提升Dempster-Shafer理论在异常检测中的精度：一种新方法

"这篇论文探讨了如何提升基于Dempster-Shafer理论的异常检测系统的准确性。Dempster-Shafer理论在异常检测领域广泛应用，但其存在的问题在于它对所有证据平等信任，而在分布式传感器ADS（Anomaly Detection Systems）环境中，这种假设并不成立。此外，证据间的相互依赖可能导致误报。为了改善这种情况，作者提出了一个结合特征选择算法和加权Dempster-Shafer证据理论的方法。 特征选择算法采用高斯图形模型，用于分析候选特征之间的相关性，以挑选出最有利的特征集进行异常检测。检测结果随后传递给融合引擎。在这一过程中，信息增益被用来确定每个特征的权重，以优化权重估计算法。 加权的Dempster-Shafer证据理论在此扮演关键角色，它结合了各个传感器的检测结果，通过赋予不同证据不同的信任度，从而提高整体检测的准确性。通过使用标准的威斯康星州乳腺癌数据集和实际的互联网流量数据进行实验，原型系统展示了其有效性和效率。在乳腺癌数据集上的测试显示，该系统能识别9个特征间的相关性，提升了检出率，同时未增加假阳性率。而在互联网流量检测中，权重估计算法显著提高了检测性能。 这篇由Ling Zou、Liming Zheng和Xianghua Zeng合作完成的研究，发表在《Sensors & Transducers》2014年7月刊上，强调了改进异常检测系统的重要性，尤其是在处理大量复杂数据时，如分布式传感器网络和互联网流量监测。" 此研究的核心在于，通过结合特征选择和权重估计策略，克服了Dempster-Shafer理论固有的局限，提高了异常检测的精确性和可靠性，这对于实时监控和安全防护等应用具有重要意义。