论文部分内容阅读
Dempster-Shafer(D-S)证据理论具有表达不确定性和融合不完善信息的能力,但证据理论的融合规则在处理高冲突信息时有一定的局限性,使其应用受到很大的限制。为此,本文针对多证据冲突度量算法和证据融合算法进行研究,给出几种改进算法,并将其应用到多传感器多目标识别中。论文的主要研究如下:(1)提出了基于D-S组合规则的改进两两证据融合算法为有效融合冲突证据,通过分析D-S组合规则对高冲突信息融合失效的原因,提出改进焦元可信度计算式的证据融合算法,并将新的焦元可信度作为局部冲突信息再分配的权重,相应给出新的基于局部冲突信息进行再分配的准则。进一步,为克服已有局部冲突信息再分配算法不满足结合律易造成证据融合结果不稳定的不足,提出基于证据距离和虚假度共同度量证据冲突的改进算法,并依此对多证据融合顺序进行优化,进而给出改进融合顺序的两两证据融合算法。通过数值算例和目标识别仿真对常用的相关融合算法和新方法进行比较,验证了所提改进算法的有效性。(2)提出了多证据直接融合算法已有基于D-S组合规则的改进算法,多是在证据两两融合的基础进行改进,这种改进方法不仅因为证据两两融合损失了部分有用信息,而且其融合顺序不满足结合律,导致算法缺乏稳定性。为提高证据高度冲突情况下的多证据融合效果,有效利用不一致性因子中的信息,提出一种基于局部冲突信息再分配的三条证据直接融合的改进D-S组合规则。新算法在对三条证据进行直接融合时,根据冲突因子中各焦元的可信度对3-D冲突信息进行加权分配。在此基础上,将其推广应用于多证据的直接融合。同时,为了减少高维证据融合算法的计算量,并且考虑到D-S组合规则对非高冲突证据有着较好的聚焦作用,提出了选择性分组证据融合算法,将冲突证据分散到不同分组中进行融合,达到既尽可能多地保留多维冲突因子中所含信息,又不至于使其破坏D-S组合规则在组间证据融合时能够被有效使用的目的。理论分析和仿真实验结果表明,新算法能够在不同程度上提高证据冲突情况下的目标识别概率,且具有较好的稳定性。(3)提出了两种新的证据冲突度量算法针对冲突证据源的冲突度量问题,提出了基于证据排序融合的局部冲突信息再分配算法。新算法首先基于证据距离和冲突系数共同度量证据冲突,在此基础上对证据融合顺序进行优化,并对不同证据中不同焦元的冲突度量算法进行改进。进一步,为避免多证据概率赋值较分散情况下基于证据距离度量证据冲突度偏低的不足,提出融合重合度和证据距离共同度量证据冲突的改进算法。该算法不仅适用于单子集焦元证据之间的融合,且能够较好解决含有多子集焦元的冲突证据之间的融合。