基于D-S证据理论的多传感器数据融合

D-S证据理论可以有效地处理不确定信息,是有效的数据融合方法之一,但在证据高度冲突时,其归一化过程会产生有悖常理的结果。针对这个问题,国内外的学者提出了许多不同的改进方法,基本上可分为两类：修改组合规则和修改融合模型。在此总结分析了相关的国内外典型文献的改进思想,并进行系统条理的分析,为证据理论的发展和改进提供了有价值的参考。     

基于D-S证据理论的传感器网络数据融合算法

传感器网络对于多个传感器在不同目标的识别过程中,各种技术冲突便随之接踵而至,并对传感器网络的科学体制产生了能动性的影响,使得系统的实时性和同步性的效能受到很大的负面影响。基于此,文章以D-S证据理论为核心要素,通过矩阵分析在融合算法中的理论地位,辅之以数学归纳法的精要,力求得到与融合结果与D-S证据组合公式相同的结果。     

一种基于减小D-S证据理论的高冲突问题的信息融合方法

本文以Dempster-Shafer理论为基础,对其进行改进,使其适应高冲突环境,从而得到有效的目标识别结果。结论表明,本文所改进的方法在融合时表现出准确、稳定的结果,有效的解决冲突证据的数据融合。     

基于D-S证据理论的多模态医学影像融合方法

针对多模态医学影像融合后存在边缘模糊、纹理不清晰的问题,提出了一种基于D-S证据理论的影像融合方法。首先对待融合的医学影像进行小波分解,在高频域,取纹理属性和边缘属性作为证据,根据Dempster证据合成和判决规则,得到高频域各点属性,从而确定融合规则;在小波分解的低频域,采用基于区域梯度的融合规则。实验结果表明,融合后医学影像较为完整地保留了源医学影像的边缘和纹理细节信息,有效提高了融合性能,优于同类方法。     

基于改进D-S 证据理论的多雷达自适应数据融合

针对多雷达数据融合时融合结果精度较低问题,提出一种基于改进D-S 证据理论的自适应融合算法。该算法将单传感器多时刻时域融合和多传感器空域融合相结合。首先,利用盒状图对单传感器测量值分类优化,进行单传感器时域融合;再根据文中提出的改进证据冲突程度判据,对高冲突的局部证据进行修正,并选择相应的多传感器空域数据融合算法。仿真分析表明,文中算法具有较好的可行性与有效性,同现有的多雷达数据融合算法相比,文中算法能够有效降低融合过程中产生的系统误差,且融合结果更加可靠、精确。     

基于BP网络和D-S证据理论的齿轮箱故障诊断

为避免故障诊断中单一信息的固有缺陷,提高诊断精度,将改进的BP神经网络和D-S证据理论相结合,针对齿轮箱的3个测点,采用改进BP神经网络进行独立的局部故障诊断,以及采用D-S证据理论规则,将3个测点的神经网络输出结果进行融合,得到整个齿轮箱的故障诊断结果。通过分析可以看出,融合后的诊断结果更加精确,信任度更高。     

改进的二元组冲突表示方法

D-S证据理论可以有效表示随机性和模糊性的不确定信息,可以在不需要先验信息的情况下对证据进行组合,这些优点使得该理论被广泛应用于信息融合的各个领域。但是在实际应用中,D-S证据理论中的组合规则无法有效融合冲突信息,为此研究人员在组合规则改进或是数据模型修改两个方面提出了很多改进方法,但却忽视了对冲突本身的研究。首先分析了证据理论中经典冲突系数的不足,而后引入证据距离,结合经典冲突系数提出了一个改进的二元组来描述证据冲突,新的二元组冲突表示可以更好地度量证据之间的冲突,而且对Dempster组合规则的适用性具有指导意义。算例说明了新的冲突表示方法的有效性。     

