CN111340118A - 基于信度熵和bjs散度的冲突证据融合方法 - Google Patents
基于信度熵和bjs散度的冲突证据融合方法 Download PDFInfo
- Publication number
- CN111340118A CN111340118A CN202010124973.1A CN202010124973A CN111340118A CN 111340118 A CN111340118 A CN 111340118A CN 202010124973 A CN202010124973 A CN 202010124973A CN 111340118 A CN111340118 A CN 111340118A
- Authority
- CN
- China
- Prior art keywords
- evidence
- bjs
- vector
- ith
- divergence
- 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.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 241000196324 Embryophyta Species 0.000 claims abstract description 21
- 230000003068 static effect Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 71
- 238000004364 calculation method Methods 0.000 claims description 14
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 235000007320 Avena fatua Nutrition 0.000 description 6
- 241001647031 Avena sterilis Species 0.000 description 5
- 235000004535 Avena sterilis Nutrition 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012271 agricultural production Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241000207894 Convolvulus arvensis Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000004009 herbicide Substances 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001600408 Aphis gossypii Species 0.000 description 1
- 241001253169 Asystasia gangetica Species 0.000 description 1
- 244000075850 Avena orientalis Species 0.000 description 1
- 241000207892 Convolvulus Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 240000006688 Telosma cordata Species 0.000 description 1
- 235000017352 Telosma cordata Nutrition 0.000 description 1
- 241000018137 Trialeurodes vaporariorum Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 235000005373 Uvularia sessilifolia Nutrition 0.000 description 1
