多源信息融合在医学领域的应用研究

两个特征值较小。从特征值的计算结果来看，这两种复杂性症的诊断准确性。

测度的值在同一组中较为稳定。这两种特征值不同之处在

于：计算Ｋｃ复杂度需要对图像颜色值进行粗粒化处理，恰当的粗粒化处理会使复杂度对图像纹理有一个更好的表现；近似熵的计算则不需要数据的预处理。

在本文中是提取ＲＧＢ图像的绿色部分作为有效颜色序列，如果同时也提取红色和蓝色部分，分别对这三个颜色序列计算Ｋｃ复杂度和近似熵，一同作为ＢＰ人工神经网络的输入，将会使图像识别的效果更好，但也意味着神经网络的训练周期更长。

综上，复杂度和近似熵特征对于阴道镜宫颈图像有着较好的描述能力，由它们组成的特征矢量利用ＢＰ人工神经网络的特征选择方法，在解决宫颈炎症图像识别问题上也有着

【６］６

参考文献：

【１］周长发．精通Ｖｉｓｕａｌｃ＋＋图像处理编程【Ｍ］．北京：电子工业出版社，２００４．

【２】２王娇．Ｂ超图像复杂性特征分析方法诊断脂肪肝［Ｊ］．中国医学影像

技术，２００６，２２（１）：１３５—１３８．

［３］童勤业．脑电复杂性分析新方法【Ｊ］．中国生物医学工程学报，

１９９８，１７（３）：２２２～２２５

［４］杨建刚．人工神经网络实用教程【Ｍ】．杭州：浙江大学出版社，２００１．

【５］ＰｉｎｃｕｓＳＭ．Ａｐｐｒｏｘｉｍａｔｅ

ｅｎｔｒｏｐｙ

ａｓａ

ｍｅａｓｕｒｅｏｆ

ｓｙｓｔｅｍｃｏｍｐｌｅｘｉｔｙ

［Ｊ１．ＰｒｏｃＮａｔｌＡｃａｄＳｅｉ，１９９１，８８（６）：２２９７—２２９９．

Ｋａｓｐａｒ

Ｆ．Ｅａｓｉｌｙｃａｌｃｕｌａｂｌｅ

ｍｅａｓｕｒｅｆｏｒｔｈｅｃｏｍｐｌｅｘｉｔｙ

ｏｆ

ｓｐａ—

ｔｉｏｔｅｍｐｏｒａｌ

ｐａｔｔｅｒｎｓ［Ｊ］．ＰｈｙｓＲｅｖＡ，１９８７，３６（２）：８４２－８４８．

编辑，任鸿兰

较好的性能，再结合医生的临床经验，可以大大提高宫颈炎

多源信息融合在医学领域的应用研究

哈铁军，陈昌海，孙晋科

（解放军第二０二医院，辽宁沈阳１１０００３）

摘要：近年来，随着传感器性能的提高、信息处理技术的发展，面向各种复杂应用背景的多传感器系统大量涌现。在多传感器系统中，系统的信息来自于多个传感器，在信息处理的过程中多源信息表现形式的多样性，信息关系的复杂性，信息数量的巨大性，以及要求信息处理的及时性，都已大大超出了人脑的信息综合处理能力。为此，从２０世纪７０年代初期开始，多传感器信息融合（ＭｕｌｔｉｓｅｎｓｏｒＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ）技术作为一门新兴的学科迅速发展起来，并在现代医学领域和各种其它民用领域得到广泛地应用。

关键词：多源信息；融合；传感器；医学

ＡｐｐｌｉｅａｔｉｏｎＲｅｓｅａｒｃｈ

ｏｎＦｕｓｉｏｎｏｆ

ＭｕｌｔｉｐｌｅＳｏｕｒｃｅＩｎｆｏｒｍａｔｉｏｎｉｎ

Ｃｈａｎｇ－ｈａｌ，ＳＵＮＪｉｎ－ｋｅ

１

ｔｈｅ

Ｍｅｄｉｃａｌ

Ｆｉｅｌｄ

ＨＡ

Ｔｉｅ－ｊ咖，ＣＨＥＮ

（Ｎｏ．２０２ＨｏｓｐｉｔａｌｏｆＰ．Ｌ．Ａ，Ｓｈｅｎｙａｎｇ１０００３，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｒｅｃｅｎｔｙｅａｒｓ，Ｍｕｈｉｓｅｎｓｏｒｓｙｓｔｅｍｃｏｍｅｆｏｒｔｈｇｒｅａｔｌｙｍａｔｉｏｎａｌｔｅｃｈｎｏｌｏｇｙｄｅｖｅｌｏｐｍｅｎｔ．Ｔｈｅ

