多传感器Dempster-Shafer融合识别理论与应用

"这篇论文是1999年发表在《清华大学学报(自然科学版)》的科研成果，主要探讨了多传感器目标识别中的Dempster-Shafer(D-S)融合识别理论。作者团队包括孙红岩、张钱、何克思和郭木河，他们来自清华大学计算机科学与技术系和智能技术与系统国家重点实验室。文章关注的是如何有效地融合多个传感器的数据，以提高目标识别的准确性和效率。" 本文主要知识点如下： 1. **Dempster-Shafer理论**：Dempster-Shafer(D-S)理论是一种处理不确定性和不完整性信息的方法，它在证据理论中占有重要地位。与传统的概率论和贝叶斯方法不同，D-S理论允许处理缺乏先验概率信息的情况，并通过信任函数或信念函数来表达不确定性。 2. **多传感器融合识别**：论文中讨论了当两个或多个传感器同时对同一目标进行识别时，如何利用D-S理论进行信息融合。这种方法可以整合各个传感器的识别结果，提高整体识别的精度和可靠性。 3. **递推式融合算法**：作者提出了一个适用于多于两个传感器的D-S融合识别递推公式，这个公式有助于降低计算复杂度，增强了多传感器分布式识别的灵活性，并且适合实时融合识别的应用。 4. **理论依据与应用价值**：这些研究成果为多传感器目标识别系统中选择不同类型的传感器以及进行有效信息融合提供了理论基础。递推式融合识别方法对于解决机器人技术、军事以及其他领域的目标识别问题具有重大价值，因为它可以增强系统的适应性和决策质量。 5. **数据融合的意义**：数据融合技术是多源信息处理的关键，通过集成多个传感器的数据，可以提高识别的精确度和完整性，减少模糊性，提升检测性能和空间分辨率。 6. **与其他识别技术对比**：D-S证据融合识别法与经典推理法和贝叶斯判决法相比，具有其独特优势，如无需概率分布假设，能更好地处理未知信息，并通过信任区间来表述识别结果的不确定性。 7. **应用场景**：除了在军事上的应用，D-S融合识别还被广泛应用于机器人视觉、自动化生产、医疗诊断和遥感等领域，体现了其在不确定信息处理中的广泛适用性。 这篇论文深入研究了D-S理论在多传感器目标识别中的应用，为实际问题的解决方案提供了理论支持和技术路径。