在分布式传感器网络中，各个子网往往具有不同的辨识框架，此时经典的证据理论无法处理。针对这一问题，提出一种动态辨识框下的证据融合理论和条件更新理论的故障检测方法。首先获取最新的观测证据，提出采用模糊隶属度函数作为信任转换的桥梁，完成动态辨识框架下的信任测度；然后利用新来证据的信任测度对已有的证据进行更新，以此进行各个观测区域的故障检测；最后通过构造两个传感器子网S1和S2的分布式检测与识别系统对所提方法进行验证，结果显示该方法在处理动态辨识框架和故障检测方面的有效性。

D-S证据理论作为一种不确定推理方法，已经广泛用于数据融合和目标识别领域。但是D-S 证据合成公式存在不足之处，使证据理论的应用受到了一定的限制。鉴于此，Yager 对合成公式作了改进，但改进后的合成公式又存在着新的问题。文[2]，[3]，[4]针对Yager 合成公式进行了一些改进。综合比较了以上几种合成公式，并对文[4]的合成公式进行了一些修正，使其满足结合律，提高了计算效率。

针对配电网故障信息出现异常尤其是不可识别异常而导致误判的问题，提出了一种基于网络树状图和改进D-S证据理论的配电网故障定位新方法。该方法的突出优点在于使用多源信息进行故障定位，可避免因单源信息发生异常导致的误判。首先提出了一种新的基于网络树状图的搜索算法，该算法利用配电网故障时产生的故障指示器信息、配变报警信息和电话投诉信息建立相应的网络树状图，并通过搜索网络树状图进行故障初步定位。然后利用改进D-S证据理论将每种故障信息的定位结果进行信息融合，得到最终的定位结果。实例结果表明所提方法有效、可行，可以解决故障信息出现不可识别异常时的定位问题。

基本概率分配函数 定义1 基本概率分配函数 M 设函数 M 是满足下列条件的映射： ① 不可能事件的基本概率是0，即 ； ② 中全部元素的基本概率之和为1，即 则称 M 是 上的概率分配函数，M(A)称为A的基本概率数，表示对A的精确信任。 幂集构成一个框架。

论文研究-基于模糊证据推理的突发事件风险分析模型.pdf,  突发事件发生、发展和演化过程中的风险属性来源复杂, 且相关信息具有不确定、不完备的特点. 为准确分析这一特点下的突发事件运行风险问题, 引入模糊证据推理构建分析模型. 首先根据突发事件的结构化描述框架和故障模式影响危害分析(FMECA)方法构建突发事件风险属性识别框架, 获取信息作为风险分析证据并对其进行规范化处理; 然后以模糊证据推理构建突发事件风险分析的模型, 通过计算, 给出事件风险程度的合理判断; 最后选取CRH某型动车组行车安全事件进行实例分析. 分析结果表明, 在分析突发事件风险时, 针对信息不确定、不完备特点构建的模糊证据推理模型具有可行性与有效性, 同时该模型能够为突发事件风险分析和风险应对决策的制定提供辅助参考.

本研究采用实证分析，使用2000年和2011年中国健康与营养调查（CHNS）纵向调查数据和差异差异（DID），调查了新合作医疗计划（NCMS）对中国农村地区卫生服务利用的影响。分析方法。 主要结论如下。 首先，个人特征因素，促成因素，医疗保健需求因素和生活方式因素影响医疗服务的利用，这与安德森模型一致。 其次，当基于安德森模型控制这些因素时，结果表明新农合不影响个体生病时的卫生服务利用率（门诊，住院和医疗检查）。 第三，考虑卫生保健需求和供给的差异，我们还利用子样本进行了分析，以进行稳健性检查。 结果表明，按年龄组（16-49岁年龄组和50岁以上年龄组），收入组（高，中和低收入组），NCMS入组与未入组的医疗服务利用率在统计学上没有差异收入组）和区域组（东部，西部和中部地区）。 因此，可以说，新农合既没有提高患者的医疗服务利用率，也没有提高中国农村居民的预防保健水平。

在本文中，我们使用斯德哥尔摩证券交易所的每日股票收益率来检查其波动性。 因此，我们不仅估计GARCH（1,1）对称模型，而且估计具有不同残差分布的非对称模型EGARCH（1,1）和GJR-GARCH（1,1）。 波动率模型的参数使用Marquardt算法（Marquardt [1]）通过最大似然（ML）进行估算。 调查结果表明，在这个市场上，负面冲击比正面冲击影响更大。 同样，用于预测收益的指数表明，带有t型学生的ARIMA（0,0,1）-EGARCH（1,1）模型可以更精确地预测斯德哥尔摩证券交易所的波动率和预期收益。

人工智能原理教案03章 不确定性推理方法323证据理论

D-S证据理论数据融合算法基础程序，可改

matlab实现证据理论的融合公式-Fusion_new.m 最近刚写的一个用matlab实现证据理论的代码，现阶段能完成两个证据之间的融合； 附件是m文件，具体的使用方法在m文件中有