基于Dezert-Smarandache理论的递归目标识别融合方法

多源信息融合的一个主要应用方向是目标识别, Dezert-Smarandache理论(DSmT)是一种有用的不确定推理方法, 能较好地解决强冲突情况下的信息融合问题. 在经典DSmT的融合过程基础上提出3种递归时空信息融合的方法: 集中式、分布式无反馈和分布式有反馈的融合方法. 当系统引入完整性约束条件时, 需要采用证据的冲突系数来确定组合顺序, 这在一定程度上克服了混合DSm组合规则不满足结合律的缺陷. 最后用数值算例说明了本文所提出方法的有效性.     

基于DSmT的序列图像智能融合目标识别方法

提出了一种基于BP神经网络和DSmT推理的序列图像目标识别算法。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DSmT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,融合方法提高了三维飞机目标识别的准确性。     

解决冲突证据的两级组合方法

针对DS理论(DST)中Dempster组合规则在处理高冲突证据时的不足,提出一种解决冲突证据的两级组合方法。该方法将高冲突和低冲突区别对待,在第一级组合中采用基于DSm理论(DSmT)的PCR6规则,化解可能的高冲突证据;在第二级组合中采用Dempster规则,保证良好的收敛速度和计算性能,从而合理、有效地处理各种程度的冲突证据。通过算例分析验证了该方法的有效性。     

一种改进的DSmT及其在目标识别中的应用

与D-S理论相比,DSmT可以很好地解决证据矛盾时的证据组合问题,但是DSmT在很多情况下主焦元mass函数难以收敛。在标准DSmT的框架下,将其融合后的mass函数进行重构,从而提出一种改进的DSmT,该算法的主焦元mass函数可以快速收敛。在进行二维飞机序列图像的目标类型识别中,该改进DSmT进行迭代运算,可使主焦元的mass值快速收敛到指定的阈值,以便完成准确的目标识别。     

DSm组合规则的改进及其在直觉模糊集上的拓展

DSmT在组合结果中保留了冲突焦元,一方面提高了组合冲突证据能力,另一方面造成了冲突信息的积累,促使分配给主焦元的信度不合理地减小,导致组合信息的不确定性增加,不利于决策。针对DSm T存在的缺陷,提出了一种新的基于冲突再分配的组合规则。为进一步提高DSmT处理冲突、模糊和不精确信息能力,研究了DSm T在直觉模糊集上的拓展,将传统的信度赋值函数替换为直觉模糊信度赋值映射,并讨论了直觉模糊拓展后的信度组合规则。数值实例验证了所提方法的有效性。     

DST与DSmT组合规则方法的研究与比较

本文介绍了DST和DSmT理论的基本概念及其适用模型,分析了Dempster、DSmH和PCR5三大规则的具体实现方法;采用这三种组合规则计算给出的两组数据,并对数据进行分析比较,得出不同的组合规则应用于不同情况的数据融合情况的结论。     

DSmT混合规则的高复杂度优化

针对DSmT混合规则计算和存储复杂度高的问题，提出一种矩阵计算法。该算法对辨识框架的基本元素进行集合编码，从而简化混合规则的组合过程。实验结果表明，该算法使执行时间随辨识框架大小呈指数增加，随证据源数目和焦元数呈线性变化，能有效避免高复杂度。     

DSlT：面向传感网信息融合的证据推理方法

无线传感器网络信息融合技术是近期的研究热点和难点,其面临的主要挑战包括：对高冲突信息的处理以及算法轻量级的要求.从降低计算量和处理冲突信息2方面考虑,提出一种基于逻辑表达的证据推理方法DSlT.通过对信息的逻辑表达保留了信息中的冲突部分,提出基于逻辑运算的证据组合规则,能较好地适应高冲突证据间的融合;通过定义新的焦元,有效地减少了焦元组合数目,从而大大降低了计算量.采用算例分析和真实场景实验2种方法分别对DSlT推理方法进行验证：算例分析表明DSlT能显著提升高冲突信息融合性能,同时在执行3维证据融合运行时间对比中,DSlT比DSmT减少了81.08%;在以图像传感器网络交通信息采集为背景的真实场景实验中,通过将本方法与DST,DSmT等典型融合方法进行比较,进一步表明了该方法的有效性和先进性,也展示出该方法在无线传感器网络信息融合领域的较大应用潜力.     

