改进的D-S证据合成方法：融合可靠性和重要性

本文主要探讨了一种新的证据复合折扣合成方法，针对Dempster证据理论在决策级信息融合过程中存在的问题，即传统合成规则可能导致的直觉上不可接受的结果。Dempster-Shafer（D-S）证据理论是信息技术领域的一种重要决策支持工具，它在处理不确定性和模糊信息时具有显著优势。然而，当面对相互矛盾的证据时，Dempster法则可能产生悖论，这不符合人类在实际问题解决中对证据权重的直觉理解。 为了改进这一问题，研究者在经典的Shafer折扣方法的基础上，提出了一个创新性的复合折扣因子计算策略。首先，他们引入了证据包含度这一概念，将其作为衡量证据可靠性的有效指标，确保了证据合成过程的合理性。其次，他们考虑了证据的清晰度、一致性以及证据积累程度等因素，这些因素在现实情境中反映了证据的可信度和重要性。通过这些考量，他们构建了一个全面的证据重要性模型，这不仅考虑了证据的质量，还考虑了其影响力。 最后，通过将证据的可靠性度量和重要性模型通过乘法算子结合起来，形成了一种复合折扣因子，这种因子能够更好地反映证据在合成过程中的权重，解决了传统合成规则带来的悖论。实验结果显示，这种方法与人类在生物学研究中信息积累的过程相吻合，它能够更为自然地处理和整合证据，从而得到更为可靠和有效的合成结果。 该研究的重要意义在于，它提供了一种更加符合人类认知习惯的证据合成方法，对于提高决策支持系统的准确性和有效性具有积极的推动作用。因此，这种新的证据复合折扣合成方法在信息融合技术领域具有广泛的应用前景，特别是在需要处理大量复杂信息的情境下，如人工智能、机器学习、数据挖掘等领域。关键词包括D-S理论、证据合成、合成悖论、复合折扣因子以及证据重要性，这表明了研究内容的核心关注点。