CN106919800A - 一种证据理论中低相似度碰撞的冲突证据管理方法 - Google Patents
一种证据理论中低相似度碰撞的冲突证据管理方法 Download PDFInfo
- Publication number
- CN106919800A CN106919800A CN201710133553.8A CN201710133553A CN106919800A CN 106919800 A CN106919800 A CN 106919800A CN 201710133553 A CN201710133553 A CN 201710133553A CN 106919800 A CN106919800 A CN 106919800A
- Authority
- CN
- China
- Prior art keywords
- evidence
- matrix
- burnt
- generation
- designated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种证据理论中低相似度碰撞的冲突证据管理方法,对辨识框架的所有子集排序,子集数量记为P,然后由辨识框架生成若干个证据,每个证据包括至少一个焦元,在证据生成后,依次对证据进行焦元序列生成阶段和证据权重分配阶段;焦元序列生成阶段包括生成扩展证据、生成排序证据和生成排序矩阵三步;证据权重分配阶段包括计算排序差矩阵、计算排序因子及排序数、计算证据相似度与支持度、计算证据信誉度、计算证据联合支持度和求证据权重等几个步骤。本发明能对证据集合中的每一个证据进行更好的权重分配,降低冲突证据的权重分配比例,减小其对融合结果的影响,从而提升决策***活判断***的抗噪声能力。
Description
技术领域
本发明属于信息融合技术领域,具体的说是一种证据理论中低相似度碰撞的冲突证据管理方法。
背景技术
多传感器信息融合在提高智能***的决策科学性、反应正确性、目标定位的准确性和信息定位的精确性方面起着决定性的作用,被广泛应用于自动目标识别、飞行器导航、战术态势、威胁估计、故障检测和定位等方面。然而,由于受传感器性能和数据获取环境等影响,导致传感器获取数据间存在冲突,难以直接进行数据的有效融合。因此,对数据进行冲突检测和度量成为指导数据融合的关键步骤。D-S证据理论作为数据融合的常用手段,是检测和度量传感器数据冲突的主要方法,被广泛应用于目标识别、最优化、可靠性分析等方面。
在证据理论中,一个证据中包含多个焦元,每一个焦元都对应一个概率,代表着该事件为真的概率,例如m:m(A)=0.1,m(B)=0.3,m(C)=0.2,m(AB)=0.4代表着A发生的概率为0.1,AB至少一个发生但不确定是哪一个发生的概率为0.4。而所有焦元都包含于一个集合中,该集合被称作辨识框架,辨识框架除了包含焦元外,还包括一些对应概率为0的子集。以上面的证据为例,辨识框架为{A,B,C},证据中所有的焦元都是辨识框架的子集。
在应用时,来自传感器的数据会被转化为证据,然后通过证据之间的融合来完成对传感器所收集信息的处理过程。然而在证据融合之前,需要对转化完成的证据进行冲突管理,以降低错误数据对融合结果的影响。在已有的冲突管理方法中,主要是基于两两证据之间的相似度的计算完成证据权重的确定。然而,相似度存在碰撞的问题,会导致当相似度碰撞发生时,权重分配不合理。
不同证据之间的相似度计算方面,相关学者提供了两种计算方法,分别为:方法一、由Wen C,WangY,Xu X.等人在International Symposium on Neural Networks上公开的“Fuzzy Information Fusion Algorithm of Fault Diagnosis Based on SimilarityMeasure of Evidence[C]”一文中记载的计算方法;方法二、由Jousselme AL,Grenier D,Bossé.等人于《Information Fusion》(2001,2(2):91-101)上发表的“Anew distancebetween two bodies of evidence[J]”一文中记载的计算方法。
发明内容
为了解决现有技术中的不足,本发明提供一种证据理论中低相似度碰撞的冲突证据管理方法,在相似度计算的基础上,引入了焦元序列的计算,降低了相似度碰撞对权重确定的影响,使信息融合过程中证据的权重分配更加合理。
为了实现上述目的,本发明采用的具体方案为:
