基于Spark的证据邻域粗糙并行分类高效算法

传统邻域分类器因良好的分类性能在分类问题中得到广泛应用。但数据规模和维度的不断增加,提高了邻域分类器的处理难度。为解决这一问题,该文基于Spark实现邻域决策错误率并行属性约简算法,删除数据中的冗余属性,减少数据间的不确定性。该算法能减少分类过程中数据计算时间,提高分类计算效率。邻域分类器在分类决策过程中采用的多数投票机制没有考虑到邻域样本的空间差异性与标签不确定性,易导致错误分类。该文在Spark框架下将D-S证据理论引入邻域分类器,并行融合整个邻域空间的证据支持信息,提出基于Spark的邻域证据并行分类算法。实验结果表明,该文提出的算法相较于传统邻域分类器,在处理大规模数据时计算时间更少、效率更高,对未分类样本的分类精度更高。     

不同度量下集成属性选择器的对比研究

研究分析了集成属性选择器在不同度量下的分类表现。借助邻域粗糙集,应用3种不同的度量-局部近似质量、局部条件熵、局部邻域决策错误率,构建不同的集成属性选择器。在6组UCI数据集上的实验结果表明,相比于局部近似质量与局部条件熵,在使用局部邻域决策错误率时,对应的集成属性选择器最多能提升将近36%的分类准确率。     

邻域决策一致性的属性约简方法研究

基于邻域决策错误率的属性约简可以在删除冗余属性的同时,提升邻域分类器的留一验证分类精度.但这种约简方式并未充分考虑邻域分类结果在约简前后的差异.为解决这一问题,借助联合分布矩阵,提出了邻域决策一致性的概念,构建了邻域决策一致性与邻域分类精度的调和平均值,并将其作为约简求解的度量准则.在12个UCI数据集上的实验结果表明,所提出的新约简不仅能够有效地提升邻域分类器的决策一致性,而且在多数情况下能够进一步提高邻域分类器的留一验证分类精度.     

基于高度冲突专家意见融合的水利工程应急决策

为解决D-S(Dempster-Shafer)证据理论无法有效集结高冲突专家意见对水利工程应急决策结果的影响,提出了基于Lance距离和信息熵改进D-S证据理论的水利工程应急决策中的专家意见融合方法。首先,利用改进的直觉模糊熵计算属性权重,充分考虑了决策信息的模糊性,得到各专家对方案的Mass函数;然后,使用Lance距离衡量任意两个专家之间的冲突和差异性得到评价证据的可信度,使用信息熵描述专家决策时的随机性问题得到评价证据的不确定度,并将二者折扣处理后得到专家综合权重,保证修正权重的准确合理;最后使用D-S证据组合规则计算修正后各专家对方案的Mass函数,得到最终决策结果。通过实例分析及方法对比验证了模型的有效性,结果表明,提出的方法可以有效集结高度冲突专家意见,与其他方法相比融合结果精度更高,考虑问题更为科学有效,可为水利工程应急决策提供依据。     

基于证据分类的冲突证据合成方法

证据分类策略能够很好地避免冲突证据融合问题。借鉴证据分类的思想,定义证据-属性支持度、分类门限、证据可信度,将证据分类,保证同一类别的证据具有较好的一致性。在同一类别内采用D-S进行证据合成,并根据各类证据的个数及证据不确定度给出每类证据合成结果的权重,并采用加权合成方法给后最终的合成结果。     

分布式主客观证据融合模型及其应用

为了有效地提高油田剩余油分布预测的准确率和可靠性,通过BP神经网络联合模型与两级D-S证据推理模型的优势互补进行主客观证据融合,实现了剩余油分布多属性特征的准确分类．提出了将BP神经网络分类结果的可信度及专家系统推理结论的可信度作为D-S证据推理模型输入证据基本概率赋值的有效方法．实际应用与结果分析表明了上述方法的有效性,为各类多源信息融合系统的研究和工程实现提供了示例、途径和有益的经验．     

基于区间二型模糊多粒度证据融合方法的钢铁行业耗能决策

为了探索区间二型模糊背景下的多属性群决策方法，以多粒度概率粗糙集为基础，结合MULTIMOORA(Multi-Objective Optimization by Ratio Analysis Plus the Full Multi-Plicative Form)与证据融合理论，发展了一种基于区间二型模糊信息的多粒度证据融合决策模型.首先，提出多粒度区间二型模糊概率粗糙集模型；然后，通过离差最大化法和熵权法计算决策者权重和属性权重，依据多粒度概率粗糙集和MULTIMOORA法建立区间二型模糊多属性群决策模型，通过源自D-S证据理论的证据融合方法融合得出决策结果 .通过钢铁行业耗能的实例，证明提出方法的可行性与有效性，总体上，提出的决策模型具备一定的容错力，有助于获得强解释力的稳健型决策结果 .     