ｏｎ

ｍａｎｙｋｉｎｄｓｏｆｃｏｍｐｌｉｃａｔｅｆｒｏｍ

ｂａｃｋｇｒｏｕｎｄｂｙ

ｓｅｎｓｏｒ

ｆｕｎｃｔｉｏｎａｎｄｉｎｆｏｒ－ｇｏｂｅｙｏｎｄｈｕｍａｎ

ｓｙｓｌｅｍｉｎｆｏｒｍａｔｉｏｎｃｏｍｅｍｕｈｉｓｅｎｓｏｒａｎｄｒｅｐｒｅｓｅｎｔｉｎｍａｎｙｗａｙｓ

ａｆｔ

ａ

ｔｏ

ｂｒａｉｎ．Ｔｈｅｒｅｆｏｒｅ，Ｍｕｈｉｓｅｎｓｏｒ

ａｐｐｌｉｅｄｗｉｄｅｌｙｉｎｍｅｄｉｃａｌ

Ｉｎｆｏｒｍａｔｉｏｎ

Ｆｕｓｉｏｎｈａｓｄｅｖｅｌｏｐｅｄｖｅｒｙｆａｓｔ

ｎｅｗ

ｓｃｉｅｎｃｅｆｒｏｍ２０ｔｈｃｅｎｔｕｒｙ７０ｔｉｍｅｓａｎｄｈａｓｂｅｅｎ

ａｎｄｏｔｈｅｒｃｉｖｉｌｆｉｅｌｄｓ．

Ｋｅｙｗｏｒｄ：ＭｕｌｔｉｐｌｅＳｏｕｒｃｅ

Ｉｎｆｏｒｍａｔｉｏｎ；Ｆｕｓｉｏｎ；ｓｅｎｓｏｒ；ｍｅｄｉｃａｌ

时，则称这组多源信息提供了冗余信息。通过对冗余信息进行融合，能够降低系统的不确定性，提高精度，并且由于冗余信息的存在，当一个甚至几个信息源出现故障时，系统仍可以利用其它信息源获取对象的信息，从而使系统能够具有一

定的容错性能。

在多传感器信息融合系统中，多源信息是信息融合的加

工对象，协调优化和综合处理是信息融合的核心。由于多源信息是对同一对象的不同层次或不同角度的观测信息，所以在融合系统中这些信息之间存在着一定的相关性。

当多源信息是以不同的可信度采集对象的同一个特征

收稿Ｌｔ期：２００７—０１—１６７０６

在医学领域多传感器、多信息源随处可见如：病人做

万方数据　

ＥＣＴ检查，通过给人体注射放射性核素而产生伽马射线，ＥＣＴ探头中的数十个光电倍增管（即传感器）经过对人体扫描采集信息，经计算机处理产生图像；多导心电图（１２个电极）检查，最后生成心电图，为临床提供诊断依据，医院ＨＩＳ系统也由多源信息构成。

但在具体应用中，当多源信息是来自被感知对象特征空间中的各个相互独立的子空间时，这些信息就是互补信息。互补信息描述了对象的多个不同特征，提供了完整描述对象的能力，因而可以减少对被感知对象理解的歧义，提高系统正确决策的能力，并且这种互补性经过适当处理后可以补偿

