·488· 智能系统学报 第5卷 子的信度赋值；c2(X)是与X相关的信度赋值之和； h1,2= mi(X;) c2（X)=m1(X)+m2（X)+…+m,(X)≠0； 1nn…n,=中 但DST和DSmT都未定义并集焦元，在许多情况下 42(Xu)为全局不确定因子；f2是与不确定因子相 关的信度赋值之和.L(X)为不确定因子阈值函数， 并集焦元通常描述的都是不确定的信息，因此将并 其作用是根据当前证据自动找出阈值并判断是否分 集焦元定义为不确定因子： 配不确定因子，表达式如下： 41.2=∑ Πm,(X). L(X)= X1,X2,…,X,eD8玉 X1UX2U…UX,=g r1,山2，（X)≤min[m12(X),…,m2,(X,)]; 1.3自适应通用分配法则 0,u12,(X)≥max[m12,（X1）,…,m2,（X,）]. 信息融合的目的是消除信息的冲突与不确定， (2) 使原本不精确、不确定甚至高冲突的信息变得清晰 AUPR2自适应通用分配法则2是按合取一 明了.在信息融合的过程中，常常会产生冲突因子和 致形式的比例将局部不确定因子分配到与其相关的 不确定因子冲突因子可以根据PCR法则45]将其 元素上.对于s≥2个证据源时，H(X≠0)∈G, 消除，但不确定因子却没有相应的消除法则.而在很 AUPR2的计算公式为 多情况下，不确定因子与冲突因子一样也需要消除 TLAUPR2(X)=mpcR(X)+m2,（X)· 掉，如何处理不确定因子也是非常重要的问题， 为了使融合结果更具有确定性意义，提出了一 (∑UA2(X,k)). (3) 种自适应通用分配法则AUPR(adaptive universal 式中：L(X)与式(2)相同，UAu0(X,k)表达式如 proportional redistribution rule),使得信息融合过程 下： 中可以视具体情况同时将冲突因子和不确定因子分 UAUP(X,k)= 配到其他非空的确定性集合上，从而达到加强确定 m2,(XUXU…UX&) 性命题的目的. X1,…,XeG8/月x 在DSmT框架下，考虑到分配精度和实时性的要 mp(X)+∑ma,(X) {1,…,gleP 求，提出了一种基于PCR的自适应通用分配法则，根 X1nX2■x 据应用需要设定一阈值，当不确定因子大于该阈值 2 广义证据推理结构 时，说明不确定信度值太高，当前证据已无法将其消 除，只能等待进一步的证据收集；当不确定因子小于 2.1证据推理机的基本框架 阈值时，表明该因子是可消除的，则采用通用分配法 Shafer于1976年提出了著名的DS证据理论之 则将冲突因子和不确定因子一起分配到其他焦元上. 后，许多研究人员也相继根据DS理论提出了一些 AUPR分为2种分配方式，一种是在分配冲突 相应的证据理论，以解决DS证据理论所无法处理 因子的同时一起分配不确定因子，称之为AUPR1; 的高冲突问题.但迄今为止，仍然没有一个统一的融 另一种是在计算出合取形式后，根据合取形式的相 合结构 对比例分配不确定因子，称之为AUPR2.下面给出2 综合过去的各类证据推理方法，大致可以将证 种分配方式的表达式 据推理划分为4个层面：证据源层、信度分配层、信 AUPR1自适应通用分配法则1在分配全局 度融合层以及决策层.而这些理论通常都是基于等 不确定因子时只涉及到相关的冲突量而不是所有非 可靠信息源的，当信息源是非等可靠的且其不可靠 空集合，并按照所对应的信度矩阵的非空列的比例 程度是已知的，就可以将获取到的证据加以特殊处 将其分配到所有非空集合上.对于s≥2个证据源 理，如Shafer提出的折扣理论.因此，可以将信度校 时，H(X≠0)∈G°，AUPR1的计算公式为 正作为一个新的层次加入到证据推理的结构中去， mAUPRI (X)=mPCRs (X)+ 其位置在信度分配层与信度融合层之间.证据推理 c2（X2.L(X)·hn(Xu). 机(evidence reasoning machine,ERM)的基本框架如 (1) fi2, 图1所示[61.信度融合层可以采用各种不同的证据 式中：mpCR(X)是由PCR规则融合得出的无冲突因 理论，如DST或DSmT等