复杂装备退化状态早期识别方法研究

针对复杂装备早期退化状态难以识别的问题,提出一种将相关向量机(RVM)和Dezert-Smarandache 理论(DSmT)相结合的多特征融合决策识别方法;该方法首先分别采用时域分析法和时频域小波包变换法对装备的状态特征进行提取;之后将状态特征向量输入RVM模型中完成对状态属性的判定并获得各种状态模式的基本置信度分配;最后依据DSmT的PCR6规则对含有冲突信息的多个识别结果进行决策融合,得到早期退化状态的最终识别结果;在对某航空机电设备的实例应用中表明,该方法可以有效地解决信息高冲突条件下的早期退化状态识别问题,结果可靠准确。     

基于冲突再分配DSmT的多尺度融合边缘检测算法

由于实际景象地物特征复杂,单一尺度边缘检测算子提取的边缘与噪声点测度差异小,因此将导致细小地物与噪声相互掺杂,边缘提取不准确的现象。针对此问题,提出了一种基于冲突再分配DSmT的多尺度融合边缘检测算法。首先提取图像多尺度边缘测度,接着提出双向指数映射基本置信指派构造方法构造多尺度边缘测度基本置信指派,然后采用冲突再分配DSmT组合规则对多尺度边缘置信指派进行融合,最后根据融合后的边缘置信指派图通过双阈值法确定边缘像素。通过对可见光和合成孔径雷达（SAR）图像的仿真实验表明,该算法相比单一尺度的Canny算子在边缘提取过程减小了误检和漏检边缘点数目,在抑制噪声的同时,大量保留了景象细节信息。     

DSmT与DST融合门限改进方法

Dezert-Smarandache理论（DSmT）是一种能够高效实现多源信息融合,成功处理强冲突证据源的数据融合方法,而Dempster-Shafer理论（DST）在证据源冲突低时的融合效果好,运算代价低。将两种技术结合,在冲突距离函数变化率较低时采取DST证据理论,反之采用DSmT融合算法是一种提高信息融合效率的可行方式。研究人员对DSmT和DST二者的单点值转换门限方法已做了探讨,针对单点值门限方法的不足,提出了将冲突距离函数作为判别依据来确定转换门限的方法。该方法有很强的适应性,根据不同的证据组合,能划分是单点值门限还是多点值门限。     

An evidence clustering DSmT approximate reasoning method for more than two sources

Due to the huge computation complexity of Dezert–Smarandache Theory (DSmT), its applications especially for multi-source (more than two sources) complex fusion problems have been limited. To get high similar approximate reasoning results with Proportional Conflict Redistribution 6 (PCR6) rule in DSmT framework (DSmT + PCR6) and remain less computation complexity, an Evidence Clustering DSmT approximate reasoning method for more than two sources is proposed. Firstly, the focal elements of multi evidences are clustered to two sets by their mass assignments respectively. Secondly, the convex approximate fusion results are obtained by the new DSmT approximate formula for more than two sources. Thirdly, the final approximate fusion results by the method in this paper are obtained by the normalization step. Analysis of computation complexity show that the method in this paper cost much less computation complexity than DSmT + PCR6. The simulation experiments show that the method in this paper can get very similar approximate fusion results and need much less computing time than DSmT + PCR6, especially, when the numbers of sources and focal elements are large, the superiorities of the method are remarkable.     

DSmT框架下的自适应通用分配法则

针对Dempster-Shafer证据理论（DST）及Dezert-Smarandache证据理论（DSmT）均无法处理不确定信息的问题,定义了辨识框架中的不确定因子,通过深入分析比较DSmT框架下的各个冲突分配法则（PCR）,提出了一种基于PCR2的自适应通用分配法则（AUPR）,并根据声纳的数学模型构造了一组新的声纳信度赋值函数（gbbaf）,用以描述声纳获取的不确定和不精确信息,甚至于高冲突信息。最后,以Pioneer 2-DXe机器人为实验平台,绘制了实验场景的各种信度分布图。实验结果充分验证了所提方法的有效性和实用性,为信息融合理论中如何处理不确定信息提供了有力的理论依据。     

