[发明专利]一种基于Dempster-Shafer框架的分类方法

权利要求书

1.一种基于Dempster-Shafer框架的分类方法，其特征在于：判别分类方法包括辨别框架、质量函数、证据理论的组合规则、后验概率、模糊集合论、两个BBA之间的BJS差异、PPT、PPT的单例形式、识别属性框架、成员计算、单个生成概率、培训样本分布、测试样品的分布、BJS散度判别、群体辨别概率、加权积分机制和构造BPA。

2.根据权利要求1所述的一种基于Dempster-Shafer框架的分类方法，其特征在于：所述辨别框架流程如下：

让Θ表示一个相互排斥的集合，该集合可以包含无限个元素，如Θ＝[θ₁,θ₂,…,θ_j,…,θ_N},其中θ_j是辨别框架Θ的要素或事件，N是元素个数，j＝1,2,…,N，由Θ的所有子集组成的集合称为质量函数，定义如下

表示空集；{θ_i,θ_j}指示θ_i或者θ_j事件发生，对于一个系统，无论它处于任何状态，我们都可以使用2^Θ中的元素来表示它；

所述质量函数流程如下：

设m是从集合2^Θ在Θ下[0,1]的质量函数映射，焦点元素A表示标识框架Θ的任何子集，m定义为

基本概率分布函数表示由证据建立的信任的初始分布，事件a的基本概率分配函数记录为m(A)，用于表示证据对A的信任程度，m(A)通常也称为质量函数，它是根据检测获得的数据构建的，或者是由人们根据经验给出的；

所述证据理论的组合规则流程如下：

设E₁和E₂是识别Θ框架下的两个证据，这两个证据对应的BPAs是m₁和m₂。A_i和B_i是焦点元素。Desmpter的组合规则定义为

其中

K值表示证据来源之间的冲突程度，在大多数情况下，对于不同的证据，由于数据来源不同，将获得两个或多个不同的BPA，此时，为了计算信任函数和似然函数，需要将两个或多个BPA合成为一个BPA；

所述后验概率流程如下：

设X_i(i＝1,2,…,p)为p独立特征，X表示p维特征向量。Y∈C＝{C₁,C₂,…,C_N}是与X状态相同的分类标记。然后后验概率P(Y∣X_i),i＝1…p,Y∈{C₁,C₂,…,C_N}可定义如下：

在本研究中，我们使用个体生成模型和群体生成模型来构建模型。这种方法为平衡个体差异和整体差异提供了一种可操作的方法，模糊集理论被用作描述隶属度的准则。