一种基于区间规则的条件证据网络推理决策方法

针对证据网络推理方法无法对区间规则进行表示和推理的问题, 提出一种基于区间规则的条件证据网络推理决策方法. 该方法针对模糊规则的条件概率或信度为不确定区间的情况, 可同时表达不确定性和模糊性; 并将区间不确定规则转化为区间条件信度函数作为证据网络的结点参数, 通过条件推理和证据融合得到条件证据网络中各结点幂集空间中焦元的随机分布作为决策依据. 最后, 通过空中目标态势评估实例, 验证了所提出方法的有效性.

     

基于新的证据冲突衡量的加权证据融合方法

对冲突证据使用Dempster-Shafer 证据理论进行融合的前提是对冲突证据作出正确衡量, 确定证据之间冲突的程度. 在分析现有的冲突衡量方法基础上, 提出一种基于新的证据冲突衡量的加权证据融合方法. 该方法通过相似性测度来衡量证据间的冲突程度; 然后确定各证据的可信度, 再加权修正证据; 最后用Dempster 组合规则进行融合. 算例表明, 该方法能正确衡量证据冲突程度, 有效地解决冲突证据的融合问题, 提高收敛速度和精度.

     

一种基于证据推理的视频运动目标融合检测算法

为了解决复杂场景下传统的运动目标检测问题, 利用证据推理—–谨慎有序加权平均方法(COWA-ER), 提出一种综合使用混合高斯、均值滤波和码本的多方法融合的检测方法. 该融合检测算法以上述3 种检测方法为准则建立一个多准则决策框架, 通过双阈值检测法来表征检测过程中的不确定性, 最终利用COWA-ER 方法进行决策级融合, 实现多种方法的优势互补. 实验表明, 所提出的融合检测算法具有更理想的目标检测效果, 能有效应对诸如阴影及光照突变等问题对检测性能的影响.

     

一种新的冲突表征下的异类源信息融合算法

异类源信息融合时常遇到证据高度冲突的情况,此时应用传统Dempster-Shafe(rD-S)证据理论进行融合将出现错误的结果。针对以往冲突证据融合研究中使用冲突系数k表征证据之间的冲突程度所存在的不足,提出了一种新的证据冲突表征方法。在此基础上确定证据间的冲突度和相似度,得到证据的权重。对加权修正后的证据利用D-S证据理论进行融合。算例验证表明该方法可以有效地对冲突证据进行融合,收敛效果较好。     

基于本体的融合知识测度分析

针对知识融合产生的新知识规模庞大的问题, 提出一个基于本体的融合知识测度指标. 利用默认关系强度分析知识单元之间融合的紧密程度, 根据词汇链的构建规则定义语义相关度, 由概念本体树的语义距离计算概念之间的语义相关度, 并运用最大熵模型分析融合知识的语义熵. 分析知识元素属性值对融合知识的影响, 确定其相应效用权重系数; 综合上述指标构建对融合算法具有特定趋势指导作用的融合知识测度, 并分析该测度指标对称性、确定性、非负性和扩展性等性质. 应用实例表明了所提出指标的有效性, 并进一步说明了融合知识测度在知识评价体系中的重要作用.

     

一种基于FCOWA-ER 的SVM多分类方法

支持向量机(SVM) 在处理多分类问题时, 需要综合利用多个二分类SVM, 以获得多分类判决结果. 传统多分类拓展方法使用的是SVM的硬输出, 在一定程度上造成了信息的丢失. 为了更加充分地利用信息, 提出一种基于证据推理-多属性决策方法的SVM多分类算法, 将多分类问题视为一个多属性决策问题, 使用证据推理-模糊谨慎有序加权平均方法(FCOWA-ER) 实现SVM的多分类判决. 实验结果表明, 所提出方法可以获得更高的分类精度.

     

考虑可靠性与重要性的证据补偿协调融合方法

兼具可靠性和重要性的证据融合问题目前仅局限于折扣处理阶段, 尚未深入到融合规则的构建之中. 为解决此问题, 首先结合现有成果的解决思路分析其中存在的问题; 然后构建能够对基本信度分配函数进行可靠性/重要性双重折扣处理且满足交换律的证据折扣方法, 在此基础上, 基于Dempster规则和Murphy规则从非补偿性与补偿性协调视角构建可以平衡可靠性和重要性的补偿协调融合规则; 最后通过数值对比分析验证所提出方法的科学性.

     

一种非对称的证据冲突度量方法

D-S 证据理论是一种重要的决策级信息融合方法, 冲突度量是该理论的重要组成部分. 已有冲突计算方法不具备非对称性, 在度量基本概率赋值与其他证据间冲突时无法体现相互间差异. 鉴于此, 提出一种非对称证据冲突度量方法. 该方法以冲突度量的非对称关系为基础, 通过向Jousselme 距离模型中引入包含关系矩阵和非包含度因子, 得所提出方法能够表达证据间相互支持程度的差异. 实验结果验证了所提出方法的有效性.

     

一种基于D-S 和ARIMA 的多模型软测量方法

针对传统软测量方法存在的预测性能差、融合能力低等缺点, 提出一种基于证据理论(D-S) 合成规则和差分自回归滑动平均(ARIMA) 模型的多模型软测量方法. 首先利用自适应模糊核聚类方法和最小二乘支持向量机建立多个子模型; 然后利用D-S 合成规则构造的概率分配函数作为权值因子, 对子模型输出进行融合以得到多模型的输出; 最后结合ARIMA 模型对静态多模型输出进行动态校正. 仿真研究与工业应用的结果表明, 所提出的方法具有良好的预测性能和融合能力.

