數據 采 集 與處理環節是工業自動化系統中一個十分重要的組成部分，其數據采集和處理的優劣直接影響著被控系統的穩定性和實效性。數據采集主要受硬件條件的限制，而對于數據處理環節，則主要依據所采用算法的好壞。傳統的數據處理方法是:通常認為測量數據服從正態分布，對所得的測量數據運用一定的檢驗法進行異常值的判斷和處理，如格拉布斯法等;然后再利用處理后的測量數據(認為其不再包含異常值)來確定被測對象特征參數的估計值，如算術平均值、實驗標準差等。但由于任何一個實際測量過程幾乎都會涉及到測量的對象、人員、儀器、方法、環境等因素，因而具備各自的特點，同時也會受到這些因素的影響，因而會帶來這樣兩個問題:一是測量數據實際分布大多情況下都或多或少地偏離正態分布，許多試驗都證明，大多數儀器的示值分布不是正態的，而是介于均勻與正態之間;二是個別異常值可能無法被清除而與正常值一樣作為有用數據來處理。對于以上問題，國內外學者做了大量的研究工作，并提出了許多改進算法。文獻【11首先提出了一種利用置信距離對數據進行一致性檢驗的數據融合算法，文獻【2]將該方法擴展到模糊集的情形，即利用模糊集合理論中的隸屬度函數對傳感器的測量數據進行局部一致性檢驗，文獻〔3」則在統計意義下給出了一種新的確定不確定信息支持區間和支持概率的方法，文獻〔41對數據間相互支持度在置信距離的基礎上給出了一種簡單的定量計算方法，雖然上述算法在一定的程度上解決了測量數據不符合正
態分布的數據融合間題，但算法中計算置信距離中的支持區間時，均存在門限的設置問題，而門限設置的優劣直接關系到對冗余信息和互補信息的利用程度，這些因素對最終濾波結果的影響是決定性的。針對 以 上 問題，本文提出了一種新的計算數據間相互支持度的方法，該方法充分利用數據自身蘊含的信息，避免了門限預先設定的問題。從而降低了主觀性，提高了算法的可操作性，最后通過數值仿真實例驗證了該算法的有效性。