证据理论在飞机电气系统性能评审中的应用

介绍了民用飞机电气系统性能评审的现况,分析了飞机电气系统性能评审的特点,引入D-S证据理论,建立了基于D-S证据理论的飞机电气系统性能评审模型.电气系统评审模型用基本信任函数表达根据专家经验和知识所得出证据的不确定性,然后再利用D-S证据理论合成规则得出多批证据联合作用的结果,提高了评审决策的科学性.     

BP和D-S结合的多传感器协同目标识别推理机制

针对多传感器协同目标识别的基本概率赋值在实际应用中存在容易导致决策可信度低等难以解决的问题,提出一种基于BP神经网络和D-S证据理论的多传感器协同目标识别的推理机制。简述了BP神经网络理论和D-S证据理论,构建了目标识别推理框架,推理了算法可行性,进行了实例仿真,通过信息融合,不确定性的基本概率赋值下降到0.000 8,表明该推理机制的有效性。     

不确定多属性决策方法在邮船母港选址中的应用

主要介绍基于D-S理论的ERA多属性不确定方法来解决邮船母港选址问题.将属性的定性分析与定量分析相结合,最后利用效用函数原理对选址问题排序.并在此基础上为解决属性不确定性对评价的影响,对属性权重进一步分析,建立了三步骤的检验和改进方法,并用实例说明了它的合理性和可行性.研究表明,证据推理法可有效应用到交通运输系统规划决策评价中.     

基于下近似分布的变精度邻域粗糙集属性约简算法

利用邻域粗糙集处理数值型数据,可以解决经典粗糙集不能直接处理数值型数据的问题,改进后的变精度邻域粗糙集可以增强抗噪声的能力。但变精度邻域粗糙集的属性约简有不同于邻域粗糙集的特性,需要考虑每个决策类的下近似分布。文中提出可以遵循平均错误率来约简属性,减少计算规模。实验证明,使用UCI数据集与其它算法进行了比较,该算法可以获得理想的结果。     

基于D-S证据理论的自治车行为决策

在对有多个不同类传感器进行特征级融合基础上应用D-S证据理论进行自引导车的行为决策,解决了单一传感器信息冗余度小、可靠性差和单一融合方法进行行为决策存在不确定性因素的问题,在结构化或半结构化环境下,制定了采取概率上下限的决策规则,较好地将上一级融合的多个结果融合成对决策的一致描述.实验证明D-S证据理论完全可以满足自引导车实时跟踪和导航的决策需要.     

基于D-S证据理论直接求代数约简和代数核

 针对不一致决策表,现有基于D-S证据理论的处理方法是将它先转化为一致决策表,再对所得的一致决策表计算其广义决策约简.具体算例研究表明,广义决策约简与代数约简有时并不一致.理论证明了广义决策约简仅与分配约简等价,针对不一致决策表,通过修改判断指标,提出一种基于D-S证据理论直接计算其代数约简和代数核的新方法,其正确性得到理论证明和数值算例的验证.     

邻域粗糙集和Fisher判别法结合的转子故障决策规则提取方法

针对旋转机械故障诊断知识获取困难的问题,将邻域粗糙集和Fisher(费舍)判别法相结合,对从故障数据库中提取决策规则的方法进行了研究.首先基于邻域粗糙集理论对转子故障的时域特征属性集进行属性约简,据此达到消除冗余属性的目的,然后再依据费舍判别法对故障数据集进行故障模式识别.通过处理转子实验台数据来对该方法进行的验证以及与传统方法进行的对比情况表明:本方法在节省数据存储空间的同时还具有能够获得较准确的故障分类决策规则能力.     