多源冲突证据的智能融合算法研究

与Dempster-Shafter理论（DST）相比,Dezert-Smarandache理论（DSmT）通过保留证据冲突项作为数据融合的焦元,从而可以很好地解决在证据发生高冲突情况下的信息融合问题。但是因为DSmT算法增加了矛盾焦元,致使推理过程中的计算量加大,更容易产生焦元爆炸的问题。针对上述问题,提出一种结合两者优点的DST-DSmT智能算法。该算法以证据之间的冲突质量作为判断依据,当冲突质量较小时采用DST算法,反之则采用DSmT算法,以期在保证融合效果的情况下,减小计算量。以P2-DX机器人为实验平台,以具体算例验证了方法的正确性和有效性。     

兼顾特征级和决策级融合的场景分类

针对单一特征在场景分类中精度不高的问题,借鉴信息融合的思想,提出了一种兼顾特征级融合和决策级融合的分类方法。首先,提取图像的尺度不变特征变换词包(SIFT-BoW)、Gist、局部二值模式(LBP)、Laws纹理以及颜色直方图五种特征。然后,将每种特征单独对场景进行分类得到的结果以Dezert-Smarandache理论(DSmT)推理的方式在决策级进行融合,获得决策级融合下的分类结果;同时,将五种特征串行连接实现特征级融合并进行分类,得到特征级融合下的分类结果。最后,将特征级和决策级的分类结果进行自适应的再次融合完成场景分类。在决策级融合中,为解决DSmT推理过程中基本信度赋值(BBA)构造困难的问题,提出一种利用训练样本构造后验概率矩阵来完成基本信度赋值的方法。在21类遥感数据集上进行分类实验,当训练样本和测试样本各为50幅时,分类精度达到88.61%,较单一特征中的最高精度提升了12.27个百分点,同时也高于单独进行串行连接的特征级融合或DSmT推理的决策级融合的分类精度。     

Fusion of imprecise qualitative information

In this paper, we present a new 2-tuple linguistic representation model, i.e. Distribution Function Model (DFM), for combining imprecise qualitative information using fusion rules drawn from Dezert-Smarandache Theory (DSmT) framework. Such new approach allows to preserve the precision and efficiency of the combination of linguistic information in the case of either equidistant or unbalanced label model. Some basic operators on imprecise 2-tuple labels are presented together with their extensions for imprecise 2-tuple labels. We also give simple examples to show how precise and imprecise qualitative information can be combined for reasoning under uncertainty. It is concluded that DSmT can deal efficiently with both precise and imprecise quantitative and qualitative beliefs, which extends the scope of this theory.     

A new DSmT combination rule in open frame of discernment and its application

A new combination rule based on Dezert-Smarandache theory (DSmT) is proposed to deal with the conflict evidence resulting from the non-exhaustivity of the discernment frame. A two-dimensional measure factor in Dempster-Shafer theory (DST) is extended to DSmT to judge the conflict degree between evidence. The original DSmT combination rule or new DSmT combination rule can be selected for fusion according to this degree. Finally, some examples in simultaneous fault diagnosis of motor rotor are given to illustrate the effectiveness of the proposed combination rule.     

一种飞机图像目标多特征信息融合识别方法

提出了一种基于概率神经网络(Probabilistic neural networks, PNN)和DSmT推理 (Dezert-Smarandache theory)的飞机图像目标多特征融合识别算法. 针对提取的多个图像特征量,利用数据融合的思想对来自图像目标各个特征量提供的信息进行融合处理.首先,对图像进行二值化预处理,并提取Hu矩、归一化转动惯量、 仿射不变矩、轮廓离散化参数和奇异值特征5个特征量;其次, 针对DSmT理论中信度赋值构造困难的问题,利用PNN网络,构造目标识别率矩阵,通过目标识别率矩阵对证据源进行信度赋值;然后,用DSmT组合规则在决策级层进行融合,从而完成对飞机目标的识别;最后,在目标图像小畸变情形下, 将本文提出的图像多特征信息融合方法和单一特征方法进行了对比测试实验,结果表明本文方法在同等条件下正确识别率得到了很大提高,同时达到实时性要求,而且具有有效拒判能力和目标图像尺寸不敏感性. 即使在大畸变情况下,识别率也能达到89.3%.     

基于DSmT的通侦信息融合

针对通侦信息不确定性、不完整性、模糊性和多变性等的特点,提出了基于DSmT方法的通侦信息融合模型。对融合问题进行了完备性描述,且引入完整性约束,实现了对通侦信息的动态融合,适应随时变化的战场信息。融合信息的多变性和冲突性得到了有效处理,同时降低了信息的不确定性、不完整性和模糊性。实验表明该方法可得到比较有价值和较高可信度的结论。