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。     

改进决策树的研究

提出了一种结合规则技术思想的决策树的改进方法，利用数据挖掘所产生的规则对决策树每个分支节点的分裂条件进行判断，即能限制决策树生长，又能帮助选择最优线路，从而使决策效率明显提高。     

一种新的证据组合规则

通过对证据组合问题进行深入的理论分析,提出一种新的基于局部冲突、局部分配和一致性部分进行合取规则的证据组合方法,同时利用证据的可信度来修正证据结构.在确定证据的可信度时,给出一种通用的计算模型.与很多改进的组合方法相比,该方法不仅适用于冲突情况,而且也适用于证据间比较一致的情况.数值仿真表明,所提出方法能加快收敛速度,同时降低决策风险.     

关于证据推理中证据间关联性的研究

证据推理中各证据之间存在的关联性对合成规则的结果具有很大的影响,因此如何来衡量证据间的关联性是非常重要的。本文主要分析了证据间距离及其作用,引入了证据间的相似度和可信度等概念来衡量证据间的关联性,并用可信度来表示各个证据的权重。为处理高冲突下的信息融合奠定了基础。     

一种基于粗糙集的决策树规则提取算法

文章提出了一种新的决策树构建算法，算法选择使生成的规则满足给定可信度阀值且支持度最大的属性作为结点，不仅简化了生成的决策树；且可以根据用户输入的可信度，得到相应的决策规则集，提高了决策树的泛化能力，有效地去除了噪音规则。应用实例分析，结果表明算法提取的决策规则简洁有效。     

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。     

基于神经网络与证据组合推理的入侵检测方法

给出一种智能神经网络与证据组合推理相结合的网络入侵检测方法,将神经网络检测结果认为是"证据",并引入D-S证据理论进行组合推理,为解决连续时间序列入侵行为判别的问题提供了一种新方法,并且能提高入侵检测的判别精度。     

信度函数在复杂网络节点重要性评价中的应用

针对复杂网络中重要节点的识别问题,提出了一种基于信度函数复杂网络中识别节点重要度的方法;回顾了信度函数、复杂网络相关理论知识及节点重要度相关算法,建立了基于信度函数的节点重要度识别模型;通过建立辨识框架,把节点相关属性转换为信度函数,利用证据理论组合规则进行融合,得到节点的综合属性信度函数值并将其转换为单一数值,进而提到节点的排序结果;实例分析表明,所建立模型有效克服了相关单一节点重要度算法的局限性问题,具有合理性与有效性,可进一步推广。     

基于贝叶斯推理的决策树模型

针对决策树（DT）模型缺乏概率背景这一问题，将贝叶斯推理引入DT模型，提出了一种基于贝叶斯推理的决策树（BDT）模型．在假定所含待定参量的先验与似然的前提下，借助贝叶斯推理获得参量的后验，然后运用逆跳马尔科夫链蒙特卡洛算法对后验抽样，最终求出样本属于某一类别的置信度，从而避免了武断判决．BDT模型以抽样代替拆分与剪枝操作，既直观又灵活，同时在抽样时考虑了不同的树结构与递归分割方案，使得分类准确率得以提高．仿真实验结果表明，BDT模型的平均分类准确率与DT模型相比提高了1．7％～3．5％．     

一种新的基于证据权重的D-S改进方法

针对D-S证据理论处理高冲突证据时会出现于直觉相悖结论的问题,提出了一种基于证据权重组合的方法。首先通过引入Jousselme距离函数来确定证据权重。然后冲突证据由平均证据代替;且其权重也赋给平均证据。最后对修正后的证据加权平均后再用Dempster组合规则实现数据融合。与其他改进方法通过实例比较,表明该方法在有冲突证据时更能有效快速地识别出目标。     

决策树算法的研究与改进

决策树是数据挖掘中重要的分类方法，本文在研究和比较几种经典的决策树算法基础上，提出了一种改进的决策树算法：基于度量的决策树（MBDT）．这种决策树实际上是把线性分类器和决策树结合在一起．实验证明，用该方法构造的决策树能有效地减少决策树的层数，从而提高决策树的分类效率．通过MBDT分类实验，验证了上面结论的正确性和有效性．     

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．     

基于不确定理论的CBRB规则激活权重计算方法

合取型置信规则库系统的推理方法以概率论为基础,通过乘法实现合取关系,然而这种计算方法并不总能准确反映规则的激活程度.鉴于此,引入不确定理论,改进前件属性合取关系的实现方式,以前件属性中最小的个体匹配度作为核心,并保留信息利用的完整性,提出一种新的规则激活权重计算方法.在此基础上,利用扩展置信规则库系统分别在回归和分类问题上对该方法的推理效果进行验证.实验结果表明:新方法有效提高了系统的推理能力,并能稳定地适用于多个数据集.     

一种新的证据合成法则

首先讨论了冲突信息利用的几种途径,在此基础上提出了一种新的证据合成法则,将焦元的基数及信度的相对差异引入到新合成法则中,并在焦元及焦元的两两并集上分配信度,从而更合理地表达不确定和保留冲突信息;并且不用针对特殊情况进行处理,体现了新合成法则在形式上的统一性.典型证据和应用实例表明该合成法则可以更合理地解决冲突证据合成问题.     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.     

信任函数逼近方法的改进

信任函数的逼近可使得不确定性推理理论得以实际应用,该文讨论了D-S证据理论中信任函数逼近的几种方法,分析了它们各自的优缺点,并通过对概括逼近、双逼近和内外聚类逼近的研究,提出了两种新的逼近方法,既满足最佳逼近基本条件要求又考虑了精度要求和计算时间.     

模糊广义决策信息系统的证据特征与信任约简

探究模糊广义决策信息系统的证据特征和信任约简.首先,给出模糊广义决策信息系统中的模糊上、下近似算子及其相关性质.然后,基于证据理论探讨模糊广义决策信息系统的数值特征,并在模糊广义决策信息系统中,利用证据理论中的模糊信任和模糊似然函数对模糊近似集进行刻画.最后,根据模糊信任函数定义的属性重要度,提出模糊广义决策信息系统信任约简的算法,并给出实例验证其有效性.     

不确定型决策准则的使用误区

简要介绍了决策论中不确定型决策的基本概念和5种不确定型决策准则。分析了各种不确定型决策准则的决策目标，并以不确定型决策准则之可靠性的讨论为基础，指出不确定型决策准则的使用误区。     

考虑传感器置信度的改进D-S证据合成算法

为了解决多源信息融合识别算法中传统Dempster-Shafer(D-S)证据理论极少考虑传感器对融合结果产生影响的问题,提出一种考虑传感器置信度的D-S证据合成算法。首先建立传感器与参考传感器关于任一特征的置信距离,通过置信距离修正传统灰关联分析法的关联系数,从而计算传感器置信度;然后通过证据间的相似性定义任一特征所得证据的全局冲突系数,将全局冲突系数与传感器置信度相结合,定义了一种传感器所得证据可用度的计算方法;最后根据证据可用度对传统D-S证据理论进行修正,提出一种新的证据合成规则。仿真及实验数据表明,相比已有算法,新算法的目标识别率更高,对证据冲突的处理更有效。