證據(jù)處理在信息融合方面有廣泛的應(yīng)用， 本算法致力于解決 智 能 交通 視 頻 監(jiān)控 中 的 車輛 跟 蹤 與目 標(biāo) 識(shí) 別。經(jīng) 典 的 Dempster 合成規(guī)則具有優(yōu)良的信息聚焦性能， 可以使合成結(jié)果的不確定性明顯降低， 但是在利用證據(jù)理論中的合成方法進(jìn)行數(shù)據(jù)融合時(shí)， 如果參與合成的證據(jù)間具有較大的不一致性或沖突，則證據(jù)合成方法不能使用或得出明顯不合理的結(jié)果，引起錯(cuò)誤決策。沖突證據(jù)合成一直是證據(jù)理論所關(guān)注的焦點(diǎn)問題之一，許多學(xué)者在這方面進(jìn)行了不少有益的探索。Smets 在證據(jù)完全可靠的前提下提出了可傳遞置信模型， 該方法保持了原方法的優(yōu)點(diǎn)，但是在實(shí)際中證據(jù)完全可靠的條件不易滿足。Yager 在證據(jù)不完全可靠的前提下，提出了取消正則化過程，此方法雖然能合成高沖突的證據(jù)，但是過于保守，認(rèn)為沖突的證據(jù)無法提供任何有用的信息，對(duì)證據(jù)的擾動(dòng)過于敏感，大大增加了推理的不穩(wěn)定性，且在證據(jù)多于兩個(gè)時(shí)，很難獲得合理的結(jié)果，并具有一票否決的缺點(diǎn)。平均法沒有區(qū)分沖突信息和無沖突信息。Lefevre 定義了一個(gè)與涉及沖突焦元的基本信任分配值成正比的加權(quán)因子， 有利于決策，但在高沖突時(shí)所承擔(dān)的風(fēng)險(xiǎn)較大。Murphy 提出了修改模型而不改變證據(jù)合成規(guī)則的方法， 該規(guī)則可以處理沖突證據(jù)，且收斂速度較快，但是只是將多組證據(jù)進(jìn)行簡單的平均，沒考慮各個(gè)證據(jù)之間的相關(guān)性。張兵等提出了一種加權(quán)平均的合成規(guī)則，但運(yùn)算量大且計(jì)算復(fù)雜。