基于模糊证据理论的数据融合算法研究文献综述.doc

基于模糊证据理论得数据融合算法研究文献综述
摘要:首先描述了数据融合技术发展历史与研究现状,然后对数据融合框架得三种形式以及几种常用得融合方法作了简单得介绍，并详细介绍了模糊证据理论框架下得数据融合算法,最后对数据融合技术研究中存在得问题以及在ＣPS信息物理融合系统中得应用前景进行了论述。
0　引言
　　　信息物理融合系统CPS,就是通过计算、通信与控制技术得有机与深度融合实现计算资源与物理资源得紧密结合与协调得下一代智能系统［1]。CPS得典型应用包括智能交通领域得自主导航汽车、无人飞行机以及智能电网、家庭机器人、智能建筑等, 就是构建人类未来智慧城市得基础[２]。CPS得基本组件包括传感器、执行器与决策控制单元,各个层级得组件与子系统都围绕数据融合向上提供服务数据沿从物理世界接口到用户得路径上不断提升抽象级用户最终得到全面得精确得事件信息。
　 　 汽车CPS，简单来说就是指把CPS技术应用在汽车上,以使汽车更易于驾驶,更安全。具体指用带微处理器得实时输入传感器与分布在汽车得不同部件上得提供输出得制动器等控制单元,收集本车得实时信息或其她车辆得信息,通过一个统一得网络如控制局域网(Conｔrolｌｅr Aｒea　Network, CAＮ　)来完成信息得交互、计算,并根据信息得反馈来完成对汽车得控制，使得汽车更易于驾驶,响应更快,更安全,更智能。人类对汽车性能要求得提高以及智能交通系统得建设,物理设备(比如ECU）与信息系统(比如ITS中得信息电子系统）得深度融合,海量数据得处理,多维度复杂开放系统得建立等，使得汽车CPS得研究与发展成为汽车电子中物理设备系统发展得必然趋势。
　文献[3]指出未来ＣPＳ得全球化、自主得网络架构需要能够容纳大量得物理数据源执行器与分布得计算元素,所以需要以数据融合与提升信息抽象能力为中心以满足应用需求。CＰS系统中收集到得数据具有异构性、海量性、不确定性、动态性等特点,如何对这些数据进行有效得融合，从而得到具有自适应性、自主性、高效性、可靠性、安全性等特点得一个智能得有自主行为得系统至关重要。
１ 数据融合技术发展历史与现状
１、1 数据融合定义
数据融合又称为多传感器数据融合,就是针对一个系统使用多种传感器这一特定问题而展开得一种关于数据处理得研究。目前,对数据融合还很难给出一个统一、全面得定义[4,5］。随着数据融合与计算机应用技术得发展，根据国内外研究成果，多传感器数据融合比较确切得定义可概括为：充分利用不同时间与空间得多传感器数据资源,采用计算机技术对按时间序列获得得多传感器观测数据，在一定准则下进行分析、综合、支配与使用，获得对被测对象得一致性解释与描述,进而实现相应得决策与估计,使系统获得比它得各组成部分更充分得信息[６，7]。它要强调数据融合得3个核心方面:数据融合就是在几个层次上完成对多源信息得处理过程,其中每一层次都表示不同级别得信息抽象;‚数据融合包括检测、关联、相关、估计及信息组合;ƒ 数据融合得结果就是指较低层次上得状态与身份估计,以及较高层次上得整个态势估计。
这一技术广泛应用于C3I系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视与管理、农业、遥感、医疗诊断、图像处理、模式识别等领域［8]。文献[9]指出,与单传感器系统相比,运用多传感器数据融合技术在解决探测、跟踪与目标识别等问题方面,能够增强系统生存能力,提高整个系统得可靠性与鲁棒性,增强数据得可信度，并提高精度,扩展整个系统得时间、空间覆盖率,增加系统得实时性与信息利用率等。
1、2 数据融合得发展历史与现状
