D-S证据理论合成规则的一些修正

在多传感器数据融合中,D-S证据理论对于处理不确定性问题是一种有用的方法。但是,D-S证据组合规则的一些不足影响了证据理论的应用。虽然Yager对此做了改进,但改进后的组合公式仍然存在问题。通过分析证据理论中关于冲突证据置信度分配中存在的问题,针对时域冲突的特点提出一种新的合成规则改进方法,由此弥补了D-S理论和Yager合成公式的不足,对于在时域上高度冲突甚至完全冲突的证据,能够取得理想的结果。     

D-S证据理论合成规则的一些修正

在多传感器数据融合中，D-S证据理论对于处理不确定性问题是一种有用的方法。但是，D-S证据组合规则的一些不足影响了证据理论的应用。虽然Yager对此做了改进，但改进后的组合公式仍然存在问题。通过分析证据理论中关于冲突证据置信度分配中存在的问题，针对时域冲突的特点提出一种新的合成规则改进方法，由此弥补了D-S理论和Yager合成公式的不足，对于在时域上高度冲突甚至完全冲突的证据，能够取得理想的结果。     

基于D-S证据理论的信息安全风险评估

采用Dempster-Shafer(D-S)证据理论处理信息安全风险评估中的不确定性问题,提出了基于D-S证据理论的风险评估模型。用改进的Dempster合成法则即对基本可信度分配使用"折扣率"的方法,对信息系统中存在的各种风险因素进行合成,处理风险因素中的不确定性,并通过仿真证明了该算法的正确性。最后,通过与模糊综合评判法进行比较验证了证据理论具有更高的准确性。     

利用奇异值和虚假度的证据组合方法

针对现有的修正证据源方法多从单一的角度对证据进行评价,存在一定不足的问题,提出了一种基于奇异值和虚假度的证据组合新方法.首先,利用证据的基本概率分配（BPA）矩阵最小奇异值来衡量两两证据之间的冲突,并以此为基础定义了证据的可信度;接着引入证据虚假度对可信度进行修正,进而生成证据权重;再利用分配的权重对各证据BPA进行加权平均;最后通过Dempster组合规则对加权平均后的BPA进行合成.数值算例结果表明,该方法能够有效地对冲突证据进行组合,且具有更快的收敛速度和更好的聚焦效果.     

基于神经网络与D-S证据理论的目标识别

针对目标识别中基本可信度分配需要专家知识在实际中难以实现的问题,提出一种基于神经网络和D-S证据理论相结合的多传感器数据融合的方法.该方法利用D-S理论来表示和处理不精确的、模糊的信息,发挥神经网络的自学习、自适应和容错能力,提高了系统识别率.最后通过实验,利用神经网络来处理证据理论中的基本可信度分配问题,对几种空中目标进行身份估计数据融合,经计算机仿真证实了该方法的有效性.     

基于粗糙集和D-S证据理论的云网络风险评估

提出了一种基于粗糙集和D-S(Dempster-Shafer)证据理论的云网络风险评估方法。该方法把云网络中针对虚拟机的网络攻击行为作为安全要素,首先,构建云网络风险系统,根据属性依赖度对云网络风险系统进行分解;其次,利用属性重要度对这些子风险系统进行约简;再次,利用粗糙集与D-S证据理论之间的联系,计算各个子风险系统的基本信任分配函数;最后,通过D-S证据理论的合成规则对多个证据进行合成,得到云网络所处安全状态的概率,从而评估云网络的风险。通过实例验证量化网络攻击行为对虚拟机层和物理机层的影响,结果表明,所提出的方法可以实现云网络风险评估。     

D-S证据理论的不足及其数学修正

针对D-S证据理论对高冲突证据融合得到有悖常理的无效结果问题,研究了国内外典型文献提出的各种改进方法,从原理上对其进行了组合规则的修正和证据源的修正两大分类,并对各种方法的不足进行了数理分析和总结.在此基础上引入证据信息容量和证据间距离函数来对各传感器提供的证据信息进行预处理,再对得到的新的证据信息用证据可信度作为权重进行加权融合.数值仿真实验表明:这种新的修正模型不但比较好地结合了两类改进方法的优点,在形式上和Dempster组合规则保持一致,而且能较好地处理冲突证据在信息交叉时的融合,取得了更加合理的效果,并且为D-S证据理论的完善提供了一个新的探索途径.     

证据相关对推理结果可信度影响研究

在可信度模型中,其结论不确定性合成公式要求两规则的证据是相互独立的,而在开发专家系统的实际过程中往往会碰到一些证据相关的情况,这就出现了公式不适用的问题.针对该问题,文中首先给出证据间相关性的定义,对证据间相关性进行数量化,然后把定义的相关性度量引入到原公式中,对可信度模型的结论不确定性合成公式进行了改进,之后给出了一个例子进行验证,将改进后的公式与可信度模型的结论不确定性合成公式进行了对比,结果说明了我们的改进是有效的,这样就解决了原公式的不适应问题,使推理的结果变得相对准确,提高了专家系统的应用效果.     

