学习相关源证据

将两个相关证据看成是一个相关源证据与两个独立源证据正交合成的结果,这两个相关证据的合成就归结为这3个相互独立的源证据的正交合成。利用证据理论组合相关多分类器,每个分类器提供的证据是相关的,利用遗算法从样本中学习最优的相关源证据,基于合成证据确定最终的组合分类结果。字符识别实验结果表明,这种相关证据模型能有效利用分类器之间的相关性,从而能提高多分类器的组合识别性能。     

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。     

基于Dempster—shafer理论的多个神经网络分类器融合算法

用遗传算法优化神经网络分类器的连接权系数，避免采用BP算法存在易于陷入局部极值，使每个神经网络分类器的分类接近于理想状态，由于每个分类器的特征输入不同，不能被一个分类器识别的模式，却可能被另一个分类器识别，为了提高模式识别的精度，可将一个模式识别问题由多个分类器来完成，将每一个分类器的输出结果作为一条证据，确定各分类器的基本概率指派函数，再用证据组合理论融合证据信息，可以提高分类的精度和避免某一个神经网络遭到破坏而使整个系统陷于瘫痪状态。     

一种基于证据相似性的证据分类策略

证据分类策略是一种有效的冲突证据推理融合方法,但是在实际应用中会产生大量重复分类,而且分类门限根据主观经验确定,缺乏依据.为了降低分类数,提高证据分类策略的准确性,提出一种基于证据相似性的证据分类策略.首先以证据推理中得到的初始证据作为理想证据,通过衡量各个证据与理想证据的证据距离,按照证据的相似性将系统内证据分为2类证据集,然后继续按照以上的分类策略分类,直到不可再分.最后对分类结果采用Dempster组合规则合成,衡量各个分类的可信度,对合成结果加权平均组合.通过算例对该策略进行了验证,结果表明:基于证据相似性的证据分类策略可以有效降低分类数.     

基于Shapelets的多变量D-S证据加权集成分类

集成学习是分类多变量时间序列的有效方法.然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大.为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法.首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器的权重.Shapelets是时间序列的子序列,不同变量Shapelets间不存在依赖关系,且单个Shapelets分类准确度较高,能得到“好而不同”的基分类器.然后,提出一种加权概率指派算法,增加分类准确率高的基分类器权重,减少分类准确率低的基分类器权重;添加了2个组合策略,即消除证据冲突,又提高了效率.在标准数据集上与多个最新算法进行比较,笔者算法取得了较好的分类结果.     

最短特征线段多分类器系统设计

为提高多分类器系统分类的性能,设计了一种使用最短特征线段分类器的多分类器系统。依据最短特征线段分类算法工作机理,利用特征线段长度表征样本隶属于各个类别的可能性,即模糊隶属度,对成员分类器输出形式完成由摘要级至度量级的重新建模,更多地保留输出细节以减少信息损失,进而利用基于模糊的证据融合规则实现成员分类器的度量级融合,通过隶属度到mass函数的转换,利用模糊-证据融合规则实现多分类器系统的构造,进一步提高了多分类器系统分类性能。采用人工数据集和UCI数据集设计了对比实验,实验表明,与其他邻域型分类器构造的多分类器系统相比,新多分类器系统能有效提升分类正确率。     

证据理论合成规则的改进

D-S证据理论是一种有用的不确定性推理方法，由于证据合成公式存在不足，影响了证据理论的应用．该文提出了一种证据理论合成的改进方法，该方法不仅能处理相互冲突的证据，把支持证据冲突的概率按各个命题的平均支持程度加权进行分配，还能根据证据携带的信息量决定聚焦的权重，使合成结果符合实际情况．     

基于距离融合的多冲突证据合成研究

冲突证据合成作为研究热点,由于发现Dempster-Shafer合成可能导致悖论,至今仍然没有统一的解决方法.本文提出了一种新的冲突证据合成方法.融合系统中各证据的重要程度可能不同,新方法首先通过融合多证据距离,从而可以更加准确地得到证据距离,进一步通过相关算法转化证据距离为证据权值,权值反映了证据的重要程度,根据权值,对原始的基本可信度分配函数进行重新分配,再通过改进的合成公式,对重新概率分配的证据进行合成,得到合成结果.通过具体的算例比较,说明新方法在合成冲突证据方面具有一定的优越性.     

一种新的冲突证据合成方法

该文在探讨已有冲突证据合成方法的基础上,提出了一种新的冲突证据合成方法—基于证据自冲突和证据间距离最小的证据合成方法(M-C合成方法),并通过实例说明了这一方法的优良特性.     