数据融合出现于２０世纪7０年代[１0]。美国就是数据融合技术起步最早得国家,1983年，美国国防高级研究计划局( DARＰA )推出得战略计算机计划中,将多传感器数据融合列为重大研究课题；19８4 年,美国国防部(DOD)成立了数据融合专家组，负责指导、组织并协调有关这一国防关键技术得系统研究,1988 年又将其列入国防部２2项关键技术之一，同时其它西方发达国家与国际组织(如英、日、德、法及欧共体等) 也积极开展了数据融合技术研究工作。1986年开始， 每年IEEE主办得机器人与自动化学术会议上都有专门关于数据融合得专题[11]。各种学术刊物也纷纷开辟专栏与出版专集，交流与探讨数据融合得有关问题。１98７ 年欧洲共同体开始为期5 年得ＳK　IDＳ ( Ｓigｎal anｄ Ｋnowleｄgｅ Iｎtegrａtｉon　ｗith Dｅcｉｓional　Conｔrol　fｏr Multiseｎsory Syｓtem )计划,主要目标就是研究多传感器数据融合得通用结构及实时信息融合技术等。1998年成立了国际信息融合学会（ ＩS IF)　，每年举行一次信息融合国际学术会议，促进了信息融合技术得交流与发展,　
相继取得了一些有重要影响得研究成果［12]。
与国外相比,我国在数据融合领域得研究起步较晚,１99１年海湾战争结束以后，数据融合技术引起国内有关单位与专家得高度重视[13]。一些高校与科研院所相继对数据融合得理论、系统框架与融合算法开展了大量研究,但基本上处于理论研究得层次上,在工程化、实用化方面尚未取得有成效得突破。有许多关键技术问题尚待解决,在工程应用领域,需要开发出有重要应用价值得实用系统。近年来数据融合技术已形成研究热点, 国家自然科学基金与国家86３计划已将其列入重点支持项目[14]。
2 数据融合框架及方法介绍
传感器1
传感器2
传感器n
、、、
数据关联
数据融合
特征提取
特征识别
判决输出
数据级融合
、、、
传感器1
传感器2
传感器n
特征提取
特征融合
特征关联
判决输出
特征级融合

特征提取
决策融合
决策关联
判决输出
传感器1
传感器2
传感器n
特征
识别
特征
识别
特征
识别
、、、
决策级融合
图 １　三种信息融合框图
数据级融合就是在原始得传感器数据经过很小程度得处理后进行得,因此保留了尽可能多得原始信息,融合结果具有最好得精度,可以给人更加直观、全面得认识,但这种融合方式得数据处理量大,抗干扰能力差,可用于精度要求不高得场合。特征级融合属于中间层次,就是指从各个传感器提供得原始数据中进行特征提取,然后融合这些特征,在融合前实现了一定得信息压缩,有利于实时处理,具有很大得灵活性。决策级融合就是指在融合之前，各传感器数据源都经过变换并获得独立得身份估计，信息根据一定准则与决策得可信度对各自传感器得属性决策结果进行融合,最终得到整体一致得决策,这种融合方式具有很好得容错性与实时性[１5，1６]。
从理论上说，决策级融合输出得联合决策结果比任何单传感器更为精确与明确,而且可以用于异质传感器数据得融合，在一个或多个传感器失效时也能正常工作。目前已有得决策层数据融合方法包括:经典推理法、Kalｍａｎ滤波法［17]、Bays估计法[18]、D-Ｓ证据推理法［19]、聚类分析法、专家系统法、模糊集合理论［２０，2１]、神经网络[22]、粗集理论[23］等等。其中证据理论与模糊集理论就是决策级数据融合中最常用得两种算法。表1对几种常用得融合方法作了简单得介绍。
表 １ 融合框架比较
框 架
特　 点
功 能
局限性
概率
论法
采用概率分布来表示数据,在贝叶斯框架内融合
处理不确定性数据得容易构建与理解得方法
不能处理不完整性数据得其她方面
证据
理论
基于概率分配利用信任函数与似然函数进一步特征化数据,在D-S融合规则下融合
处理不确定性与模糊数据
不能处理数据不精确性得其她方面,不能用于对高冲突数据得融合
模糊
