共查询到18条相似文献,搜索用时 171 毫秒
1.
2.
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。 相似文献
3.
4.
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 总被引:13,自引:0,他引:13
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. 相似文献
5.
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。 相似文献
6.
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. 相似文献
7.
8.
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。 相似文献
9.
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。 相似文献
10.
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. 相似文献
11.
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. 相似文献
12.
13.
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。 相似文献
14.
DSmT与DST融合门限改进方法 总被引:1,自引:0,他引:1
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。 相似文献
15.
一种飞机图像目标多特征信息融合识别方法 总被引:1,自引:0,他引:1
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%. 相似文献
16.
17.
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. 相似文献
18.
一种基于DSmT和HMM的序列飞机目标识别算法 总被引:1,自引:1,他引:0
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. 相似文献