单一信息的不准确性和测量范围的局限性，从而提高系统信

息处理的准确性。

针对多源信息冲突环境下的信息融合问题，至今未形成基本的理论框架和有效的广义融合模型及算法。其绝大部分工作都是针对特定领域内的特定问题来展开研究，即根据各

自问题的种类，各自建立直观认识原理（即融合准则），并在

此基础上形成所谓的最佳融合方案。例如：在多传感器多目标跟踪的应用中，具体的融合方法从本质上可以分为信息冗

余和信息互补两类。应用多个传感器所发出信号到达的时间和频率方面的冗余信息，可以推断出目标的位置和速度；应

用信号到达每个传感器的时间差和频率差可用来确定目标

的轨迹。在信息融合证据推理方法的研究中，目前研究的热点也在于当多个证据存在冲突时对基本证据推理理论的修

改和扩充。对冲突与合作环境下的融合问题，提出了一种以代数手段来增强或减弱冲突证据的方法。所有的这些研究都

取得了一定的进展，但同时也反映出信息融合研究所固有的

面向特定应用的特点，从而缺少解决融合系统中多源信息冲

突问题的指导手段，也就难以构成解决多源信息冲突环境下

的信息融合问题的完善理论体系。

１生物学原理

多传感器信息融合的基本思想源于人类的多源信息综合处理系统。

对人类而言，人类利用多种感觉器官（眼、耳、鼻、舌、身等）来认识外界的事物，并且本能地具有将多种感官所获得

的信息综合起来的能力，以准确地识别环境或物体的状态，

并进而引导下一步的动作。即使人体处于复杂多变的环境下，各种感觉信息含有一定的不确定性、矛盾或错误的成份，人类也可以将各种信息综合起来，并使这些信息相互补充、

印证，从而完整而及时地处理具有不同功能的多种感觉器官所获得的信息。在人类的整个信息处理过程中，人类的感官

具有不同度量特征，可测量不同时间、空间范围内发生的各

种现象，当感觉器官信息被送到人脑中时，人脑可以将各种信息转化成对环境的有价值的解释，从而实现对当前环境的

万　

方数据识别和估计等功能。

在人脑信息处理系统中，信息处理的对象是多种感觉器官所

获得的信息。生物学家积信息学家认为，人脑是一种分层的

并行分布式神经网络，人类分析问题和解决问题的能力是从各个不同的角度综合视觉、听觉并结合其他不同的感觉器官

的信息及大脑存储的知识，由人脑系统经过时间和空间逻辑

分析和推理得到。在大脑中，感觉信息从一层神经细胞网络或神经细胞网络的中心传送到下一层网络，每一层网络都将数据处理和精炼为更有意义的概念，当信息从大脑的一个皮层区域传送到其他区域时，融合便开始产生。

在多传感器信息融合系统中，融合由传感（Ｓｅｎｓｅ）、通信

（Ｃｏｍｍｕｎｉｃａｔｉｏｎ）和融合（Ｆｕｓｉｏｎ）三个过程来完成，如下图所示，其基本原理是对人类的多源信息综合处理功能的一种模拟和扩充。

人类融合信息融合

图

人类融合与信息融合

Ｆｉｇｌ

Ｈｕｍａｎｆｕｓｉｏｎａｎｄｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎ

多传感器系统是对人类的感觉器官的模拟和扩充。传感器系统完成环境信息的采集功能，并且随着技术的发展，传

感器采集信息的功能和性能都得以提高。例如，除了普通的

照相机能够收集可见光波信息外，现在已经有了对红外光波、紫外光波等敏感的采集元件，以帮助系统提取那些人眼所见不到的信息；除了微音器能够收集声波信息之外，还有超声波和次声波传感器可以获得那些人耳所听不到的信息。不仅如此，一些气敏、磁敏等敏感元件还可以把那些人类感

觉器官所感觉不到的各种信息提取出来，从而延长和扩展人

通信系统对人类的神经系统的模拟和扩充。通信系统将传感器采集到的信息传送给融合中心。随着通信技术的发

展，从传统的电话网络、专有网络到目前的无线通信、卫星通信，现代通信使信息的传递方式和传递的功能和性能都得到

了很大的提高，从而延长和扩展人类的信息传送能力。

信息融合技术所研究的目标在于模拟和扩充人脑的信

７０７

类采集信息的功能。

息处理功能。信息融合是充分利用多个传感器资源，通过对

各种传感器及其观测信息的合理支配与使用，将在时间和空

间上的冗余互补信息依据某种优化准则组合起来，产生对观

测环境一致性的解释和描述。在融合系统中模拟了人脑的控

制、估计和抽象功能，并借助计算机高速数据处理的能力，提

高系统在复杂环境下的响应和控制等功能。

因而，信息融合作为对人类信息处理功能的模拟与扩充，是基于多个传感器的观测信息，通过对信息的优化组合

得到更为有效的信息，其最终目的是利用多个传感器共同联合操作的优势，来提高整个系统的有效性。

２基本概念

近年来，多传感器信息融合技术受到越来越多地关注，”融合”一词频繁地被众多军事和非军事领域所引用。军事应用包括海上监视、空空防御、战场情报、战略预警等。非军事的应用领域包括工业监控、机器人控制、医疗诊断、交通管制等。综合其各种应用而言，信息融合是针对系统中使用多个或多类传感器这一特定问题而开展的一种新的信息处理技术。由于信息融合所研究内容和应用领域的广泛性和多样