一种证据理论中低相似度碰撞的冲突证据管理方法,对辨识框架的所有子集排序,子集数量记为p,然后由辨识框架生成若干个证据,每个证据包括至少一个焦元,在证据生成后,依次对证据进行焦元序列生成阶段和证据权重分配阶段;
所述焦元序列生成阶段包括以下步骤:
步骤S1、对每个证据进行扩展生成扩展证据,扩展的方法为:在辨识框架的p个子集中,把每个不包含于该证据的子集添加到该证据中,形成若干个新的焦元,每个新的焦元对应的概率记为0,记录每个焦元在扩展证据中的位置i;
步骤S2、将扩展证据中的所有焦元按对应的概率从大到小排序生成排序证据,记录每个焦元在排序证据中的位置j;
步骤S3、生成p阶矩阵,称为排序矩阵,排序矩阵中每个焦元对应一个(i,j)坐标,该坐标处的矩阵元素值为1,没有焦元对应的矩阵元素值为0;
所述权重分配阶段包括以下步骤:
步骤N1、提取一个证据的排序矩阵记为焦点排序矩阵,然后计算余下所有证据的排序矩阵的平均矩阵,之后计算焦点排序矩阵与平均矩阵的差计为该证据的排序差矩阵,并将排序差矩阵的二阶范式的值计为排序范数;
步骤N2、对所有证据执行步骤N1;
步骤N3、对每个证据的排序差矩阵,计算自然对数e的负排序范数次方,计为排序因子,并计算该证据的排序因子占所有证据排序因子和的比重,以比重值乘以证据个数,得到结果计为排序数;
步骤N4、计算每个证据与其它证据的相似度并求和,记为该证据的支持度;
步骤N5、计算每个证据的支持度占所有证据支持度之和的比重,记为该证据的信誉度;
步骤N6、计算每个证据的信誉度与排序数的积,记为该证据的联合支持度;
步骤N7、计算每个证据的联合支持度占所有证据联合支持的之和的比重,记为该证据的权重。
所述步骤S1中,每个证据中新添加的焦元按照辨识框架子集的顺序进行排序。
所述步骤S2中,当若干个焦元对应的概率相等时,按照辨识框架子集的顺序进行排序。
有益效果:本发明能对证据集合中的每一个证据进行更好的权重分配。传统的通过相似度计算来实现冲突证据管理的方法,容易因为相似度碰撞的问题而影响冲突证据的判定,进而影响各个证据的权重分配,干扰最终的信息融合过程。而在相似度计算的过程中,只会计算焦元的大小而不会对焦元的顺序进行计算,因此通过生成排序证据进而计算排序数,把排序数作为确定冲突证据的一个依据,能够在发生相似度碰撞的情况下依靠排序数来准确找到冲突证据,实现降低冲突证据的权重分配比例,减小其对融合结果的影响,从而在传感器收集到含有噪声的数据时能更准确的做出正确的决策,提升决策***的抗噪声能力。
附图说明
图1是管理方法的简化流程图。
具体实施方式
下面根据附图具体说明本发明的实施方式。
如图1所示,一种证据理论中低相似度碰撞的冲突证据管理方法,对辨识框架的所有子集排序,子集数量记为p,然后由辨识框架生成若干个证据,每个证据包括至少一个焦元,在证据生成后,依次对证据进行焦元序列生成阶段和证据权重分配阶段;
所述焦元序列生成阶段包括以下步骤:
步骤S1、对每个证据进行扩展生成扩展证据,扩展的方法为:在辨识框架的p个子集中,把每个不包含于该证据的子集添加到该证据中,形成若干个新的焦元,每个新的焦元对应的概率记为0,记录每个焦元在扩展证据中的位置i;
步骤S2、将扩展证据中的所有焦元按对应的概率从大到小排序生成排序证据,记录每个焦元在排序证据中的位置j;
步骤S3、生成p阶矩阵,称为排序矩阵,排序矩阵中每个焦元对应一个(i,j)坐标,该坐标处的矩阵元素值为1,没有焦元对应的矩阵元素值为0;
所述权重分配阶段包括以下步骤:
步骤N1、提取一个证据的排序矩阵记为焦点排序矩阵,然后计算余下所有证据的排序矩阵的平均矩阵,之后计算焦点排序矩阵与平均矩阵的差计为该证据的排序差矩阵,并将排序差矩阵的二阶范式的值计为排序范数;
步骤N2、对所有证据执行步骤N1;
步骤N3、对每个证据的排序差矩阵,计算自然对数e的负排序范数次方,计为排序因子,并计算该证据的排序因子占所有证据排序因子和的比重,以比重值乘以证据个数,得到结果计为排序数;
步骤N4、计算每个证据与其它证据的相似度并求和,记为该证据的支持度;
步骤N5、计算每个证据的支持度占所有证据支持度之和的比重,记为该证据的信誉度;
步骤N6、计算每个证据的信誉度与排序数的积,记为该证据的联合支持度;
步骤N7、计算每个证据的联合支持度占所有证据联合支持的之和的比重,记为该证据的权重。
所述步骤S1中,每个证据中新添加的焦元按照辨识框架子集的顺序进行排序。
所述步骤S2中,当若干个焦元对应的概率相等时,按照辨识框架子集的顺序进行排序。
下面采用一个证据处理的实例来具体说明本发明所述冲突证据管理方法的计算过程。
