基于模糊集合的证据理论信息融合方法

提出了一种利用模糊集合确定概率分配函数（mass函数）进行信息融合的方法。该方法首先构造出融合对象的模糊集合,然后以隶属度函数为基础计算出概率分配函数,再利用D-S规则对多传感器信息进行融合。汽车轮胎压力监测的实验表明该方法获得的mass函数在信息融合中的有效性。     

基于D2S 证据理论的移动机器人 多传感器信息融合方法研究与应用

针对全自主式移动机器人，以首届CCTV全国机器人电视大赛为背景，提出了通过D-S证据理论和模糊集合理论相结合的方法，对多传感器信息进行融合，较好地解决了机器人在复杂环境下运动的多传感器信息融合问题，实现了移动机器人的准确定位。     

D-S证据理论的多传感信息融合方法研究与应用

针对全自主式移动机器人,以首届CCTV全国机器人电视大赛为背景,提出了通过D—S证据理论和模糊集合理论相结合的方法,对多传感器信息进行融合,较好地解决了机器人在复杂环境下运动的多传感器信息融合问题,实现了移动机器人的准确定位。     

一种基于证据理论和模糊集合的信息融合方法

针对证据理论应用中基本概率分配函数难以确定和多传感器之间相互支持程度计算绝对化的问题,提出了一种基于证据理论和模糊集合(FSB-DS)的信息融合方法。该方法首先利用相关性函数定义不确定信息的模糊支持区间和模糊支持概率,然后由隶属函数得到各个传感器提供信息的可信度,再将支持度和可信度转化为基本概率分配函数,最后进行D-S证据合成。仿真实验表明,该方法获得的结果具有更高的精度和可信度。     

基于加权证据理论的模糊信息融合目标识别

在异类多传感器信息融合目标识别中,不同传感器对系统提供的证据等级不同。为此,提出一种模糊信息融合目标识别方法。将各证据按证据权进行转化,用Dempster-Shafer(D-S)证据理论进行合成,利用模糊数学模型对传感器测量值和数据库中的数据进行建模,根据证据距离得到各证据的相互支持度,进而获得传感器对系统提供信息量的权重。分析结果表明,该方法具有较高的精度和可靠性。     

一种基于神经网络和证据理论的信息融合算法

针对目前多传感器系统中常用的信息融合方法,识别率较低、网络稳定性不好、不能很好地处理不确定性等问题,提出一种基于神经网络和DS方法的信息融合算法。该方法兼顾神经网络和DS推理二者的优势,有效地解决了目前信息融合方法对大噪声不确定性传感器测量信息的误识别问题。仿真实验结果验证了该算法在提高目标识别率和抗噪能力方面的有效性。     

基于证据理论的多传感器加权融合

多传感器数据融合多基于证据理论进行加权,但识别框架确定和基本可信度分配是关键.本文简述了证据理论并分析了总均方误差最小意义下加权融合的缺点,在引入抽象传感器的基础上,根据M函数的区间覆盖次数进行基本可信度分配,确定对历史数据和各个传感器的支持度,然后进行加权融合.仿真表明,这种基于证据理论的多传感器加权融合方法只需要很少的先验信息,但具有较好的融合效果和鲁棒性.     

证据理论应用于多传感器融合不确定性分析

对多传感器数据融合中的不确定性,采用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论作为基本工具进行了分析研究,并针对该理论的不足采用了修正的合成规则,通过实例运算表明该方法能够对传感器所提供的不一致证据进行纵使,并使组合结果更加直观。     

基于证据理论和融合信息的道路分割方法

本文介绍了一种基于彩色和距离图像的综合信息并以Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论为融合工具的道路分割方法，通过对比实验说明了此分割方法提高了分割的准确性。     

基于证据理论的多分类器融合方法研究

证据理论是建立在独立性假设基础上,理论和实际应用都需要突破这一限制。最近提出的一种相关证据模型认为,两个相关证据由一个相关源证据分别与两个独立源证据通过正交和合成得到,相关证据的合成可以归结为这三源证据的正交和,为此首先要由相关证据和相关源证据辩识独立源证据,这是证据理论中的反问题,其解是否有意义取决于相关源证据是否合适。该文给出一个充分条件,如果相关源证据满足此条件,反问题有唯一有意义的解,在此指导下,研究了字符识别中的多分类器融合问题,实验结果表明,识别性能优于传统证据理论方法。     