性，很难给出信息融合一个统一的定义，不同的科研机构和科研人员根据其不同的研究内容和应用领域给出了不同的

定义。

信息融合是指多源信息从空间和时间上按照协同与互

补的方式完成对动态对象当前状态的全面客观的评价及对其变化趋势的预测，从而提高系统决策或控制的能力。在信

息融合系统中，多传感器系统是信息融合的硬件基础，多源信息是信息融合的加工对象，协调优化和综合处理是信息融

合的核心。

３主要应用领域

由于多传感器信息融合的早期研究大多着重于增强计算能力和有效组合信息的具体方法，所以其研究主要是基于

军事应用背景。随着理论研究的深入和应用领域需求的扩大，迄今为止信息融合技术已成功地应用于众多的研究领域。

３．１医疗诊断

医疗领域的应用有两个方面，一是利用多种医疗设备如ＣＴ、核磁共振、ＤＳＡ、ＥＣＴ、ＰＥＴ、ＤＲ、脑电图、心电图、检验设

备、监护仪等，通过传感器采集人体图像和生物电信号，经过

信息融合提高探测效果；另一方面是病人基本信息，根据病

人状况变化的各种数据，如主诉、病历、病史、家族史、气候、

季节等的信息决定护理、诊断、治疗的方案。３．２工业机器人

随着使用灵活、价格便宜、结构合理的传感器的不断发

７０８

万　

方数据展，可在机器人上设置更多的传感器，使机器人更自由地运动和更灵活地动作。而机器人控制系统则根据多传感器的观测信息完成各种信息融合，从而控制机器人的动作，实现机器人的功能。３．３工业过程监控

工业过程监视是一个明显的信息融合应用领域。融合的目的是识别引起系统状态超出正常运行范围的故障条件，并据此触发若干报警器。目前信息融合技术已在核反应堆、石油平台和水电仿真监视系统中获得成功应用。３．４交通管制