一个由p个子集组成的辨识框架,由辨识框架生成五个证据m1,m2,m3,m4,m5,同时确定所有子集的顺序为五个证据的焦元如下:
然后以证据m1为例进行计算。
对证据m1进行扩展,生成证据m1的扩展证据记录每个焦元的位置i:iA=1,iB=2,iC=3,iAB=4,iAC=5,iBC=6,iABC=7,
步骤S2、生成扩展证据m'的排序证据记录每个焦元的位置j:jA=2,jB=3,jC=1,jAB=4,jAC=5,jBC=6,jABC=7,
生成证据m1的排序矩阵
对其他证据m2,m3,m4,m5重复进行步骤S1~S3,分别得到他们的排序矩阵Mx:
步骤N1、计算证据m1的排序差矩阵,记为MM1:
步骤N2、计算其余证据的排序差矩阵MMx,具体如下:
步骤N3、计算每个证据的排序数,记为Fx:
计算每个证据与其他证据的相似度sim并求和,记为该证据的支持度supx,相似度的计算方法优选为方法二,具体结果如下;
计算每个证据的支持度占所有证据支持度之和的比重,记为该证据的信誉度Creditx,具体结果如下:
步骤N6、计算每个证据的信誉度与排序数的积,记为该证据的联合支持度Usupx,具体结果如下;
步骤N7、计算每个证据的联合支持度占所有证据联合支持的之和的比重,记为该证据的权重wx,具体结果如下:
从而可以看到,冲突证据m2最终的权重是最低的,从而能够减小其对融合结果的影响,提升决策***或者判断***的抗噪声能力。
本发明通过生成排序证据进而计算排序数,把排序数作为确定冲突证据的一个依据,能够在发生相似度碰撞的情况下依靠排序数来准确找到冲突证据,实现降低冲突证据的权重分配比例,减小其对融合结果的影响,从而在传感器收集到含有噪声的数据时能更准确的做出正确的决策,提升决策***的抗噪声能力。
Claims (3)
1.一种证据理论中低相似度碰撞的冲突证据管理方法,对辨识框架的所有子集排序,子集数量记为p,然后由辨识框架生成若干个证据,每个证据包括至少一个焦元,其特征在于:在证据生成后,依次对证据进行焦元序列生成阶段和证据权重分配阶段;
所述焦元序列生成阶段包括以下步骤:
步骤S1、对每个证据进行扩展生成扩展证据,扩展的方法为:在辨识框架的p个子集中,把每个不包含于该证据的子集添加到该证据中,形成若干个新的焦元,每个新的焦元对应的概率记为0,记录每个焦元在扩展证据中的位置i;
步骤S2、将扩展证据中的所有焦元按对应的概率从大到小排序生成排序证据,记录每个焦元在排序证据中的位置j;
步骤S3、生成p阶矩阵,称为排序矩阵,排序矩阵中每个焦元对应一个(i,j)坐标,该坐标处的矩阵元素值为1,没有焦元对应的矩阵元素值为0;
所述权重分配阶段包括以下步骤:
步骤N1、提取一个证据的排序矩阵记为焦点排序矩阵,然后计算余下所有证据的排序矩阵的平均矩阵,之后计算焦点排序矩阵与平均矩阵的差计为该证据的排序差矩阵,并将排序差矩阵的二阶范式的值计为排序范数;
步骤N2、对所有证据执行步骤N1;
步骤N3、对每个证据的排序差矩阵,计算自然对数e的负排序范数次方,计为排序因子,并计算该证据的排序因子占所有证据排序因子和的比重,以比重值乘以证据个数,得到结果计为排序数;
步骤N4、计算每个证据与其它证据的相似度并求和,记为该证据的支持度;
步骤N5、计算每个证据的支持度占所有证据支持度之和的比重,记为该证据的信誉度;
步骤N6、计算每个证据的信誉度与排序数的积,记为该证据的联合支持度;
步骤N7、计算每个证据的联合支持度占所有证据联合支持的之和的比重,记为该证据的权重。
2.如权利要求1所述的一种证据理论中低相似度碰撞的冲突证据管理方法,其特征在于:所述步骤S1中,每个证据中新添加的焦元按照辨识框架子集的顺序进行排序。
3.如权利要求1所述的一种证据理论中低相似度碰撞的冲突证据管理方法,其特征在于:所述步骤S2中,当若干个焦元对应的概率相等时,按照辨识框架子集的顺序进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710133553.8A CN106919800A (zh) | 2017-03-08 | 2017-03-08 | 一种证据理论中低相似度碰撞的冲突证据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710133553.8A CN106919800A (zh) | 2017-03-08 | 2017-03-08 | 一种证据理论中低相似度碰撞的冲突证据管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106919800A true CN106919800A (zh) | 2017-07-04 |
