[发明专利]一种通过分配基本信度来管理冲突数据证据的融合方法

说明书

本发明公开了一种通过分配基本信度来管理冲突数据证据的融合方法，包括一种通过基本信度函数的改进方法对BPA进行了修饰,并使用信度熵来计算信息量来获得每个证据组的权重，然后用权重再次修改BPA，最后将Dempster组合规则进行数据融合的方法。本发明可以根据信息源的信息量来分配权重，通过使用信度熵获得的最终BPA可以使数据融合结果更具逻辑性。

技术领域

本发明涉及一种数据处理的技术领域，由于是一种基于基本信度函数在证据理论中考虑信度熵的的一种通过分配基本信度来管理冲突数据证据的融合方法。

背景技术

Dempster-Shafer理论(DS理论)在解决医学诊断、目标识别、故障诊断、分类、聚类、风险分析和许多其他领域具有重要作用。D–S理论可以清楚地测量事件的不确定性，然后通过数据融合结果为决策提供依据。但是，由于数据的复杂性，在实际数据处理中经常会遇到证据冲突。许多专家学者对冲突数据融合进行了大量研究，目前有许多方法可以解决冲突数据融合。我们研究的一部分重点在于提出新的组合规则，例如基于度量不一致的规则，考虑到证据依赖的组合规则或使用基于信度熵的方法改进原始组合规则、模糊元素，从而提高冲突数据融合的效果。我们在系统地审查了现有的融合规则之后，提出了一些基本原理，当存在不完整的信息时可以合理地解决融合问题。并且基于对相似性碰撞的分析和说明，提出了一种新的组合规则，该规则基于相似性碰撞的分析和说明，并且该方法旨在解决冲突问题。

Dempster–Shafer理论，被称为信度函数理论，是贝叶斯主观概率理论的扩展，证据理论是Shafer提出的，信度函数的概念也由Shafer提出，Shafer形成了一套“证据”和“组合”的数学方法来解决不确定的推理。D–S证据理论不需要知道先验概率，它可以很好地表示“不确定性”。此外，DS理论被广泛用于处理不确定数据。它主要适用于信息融合，专家系统，信息和法律案例分析，多属性决策分析等不确定性推理方法。其最大的特点是用“区间估计”代替“点估计”来描述不确定性信息，以区分未知和不确定方面，准确反映出证据的收集，具有很大的灵活性。

令U为辨识框架(简称FOD)的框架，基本概率指派(BPA)是Basic ProbabilityAssignment的缩写，即一个概率密度函数，m为2^U→[0，1]，并且满足:

其中U为辨识框架(FOD)，A为FOD中的一个命题，m(A)为A的一个概率密度函数

在FOD中，信度函数定义为：

其中Bel(A)为信度函数，A，B为FOD中的一个命题，m(B)为B的一个概率密度函数；

信度函数定义为：

其中Pl(A)为似然函数，A，B为FOD中的一个假设，m(B)为B的一个概率密度函数；

Dempster组合规则是组合多个主体的输出的关键步骤。对于两个概率密度函数m₁和m₂，可以如下定义Dempster组合规则：

其中A，B，C为FOD中的一个假设，m₁(A)，m₂(A)为A的概率密度函数,m₁(B)，m₂(B)为B的概率密度函数,m₁(C)，m₂(C)为C的概率密度函数；

其中系数K定义公式如下：

其中B，C为FOD中的一个命题，m₁(B)，m₂(C)为B，C的一个概率密度函数；