✅博主简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,Matlab项目合作可私信。
🍎个人主页:海神之光
🏆代码获取方式:
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭:行百里者,半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理(进阶版)
路径规划(Matlab)
神经网络预测与分类(Matlab)
优化求解(Matlab)
语音处理(Matlab)
信号处理(Matlab)
车间调度(Matlab)
证据理论由Dempster在1967年最初提出,并由他的学生Shafer改进推广使之成为符合有限离散领域中推理的形式,因此称为D-S理论。证据理论讨论一个“辨识框架”(Frame of Discernment)Θ,它是关于命题的相互独立的可能答案或假设的一个有限集合。按传统方法可以把Θ的幂集表示为2Θ,它是Θ的所有子集的集合。D-S证据理论对这个辨识框架进行运算,并提供计算幂集元素的逻辑,然后使用这些计算结果完成高和低的不确定性的计算工作。
定义1Θ为鉴别框架,由一完备的互不相容的陈述集合组成,Θ的幂集构成了命题集合。通过传感器信息得到的特征度量作为证据,并通过基本概率赋值函数对所有命题赋予一个可信度,基本概率赋值函数m则是满足下述两个条件的映射:2Θ→[0,1]。
(1)不可能事件基本概率数为0,即m(Φ)=0;
表示。它表示了既不信任A也不信任A¯¯¯的一种度量,可表示对不知道的度量。
1 证据理论在信息融合中的应用
定义3 假设Bel1和Bel2是相同的框架2Θ上的信任函数,具有基本概率赋值函数m1和m2以及核{A1,A2,…,An}和{B1,B2,…,Bn},并假设
定义4 假设Bel1,Bel2,…,Beln都是相同框架2Θ上的信任函数,则n个信任函数的组合可写成
(((Bel1⊕Bel2)⊕Bel3)⊕…)⊕Beln
式中⊕表示直和,有组合证据获得的最终证据在组合完成过程中与其次序无关,即满足结合率。
假定两个独立的证据源(传感器信息源)导出的基本概率赋值函数,则利用组合规则可以计算这两个证据共同作用下产生的基本概率赋值函数。
假定两个传感器同时反映对象为A,且
采用D-S规则进行组合,结果为
假设一个传感器支持对象A的程度为0.8,而另一个传感器支持的对象是B,程度为0.9,即
式中,对象A和对象B是相互排斥的描述,经过规则组合并规格化为和1并简化后得到
可以看出,信任程度低的对象报告影响了高信任度的对象报告。
当m1(A)=1.0,m2(B)=1.0时,组合公式中的分母为零,D-S规则无法对其进行组合,也就是说,D-S规则无法处理完全不一致的证据。
clear all
clc
%data1 m1=[0.5 0.2 0.3];m2=[0 0.45 0.55];m3=[0.45 0.3 0.25];m4=[0.6 0.15 0.25];w=[0.2 0.2 0.3 0.3];
%data2 m1=[0.35 0.5 0.15];m2=[0.15 0.7 0.15];m3=[0.40 0 0.60];m4=[0.2 0.65 0.15];w=[0.25 0.35 0.15 0.25];
%data3
m1=[0.75 0.25 0];m2=[0 0.35 0.65];m3=[0.1 0.3 0.6];m4=[0.1 0.35 0.55];w=[0.1 0.35 0.3 0.25];
%DS
[DS_2,DS_3,DS_4]=DS(m1,m2,m3,m4);
%Yager
[Yager_2,Yager_3,Yager_4]=Yager(m1,m2,m3,m4);
%孙全
[Sunquan_2,Sunquan_3,Sunquan_4]=Sunquan(m1,m2,m3,m4);
%Murphy
[Murphy_2,Murphy_3,Murphy_4]=Murphy(m1,m2,m3,m4);
%邓勇合成公式(加权证据合成法)
[Dengyong_2,Dengyong_3,Dengyong_4]=Dengyong(m1,m2,m3,m4);
%New
[New_2,New_3,New_4]=new(m1,m2,m3,m4,w);
DS_4
Yager_4
Sunquan_4
Murphy_4
Dengyong_4
New_4
1 matlab版本
2014a
2 参考文献
[1]陈寅,林良明,颜国正.D-S证据推理在信息融合应用中的存在问题及改进[J].系统工程与电子技术. 2000,(11)
3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合