广义证据理论的基本框架

针对经典证据理论不能有效处理辨识框架不完整情况下的信息融合问题,提出了一种广义证据理论.新理论定义了广义基本概率指派函数,对空集的广义基本概率指派大小表明了支持辨识框架不完整命题的程度,提出了能够融合广义基本概率指派的广义组合规则,该组合规则是一个与空集基本概率指派相关的函数,同时满足交换律和结合律.广义证据理论是经典证据理论的推广,当空集赋值为零时,广义证据理论退化为经典的证据理论.用算例表明了所提出的广义证据理论的有效性.     

广义证据理论中的基本概率指派生成方法

鉴于基本概率指派生成对证据理论的研究具有重要的意义,文中针对辨识框架不完整情况提出了一种强约束广义基本概率指派赋值方法,新方法可以生成空集不为零的广义基本概率指派赋值,该数值的大小反映了系统是开放世界的可能性.针对辨识框架完整情况提出了一种弱约束基本概率指派赋值方法,该方法在样本与表示模型之间不相交时,也可以给出样本与模型相似性度量的数值,根据所提出的策略生成弱约束的基本概率指派.算例表明了所提出方法的有效性.     

经典概率与量子概率

一、概率的几种解释[1][2]1.置信度解释概率的置信度解释又叫信念度解释或主观解释。代表人物是拉姆赛、德·芬内蒂和萨维奇(萨维奇称其为私人主义解释)。所谓置信度 ,是指特定个体对待特定命题真实性相信的程度。也就是说概率是对个人信念合理性的量度。概率的置信度解释表明 ,事件本身并没有什么概率 ,事件之所以被指派有概率只是指派概率的人头脑中所具有的信念证据。一方面 ,不同的人对同一事件的置信度不相同 ,因此 ,置信度是相对的 ;另一方面置信度又随个人的认识程度和所具有的知识状态的改变而改变 ,因此 ,置信度又具有可变性。置信…     

基于差异信息量的多源数据融合方法

D-S证据理论可应用于多源数据融合领域，但在处理高度冲突的证据时，可能会出现反直觉的结果.为解决这一问题，本文提出了差异信息量的概念及融合方法.首先，通过信息熵表明证据的相对重要性，采用散度获取证据可信度.然后利用证据可信度优化证据差异度以得到差异信息量，经过计算获取数据的最终权重，并将其作为D-S证据理论中的基本概率分配进行决策.在处理冲突证据、一致证据及不同数量证据等方面的数据融合问题时与其他方法对比，所提方法收敛更快，准确度更高.故障诊断的应用实例表明，所提方法的不确定性更小，优于现存的其他方法.     

基于信息熵的证据融合方法

通过引入信息熵和确定性指数概念,利用证据的确定性指数对原始证据进行修正,并对不确定性概率指派重新分配.利用修正后的证据提出了新的融合方法,算例表明此方法能有效处理证据高冲突的融合问题,得出合理的融合结果.     

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。     

融合支持度和不确定度的D-S证据理论及应用

为解决Dempster-Shafer (D-S)证据理论在处理冲突证据时,融合结果与事实相悖的问题,提出了一种新的冲突证据组合方法。首先,对Spearman相关系数进行改进并计算证据间的支持度,对原证据体进行第一次修正;然后,结合基于定积分的区间距离的优势,针对证据的不确定度进行分析,确定了新的折扣系数,对原证据体进行二次修正;最后,使用Dempster组合规则得到融合结果。算例分析表明,所提方法能有效地融合冲突证据,较经典改进算法有较高的基本概率分配。将所提方法用于碳/碳复合材料沉积数据,建立了一种基于改进D-S证据理论的碳/碳复合材料沉积质量预测模型,较几个经典分类器和已有的基于D-S证据理论的预测模型准确率提高了5%～13%,验证了方法的有效性。     

基于集合覆盖模型的冲突证据合成

针对D-S证据理论在处理冲突证据时可能会造成处理结果与我们的直觉相悖的情况,在已有研究的基础上,运用集合覆盖理论,用几个非冲突子信息系统覆盖原来的带有冲突证据的信息系统,再利用D-S证据理论对每个子信息系统进行合成.最后利用概念支撑的思想定义了每个子系统的权重,合成最终的概率指派函数.所用的基于集合覆盖模型的冲突证据合成(combination of confilicting evidence based on set covering model,CCEM)的方法是对Dempeter定义组合规则的一种扩展.     

