一种有效的证据理论融合方法

鉴于Dempster组合规则在处理高冲突证据时所存在的缺陷,提出一种新的基于余弦相似度和证据距离的融合方法.首先引入余弦相似度函数和距离函数,而后求出系统中各个证据间的联合相似度,并以此获得各个证据的加权系数,最后对系统中的证据加权平均后利用Dempster组合规则进行组合.与其他方法相比较,该方法不仅考虑了系统中证据在距离上的相似性,而且考虑了证据在方向上的相似性,融合后的结果更为理想.     

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。     

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。     

基于证据数据分类算法的水声目标识别研究

证据分类算法已被广泛应用于模式识别中。针对传统证据近邻算法在证据权重和组合规则上的局限,研究了一种新的基于DSmT的证据K近邻识别算法(DSmT-KNN)。首先在水声目标的各类别训练模板库中,利用目标数据与各近邻的特征相似度来分别构造基本置信指派,并根据K个近邻数据的距离大小对构造的置信指派进行加权。然后利用DSmT规则对加权证据进行融合。最后根据每个类别下融合结果的算术平均值来判断目标的类别属性。通过水声目标实测数据实验,将DSmT-KNN与其他几种常见的方法进行了对比分析,结果表明新算法能有效提高系统的识别准确率。     

基于证据间距离和不确定性度量的证据组合方法

针对Dempster组合公式无法组合冲突证据的问题,提出了一种证据组合的权重分配方法.该方法充分考虑证据间的关系和证据本身的特性,用证据间距离度量证据间的不一致程度,用证据的不确定度来度量证据本身的不确定性;在此基础上扩展了文献[7]提出的权重确定准则,认为证据组合规则既要考虑使组合后证据与各源证据间的距离和尽量小,也要注重降低组合后证据本身的不确定性.最后根据新的准则给出了权重因子的确定算法和证据组合方法.算例表明,该方法改进了文献[7]权重分配方法的结果,且使权重分配更加灵活.     

基于相似系数和Jaccard系数矩阵的证据冲突度量方法

针对传统的冲突度量和Jousselme距离度量出现冲突误判的问题,提出一种相似系数和Jaccard系数矩阵的证据冲突度量方法.该方法通过计算证据之间的相似系数,利用Jaccard系数矩阵将相似系数转化为证据的冲突程度.理论证明和数值计算表明,该方法可以有效地表示证据间的冲突程度.此外,通过典型的算例将提出的方法与其他方法进行对比,结果表明该方法可以全面准确地度量证据间的冲突程度.     

基于证据距离和模糊熵的加权证据融合新方法

证据的不确定性从根本上影响到融合结果,目前证据理论中还没有完善的不确定性度量方法。针对D-S证据理论在合成高冲突证据时会得到有悖常理的结果的问题,许多学者提出了修正证据源的改进方法,但是这些方法大多没有考虑到证据的不确定性问题。模糊熵方法是一种非常有效的模糊性(不确定性)的测度方法。考虑到证据的不确定性,本文提出一种新的基于证据距离和模糊熵的加权证据融合方法,该方法利用模糊熵方法计算各个证据的不确定度系数,修正基于证据距离的各证据源的权重,得到各证据源的综合权重。实验结果证明了本文方法的有效性。     

Vague集间相似度量在证据理论中的应用

在证据理论中,证据组合方法是一个非常重要的研究工具,然而当面对高度冲突的证据时,用传统的方法直接进行正则化处理将会导致与直觉相悖的结论。较好的解决方法是在对证据进行组合前先进行预处理,即对证据进行加权平均。在考虑了证据理论与Vague集的对应关系后,将Vague集之间的相似度量方法运用到证据组合方法中,通过组合结果比较可以看出,选用的Vague集相似度量方法与改进的Dempster-Shafer证据组合方法有相近的目标识别与收敛效果,这表明可以将Vague集理论的一些有用结论运用于证据理论中,以更好地处理和研究不确定性知识。     

一种地理信息检索的定性模型

提出一种定性地理信息检索方法, 用于地理信息的定性表达、语义匹配、推理和结果排序, 可以避免目前定量地理信息检索中语义信息丢失问题。采用命题逻辑方法综合表达查询和文档中的主题信息和地理语义信息, 将文档与查询的相关性度量分为主题相似度和地理相似度。前者通过命题关键词间加权本体距离获得。后者可进一步分为概念相似度和位置相似度, 分别基于地理本体和空间语义度量。由于信息的表达形式为命题和信息单元, 采用证据理论和模糊逻辑对上述子相关性度量进行统一建模。所提方法可以基于语义检索网页中的定性地理信息, 并对相关文档进行排序。这种检索和排序方法符合人类空间认知, 因此可以有效提高地理信息检索的效率。     

证据组合方法及在多传感器信息融合中的应用

为了解决高度冲突证据的合成问题,提出了一种基于证据加权平均的组合方法.用两个证据矢量夹角的余弦表示两个证据的相似度,对每个证据与其它证据的相似度求和并做归一化处理得到每个证据的支持度.以证据的支持度为权对系统中的证据进行加权平均,然后用 Dempster 法则对加权平均证据进行组合.数值验证表明,该方法能有效消除伪证据对证据合成的不良影响,保证了冲突证据合成的合理性和可靠性.用所提出的方法进行机器人多传感器信息融合,结果正确、可靠.     