- 244000137773 Viola philippica Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于信度熵和BJS散度的冲突证据融合方法,包括如下步骤:首先,获取杂草种类目标识别信息转换为证据信息,然后,通过融合证据的信度熵度量证据的不确定度,利用融合证据的BJS散度和支持度之间的关系构造证据的相对支持度,综合考虑融合证据的不确定度、相对支持度以及静态可信度对融合证据进行加权平均处理,得到加权平均证据,最后,采用Dempster组合规则对加权平均证据进行逐个融合,输出最终决策结果。本发明方案与传统算法相比,利用融合证据的信度熵有效度量不确定信息,通过证据的BJS散度有效度量证据BPA之间的相似度,利用信度熵和BJS散度共同确定融合证据的权重系数,实现智慧农业中杂草识别的快速、准确决策处理。
Description
技术领域
本发明涉及多源信息融合技术领域,尤其涉及一种基于信度熵和BJS散度的冲突证据融合方法。
背景技术
我国是农业大国,农业生产中杂草肆虐是困扰农作物生长的基本问题之一。杂草对农业生产,生态环境,生物多样性等造成严重危害,不仅影响作物产量与品质还会传播病虫害,例如野燕麦是小麦赤霉病的野生寄主;紫花地丁是棉蚜的越冬寄主;小旋花是温室白粉虱的中间寄主。为提高农作物产量投入大量高效除草能力的化学除草剂,但在不能比较准确地确定杂草种类情况下,大部分化学除草剂没有被有效利用,不仅增加土壤对化学制剂的依赖性,还对环境保护与物种延续构成严重威胁,对我国农业的可持续性发展带来严峻挑战。国务院关于印发全国农业现代化规划(2016—2020年)的通知中强调要推进信息化与农业深度融合,加快实施“互联网+”现代农业行动,加强物联网、智能装备的推广应用。要实现高水平的设施农业生产和优化设施生物环境控制,信息获取手段是最重要的关键技术之一。作为现代信息技术三大基础(传感器技术、通信技术和计算机技术)的高度集成而形成的无线传感器网络(Wireless SensorNetwork,WSN)是一种全新的信息获取和处理技术。
无线传感器网络是当前国际上备受关注、涉及多学科高度交叉、知识高度集中的前沿热点研究领域。无线传感器网络由大量传感器节点协作采集、感知和实时监测网络覆盖区域内监测目标的信息,经过本地传感器的分析处理之后,将本地处理后的数据发送到决策中心进行处理或判决,最终得到全局决策。无线传感器网络相对于单一传感器节点监测相比,具有增加***的生存能力以及改善***的可靠性,但其发展受到了节点能量供应、数据存储以及数据处理等诸多方面的限制和挑战。而决策级融合技术作为多源数据融合中最高层次的融合,能够利用有效的无线传感器网络资源,在智慧农业中具有极其重要的理论意义和应用价值。
Dempster-Shafer(D-S)证据理论作为一种对不确定性进行建模和推理的数学理论,以Dempster组合规则为核心,具有表达不完全信息以及主观不确定信息的能力,在不确定信息表示和融合方法等方面的独特优势,可以应用在智慧农业中的杂草识别、故障诊断、目标识别等领域。
现代化农业中多源异类传感器不断运用,信息来源繁杂,传感器提供的可靠度不尽相同。然而在实际应用中,由于光照变化、叶面遮挡等因素的影响,导致传感器在对植物根茎、叶面等特征观测信息中可能存在许多不完整、不确定信息,甚至出现冲突或相互矛盾的信息,使得多源不确定信息的高效融合成为当前一个亟待解决的难题。但Dempster组合规则在解决低置信度、高冲突证据融合时往往会产生与直觉相悖的结论,极大地影响了融合***的决策性能,并在一定程度上制约了证据理论在信息融合领域中的应用。
发明内容
本发明的目的是提供一种基于信度熵和BJS(Belief Jenson-Shannon,BJS)散度的冲突证据融合方法,能够有效地对智慧农业中的杂草识别做出正确决策。
本发明采用的技术方案为:
基于信度熵和BJS散度的冲突证据融合方法,包括以下几个步骤:
A、通过获取多个传感器的充分指数(sufficiency index)wi和重要性指数(importance index)vi以及传感器测量信息相对应证据焦元的基本概率赋值(BasicProbability Assignment,BPA),将每一个证据看作一个向量,所述第i个证据向量用mi=(mi(θ1),L,mi(θr),L,mi(θk))T表示,其中i=1,2,L,n,n为证据向量的总数,wi和vi分别为第i个证据向量的充分指数和重要性指数,k为辨识框架Θ中的焦元个数,r=1,2,L,k;
B、通过下述公式计算证据mi的信度熵,得到任意第i个证据向量mi的信度熵E(mi),式中r,l=1,2,L,k,e为自然常数,是一个约等于2.71828182845904523536……的无理数,|θr|表示焦元θr元素的个数,|θrIθl|表示焦元θr与焦元θl公共元素的个数,|Θ|为辨识框架中包含单焦元和复合焦元的总个数;