多属性决策的时间不确定事件流时序推理方法

针对信息物理融合系统时间不确定事件流调度顺序的决策依据单一问题,首先利用D-S证据理论在多证据源概率融合上的优势,充分考虑事件优先级、截止期、紧迫度、事件依赖等多个属性的影响,构建具备多属性特征的模糊结束时刻基本概率分配求解模型。然后,建立D-S证据理论与直觉模糊集的关联模型,求解模糊结束时刻隶属度与非隶属度;最后,利用直觉模糊集负向时间推理理论和相关计分函数推导模糊开始时刻概率得分,得到时序推理结果,并以此确定基于多属性判据的时间不确定事件流调度顺序。实验结果表明,当事件数量增长时,调度准确率可保持在85%以上;当模糊区间限制规模扩大时,调度准确率下降幅度不超过15%。     

存在证据冲突的临近空间飞行器遥测数据相关性评价与融合方法

为了解决单一的相关性分析方法在分析临近空间飞行器遥测数据时存在局限性以及证据冲突问题,在相关系数分析评价与优势组合的基础上,提出了基于支持因子的证据理论融合算法。首先分别利用Pearson相关系数、Spearman相关系数与距离相关系数对遥测数据进行相关性评价分析,表明3种相关系数可优势互补。其次,建立了基于支持因子的证据理论融合算法,实现证据的冲突基本概率赋值函数分配,避免Dempster-Shafer证据理论(D-S证据理论)的一票否决和合成规则失效问题。最后,利用3种相关系数构造相关性证据并开展遥测数据相关性分析实验。结果表明：基于支持因子的证据理论融合方法能使Pearson相关系数、Spearman相关系数与距离相关系数的证据融合更加合理;在证据冲突大的情况下,相比相容系数的证据理论融合方法,相关概率计算结果准确度提高约6.55%,能更有效地处理证据冲突问题。     

基于Dirchlet分布的扩展主观逻辑

针对基于二值逻辑的主观逻辑中存在的一些问题,提出了基于Dirichlet分布的扩展主观逻辑．在利用三值逻辑代替原来二值逻辑的基础上,扩展主观逻辑重新定义了事实空间与观念空间之间的映射关系和映射函数,并给出了新的扩展合意规则．扩展主观逻辑保留了主观逻辑基于统计推断和概率理论的优点,并考虑了事件结果不确定时的情况,从而可更好地建模和处理信任中的主观性和不确定性．实例分析表明,扩展主观逻辑具有合理的事实根据和理论基础．     

一种基于非封闭识别框架的改进证据推理方法

在证据融合推理时,由于系统中出现未知新命题和传感器收集的证据不可靠,使得Dempster组合规则不适用于冲突证据组合.为了有效地处理冲突证据,提出一种基于非封闭识别框架的改进证据推理方法.首先在封闭识别框架内增加一个表示新命题的集合,将封闭识别框架扩展为非封闭识别框架,给出新命题基本概率指派的赋值方法,然后给出非封闭识别框架下焦元的组合规则.在非封闭识别框架下,依据冲突焦元本身基本概率指派以及证据的可信度信息,将局部冲突在涉及冲突的焦元之间分配,最后通过实例结果表明,与封闭识别框架下的 Dempster组合规则结果相比,该方法可以有效识别出新命题.非封闭识别框架下的改进证据推理方法,可以通过在非封闭识别框架下,对新命题与已知证据及已知证据之间的两类冲突信息在局部分配,使最终证据推理结果向合理方向聚焦.     