证据合成的一般框架及高度冲突证据合成方法

针对D-S证据理论在合成高度冲突证据时会得到有悖常理的无效结果的问题,提出了有效解决冲突须同时修正证据源和合成规则的原则,并给出了证据合成的一般框架;在此框架下,提出了一种新的证据合成方法。该方法首先对证据源进行两级可靠性度量处理,然后再按照合成规则进行合成,最后采用基于Pignistic概率距离计算的权重把冲突系数分配给各焦元,实现对合成结果的合理修正。实验结果表明:该方法能有效地解决高度冲突证据的合成问题,与其他合成方法相比,该方法合成效果更好。     

基于落影相似度的证据合成规则

在多传感器目标决策系统中,由于敌方或者环境的影响,由D-S合成规则,会得出与直觉相悖的结论。提出了一种改进的证据合成规则。首先,利用条件布尔代数距离定义了证据的落影距离,并推出证据的落影相似度;然后,由证据的落影相似度定义证据的可信度,作为证据参与组合时重要程度的权值;最后,按照Murphy的平均加权证据合成规则对证据进行组合。理论分析和数值算例表明：该方法是有效的,且在冲突信息目标决策上优于一些现有方法。     

基于随机集的证据理论的改进在发电机故障诊断中的应用

在多传感器信息融合处理故障诊断问题过程中,传统证据理论对含有冲突证据的处理结果与实际相悖。文中运用随机集的方法对传统的证据理论进行改进,提出了一种新的基于证据本身的可信度权重和基于证据相似度的可信度权重的证据调整方法,并将改进后的方法应用于发电机系统的故障诊断中。结果表明,与传统证据理论相比改进后的方法更加精确地辨识出故障源,提高了诊断系统的性能。     

利用偏差进行冲突证据融合的改进方法

本文对D-S证据理论组合冲突证据时存在的缺陷进行了研究, 在前人的基础上提出了一种改进的处理冲突证据的融合方法, 该方法通过计算各证据到命题平均支持度的偏差, 来检测和消除冲突证据,并对最后结果进行了修正, 以处理来自不同识别框架的证据的合成. 实验计算结果表明,该方法能有效处理冲突, 得到符合实际的组合结果, 相对于其他典型算法, 本文方法在收敛性和可靠性上有了明显改进     

基于偏差的冲突证据融合的改进方法

在Dempster-Shafer(D-S)证据理论中,传统D-S组合规则在证据高度冲突时存在失效问题,会产生与常理相悖的结论.为此,文中提出了一种改进的处理冲突证据的融合方法,即通过计算各证据到命题平均支持度的偏差,来检测和消除冲突证据,并对最后结果进行修正,以合成来自不同识别框架的证据.计算实验结果表明,该方法能有效处理冲突,得到符合实际的组合结果,相对于其他典型算法,该方法在收敛性和可靠性上有明显改进.     

一种有效的加权冲突证据组合方法

为了有效融合高度冲突的证据,提高证据高度冲突时融合结果的可靠性和合理性,给出了一种新的加权证据组合方法。该方法根据证据之间的关联特性,通过计算证据体间的相对距离获得系统中各传感器证据的权重。首先引入一个证据体间的距离函数,根据多证据体的距离,得到系统中各传感器证据体之间的相似度和各证据的支持度,依据支持度的大小进一步可得到各证据的可信度,以此作为各证据的权重,对证据的基本概率指派进行加权平均,最后利用Dempster组合规则融合加权平均后的证据。与其他方法相比,该方法在系统存在伪证据(干扰)时能有效迅速地识别出目标。     

一个基于信念网络的微博推荐模型

针对现有微博推荐方法或模型不便组合证据的不足,提出一种微博推荐新方法.将信念网络用于微博推荐,构建一个基本信念网络推荐模型,并在基本模型中融合用户交互微博证据,提出一个微博推荐扩展模型.模型中的节点表示微博、用户和兴趣特征词,有向弧表示节点之间的关系,通过计算用户与微博的覆盖程度来得到用户与待评估微博的相关度.在微博数据集上的实验结果表明:扩展模型较基本模型在F值上至少提高了约4.9%;与已有的推荐方法相比,新模型在组合证据提高推荐性能方面更有效.     

基于证据理论的不确定性分析

运用证据理论研究不确定性的表示问题.首先给出了证据获取过程的形式描述,区分了命题的不确定性和证据的不确定性.继而通过引入证据理论的基本概念,指出了构成证据不确定性的三大因素:不完全,不精确和不肯定.随后构造了一个描述不确定性的指标函数U,它是从三维不确定性空间到[0,1]区间的一个映射,最后进行了若干分析讨论,提出并证明了证据的合成单调性.     

基于改进证据理论的群决策专家意见集结方法

针对Demsper组合规则无法有效集结群决策中高冲突专家意见的局限,提出了利用冲突系数和Jousselme距离综合表示证据冲突程度进而通过证据冲突度计算专家客观权重的方法,采用经典的Demsper组合规则对经权重修正后的专家意见进行了集结;提出了一种新的可能度计算公式及基于可能度的信任区间的决策方法。数值实例表明:提出的方法可以有效集结高冲突专家意见,与几种改进方法相比收敛效果更好。基于可能度的信任区间法与最大信任函数法和最大似真函数法相比,决策结果更加科学。     

D-S证据理论数据融合方法在目标识别中的应用

为解决车辆目标识别问题 ,采用基于推理的数据融合方法 ,分析了 Dempster- shafer证据理论用于多传感器数据融合的基本概念和理论 ,并将它应用于车辆目标识别的数据融合中 ,实验结果证明了基于融合后的识别结果较单传感器的识别结果好 ,验证了这一方法的正确性和有效性