技术特征：
1.证据wasserstein距离算法在成分鉴别方面的应用，其特征在于：所述.证据wasserstein距离为ewd，所述ewd的验证方法如下：1)：令m1和m2为多交元素集θ的质量函数，其中γi,j是状态转移矩阵，γn,n是所有可能概率度量的矩阵，如下所示：其中，f1和f2是θ的子集，并且θ包括多个元素，因此所提出的ewd可以考虑多个子集的情况。γn,n是一个n
×
n矩阵，行和列均为n-1。方程|[m1(ai)-m2(bi)]-[m1(aj)-m2(bj)]|可以保留数据的原始属性。而状态变换矩阵γi,j的思想来自邓熵，直观地将问题转化为最优解问题。客观上，由于bba的数据维数等于1，p为范数，因此当d＝1和p＝1时，wasserstein距离成为最符合证据定义的最优解问题。因此，ewd方法是在一维、p＝1条件下的wasserstein距离测量，广泛应用于证据距离的测量。此外，wasserstein距离只能显示计算出的维度d＝1或高斯分布；2)，提议的ewd代表两个证据体之间的距离。得出的值越大，两个证据体之间的相关性越低，值越小，两个证据体之间的相关性越高。并且通过相关性可以推断，如果两个证据之间的关系越密切，ewd方法的价值越小，反之亦然。但是由于有界的限制，最大值不能超过1，最小值不能小于0。2.根据权利要求1所述的证据wasserstein距离算法在成分鉴别方面的应用，其特征在于：所述应用如下：提出的证据wasserstein距离算法是成分识别行业中的成分鉴别的核心算法。通过由成分检测系统搭建的成分在线检测装置，我们可以鉴别各个元素的成分组成。
技术总结
本发明公开证据Wasserstein距离算法在成分鉴别方面的应用，所述证据Wasserstein距离为EWD，针对D-S证据理论中的距离测量问题，提出了一种新的距离测量算法，并证明在高度冲突的情况下能够得出更合理的结论，弥补了D-S证据理论无法获得说服力的不足。极端条件下的结果。所提出的保证了良好的特性，例如对称性、非负性、非退化和边界，本文的创新点在于首次将Wasserstein距离与邓熵结合，引入了证据理论，Wasserstein距离和Deng熵的引入使得证据距离在衡量冲突时具有分配高冲突因素的能力，使得证据的原始属性得到很好的保留，从而减少了产生混淆结果的可能性，最终，实践和实际应用可以证明EWD方法的优越性，总之，所提出的EWD有效地解决了在强不确定性下结合各种证据时的一些难题。一些难题。一些难题。
技术研发人员：肖富元 何立蜓 何华平
受保护的技术使用者：肖富元
技术研发日：2022.05.10
技术公布日：2022/7/29