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。     

相关证据合成方法

讨论了孙怀江和扬静宇文章中提出的相关证据合成方法，指出其定理2是错误的，并给出了使其成立的条件；而对独立源证据的辨，通过入寒流变量，将其转换为线性方程组的求解问题。     

适用于信息融合算法性能评估的DS改进算法

为了解决信息融合算法管理过程中的最优算法决策问题,引入Dempster—Sharer证据理论。针对在实际应用过程中,由于相关证据合成而出现的评估结果超估计现象,提出了一种改进的证据合成方法。通过建立不同指标之间的相关性度量函数,对相关证据的基本概率赋值进行相应的调整,对修正后的证据再进行证据组合。实验结果验证了所提方法...     

证据组合方法及在多传感器信息融合中的应用

为了解决高度冲突证据的合成问题,提出了一种基于证据加权平均的组合方法.用两个证据矢量夹角的余弦表示两个证据的相似度,对每个证据与其它证据的相似度求和并做归一化处理得到每个证据的支持度.以证据的支持度为权对系统中的证据进行加权平均,然后用 Dempster 法则对加权平均证据进行组合.数值验证表明,该方法能有效消除伪证据对证据合成的不良影响,保证了冲突证据合成的合理性和可靠性.用所提出的方法进行机器人多传感器信息融合,结果正确、可靠.     

证据合成的一般框架及高度冲突证据合成方法

针对D-S证据理论在合成高度冲突证据时会得到有悖常理的无效结果的问题,提出了有效解决冲突须同时修正证据源和合成规则的原则,并给出了证据合成的一般框架;在此框架下,提出了一种新的证据合成方法。该方法首先对证据源进行两级可靠性度量处理,然后再按照合成规则进行合成,最后采用基于Pignistic概率距离计算的权重把冲突系数分配给各焦元,实现对合成结果的合理修正。实验结果表明:该方法能有效地解决高度冲突证据的合成问题,与其他合成方法相比,该方法合成效果更好。     

基于落影相似度的证据合成规则

在多传感器目标决策系统中,由于敌方或者环境的影响,由D-S合成规则,会得出与直觉相悖的结论。提出了一种改进的证据合成规则。首先,利用条件布尔代数距离定义了证据的落影距离,并推出证据的落影相似度;然后,由证据的落影相似度定义证据的可信度,作为证据参与组合时重要程度的权值;最后,按照Murphy的平均加权证据合成规则对证据进行组合。理论分析和数值算例表明：该方法是有效的,且在冲突信息目标决策上优于一些现有方法。     

证据特征提取及其在证据理论改进中的应用

尽管DS证据理论可以有效地处理不确定性信息,但是在证据高度冲突情况下,经典DS证据组合规则因归一化过程往往会产生有悖常理的融合结果.为此,很多学者提出了许多不同的修改方法,可以归为两类修改组合规则和修改证据.在总结这两类修改思路的基础上,分析了几种代表性的改进方法,同时通过引入证据距离,对证据源进行特征提取,提出了相应的改进方案.理论分析和数值实验结果表明,改进后的3种方法不仅能充分体现相应的改进思想,而且可以更好地实现证据组合,较快地收敛真实目标,得到合理的融合结果.     

基于Dempster—shafer理论的多个神经网络分类器融合算法

用遗传算法优化神经网络分类器的连接权系数，避免采用BP算法存在易于陷入局部极值，使每个神经网络分类器的分类接近于理想状态，由于每个分类器的特征输入不同，不能被一个分类器识别的模式，却可能被另一个分类器识别，为了提高模式识别的精度，可将一个模式识别问题由多个分类器来完成，将每一个分类器的输出结果作为一条证据，确定各分类器的基本概率指派函数，再用证据组合理论融合证据信息，可以提高分类的精度和避免某一个神经网络遭到破坏而使整个系统陷于瘫痪状态。     

D-S证据理论中冲突问题的解决方法

针对传统D-S证据理论中冲突证据合成存在的问题,提出一种基于数学模型修正证据源的冲突证据合成方法.在不改变Dempster组合规则的前提下,逐一比较识别元素的基本概率分配值和平均基本概率分配值,结合数学模型修正基本概率分配.仿真结果表明,该方法在处理冲突证据合成时有效、可行.     

基于双重中位数绝对偏差的证据加权组合方法

Dempster-Shafer证据理论目前已被广泛应用于大数据时代的各行各业,但是当该理论应用在高度冲突的证据源进行融合时,往往会产生一些有悖直觉的结果,具有一定的局限性.为了解决这一问题,该文提出了一种基于双重中位数绝对偏差(MAD)检测和一种新的证据加权组合改进方法.首先通过MAD算法检测出异常证据,再使用这组证据的平均值对异常证据进行修正,然后使用新的证据加权组合方法对证据加权平均后得到最终结果,最后通过随机模拟实验和具体的算例实验,并与其他几种经典的证据合成规则进行比较.仿真结果表明该文提出的方法能有效地解决高度冲突的证据融合问题.     

