精华内容
下载资源
问答
  • 2021-04-20 08:40:47

    IPToolbox\Sensitivity\dssensitivity.m

    IPToolbox\Aggregation\dsdempstersrule.m

    IPToolbox\Aggregation\dswmix.m

    IPToolbox\Core\dsstruct.m

    IPToolbox\Core\dsnorm.m

    IPToolbox\Core\dsred.m

    IPToolbox\Core\dsbel.m

    IPToolbox\Core\dspl.m

    IPToolbox\Core\dsevalmc.m

    IPToolbox\Core\gaussiancopula.m

    IPToolbox\Core\dsstruct.asv

    IPToolbox\Core\dsnorm.asv

    IPToolbox\Discretization\dsodf.m

    IPToolbox\Discretization\dsadf.m

    IPToolbox\Discretization\dsconfsample.m

    IPToolbox\Discretization\dsodf.asv

    IPToolbox\Examples\dsexample.m

    IPToolbox\Examples\dsexample.asv

    IPToolbox\Measures\dsdissonance.m

    IPToolbox\Measures\dsaggunc.m

    IPToolbox\Measures\dsexpect.m

    IPToolbox\Measures\dsconf.m

    IPToolbox\Measures\dsnonspec.m

    IPToolbox\Measures\dsavgwidth.m

    IPToolbox\Optimizers\dsbound.m

    IPToolbox\Optimizers\dsopt.m

    IPToolbox\Plotting\dscdf.m

    IPToolbox\Sensitivity

    IPToolbox\Aggregation

    IPToolbox\Core

    IPToolbox\Discretization

    IPToolbox\Examples

    IPToolbox\Measures

    IPToolbox\Optimizers

    IPToolbox\Plotting

    IPToolbox

    至诚网络.jpg

    更多相关内容
  • DS证据理论

    2017-12-23 20:04:33
    证据理论 数据融合证据理论 数据融合证据理论 数据融合
  • DS证据理论_浙大.pdf

    2020-02-05 20:31:04
    浙江大学研究生《人工智能》课件,非常详细的介绍了DS证据理论知识,案例内容浅显易懂,是接触证据理论的首选资料,包含了DS证据理论发展过程中一些重要文献,为后续研究学习指明了方向。
  • DS证据理论程序

    2018-10-30 09:19:32
    C++版DS证据理论例子,
  • matlab实现的DS证据理论代码-DS_fusion.m matlab实现的D-S证据理论代码简单实现,加了一些注释,适用于独立的单一命题。 附件m文件代码: function x=DS_fusion % 功能:融合x,y两行向量 % x,y的格式形如[m1 m2...
  • C++版DS证据理论

    2018-10-30 09:18:10
    C++版DS证据理论例子
  • 本资源是一个基于Matlab软件的D-S证据理论的源代码,其中代码有相应注释,如果对程序代码存在不懂之处可留言。欢迎大家留言交流。
  • 针对雷达目标一维距离像(HRRP) 识别问题, 结合支持向量机(SVM) 和DS 证据理论提出一种多极化 HRRP 分类方法—–SDHRRP. 该方法通过混淆矩阵获取基分类器之间的距离, 从而根据基分类器对不同目标类的 分类...
  • 基于DS证据理论的信息融合代码,应用证据合成法则融合的数据,最终做出决策
  • 论文通过对垂直图像进行Curvelet变换和利用DS证据理论来优化融合系数,最终得到清晰清晰的融合图像。首先,对较早的分解和多光谱的变换图像分别进行Curvelet变换,得到Curvelet变换系数;;然后,对收缩系数采用融合...
  • 在对证据理论的建模、推理、决策到评估各层面最新进展梳理的基础上, 针对证据理论现有研究中存在的 一些问题、混淆和误解, 结合仿真算例进行了分析和探讨, 包括据理论与概率论的关系, 证据冲突与反直观结果的 关系, ...
  • 设计了一种应用机器学习和DS证据理论来进行Linux病毒检测的方案。主要包括方案的总体框架、样本特征选择方法、分类器选择、检测效果融合以及方案验证与结果分析等。
  • 针对基于单一判据的电网故障诊断系统存在较高误判率的问题,提出了一种基于DS证据理论的多判据融合决策的电网故障诊断系统的设计方案。该方案采用基于量值区分的门限法、基于电流差动的门限法、基于功率方向的门限法...
  • 基于DS证据理论的道路检测视觉信息融合算法
  • AHP和DS证据理论在雷达导引头抗干扰性能评估中的应用。
  • 证据理论 (Theory of Evidence) 是由 Dempster 首先提出,由Shafer进一步发展起来的一种不精确推理理论,也称为 Dempster-Shafer (DS) 证据理论证据理论可以在没有先验概率的情况下,灵活并有效地对不确定性建模。

