1.基于信度熵和BJS散度的冲突证据融合方法，其特征在于：包括以下几个步骤：A、通过获取多个传感器的充分指数wi和重要性指数vi以及传感器测量信息相对应证据焦元的基本概率赋值，将每一个证据看作一个向量，所述第i个证据的向量用mi＝(mi(θ1),L,mi(θr),L,mi(θk))T表示，其中i＝1,2,...,n，n为证据向量的总数，wi和vi分别为第i个证据向量的充分指数和重要性指数，k为辨识框架Θ中的焦元个数，r＝1,2,L,k；

B、通过下述公式 计算证据mi的信度熵，得

到任意第i个证据向量mi的信度熵E(mi)，式中r,l＝1,2,L,k，e为自然常数，是一个约等于

2.71828182845904523536……的无理数，|θr|表示焦元θr元素的个数，|θr I θl|表示焦元θr与焦元θl公共元素的个数，|Θ|为辨识框架中包含单焦元和复合焦元的总个数；

C、由得到任意第i个证据向量mi的信度熵通过公式 计算得到第i个证据向量mi的不确定度IV(mi)，然后通过下述公式 计算得到进行归一化后第i个证据向量mi的相对不确定度

D、通过下述公式 计算证据之间的BJS

(Belief Jenson-Shannon)散度，得到任意第i个证据向量mi和第j个证据向量mj之间的BJS散度BJS(mi,mj)，式中，E、由得到的任意第i个证据向量mi和第j个证据向量mj之间的BJS散度BJS(mi,mj)通过下述公式 得到第i个证据与其他n-1个证据的BJS散度BJS(mi)；

F、由得到的第i个证据与其他n-1个证据的BJS散度BJS(mi)通过下述公式计算第i个证据向量mi的支持度Sup(mi)；并通过下述公式计算得到归一化后的第i个证据向量mi的相对支持度

G、由第i个证据向量mi的充分指数wi和重要性指数和vi通过下述公式s(mi)＝wi×vi计算得到第i个证据向量mi的静态可信度s(mi)；

H、由得到的任意第i个证据向量mi归一化后的相对不确定度 相对支持度和静态可靠性参数s(mi)，通过公式： 求得第i个证据

与其他n-1个证据的相对支持程度因子truf(mi)，并利用第i个证据与其他n-1个证据的相对支持程度因子truf(mi)通过下述公式 得到第i个证据的权重系数ωi；

I、记第i个证据中焦元θr的基本概率赋值用mi(θr)表示，其中r＝1,2,L,k，修正后的加权平均证据(MAE,Modified Average of the Evidence)中焦元θr的基本概率赋值用md(θr)表示，根据步骤H中得到的权重系数ωi通过下述公式 得到修正后的n个加权平均证据中焦元θr的基本概率赋值md(θr)；

J、最后，采用Dempster组合规则对修正后的n个相同证据进行逐个融合n-1次，融合后焦元A的基本概率赋值m(A)的最大值对应的焦元为目标识别的决策结果对应的识别杂草目标，即为决策最终结果。

2.根据权利要求1所述的基于信度熵和BJS散度的冲突证据融合方法，其特征在于：所述的Dempster组合规则为：其中，m(A)表示焦元A的基本概率赋值，K为冲突系数，r,l＝1,2,L,k， 为空集。