D-S证据理论在多源数据融合中的改进与应用

1. 项目概述

在自动驾驶、工业监测等实际应用中，多源数据融合技术面临着三大核心挑战：传感器测量误差导致的不确定性、不同设备观测偏差引发的不一致性，以及多传感器重复采集造成的冗余性。传统融合方法（如加权平均、卡尔曼滤波）往往难以有效处理这些复杂情况。Dempster-Shafer证据理论（DST）因其在处理不确定信息方面的独特优势，成为解决这一问题的有力工具。

然而，传统DST组合规则存在一个致命缺陷——当面对高度冲突的证据时（例如两个传感器对同一目标的判断完全相反），其强制归一化的处理方式会产生反直觉的融合结果。这就像让两个持对立观点的专家强行达成共识，最终得出的结论往往与实际情况相去甚远。

2. 理论基础与核心创新

2.1 D-S证据理论核心框架

DST的核心架构包含三个关键要素：

1. 识别框架（Θ）：定义所有可能命题的完备集合。例如在自动驾驶中，Θ={行人,车辆,障碍物,未知}。这个框架相当于建立一个完整的问题空间，所有可能的答案都包含在其中。

2. 基本概率分配（BPA）：用m(A)表示对命题A的置信程度，满足：

   • m(∅)=0 （空集的置信度为0）
   • ∑m(A)=1 （所有子集的置信度之和为1）

3. 组合规则：传统Dempster规则通过正交和运算合并证据：

   matlab复制m(A) = (1/K) * ∑[m1(X)*m2(Y)] 其中X∩Y=A
   K = ∑[m1(X)*m2(Y)] 对所有X∩Y≠∅
   

2.2 传统方法的局限性

当两个证据源高度冲突时（即K≈0），传统规则会产生严重问题。例如：

• 传感器1：m(行人)=0.9, m(车辆)=0.1
• 传感器2：m(行人)=0.1, m(车辆)=0.9

此时K=0.18，组合后结果为m(行人)=0.5, m(车辆)=0.5。这种"和稀泥"式的融合完全丢失了原始证据的特征。

2.3 信念对数相似度测量（BLSM）

我们提出的BLSM方法通过三个关键改进解决上述问题：

1. 相似度矩阵构建：

   matlab复制S(m1,m2) = -log(∑[m1(A)*m2(A)]/√(∑m1²(A)*∑m2²(A)))
   

   这个对数相似度