一种新的证据组合规则

通过对证据组合问题进行深入的理论分析,提出一种新的基于局部冲突、局部分配和一致性部分进行合取规则的证据组合方法,同时利用证据的可信度来修正证据结构.在确定证据的可信度时,给出一种通用的计算模型.与很多改进的组合方法相比,该方法不仅适用于冲突情况,而且也适用于证据间比较一致的情况.数值仿真表明,所提出方法能加快收敛速度,同时降低决策风险.     

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D-S证据理论的修正融合目标识别模型

在分析D-S证据理论中证据合成规则的局限性之后,根据合成证据中集合大小、相交程度以及证据间的相关性和互补性,引入一个合成因子λ,并给出了λ的经验值,这种新规则对于证据之间完全冲突的情况也能给出合乎直观的合成结果.应用于实际的红外/毫米波融合目标识别系统,也取得了满意的正确识别结果.     

一种改进的证据推理组合规则

提出了一种新的证据理论组合规则，综合考虑了支持信息和冲突信息对合成结果的影响。在求出各个证据之间局部冲突之后，利用各个证据的可信度得到系统的全局冲突；以全局冲突作为参量定义了一个冲突证据有效性系数，该系数反映了冲突信息对最终融合结果的影响。算例验证结果表明，新的组合规则能够有效地处理证据中的冲突信息，得出合理的融合结果。     

D-S理论中证据合成规则的分析与改进

文章详细分析了D-S证据理论的证据合成原理;针对D-S证据理论的不足,对其合成规则进行了改进,基本原则是要求多种来源的概率分配函数的合成结果满足"少数服从多数"的思维习惯;在Yager合成规则的基础上,给出了一种新的证据理论合成规则,使冲突证据的合成更为合理。     

基于修改模型的冲突证据组合方法

针对冲突证据的组合问题,提出一种基于修改模型的冲突证据组合方法.该方法具有以下特点:①只修改模型,不改变Dempster组合规则的结构.②考虑焦元属性之间及证据之间的相互关联性,引入距离函数,确定证据的权值,将平均证据代替冲突证据,减少冲突证据在组合规则中的作用,降低干扰对最终融合结果的影响;同时充分利用原始证据信息,提高了组合结果收敛到正确目标的效率.③能够解决一般冲突、一票否决、鲁棒性等冲突证据的组合问题.④认为冲突证据也是一种信息,加以利用,避免证据有效信息的损失.通过实验,验证了所提出方法的有效性.     

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     

基于偏差的冲突证据融合的改进方法

在Dempster-Shafer(D-S)证据理论中,传统D-S组合规则在证据高度冲突时存在失效问题,会产生与常理相悖的结论.为此,文中提出了一种改进的处理冲突证据的融合方法,即通过计算各证据到命题平均支持度的偏差,来检测和消除冲突证据,并对最后结果进行修正,以合成来自不同识别框架的证据.计算实验结果表明,该方法能有效处理冲突,得到符合实际的组合结果,相对于其他典型算法,该方法在收敛性和可靠性上有明显改进.     

一种新的DS证据理论冲突处理方法

经典DS证据理论在处理高度冲突的证据信息时常常会导致错误的结论。为解决证据冲突问题,基于证据可信度的思想,引入证据之间目标的贴近度,提出一种新的确定权重的方法,然后运用经典DS证据理论融合。在保持DS证据理论规则不变的情况下,改进了融合结果。相比其他处理方法,考虑到证据之间的冲突和贴近度,客观的计算了证据的权值,收敛更快,使得融合结果更符合事实。算例验证了方法的有效性,为DS证据理论提供新的改进途径。     

D-S证据理论在目标识别中的应用

分析了D-S证据理论用于多传感器数据融合的基本概念和理论,构造了融合结构,该结构通过预处理先对单一传感器在时域上融合,再对预处理后的数据进行多传感器数据融合,实验结果证明了目标识别的基本概率赋值有了明显提高,验证了这一结构的正确性和有效性。     

考虑传感器置信度的改进D-S证据合成算法

为了解决多源信息融合识别算法中传统Dempster-Shafer(D-S)证据理论极少考虑传感器对融合结果产生影响的问题,提出一种考虑传感器置信度的D-S证据合成算法。首先建立传感器与参考传感器关于任一特征的置信距离,通过置信距离修正传统灰关联分析法的关联系数,从而计算传感器置信度;然后通过证据间的相似性定义任一特征所得证据的全局冲突系数,将全局冲突系数与传感器置信度相结合,定义了一种传感器所得证据可用度的计算方法;最后根据证据可用度对传统D-S证据理论进行修正,提出一种新的证据合成规则。仿真及实验数据表明,相比已有算法,新算法的目标识别率更高,对证据冲突的处理更有效。     

基于局部冲突分配策略的证据理论组合规则

提出了一种基于局部冲突分配策略的组合规则,冲突主要分配给产生冲突的焦元,且分配给焦元的冲突大小取决干焦元的平均信度和证据的可信度。计算结果表明,新的组合规则不仅能够解决高度冲突证据的组合问题,而且能够从证据中提取更多的信息,使组合结果更为合理。     

应用DS证据理论的雷达工作模式特征层融合识别

日趋复杂的战场电磁环境对雷达工作模式识别提出了更高的要求,针对传统单平台工作模式识别方法的局限性,提出了一种在多平台协同背景下基于Dempster-Shafer(D-S)证据理论的雷达工作模式特征层融合识别算法。该算法运用隶属度函数获得基本信任赋值,根据Dempster合成规则,首先对多平台侦收的同一参数数据进行多平台参数内融合,然后进行参数间融合获得合成信任度,最后依据工作模式判定规则识别雷达工作模式。通过仿真实验,多平台融合识别算法的识别率较单平台识别方法平均提高了27%,实验结果说明融合识别方法有效地提高了识别性能。     

基于D-S证据理论的多传感器多特征目标识别

 传统多传感器环境下的目标识别方法主要有两种：利用多传感器获得的数据进行数据融合、利用每个传感器信号的特征向量进行特征融合。但这两种方法均存在目标识别精度不高的问题。针对这一问题,本文提出了一种基于D-S 证据理论两次组合规则的融合方法。该方法在提出多传感器目标识别系统模型的基础上,运用D-S 证据理论对单传感器的多特征信息进行数据融合;根据传感器接收信号信噪比来确定传感器可信度,将该可信度作为D-S 证据理论组合规则中的证据权值,以此来完成目标识别。本文提出的方法综合考虑了传感器的多特征信息和传感器的可信度,克服了传统的D-S 证据理论对证据冲突处理能力有限的缺陷。实验结果表明,该方法具有较高的正确性和有效性,提高了目标识别的精度。     

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。     

基于pignistic概率距离的改进证据组合规则

针对使用传统冲突系数识别证据冲突存在的不足,采用pignistic变换后得到的概率赋值函数之间的距离,结合传统冲突量化标准,讨论了Dempster组合规则适用条件,并提出了一种改进的证据组合方法.该方法通过证据之间的pignistic概率距离表示证据之间的冲突程度,将证据间的冲突程度转化成相似程度,然后求出证据之间的支持程度,并确定权重系数,最后采用Dempster组合规则合成权重系数调整后的基本概率赋值.数值算例分析结果表明,改进的证据组合方法可以有效地处理证据冲突,且具有较快的收敛速度.