    证据理论

      证据理论 (Theory of Evidence) 是由 Dempster 首先提出,由Shafer进一步发展起来的一种不精确推理理论,也称为 Dempster-Shafer (DS) 证据理论。证据理论可以在没有先验概率的情况下,灵活并有效地对不确定性建模。

    证据理论的基本理论

    辨识框架 (Frame of discernment)

      辨识框架 Ω \Omega Ω 是一个由问题的所有假设 (hypothesis) 组成穷举集合,所有假设是相互排斥的。设 Ω \Omega Ω 包含 N N N 个元素, Ω \Omega Ω 可以表示为: Ω = { H 1 , H 2 , ⋯   , H N } \Omega=\{H_1,H_2,\cdots, H_N\} Ω={H1,H2,,HN}
       Ω \Omega Ω 的子集 A A A 称为命题 (proposition), Ω \Omega Ω 的幂集 2 Ω 2^\Omega 2Ω Ω \Omega Ω 的所有子集组成,包含 2 N 2^N 2N 个元素, 2 Ω 2^\Omega 2Ω 可以表示为: 2 Ω = { ∅ , { H 1 } , { H 2 } , ⋯   , { H N } , { H 1 , H 2 } , ⋯   , { H 1 , H 2 , ⋯   , H i } , ⋯   , Ω } 2^\Omega=\{\emptyset ,\{H_1\},\{H_2\},\cdots,\{H_N\},\{H_1,H_2\},\cdots,\{H_1,H_2,\cdots, H_i\},\cdots,\Omega\} 2Ω={,{H1},{H2},,{HN},{H1,H2},,{H1,H2,,Hi},,Ω}

    基本概率分配函数 (Basic probability assignment, bpa) / m 函数 (Mass function)

      基本概率分配函数是从 2 Ω 2^\Omega 2Ω [ 0 , 1 ] [0,1] [0,1] 的映射: m : 2 Ω → [ 0 , 1 ] m:2^\Omega\rightarrow[0,1] m:2Ω[0,1] 它满足以下两个条件: m ( ∅ ) = 0 a n d ∑ A ⊆ Ω m ( A ) = 1 m(\emptyset)=0 \quad and \quad \sum_{A\subseteq\Omega}m(A)=1 m()=0andAΩm(A)=1 m ( A ) m(A) m(A) 的值表示证据对命题 A A A 的支持程度。
      对于 A ∈ 2 Ω A\in2^\Omega A2Ω,如果 m ( A ) > 0 m(A)>0 m(A)>0,则称 A A A 为一个焦元 (focal element)。

    信任函数 (Belief function)

      信任函数定义如下: B e l ( A ) = ∑ B ⊆ A m ( B ) Bel(A)=\sum_{B\subseteq A}m(B) Bel(A)=BAm(B) B e l ( A ) Bel(A) Bel(A)表示对A的总的信任程度。根据基本概率分配函数的特点,我们可以知道: B e l ( ∅ ) = m ( ∅ ) = 0 Bel(\emptyset)=m(\emptyset)=0 Bel()=m()=0 B e l ( Ω ) = ∑ B ⊆ Ω m ( B ) = 1 Bel(\Omega)=\sum_{B\subseteq\Omega}m(B)=1 Bel(Ω)=BΩm(B)=1