     

基于小波网络和证据理论的多源信息融合系统研究

在多源信息融合中，不确定、不完整和冗余现象普遍存在。为了解决这个复杂问题，本文首先利用相空间重构理论对输入的信息在相空间中进行重构，以充分提取相关信息。然后在重构相空间上，利用模糊理论、小波网络和遗传算法对上述重构信息进行了时间域信息融合。最后，利用D—S证据理论将时间域融合结果进行了空间域信息融合，并根据决策规则进行了决策。结果表明．据此形成的分布式多源信息融合系统具有良好的目标探测能力、抗干扰能力和容错能力。     

基于证据推理的联合故障检测方法

针对卡方故障检测方法对软故障的检测性能较差, 甚至会导致滤波器发散的问题, 提出一种基于证据推理的联合故障检测方法. 将组合导航中的各子滤波器作为证据, 利用每个子滤波器的状态及协方差构造联合故障检测函数, 并利用联合故障检测函数的概率分布计算基本置信指派, 再将多个证据按D-S 规则进行融合, 根据融合结果进行故障检测. 仿真结果表明, 所提出的方法对硬故障的检测性能与卡方故障检测性能相当, 但对软故障的检测性能要优于卡方故障检测, 可提高组合导航系统的可靠性和精度.

     

联合信度推理证据网参数学习

证据网络是证据理论的层次化推广,联合信任测度是证据网络中的一种推理方法,推理参数一般由专家经验给出.为了更准确地获得参数,提出一种将冲突大小作为评价函数,利用格雷编码遗传算法,通过评价输入来自动获取优化参数的方法.以机载多传感器平台为例的仿真实验表明,所提出方法的融合识别性能优于专家知识设定参数的方法,而且初始种群数量越大,越能获得好的识别结果.     

基于类决策树分类的特征层融合识别算法

针对雷达组网量测数据不确定性大、信息不完备等特点, 基于决策树分类算法的思想, 创建类决策树的概念, 提出一种基于类决策树分类的特征层融合识别算法. 所给出的算法无需训练样本, 采用边构造边分类的方式, 选取信 息增益最大的属性作为分类属性对量测数据进行分类, 实现了对目标的识别. 该算法能够处理含有空缺值的量测数据, 充分利用量测数据的特征信息. 仿真实验结果表明, 类决策树分类算法是一种简单有效的特征层融合识别算法.

     

基于扩展原理的混合型证据推理不确定决策方法

提出一种基于扩展原理的混合证据推理不确定决策模型.通过α截集将同一决策问题中各属性使用的精确数、区间数和模糊数等异构评估信度统一分解为区间结构,采用区间证据推理方法求解各隶属度下的效用区间,并按隶属度次序重组方案效用;化简模糊数质心公式,并用于模糊定量评估的信度计算和方案模糊效用的排序;最后,通过具体实例验证了所提出方法的有效性和可行性.将该方法在算例中的适用情况进行比较和分析,结果表明所提出的方法具有良好的适应性.     

基于证据推理和第3 代前景理论的不确定性多属性决策方法

针对多状态不确定性多属性决策问题, 建立基于证据推理和第3 代前景理论的决策方法. 首先, 给出不确定性知识表示方法—– 确定因子结构及其构造方法; 然后, 将第3 代前景理论构造价值函数和确定权重函数引入决策方法中, 得到每个方案在各属性下的前景价值; 进一步, 根据证据推理方法对前景价值进行信息融合得到各方案的合成前景价值, 并依据合成前景价值对方案进行排序; 最后, 通过算例验证了所提出方法的可行性和有效性.

     

可拓学理论在信息融合中的应用研究

基本概率分配函数的选取是实际应用D-S证据推理的信息融合算法的难题之一。探讨了可拓集理论和关联函数的本质,提出对关联函数进行归一化处理,并以归一化后的数据作为证据体对分类命题的可信度分配,利用Dempster组合规则生成总体可信度分配,实现多源信息的融合。仿真计算结果表明,该算法是可靠的和有效的。     

基于线性IFTS 的弹道中段目标融合识别方法

针对弹道中段目标识别时间资源有限的问题,提出一种基于线性直觉模糊时间序列的目标融合识别方法.新模型通过直觉模糊线性相关函数表征弹道中段目标识别信息的实时模糊变化特性,构建目标识别结果的时序变化模型,将目标识别转换为直觉模糊时序变量间的寻优拟合问题,缩短了目标正确识别时间,提高了系统的识别效率.最后通过仿真实例验证了所提出方法的有效性和优越性.     

基于边界域和知识粒度的粗糙集不确定性度量

为了克服现有作积形式不确定性度量方法的缺陷, 基于边界域提出一种用改进粗糙度和知识粒度求和形式的粗糙不确定性度量公式. 与现有方法相比, 它同时考虑了由边界域和知识粗糙性产生的不确定性, 从理论上证明了集成后的不确定性度量值确实比单个影响因素产生的不确定性度量值大, 是一种更加合理的不确定性度量方法. 将该方法推广到基于严凸函数知识粒度情形, 得到一类度量粗糙集不确定性度量方法, 并研究了随划分变细时, 粗糙 度、改进粗糙度与所提出方法之间的关系. 最后设计了一组算例对它们进行比较, 比较结果表明, 所提出的方法对划分变细更加敏感.