基于 D-S 证据理论的地质雷达目标识别

D-S证据理论提供了一种解决多数据源不确定信息推理和融合的有效方法。为解决地质雷达目标识别信息的融合问题,采用D-S证据理论方法,先对目标进行雷达扫描,然后对可能的目标类型进行基本概率分配,最后利用D-S组合公式进行融合识别。试验结果验证了该理论在地质雷达目标识别上的有效性和可行性。     

基于BP神经网络和改进D-S证据理论的目标识别方法

针对应用经典D-S证据理论时,其关键参数基本概率赋值(BPA)往往凭主观经验获得,导致决策可信度低的问题,提出通过构建BP神经网络来获取基本概率赋值的方法。该方法利用BP神经网络强大的自学习和非线性映射能力,归一化输出值得到基本概率赋值。同时,为了解决高冲突度证据合成结果有悖常理的问题,提出一种基于证据信任因子的新的融合方法。根据证据的信任因子赋予其相应的权重,加权平均后得到期望证据,再进行合成。实验结果表明,该改进方法消除了高冲突度证据对合成结果的影响,具有更高的目标识别准确度。     

基于D-S证据理论的目标识别融合应用

基于D-S证据理论的目标识别融合系统,可以充分发挥多传感器信息的优势,提高目标识别结果的准确性.本文结合工程实践,分析地面目标融合识别过程中经典D-S证据理论方法处理数据出现的问题,发现使用D-S证据理论对于高冲突证据融合结果准确性较低.因此提出一种基于D-S证据理论的改进数据融合方法,将冲突因子与支持度标准偏差的相反数相乘,再与所有证据和乘积的正交相加,然后减去证据的基本概率的最大差.如果证据的冲突越大,这种方法的优势就越明显.如果证据中不存在冲突,则融合结果与原始D-S证据理论的项目一致.实验的比较数据表明,改进的信息融合方法对于改进解决冲突问题必不可少,并且是有效的.     

基于统计证据的mass函数和D-S证据理论的多传感器目标识别

mass函数表示对证据的精确信任程度,是信任函数的基本概率分配.文章在阐述Dempster-Shafer(D-S)证据理论和决策方法的基础上,较系统地论述了基于统计证据的mass函数和D-S证据理论的目标识别的数据融合方法,并给出了具体的识别实例.从计算结果可以看出,该方法有利于目标识别的实现,具有较好的实用性.     

D-S证据理论在审计证据融合中的应用研究

古典概率难以解释审计判断的不确定性,而D-S证据理论是进行不确定性推理的有效方法,因此应用D-S证据理论进行审计证据融合的研究。针对审计证据的组合问题,提出了基于三角形模糊隶属度函数的基本概率分配函数计算方法,给出了证据组合结果的判决规则,并通过实例验证了该方法的有效性。     

基于隶属度函数的决策层融合算法

虹膜识别对所采集的样本图像较为苛刻的要求所造成的高采集失败率和注册失败率是阻碍它推向大规模应用的重要原因,也是目前虹膜识别研究的难点问题之一。在适当降低虹膜图像采集质量要求的条件下,能够大幅降低采集失败率和注册失败率,但同时也降低了识别的性能。采用数据融合的方法,在识别的决策层引入对应的脸像特征模板的相似度判据,根据所提出的基于隶属度函数的决策层融合算法实现融合决策。实验结果表明,这种多生物特征融合决策的方法既可以使得虹膜的采集失败率和注册失败率保持在实际应用可以接受的程度,又能够使得整体的识别性能达到目前虹膜识别技术的水平。     

基于D-S证据理论的振动目标识别研究

提出了一种基于D-S证据理论对数据进行融合处理的方法.通过采用多个地振动传感器对人、车辆等目标发出的振动信号进行采集,然后对传感嚣采集到的地振动信号进行处理,解决目标识别问题并提高目标的识别率,实验结果表明文中提出的方法是有效的.     

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。     

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.     

基于最大隶属度的网络安全模型

结合免疫系统中多层防御机制和入侵行为中不确定性的特性,利用了改进的模糊识别的方法,提出了一种基于最大隶属度算法的网络安全管理模型。应用数学方法对该模型进行了描述,论证了应用该模型进行网络安全管理的可行性,实现了该系统的原型,并对该模型做了测试和评价,对其应用范围进行了展望。     

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。     

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。     

基于直觉模糊推理的目标识别方法

针对目标识别特征值的不确定性问题,提出一种基于直觉模糊推理的目标识别方法．首先,分析现有目标识别方法的不确定性与局限性,并对空中目标识别问题及目标特征进行描述;然后,设计系统状态属性变量的隶属度函数与非隶属度函数;最后,建立直觉模糊推理规则,设计推理合成算法和解模糊算法,并检验所建规则的合理性．仿真实例验证了所提方法的有效性与适用性．     

基于灰度关联的多传感器融合目标识别方法

为实现对多传感器目标识别系统中目标的正确分类,提出了基于灰技术理论的多传感器融合的目标识别方法。其中,单传感器识别采用计算待识别目标的灰关联系数和灰关联度,利用灰关联度的排序得到目标在时域上的识别,最后,利用各传感器灰关联度矩阵的范数得到多传感器信息融合的识别结果。计算实例验证了该方法的有效性。     

利用D-S证据理论进行特征融合的同义实体识别*

针对现实中同一实体存在不同表象的问题,提出一种基于D-S证据理论特征融合的同义实体识别方法。以搜索引擎为外部知识库获取实体特征信息,利用相似函数计算特征值,由D-S证据理论融合n个特征值,经阈值判断完成同义实体的识别。特征融合识别算法在医疗机构数据集上的识别精度、召回率和F值分别达到了85.80%、81.18%、83.43%,比单纯利用实体名的算法分别提高了4.09%、4.30%和4.21%。实验表明D-S证据理论将多特征融合,对同义实体识别具有更好的识别效果。     

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。