    似然函数 (Plausibility function)

      似然函数定义如下: P l ( A ) = ∑ B ∩ A ≠ ∅ m ( B ) Pl(A)=\sum_{B\cap A\neq\emptyset}m(B) Pl(A)=BA=m(B)似然函数也可以表示为: P l ( A ) = 1 − B e l ( A ˉ ) Pl(A)=1-Bel(\bar{A}) Pl(A)=1Bel(Aˉ)其中 A ˉ = Ω − A \bar{A}=\Omega-A Aˉ=ΩA。似然函数表示不否定A的信任程度。似然函数有如下特点: P l ( ∅ ) = 0 Pl(\emptyset)=0 Pl()=0 P l ( Ω ) = 1 Pl(\Omega)=1 Pl(Ω)=1信任函数与似然函数的关系: P l ( A ) ≥ B e l ( A ) Pl(A)\geq Bel(A) Pl(A)Bel(A)
    Example:
    Ω = { A , B , C } \Omega=\{A,B,C\} Ω={A,B,C} m ( { A } ) = 0.3 , m ( { A , B } ) = 0.2 , m ( Ω ) = 0.2 m ( { B } ) = 0 , m ( { A , C } ) = 0.2 , m ( ∅ ) = 0 m ( { C } ) = 0.1 , m ( { B , C } ) = 0 \begin{aligned} &m(\{A\})=0.3,&\quad m(\{A,B\})=0.2, &\quad m(\Omega)=0.2 \\ &m(\{B\})=0, &\quad m(\{A,C\})=0.2,&\quad m(\emptyset)=0 \\ &m(\{C\})=0.1,&\quad m(\{B,C\})=0 \quad \end{aligned} m({A})=0.3,m({B})=0,m({C})=0.1,m({A,B})=0.2,m({A,C})=0.2,m({B,C})=0m(Ω)=0.2m()=0 B e l ( { A } ) = m ( { A } ) + m ( ∅ ) = 0.3 P l ( { A } ) = m ( { A } ) + m ( { A , B } ) + m ( { A , B } ) + m ( Ω ) = 0.3 + 0.2 + 0.2 + 0.2 = 0.9 \begin{aligned} &Bel(\{A\})=m(\{A\})+m(\emptyset)=0.3 \\ &Pl(\{A\})=m(\{A\})+m(\{A,B\})+m(\{A,B\})+m(\Omega)=0.3+0.2+0.2+0.2=0.9 \end{aligned} Bel({A})=m({A})+m()=0.3Pl({A})=m({A})+m({A,B})+m({A,B})+m(Ω)=0.3+0.2+0.2+0.2=0.9