交通管制包括三个方面：机场调度与空中管制、船舶调

度与航道管理、城市交通管理。其中空中交通管制系统主要有导航设备、监视和控制设备、通信设备和人员四个部分组

成，目的是调度飞机的起降，监视和修正航线等；船舶系统中

通常靠雷达、声纳、气象水文、定位系统等信息，实现船舶的

安全航行；城市交通管理则是根据道路的车流量、方向、路况

等信息给出交通状况的评价和预测。

３．５全局监视

监视较大范围内的目标都可以运用信息融合技术。例如：从空中和地面传感器监视农作物的生长情况，可预测产

量；根据卫星云图、气流、温度、压力等观测信息预报天气。３．６军事应用

信息融合技术在军事上应用最早，范围最广，可以涉及战术或战略上的指挥、控制、通信和情报（Ｃ３Ｉ）任务的各个方面。

４信息融合常用方法

信息融合作为一种数据综合和处理技术，实际上是许多传统学科和新技术的集成和应用。从广义的信息融合概念出

发，融合的主要方法包括模式识别、决策论、不确定性理论、信号处理、估计理论、最优化技术、人工智能和神经网络等。

对于信息融合方法而言，其所采用的信息表示和处理方法均

来自这些领域，这里给出典型的方法如下。４．１加权平均法

加权平均法是最简单、最直观的融合方法，该方法将多

个传感器提供的冗余信息进行加权平均后作为融合结果。该

方法能实时处理动态的原始传感器数据。但调整和设定权系数的工作量很大，且具有一定的主观性。４．２贝叶斯方法

贝叶斯融合方法的基础是贝叶斯统计决策理论。贝叶斯

方法为多传感器融合提供了一种有效的手段，是融合静态环

境中多传感器信息的常用方法。在贝叶斯融合方法中，将各传感器提供的信息以概率值进行定量度量，在融合中依据概率原则进行组合，从而测量不确定性与条件概率表示。

在贝叶斯融合方法的应用中，多采用主观贝叶斯算法，

该方法采用两种不同的度量描述命题的不确定性和知识的不确定性，即用几率函数０卿Ｊ描述命题的不确定性，用充分

性度量￡ｓ和必要性度量己Ⅳ描述规则的不确定性。采用主观贝叶斯方法融合的过程是：领域专家为每条规则提供充分性

度量嬲和必要性度量ＬⅣｏ同时提供每个命题的先验函数Ｏ

但），原始证据的不确定性值由用户在系统运行时提供，然后

再按主观贝叶斯算法求出其它所有命题的不确定性值。４．３统计决策理论

与贝叶斯方法不同，统计决策理论中的不确定性为可加

噪声，从而不确定性的适应范围更广。不同传感器观测到的

数据必须经过一个鲁棒综合测试以检验它的一致性。其目的是使互不相同的数据得到最优组合，从而使系统的性能最优而系统的误差最小。

基于统计决策理论的融合方法中，是将测量值作为随机

变量进行处理，将一致性和融合问题表述为统计问题。对于

一致性和融合的最优化准则问题，最有代表性的是根据误差

的幅值将误差只分为可以接受或不接受两类，并通过使不接

受误差的概率最小确定最优化准则。

统计决策理论是研究以上问题的有效工具。从决策理论的角度来看，研究的目标是构造一致性和融合决策规则。一

致性决策规则实际上是一个统计检验，用来确定是接受还是

拒绝”数据为同一参数测量”的假设，而一致性信息融合的决策规则是同一参数的估计器。

４。４证据融合方法

证据理论是由Ｄｅｍｐｓｔｅｒ于１９６７年提出的，后由Ｓｈａｆｅｒ

加以扩充和发展，所以又称为ＤＳ理论。证据理论可以处理由”不知道”所引起的不确定性，并且对不确定性的度量采用信任函数的方法而不是以概率值度量，在应用中可以通过对一些事件的概率值加以约束建立信任函数而不必建立难以获得的概率值。

信息融合的融合方法是以证据的信任函数和似然函数构成的信任区间定量度量证据的不确定性，以证据组合规则

实现多个证据下的融合决策。通常证据融合方法适用于对各决策信息的先验概率未知的情况下做出系统的决策。

４．５模糊逻辑方法

模糊逻辑是多值逻辑，通过指定一个之间的实数表示某一元素隶属于一个给定集合的隶属度。在信息融合的模糊逻辑方法中，允许将多传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行处理，则可以产生一致性模糊推理。当不确定性是根据主观感觉而不是精确的统计获得时，可以采用

模糊逻辑的方法。在信息融合的不确定性推理中，模糊理论

万　

方数据经常与其它理论联合使用。

多传感器信息融合技术实质上是对人类信息综合处理能力的一种模拟与扩充，是充分利用多个传感器的观测信息

或局部决策信息，分析系统可能的发展态势，从而为整个系

统得出更为准确可靠的决策结果。由于多传感器信息融合所

带来的诸多效益，使其广泛应用于医疗诊断及军事作战指挥等领域中。

但是由于信息融合系统所完成任务的多种多样，环境对象的千差万别，多传感器信息融合不可能置于一个简单的逻辑框架中，也不可能以一种简单的研究方式来获得普通适用的最佳算法。目前，对信息融合理论的研究通常在像素级融合、特征级融合和决策级融合三个层次上展开，而在实际应用中信息融合主要通过采用并联式或串联式的结构，并以不

