随着科学技术的不断进步，无损检测技术现已广泛应用于产品质量、设备使用与维护过程中的安全检测方面。多传感器信息融合就是对多个传感器或多源信息进行综合处理，从而得出更为精确可靠的结论。针对信息融合的不同层次，人们提出了不同的融合算法，其中属性融合层上的D- S 证据理论具有无需先验概率、推理形式简单，并能很好的表示“不确定性”和“无知”等重要概念，被广泛应用于不确定性数据的处理。文章探讨的是利用D- S 证据理论进行信息融合，针对D- S 算法实现过程中存在的失效问题提出了改进算法，并给出了其在无损检测中的具体应用。
1 D-S证据理论
D- S 证据理论是 De m ps te r 于 20 世纪 60 年代首次提出，Shafe r对他做了进一步的发展，并使之系统化、理论化，形成了一种不确定推理理论，即D- S 证据理论。
定义1 设U表示X所有可能取值的一个论域集合，且所有在U
2 D-S证据理论的缺点及改进
2.1 D- S证据理论的缺点
D- S 证据理论有较强的理论基础，它既能处理命题的不确定性问题，也能区分“不知道”和“不确定”，D- S 组合规则的优点在于证据间冲突较小时，证据置信度向不确定性较小的命题集中。
2.2 D- S证据理论的改进
当证据冲突较大时，由D- S 证据理论组合后的结论不符合常理，或者根本无法组合。因此很多学者提出了不同的改进办法。文献使用有效因子衡量证据源的可靠性，一个证据所提供的信息的多少和它产生的焦点元素有关。
3用D-S证据理论实现无损检测的过程
无损检测中信息融合的具体过程如：1) 传感器有效性的确定：借助一定的方法判断某些传感器的测量信息是否可靠，在此基础上寻找误差小于某一阈值的所有传感器，将其作为传感器融合链。2) 分配值的确定：根据证据体特征信息，对识别框架中的每一子集进行概率分配赋值。3) 信息融合与决策：根据D- S 合成规则，融合传感器融合链中的所有信息，完成对目标缺陷类型的识别与决策判断。
其中2) 和3) 是无损检测的关键，无损检测的任务和目的就是要正确识别出缺陷类型，所以传感器的信息特征提取这一步很重要，并要以这些特征量为基础，把证据体与标准模式进行特征匹配，计算两者之间的差距和相关性度量，把相关性度量作为对识别框架中的子集进行概率分配的依据，然后根据算式及决策规则完成识别与决策判断。
4应用示例
在无损检测中先根据被检测对象可能出现的缺陷类型的特征选取某种合适的传感器，以便能最大可能的获取信息，减少信息损失。该例用超声波m1、红外m2两种检测设备对一铸件进行无损检测。检测的缺陷类型包括裂纹O1、凹坑O2和夹渣O3，则目标识别框架为U{O1，O2，O3}，由两个传感器分别获得的信息证据如下：
传统的与改进的D- S 证据理论的应用比较：
从给出的证据本身来看，大约是m1支持O1，m2支持O3，但最终得到的结果似乎只支持O1，与人们的直观认识有较大得差距，这是因为证据理论采用归一化方法造成的，组合后冲突概率分配值0.846 被忽略而进行了归一化处理，所以直接用D- S 不适合。用改进后的D- S 组合规则明显优于原有规则，这是因为在证据组合过程中，新规则不仅考虑到各条证据所包含的有用信息量的不同，还充分考虑到了组合过程中冲突的那部分概率分配值，这样使得组合后的结论更符合人们的直观认识，更令人信服。
5结语
D- S 证据理论依据概率上、下限来表示子源信度的不确定性，将多个传感器获得的信息准确融合成为对环境的一致描述，虽然有许多优点，但是基本的D- S 证据理论仍存在许多不足，必须对其进行改进，才能有效使用。文章探讨的是使用一条证据所提供的信息量做有效因子衡量证据源的可靠性，并把各个证据之间的冲突按各个命题的平均支持程度加权进行分配，来改进D- S 证据理论的融合规则，通过其在无损检测中的具体应用与基本的D- S 融合规则做比较，说明其有效、合理性。