    Dempster-Shafer 合成公式

      对于相互独立的不同证据源,有不同的基本概率分配函数。Dempster-Shafer 合成公式采用正交和将不同的基本概率分配函数合成为一个新的基本概率分配函数。公式定义如下: m ( A ) = 1 1 − k ∑ A 1 ∩ A 2 ∩ A 3 ⋯ = A m 1 ( A 1 ) m 2 ( A 2 ) m 3 ( A 3 ) ⋯ m(A)=\frac{1}{1-k}\sum_{A_1\cap A_2\cap A_3\cdots=A}m_1(A_1)m_2(A_2)m_3(A_3)\cdots m(A)=1k1A1A2A3=Am1(A1)m2(A2)m3(A3) k = ∑ A 1 ∩ A 2 ∩ A 3 ⋯ = ∅ m 1 ( A 1 ) m 2 ( A 2 ) m 3 ( A 3 ) ⋯ = 1 − ∑ A 1 ∩ A 2 ∩ A 3 ⋯ ≠ ∅ m 1 ( A 1 ) m 2 ( A 2 ) m 3 ( A 3 ) ⋯ k=\sum_{A_1\cap A_2\cap A_3\cdots=\emptyset}m_1(A_1)m_2(A_2)m_3(A_3)\cdots=1-\sum_{A_1\cap A_2\cap A_3\cdots\neq\emptyset}m_1(A_1)m_2(A_2)m_3(A_3)\cdots k=A1A2A3=m1(A1)m2(A2)m3(A3)=1A1A2A3=m1(A1)m2(A2)m3(A3) 其中 k k k 是冲突系数, k k k 越接近1表示证据源之间冲突越严重, k k k 接近0表示证据源彼此一致。
      当 k → 1 k\rightarrow 1 k1 时,表示证据源高度冲突,这时候采用DS合成公式会得出违反直觉的结果。而且,即使增加彼此一致的信息源的数量,也无法降低冲突系数 k k k。Example 2 和 Example 3 展示了这一问题。我在证据理论入门笔记(2)中总结了其他几种合成公式。

    Examples

    Example 1

    Ω = { A , B } m 1 : m 1 ( { A } ) = 0.4 , m 1 ( { A , B } ) = 0.2 , m 1 ( { C } ) = 0.4 m 2 : m 2 ( { A } ) = 0.7 , m 2 ( Ω ) = 0.3 \begin{aligned} &\Omega=\{A,B\} \\ &m_1:m_1(\{A\})=0.4,\quad m_1(\{A,B\})=0.2,\quad m_1(\{C\})=0.4 \\ &m_2:m_2(\{A\})=0.7,\quad m_2(\Omega)=0.3 \end{aligned} Ω={A,B}m1:m1({A})=0.4,m1({A,B})=0.2,m1({C})=0.4m2:m2({A})=0.7,m2(Ω)=0.3 k = m 1 ( { C } ) m 2 ( { A } ) = 0.28 m ( { A } ) = m 1 ( { A } ) m 2 ( { A } ) + m 1 ( { A } ) m 2 ( Ω ) + m 1 ( { A , B } ) m 2 ( { A } ) 1 − k = 0.4 × 0.7 + 0.4 × 0.3 + 0.2 × 0.7 1 − 0.28 = 0.75 m ( { A , B } ) = m 1 ( { A , B } ) m 2 ( Ω ) 1 − k = 0.2 × 0.3 1 − 0.28 = 0.0833 m ( { C } ) = m 1 ( { C } ) m 2 ( Ω ) 1 − k = 0.4 × 0.3 1 − 0.28 = 0.1667 \begin{aligned} k&=m_1(\{C\})m_2(\{A\})=0.28 \\ m(\{A\})&=\frac{m_1(\{A\})m_2(\{A\})+m_1(\{A\})m_2(\Omega)+m_1(\{A,B\})m_2(\{A\})}{1-k} \\ &=\frac{0.4\times0.7+0.4\times0.3+0.2\times0.7}{1-0.28} \\ &=0.75 \\ m(\{A,B\})&=\frac{m_1(\{A,B\})m_2(\Omega)}{1-k} \\ &=\frac{0.2\times0.3}{1-0.28} \\ &=0.0833 \\ m(\{C\})&=\frac{m_1(\{C\})m_2(\Omega)}{1-k} \\ &=\frac{0.4\times0.3}{1-0.28} \\ &=0.1667 \\ \end{aligned} km({A})m({A,B})m({C})=m1({C})m2({A})=0.28=1km1({A})m2({A})+m1({A})m2(Ω)+m1({A,B})m2({A})=10.280.4×0.7+0.4×0.3+0.2×0.7=0.75=1km1({A,B})m2(Ω)=10.280.2×0.3=0.0833=1km1({C})m2(Ω)=10.280.4×0.3=0.1667

