证据理论的近似算法

提出了一种新的D—S证据理论近似快速算法,它利用证据平均能量函数选择参加融合的焦元,并将被抛弃焦元的mass值分配在参加融合的焦元中,仿真结果证明该方法不但能够加快证据组合的运算速度,而且还克服以往近似算法中为了快速而牺牲精度的缺点,保证了融合结果的准确性。     

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。     

冲突再分配DSmT及解决证据间矛盾的新方法

ＤＳｍＴ 在处理多证据信源融合时,存在冲突焦元置信指派不合理增长,主焦元基本置信指派不合理收敛的问题,使决策困难．首先分析问题产生的原因,对ＤＳｍＴ 组合公式给出了改进意见,提出一种冲突再分配的ＤＳｍＴ 组合公式;然后针对多证据融合时证据间存在矛盾的问题,提出一种基于冲突率的折扣算法,修正置信指派．算例分析表明,采用上述算法可使主焦元基本置信指派得到合理收敛,冲突焦元得到合理处置,融合结果有利于决策．     

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.     

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。     

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.     

冲突再分配ＤＳｍＴ及解决证据间矛盾的新方法

ＤＳｍＴ 在处理多证据信源融合时,存在冲突焦元置信指派不合理增长,主焦元基本置信指派不合理收敛的问题,使决策困难．首先分析问题产生的原因,对ＤＳｍＴ 组合公式给出了改进意见,提出一种冲突再分配的ＤＳｍＴ 组合公式;然后针对多证据融合时证据间存在矛盾的问题,提出一种基于冲突率的折扣算法,修正置信指派．算例分析表明,采用上述算法可使主焦元基本置信指派得到合理收敛,冲突焦元得到合理处置,融合结果有利于决策．

     

D-S证据理论近似算法的研究

提出了一种新的证据理论近似快速算法,它利用证据平均能量函数选择参加融合的焦元,并将被抛弃焦元的Mass值分配在参加融合的焦元中,仿真结果证明该方法能够加快证据组合的运算速度。     

基于目标多特征的mass函数确定方法

针对D-S证据理论在目标识别中mass函数难以获取的问题,提出一种基于目标多特征的mass函数确定方法,该方法首先利用模糊理论中的隶属函数确定目标的特征隶属度矩阵,然后根据特征隶属度矩阵计算mass函数确定过程中各特征的可信度,最后把各特征的隶属度值和可信度转化成mass函数。仿真结果表明,该方法获取的mass函数具有很好的可靠性和抗干扰性。     

基于比例冲突再分配理论的目标识别应用研究

目前证据推理理论算法的改进仍然是热门的方向,其应用也越来越广,因此主要介绍了当前证据推理理论的两种最新的改进思想--最新的DSmT理论以及比例冲突再分配(PCR)方法;归纳总结了证据理论的主要应用及其在应用中的关键问题之--基本置信指派的主要构造方法;最后利用人工神经网络训练数据的方法构造基本置信指派,对比例冲突再分配(PCR5)方法在序列图像目标识别中的应用进行了仿真分析,仿真实验结果表明该算法可以有效地提高序列图像目标识别的准确性.     

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.     

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。     

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。     

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。     

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%.     

Dezert-Smarandache理论组合规则性质分析

在Dezert-Smarandache理论(DSmT)中组合规则众多,其性能直接影响DSmT的最终融合结果。为此,对组合规则的性质进行研究,提出一种DSmT组合规则性质分析方法,从合成性质、时序性质和工程可用性质3个方面对DSmT的组合规则性质进行描述。实验结果证明,该方法提出的3类性质能较全面地反映组合规则的特性。     

一种DSm理论相关证据模型

DSm理论(Dezert-Smarandache Theory,DSmT)作为D-S(Dempster-Shafer)证据理论的推广,在进行多个证据合成时同样要求证据相互独立,这是一个非常苛刻的条件,在实际中很难满足.提出了在DSm理论框架中表示相关证据的一种模型,其中两个相关证据各由一个独立源证据和一个相关源证据正交和合成,相关证据的合成就归结为这两个独立源证据和这个相关源证据的正交和合成.为此就要先辨识出独立源证据.证明了在自由DSm模型中辨识结果的唯一条件,并针对条件不满足的情况提出了一种近似的解决方法.     

一种基于DSmT和HMM的序列飞机目标识别算法

针对姿态多变化的飞机自动目标识别中的低识别率问题, 提出了一种基于DSmT (Dezert-Smarandache theory)与隐马尔可夫模型(Hidden Markov model, HMM)的飞机多特征序列信息融合识别算法(Multiple features and sequential information fusion, MFSIF). 其创新性在于将单幅图像的多特征信息融合识别和序列图像信息融合识别进行有机结合.首先, 对图像进行二值化预处理, 并提取目标的Hu矩和轮廓局部奇异值特征; 然后, 利用概率神经网络(Probabilistic neural networks, PNN)构造基本信度赋值(Basic belief assignment, BBA); 接着, 利用DSmT对该图像的不同特征进行融合,从而获得HMM的观察值序列;再接着, 利用隐马尔可夫模型对飞机序列信息融合, 计算观察值序列与各隐马尔可夫模型之间的相似度, 从而实现姿态多变化的飞机目标自动识别;最后, 通过仿真实验, 验证了该算法在飞机姿态发生较大变化时, 依然可以获得较高的正确识别率,同时在实时性方面也可以满足飞机目标识别的要求. 另外, 在飞机序列发生连续遮挡帧数τ ≤ 6的情况下, 也具有较高的飞机目标正确识别率.