一种有效处理冲突证据的DS改进算法

D-S证据理论是一种处理数据不确定性的经典方法,但是,在数据所受干扰很大的情况下,其所得融合结果常常与常识相悖。基于对D-S证据理论完备性的分析,提出了一种新的证据组合方法,该方法引入证据可信度概念,利用证据之间的相容性和互斥性,将证据分为可信部分和不可信部分分别进行处理,最后用D-S证据理论融合信息。相较于其他方法,该方法在不改变D-S融合规则的前提下,解决了D-S理论在证据高度冲突情况下无法使用的问题,提高了D-S证据理论融合结果的准确性。     

基于信息融合的船舶中央冷却系统运行状态评估

为解决船舶综合监控系统中海量无序数据信息的有效利用问题,以中央冷却系统为研究对象,提出D-S证据理论结合粗糙集的信息融合方法对系统运行中的故障隐患状态进行识别.分别定义了等价属性和证据决策系数的概念,给出快速约简方法及基于证据信任度的证据合成方法,明确了证据基本可信度分配的求解过程.基于实际船舶典型状态数据的测试评估结果表明,所得结论与基于先验知识的判断基本一致,验证了所提方法对系统隐患故障状态评估的有效性.     

基于D-S证据理论和RBF网络的航空发动机叶片损伤图像识别技术研究

针对航空发动机叶片损伤图像采集过程中存在的不确定性因素及单一RBF网络或D-S证据理论在叶片损伤图像识别中存在的不足,提出一种基于D-S证据理论和RBF网络相融合的决策级信息融合损伤图像识别算法。首先,用RBF网络对损伤图像进行初步识别;然后,将RBF网络识别输出结果作为D-S证据理论的基本可信度分配;最后,利用D-S联合规则进行合成,得出最终识别结果。通过单一优化RBF网络的图像识别结果和融合识别结果的对比分析,证明了该方法在航空发动机叶片损伤图像识别方面的优越性。     

不一致邻域决策信息系统的增量式属性约简研究

属性约简是数据挖掘、机器学习等研究领域中的一个非常重要的预处理步骤,其效率的高低会直接影响到数据挖掘、机器学习等相关任务的性能。针对目前已有的非增量式属性约简方法在处理不一致邻域信息系统动态变化时无法高效更新属性约简的问题,提出一种在不一致邻域决策信息系统中对象集发生变化时的增量式属性约简方法。首先,该文以不一致邻域决策信息系统为研究对象,结合不一致邻域的特点给出了一种新的不一致度的表示方法。在此基础上用不一致度来表征属性重要度,以属性重要度为启发式信息研究不一致邻域信息系统对象集发生变化条件下邻域类以及不一致度的更新机理。随后,以不一致度为启发信息构建了增量式属性约简算法。进一步,在UCI上选取6个数据集,通过分类精度测试实验精选出各个数据集的最佳邻域半径δ,最后,利用最佳邻域半径δ在各个数据集上执行增量式属性约简算法实验,实验结果表明该文提出的增量式属性约简算法在保持分类精度不变的前提下较其他算法更加快速和有效。     

面向属性变化的动态邻域粗糙集知识更新方法

提出了属性集变化时动态更新三支决策区域的矩阵方法。首先,利用邻域距离矩阵和邻域关系矩阵等构建了面向决策类的邻域三支决策区域的表示;其次,考虑邻域决策系统中的属性变化情况,分析邻域关系矩阵等相关矩阵的更新策略;然后利用相关矩阵的更新策略,分别提出了属性增加和属性删除时更新三支决策区域的矩阵方法;最后,通过公共数据集验证了基于矩阵的增量更新方法的有效性。     

基于D-S证据理论的不完全信息作战方案优选

针对带有不完全信息的作战方案优选问题,提出了一种基于D-S证据理论的多属性决策方法.首先由属性值构建残缺决策矩阵(矩阵中有某些未知元素),然后根据属性值的特征确定各属性对应的焦元.利用信任函数、似然函数和证据推理算法求得每个方案的效用区间和优先度,并根据优先度对所有方案进行排序,从而完成方案优选.该方法通过对作战方案优选过程中繁杂、不确定信息进行融合,可以较好地处理作战信息不完全对作战指挥决策的影响.以一类炮兵作战方案优选为应用算例,证明了该方法的有效性.