证据理论作为一种推理常用的信息融合方法,对解决信息融合中不确定性问题具有显著的优势。随着证据理论在信息融合领域中的广泛应用,证据冲突、证据相关以及传统意义下证据理论的推广等问题成为证据理论和应用研究热点。本文针对上述证据理论的几个关键问题进行研究,主要工作如下: (1)简要地介绍信息融合技术及其融合算法,同时阐述了证据理论在融合算法中的作用和地位;较系统地论述了当前证据理论的研究进展,对存在的问题及解决途径进行了分析; (2)研究了实际应用中经常遇到的证据冲突与证据相关问题,针对这两种问题的几种经典改进方法进行了比较,对证据推理在证据冲突情况下的鲁棒范围进行确定,指出了解决证据冲突的关键是处理好冲突的分配,而解决证据相关性则要把证据分解成独立的子证据的解决思路; (3)分析了不同证据理论推广方法的特点,指出了条件化证据的推广解决证据框架外的信源的有效组合,而广义证据理论和模糊证据理论则试图使证据焦元本身得以拓展,产生更为广泛的组合规则; (4)以标准的分类数据库为研究对象,研究了构造基本概率分配函数的方法,并将其用于多个分类器融合。使用神经网络和利用相关证据合成规则组成基于相关证据的神经网络集成系统对标准数据库进行分类,为D-S理论在多个分类器融合中的应用提供了有价值的研究结果。 将以上算法思想在MATLAB环境中实现,通过对改进算法得到的试验结果与直接利用D-S合成方法得到的结果进行对比,得出以下结论:该算法能充分利用神经网络和相关证据的优势,能够对一些特定的分类问题实现较好分类,说明算法具有良好的可实用性。