D-S证据理论改进相关综述

D-S证据理论改进相关综述
发布时间：2022-09-08T09:02:08.884Z 来源：《科技新时代》2022年2月4期作者：杨亚琨，[导读] 在目标识别领域的数据融合技术当中，D-S证据理论被广泛应用，主要在于D-S证据理论可
杨亚琨，
单位：湖南农业大学-信息与智能科学技术学院
摘要：在目标识别领域的数据融合技术当中，D-S证据理论被广泛应用，主要在于D-S证据理论可以有效的处理不确定信息。

可有效处理复杂环境下引起的不确定问题，使其处理不确定信息时更加的高效。

其缺点是在高冲突的证据发生时，得不到有效结果。

本研究为探寻一种能够优化证据理论的方法，使其达到高冲突证据环境中，还能得到不偏离现实的有效融合结果的目的，研究并整理了大量相关文献，研究过程中发现有学者针对此方向有过探究，但效果不甚理想。

基于此，本文经查阅大量国内外相关文献，为探寻一种解决高冲突证据问题的方法后分析和整理成为本篇综述。

关键词：D-S证据理论；不确定信息；高冲突证据；优化1.引言
1967年，证据理论首次问世，提出人是Dempster。

同年，Shafer通过研究进一步完善并确立了证据理论概念。

因此证据理论又被命名为D-S（Dempster-Shafer）证据理论，以此纪念两位伟大的研究先驱。

D-S证据理论由于对不确定信息的多元化高效处理，能在目标识别领域发挥出巨大作用。

由于D-S证据理论无需目标先验，也无需条件概率密度，在建模上比贝叶斯概率论具备更优越的有效性与灵活性。

D-S证据理论对于“不确定性”的表达通过对由多个对象组成的集合子集来进行基本概率分配函数的分配，而不是单个对象，并对证据主体进行合并形成新的证据。

Dempster组合规则的决策是通过多传感器信息的综合而得，拥有准确、有效的特征[3]。

设多传感器系统的框架为Θ={A1，A2，...，AM},生成两个独立的证据定义，设对应的mass函数为m1和m2，则Dempster组合规则为
交换律和结合律在Dempster组合规则中发挥的作用是在不受揆情度理顺序的影响下提高证据融合的便利性。

2.国内外研究综述
2.1 国外研究综述
关于多感性信息的融合，有许多经典方法被采用并总结出来，例如贝叶斯推理、遗传算法以及神经网络等等。

相较众多方法相比而言，D-S证据理论的算法优势一方面在于具备有先进良好的理论基础，能够综合性的处理在复杂环境下所带来的不确定因素以及传感器本身所引发的失效问题；另一方面，D-S证据理论是一款简洁高效的计算工具，相比其他算法，无需先验数据的支撑就可以完成对不确定信息的快速处理，使目标识别的效率更高。

此外，D-S证据理论也具备较好的抗干扰能力，在系统冗余信息的处理方面的表现都较为出色，这也使得他的识别精度在一定程度上得到了提高。

因此在当前的目标识别领域中，D-S证据理论已经成为广泛采用的主要计算方法，诸多国内外学者与专家也都对D-S证据理论开展了深入的研究。

D-S证据理论在处理信息融合时，若系统中并不存在高冲突证据，则融合结果可以准确、有效，能够得到较好的目标识别效果。

但是一旦在系统当中存在有高冲突证据，D-S证据理论在进行原始证据的信息融合时，所得到的最终结果可能与实际情况有所冲突。

这也导致在高冲突证据背景下，D-S证据理论往往难以保证目标对象识别正确率。

由于在现实应用中，环境是较为复杂的，随时存在着各式各样的变数和异常状态，同时传感器自身也存在有一定的变动因素，这些复杂的外在变化都会直接引起信息的不确定性，在D-S证据理论进行不确定证据的融合时，无疑会影响到最终的任何效果，有可能会导致产生最终与现实情况相违背的错误产生。

因此在D-S证据理论的使用上必须先有效地对不确定证据进行预处理，确保这些不确定证据融合时能够符合实现理论，从而令最终的目标识别结果达到预期。

最早提出D-S证据理论所存在的缺陷的学者是Zadeh，他通过研究指出由于D-S证据理论自身所存在的问题，当高冲突证据出现时，信息融合就会产生错误的决策结果，即易影响到最终的准确度，这就是知名的“Zadeh悖论”。

“Zadeh悖论”的问世，使得人们从另一个角度来看待D-S证据理论，同时也是对信息融合领域的有效促进与影响。

Yager选择在D-S证据理论基础上进行了冲突分配的改进，将证据之间所产生的冲突都分配到识别框架中，这样一来能够有效地消除彼此冲突的证据对融合结果所造成的不良作用，这一做法虽然开创了一种全新的思路，但忽略了正逐渐所出现的冲突影响，这导致他的应用范围极其拘束，一旦外界环境较为复杂，该算法所得到的最终识别结果往往与事实背道而驰。

Muphy提出的改进主张则是采取平均集权算法，将证据各个焦元的基本概率总平均值求出来之后，用均值进行证据加权，随后再与加权后的数据完成融合，这一信息融合的改进能够对证据冲突所带来的影响起到一定程度的校正与改善作用，在某个角度来说能够达到较好的预期效果，但由于这个方法对于所有证据冲突的计算是完全平均的，忽略了证据彼此之间不同的关系因素，同样存在局限性。