基于改进D-S证据理论的数据融合目标分类

首先采用分类算法对MSTAR数据集进行十类目标分类识别、三类目标的变体分类识别,然后根据分类调参过程中的先验知识修正证据即分类器输出,构造基本置信函数,并采用改进的合成规则即基于冲突系数K和Pignistic概率距离相结合的冲突度量方法,对冲突证据采用按比例分配冲突度的合成规则进行合成。未融合时,三类目标的变体分类准确率最高为93.553%,融合后三类目标变体分类识别率为95.092%,提升幅度约是理想状态的37%。     

基于D-S证据理论的空中目标识别

提出了一种基于D-S证据理论的空中目标识别方法.该方法首先对目标特征进行提取,然后根据提取的特征利用模糊C均值聚类的方法进行基本概率分配,最后利用D-S组合公式进行融合识别.实例验证了算法的有效性.     

认知无线电网络中基于D-S证据理论的合作频谱感知方法

认知无线电网络因主从用户共享频谱资源,具有频谱利用率高的优点,同时对从用户提出了一定的要求.在研究D-S证据理论的基础上,提出了一种新的合作频谱感知方法,对冲突证据源和融合规则进行了修正,并通过模糊度计算公式预估不确定性,重新定义了基础概率分配(BPA)函数.仿真结果表明,同“与”、“或”融合及以往的D-S融合方法相比,所提方法能很好地感知认知无线电网络的空闲频谱,并可作为高斯白噪声(AWGN)信道及瑞利(Rayleigh)多径衰落信道等网络环境的通用频谱感知方法.     

基于神经网络与D-S证据理论的多传感器目标识别技术

为了满足目标识别的需要,多传感器的数据融合技术已经成为研究的热点。D-S证据理论是多传感器信息融合中最常用的一种处理不确定问题的方法,在基于D-S证据理论的目标识别融合中,基本概率赋值的获取是一个难点。使用神经网络中应用最广泛的BP神经网络来求基本概率赋值,再结合D-S理论进行目标识别。结果表明这种方法可以提高战场目标识别的可靠性,降低识别结果的不确定性。     

基于D-S证据理论的协作频谱感知算法

在无线传播过程中,主用户信号经常会受到路径损耗、阴影衰落等影响,导致无线通信环境中单个认知用户对主用户的感知结果存在不确定性。因此,结合D-S证据理论方法,提出了一种新的协作频谱感知算法。以能量检测作为基础,将证据间冲突变化程度平均性的概念结合其中,根据这一方式设计了一种新的证据理论合成法则,将多个D-S融合结果送到融合中心进行数据融合,得出最终判决。仿真实验结果表明,该算法能够很好地解决证据间的高度冲突并较为合理地减轻不确定性因素的影响,在信噪比比较低的情况下,获得较好的检测性能。     

D-S证据理论和粗集理论在数据融合中的应用

提出了一种由粗集理论和D S证据理论结合的多传感器数据融合方法 ,并将其应用于目标识别中。在目标识别的数据融合中 ,利用粗集理论对大量的传感器数据进行处理 ,判断出冗余传感器 ,得到传感器的最简组合 ,从而简化特征数据。然后利用D S理论实现目标的分类 ,改进分类的效果。因此 ,将两种方法结合起来应用于数据融合技术中来进行目标识别 ,为解决传感器数据超载以及不完整传感器信息融合提供了一种方法 ,且提高了识别的速度和效果     

D-S证据理论近似算法在数据融合中的应用

论述了基于D-S证据理论的多传感器数据融合方法。通常在强冲突情形下证据组合规则的组合结果是不符合常理的,其不同证据源的冲突处理成为数据融合的主要问题之一,文中提出了一种解决证据冲突情况下的近似算法。仿真结果表明该方法是有效的和可行的。     

D-S证据理论在多传感器信息融合中的改进

详细阐明了多传感器信息融合的一种方法——D-S证据理论，他是一种处理不确定性问题的有用方法，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，通过深入分析，针对该方法的不足提出了一种修正的组合方法，这样不仅能够用于组合冲突比较大的证据，而且能够根据各条证据所包含的不同信息量进行自适应加权组合，改进了基本D-S证据理论的组合准则，提高了其融合性能，并通过实例证明了该方法的有效性。