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。     

基于模糊隶属度及证据理论的空中目标识别

针对复杂环境下侦察设备获得的空中目标信息具有模糊性和不完整性的特点,采用模糊理论和证据推理相结合的方法,利用多部雷达获得的多元信息对空中目标进行识别。文中详细给出了应用实例,仿真结果表明本文模型和算法的有效性。     

基于证据理论的AUV目标识别研究

根据D2S证据理论能很好表示“不确定性”和“不知道”的特点,对比不同的数据融合算法,在分析D2S证据理论的性能特点基础上,提出了一种基于自主式水下航行器的扫描声纳和水下摄像机两种视觉传感器采集信息的基本概率分配函数的方法和规则,并且分析了自主式水下航行器上的扫描声纳和水下摄像机这两种视觉传感器的信息在目标位置求解中的应用,同时利用Dempster合并规则,分析计算这两种视觉传感器在自主式水下航行器进行目标类别识别时的合成融合值.通过列表分析,表明增加了目标识别的可信度,减少了目标的不确定性.     

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.     

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。     

基于证据理论和Vague集的目标识别研究

提出了一种基于D-S证据理论和区间Vague集合的多传感器数据融合算法。D-S证据理论是一种灵活处理不确定和不完全信息的数学方法;而Vague集采用区间测度,可以同时表达对目标支持和反对两方面的信息;而且允许检测信息存在一定的不确定性。将D-S证据理论和Vague集结合,提出一种多传感器数据融合方法。仿真结果表明方法具有可行性,并具有处理目标检测信息不确定性的特点。     

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     

基于模糊集与改进证据理论的目标识别

在基于模糊理论目标识别基础上,通过对模糊隶属度进行重新分配,较好地克服了随机因素的影响,同时对已有的证据理论合成进行改进,将模糊集理论和改进的证据理论结合,可望进一步提高对空中目标的正确识别率.     

一种基于加权证据合成的多传感器目标识别方法

针对多传感器数据融合目标识别问题，基于D-S证据理论，提出了加权证据合成的时空域目标识别算法。该方法充分利用了多传感器多周期的测量数据，并根据D-S合成规则要求参与合成的各证据具有相同权重的特点，充分考虑了提供证据的信源即各个传感器的可靠性。在合成中，引入证据权的概念，解决了不同权重的多传感器数据融合问题，在一定程度上改善了目标识别系统的性能。最后通过计算实例表明算法是有效的。     

模糊神经网络与证据理论的飞机目标敌我识别

为满足复杂环境下目标敌我属性识别能力,提出了一种基于模糊神经网络（FNN：Fuzzy Neural Networks）和证据理论的新敌我识别方法。该方法利用模糊神经网络和证据理
论信息的处理能力,将敌我识别器(IFF:Identification Friend -or-Foe）、电子支援措施(ESM:Electronic Warfare Support Measure)、雷达及红外获取的信息融合,进行敌我识别。
仿真结果表明,该方法的识别能力明显优于单一模糊神经网络分类器,识别率达0.994,同时具有很强的容错性和一定的抗干扰能力,更适合战场需要。     

证据理论及其在目标识别中的应用

随着防空作战环境的日益复杂,快速准确地进行空中目标识别显得尤为重要。多元信息融合为目标识别提供了一个新的思路,信息融合可在像素级、特征级及决策级3个层次上进行。基于证据推理的决策级融合以其在自动目标识别中特有的优势而成为研究的热点。为了解决Dempster组合规则在高冲突证据下存在的问题,对组合规则的思想进行了分析;讨论了针对该组合规则的两大主流修正方向:基于修正证据源的改进措施和基于修正Dempster组合规则的方法一些改进措施;针对空中目标识别问题,提出了综合运用各种改进思想的融合方法,给出了识别过程的流程图,算例结果表明本文方法的有效性。     

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Dempster-Shafer证据理论的数据融合技术研究

系统地研究了Dempster-Shafer（D－S）证据推理的数据融合技术,分析了传感器基本概率分配函数（basic probability assignment-BPA)的构造方法,分别对双传感器随参数分布的几种情况进行了检测融合,利用红外场景生成器生成的3－5μm和8－12μm双通道的红外背景及目标的序列图像,仿真了融合对探测操作特性（receiver operating character-ROC)曲线的性能改进,对AGEMA THV900型双通道红外热像仪的小目标图像也开展了实验处理,均取得了预期的结果。     

BP和D-S结合的多传感器协同目标识别推理机制

针对多传感器协同目标识别的基本概率赋值在实际应用中存在容易导致决策可信度低等难以解决的问题,提出一种基于BP神经网络和D-S证据理论的多传感器协同目标识别的推理机制。简述了BP神经网络理论和D-S证据理论,构建了目标识别推理框架,推理了算法可行性,进行了实例仿真,通过信息融合,不确定性的基本概率赋值下降到0.000 8,表明该推理机制的有效性。     

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。     

基于D_S证据理论的Web事务识别方法

基于D_S证据理论,提出一种新的Web事务识别方法,融合多个特征对Web事务进行综合评判,并选取计算代价较小的特征及高效的融合规则,保证算法性能的高效. 实验结果表明,该方法与其他事务识别方法相比,具有更高的事务识别率.     

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。     

基于证据距离和模糊熵的加权证据融合新方法

证据的不确定性从根本上影响到融合结果,目前证据理论中还没有完善的不确定性度量方法。针对D-S证据理论在合成高冲突证据时会得到有悖常理的结果的问题,许多学者提出了修正证据源的改进方法,但是这些方法大多没有考虑到证据的不确定性问题。模糊熵方法是一种非常有效的模糊性(不确定性)的测度方法。考虑到证据的不确定性,本文提出一种新的基于证据距离和模糊熵的加权证据融合方法,该方法利用模糊熵方法计算各个证据的不确定度系数,修正基于证据距离的各证据源的权重,得到各证据源的综合权重。实验结果证明了本文方法的有效性。     

基于改进证据理论的导弹状态评价方法

 为研究导弹状态评价方法,将导弹的状态分为优、良、中、差和故障5个等级。若一个或多个状态参数测试不合格,可以直接判定导弹处于故障状态;若所有状态参数测试均合格,表明导弹是合格的。对于测试合格的导弹,在评价特征参数状态的基础上,构建了基于改进证据理论的导弹状态评价模型,对所有特征参数的状态合成并决策,确定了测试合格的导弹的状态退化等级。针对利用证据理论在合成状态特征参数过程中的冲突分配问题,在分析现有改进证据理论方法的基础上,采用将全局冲突细分为局部冲突并按照冲突焦元值权重分配的方法,对证据理论进行了改进,通过实例分析,验证了改进方法的有效性。