1.基于改进证据理论在复杂场景下的植物图像分类的方法，其特征是，包括：步骤1、采集植物图像数据，并对植物图像数据分别采用灰度直方图、灰度共生矩阵、以及sym4小波提取植物图像的特征，其中，灰度直方图提取特征的具体方法包括：定义一个灰度级的离散函数；

其中ni表示图像中具有灰度级i的像素个数，i表示灰度级，N表示图像总的像素数，L表示灰度级种类数；分别提取灰度直方图的均值，方差，歪斜度，峰态，能量，熵作为特征向量；

灰度共生矩阵提取特征的具体方法包括：将图像在0°,45°,90°,135°中四个不同方向得到的统计量取均值和方差构建图像的全局纹理纹理特征；

sym4小波提取特征的具体方法包括：步骤1.1、将彩色图像转化为灰度图像；

步骤1.2、选取Sym4小波基并进行4层小波分解获得13个子带；

步骤1.3、求分解后每个子带小波系数的均值和标准差；

步骤2、将步骤1中提取的三种特征分别经过softmax分类器进行初步决策得到三种初步决策结果；

步骤3、将信任库仑力(BCF)的概念引入至Dempster证据理论，构造一个BCF矩阵，计算所有证据的可信度，并计算所有证据的平均权重，基于改进信息融合方法，使用证据的平均权重进行n‑1次Demoster’s组合，得到最后的融合证据，选择信息融合下最大的假设作为识别的结果；

步骤4、将改进的证据理论方法应用到机器故障诊断中，得到了比较好的分类结果。

2.根据权利要求1所述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，其特征在于，步骤2中将灰度直方图提取的特征经过softmax分类器进行初步决策的具体方法是：Softmax分类器中，输入向量为步骤1中提取的特征向量，输入向量为X＝{x1,T

x2…xi…xn} ，n值是表示提取的特征向量的个数，xi表示第i特征向量作为输入层的第i个神T

经元的输入；隐层输出向量为Y＝{y1,y2…yj…ym} ，yj表示隐层第j个神经元的输出；输出层T

输出向量为o＝{o1,o2…ok…or} ，ok表示输出层第k个神经元的输出；期望输出向量d＝{d1,T

d2…dk…dr} ，dk表示期望输出中第k个输出；输入层与隐层的权值矩阵为V＝{V1,V2…Vj…T

Vm} ；其中列向量Vj为隐层第j个神经元对应的权向量(是一个列向量)，隐层到输出层之间T

的权值矩阵为W＝{W1,W2…Wk…Wr}其中列向量Wk为输出层第k个神经元对应的权向量；

‑x ‑x

激活函数f(x)定义为：f(x)＝1/(1+e )，其中e表示一个自然数，e 表示以e为底的指数函数；

输入层输入，隐层输出，输出层输出的关系如式1：其中yj表示隐层第j个神经元的输出，xi表示输入层第i个神经元的输入，vij表示输入层第i神经元与输出层第j个神经元之间的权重；Ok表示输出层第k个神经元的输出，wik表示隐层第i个神经元与输出层第j个神经元之间的权重；分类器权值更新公式如式2：其中η∈(0,1)，表示学习率，其中γk＝(dk‑ok)ok(1‑ok),vij表示更新后输入层第i神经元与输出层第j个神经元之间的权重；wik表示更新后隐层第i个神经元与输出层第j个神经元之间的权重；

最后，将bp神经网络运行结束后得出的输出进行归一化；如式3所示：其中ok表示程序运行结束后输出层第k个神经元的输出，outputk表示输出层第k个神经元进行归一化后的最终输出。

3.根据权利要求1所述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，其特征在于，步骤3中将信任库仑力(BCF)的概念引入至Dempster证据理论，具体基于以下定义：

