3.5 小结

应用DS证据理论进行目标识别时，要求综合有关领域专家的知识和经验，构造出传感器的每次测量值对各个目标的基本概率赋值函数，主观因素限制了DS 证据理论的工程应用。本章提出了三种较为客观的基本概率赋值函数的确定方法，即基于灰关联分析的赋值方法、基于属性测度的赋值方法和灰关联与神经网络相结合的赋值方法。

针对多源信息间存在高度冲突的情况，利用信息间的互补性与一致性，在没有先验知识的前提下提出了一种新的基本概率赋值方法，旨在解决高冲突信息融合识别结果精度过低且必须知晓先验信息的问题。通过投票法及DS证据理论融合算法完成有效样本积累，生成训练样本集；利用自组织神经网络SOM完成“聚类”，找出M个聚类点，并在证据理论框架下修正引入的混淆矩阵，并且将修正后的混淆矩阵作用于原始分类结果进行最终的综合判决。最后进行仿真实验与分析，分别选取了Bayes分类器、SVM分类器以及ENN分类器及UCI国际公开数据库中10组数据集进行验证。