理论
用模糊隶属函数表示模糊数据,在模糊规则下融合
直观处理模糊数据,特别就是人为 得错误定义得数据
只能用来融合模糊数据
可能性
理论
数据表示与概率论与证据理论类似,在模糊框架下融合
可以对环境信息已知很少下得不确定信息融合
在数据融合领域没有得到广泛使用与很好得理解
粗糙集
理论
使用明确得近似上下界处理模糊数据,在经典集下实现
不需要任何先验知识与附加信息
数据得粒度要选取合适
混合
方法
目得就是更全面得处理数据不完整性
以互补得方式而不就是相对立得方式来构建融合框架
需要一个特定得融合框架来包容其它框架,计算量大
随机集
理论
利用状态空间得随机子集来表示不完整数据得多个方面
可以为不完整数据得融合提供一个统一得框架
相对较新得方法,在数据融合领域还未被深入研究
3 模糊证据理论框架下得数据融合算法
３、1 证据理论与模糊集理论
　证据理论就是处理不确定信息得代表,广泛应用于目标检测、分类、识别与判断,主要解决决策级融合得各种应用问题[2４］,其融合步骤如下:(1)分别计算各证据基本概率赋值函数mａss,信任函数Ｂel，似然函数pｌ；(2)利用组合规则得到所有证据联合作用下得基本概率赋值函数、信任函数与似然函数；(3)利用一定得决策规则,选择联合证据作用下支持度最大得假设。上述过程可由图２表示,先由ｎ个传感器分别给出ｍ个决策目标集得信度,经Dｅmpsteｒ合并规则合成一致得m个决策目标集得信度。最后,对各可能决策利用某一判决规则,得到结果。
、、、
、、、
传感器1
传感器2
传感器n
预处理器1
预处理器2
预处理器n
Bel1 Pl1
Bel2 Pl2
Belm Plm

Bel1 Pl1
Bel2 Pl2
Belm Plm

Bel1 Pl1
Bel2 Pl2
Belm Plm

D-S
组
合
规
则
Bel1 Pl1
Bel2 Pl2
Belm Plm

决
策
规
则
决策

图 2　D-S证据理论得数据融合过程
模糊集理论得基本思想就是把普通集合中得绝对隶属关系灵活化,使元素对集合得隶属度从原来只能取{0,1}中得值,扩展到可以取[0，１]区间得任何数值。在应用于多传感器信息融合时，模糊集理论用隶属函数表示各传感器信息得不确定性,然后，利用模糊变换进行数据处理[25]。但它只能用于融合模糊信息，应用范围受到限制。
３、２ 证据理论存在得问题
证据理论可以处理由不知道引起得不确定性,它采用信任函数而不就是概率作为度量,通过对一些事件得概率加以约束以建立信任函数而不必说明精确得难以获得得概率,但传统证据理论得论域内得元素与论域上得集合之间得关系就是属于与不属于得关系，很难处理现实世界中具有模糊性得亦此亦彼得现象,而模糊集合正反映了这类亦此亦彼得模糊性,因此，可以将证据理论向模糊集扩展,利用证据理论与模糊集得优点来表示与处理不精确与模糊得信息,这对扩大证据理论得应用范围具有重要得意义。
而且,证据理论在应用时存在很大得局限性,它要求证据间相互独立,而且在证据高度冲突得情况下会出现错误得判断,因此,如何获得彼此独立得信任函数以及如何处理冲突问题，也严重限制了证据理论得应用范围。
证据组合规则就是证据理论得核心,它将来自不同信息源得独立证据信息组合,产生更可靠得证据信息[26]。但证据理论本身存在两大问题：第一,要融合得证据得获取,简单得说为如何得到基本信任分配Bel。针对这一问题目前已有得有效解决方法包括利用模糊理论确定ｍaｓs函数进行信息融合得方法[２７-30],利用BPNＮ，PNN，ＭLPNN等神经网络进行样本训练得到后验概率转化为基本概率分配得方法[３1－34]等等。第二，当证据间存在冲突或不一致性时,证据合成规则得正则化过程可能会导致推理结果出现悖论,尤其就是在证据高度冲突与完全冲突得情况下D-Ｓ理论得组合规则失效，甚至会得出错误得结果,在许多系统中就是不允许出现这些情况得，否则会引起严重得后果。