基于D-S证据理论的审计证据评价系统设计

在信息技术迅速发展的背景下,利用计算机技术进行审计证据的处理与评价具有重要意义。D-S证据理论能够进行不确定性推理,可以用于处理审计证据判断的不确定性,因此开发基于D-S证据理论的审计证据评价系统是可行的。在阐述D-S证据理论基本原理的基础上,分析审计证据评价系统的功能需求,设计系统的功能结构,阐述审计证据合成模块的程序流程,并基于B/S结构实现该软件系统。该系统能够提高审计证据的证明效力,降低审计风险。     

D-S证据理论在驾驶行为决策中的应用

利用仿生学原理、D-S证据理论、模糊数学知识和产生式规则,研究了一种决策级多传感器信息融合算法。经仿真验证,此算法实时性好,能表示驾驶员的不确定性经验知识,克服其认知局限性,模拟其驾驶行为决策,快速、准确地确定车辆的运行模式,在一个或多个传感器失效的情况下也能保证一定的综合性能,具有良好的容错能力。同时,该研究也为智能车辆自动驾驶系统的仿真及实现提供了基础性理论依据。     

D-S证据理论中一种冲突证据的融合方法

针对D-S证据理论对于高冲突证据融合失效的问题,基于证据加权平均处理的方法,对D-S算法进行了改进。提出了一种新的相似度函数来表示证据的相似度,并通过归一化处理得到证据的支持度,对证据进行预处理,再采用Dempster规则融合证据。通过数值验证并与其他的改进算法对比,结果更为理想,它能有效地减小伪证据的不良影响,同时具有较高的收敛速度,降低了决策风险。对新的相似度函数进行分析,证明了改进算法的合理性。     

D-S证据理论在数据融合中的应用及改进

对证据合成的基本原则和D-S合成公式作了分析,针对D-S算法实现过程中存在的失效问题提出了解决的方法,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提供的不一致证据进行组合,并使组合结果更加直观.     

利用模糊推理的证据理论信息融合算法

证据理论具有比较强的理论基础,能处理随机性或模糊性所导致的不确定性。但证据理论应用中基本概率分配函数（mass函数）难以确定,针对这一问题,提出了一种基于模糊推理的证据理论信息融合算法。该方法利用模糊理论中的高斯隶属度函数来获得模糊观测下具有概率特性的似然函数,并且由此似然函数得到每个传感器提供信息的可信度;再将各传感器的可信度转化成基本概率赋值函数即mass函数;最后利用证据理论对多传感器信息进行融合。对目标识别的仿真试验表明该方法获得的结果比直接结果具有更高的精度和可靠性。     

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.     

D-S证据理论信息融合在故障诊断中的应用

介绍D-S证据理论信息融合算法的基本原理,研究D-S证据理论信息融合理论在电子设备故障诊断中的应用,它可有效地提高故障模式的识别能力,克服单一信息诊断的片面性和孤立性.     

D-S证据理论在移动机器人信息融合中的应用

移动机器人的自动能力中实时避障和导航是一个很关键的技术,研究中主要的问题是：机器人在运动时需要充分的环境信息,而且处理这些信息的速度要快,同时也要满足实时性的要求。详细介绍了将D-S证据理论应用于移动机器人对未知环境的探索、感知过程,并通过仿真结果对D-S证据融合方法的性能进行研究与改进,确定了D-S证据融合方案的具体实现步骤,并完成了一个简化的仿真算例,得出了相关结论。     

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。     

D-S证据理论在决策支持系统中的应用

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。证据理论能够对各自独立的证据加以综合给出一致性结果,并能处理具有模糊和不确定信息的合成问题,最终达到信息互补。与其他推理方法相比更符合人类思维决策过程。为此,提出一种基于D-S证据理论的灾害决策支持方法,并根据试验结果验证了该方法的有效性和可行性。     

基于模糊理论的多传感器信息融合算法

D-S证据理论作为一种重要的不确定性推理理论,为处理传感器信息的模糊性及不确定性提供了很好的解决方法。但各个证据中的基本概率分配函数（mass函数）如何生成,仍是人们需要解决的问题。针对这一问题,提出了一种基于模糊理论中的高斯隶属度函数来得到传感器提供信息的可信度,计算了各个传感器之间的相互支持度;将各传感器的可信度和支持度转化成mass函数;利用证据理论对多传感器信息进行融合。仿真试验表明该方法能够有效提高识别的准确性和可靠性。     

冲突证据融合方法的研究与改进

研究了D-S证据理论组合冲突证据时存在的缺陷,分析了国内外专家学者的研究成果,并在此基础上提出了一种改进的处理冲突证据的融合方法.该方法通过计算各证据到命题平均支持度的偏差来检测和融合冲突证据,并对最后结果进行了必要的修正,以解决来自不同识别框架的证据的合成问题.实验结果表明,该方法能有效处理冲突,得到符合实际的组合结果,相对于其它典型算法,该方法在收敛性和可靠性上有了明显改进.     

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。     

扩展D-S证据理论在入侵检测中的应用

网络异常行为检测是入侵检测中不可或缺的部分,单一的检测方法很难获得较好的检测结果。针对经典D-S证据理论不能有效合成高度冲突证据的不足,提出将基于改进的加权D-S证据组合方法应用到网络异常行为检测中,并融合多个SVM,建立新的入侵检测模型。该方法通过引入平均证据得到权重系数,以此区分各证据在D-S融合中的影响程度,因此能有效解决证据的高度冲突。仿真结果表明,与传统的基于D-S证据理论的异常检测相比,本模型能够有效提高融合效率,进而提高检测性能。     

基于改进权重的D-S证据理论的动态负载平衡算法

针对大型网络游戏中易出现的服务器集群负载不均衡的问题,提出基于改进权重的D-S（Dempster和Shafer）证据理论的负载平衡判别策略。首先,根据D-S证据理论,将影响服务器性能的多因素作为判据,利用历史数据与阈值大小的比较规则计算动态权重,再依据动态权重与原始信度的关系建立基本信任函数;然后,计算不同判据对应结果的信任函数,使用证据合成规则作深层融合;最后分析合成结果,最终推断服务器是否超载。模拟实验结果表明,与基于负反馈机制的动态均衡算法相比,所提算法的准确率更高,更符合真实情况;且所提算法的运行时间明显少于基于负反馈机制的动态均衡算法以及加权循环算法。实验结果表明,新算法有效缩短了运行判断的延迟,能够根据历史参数对当前服务器负载情况快速作出推断,且决策结果可信度高,更符合实际情况。     

基于D-S证据理论和BP神经网络的多传感器信息融合

针对多传感器信息融合的基本可信度分配在实际应用中难以解决的问题,提出了一种基于D-S证据理论与BP网络相结合的多传感器信息融合的改进方法。该方法充分发挥BP神经网络自学习、自适应和容错的能力,利用BP神经网络处理证据理论的基本可信度问题,再利用D-S证据理论来处理不精确、模糊的信息。最后通过一个实例证明了该方法的有效性。