍵的一步，基