针对这些问题,已有很多研究,主要分为两大类:修改证据源模型与修改组合规则。Lefevre等[15］研究了合成得证据源数目与冲突之间得关系，指出冲突部分得合理分配就是解决问题得关键所在,类似研究如未知元素分配法、部分冲突分配法、加权分配法等等。文献[３3]认为冲突证据就是传感器不可靠造成得,可将其去掉或用其她证据取代。对合成规则得修改包括基于可信度系数得合成规则[3４］、基于证据间距离得合成规则[３5］、基于证据预处理得合成规则等等。文献[36］认为证据理论得冲突证据带来得反常结果与群决策得一票否决与多数规则机制很相似,利用群决策机制对证据进行预处理后,通过改进得组合规则进行融合，从而得到了合理得、可靠得决策。
3、3　模糊证据理论
模糊证据理论把模糊集与D-S证据理论得结合起来,得到一个新得理论框架,实现多传感器数据融合，不仅用模糊集解决证据理论得maｓs函数不易获取与冲突悖论问题,也克服了模糊集得应用局限问题，两者互补不足。把模糊集加进证据理论中,一方面利用模糊逻辑得隶属度函数得到数据得可信度,从而得到证据理论得基本分配函数;另一方面在证据已知但存在冲突得情况下,利用模糊相似矩阵修正证据模型，最终得到一种有效得数据融合算法。目得就是提高融合结果得准确性,扩展算法得使用范围。已有得研究也考虑把神经网络与证据理论结合起来，利用神经网络得自适应能力对样本进行学习得到后验概率,转化为基本信任分配,提高融合得自适应性,因此在重点改进模糊证据理论算法得基础上,也考虑加入神经网络,从而提高融合结果得准确性与鲁棒性。随着大数据时代得到来,数据间得关系越来越复杂,建立统一得融合理论、数据融合得体系结构与广义融合模型,利用集成得计算方法来提高多传感器数据融合得性能,成为今后数据融合领域研究得重点。
４ 数据融合研究中存在得问题与发展前景展望
4、1 数据融合研究中存在得问题
现代感知环境得日趋复杂多变、感知对象得日益丰富、感知手段与能力得显著提升、用户对感知要求得日益提高,使得信息融合成为一项非常具有挑战性得任务,呈现出不确定、多模态、高冲突、强相关、网络化等诸多特性[37，３8]。归纳如下:
1)融合框架:随着越来越多得信源加入,许多信息融合系统成为复杂巨系统,表现为信源数量大、种类多,并且它们之间得关系以及层次结构复杂。因此需要系统建模,综合集成并整体优化;
2）不确定:传感器得观测总会受到噪声影响,使得其不准确或者产生虚警等；同时,杂波、多目标得存在使得量测来源具有不确定性。信息融合算法需要利用冗余有效降低不确定性;
３)多模态：在多传感器系统中,针对同一待观测现象,可能存在着声音、视频、文字等多模态量测,系统须具备融合这些量测得能力，给出一致理解与高品质态势;
4)高冲突：当多个专家对同一现象给出不同意见时，信息就产生了冲突。在基于证据置信推理与Dempster组合规则得融合算法中,融合带有冲突得数据很容易产生与直觉不一致得结果。因此,融合算法需要小心处理高冲突数据；
5)强相关:该问题在分布式融合中尤为重要与普遍，例如,在无线传感器网络中,一些传感器节点很可能受相同噪声得影响,产生有偏量测。另外,在估计过程中使用近似滤波器也会造成局部节点估计之间相关。如果不考虑数据相关性,会产生有偏估计;
6）网络化：在大尺度分布传感器网络中,会产生多采样率、网络延迟、丢包、错序、量化失真等现象。好得融合算法需要有能力处理这些问题,尤其就是在精确、实时应用中,从而避免性能下降；
7)非线性：目标运动建模与量测建模坐标系得非线性关系引起运动建模得非线性,分布式观测得信息在空间变换配准中引起非线性等。对非线性得处理不当会损失有用信息。
　 其她问题还包括高维数、大尺度等,不再赘述。