基于主客观证据融合的高炉悬料预测方法

针对高炉关键异常炉况悬料难以预测的问题,基于D-S证据理论,提出一种综合模糊专家推理和后验概率最小二乘支持向量机的悬料预测方法.首先,结合高炉生产过程和悬料现象,分析悬料形成的内在机理;其次,通过模糊专家推理提取基于专家规则的主观证据,再通过建立后验概率最小二乘支持向量机模型提取基于数据内在客观规律的客观证据;最后,基于D-S证据理论完成主客观证据融合,实现悬料预测.该方法充分利用专家经验和最小二乘支持向量机的自学习能力,能够提高预测精度.仿真结果表明本文提出的方法有效、准确.     

现代归纳推理在侦查实践中的应用

现代归纳推理引入概率概念,通过整理、概括经验事实,运用概率论的定量分析、公理化和形式化方法使归纳推理精确化,从量上刻画归纳推理的或然性,将归纳逻辑从定性研究转变为定量研究,将主观因素与客观因素相结合,显示合理性、形式化和定量化,突出可能性测度和合理性测度,探索有限的经验事实对一定范围内的普遍原理的证据指出度,其认知策略有助于人类从经验的重复中建立某种稳定性和规律性。现代归纳推理是一种促成理论进化的推理,涉及知识增殖、评价空间拓展,是一种不断积累经验、修正错误的过程,由此可以不断地接近真实,以获得对案件真相的准确认识。     

一种基于粗集的证据理论组合算法

Dempster合成规则为证据理论提供了一个有用的合成公式,但该公式在合成高度冲突的证据时,合成结果将有悖于常理．将粗集理论中属性重要度的思想引入到证据理论中,以此衡量证据的重要性,改善冲突证据的合成效果．该方法可把专家的主观判断和过去可用的知识与数据综合考虑,使群体决策得到更符合实际的结论．     

D-S证据理论中冲突问题的解决方法

针对传统D-S证据理论中冲突证据合成存在的问题,提出一种基于数学模型修正证据源的冲突证据合成方法.在不改变Dempster组合规则的前提下,逐一比较识别元素的基本概率分配值和平均基本概率分配值,结合数学模型修正基本概率分配.仿真结果表明,该方法在处理冲突证据合成时有效、可行.     

基于神经网络数据融合方法的模拟电路故障诊断

根据模拟系统故障检测原理，采用神经网络与数据融合相结合的方法进行模拟电路故障诊断，提出了一种新型的基于D-S证据神经网络的故障检测与诊断方法．应用D-S证据理论对径向基函数网络进行了修正，用具有一个输入层、两个隐含层和一个输出层的神经网络实现．各个证据体的基本概率赋值的获取是D—S证据理论在实际应用中的难点问题，本方法中采用的是根据输入模式与原型模式之间的相似度以及原型模式的类别隶属度来确定基本概率赋值．借助神经网络自学习的功能，实现对类别隶属度的最优化．结果表明该方法能快速有效地进行故障诊断中大量数据的处理，具有很强的鲁棒性．     

扩展主观逻辑的粗化与细化

为了提高主观逻辑的扩展性和灵活性,文中结合证据理论及信任结构,提出了基于三项事件的扩展主观逻辑.通过重新定义观念空间与事实空间之间的映射关系,给出扩展主观逻辑的粗化和细化映射及相应的计算规则,扩展主观逻辑能够根据实际环境的需要提供不同详细程度的识别框架,并利用粗化和细化映射在扩展主观逻辑上统一对信任函数进行结合,而结果可重新映射回原识别框架.实例及分析表明,利用扩展主观逻辑可以解决不同识别框架之间信任信息的融合问题.     

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。     

概率的诸理论

标准的数学概率论已是十分成功的热门理论,有着各种各样的应用。本书是一本带哲学味道的书,这是因为在理论和应用方面,对概率有着不同的理解,特别是统计学中的主观概率的思想。本书对多种概率的理论基础进行探讨,对概率的逻辑基础及定性基础做一考察。本书收入数学心理学高级丛书也表明它并非通常的数学理论。