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。     

一种改进的基于权重系数的证据合成方法

针对D-S证据理论在多传感器目标识别系统中对证据高度冲突时会产生有悖于常理的结果的问题进行了研究,对现有的方法基础上给出了一种改进的融合算法。该算法通过引入证据可信度门阈值提高了证据合成的可靠性和合理性,可得到更为理想的合成结果。最后通过算例比较表明:该改进算法的有效性。     

基于证据可信度的综合目标识别方法

为了解决多传感器综合目标识别中不同等级信息源数据的融合问题,在研究D—S证据理论的基础上,引入证据可信度矩阵。依据可信度矩阵对证据进行转化,使之可以用传统的方法进行证据融合。将这种方法应用到等级不同的多传感器综合目标识别中,可以解决传统证据理论只能进行相同等级传感器目标识别的难题。仿真实验表明:该方法提高了目标识别的准确性和有效性。     

基于证据理论的多传感器加权融合改进方法

针对多传感器系统中高冲突证据合成问题,考虑到传感器同时具有固有可靠性与实时可靠性的特点,基于证据理论提出了一种新的多传感器加权融合方法;该方法通过计算证据间的相似矩阵获取证据的后验权重,并结合根据传感器固有可靠性预先分配的先验权重,得到证据体的复合权重,然后据此对原始证据进行加权平均,最后利用D-S证据组合规则合成加权平均后的证据;实例仿真表明,与D-S、Yager、Murphy等方法相比,该方法能够更好地处理高冲突证据,且收敛速度更快。     

一种基于可信度矩阵的多传感器目标识别方法

为了解决多传感器目标识别中不同等级信息源数据的融合问题,在研究DSmT证据理论的基础上,引入证据可信度矩阵.依据可信度矩阵对证据进行转化,使之可以用传统的方法进行证据融合.将这种方法应用到等级不同的多传感器目标识别中,可以解决传统证据理论只能进行相同等级传感器目标识别的难题.仿真实验表明,该方法提高了目标识别的准确性和有效性.     

基于加权D-S证据理论的分布式多传感器目标识别

针对分布式多传感器环境下的目标识别问题，提出了一种基于加权D-S证据理论组合规则的决策融合方法。分析了多传感器目标识别系统的信息模型，指出传感器的决策可信度由其被支持度及与目标间的距离确定。将该可信度体现为加权D-S证据理论组合规则中的证据权值，综合考虑传感器支持度及其与目标距离，给出了权值确定方法。仿真实验证明方法提高了融合效率，可较快完成识别任务。     

一种基本概率指派的模糊生成及其在数据融合中的应用

DS证据组合规则可以在没有先验信息的情况下进行融合,这一优点使得DS证据理论在多传感器融合系统中应用非常广泛.但是各个证据的基本概率指派如何生成仍然是一个有待解决的问题.本文基于模糊匹配,提出了一种基本概率指派生成方法,并应用到多传感器目标识别中.用一个多传感器目标识别的实验表明:所提出的方法可以合理地生成基本概率指派,能够准确的识别目标.     

基于决策距离测量的D-S证据理论冲突处理方法

D-S(Dempster-Shafer)证据理论作为不确定性推理的有效工具,广泛应用于多传感器信息融合领域[1]。而D-S证据理论在证据高度冲突时,应用D-S合成规则可能得到有悖常理的结论。针对这一问题,从分析引起D-S冲突问题的原因入手,引入决策距离测量概念求取高度支持的最大传感器连接组,剔除互不支持的传感器信息,在此基础上应用D-S证据合成规则进行多传感器信息融合。实例表明,该方法能够克服D-S冲突问题,保证信息融合结果的准确度。     

煤矿带式输送机健康诊断方法

针对基于多传感器信息融合的煤矿带式输送机健康诊断方法运用D-S证据理论在处理冲突证据时失效的问题,提出了一种基于模糊证据理论的带式输送机健康诊断方法。该方法首先利用多种传感器采集带式输送机信息,并根据隶属度函数获取基本概率赋值,从而提取信息特征;然后通过对冲突证据进行修正并应用D-S证据理论的合成规则,实现基于模糊证据理论的信息融合;最后根据决策规则判断带式输送机运行状态。通过实例验证了该方法的有效性。     

一种改进的D-S证据理论合成方法

针对D-S证据理论计算量大和不能有效合成高度冲突证据的不足,提出一种基于加权和矩阵运算的证据组合方法。该方法通过引入权重系数区分不同证据在数据融合中的重要程度,因此能有效合成高度冲突的证据。同时,在证据合成过程中通过引入矩阵运算,有效地降低了算法的计算量。仿真结果表明,与传统的基于D-S证据理论的多传感器数据融合方法相比,改进方法不但能提高证据合成的可靠性和准确性,而且具有较小的计算量。     

基于主元证据理论在车辆识别中的应用

车辆识别技术作为智能交通管理系统中的研究热点和难点;在车辆识别技术中,应用Dempster- Shafer证据组合规则融合冲突信息时会产生不合理的结果;基于修正证据源的思想,提出了一种新的权重系数确定方法,该方法从证据主元角度分析,确定各组证据主元,利用该主元求出证据相容度、可信度,进而确定证据权重系数;通过新的证据冲突衡量方法,确定冲突值,归一化权重,修正证据源,按ER规则融合各组证据对目标进行识别;仿真部分以实际路面车辆车型识别为算例,将该方法与其他方法对比,结果表明:该方法能更有效地融合高度冲突的证据,减小计算复杂度,目标识别的准确性提高20%。     