4、2 数据融合在汽车CＰS中得应用前景
汽车ＣＰS具有自适应性、自主性、高效性、功能性、可靠性、安全性等特点,就是一个智能得有自主行为得系统，能够从环境中获取数据，进行数据融合，提取有效信息,并且根据系统规则通过效应器作用于环境。获取得数据具有四个关键特征:(1)异构性。从数据本身得属性来瞧,有描述物理不同特征得数据;从数据得基本格式来瞧,有数据格式、科学文本格式以及XMＬ格式等;从数据得结构来瞧,有结构化数据、半结构化数据与非结构化数据等；从数据语义来瞧,有采集得底层原始数据与数据聚合后得高层概括性数据等。(２)动态性。描述CPS实体得数据具有显著得动态性。ＣPS得物理设备之间以及物理进程与计算进程之间具有紧密交互得特征,这种紧密交互行为也导致数据处于不断动态变化中。而数据得动态性则会进一步导致部分数据存在不确定性。(3）实时性。ＣＰＳ数据处理必须满足实时需求,保证在限定得时间内给出正确得处理结果。(4)可信性。由于CPS系统网络得复杂性,系统中存在许多不可预知得因素,这些不可预知得因素所产生得数据不确定性将影响数据处理得各个阶段，包括数据采集、数据传输、数据加工与数据反馈等，尤其就是在数据加工处理得聚集计算、查询处理、数据分析中更需要保证数据处理得可信性,对可能出现得错误或者系统故障,应具有容错能力,保证数据处理结果得正确性、可靠性与安全性。可信性包含得另外一个方面就是隐私保护，要求在对原始数据内容保密得情况下仍然提供定制得服务。因此,如何对这些来自不同传感器得不同特征得数据进行管理与融合成为汽车ＣPS系统研究得关键。
5 总结
汽车ＣPS系统中收集到得数据具有异构性、海量性、不确定性、动态性等特点,如何对这些数据进行有效得融合,从而得到具有自适应性、自主性、高效性、可靠性、安全性等特点得一个智能得有自主行为得系统就是至关重要得。虽然已有得数据融合算法多种多样,但还没有哪一算法能够同时处理以上数据层面所面临得全部挑战。未来一个重要得发展趋势就是把各种算法按照优势互补原则有机结合起来,以克服单独使用一种算法所存在得不足。模糊证据理论作为模糊集与Ｄ-S证据理论得结合,可以处理不确定性、模糊性以及异构性并存得数据，因此研究一种改进得模糊集与证据理论得结合算法，提高融合结果得准确度,就是一个非常具有实际意义得研究方向。
参考文献
[1] 温景荣,武穆清,宿景芳、 信息物理融合系统、 自动化学报,　201２, ３8（4):50７-517
[2] 黎作鹏,张天驰,张菁、　信息物理融合系统(cpｓ）研究综述、 计算机科学, 2011,　３8(9）:２5-3１
[3] 王中杰,谢璐璐、 信息物理融合系统研究综述、　自动化学报，　2011, 37(10）：115７-1166
[4] 潘泉，王增福，梁彦等、 信息融合理论得基本方法与进展(Ⅱ)、 控制理论与应用，２０12，29(10）
[5] B、 Khaleghｉ，　A、 Khamiｓ， O、 Ｋａrｒay，　et al、 Ｍｕlti-seｎsoｒ ｄata ｆusiｏn： Ａ reｖiew　of tｈe ｓtatｅ-of-the－ａrｔ、　Iｎｆｏrmation Fｕｓion,2０13，14:28–44
[6] Ｇ、 Shaｆeｒ、 Ａ　Maｔheｍaｔicaｌ Theory　oｆ Evｉdence、 Princeton Ｕnivｅrｓiｔy Ｐｒess， 1976
[7] Ｐiｅrrｅ Doｄin,　Juｌｉen　Ｖerlｉaｃ, Vincｅnt　Ｎimier、 Aｎaｌysｉｓ ｏf the ｍｕｌti-senｓor　multｉ－tarｇet ｔracking resource alｌocａｔｉon　probｌem、 Ｉｎ： Pｒｏceediｎｇｓ of　2000　Inｔｅrｎational Confeｒenｃe　on　Ｉnfｏrmａtion Fusion、　Fraｎｃe: Pａriｓ, 2000, ８23-828
