[发明专利]基于D-S证据理论的目标事件风险评估方法及系统

权利要求书

1.一种基于D-S证据理论的目标事件风险评估方法，其特征在于从多个时间段和多种评价指标分析和挖掘目标事件，利用D-S证据理论完成不同证据数据的融合，提高对目标事件风险评估的准确性，所述目标事件风险评估方法包括：

按照最短时间节点采集每一目标事件的评价指标，得到每一目标事件在不同时期下的每一种评价指标值，其中所述评价指标包括吸引力、影响范围和相对强度，所述时期包括短期、中期和长期；

分别将每一目标事件在不同时期下的每一种所述评价指标值输入至专家评分系统，得到不同专家对每一目标事件在不同时期下的每一种所述评价指标值的多个基础评分；

利用多层感知器分别对每一目标事件在不同时期下的所有评价指标值的所述基础评分进行特征提取，得到每一目标事件在不同时期下的多维特征数据；

分别对每一目标事件在不同时期下的所述多维特征数据和风险等级进行映射，得到每一目标事件在不同时期下不同类别风险等级的多个基本信度分配，其中所述风险等级包括低风险、中风险和高风险；

根据证据推理算法对每一目标事件在不同时期下风险等级的多个所述基本信度分配进行融合推理，确定每一目标事件在不同时期下的风险等级。

2.根据权利要求1所述的目标事件风险评估方法，其特征在于，所述多层感知器第m特征层的第j个输出的特征数据表示为：

其中，表示所述多层感知器第m特征层的第j个输出的特征数据；f()表示激活函数；s表示不同专家对每一目标事件在不同时期下的每一种所述评价指标值的基础评分个数；k₁表示吸引力变化值对应的基础评分个数；k₂表示影响范围变化值对应的基础评分个数；k₃表示相对强度变化值对应的基础评分个数；w_s,j表示多层感知机第m特征层的第j个输出的权重；表示所述多层感知器输入层的评价指标值；b_j表示多层感知器第m特征层的偏置；m表示所述多层感知器的层数；l_m-1表示每一目标事件在不同时期下的多维特征数据个数；表示所述多层感知器第m-1特征层的输入。

3.根据权利要求1所述的目标事件风险评估方法，其特征在于，所述分别对每一目标事件在不同时期下的所述多维特征数据和风险等级进行映射，具体表示为：

其中，m()表示mass函数；A_L表示低风险等级；A_M表示中风险等级；A_H表示表示高风险等级；g()表示归一化运算函数；表示多维特征数据中第一维度的特征数据；表示多维特征数据中第二维度的特征数据；表示多维特征数据中第三维度的特征数据。

4.根据权利要求1所述的目标事件风险评估方法，其特征在于，所述每一目标事件在不同时期下的风险等级表示为：

其中，m()表示mass函数；A表示风险等级；A_j表示第j个风险等级；i表示不同时期下第i个基本信度分配；n表示不同时期下基本信度分配的个数；m_i()表示第i个基本信度分配。

5.根据权利要求1所述的目标事件风险评估方法，其特征在于，在所述确定每一目标事件在不同时期下的风险等级之后，所述目标事件风险评估方法还包括：

根据同一目标事件的短期内推理结果、中期内风险等级评估结果、中期内推理结果和长期内风险等级评估结果，计算一致性系数，针对短期、中期、长期的基础证据进行一致性系数加权计算，根据证据理论算法计算出最终的风险等级评估结果；

将所述一致性系数作为每一目标事件在不同时期下风险等级的多个基本信度分配，得到每一目标事件在不同时期下多个加权后基本信度分配；

利用加权证据推理算法对每一目标事件所有时期下多个所述加权后基本信度分配进行推理，确定每一目标事件的最终风险等级。