一种信息源可信度预测方法研究

摘要

D-S证据理论在处理不确定信息方面有着显著的优势,因此在数据融合领域中得到了广泛应用。但是,D-S证据理论无法对冲突证据进行有效处理,从而影响了融合结果的准确性。此外,在数据融合过程中随着信息源数量的增加,其融合效率将会逐渐降低。针对D-S证据理论中证据冲突以及融合效率不高的问题,本文提出了一种利用预测可信度来解决以上问题的改进方法。
　　 本文在对D-S证据理论有关知识以及已有的解决证据冲突问题的方法进行研究的基础上,提出了一种基于预测可信度系数的D-S证据理论合成规则的改进方法。该方法能够解决在数据融合过程中处理大量数据时出现的证据冲突问题,并且可以提高融合效率。首先,为每个信息源分配初始可信度,并引入可信度平衡因子的概念来实现对融合过程中信息源可信度的预测,由此提出了预测可信度系数计算公式;其次,对预测可信度系数计算公式进行转换,得到平衡因子计算表达式,通过大量的样本数据对平衡因子进行训练直至得到一个相对稳定的值;最后,将训练得到的平衡因子带入预测可信度系数计算公式中,并与传统的证据理论合成规则公式进行结合得到基于预测可信度的合成规则,在此基础上给出了完整的基于预测可信度系数的D-S证据理论改进算法。
　　 最后,通过Matlab进行仿真实验,详细说明了本文提出的基于预测可信度的D-S证据理论融合方法对多源信息的处理过程。在仿真实验中,主要从预测可信度系数的精确度和数据融合的效率两方面进行分析,并将实验结果与改进前的方法进行比较,比较的结果表明了本文提出的方法在解决证据冲突和提高融合效率方面的有效性。