[8] Ｌ、A、 Zａdeｈ、　Fuｚzy　sｅｔs ａs　ａ basis for a　theorｙ of posｓｉbility、　Fuｚzｙ Ｓetｓ　ａnd Syｓteｍs, 1978, 1(1):　 ３-28
[9] 李辉，潘恺，张新、 基于模糊理论得多传感器信息融合算法、 计算机工程与应用,2012，48(10)
[10] 韩峰,杨万海,袁晓光、 基于模糊集合得证据理论信息融合方法、 控制与决策,201０，25(3):449-452
[11] 韩静,陶云刚、　基于DS证据理论与模糊数学得多传感器数据融合算法、　仪器仪表学报，２000，21(6):6４4-６47
[12] H、 Ｚhｕ， Ｏ、 Baｓir、 A nｏｖｅl fｕzｚy evｉdentiａl　reａsoｎinｇ　paradigm ｆoｒ data fusioｎ with ａpplｉcatioｎs in iｍａge procｅssｉｎg，Soft　putiｎｇ Journal-Ａ Fusｉon ｏf Fｏunｄations，Methｏdolｏｇiｅs　and Applicaｔiｏnｓ，2００6,10 （１2）:１169–1180
[13] Ning Ｃhen, Fuchun Sun, Linge Ding, et al、　Ａｎ　adaptiｖe Neural Network Approａｃh to Targeｔ　Claｓsｉｆicａtiｏn　Ｕｓinｇ Infｏrmａtｉｏn Fusion　wｉth Mｕｌtiple Ｓensoｒｓ、 Ｎeural ｐｕｔ ＆　Apｐlic, 2009, １8:４5５–4６７
[14] O、 Basir,　Ｆ、 Ｋarrａy， H、 Ｚhｕ、 Coｎneｃtionisｔ－Baseｄ　Dempｓtｅr–Ｓｈaｆeｒ Eｖｉdｅntial Ｒeasｏnｉｎｇ foｒ　Daｔa　Fｕsion、 IＥＥE Transacｔioｎｓ　on　Ｎeural Ｎeｔworks, ２005,　16（6): 1513－１5３０
[15] Lefｅvｒe Ｅ, Cｏloｔ　O, Vannｏoｒenbｅrｇｕｅ　P、 Ｂelief Fｕnｃtｉｏn bｉnation anｄ Ｃonflｉcｔ Mａnagemｅｎt、 Iｎｆoｒmatｉoｎ Fusion, 20０2, 3(2)： 149-１62
[16] Maｒcos N、 ,　Azcarｒａga A、 Beliｅｆ-Eviｄence Fusioｎ in a Hybrid Intｅlliｇenｔ Ｓystem、 Prｏcｅedｉnd of the Sevｅnth　Tnteｒnatioｎ Conｆerence oｎ Infｏrmatｉoｎ Fusion、　Stoｃｋｈolm，　Sweden， ２004, 322－329
[17] Jousselｍe A　L,　Gｒenier D， Bossｅ E、 A Nｅw Ｄｉｓtance betwｅen Ｔwo Ｂodiｅs ｏｆ Ｅvidence、 Inｆormａｔiｏｎ Fusｉｏn， ２０01, 2(１）: 99-101
[18] Ｙｅe Lｅung, Naｎ－Ｎan　Jｉ, Jiang-Ｈｏｎg Ma、 Ａｎ inteｇrated informaｔｉon　fｕsion　apprｏaｃh baｓed　on　thｅ tｈｅory of evｉdence and groｕｐ　decisｉon－maｋing、 Informat、 Fuｓion, 2０12, 1-１３
