模糊证据合成方法的研究

本文研究Dempster-Shafer理论中的证据合成问题。文中定义了模糊证据焦元的包含度,提出了一种模糊证据合成方法作为对Dempster合成规则的一个推广,从而拓宽了证据理论的应用范围。

基于高辨识复合衍生特征的LiDAR数据分类方法研究

针对激光雷达测量技术现有数据特征单一、地物辨识能力粗糙、类别划分区间模糊导致地物分类精度低的问题,提出了一种基于复合衍生特征和模糊Dempster-Shafer(DS)证据合成理论的地物分类方法。首先,确定LiDAR数据分类特征对不同类型地物的可识别性,选择特征空间中关联性强且区分度大的源特征与衍生特征;然后,比较归一化差值植被指数与绿色归一化差值植被指数对地物反应属性的差异性,提出并构造具有高辨识能力的复合衍生特征复合归一化差值植被指数;最后,结合使用岭型信任分配函数进行模糊DS证据合成与决策,最终实现对地物的精确分类。实验结果表明,总分类精度由85.78%提高到了89.20%,证明了本文方法的有效性。