一种D-S证据理论的改进方法及其在目标识别中的应用

研究了基于D-S证据理论的多传感器信息融合算法，提出一种基于D-S理论的推广方法来解决融合信息的证据冲突问题，并将其用于红外成像／毫米波复合制导系统来进行目标识别的决策信息融合，结果比较理想，能够有效地化解证据间的冲突问题，提高识别系统的可靠性与准确度。     

基于改进D S 理论在无人化武器系统信息融合中的应用

针对无人化武器系统多传感器数据之间存在的信息融合问题,提出一种将AHP法和D-S证据理论相结合的无人化武器系统信息融合算法。根据多个传感器信息融合时所在环境条件对各传感器精确程度的影响,通过AHP法确定在多个传感器基本概率赋值中各传感器的权值,并利用D-S证据理论进行改进,实现了目标识别。实例分析结果证明:改进后的识别结果明显优于传统D-S证据理论的识别结果,在一定程度上改善了目标识别系统的性能。     

组合D-S证据理论在多传感器信息融合中的应用

在多传感器的目标跟踪领域中,Dempster-Shafer证据理论及其组合方法得到了广泛的应用,但该理论本身也存在一些不足之处.针对D-S组合规则无法解决冲突证据这一情况,根据传感器的优先级不同,提出了采用组合的改进算法来取得合乎直观的合理结果.该算法简单,避免了复杂的数学运算,具有良好的工程应用背景.给定方法与传统D-S理论相比,提高了决策的准确性.     

基于矩阵分析的加权证据时空融合算法研究

在多传感器目标识别系统中．为解决各传感器可信度不一致的问题，提出加权证据的方法。为便于采用计算机实现，采用基于矩阵分析的D-S证据理论。考虑融合系统的时间性和空间性．先从空间域对多传感器进行空域信息融合．然后在此基础上对时间序列进行融合。最后进行判决，识别出目标。识别实例表明了该方法的正确性和有效性。     

干扰情况下单传感器的数据融合算法

针对D-S证据理论在处理冲突证据时存在的不足,提出了一种改进的单传感器被干扰情况下的数据融合算法。该算法首先采用加性策略对原证据集进行处理,消除冲突,然后利用D-S证据理论的合成公式进行融合,得到最终合成结果。最后进行仿真试验,仿真试验结果说明该算法能有效地排除干扰,得出符合实际的合成结果。     

冲突证据融合算法性能分析

针对D-S证据理论在处理冲突证据时存在的不足,对不同冲突证据融合算法的性能进行分析。仿真结果表明,Yager算法无法有效处理冲突问题。孙全和Murphy理论主要利用加心策略的可靠性解决冲突证据的融合问题,收敛性差。而邓勇算法采用的加性策略在加性合成同时,引入证据距离函数以得到各证据的可信度作为权值对证据进行加性合成,因此收敛性优于孙全和Murphy算法。关欣算法先对冲突证据进行合理修正,消除证据间冲突,再采用D-S算法进行合成,但该算法证据的冲突由敌方干扰引起,具有一定局限性。     

基于D-S证据融合的雷达毁伤评估研究

为解决传统雷达毁伤评估方法过于单一、评估准确性低的问题,引入D-S证据理论,提出了一种基于D-S证据融合的雷达毁伤评估模型。该模型将图像情报、电子情报、飞行员报告、无人机视频影像等多源信息作为证据体,利用证据向量余弦距离判断证据间的相似性,引入冲突比例因子决定冲突证据的修正方法,将修正后的证据代入D-S合成公式进行融合,从而降低了可信度低的证据给融合结果带来的不良影响。该模型充分利用了多源信息的优势,使融合后的雷达毁伤评估结果更加精确可靠。通过实验对比验证了该模型的有效性和准确性,为目标毁伤评估提供了一种新方法。     

基于D-S证据理论的红外小目标识别方法

提出了一种基于D-S证据理论的红外小目标融合识别方法。该方法首先对中红外和远红外成像小目标进行目标特征的提取,然后根据提取的特征利用模糊C均值聚类的方法进行基本概率分配,最后利用改进的D-S组合公式进行融合识别。融合识别试验表明该方法能在传感器工作不正常的情况下仍然可以根据对两个传感器输出的结果进行融合对目标进行有效的识别。     

基于D-S证据推理的多传感器战场目标识别

文中在简单介绍了多传感器信息融合技术的概念之后,详细阐明了D-S证据推理的原理及其应用于战场目标识别的方法,并进行了仿真处理.仿真结果说明,基于D-S证据推理的多传感器信息融合技术,是解决目标识别问题的一种有效方法.     