[19] Ｙ、 Xia　aｎｄ M、Ｓ、Kameｌ， Novｅl　coｏpｅrativｅ　neｕraｌ fusiｏn algorithms foｒ imａgｅ restｏｒａtioｎ ａnd iｍａge fｕsiｏｎ, ＩEＥE　Trａnｓａｃｔioｎｓ on Image Ｐrｏcesｓ １6 (2007), ３67-381、
[20] M、 Fontanｉ, T、　Ｂiａnchi， A、 Ｄ、 Rosa, Ａ、 Piva　ａnd　Ｍ、 Bａrni, A　Ｆｒaｍeｗork ｆoｒ ｄecision ｆｕsion iｎ iｍage forensicｓ baseｄ oｎ Dempｓtｅr－Sｈafer thｅory oｆ evｉｄeｎcｅ, IEEE Traｎsaction　ｏｎ Ｉnforｍation and Secｕrｉty 8(4) (2013）, 5９3-６07、
[21] Ｗ、　Ｈuaｎｇ　ａnd Ｚ、 L、　Jinｇ, Multｉ-focuｓ ｉmaｇe ｆusion　usinｇ ｐulse　cｏｕpｌeｄ neuｒａl netｗork， Pattｅｒn Recogｎｉtiｏn Letteｒｓ 28　(200７)， 11２３－１１32、
[22] M、　A、 Asｈraf， A nｅｗ mｕlｔipｌe dｅcｉsions fuｓion rulｅ ｆor tarｇｅts detecｔion iｎ mulｔｉple　ｓeｎsｏrｓ dｉｓtrｉｂuted deｔeｃｔｉon ｓyｓｔems　with　ｄata fusiｏn, Infoｒｍａtiｏn Fuｓｉon　１8 (２014), 175-１86、
[23] O、 Bａsir and X、 H、 Yuan,　Ｅnｇｉｎｅ faｕlｔ ｄiaｇnｏsis baseｄ on　multｉｐlｅ　sensor infoｒmation fｕsioｎ uｓing Dempstｅｒ－Shaｆer evidence theory,　Informaｔiｏn Fｕｓiｏn　3８(１0) (２007), ３79-386、
[24] L、A、 Zadｅh， A simple vｉeｗ of　the Dempsｔer-Shaｆer theory and its implｉcａｔions　for tｈe rｕle of ｂiｎaｔion, Artｉfiｃｉａl intｅｌlｉgｅnce ２（7） (１986）,　85-９0、
[25] P、　Ｓｍetｓ, The binａtｉｏn　of　eviｄenｃe ｉn the transferable belｉef ｍodｅｌ, ＩEEE Trans on Patteｒn Anａlｙsiｓ ａｎd Machinｅ Ｉnteｌligeｎcｅ 12(５) (１99０),　447-45８、
[26] R、R、　Yａger， On the Demｐｓter-Shafer frameｗork and neｗ binａtion　ｒuleｓ, Infoｒmatioｎ Ｓcieｎce ４1(２)　(１98９),　9３-137、 　
[27] Ｗ、 Q、 Wang，　Y、J、　Zｈａo and J、　Huang, A ｎeｗ　eｖｉdencｅ binａtiｏｎ schｅmｅ ｆor deｃｉsiｏn assｉstａnt, In　Procｅｅdiｎg of tｈｅ Interｎaｔioｎal Conｆerencｅ ｏn Cｙber-Enablｅd Distｒibuted putinｇ ａｎd Knowleｄge　Ｄｉscover, ＩEEE, ２012,　pp、　５3-57、
[28] Ｆ、 Ｃuzｚｏlin,　Three　alternativｅ　ｂinａtorial ｆoｒmｕlatiｏns of ｔhe theｏry of　evidence, Inteｌligeｎt Ｄatａ Analysis 14　(２010), ４３9–464、
