[发明专利]多源模糊信息融合处理方法

摘要

多源模糊信息融合处理方法是一种对多源异类模糊信息进行处理的基于Vague证据理论的融合方法。属于检测与信息处理技术领域。步骤为：选择融合处理的信息；确定证据理论中的辨识框架；确定基本可信度分配函数值；确定Vague焦元的相似度，修改证据源模型，组合证据；基于融合结果，确定焦元对其它焦元信任函数的贡献因子；然后依据焦元信任函数值，取最大者为最终结果。优点：该方法结合证据理论和Vague集，表达信息的模糊性，充分利用模糊信息之间的互补和冗余，具有易于表示模糊信息，且融合结果及信任函数对某些焦点元素的显著变化敏感等特点。该方法主要用于信息融合、模式识别、故障检测、人工智能等领域。

主权项

1、多源模糊信息融合处理方法。其特征是方法步骤依次分为：(一)选择融合处理的信息。依据应用领域的不同，选择需要进行融合处理的信息。(二)确定证据理论中的辨识框架。根据识别目标的需要，结合Vague证据理论的特点，确定证据理论中的辨识框架。在此基础上确定相应的Vague子集。(三)基本可信度分配函数值的确定。目前，融合信息具有多源性，且具有异类的特点，因此需要将多源信息转化为证据理论中的证据，使其具有统一的表示形式，便于融合处理。专业人员或专家系统依据经验将多源信息转化为相应证据的基本可信度分配值。(四)多源模糊信息融合处理。融合处理过程分为两种情况：(A)两类证据的融合假设在同一辨识框架X(x₁，x₂，...x_n)上有两个证据，其基本可信度分配函数分别为m₁和m₂，相应的Vague焦元分别为{A₁，A₂，...，A_p}和{B₁，B₂，...，B_q}，于是，组合这两个证据得新的基本可信度分配函数m：P_X→[0，1]，这个基本可信度分配函数m对于所有Vague焦元，有：m(C~)=m1⊕m2(C~)=ΣA~i∩B~j=C~S(C~,A~i)m1(A~i)S(C~,B~j)m2(B~j)1-ΣA~iB~j(1-S(A~i∩B~j,A~i)S(A~i∩B~j,B~j))m1(A~i)m2(B~j)]]>其中，为Vague焦元与之间的相似度，其定义为设辨识框架X(x₁，x₂，...x_n)，为其上的Vague焦元，A~,C~∈PX,]]>A~=([tA~(x1),1-fA~(x1)]/x1,[tA~(x2),1-fA~(x2)]/x2,···,[tA~(xn),1-fA~(xn)]/xn)]]>C~=([tC~(x1),1-fC~(x1)]/x1,[tC~(x2),1-fC~(x2)]/x2,···,[tC~(xn),1-fC~(xn)]/xn)]]>则Vague焦元与之间的相似度为：S(C~,A~)=1-12|X|Σi=l|X|{(tA~(xi)-tC~(xi))2+(fA~(xi)-fC~(xi))2+(πA~(xi)-πC~(xi))2}]]>其中，|X|为辨识框架X的基(|X|＝n)。(B)多类证据的融合假设在同一辨识框架X(x₁，x₂，...x_n)上有n个证据，其基本可信度分配函数分别为m₁，m₂，...，m_n，相应的Vague焦元分别为{A_i1，A_i2，...，A_iW}，于是，组合这n个证据得新的基本可信度分配函数m：P_X→[0，1]，组合步骤如下：Step1：C~k=A~i1∩A~i2∩···∩A~in(im=1,2,···W;m=1,2,···,n)]]>Step2：m1⊕m2⊕···⊕mn(C~k)=ΣA~i1∩A~i2∩···∩A~in=C~km1(A~i1)m2(A~i2)···mn(A~in)=m1,2,···,n(C~k)]]>Step3：N[m1⊕m2⊕···⊕mn](C~k)=ΣC~kS(C~k,A~i1)S(C~k,A~i2)···S(C~k,A~in)m1,2,···,n(C~k)1-ΣA~i1A~i2,···,A~in(1-S(C~k,A~i2)···S(C~k,A~in))m1,2,···,n(C~k)]]>其中，S(C~k,A~im)(im=1,2,···,W;m=1,2,···,n)]]>可采用A步计算，k值由辨识框架X的幂集P_X的基|P_X|＝W和证据个数n来确定。(五)类别判定。基于Vague证据理论的多源模糊信息组合结果，确定类别的信任函数值，选择最大的信任函数值的类别，作为最终类别。具体步骤如下：Step1：基于多源模糊信息组合结果，确定类别的信任函数的贡献因子。设辨识框架X(x₁，x₂，...x_n)，为其上的Vague焦元，A~,B~∈PX,]]>A~=([tA~(x1),1-fA~(x1)]/x1,[tA~(x2),1-fA~(x2)]/x2,···,[tA~(xn),1-fA~(xn)]/xn)]]>B~=([tB~(x1),1-fB~(x1)]/x1,[tB~(x2),1-fB~(x2)]/x2,...,[tB~(xn),1-fB~(xn)]/xn)]]>则Vague焦元对的贡献因子为Iv(B~;A~)=Σimin{tA~(xi),tB~(xi)}Σi(1-fA~(xi))]]>Step2：依据Bel(B~)=ΣiIv(B~;Ai~)m(Ai~)]]>，确定Vague证据理论的信任函数值。Step3：计算maxi{Bel(B~i)}]]>，判定最终类别。