提出一种基于样本差异度的基本概率指派(BPA) 生成方法. 建立三角模糊数模型, 根据所提出的差异度函数计算模型和待测样本的差异度, 生成初始BPA. 为了消除干扰影响, 对初始BPA进行冲突阈值判别并进行相应的冲突消解, 使得传感器在受到干扰等情况下也可输出合理的BPA. 鸢尾花分类实验表明, 所提出的方法简单实用, 具有较强的干扰消除能力.

D-S合成方法作用的对象是基本概率指派（basic probability assign，BPA），如何生成BPA是D-S理论应用中重要且有待解决的首要步骤。针对生成BPA提出一种基于核密度估计（kernel density estimation，KDE）的BPA生成方法：训练数据用于构建基于最优化窗宽的核密度估计的数据属性模型；然后利用训练数据的核密度模型计算测试数据的密度—距离—分布值Tri-D（density-distance-distribution），通过嵌套式的方法分配Tri-D值获取测试数据对应的BPA；最后D-S合成BPA得到最终判断，通过分类准确率来判断BPA生成方法的有效性。实验通过在UCI数据集上与其他方法的分类准确率对比验证了提出方法的有效性。