    Example 2

    (证据源高度冲突的情况)
    Ω = { A , B , C } m 1 : m 1 ( { A } ) = 0.99 , m 1 ( { B } ) = 0.01 , m 1 ( { C } ) = 0 m 2 : m 2 ( { A } ) = 0 , m 2 ( { B } ) = 0.01 , m 2 ( { C } ) = 0.99 \begin{aligned} &\Omega=\{A,B,C\} &\quad &\quad \\ &m_1:m_1(\{A\})=0.99,& m_1(\{B\})=0.01,&\quad m_1(\{C\})=0 \\ &m_2:m_2(\{A\})=0, & m_2(\{B\})=0.01,&\quad m_2(\{C\})=0.99 \\ \end{aligned} Ω={A,B,C}m1:m1({A})=0.99,m2:m2({A})=0,m1({B})=0.01,m2({B})=0.01,m1({C})=0m2({C})=0.99 k = m 1 ( { A } ) m 2 ( { B } ) + m 1 ( { A } ) m 2 ( { C } ) + m 1 ( { B } ) m 2 ( { C } ) = 0.99 × 0.01 + 0.99 × 0.99 + 0.01 × 0.99 = 0.9999 m ( { A } ) = m 1 ( { A } ) m 2 ( { A } ) 1 − k = 0.99 × 0 1 − 0.9999 = 0 m ( { B } ) = m 1 ( { B } ) m 2 ( { B } ) 1 − k = 0.01 × 0.01 1 − 0.9999 = 1 m ( { C } ) = m 1 ( { C } ) m 2 ( { C } ) 1 − k = 0 × 0.99 1 − 0.0.9999 = 0 \begin{aligned} k&=m_1(\{A\})m_2(\{B\})+m_1(\{A\})m_2(\{C\})+m_1(\{B\})m_2(\{C\}) \\ &= 0.99\times0.01+0.99\times0.99+0.01\times0.99 \\ &=0.9999 \\ m(\{A\})&=\frac{m_1(\{A\})m_2(\{A\})}{1-k} \\ &=\frac{0.99\times0}{1-0.9999} \\ &=0 \\ m(\{B\})&=\frac{m_1(\{B\})m_2(\{B\})}{1-k} \\ &=\frac{0.01\times0.01}{1-0.9999} \\ &=1 \\ m(\{C\})&=\frac{m_1(\{C\})m_2(\{C\})}{1-k} \\ &=\frac{0\times0.99}{1-0.0.9999} \\ &=0 \\ \end{aligned} km({A})m({B})m({C})=m1({A})m2({B})+m1({A})m2({C})+m1({B})m2({C})=0.99×0.01+0.99×0.99+0.01×0.99=0.9999=1km1({A})m2({A})=10.99990.99×0=0=1km1({B})m2({B})=10.99990.01×0.01=1=1km1({C})m2({C})=10.0.99990×0.99=0