基于D-S理论的学生行为评价模型的研究

针对目前学生行为评价方法的可区分度较小、可信度低、方法单一的状况,综合运用了D-S信息融合技术,基于证据推理提出了一种新的学生行为评价模型。D-S理论是一种典型的不确定性推理和信息融合方法,它适用性强,应用广泛,能很好地表示和处理学生行为表现的不确定性信息。证据的基本可信度分配和不确定度的提取采用了函数映射的方法,在预先设定的门限条件下,采用基于基本可信度分配的决策方法进行评价结果的判定,使评价目标的不确定度大大下降,可区分度明显得到了提高,学生行为的评价结果明显得到了改善,从而增强了评价的可信度。     

基于改进的BP网络的D-S证据理论及其应用

目前,D-S证据理论凭借自身独特的处理不确定性问题能力,已在众多领域得到了广泛的应用。命题基本概率分配(BPA)的确定是D-S证据理论得以广泛应用的关键之一,将改进的BP网络运用到基本概率分配的确定过程中,使得BP网络和D-S证据理论两者有机地联合应用,这样既可利用D-S证据理论来表达和处理不确定信息,又可以充分发挥BP网络的自学习、自适应和容错能力。建立了基于BP网络的D-S证据理论的故障诊断模型,并给出了证据的融合算法。最后,仿真实验表明该模型可行。     

一种冲突证据的融合方法

针对D-S证据理论的冲突证据融合问题进行了研究,通过对证据进行冲突检验及修正弥补了D-S证据理论在处理冲突证据时的不足。采用了加性策略对事件进行排序的方法,找出证据支持最大的q个事件,就是最有可能是识别结论的q个事件,对其进行冲突检验及修正。解决了D-S证据合成方法组合冲突证据时出现的问题,保证了非冲突证据的有效合成。通过仿真试验表明该算法能有效地排除干扰,得出了符合实际的组合结果。     

基于新的证据冲突表示的信息融合方法研究

DS证据理论为不确定信息的表达和合成提供了自然而强有力的方法,被广泛应用于信息融合的各个领域。但是在证据高度冲突情况下常常会导致错误的融合结果。文章首先分析经典证据理论中冲突系数的不足,引入证据距离函数表示证据之间的差异性,并提出了一种新的证据冲突表示方法,能更有效地度量证据的冲突程度。而后基于新的冲突表示方法,提出了一种新的冲突信息融合方法,该方法保持DS组合规则不变,对融合结果进行修正,能够有效解决证据高度冲突情况下的信息融合问题。最后通过算例验证了该方法的有效性。     

基于交并集加权的证据组合方法及其应用

针对D-S证据组合规则在证据高度冲突时会导致错误结论这一问题,结合自动目标识别系统的实际需求,提出了一种新的证据组合规则.该方法首先将交集组合规则和并集组合规则进行适当加权,然后根据组合后的证据中各单元素命题的相对可信任度,将多元素命题的基本概率指派函数(mass函数)按比例分配给它的单元素子集,从而确保目标识别系统能够在单元素命题间进行决策.仿真结果表明,该方法能够有效地解决证据高度冲突情况下的目标识别问题.     

证据冲突的衡量方法研究

对于有冲突的证据,D-S证据理论无法使用或得出错误的结果,解决该问题的基础首先是研究证据冲突的衡量方法.分析了D-S证据理论在合成冲突证据时遇到的问题,定义了一些衡量证据间冲突程度的参数,包括证据一致度、证据冲突度、证据冲突强度、证据冲突/一致度等.通过实例证实了这些参数能够较好地说明证据间存在冲突的程度.     

一种新的证据复合折扣合成方法

D-S证据理论是一种重要的决策级信息融合方法,但传统的Dempster证据合成规则会导致一些与直觉相悖的结果.针对该问题,在经典的Shafer折扣方法基础上,提出了一种综合可靠性和重要性因素的复合折扣因子计算方法.该方法首先借助证据包含度合理地定义了证据可靠性度量;然后综合证据清晰度、证据一致性和证据积累程度等因素,建立了证据重要性模型;最后两者通过乘法算子共同构成复合折扣因子.实验结果表明,文章方法的证据处理过程与生物学研究中人的信息积累过程一致,能够解决证据合成中的悖论问题,合成证据可靠有效.     

一种改进的冲突证据判别方法

根据证据冲突程度选用不同融合规则可有效解决Dempster规则难以处理冲突证据的问题,但前提需要对冲突证据做出正确判别。分析了目前常见的几种冲突证据判别方法存在的局限,借鉴Murphy规则平均信度优先的设计思想,提出了一种改进的冲突证据判别方法。实例表明：采用这种改进的判别法衡量证据冲突对融合结果的影响,可获得满意的效果。     

D S证据理论在多传感器身份融合中的改进

D-S证据理论是一种处理不确定性问题的有效方法,但是D-S证据理论组合规则的一些不足影响证据理论的应用。通过深入研究Dempster组合规则存在的问题,文章提出了一种新的基于Dempster组合规则的改进方法,理论分析和数值实验结果表明,改进后的方法弥补了Dempster组合规则不足,并能提高合成结果的可靠性。     

基于改进D-S证据组合规则的目标识别算法

为了更好地解决高冲突证据的融合问题,提出一种3条证据直接融合的改进D-S算法.该算法首先根据证据支持贴近度函数给出识别框架下各焦元支持度的计算方法;其次根据三维证据直接融合产生的冲突因子的性质及各焦元的支持度,提出一种基于D-S证据组合规则的冲突信息加权分配算法;最后以多传感器多目标识别系统为背景进行仿真实验.理论分析和仿真结果表明,基于三维证据直接融合的改进D-S算法具有较强的抗干扰性能,能有效融合各种冲突信息,提高目标识别概率.     

基于信度函数的冲突证据组合新方法

为了有效地处理冲突证据,提出了一种基于信度函数的新方法．设计了一个证据信度函数,并用此函数来计算证据之间的后验权重分配．给出了先验权重和后验权重的合成方法,从而得到最终权重分配．采用最终权重对现有证据进行加权平均,并采用Dempster—shafer组合规则进行融合,从而得到最终融合结果．与其他方法相比,该方法考虑的因素更全面、适用性更强．实例表明,该方法能够比其他方法更快、更有效地识别出目标．