基于Dempster-Shafer理论与幂平均算子的多传感器信息融合方法

"这篇研究论文提出了一种基于Dempster-Shafer理论和功率平均算子的多传感器信息融合新方法。在该方法中，利用Dempster-Shafer理论表示传感器报告，然后通过证据驱动的方法，根据功率平均运算符确定每个传感器的相对可信度。最后，采用加权平衡证据理论来综合传感器报告。这种方法对于不确定信息的表示和冲突传感器报告的融合具有高效性，并通过数值例子验证了其有效性。" 正文： 多传感器信息融合是现代信息技术领域中的一个重要课题，尤其是在自动化、智能系统和决策支持系统中。融合来自多个传感器的数据能够提高整体系统的性能，减少不确定性，并增强对环境或情况的理解。Dempster-Shafer理论（也称为证据理论）提供了一种处理不确定性和冲突信息的有效框架，而功率平均算子则是一种处理不一致数据的工具。 Dempster-Shafer理论是概率论的一个扩展，它允许处理不确定性和模糊信息。在该理论中，证据被表示为信念分配，即在一组可能的假设（称为框架元素或假设空间）上分配的量，这些量代表了对每个假设的支持程度。信念分配不仅包含每个假设的概率，还考虑了相互之间的冲突信息。这种表示方式使得Dempster-Shafer理论特别适合处理来自多个传感器的数据，因为传感器之间可能存在不确定性或者报告冲突。 在论文中提出的新型融合方法中，首先，每个传感器的报告被转换成Dempster-Shafer框架下的信念分配。这一步骤允许将传感器观测到的信息量化为一种形式，可以进行进一步的分析和融合。接着，通过一个证据驱动的算法，利用功率平均运算符来评估每个传感器的相对可信度。功率平均运算符可以捕捉到传感器的个体性能差异，使得在融合过程中可以给每个传感器赋予适当的权重。 功率平均算子在处理不一致性时具有一定的优势，因为它可以平衡不同传感器的贡献，而不是简单地将所有证据相加或取平均。通过这种方式，即使存在冲突的信息，也可以有效地整合传感器数据。 最后，使用加权平衡证据理论将这些经过权重调整的传感器报告进行融合。这种方法考虑了传感器的相对可信度，从而更准确地综合所有信息，减少了由于传感器间冲突导致的误差。通过一个数值实例，作者展示了该方法在处理不确定性和冲突信息时的优越性能，证实了其在多传感器信息融合领域的潜在应用价值。 这篇研究论文提出的融合方法结合了Dempster-Shafer理论的不确定信息处理能力和功率平均算子的冲突解决能力，为多传感器系统的信息融合提供了一个新的、有效的解决方案。这种方法对于提升复杂系统中的信息质量和决策精度具有重要意义。