Family
ID=59460570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710133553.8A Pending CN106919800A (zh) | 2017-03-08 | 2017-03-08 | 一种证据理论中低相似度碰撞的冲突证据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106919800A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814278A (zh) * | 2020-08-31 | 2020-10-23 | 深圳领威科技有限公司 | 一种数据处理方法、数据处理装置及终端设备 |
-
2017
- 2017-03-08 CN CN201710133553.8A patent/CN106919800A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814278A (zh) * | 2020-08-31 | 2020-10-23 | 深圳领威科技有限公司 | 一种数据处理方法、数据处理装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730131B (zh) | 一种众包软件开发者的能力预测及推荐方法、装置 | |
CN113011973B (zh) | 基于智能合约数据湖的金融交易监管模型的方法及设备 | |
CN112541532B (zh) | 基于密集连接结构的目标检测方法 | |
CN103150546B (zh) | 视频人脸识别方法和装置 | |
WO2010037030A1 (en) | Evaluating loan access using online business transaction data | |
CN110111113B (zh) | 一种异常交易节点的检测方法及装置 | |
CN107704992A (zh) | 输电线路雷击风险评估的方法及装置 | |
CN106776884A (zh) | 一种基于多标签组合多分类器的恐怖行为预测方法 | |
CN111292008A (zh) | 一种基于知识图谱的隐私保护数据发布风险评估方法 | |
CN103473786A (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
CN107101829A (zh) | 一种航空发动机结构类故障的智能诊断方法 | |
CN109935337A (zh) | 一种基于相似性度量的病案查找方法及*** | |
CN106250913B (zh) | 一种基于局部典型相关分析的分类器集成车牌识别方法 | |
CN108460336A (zh) | 一种基于深度学习的行人检测方法 | |
CN108287964B (zh) | 一种基于加速度内积向量的灰云推理结构损伤识别方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN111639706A (zh) | 基于图像集的个人风险画像生成方法及相关设备 | |
CN103150476B (zh) | 一种基于数据站场的***效能评估方法 | |
CN105956629A (zh) | 一种模式分类方法及模式分类*** | |
CN106228132A (zh) | 目标识别方法和目标识别装置 | |
CN106919800A (zh) | 一种证据理论中低相似度碰撞的冲突证据管理方法 | |
CN114898155B (zh) | 车辆定损方法、装置、设备及存储介质 | |
Maulana et al. | Kmeans-SMOTE Integration for Handling Imbalance Data in Classifying Financial Distress Companies using SVM and Naïve Bayes | |
Wang et al. | Temperature forecast based on SVM optimized by PSO algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170704 |