    Example 3

    (三个证据源,其中证据源1和证据源2高度冲突,证据源1和证据源3一致)
    Ω = { A , B , C } m 1 : m 1 ( { A } ) = 0.98 , m 1 ( { B } ) = 0.01 , m 1 ( { C } ) = 0.01 m 2 : m 2 ( { A } ) = 0 , m 2 ( { B } ) = 0.01 , m 2 ( { C } ) = 0.99 m 3 : m 3 ( { A } ) = 0.9 , m 3 ( { B } ) = 0 ,   m 3 ( { C } ) = 0.1 \begin{aligned} &\Omega=\{A,B,C\} &\quad &\quad \\ &m_1:m_1(\{A\})=0.98,& m_1(\{B\})=0.01,\quad & m_1(\{C\})=0.01 \\ &m_2:m_2(\{A\})=0, & m_2(\{B\})=0.01,\quad & m_2(\{C\})=0.99 \\ &m_3:m_3(\{A\})=0.9, & m_3(\{B\})=0, \:\qquad&m_3(\{C\})=0.1 \\ \end{aligned} Ω={A,B,C}m1:m1({A})=0.98,m2:m2({A})=0,m3:m3({A})=0.9,m1({B})=0.01,m2({B})=0.01,m3({B})=0,m1({C})=0.01m2({C})=0.99m3({C})=0.1 k = 1 − [ m 1 ( { A } ) m 2 ( { A } ) m 3 ( { A } ) + m 1 ( { B } ) m 2 ( { B } ) m 3 ( { B } ) + m 1 ( { C } ) m 2 ( { C } ) m 3 ( { C } ) ] = 1 − [ 0.98 × 0 × 0.9 + 0.01 × 0.01 × 0 + 0.01 × 0.99 × 0.1 ] = 0.99901 m ( { A } ) = m 1 ( { A } ) m 2 ( { A } ) m 3 ( { A } ) 1 − k = 0.98 × 0 × 0.9 1 − 0.99901 = 0 m ( { B } ) = 0 m ( { C } ) = m 1 ( { C } ) m 2 ( { C } ) m 3 ( { C } ) 1 − k = 0.01 × 0.99 × 0.1 1 − 0.99901 = 1 \begin{aligned} k&=1-[m_1(\{A\})m_2(\{A\})m_3(\{A\})+m_1(\{B\})m_2(\{B\})m_3(\{B\})+m_1(\{C\})m_2(\{C\})m_3(\{C\})] \\ &=1-[0.98\times0\times0.9+0.01\times0.01\times0+0.01\times0.99\times0.1] \\ &=0.99901 \\ m(\{A\})&=\frac{m_1(\{A\})m_2(\{A\})m_3(\{A\})}{1-k} \\ &=\frac{0.98\times0\times0.9}{1-0.99901} \\ &=0 \\ m(\{B\})&=0 \\ m(\{C\})&=\frac{m_1(\{C\})m_2(\{C\})m_3(\{C\})}{1-k} \\ &=\frac{0.01\times0.99\times0.1}{1-0.99901} \\ &=1 \\ \end{aligned} km({A})m({B})m({C})=1[m1({A})m2({A})m3({A})+m1({B})m2({B})m3({B})+m1({C})m2({C})m3({C})]=1[0.98×0×0.9+0.01×0.01×0+0.01×0.99×0.1]=0.99901=1km1({A})m2({A})m3({A})=10.999010.98×0×0.9=0=0=1km1({C})m2({C})m3({C})=10.999010.01×0.99×0.1=1

    展开全文
  • 研究了无线传感器网络MAC层安全问题,分析了现有无线传感器网络MAC层协议安全体系的不足之处,针对无线传感器网络遭到非法入侵的情况,提出了一个基于D-S证据理论的MAC层入侵检测机制。该机制利用碰撞率、数据包平均...
  • 提出了一种新的协作频谱感知方法,该方法采用DS证据理论。首先,在本地感知通过投影近似法分解感知结果以减少次级用户上报至融合中心的感知数据,从而降低协作带宽开销。其次,在融合中心根据次级用户证据矢量之间的...
  • DS 证据理论

    千次阅读 2018-03-15 17:28:34
    DS证据理论学习笔记 参考资料:浙江大学徐从富教授 可见点击打开链接 一、经典证据理论 1、经典证据理论的主要特点: ①满足比比贝叶斯概率更弱的条件,即不必蛮子概率可加性 ②具有直接表达“不确定”和“不...

