一种基于相关证据的数据融合算法

根据Dempster-Shafer证据理论和相关证据合成方法，将证据合成算法应用于神经网络分类器中，以提高分类器的分类精度。在UCI数据库的分类中的应用结果，证明了该方法的有效性。     

对证据理论检测显著误差的研究

针对过程数据所含的显著误差采用证据决策理论进行检测。该文考虑了系统的泄漏情况,并且引入了环境节点这一虚拟节点约束方程,把此虚拟节点作为证据理论中的一个证据,并对此进行了仿真研究。仿真结果表明了所提方法的有效性。     

基于D-S证据理论的纹理图像分类方法

在阐述Dempster-Shafer证据理论的基础上,给出了基于Dempster-Shafer证据理论的多源信息融合的方法,并将Dempster-Shafer证据理论的信息融合技术应用于遥感图像纹理的分类.图像灰度均值特征和图像灰度共生矩阵的熵特征作为纹理图像的不同特征被提取,并构成该理论中的证据,利用一定的决策规则,选择融合证据作用下最大的假设.实验结果表明,基于Dempster-Shafer证据理论的多特征融合分类识别图像纹理的新方法是切实有效的和可行的,分类结果要优于仅仅利用单个特征进行分类的结果,能极大地提高图像纹理的识别分类能力.     

Dempster-Shafer （D-S） algorithm with credit scale in spectrum sensing

In cognitive radio, the detection probability of primary user affects the signal receiving performance for both primary and secondary users significantly. In this paper, a new Dempster-Shafer (D-S) algorithm with credit scale for decision fusion in spectrum sensing is proposed for the purpose to improve the performance of detection in cognitive radio. The validity of this method is established by simulation in the environment of multiple cognitive users who know their signal to noise ratios (SNR) and a central node. The channels between the cognitive users and the central node are considered to be additive white Gaussian noise (AWGN). Compared with traditional data fusion rules, the proposed D-S algorithm with credit scale provides a better detection performance.     

一种基于Dempster-Shafer理论的分类器组合算法

提出了基于Dempster -Shafer理论进行多个神经网络分类器组合的一种可行算法 ,该算法考虑了每个分类器对不同类的识别能力不同这一经验知识 .在UCI数据库的分类和一个多传感器融合工件识别系统中的应用结果 ,表明了该算法的有效性     

一种D-S证据推理的BPA获取方法

针对多传感器数据融合中D-S证据推理方法的基本概率赋值获取存在主观性的问题,结合粗糙集理论,通过定义规则强度和决策扩充规则,提出一种基于决策表的证据获取和基本概率赋值客观确定方法,并以具体算例验证了方法的正确性和有效性。     

多极化多特征融合的雷达目标识别研究

雷达多极化组合态距离像与单极化组合态距离像相比包含了更多的目标信息,因此也具有更强的目标鉴别能力;而距离像不同的特征同样包含了具有一定差异的鉴别信息,可以用来提高距离像的总体识别能力。基于D-S证据理论将多极化信息和六种常用的距离像特征信息有效融合起来,获得了较高的识别率,基于仿真数据的实验验证了结论的正确性。     

基于D-S证据信息融合方法的全地形车行驶工况辨识

磁流变阻尼器的全地形车智能悬架可以使车辆面对不同行驶工况下提供更好的减振效果,为了解决在传感器存在噪声或异常等情况下车辆行驶工况辨识困难的问题,文中提出了一种基于D-S(Dempster-Shafer)证据理论的多传感器信息特征值的融合技术提高行驶工况辨识的准确性。通过改进的距离评估方法对全地形车行驶工况的传感器敏感特征值进行了提取和筛选,采用区间估计将传感器的噪声和异常值当做不确定性信息。利用D-S合成对特征层的辨识结果进行决策层融合,基于可行区间的决策规则完成对车辆行驶工况的辨识。最后使用Carsim整车仿真试验平台,验证了基于D-S证据理论的决策层融合方法的有效性。     

基于证据理论的软件开发风险评估方法

通过将软件开发过程分解为分析、设计、实施阶段,根据决策者对每一阶段的技术风险、费用风险、进度风险的确信度,给出了一种基于Dempster-Shfer证据组合理论的风险评估方法.从而,将软件开发过程中影响风险的多种不确定性定性指标转化为确定的定量指标进行评价.最后通过实例说明了该方法的有效性.     

Using the Dempster-Shafer Theory of Evidence to Rank Documents

Multi-source information can be utilized collaboratively to improve the performance of information retrieval. To make full use of the document and collection information, this paper introduces a new information retrieval model that relies on the Dempster-Shafer theory of evidence. Each query-document pair is taken as a piece of evidence for the relevance between a document and a query. The evidence is combined using Dempster’s rule of combination, and the belief committed to the relevance is obtained. Retrieved documents are then ranked according to the belief committed to the relevance. Several basic probability assignments are also proposed. Extensive experiments over the Text REtrieval Conference (TREC) test collection ClueWeb09 show that the proposed model provides performance similar to that of the Vector Space Model (VSM). Under certain probability assignments, the proposed model outperforms the VSM by 63% in terms of mean average precision.