G、由第i个证据向量mi的充分指数wi和重要性指数和vi通过下述公式s(mi)=wi×vi计算得到第i个证据向量mi的静态可信度s(mi)。
H、由得到的任意第i个证据向量mi归一化后的相对不确定度相对支持度以及静态可信度s(mi),通过公式:求得第i个证据与其他n-1个证据的相对支持程度因子truf(mi),并利用第i个证据与其他n-1个证据的相对支持程度因子truf(mi)通过下述公式得到第i个证据的权重系数ωi;
I、记第i个证据中焦元θr的基本概率赋值用mi(θr)表示,其中r=1,2,L,k,修正后的加权平均证据(MAE,Modified Average of the Evidence)中焦元θr的基本概率赋值用md(θr)表示,根据步骤H中得到的权重系数ωi通过公式:得到修正后的n个加权平均证据中焦元θr的基本概率赋值md(θr);
J、最后,采用Dempster组合规则对修正后的加权平均证据进行逐个融合,融合后焦元A的基本概率赋值m(A)的最大值对应的焦元为杂草识别的决策结果对应的识别目标,即为决策最终结果。
所述的Dempster组合规则为:
本发明以无线传感器网络中的智慧农业杂草识别为应用背景,将传感器提供的信息转化为证据,将可以有效度量不确定信息的信度熵和体现两个证据BPA距离度量的JS散度相结合,通过信度熵和BJS散度分别构造融合证据的不确定度和相对支持度,并考虑传感器自身的静态可信度求解融合证据的权重系数。本发明方案与传统算法相比,综合考虑了融合证据的不确定度信息、相似度信息和静态可信度信息,利用融合证据的信度熵和BJS散度、静态可信度共同衡量证据的权重系数,降低了低可信度证据对融合结果的影响,最后采用Dempster组合规则对加权平均证据进行逐个融合,做出对杂草识别最后的决策,具有重要的理论意义和应用价值。
附图说明
图1为本发明的流程图。
具体实施方式
如图1所示,本发明包括以下几个步骤:
A、通过获取多个传感器的充分指数(sufficiency index)wi和重要性指数(importance index)vi以及传感器测量信息相对应证据焦元的基本概率赋值,将每一个证据看作一个向量,所述第i个证据的向量用mi表示,其中i=1,2,…,n,n为证据向量的总数,k为辨识框架Θ中的焦元个数;首先将多个相互独立传感器的获取植物根茎、叶面、叶缘、叶鞘等信息转化为杂草识别的多个证据,并将每一个融合的证据看作一个向量。假设获得n个证据分别为m1,m2,L,mn,假设辨识框架Θ中的焦元为θ1,θ2,L,θk,第i个证据对应的焦元基本概率赋值分别为mi(θ1),mi(θ2),L,mi(θk),将证据看作向量,则第i个证据向量对应的元素依次为mi(θ1),mi(θ2),L,mi(θk);
B、对上述证据向量mi进行信度熵的计算:并记录任意第i个证据向量mi的信度熵为E(mi),其中i=1,2,…,n;
信度熵从数学理论上来讲是对香农熵的推广,能够有效地对不确定信息进行度量,在Dempster-Shafer框架下最经典的信度熵为邓熵,邓熵的表达式为证据的信度熵通过证据的不确定度反映证据所含的冗余信息情况,若证据的信度熵越大,证据的不确定性也越大,所包含的冗余信息越多,相应的子集和集合之间的冲突越小,则在融合过程中证据所占的权重也越大,即证据的信度熵越大,对融合决策的重要性也越大。另外,当基本概率赋值(Basic Probability Assignment,BPA)从幂集退化为单子集上的概率分布时,信度熵将退化为香农熵。具体的本发明所述的步骤B中信度熵计算通过下述公式得到任意证据向量mi的信度熵E(mi),式中,r,l=1,2,L,k,e为自然常数,是一个约等于2.71828182845904523536……的无理数,|θr|表示焦元θr元素的个数,|θrIθl|表示焦元θr与焦元θl公共元素的个数,|Θ|为辨识框架中包含单焦元和复合焦元的总个数;
本发明方法中的信度熵与邓熵相比,考虑到融合证据中的不确定性命题之间存在交集的影响,以下通过实例来说明邓熵存在的局限性。
例1假设辨识框架为Θ={A,B,C,D},有性质不同的两个证据m1和m2,其基本概率赋值函数分别为:
m1:m1(A,B)=0.6,m1(C,D)=0.4;
m2:m2(B,C)=0.6,m2(B,D)=0.4.
