基于局部冲突分配策略的证据理论组合规则

提出了一种基于局部冲突分配策略的组合规则,冲突主要分配给产生冲突的焦元,且分配给焦元的冲突大小取决干焦元的平均信度和证据的可信度。计算结果表明,新的组合规则不仅能够解决高度冲突证据的组合问题,而且能够从证据中提取更多的信息,使组合结果更为合理。     

D-S理论中证据合成规则的分析与改进

文章详细分析了D-S证据理论的证据合成原理;针对D-S证据理论的不足,对其合成规则进行了改进,基本原则是要求多种来源的概率分配函数的合成结果满足"少数服从多数"的思维习惯;在Yager合成规则的基础上,给出了一种新的证据理论合成规则,使冲突证据的合成更为合理。     

一种改进的证据推理组合规则

提出了一种新的证据理论组合规则，综合考虑了支持信息和冲突信息对合成结果的影响。在求出各个证据之间局部冲突之后，利用各个证据的可信度得到系统的全局冲突；以全局冲突作为参量定义了一个冲突证据有效性系数，该系数反映了冲突信息对最终融合结果的影响。算例验证结果表明，新的组合规则能够有效地处理证据中的冲突信息，得出合理的融合结果。     

D-S证据理论中冲突证据组合分析

分析了D—S证据理论组合冲突证据时存在的缺陷，以及国内外对此的各种改进方法，包括对证据组合规则的改进和对融合模型的改进，并通过实验比较检验了几种方法的有效性。     

一种基于相关证据的数据融合算法

根据Dempster-Shafer证据理论和相关证据合成方法，将证据合成算法应用于神经网络分类器中，以提高分类器的分类精度。在UCI数据库的分类中的应用结果，证明了该方法的有效性。     

基于证据理论的单一故障诊断方法比较研究

为了比较和研究证据理论中Dempster,Yager,PCR5三种组合规则的融合效果,构建多源传感器故障诊断识别框架,利用已有实验数据分别对基于3种组合规则融合多传感器信息诊断单一故障的过程进行仿真,并采用信息熵作为不确定性量度.结合融合后的基本概率分配函数和故障判定结果对各组合规则的融合效果进行定量比较、分析和评价.结果表明:3种组合规则均能够融合多传感器信息对所选的单一故障实现诊断,其中,Dempster组合规则的诊断结果具有最低的不确定性,Yager组合规则的效果相对较差.该研究对证据理论组合规则在冲突不明显时的融合效果进行了定量分析,是对已有定性分析研究的验证和补充.     

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.     

基于Dempster-Shafer证据理论的数据融合技术研究

系统地研究了Dempster-Shafer（D－S）证据推理的数据融合技术,分析了传感器基本概率分配函数（basic probability assignment-BPA)的构造方法,分别对双传感器随参数分布的几种情况进行了检测融合,利用红外场景生成器生成的3－5μm和8－12μm双通道的红外背景及目标的序列图像,仿真了融合对探测操作特性（receiver operating character-ROC)曲线的性能改进,对AGEMA THV900型双通道红外热像仪的小目标图像也开展了实验处理,均取得了预期的结果。     

融合D-S证据理论的DBN电路故障诊断算法

针对传统电路故障诊断方法准确率不高的问题,提出深度信念网络(Deep belief network,DBN)与加权D-S证据理论相融合的故障诊断算法.利用DBN模型对两类证据体故障数据进行自适应特征提取,完成各故障模式的初步分类;基于初步分类结果获取证据体,对各故障模式的基本概率分配(Basic probability...     

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.     

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。     

Using the Dempster-Shafer Theory of Evidence to Rank Documents

Multi-source information can be utilized collaboratively to improve the performance of information retrieval. To make full use of the document and collection information, this paper introduces a new information retrieval model that relies on the Dempster-Shafer theory of evidence. Each query-document pair is taken as a piece of evidence for the relevance between a document and a query. The evidence is combined using Dempster’s rule of combination, and the belief committed to the relevance is obtained. Retrieved documents are then ranked according to the belief committed to the relevance. Several basic probability assignments are also proposed. Extensive experiments over the Text REtrieval Conference (TREC) test collection ClueWeb09 show that the proposed model provides performance similar to that of the Vector Space Model (VSM). Under certain probability assignments, the proposed model outperforms the VSM by 63% in terms of mean average precision.     

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。     

基于最小二乘支持向量机和证据理论的交通数据融合

针对基于浮动车辆数据(floating car data,FCD)的城市道路交通信息采集系统存在的问题,提出一种基于最小二乘支持向量机(LS-SVM)和证据理论的数据融合方法,通过融合地感线圈采集的交通流量信息,提高FCD系统交通速度信息采集的准确性.利用LS-SVM回归得到速度-流量关系曲线的临界速度参数,再根据历史数据库用统计方法计算出流量-速度关联规则的可信度矩阵,在得到这些经验知识的基础上,定义了两种证据源的基本概率分配函数.最后,通过D-S证据理论对两种证据源进行数据融合,获得融合后的速度信息.实地跑车实验结果论证了融合算法的有效性和可靠性.     

基于证据理论的证券投资分析方法

文章基于证券市场的多变性和存在诸多不确定性的客观事实,分析了单一证券投资技术方法的弊端,建议用多种分析方法预测证券未来的走势;引入证据理论来处理不同投资分析方法结论存在的差异;将不同的技术分析方法作为独立的证据源,用Dempster-Shafer合成法则对各种方法的结果予以融合,提高了投资分析结果的可靠性和科学性。