SVM与DS证据融合：解决多传感器分类误差提升可信度

论文标题"区间树在DDM区域匹配中的应用.pdf"聚焦于多传感器数据融合分类中的问题解决。在现有的DS证据理论框架下，基本概率赋值(BPA)的构建通常是一项挑战，因为它需要处理不确定性和不确定性信息。为了克服这一难题，作者提出了一种创新方法，即结合支持向量机(SVM)与DS证据理论。 作者意识到，单一的BPA函数可能不足以全面反映分类器的性能差异。因此，他们引入了SVM的分类能力，特别是通过混淆矩阵来评估分类器的局部识别可信度。混淆矩阵是一种衡量分类器性能的工具，它显示了分类器在实际分类过程中的错误情况，如误判和漏判。通过这种结合，SVM的精确分类能力和证据理论的不确定性处理被整合在一起，形成了一个新型的多传感器信息融合模型。 在该模型中，作者不仅利用SVM的输出（如分类标签和后验概率）作为证据，还考虑了分类器的识别可靠性的估计。这使得融合过程更为智能，能够根据不同分类器的性能动态调整BPA，从而降低融合识别的误差率并提高整体识别的可信度。 论文的实验部分展示了这种方法在UCI数据集和人工数据集上的效果，结果显示，结合SVM与DS证据理论的信息融合策略显著提高了分类精度和稳定性。这种方法避免了传统神经网络可能遇到的过拟合问题，同时解决了证据理论在大规模数据处理中的计算瓶颈。 这篇论文提供了一个实用且有效的决策融合方法，特别是在多传感器数据融合中，它通过巧妙地利用SVM和DS证据理论的优势，提高了融合系统的性能和鲁棒性。这对于当前信息处理领域，尤其是数据融合和决策支持系统的发展具有重要的理论和实践价值。