基于Ｄ－Ｓ证据理论的数据融合算法的研究

D-S证据理论

在信息融合技术领域中，信息融合算法是研巧的核也技术。目前的主流的信息融合方法大致可Ｗ分为两大类：概率统计类方法和人工智能方法。

其中概率统计类方法主要流行的数学工具或方法有如下几种：

一是采用最简单直观的数学运算融合的加权平均法。
二是多用于实时融合动态低层次冗余数据的卡尔曼滤波法。

三是把每个传感器进行贝叶斯计算并将各物体的关联概率组成概率分布函数，然后使关联的概率分布函数的似然函数最小，进而得到最终融合算法的多贝叶斯估计法。

四是适用于不确定问题推理的证据理论。

而人工智能则主要包括：利用多值逻辑推理，根据模糊集合理论的何种算法对各命题进行合并计算，最终实现数据融合的模糊攫辑理论；利用神经网络的信号处理能力和自动推理能力实现多传感器数据融合的神经网络法等。
在涉及到数据融合的时候，我们很多人都可能接触到一个名词D-S证据理论，那么这到底是什么意思呢？如果下次看到了这个名词，不要跳过，仔细看看其实很简单。

Dempster-Shafer 证据理论首先由 Dempster 提出，构造了不确定性推理的一般框架，

后来 Shafer 对其进行了扩展和补充，最终形成了证据理论的整体框架。D-S 证据理论在

没有先验信息的情况下可以对不确定性和不精确性进行有效处理，因此它广泛应用于各

种数据融合领域，作为一种不确定推理方法，证据理论的主要特点是：Ｄ－Ｓ证据理论算式简单，且具有较为完善的理论基础，其最大的优势在于满足比贝叶斯概率论更弱的条件，能够合理的区分＂不知道＂和＂不确定＂，这就允许人们对不确定性的问题进行建模分析并产生推理结果。

设Θ表示为对一个判决问题所有可能取值的集合，而且Θ中的事件元素相互独立、

互不相容，称这个集合Θ(论文里都长这样，但其实都一样，是希腊字母theta的大写形式)为辨识框架。即：

Θ={ A1,A2,A3,……,An}

其中,我们称Ai (其中i=1,2,3……,n)称为识别框架 Θ 的一个事件或元素。