[发明专利]一种加权模糊型D-S证据理论框架

说明书

本发明提出了一种加权模糊型D‑S证据理论框架。对于D‑S证据理论在数据融合的应用中BPA获取困难的问题，该框架以D‑S证据理论为基础，首先将待融合数据进行属性划分，然后将生成类方法与判别类方法相结合，分别使用模糊朴素贝叶斯和FCM算法构造模型；在生成BPA阶段，通过定义不确定区域来表达不确定信息，再利用模糊隶属度和样本与质心之间的距离分别获得生成类BPA和判别类PBA，最后通过可信的数学模型得到复合BPA；利用D‑S证据理论的合成公式融合来自各模型的复合BPA，最后通过Pignstic概率转换后得到最终决策。该框架能够高效地完成数据融合任务，融合精度高、平均差小，且能够明确地处理不同类别之间的不确定性。

技术领域

本发明涉及一种加权模糊型D-S证据理论框架，属于信息技术领域。

背景技术

D-S证据理论[1]提供了一种有效的方法来解决不确定性和来自多个来源的信息的整合。它不需要先验概率或条件概率，对“不确定”与“不知道”之间的区别能够很好的描述出来，是一种对概率论的扩展。

D-S证据理论的推理过程整体是建立在识别框架基础上的，其基本思路如下：

(1)建立识别框架。利用集合论的方法研究课题；

(2)建立初始信任分配。根据证据所提供的信息，将总量为1的支持程度分配给识别框架中的每一个子集(即命题)作为对各子集的支持程度，但该支持程度不能再具体地细分到该子集的真子集上。

(3)计算所有命题的信任度。根据因果关系，若某证据支持一个命题，那这个证据将同样支持由这个命题所得出的结论，所以一个命题的总信任度等于他所有前提命题的初始信任度之和。

(4)证据合成。D-S证据理论提供了成熟的证据合成公式，将多个证据提供的信息合成，融合后，得到所有证据对各命题的总信任度。

(5)决策。根据证据合成得到的信任度，以一定的选取规则作为决策依据，选择识别框架中的某个命题作为决策。一般情况下选择信任度最大的命题。

本发明所提出的加权模糊型框架就是从如何构造BPA的角度出发，构建一种融合精度高、稳定性好、能够处理不确定信息的D-S证据理论框架。

与本发明相关的现有技术：

BPA的设计通常要根据实际应用中多源数据的特点来设计，BPA的构造需要基于密度估计的生成方法和基于距离函数的判别方法。对于生成方法来说，BPA可以被简单地认为是一个概率函数，它通常与概率分布、模糊隶属度或概率函数相关联；对于判别方法，通常使用一些相对性的概念，比如距离、特征或相似性等来定义BPA。

在国内外的研究中，Yager利用直觉模糊集的概念，用一个集合将不精确概率直观地表示出来。在模糊集合理论中，不精确的隶属关系可以用两种不同的方式表示：区间值模糊集和直觉模糊集。在DS框架下，与集合相关的不精确的概率可以用一个由信念和可信度量定义的区间来表示。文献[2]采用了数据的每个属性的正态分布模型来构造了一个嵌套的BPA结构，避免了证据之间的高冲突。在文献[3]中，Masson和Denoeux将D-S理论与信任度划分相结合来解决计算对象数据中的信任度划分问题。Denoeux在文献[4]中又提出了一种新颖的分类方法，他结合了K最近邻(KNN，K-Nearest Neighbor)算法和D-S证据理论提出了K-NN-DST规则。