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pignistic概率距离的改进证据组合规则

针对使用传统冲突系数识别证据冲突存在的不足,采用pignistic变换后得到的概率赋值函数之间的距离,结合传统冲突量化标准,讨论了Dempster组合规则适用条件,并提出了一种改进的证据组合方法.该方法通过证据之间的pignistic概率距离表示证据之间的冲突程度,将证据间的冲突程度转化成相似程度,然后求出证据之间的支持程度,并确定权重系数,最后采用Dempster组合规则合成权重系数调整后的基本概率赋值.数值算例分析结果表明,改进的证据组合方法可以有效地处理证据冲突,且具有较快的收敛速度.     

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.     

基于综合冲突度量的高冲突证据融合算法

为提高冲突证据的合成效果,针对已有基于改进Jousselme证据距离函数的冲突度量算法进行研究,提出基于非包含度和改进Jousselme证据距离函数共同度量证据冲突的综合冲突度量算法,并依此计算证据权重;在此基础上基于焦元被其他证据中同一焦元的共同支持度对焦元可信度计算式进行改进,并将上述改进结果应用于优化两两证据合成顺序的局部冲突信息再分配算法中。将新算法和已有相关算法进行算例与仿真实验比较分析,结果表明,在证据之间存在高冲突情况下,所提新算法的正确目标识别概率高于已有其他证据融合算法,且对于一般证据,新算法也具有较满意的证据融合效果,新算法是一种具有较高灵活性和较强抗干扰性的证据融合算法。     

双路特征提取与度量的少样本细粒度图像分类方法

少样本学习旨在利用少量数据训练深度学习模型,并将其快速泛化到新任务中．在这一领域,少样本细粒度图像分类是最具有挑战性的任务之一,原因在于细粒度图像具有类内方差大、类间方差小的特点．为了解决这一问题,本文提出了一种基于距离与方向双重度量的神经网络,分别利用欧氏距离衡量特征间的绝对距离差异和余弦相似度衡量特征间的相对方向差异,以提升度量信息多样性和样本特征的判别性．同时,为了与当前先进的少样本细粒度图像分类方法对比,将特征提取器在不增加深度的前提下设置为双路形式,以适应不同度量方法对嵌入特征信息的需要．此外,设计了彼此分离的通道和空间注意力机制,分别通过自适应通道注意力和空间信息交叉注意力对不同阶段的提取特征进行增强,从而挖掘重要分类信息．最后,通过双相似度模块分别计算两种差异信息的度量结果,并选取一定权重融合得到最终的相似度分数,实现绝对差异与相对差异在度量空间中的协调补充．在4个主流细粒度图像分类数据集上进行实验对比与分析,最终结果表明了所提方法在相同设置下最多实现了7.0%左右的分类准确率提升．     

结合加权子空间和相似度度量学习的人脸验证方法研究

在无约束条件下,人脸表情、姿态、光照以及背景等复杂因素可能导致人脸图像的类内变化大于类间变化.针对如何降低较大的类内变化对人脸验证研究的影响,本文结合加权子空间,提出了一种带先验相似性和先验距离约束的相似度度量学习方法.首先,利用类内人脸对样本,学习带权重的类内协方差矩阵,通过加权子空间的投影,从人脸图像中获得鲁棒性的人脸特征表达;其次,利用样本对的相似性与差异性,建立了带先验相似性和先验距离约束的相似度度量学习模型,优化后的度量矩阵可以有效提高特征向量的类内鲁棒性和类间判别性;最后,利用优化的度量矩阵计算人脸对的相似度.在LFW(Labeled Faces in the Wild)数据集的实验验证了所提模型的有效性,与其它同类相似度度量学习方法相比,优化的度量矩阵更能准确地评估人脸间的相似性,并在受限训练集上取得了91.2%的识别率.     

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。     

广义梯形模糊数相似性度量的 新方法及其应用

针对模糊数相似度计算问题,提出一种新的基于广义梯形模糊数的相似度量方法,在保证度量有效性的前提下,降低相似度的计算复杂性,提高其区分度,扩大其适用范围.给出区分性、无效率和不合理率三个评价指标,以对不同相似度方法进行比较.实验结果表明新方法具有较好的性能.最后,通过基于DS证据理论的故障诊断实例说明所提方法的合理性和可用性.     

实例检索中基于混合属性距离的相似性度量

提出了一种基于混合属性距离的相似性度量方法.利用各个属性间的距离及其组合权重求得实例间的总体距离,再用实例间的总体距离来刻画其相似程度.基于区间数的距离计算公式和模糊集合理论,给出了属性值为模糊数、模糊区间数时的距离公式,并改进了属性值为隶属度函数时的距离公式.同时考虑了属性权重问题,提出了一种基于距离离差信息的客观赋权方法,将主观权重和客观权重加以组合,以组合权重来计算实例的全局相似度.以阀门的概念设计为例,验证了该方法在实例检索中的的可行性和合理性.     

一种基于证据综合权重折扣的加权平均法

针对一类具有不同重要性与可靠度的证据融合问题,将证据静态权重与体现证据间相似性的动态权重结合起来,提出了一种基于证据综合权重折扣的加权平均法.首先,根据证据的先验信息即静态权重以及证据间的相似性,计算经静态权重折扣的各证据与其加权平均的距离而获得的证据的动态权重,再将静态权重与动态权重综合形成证据的综合权重.然后,将综合权重作为折扣因子建立具有信任折扣的证据推理模型.最后,利用加权平均法对修正后的证据进行组合.该方法能有效处理高冲突证据的融合,算例结果验证了所提方法的有效性.