在雷达跟踪中,算法方案的综合评价可通过 DS 证据理论进行多属性融合。而在实际应
用中存在部分指标缺失等问题,导致证据间出现高冲突,使得原始 DS 证据合成方法失效。在分析
了多指标融合中由于3 类信息不完整而导致的高冲突证据后, 提出了将算法方案的综合评价作为
群体证据,把单个证据与群体证据之间的模糊距离作为证据融合权重,基于权重改进 DS 证据合成
方法,解决了高冲突证据下的多属性融合。实验结果表明基于群体证据模糊距离的 DS 证据合成
方法可以较好地解决雷达跟踪中算法方案综合评价问题。
标题中提到的“DS证据理论”是信息融合领域的一个重要理论基础，它为不确定性信息提供了表达和组合的工具，特别适用于处理多属性信息的融合问题。在雷达跟踪这一具体应用场景中，DS证据理论能够通过多属性融合来综合评价不同的算法方案。而“多指标融合”则指的是在信息融合过程中，如何将多个指标或者多个属性的信息综合起来，以做出更加准确的决策。程华提出的方法正是为了解决实际应用中可能存在的数据不完整、信息缺失导致的证据高冲突问题。
在描述中提到，“部分指标缺失等问题”会导致证据之间出现高度冲突，使得传统的DS证据合成方法失效。为了解决这一问题，程华等人提出的改进方法是，将算法方案的综合评价作为群体证据，并将单个证据与群体证据之间的模糊距离作为融合权重。通过这种方式，可以在证据出现高冲突的情况下，对多属性进行有效的融合。这种方法的具体优势在于，它能够在证据之间存在高冲突时，仍然保持融合结果的合理性和有效性，从而更好地解决雷达跟踪中的算法方案综合评价问题。
标签中的“证据理论”和“信息融合”是该研究领域的核心概念。证据理论提供了处理不确定性信息的数学框架，而信息融合则是将来自不同源的数据或信息进行分析和整合的过程。两者结合起来，形成了处理复杂信息系统中不确定性问题的一种有效方法。
在具体内容部分，提到了一些基于DS证据理论的应用场景，比如目标状态的一致性估计、多属性数据关联、移动机器人多传感器数据融合、序列图像识别等。这些应用场景的共同点在于都需要处理来自不同传感器或信息源的数据，并且这些数据往往包含不确定性，需要通过证据理论的数学工具来处理和解释。文中还提到了一些其他研究者的相关工作，如刘付显结合基元属性和非基元属性的多属性融合决策方法，以及韩进提出的基于DS证据的融合决策模型。这些研究工作虽然在融合决策方面有所贡献，但在解决证据高冲突问题上，程华的方法提供了新的思路和解决途径。
文章还强调了信息融合算法管理的重要性，它旨在根据不同目标的运动特点，设计出能够在多种应用场景下对融合算法进行测试、选择和评估的框架。这一框架不仅有助于选择最佳的算法组合，还能根据实际情况进行融合规则的切换和算法的适配，以实现自适应决策反馈，从而优化融合系统的整体性能。
文章中提到了信息融合算法管理的一个关键问题，即如何处理不完整信息对算法方案的影响。由于在实际应用中经常会遇到信息不全、缺失或相互矛盾的情况，因此，研究者需要开发出能够处理这些问题的融合算法。程华提出的基于群体证据模糊距离的DS证据合成方法，就是在这样的背景下，针对高冲突证据情况下的多属性融合问题而提出的解决方案。通过实验证明，该方法在雷达跟踪算法方案综合评价问题上表现出了较好的性能，为信息融合领域的研究和应用提供了新的思路和工具。