D-S证据理论在目标识别中的应用

根据地面目标运动引起的地震动信号的特征信息，应用多传感器信息融合的方法将目标正确分类。首先根据地震动信号在频域和时频域的多种特征，应用BP神经网络模式识别法，将地面车辆目标分为轮式车、轻型履带式车和重型履带式车。设计了一种以神经网络正确识别率作为基本概率赋值的方法，并应用D－S证据理论进行识别信息融合，训练样本和识别样本分别取自外场实验所获得真实有效的数据，通过对识别信息融合，以较高的可信度得到与识别样本相一致的识别结果，这表明所设计的获取基本概率赋值的方法及信息融合算法是有效的，该方法可以推广应用于其他多传感器或多信息源的探测识别系统中。     

多传感器信息融合在航天侦察中的应用

针对从情报信息中提取正确可靠信息时存在的问题,对多传感器信息融合在航天侦查中的应用进行研究。在阐述多传感器信息融合的基本概念和基于D-S证据理论的多传感器信息融合的基础上,重点分析D-S证据理论在多传感器航天侦察信息融合中的应用,并以实例进行验证。结果表明:该方法能弥补单一信息的不完整和不确定性,提高信息的确定性和可靠性。     

改进的D-S证据理论在战场目标识别中的应用

战场目标识别中多传感器信息融合面临各种不确定冲突信息。为此,提出了一种基于权重的证据调整方法,给予证据分配不同的权重,重新修正基本概率分配函数,利用Dempster组合规则实现信息融合。通过数值验证并与其他的改进算法对比,结果更为理想,能有效的减小冲突证据的不良影响,同时具有较高的收敛速度,降低了决策风险,仿真结果表明,算法有效、可行。     

基于时空信息融合的复合引信目标识别方法

针对传统导弹引信不能有效识别目标的问题,提出了基于时空信息融合的复合引信目标识别方法。该方法利用BP(Back Propagation)神经网络获取基本概率赋值,根据时空信息融合算法进行证据组合,最后通过Dempster决策规则得到复合引信目标识别结果。实践表明,利用该方法进行复合引信多传感器信息融合,能够提高引信对空中目标的识别率。     

基于证据组合理论的多传感器目标识别算法

为了提高多传感器目标识别的准确性，提出了证据加权数据融合的新方法。给出了证据理论的基本概念、组合规则、加权证据组合及决策规则，同时给出简单的多传感器信息融合模型。针对战场环境下多传感器系统获得的辐射源信息。通过仿真给出了文中方法的目标识别步骤及识别结果．仿真结果表明该算法提高了目标识别的准确性和有效性。减小了识别的不确定性。     

基于复合冲突的临近空间平台效能评估算法

针对目前临近空间平台效能评估研究中出现的评估指标体系不够完善、评估方法不够成熟的问题,在对临近空间平台效能评估指标体系进行改进完善的基础上,提出了一种基于复合冲突的 D-S证据理论的效能评估算法,该算法有助于辅助指挥员进行快速作战决策,仿真验证表明该算法简单易行,融合速度快,能够有效克服单一冲突表示方法的“死角问题”,并且解决了经典D-S理论对高冲突证据组合时出现的悖论问题。     

基于改进 D-S 证据理论的海上信息融合方法

针对经典D-S证据理论在实际海上态势分析中对高冲突的证据融合结果准确性较低的问题,提出一种改进D-S证据理论的数据融合方法.通过基于万有引力定律的证据距离公式来衡量证据之间的冲突程度,将冲突较大的融合结果赋予较小的权重,并通过海上武器识别案例进行融合.结果表明,该方法证据冲突越明显,优势越大;证据之间冲突较小时,其融合结果和经典D-S证据理论一致,并具有更高的准确度和稳定性.     

多传感器目标识别的神经网络与证据理论结合方法

FMM人工神经网络在模式识别和分类中具有独特的优势，D-S证据理论在多传感器决策融合上具有优势。提出了一种FMM神经网络与D-S证据理论相结合的多传感器数据融合目标识别方法，给出计算机仿真结果，表明该方法可以克服单一传感器ATR系统的局限性，提高对目标的识别率和系统的容错性。     

P 距离确定信息量的证据合成方法

针对D-S证据理论在对高度冲突的证据进行融合时可能出现与直觉相悖的情况,在对一些经典改进方法分析的基础上,提出一种基于P距离确定信息量的证据合成方法。在保证各证据之间冲突整体最小的情况下,建立证据权重分配模型,利用遗传算法求出权值,根据权值确定各证据的可取信息量,对基本概率分配函数进行转化。实例分析表明,改进的D-S算法具有抗干扰能力强和决策风险低等特点,能提高证据组合结果的可信性。     

基于D-S证据理论的空中目标威胁度排序模型

将数据融合领域的D-S证据推理理论应用于空袭目标威胁程度的评估.先针对各决策者关于相应方案在某属性上的评语集,利用证据组合公式进行信息融合,形成该方案在属性上的群体偏好信息,接着求出关于该方案在属性上的确定性评价值,最后针对得到的确定性多属性决策问题,利用加权法或理想点法进一步对方案进行最终的排序.     

基于神经网络与改进D—S证据理论的目标识别

研究基于神经网络（NN）和D—S证据理论相结合对多传感器多测量周期进行数据融合的目标识别方法．采用中心式融合算法，利用神经网络对单个传感器不同周期的目标进行融合识别；利用D—S证据理论对识别信息进行全局融合，得到综合的目标识别，达到对目标识别的目的，并通过实例证明了该方法的有效性．