Jousselme 提出的改良方案是建立在此基础之上，考虑到证据彼此之间关系所带来的差异性，他提出了证据距离的计算函数，能够有效对证据彼此之间的关系进行度量，从而能够更为精确的表达证据之间彼此的关系，对证据冲突以及冲突分配都进行了更为细化、全面地衡量，在证据相似度的计算方面被广泛应用；之后还得出了一个融合规则的改进公式，这一合成公式能够根据计算出的证据之间的关系来得出相应权重，进而以权重数据来改进融合的规则。

Zhao[1]等人针对证据冲突提出了不一致测量的一种修正算法。

该算法会对所有类型的证据冲突进行分类，进而得出对应的冲突系数，通过不断地添加与跟新冲突系数来进行数据校准。

这一计算方法的缺点就在于当识别框过大时，无法正常应用。

2.2 国内研究综述
进入到20世纪90年代，我国有学者已经开始认知到国外目标识别技术在实际应用的需求增长，也投身进入这一研究领域中。

这一时期也令诸多有关于目标识别领域的学术期刊以及相应著作在市场当中受到欢迎。

作为一门跨领域的新兴科技，目标识别技术的发展也是受到了诸多其他学科技术的带动，国内在该领域的研究多半专注于多传感器目标识别与跟踪或是态势评估与威胁评估等方面，多传感器信息融合的运用研究是热点话题，也是未来的持续研究热点。

目前，信息识别技术的研究基础都是信息融合技术，由此所诞生的不同派系的算法可以分为以下几类，比如以D-S证据理论、经典推理和贝叶斯算法在内的统计算法，有熵法这样的信息算法，还有以神经网络、专家系统、AI学习在内的人工智能算法等。

D-S证据理论对于目标识别中的不确定信息的处理以及准确表达，国内学者在这个方面也进行了不少的研究，提出了诸多基于D-S证据理论的改进算法，部分目标识别改进方法如下：
孙洪岩等[2]通过两个传感器证明了多传感器识别的有效性，进而推导出了多传感器目标识别理论，这一方法的优势在于能够大量减少目标识别过程当中的数据运算量，很好地解决Dempster组合规则所带来的计算过于复杂问题，使得目标识别的效率增进、时间更充裕。

不过该理论的推导条件较为简单，适用于简单识别框架，是否能够在一般条件下成立还未得验证。

孙全等[3]在研究Yager理论后探讨其冲突处理方法的合理性，认为证据冲突不应当被全盘否定，而是应当根据证据可信度函数的定义来获取部分可用证据冲突信息。

对冲突系数K进行了重新定义，使得两个证据之间的冲突情况的描述能够更为准确、详实、可靠。

不过该看法当中所提出的证据可信度函数定义仍然存在着一定的主观性。

张山鹰等[4]认为在证据冲突的问题处理上，有效的解决方法应该是将高冲突部分直接分配给具备有高支持度的证据焦元。

这一方法虽然进行了冲突分配，但是并没有将冲突分配到识别框架，因此所得出的识别结果会导致被分配冲突的焦元对应B P A之和并不产生变化。

邓勇等[5]认为Murphy算法在运算时忽略了证据间的冲突差异性而直接求均值的做法影响到了最终的识别效果，因此提出通过Jousselme 规则证据之间的距离计算，从而得出两个证据之间的冲突程度，据此获取到相应的证据权重，进行加权之后再完成平均求值，使得加权后的均值能够比原有的Murphy算法拥有更高的真实性，识别结果准确度有所上升，但由于加权均值的证据局限性客观存在，因此这一方法在融合识别过程中的应用也受到影响。

综上可知，多传感器目标识别技术已经在信息融合领域中获取了相当高的认可度，得到国内外学者与专家的重点研究，这一发展方向也将成为未来目标识别领域的一个主要研究重心。

但多传感器信息融合中所存在问题，如证据信息的冲突、冲突信息的合理分配等仍然有待解决。

采用多传感器信息融合的目标识别系统，会受到传感器本身功能影响，这些复杂而多变的因素往往会导致在传感器中所获取的信息完整度和精确度下降，信息的不确定性增加。

想要保证目标识别系统的高效化与准确化，那就必须对这些不确定信息进行预先处理，以减少或杜绝不确定信息在数据融合中所带来的不良影响，消除其在目标识别方便所导致的问题。

D-S证据理论对于“不确定性”的表达通过对由多个对象组成的集合子集来进行基本概率分配函数的分配，而不是单个对象，并对证据主体进行合并形成新的证据。

3.总结
不确定信息的表示和若干个信息的综合是不确定性推理的主要问题， D-S证据理论为不确定信息的表达上提供了一个很好的框架，能够在大多数情况下采用合理的组合规则完成对不确定信息和其他信息的综合处理。

鉴于该理论在证据高度冲突时所出现的失准问题，因此本文对国内外的相关文献与数据进行了总结分析，并通过多个角度进行了系统梳理，为后续的理论发展以及算法优化提供了一定的参考价值，同时也在D-S证据理论的不确定性信息处理角度提出了一些有效建议。

4.参考文献
[1] 彭东亮, 文成林, 薛克安. 多传感器多源信息融合理论及应用[M]. 北京: 科学出版社, 2010, 15-23.
[2] 孙洪岩, 张拔, 何克忠. 目标的 Dempster-Shafer 融合识别[J]. 清华大学学报自然科学版, 1999, 39(9): 90-94.
[3] 孙全, 叶秀清, 顾伟康. 一种新的基于证据理论的合成公式[J]. 电子学报, 2000, 28(8):117-119.
[4] 张山鹰, 潘泉, 张洪刁. 一种新的证据推理组合规则[J]. 控制与决策, 2000, 15(5): 540- 545.
[5] 邓勇, 施文康, 朱振福.[J]. 红外与毫米波学报, 2004, 23(1): 27-32.。