BOT是近年来国际上出现的一种新型项目融资管理模式,由于该类项目投资巨大,建设管理周期长,存在众多不确定因素,因此在实施过程中会存在巨大风险。证据理论在风险评价过程中,受人为因素影响较小,可以对BOT风险进行客观、科学的评价。最后通过具体算法证明该模型在评价BOT项目风险的可行性和有效性。

数据融合matlab代码使用深度和惯性传感器的深度多级多模式（M2）融合进行人体动作识别的数据集和代码（最新发表在IEEE传感器杂志上） 从链接下载数据集： ImageFolders_KinectV2Dataset文件夹具有与Kinect V2数据集相关的所有图像。 要在Matlab上运行代码，请将文件夹“ ImageFolders_KinectV2Dataset”的所有子文件夹和matlab文件放置在同一Matlab的工作目录中。 运行Matlab文件“ FirstDeepFusionFramework.m”，以查看有关Kinect V2数据集上First融合框架准确性的结果。 类似地，运行Matlab文件“ ThirdDeepFusionFramework”，以查看有关Kinect V2数据集上的Third融合框架准确性的结果。 名称为“ XONet”的Matlab文件在Kinect V2数据集的图像文件夹上经过训练的CNN模型。 Inertial2SignalImages.m将原始惯性数据转换为图像。 引文 如果您发现提出的工作和对您的研究有用的代码，请引用以下论文。 @arti

传统的基于稀疏表示的目标跟踪方法主要利用目标的灰度特征构建稀疏表示模型。由于灰度特征对光照变化敏感，这会影响目标跟踪在复杂场景下的鲁棒性。基于多源数据融合的目标跟踪可以明显提升目标跟踪鲁棒性，但如何有效融合不同维度，不同类型的多源目标特征成为基于多源数据融合的目标跟踪所要解决的关键问题。提出了一个基于目标状态以及灰度特征的稀疏表示目标跟踪方法。所提出的方法可通过基于核函数表示的稀疏表示模型，在探究目标状态以及灰度特征相关性的基础上，将两种不同维度的特征进行有效融合，提升目标跟踪在复杂场景下的鲁棒性。

在机动目标的运动跟踪中,为了减小搜索区域,需要对下一时刻目标位置进行预测。本文以医疗康复领域中基于视频的运动分析为背景,针对二维平面中静止背景的运动目标提出一种基于数据融合的预测跟踪方法。首先采用多项式拟合算法和基于当前模型的改进卡尔曼滤波算法分别对运动目标进行位置预测,然后采用数据融合的方法得到最终的预测结果。最后用计算机仿真和实验对所提出的预测算法进行了验证,结果表明本文算法与多项式拟合和卡尔曼滤波算法相比,预测误差更小,跟踪精度更高。

D-S证据理论，matlab实现

基于证据理论的多源数据融合仿真实验matlab代码 实现功能：识别框架内元素个数在3~5个之间，其余参数自己选择，计算相应的置信度函数、信任度函数、似真度函数；同时完成两证据融合和三证据融合。用Matlab实现

针对智能健康管 理中对信 息集成 的要 求，深入分析信 息资源 的异构特 性 ，对基于 多级多中心的 多源异构 数据融合方法进行研 究 ，提 出智 能健康 管理 中多源异构 数据 的融合树体 系结构 ，并介绍 融合 系统 的设计 、融合 节点的组成 以及 具体 的融合算法。对所采集 的健康数据进行 仿真测试 ，实验 证明该体 系可 以获得较 好的融合效果 ，实现 对信 息的有效集成 ，使管理效果更 加优 化。

无线传感器网络数据融合算法的研究（可编辑）.doc

D-S证据理论不能很好地描述证据之间的冲突, 而且证据高度冲突时合成规则会得出反直观的结果。针对这一问题, 提出了一种改进的证据合成方法。首先建立余弦相似度空间, 利用证据向量之间的夹角余弦度量证据相似性程度, 通过冲突证据检测因子对其进行分类; 然后引入冲突比例因子决定证据的修正方法, 利用相似度对其进行局部修正或全局修正; 最后将修正后的证据代入D-S公式进行合成。应用实例证明, 该方法能够判定冲突证据, 实现冲突证据和相似性证据的合成, 具有较好的稳定性、分类精度和收敛速度。

人工智能-机器学习-面向互联网基于证据理论的智能决策支持系统研究.pdf