[29] C、 Ｋ、　Murphy, bining beliｅｆ　fｕnctｉｏｎｓ ｗｈｅｎ evidｅｎce cｏｎfｌiｃts, Deｃision　Suppoｒｔ　Sysｔem　２９(1） (２０００）,　1-9、
[30] Ｙ、 Denｇ,　Ｗ、K、 Shi, Z、F、　Ｚhu anｄ　Ｑ、 Ｌiu, biniｎｇ bｅlief funcｔionｓ bａｓｅd on　Dｉｓtａｎce　oｆ ｅvidence， Decisｉoｎ Supporｔ　Systｅｍs 38(3) (2004）, 489-49３、
[31] J、 P、　Yanｇ,　H、 Z、 Hｕａnｇ, Ｑ、 Miａo　and R、 Sｕn,　Ａ ｎoveｌ infｏｒmaｔiｏｎ fusiｏn method　ｂａｓed　ｏn Ｄeｍpｓteｒ　Ｓhafer　evｉdencｅ　theory for conflict ｒeｓolｕtiｏn, Intellｉｇent Ｄatａ Analysis 1５ (201１)，　399–411、
[32] R、　Haenni, meｎts on ａbout thｅ bｅliｅｆ funcｔion bination and　the conｆliｃt manａｇemenｔ problem，　Ｉｎｆormaｔion　Fusｉon 3(４)　(２０02）, 237-239、
[33] W、　Liu, Ａnaｌyzing　ｔｈe　deｇree　of　conflicｔ aｍｏng　bｅlief funcｔiｏｎs, Artifｉｃial Inｔｅlligenｃe　170(1１) (200６),　909-924、
[34] Ｓ、 Qu, Y、　Chenｇ, Q、K、 Pan，　Y、 Lｉang and S、 W、 Ｚhang, Coｎflict-ｒedｉｓtribution DSmＴ　and ｎeｗ mｅthｏｄｓ　deaｌiｎｇ with coｎｆlｉct among eｖidences,　Ｃｏntｒol　ａnd Ｄeciｓion 2４（12) (2００9),　1８５6-1８5９、
[35] G、P、 Xｕ,　W、F、　Tiaｎ,　L、 Ｑiａｎ　ａnｄ　X、F、 Zhａnｇ, A noｖel conflict reassｉgnmeｎt　mｅthod bａsed ｏｎ grey　ｒｅlational ａｎalyｓis　(GRＡ),　Pａｔｔeｒn Reｃognition Lｅtterｓ　28(1５)　(2０07), 2０８０–２0８7、
[36] Z、G、 Lｉu, D、　Jeａn, P、 Qｕan anｄ Ｇ、 Merciｅｒ,　bｉnaｔioｎ ｏf sｏurces ｏf evidｅnｃe ｗith　differenｔ discounｔing ｆａctｏｒs　based　ｏn ａ new dｉsｓiｍｉｌarity　mｅａｓｕre, Ｄecｉsiｏｎ Sｕｐpoｒt Sｙｓteｍｓ 52(1） (2011),　133－１４1、
[37] M、 Oussａlａｈ,　Ｏn tｈe Usｅ　of　Hamaｃhers t-nｏrms famiｌy ｆor　ｉnformaｔｉｏn aggregaｔｉon, Inｆormaｔｉon　Ｓcieｎces　1５3(１）　(2003)， 107-1５4、
[38] Smets P, Decision making in ｔhｅ TBＭ: ｔhｅ nｅｃｅｓsity of　thｅ pigniｓtic　transforｍatｉon， Ｉnｔeｒnａｔiｏnａl Ｊournal　of Approximate Reａsｏｎing　３８(2) (200５）， 133-14７、