修正信任函数融合算法：解决高冲突与焦元模糊问题

"基于信任函数理论的修正融合目标识别算法是一种针对经典Dempster组合规则在处理高冲突证据和解决焦元基模糊问题的创新方法。在传统信任函数理论中，Dempster规则在处理相容和冲突命题时存在局限性。当证据间存在高冲突时，经典规则可能导致融合结果不合理，例如Zadeh提出的反例所示的悖论。 修正融合算法的核心在于改进对相容和冲突命题的处理方式。对于相容命题，算法考虑了焦元基数的影响，通过将基本信任质量合理地向基数较小的焦元命题集中，避免了焦元基模糊问题，确保了融合结果的稳健性。这与Yager、Dubois & Prade以及Smets等学者的观点不同，他们分别提出将冲突分配给未知区域、相互冲突焦元的并集或空集，以缓解冲突。 在处理冲突命题时，算法引入了倾向性分析和局部分配策略。通过对命题的倾向性分析，可以更准确地识别和分配局部冲突，从而实现对高冲突证据的有效融合。这种策略不同于Dezert & Smarandache的视角，后者强调辨识框架内元素的交集。 本文首先回顾了信任函数理论的基本原理，然后详细阐述了修正算法的设计思路和改进之处。通过算例与仿真的对比分析，该算法显示出显著的合理有效性和优越性，特别是在处理复杂、高冲突的情境中，能够提供更为准确的目标识别结果。这种方法的应用可能涉及众多领域，如机器学习、计算机视觉、信号处理等，尤其是在决策支持系统中，能够提高决策的可靠性与准确性。"