D-S证据理论数据融合方法在目标识别中的应用

为解决车辆目标识别问题 ,采用基于推理的数据融合方法 ,分析了 Dempster- shafer证据理论用于多传感器数据融合的基本概念和理论 ,并将它应用于车辆目标识别的数据融合中 ,实验结果证明了基于融合后的识别结果较单传感器的识别结果好 ,验证了这一方法的正确性和有效性     

汉字识别多分类器集成的新方法

从信息熵的角度分析了多分类器集成的重要性，提出了一种用于汉字识别的多分类器集成的新方法——综合识别法。该方法充分考虑到各分类器的特性，在保证效率的同时，较好地改善了用单个分类器识别低质量文本时误识率较高的不足，使系统误识率下降了７４％，拒识率下降了２７％。提出了一种基于惩罚函数的确定各分类器拒识门限的方法，该方法既可灵活地确定系统的识别率、误识率，又避免了收集巨量训练样本的工作。     

证据理论在旋转机械综合故障诊断中应用

针对旋转机械故障诊断中在同一征兆域中很难区分多种故障的实际情况,研究利用其他征兆域的诊断信息,进行全局信息融合,从而获得更为准确的故障定位,提出一种基于神经网络和Dempster-Shafer证据理论的多参数综合诊断系统模型,在该模型中采用证据理论的组合规则进行局部和全局信息融合,得出较好的诊断结果。     

一种有效的加权冲突证据组合方法

为了有效融合高度冲突的证据,提高证据高度冲突时融合结果的可靠性和合理性,给出了一种新的加权证据组合方法。该方法根据证据之间的关联特性,通过计算证据体间的相对距离获得系统中各传感器证据的权重。首先引入一个证据体间的距离函数,根据多证据体的距离,得到系统中各传感器证据体之间的相似度和各证据的支持度,依据支持度的大小进一步可得到各证据的可信度,以此作为各证据的权重,对证据的基本概率指派进行加权平均,最后利用Dempster组合规则融合加权平均后的证据。与其他方法相比,该方法在系统存在伪证据(干扰)时能有效迅速地识别出目标。     

基于Shapelets的多变量D-S证据加权集成分类

集成学习是分类多变量时间序列的有效方法.然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大.为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法.首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器...     

基于证据熵多源组合规则的风力发电机组故障诊断方法

针对证据理论在风力发电机故障融合诊断中存在的高冲突问题,提出一种基于证据熵的多源融合组合规则.由风力发电机历史故障特征数据模糊化获取原始证据,根据多类传感器实时数据重要性的不同,采用信息熵原理得到各证据的重要性参数即权重,对加权修改后的证据进行Dempster融合得到最终结果,最后基于决策准则作出故障诊断.风力发电机故障诊断实例表明,本方法在一定程度上降低了证据之间的冲突性,提高了故障诊断的准确率.     

基于DS理论的网络时钟同步算法

目前的NTP(Network Time Protocol)时钟同步算法已不能满足许多新兴网络对时钟同步精度的要求.为此,提出一种基于DS(Dempster/Shafer)理论的NTP时钟同步改进算法.在分析目前NTP时钟同步算法不足的基础上,将DS理论引进到传统的NTP时钟同步中,建立一种改进的NTP时钟同步算法并进行...     

网络信息审计系统中的实时网页分类方法

为了实现网络信息审计系统中的实时网页分类，提出了一种基于Dempster-Shafer证据理论的分类新方法．其基本思路是：不进行IP分片包重组，直接将网页地址特征和分片数据包作为分类的证据，计算各个证据对类的支持度，然后利用Dempster证据组合规则将各种证据提供的信息进行不断地在线融合判决，并最终给出网页的分类结果．当已有证据可以对网页进行有效分类时，对后续数据包不再做进一步处理．实验结果表明，所提方法的查准率大于83％，查全率大于90%，在分类性能和运行时间上均优于已有的基于分片的模糊K最近邻分类算法．     

基于贝叶斯网络分类器的车牌相似字符识别

相似字符识别率低会影响整个车牌识别系统的性能,而相似字符之间只有局部特征差异较大,并且相似字符样本数目多少差异较大,目前常用的分类器表现得都不稳定.贝叶斯网络分类器充分利用和综合先验知识与样本信息,无论实验样本和特征数目多少,表现得都很稳定.通过使用几千个测试样本对分类器进行测试,并与其他分类器的识别结果作比较.实验结果表明,在相同的特征下,与AdaBoost分类器、BP神经网络分类器、SVM分类器相比,贝叶斯网络分类器对车牌相似字符的识别有较高的识别率和更高的稳定性.