基于D-S证据理论的信息融合算法

针对现有D-S证据理论算法在信息融合应用中缺乏系统性的问题,提出了一种基于D-S证据理论的层次式融合算法。该算法模型采用多维属性信息的分域、层次融合方式,利用初始信息确定高层融合所需的概率分布的近似算法对数据进行融合处理,并对于可能存在的证据冲突问题,给出了算法的修正。仿真结果表明,该算法收敛速度快,准确度高,在低虚警率下具有较好的检测率。     

多值直觉模糊集信息融合研究

多值直觉模糊集是对直觉模糊集的拓展,较传统直觉模糊集在描述不确定、不精确、信息不完全问题时的能力更强。但如何将多值直觉模糊集中的多个隶属度与非隶属度进行融合,进而得到综合的评判准则,这是在应用多值直觉模糊集合分析问题时首先要解决的问题之一。现对此问题进行了研究,并为其构造了几种融合方法。     

基于Vague集的多目标模糊决策方法

提出了一种新的基于Vaguc集的多目标模糊决策算法,解决了文献[1]和[2]所存在的缺陷,并通过实例验证,而且定义的函数涵义明确。     

基于模糊集合理论数据融合的气体识别方法研究

本文研究采用数据融合技术的智能嗅觉系统,给出系统结构,工作原理以及基于模糊集合理论的数据融合方法,并通过仿真,说明实际应用过程。     

一种基于D-S证据理论的多指纹信息融合技术

在阐述多指纹信息融合理论的基础上,提出了带反馈并行的多指纹信息融合算法,实验结果表明,此方法能解决脱皮、有伤痕等低质量指纹识别困难、识别率低问题,该技术可使系统的识别率达到90％以上,比单指纹特征识别的识别率提高20％～30％,不仅具有很强的有效性及纠错性,而且具有广泛的应用领域及推广价值。     

模糊推理和聚类分析的信息融合应用研究

针对采用多传感器信息融合在可视化远程监控系统中的应用,提出了一种基于聚类分析和模糊推理算法。运用多传感器信息融合模型建立二级数据处理单元系统,对环境信息进行多方面监测。聚类分析和模糊推理算法为准确地判断环境状态提供依据,进而达到校园公共环境的监控和预警。     

基于模糊集和DS证据理论的信息安全风险评估方法*

在信息安全风险评估过程中,存在着很多不确定和模糊的因素,针对专家评价意见的不确定性和主观性问题,提出了一种将模糊集理论与DS证据理论进行结合的的风险评估方法。首先,根据信息安全风险评估的流程和要素,建立风险评估指标体系,确定风险影响因素;其次,通过高斯隶属度函数,求出专家对各影响因素的评价意见隶属于各个不同评价等级的程度;再次,将其作为DS理论所需的基本概率分配,引入基于矩阵分析和权值分配的融合算法综合多位专家的评价意见;最后,结合贝叶斯网络模型的推理算法,得出被测信息系统所面临的风险大小,并对其进行分析。结果显示,将模糊集理论和DS证据理论应用到传统贝叶斯网络风险评估的方法,在一定程度上能够提高评估结果的客观性。     

证据论与约集论

约集论用于处理模糊性与不确定性.在某些方面,它同Dempster-Shafer的证据论相重迭,但约集论使用分划来描述约集、下界近似及上界近似,从而获取知识表示中的不确定性,而证据论使用证据函数来实现同一目的.该文针对两个理论表述上的差异,揭示出其内在的关系,以有助于人们对两者的理解,从而为开拓它们的应用铺平道路.此外,在证据论中,组合证据的基本操作是正交和,而在约集论中,基本操作是分划的交,因而存在“证据组合是否对应于分划的交”的问题.通过一个例子来说明回答是否定的.