识别框架Θ＝{θ1，θ2,...,θn}表示可能发生事件的集合，θi则为识别框架的子集；Θ中的子集两两互斥，识别框架中的全部识别对象 如Θ

果A∈2 则称A为命题；

Θ Θ

对于2 中的任何命题A,定义映射m:2 →[0,1]为基本概率分布，m满足(4)所示条件：m(A)表示证据对A命题的支持程度，实际上是个概率值， 表示所有命题都不发生的事件概率

其中K表示两个证据之间的冲突系数，A1∩A2＝C表示命题A1与命题A2的焦点元素的交集为命题C的焦点元素， 表示命题A1与命题A2的焦点元素的交集为空集；当K＝1表明m1,m2之间没有冲突，K＝0时表示证据之间完全矛盾；总之K越小证据之间越冲突；

首先，认为证据信息融合的本质就是，证据体之间受到某种作用力的影响，为了量化证据之间的作用力程度，提出信念库仑力理论(BCF)，则定义信任库仑力(BCF)，如(6)式：其中设F是两个证据之间库仑力的大小，Qm1,Qm2是两个证据体的信息量，R表示证据体之‑ε|Θ|

间的距离，Ke是库伦常数Ke＝2 ，0≤ε≤1；

信息熵可以度量证据体的信息量，则其中信任函数的电荷量的概念引用信息熵，目前引用较多的是Deng熵，但是Deng熵理论有一些局限性，没有考虑识别框架(FOD)的尺度和相对于FOD的焦点元素的相对尺度，故引入改进的Deng熵作为证据体的电荷量；公式如(7)所示：

其中Qm表示证据体的信息量，|Θ|是识别框架Θ的基数，|A|是A的基数m(A)表示命题A的概率；

两个证据体之间的冲突系数定义如(8)所示：其中c(m1,m2)表示证据体之间的冲突；T表示向量的转置运算，m1，m2分别为两个证据体，是列向量；Ai，Aj是焦点元素，|Ai∩Aj|表示Ai,Aj取交集的基数，|Ai∪Aj|表示Ai,Aj取并集的基数；

定义两个基本概率分配函数的不相关系数如(9)所示：其中ζ两个证据体之间的不相关系数m1(Ai)表示证据体1中命题Ai的概率值， 表示证据体1的所有命题的平均概率向量，m2(Bi)表示证据体2中命题Bi的概率值， 表示证据体2的所有命题的平均概率向量；

用冲突系数与不相关系数的组合描述证据体之间的距离： 不仅考虑到焦点元素和非焦点元素之间的差异，还考虑到了分配函数本身之间的差异。

4.根据权利要求1所述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，其特征在于，步骤3中改进信息融合方法，并应用到植物图像分类中建立分类模型的特征是：

步骤3.1、构造一个BCF矩阵(BCFM)，反应两个证据体之间的相似程度假设有n个证据体BCFM公式如(10)所示：

其中mi，mj分别表示第i个证据体和第j个证据体，FBCF(mi,mj)代表证据mi和mj之间的库仑力；FBCF(mi,mi)＝0,表示证据体mi与本身的证据距离为0；

步骤3.2、计算所有证据的可信度；证据主体的支持程度表达式为(11)所示：su(mi)表示对证据体mi的支持程度；

crdi表示证据体mi的可信度，定义为(12)所示：crdi表示证据体第i个证据体的可信度步骤3.3、求所有证据的平均权重如(13)所示；

AVE(m)表示所有证据的平均权重；

步骤3.4、使用证据的平均权重进行n‑1次Demoster’s组合，得到最后的融合证据，选择信息融合下最大的假设作为识别的结果。

5.根据权利要求1所述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，其特征在于，步骤4的具体方法包括：步骤4.1、构造一个BCF矩阵(BCFM)，反应证据体之间的相似程度；

步骤4.2、计算所有证据的可信度；

步骤4.3、求所有证据的平均权重；

步骤4.4、使用证据的平均权重进行n‑1次Demoster’s组合，得到最后的融合证据，选择信息融合下最大的假设作为识别的结果。