基于BLSM的多源数据融合技术优化与应用

1. 项目概述

在自动驾驶、工业监测和遥感分析等领域，多源数据融合技术面临着如何处理传感器数据间冲突与不确定性的核心挑战。传统Dempster-Shafer（D-S）证据理论虽然为不确定信息处理提供了框架，但其经典组合规则在面对高度冲突证据时会产生反直觉结果。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，有效解决了这一难题。

关键创新点：该方法不仅考虑焦元结构的相似性，还引入子集内部差异的度量（EBLSM），在故障诊断实验中相比传统方法将准确率提升了12.7%。

2. 核心原理与算法设计

2.1 D-S理论的核心缺陷分析

经典Dempster组合规则在处理冲突证据时存在"一票否决"效应。例如当两个传感器对同一目标的判断完全相反（如m₁(行人)=0.9 vs m₂(车辆)=0.8），组合结果会强制分配概率到空集，这与人类直觉相悖。其数学表达为：

matlab复制K = sum(m1(A)*m2(B))  # 对所有A∩B=∅的情况求和
m(A) = sum(m1(Ai)*m2(Bj))/(1-K)  # 归一化处理

这种机制导致：

1. 高冲突证据被过度放大
2. 信息熵急剧增加
3. 实际应用中可能产生危险误判

2.2 BLSM算法实现步骤

2.1.1 相似度矩阵构建

对于两个BPA m₁和m₂，计算其对数相似度矩阵：

matlab复制function S = BLSM(m1, m2, G)
    % G为识别框架的二进制表示矩阵
    S = zeros(size(G,1));
    for i = 1:size(G,1)
        for j = 1:size(G,1)
            S(i,j) = log(m1(i)*m2(j)/(sqrt(m1(i)^2 + m2(j)^2)));
        end
    end
end

2.1.2 权重自适应调整

通过相似度矩阵生成证据权重：

matlab复制function w = weight_adjust(S)
    d = 1./(1 + exp(-diag(S)));  % Sigmoid归一化
    w = d/sum(d);  % 保证权重和为