空袭目标识别的证据理论方法

针对具有多个特征指标的空袭目标识别问题,利用向量夹角余弦提出了一种新的融合方法。该方法对参考模式和传感器获取信息的特征化向量进行规范化,利用传感器获取信息特征化向量与参考模式向量之间的夹角余弦,作为证据对各可能目标识别对象的基本概率指派,根据证据组合规则进行融合得到目标识别结果。实例分析验证了方法的有效性。     

基于STAMP的航空管制空中危险目标识别方法研究

为了保证航空管制中航空器的完整性,提高航空器的使用寿命,并且可以最大限度的保障航空乘客和其他航空人员的人身安全,需要对航空管制空中危险目标进行识别。但采用当前目标识别方法对空中危险目标识别时,识别系统对空中危险目标无法稳定识别,存在空中危险目标识别精度低的问题。为此,提出一种基于STAMP的航空管制空中危险目标识别方法。该方法先利用STAMP模型对航空管制空中危险目标识别系统各组成部分进行任务分配,然后采用Harris法对空中危险目标进行特征选择和提取,依据Mean-Shift法的Bhattacharyya系数,描述候选空中危险目标和空中目标的危险概率分布相似度,随着Bhattacharyya系数的不断增加,候选空中危险目标和空中危险目标的相似度越大,使危险目标跟踪系统朝着空中目标危险密度增大的位置移动,在最优位置收敛,从而实现空中危险目标跟踪,最后利用D-S理论对跟踪结果进行识别,通过引入空中目标危险性基本概率赋值函数获得空中目标危险基本概率,采用Dempster组合规则对空中目标危险证据进行合成,依据空中危险目标证据融合结果完成对航空管制空中危险目标的识别。实验仿真证明,所提方法增强了航空管制空中危险目标识别的效果,提高了航空管制空中危险目标识别的精度。     

一种新的证据组合规则应用于序列图像目标识别*

提出了一种新的证据理论组合规则,并结合BP神经网络和证据推理对序列图像目标识别问题进行应用.以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理.由BP神经网络对目标的初步识别结果构造基本置信指派函数,用该组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明,新的组合规则结合BP神经网络的融合方法提高了三维飞机目标识别的准确性.     

基于人工神经网络与证据理论相结合的数据融合中的辐射源识别方法研究

文章给出了一种基于人工神经网络与证据理论相结合的数据融合中的辐射源识别方法及其结构,并分析了该方法的性能。文中给出了实例,通过这个实例可以证明该方法在强噪声环境下具有良好的适应性,并可以得到较高的识别率。     

基于粗糙集和证据理论的目标识别方法研究

文章提出了一种基于粗糙集和证据理论的目标识别方法.首先对决策表进行约简得出决策规则,然后计算规则可信度分配和规则权重,最后根据改进的D-S合成规则进行规则合成,得到识别结果.     

基于置信距离的冲突证据合成方法

雷达目标识别中多源信息融合面临各种不确定冲突信息。为此,提出一种基于置信距离的冲突证据合成方法。在不改变D-S证据组合规则的前提下,考虑到证据之间的关联性,通过计算证据间的相似度和可信度,利用可信度的加权平均来代替冲突证据,从而消除冲突证据并进行信息融合。仿真实验结果证明,该方法能有效进行冲突证据的合成。     

证据理论与模糊函数相结合的弹道目标识别

以稳健性为原则,选定物理意义明确、提取难度较低、类别可分性强、特征值起伏度小的若干种特征进行弹道中段目标群的识别研究。通过建立各类特征的模糊隶属度函数,完成相应不同证据体的基本概率赋值。再利用重新定义的证据理论冲突系数,对冲突或较低可信度证据进行修正。最后,尝试将模糊函数与改进证据理论相结合的算法应用于弹道中段的目标识别,仿真结果表明该无监督模式识别方法能够可靠地识别出真实弹头,也更具有良好的泛化能力。     

Sensor dynamic reliability evaluation based on evidence theory and intuitionistic fuzzy sets

This paper presents a new method for sensor dynamic reliability evaluation based on evidence theory and intuitionistic fuzzy sets when the prior knowledge is unknown. The dynamic reliability of sensors is evaluated based on supporting degree between basic probability assignments (BPAs) provided by sensors. First, the concept of asymmetric supporting degree is proposed. By transforming BPAs to intuitionistic fuzzy sets, supporting degree between BPAs is calculated based on intuitionistic fuzzy operations and similarity measure. Then the relationship between dynamic reliability and supporting degree is analyzed. The process of dynamic reliability evaluation is proposed. Finally, the proposed dynamic reliability evaluation is applied to evidence combination. A new evidence combination rule is proposed based on evidence discounting operation and Dempster’s rule. Comparative analysis on the performance of the proposed reliability evaluation method and evidence combination rule is carried out based on numerical examples. The proposed method for data fusion is also applied in target recognition to show its feasibility and validity.