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。

数据融合matlab代码MNIST-NET10 这种复杂的异构融合由两个异构集合FS1和FS2组成： 可以使用以下代码构建＃FS1（CapsNet | MCDNN | DropConnect_2 | CapsNet | MCDNN | DropConnect_1 | DropConnect_2 | Network3 | Dropconnect_2）： 预先训练的CapsNet可从以下网站下载： MCDNN网络是从以下站点获得的： 具有数据增强功能的Network3（请参阅Network3.py） 具有数据增强功能的DropConnect（请参阅DropConnect.py） 可以使用以下代码构建＃FS2（ECOC | PrE | MLP→LS | MLP）： CapsNet作为来自以下方面的数据转换器： 所需的代码（在Matlab中）可从以下位置获得： 可以从以下链接下载本文：

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。

无线传感器网络及其数据融合的研究，章芬，，随着智能化、网络化传感器技术的日益成熟，具有潜在的巨大应用价值的无线传感网络引起人们的重视与研究。文章介绍了无线传感器网

吴志强教授的提问：当老中医遇到了X光，听谁的？（Professionalism VS Dataism）个人认为，目前的城市大数据在应用层面的可信度，还没有达到西医对于中医的颠覆性。多数情况可能还是老中医更靠谱一点。杨东援教授的提问：大数据告诉了我们已经知道的事情，还是未知的事情？个人认为，两件事情都很重要，在实证层面的印证本身就具有很大意义，验证数据的可靠性甚至比探索数据的新应用更重要。

Bayes统计理论 基于经典统计方法的多传感器数据处理。 经典统计理论的两个特征： 不采用先验概率； 概率是一种类似频数的解释。 经典统计理论的基本原理：小概率原理。 经典统计理论的不足： 将被测参数看做一个固定值，没有充分利用其先验信息； 精度和信度是预定的，不依赖于样本。

使用labview实现加速度计和陀螺仪数据融合和显示3d姿态

基于无人机平台多模态数据融合的小麦产量估算研究_张少华.caj

随着基于数据融合的目标检测在军事以及自然防护等领域广泛应用,越来越多的研究希望通过对检测融合系统进行优化或引入新的检测融合方法来更好地进行目标检测,从而推动相关领域的发展.基于数据融合的目标检测具有重要的学术意义和应用价值,为此,从先进的检测技术到优化创新的前沿论文等方面详细介绍基于数据融合的目标检测方法的最新研究进展.首先对融合定义、模式及其优缺点展开讨论,并总结目前该领域所面临的挑战;然后从传感器辅助方法、融合层次方法两个方面对相关研究方法进行详细的分类阐述,综述该领域的研究现状,并对所介绍的文献从检测性能、复杂程度、成本大小、检测目标(数量、动态、维度)等方面展开归纳总结;最后进行全文总结并对该领域的研究前景进行展望.