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。     

用D-S证据理论实现多传感器信息融合的一种改进算法

阐述了基于D-S证据理论的多传感器信息融合算法,提供一种基于D-S理论的改进方法以解决融合信息的相关性问题.用滑觉和热觉传感器作实验,对该方法的有效性进行了验证.     

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。     

多传感器信息融合利器——D-S证据理论初探

多传感器信息融合广泛应用于自动目标识别、战场监视、机器人、工业过程控制、遥感、图象处理、模式识别等领域。采用信任函数作为度量的证据理论可处理由不知道所引起的不确定性。本文对信息融合技术的概念以及重要融合方法进行初探。     

基于效用理论的多传感器智能融合

信息融合系统应综合考虑获取信息所要求的资源、计算复杂度和时间所需要的最小成本,提出了基于效用理论的传感器智能融合技术,利用期望效用最大化的观点来选择传感器,并与证据理论相组合,应用于目标识别,仿真结果表明该方法的有效性。     

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。     

基于改进贝叶斯粗糙集和证据理论的决策信息融合方法

针对决策信息信息表中新对象的分类问题,提出一种基于改进的贝叶斯粗糙集和证据理论的决策信息融合方法.对传统的贝叶斯粗糙集进行改进,扩展到多决策类,定义了支持度的概念以此反映确切分类的对象所占的百分比.利用贝叶斯粗糙集的支持度和置信增益函数作为证据的支持程度,得到各准则下的证据基本概率分配函数,并利用证据合成法则对多个证据进行合成,以此进行决策.将上述方法应用于设备故障的诊断问题中,通过方法的对比验证了该方法实践应用的有效性.     

基于改进D-S证据理论的多源空战信息博弈融合方法

多传感器系统与单传感器系统相比能够更大限度地获取被探测目标的信息量,但在空战中无人机传感器探测得到的数据在一定程度上具有欺骗性,利用博弈融合技术对多传感器数据进行融合,能够获得更加符合空战实际需要的信息。为此,研究了一种基于改进D-S(Dempster-Shafer)证据理论的多源空战信息博弈融合技术,在信息融合前采用Jousselme距离进行预处理,并利用费雪信息进行冲突数据博弈,所得策略集使空战数据更加可靠。在此基础上,根据邓熵方法对基于D-S证据理论的融合方法进行改进,与传统D-S证据理论方法相比,融合数据符合空战实际。最后对存在冲突的多源空战信息进行博弈融合仿真,仿真结果验证了该方法的可行性与优势。     

D-S证据理论的改进算法在时-空信息融合中的应用

研究基于D—S证据理论的时-空信息融合,即多传感器多测量周期的信息融合,给出了三种时-空信息融合的方法：集中式、分布式无反馈和有反馈的融合算法。采用这些传统的时-空信息融合方法时,最终的融合结果会产生概率分配过分集中的现象,而且证据冲突时还会产生有悖常理的结果。本文在传统证据理论的合成公式的基础上给出了一个有效的合成规则,并由此提出了改进的融合方法。证据冲突的概率按照各个命题的平均支持程度加权进行分配,从而提高了融合结果的可靠性与合理性。     

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。     

多传感器融合改进的机器人定位决策

在复杂的不确定环境里,采用单一传感器对机器人进行定位时精度较低,并且易受干扰,可靠性较差。针对这一问题在粒子滤波器移动机器人SLAM算法的基础上,利用多传感器融合对算法进行改进,将观测信息进行特征级融合,充分利用各种传感器采集的冗余信息,并将融合后的观测信息分别用来估计机器人路径和环境特征的后验概率分布。仿真试验表明,改进后的算法在SLAM定位精度及可靠性上都有较大的提高,证明了该种方法的可行性。     

基于证据理论处理移动机器人视觉信息的一种方法

本文阐述了一种表示多源视觉传感信息的有效方法和一种基于Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论的多传感器信息融合技术。着重分析了移动机器人视觉传感器信息中存在的相关性及其解决方法，提出了相关函数、相关证据等概念，并针对证据之间存在的相关性给出了一种改进的综合函数。     

基于粗集理论和证据理论的多源信息融合方法

本文针对多源信息融合问题，首先利用基于Kohonen网络的离散化算法和粗集理论对样本信息进行离散化和约简，形成了待决策问题的经验决策表．在此基础上，利用经验决策表以及粗集理论和证据理论的关系，计算了待决策信息的有关证据的基本概率指派和条件概率指派．最后，按照合成规则对上述条件概率指派进行了合成，并根据决策规则进行决策．实例研究表明，该方法实验结果令人满意．     

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。     

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.