    DS证据理论学习笔记 

    参考资料:浙江大学徐从富教授   可见点击打开链接

     

    一、经典证据理论

           1、经典证据理论的主要特点:

            ①满足比比贝叶斯概率更弱的条件,即不必蛮子概率可加性

            ②具有直接表达“不确定”和“不知道”的能力

            ③证据理论不但允许人们将信度赋予假设空间的单个元素,而且还能赋予他的子集

            





    展开全文
  • 在信息安全风险评估过程中,存在着很多不确定和模糊的因素,针对专家评价意见的不确定性和主观性问题,提出了一种将模糊集理论与DS证据理论进行结合的风险评估方法。根据信息安全风险评估的流程和要素,建立风险评估...
  • 针对经典DS证据理论在处理高度冲突的证据信息时会产生有悖常理结论的情况,基于证据支持度的思想,引入了证据之间相容系数的概念,并随之引入证据可信度的概念,提出了一种新的证据权重的确定方法;最后运用DS证据...
  • DS证据理论介绍

    2013-10-24 19:02:44
    浙江大学研究生《人工智能》课件 比较透彻地讲解了DS证据理论,是接触证据理论的首选资料,里面包含了DS证据理论发展过程中一些重要文献,为后续继续学习DS理论指明了方向。总之,是个不错的资料!推荐!
  • 针对标准的Dempster-Shafer(DS)证据理论在证据冲突情况下决策准确率低与评估稳定性差的问题,提出一种基于Pignistic相似度与改进DS证据理论的综合评估方法。由Pignistic概率转换求得各类证据的相似度,计算对应的...
  • 针对雷达目标一维距离像(HRRP)识别问题,结合支持向量机(SVM)和DS证据理论提出一种多极化HRRP分类方法—–SDHRRP.该方法通过混淆矩阵获取基分类器之间的距离,从而根据基分类器对不同目标类的分类能力给其赋予不同的...
  • 如今,对区间值直觉模糊集理论进行了广泛研究以解决模糊性问题,DS证据理论已在不确定情况下的多属性决策(MADM)问题中得到广泛应用。 本文提出了一种基于区间直觉模糊集和DS证据理论的新方法来处理MADM问题。 在...
  • 将多传感器信息融合技术引用到军事领域,介绍了基于 D-S 证据理论的多传感器多个测量周期的信息... 基于DS证据理论的多传感器数据融合算法研究与应用[D]. 太原理工大学.部分理论引用网络文献,若有侵权联系博主删除​

     1 简介

    将多传感器信息融合技术引用到军事领域,介绍了基于 D-S 证据理论的多传感器多个测量周期的信息融合(时空信息融合)的方法,并将该方法应用于多个雷达的信息融合。模拟实验结果表明,与单个传感器相比,基于 D-S 证据理论的多传感器时空信息融合的结果具有较高的准确度和可信度​。

    2 部分代码

    function DS_out(Result,ec1,ec2)%功能:由Result结果和ec1 ec2做出判断   [nx,mx]=size(Result);if 1~=nx    disp('Result应为行向量');    return;end[data,index]=sort(Result(1,1:mx-2));  %升序排列if (Result(index(mx-2))-Result(index(mx-3))>ec1)  &  (Result(mx-1)<ec2)  &  (Result(index(mx-2))>Result(mx-1))    if index(mx-2)==1          Type='测风雷达';    elseif index(mx-2)==2           Type='测雨雷达';    elseif index(mx-2)==3           Type='测云雷达';    elseif index(mx-2)==4           Type='多普勒雷达';    else        Type='识别算法出错';    endelse    Type='无法识别目标';endType       

    3 仿真结果

    4 参考文献

    [1]王力. 基于DS证据理论的多传感器数据融合算法研究与应用[D]. 太原理工大学.

    博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

    部分理论引用网络文献,若有侵权联系博主删除​

    展开全文
  • DS证据理论概述

    万次阅读 多人点赞 2018-08-26 16:29:09
    那么,DS证据理论是干啥呢,我感觉就是根据这个传感器提供的各个假设的信息,得到针对每一个假设的可信度区间。需要注意的是,这里的Red or Yellow并不是P(Red) + P(Yellow), 而是Red or Yellow 这一假设的概率( ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 553
精华内容 221
关键字:

ds证据理论

友情链接: openmv与stm32通讯.zip