基于BLSM的多源数据融合方法在自动驾驶与故障诊断中的应用

1. 项目概述

在自动驾驶、工业故障诊断等实际应用中，多源数据融合技术面临着如何处理传感器数据间冲突和不一致性的核心挑战。Dempster-Shafer证据理论（DST）作为一种经典的不确定性推理方法，虽然能够有效表达和处理不完全信息，但其传统组合规则在面对高度冲突证据时往往会产生反直觉的结果。本文提出的信念对数相似度测量（BLSM）方法，通过量化证据间的一致性程度，为多源数据融合提供了一种新的解决方案。

2. 理论基础与问题分析

2.1 D-S证据理论核心概念

D-S理论的核心在于其能够区分"不确定性"和"无知"这两个关键概念。在识别框架Θ={θ1,θ2,...,θn}下：

• 基本概率分配（BPA）：m(A)表示对命题A的精确信任程度，满足：

  • m(∅)=0
  • ∑m(A)=1 (A⊆Θ)

• 信任函数（Bel）：Bel(A)=∑m(B) (B⊆A)

• 似然函数（Pl）：Pl(A)=1-Bel(¬A)

注意：BPA与概率分布的关键区别在于，BPA可以分配给非单子集，这使得它能够更好地表达"不知道"的状态。

2.2 传统Dempster组合规则的局限性

传统Dempster组合规则通过正交和运算合并证据：

m(A) = (1-K)⁻¹ × ∑(m1(B)×m2(C)) (B∩C=A)

其中冲突系数K=∑(m1(B)×m2(C)) (B∩C=∅)

当K→1时，组合结果会变得极不稳定。例如在自动驾驶场景中，如果摄像头和雷达对障碍物的判断完全冲突（K≈1），传统规则会产生违反直觉的融合结果。

3. 信念对数相似度测量方法

3.1 BLSM算法原理

BLSM的核心思想是通过对数运算放大证据间的差异，从而更敏感地检测冲突。对于两个BPA m1和m2，其相似度定义为：

sim(m1,m2) = exp(-∑|log(m1(A)+ε)-log(m2(A)+ε)|)

其中ε是防止零对数的微小正数（通常取1e-10）。

3.1.1 算法实现步骤

1. 预处理：对输入的BPA矩阵进行归一化处理
2. 相似度计算：计算每对证据源之间的BLSM相似度
3. 权重分配：根据相似度矩阵计算每个证据源的可靠性权重
4. 加权融合：