D-S证据理论与BLSM改进方法在数据融合中的应用

1. 项目概述

在当今数据爆炸的时代，多源数据融合技术已成为自动驾驶、工业监测、遥感分析等领域的核心技术。然而，不同传感器或数据源提供的信息往往存在不确定性、不一致性甚至冲突，如何有效整合这些信息成为关键挑战。Dempster-Shafer证据理论（DST）作为一种强大的不确定性推理工具，为解决这一问题提供了理论基础。

我在实际工程实践中发现，传统D-S理论在处理高度冲突证据时存在明显缺陷。例如，在自动驾驶系统中，当摄像头和雷达对同一目标的识别结果完全相反时，传统方法会产生反直觉的融合结果。这促使我深入研究基于对数相似度的改进方法，并开发了相应的Matlab实现方案。

2. 理论基础与问题分析

2.1 D-S证据理论核心概念

D-S理论的核心在于通过基本概率分配（BPA）来表达不确定性。以一个简单的目标识别场景为例：

• 识别框架 Θ = {A,B,C}（A=行人，B=车辆，C=障碍物）
• 某传感器的BPA可能表示为：
  m({A}) = 0.6（行人的置信度）
  m({A,B}) = 0.3（可能是行人或车辆）
  m(Θ) = 0.1（完全不确定）

这种表示方法比传统概率更灵活，可以明确表达"不知道"和"部分知道"的状态。

2.2 传统方法的局限性

Dempster组合规则的核心公式为：
(m₁⊕m₂)(A) = (1-K)⁻¹ × Σ_{B∩C=A} m₁(B)m₂(C)

其中K=Σ_{B∩C=∅} m₁(B)m₂(C)表示冲突量。当K→1时，分母趋近于0，会导致数值不稳定和反直觉结果。

我在工业故障诊断项目中就遇到过这种情况：温度传感器指示"过热"，而振动传感器指示"磨损"，传统融合结果却给出了高置信度的"泄漏"判断，这与实际情况严重不符。

3. 信念对数相似度测量方法

3.1 BLSM算法原理

我们提出的信念对数相似度测量（BLSM）通过以下步骤改进传统方法：

1. 定义两个BPA m₁和m₂之间的对数相似度：
   LS(m₁,m₂) = -log[1 - 0.5×(d₁ + d₂)]

   其中d₁和d₂是Jousselme距离的变体，考虑了焦元间的相似性。

2. 计算证据权重：
   w_i = (1 - LS_i) / Σ(1 - LS_j)

3. 改进的组合