同的融合算法实现。由于目前还不能对一般的信息融合建立

一种通用的数学模型、融合结构和融合算法，因此如何根据

具体的问题选择合适的结构和算法，在实际应用中还是有待进一步的研究。

参考文献：

【１］ＬｉｎａｓＪ，ＷａｌｔｚＥ．Ｍｕｌｔｉｓｅｎｓｏｒｄａｔａｆｕｓｉｏｎ［Ｍ］，Ｎｏｒｗｏｏｄ，Ｍａｓｓａｃｈｕｓｅｔｔｓ：

ＡｒｔｅｃｈＨｏｕｓｅＩｎｃ。１９９１．１３—１７．

【２］ＨａｌｌＤＬ．Ｍａｔｈｅｍａｔｉｃａｌｔｅｃｈｎｉｑｕｅｓ

ｉｎｍｕｈｉｓｅｎｓｏｒｄａｔａ

ｆｕｓｉｏｎ［Ｍ］，

Ｎｏｒｗｏｏｄ，Ｍａｓｓａｃｈｕｓｅｔｔｓ：ＡｒｔｅｃｈＨｏｕｓｅＩｎｃ，１９９２．１７—２４．

［３］ＡｎｇｅｌｏｖａＤ，ＳｅｍｅｒｄｊｉｅｖＥ，ＳｅｍｅｒｄｊｉｃｙＴ，ＫｏｎｓｔａｎｔｉｎｏｖａＰ．Ｓｔｏｃｈａｓｔｉｃ

ｓａｍｐｌｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｔｒａｃｋｉｎｇ

ｔｗｏ

ｃｌｏｓｅｌｙｓｐａｃｅｄｍａｎｅｕｖｅｒｉｎｇｏｂ—

ｊｅｃｔｓｉｎｃｌｕｔｔｅｒ［Ｃ］，Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｏｎ

ＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ，Ｍｏｎｔｒｅａｌ，Ｃａｎａｄａ，２００１，ＴｕＢｌ—３．

【４］ＢｅｈｚａｄＭ，ＭｏｈａｍｍａｄＲＡ，ＲｅｚａＨＮ．Ｉｍｐｒｏｖｅｄｏｎ－ｌｉｎｅ

ｐｏｓｅ

ｅｓｔｉ—

ｍａｒｉｏｎｆｏｒｍｏｂｉｌｅｒｏｂｏｔｓｂｙｆｕｓｉｏｎｏｆｏｄｏｍｅｔｒｙ

ｉｎｆｏｒｍａｔｉｏｎａｎｄｅｎｖｉ—

ｒｏｎｍｅｎｔ

ｍａｐ【Ｃ】，Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｏｎ

Ｉｎｆｏｒｍａｔｉｏｎ

Ｆｕｓｉｏｎ，Ｍｏｎｔｒｅａｌ，Ｃａｎａｄａ，２００１，ＴｕＢｌ—１１．

【５］ＫｅｉｔｈＫａｓｔｅｌｌａ．Ａｍｉｃｒｏ－ｄｅｎｓｉｔｙａｐｐｍａｃｈ

ｔｏ

ｍｕｈｉｔａｒｇｅｔ

ｔｒａｃｋｉｎｇ［Ｃ］，

Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌ

Ｃｏｎｆｅｒｅｎｃｅｏｎ

ＩｎｆｏｒｍａｔｉｏｎＦｕ—

ｓｉｏｎ，Ｐａｒｉｓ，Ｆｒａｎｃｅ，２０００，ＴｕＢｌ—１．【６］ＥｒｉｃＬｅｆｅｖｒｅ，ＯｌｉｖｉｅｒＣｏｌｏｔ．Ａｇｅｎｅｒｉｃ

ｆｒａｍｅｗｏｒｋ

ｆｏｒｒｅｓｏｌｖｉｎｇｔｈｅ

ｃｏｎ—

ｆｌｉｃｔｉｎｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｂｅｌｉｅｆｓｔｒｕｃｔｕｒｅｓ［Ｃ］，Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３ｒｄ

ＩｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ

ＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ，Ｐａｒｉｓ，Ｆｒａｎｃｅ，２０００，

ＭｏＤ４—１．

［７］ＴｏｎｙＤ

Ｓ，ＭｉｃｈａｅｌＭ．Ａｐｐｌｉｃａｔｉｏｎｏｆｄｅｍｐｓｔｅｒ－ｓｈａｆｅｒｔｈｅｏｒｙｏｆｅｖｉ—ｄｅｎｃｅ

ｔｏ

ｔｈｅｃｏｒｒｅｌａｔｉｏｎ

Ｐｒｏｂｌｅｍ［Ｃｌ，Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３ｒｄＩｎｔｅｒｎａ—

ｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｏｎ

Ｉｎｆｏｒｍａｔｉｏｎ

Ｆｕｓｉｏｎ，Ｐａｒｉｓ，Ｆｒａｎｃｅ，２０００，ＴｕＤ２—１．

［８］ＳｍｅｔｓＰ．Ｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｅｖｉｄｅｎｃｅｉｎｔｈｅｔｒａｎｓｆｅｒａｂｌｅｂｅｌｉｅｆｍｏｄｅｌ［Ｊ】，ＩＥＥＥｔｒａｎｓａｃｔｉｏｎｓｏｎ

ＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，

１９９０，１２（５）：４４７－４５８．

编辑，任鸿兰

７０９