从给出的证据m1和证据m2的基本概率赋值函数可以看出证据m1的不确定度要大于证据m2,由于证据m2中存在相同的命题B,但是通过采用邓熵计算证据m1和m2的信度熵得到Ed(m1)=Ed(m2)=2.5559,无法有效度量证据m1和m2的不确定度;采用本发明中的信度熵计算两个证据m1和m2的信度熵得到E(m1)>E(m2),可以有效度量证据m1的不确定度要大于证据m2。其详细计算步骤如下:
D、对上述步骤A中进行第i个证据向量mi和第j个证据向量mj之间的BJS(BeliefJenson-Shannon)散度的计算:并记录任意第i个证据向量mi和第j个证据向量mj之间的BJS散度为BJS(mi,mj),其中,i,j=1,2,…,n;
BJS散度的计算通过比较证据向量之间的JS(Jenson-Shannon,JS)测度得到证据之间的BJS散度。证据之间的BJS散度是一种距离度量,体现了两个证据BPA之间的相似度,证据之间的BJS散度越大,证据之间的相似度就越小。具体的本发明所述的步骤D中BJS散度计算通过下述公式计算证据mi和证据mj之间的BJS散度,得到任意第i个证据向量mi和第j个证据向量mj之间的BJS散度BJS(mi,mj),BJS(mi,mj)=BJS(mj,mi),0≤BJS(mi,mj)≤1。式中,为香农熵,因此,任意第i个证据向量mi和第j个证据向量mj之间的BJS散度BJS(mi,mj)也可以由下述公式计算得到:
BJS散度BJS(mi)的大小反映了证据mi与其他证据的差异程度,BJS(mi)较大时,说明证据mi与其他证据存在较大差异,该证据的支持度较小,反之,说明该证据的支持度较大,因此证据的支持度应该随着BJS散度BJS(mi)的增大而单调递减,另外考虑到BJS(mi)=0的情况,将BJS散度BJS(mi)取倒数求解证据的支持度将会受到限制。
G、由第i个证据向量mi的充分指数wi和重要性指数和vi通过下述公式s(mi)=wi×vi计算得到第i个证据向量mi的静态可信度s(mi);
H、由任意第i个证据向量mi归一化后的相对不确定度相对支持度和静态可信度s(mi)通过下述公式求得第i个证据mi(i=1,2,…,n)与其它n-1个证据的相对支持程度因子truf(mi),并利用第i个证据与其它n-1个证据的相对支持程度因子truf(mi)由下述公式得到第i个证据的权重系数ωi;
I、第i个证据中焦元θr的基本概率赋值用mi(θr)表示,修正后的加权平均证据(MAE,Modified Average ofthe Evidence)中焦元θr的基本概率赋值用md(θr)表示,根据权重系数ωi通过公式:得到修正后的n个加权平均证据中焦元θr的基本概率赋值md(θr);
然后采用Dempster组合规则对修正后的加权平均证据进行融合n-1次,所述的Dempster组合规则为:
其中,m(A)表示焦元A的基本概率赋值,K为冲突系数,r,l=1,2,L,k,为空集。融合后焦元A的基本概率赋值m(A)的最大值对应的焦元为杂草识别的决策结果对应的识别目标,即为决策最终结果。本发明方案与传统算法相比,采用证据的信度熵衡量不确定性信息,结合体现融合证据距离度量的BJS散度信息衡量各证据之间的相互支持程度,综合考虑融合证据的不确定度和相对支持度以及静态可信度信息计算证据的相对支持程度因子,进而确定融合证据的权重系数,采用Dempster组合规则对修正后的加权平均证据进行逐个融合,获得合理的决策结果,可以很好的应用于智慧农业的杂草识别,具有重要的理论意义和应用价值。
下面以具体实验进行说明本专利中的融合方法可以有效解决高冲突证据的融合,克服了Dempster组合规则在解决高冲突证据时出现的违背直觉的结果:
例2假设辨识框架为Θ={A,B,C},其中A表示野燕麦,B表示紫花地丁,C表示小旋花,设3个传感器的充分指数分别为1.00,0.60,1.00、重要性指数分别为1.00,0.34,1.00,利用3个不同传感器通过识别杂草的根茎、叶面等特征的观测信息构成性质不同的3个证据分别为:
m1:m1(A)=0.6,m1(B)=0.1,m1(B,C)=0.1,m1(A,B,C)=0.2;
m2:m2(A)=0.05,m2(B)=0.8,m2(B,C)=0.05,m2(A,B,C)=0.1;
m3:m3(A)=0.7,m3(B)=0.1,m3(B,C)=0.1,m3(A,B,C)=0.1.
具体实施包含以下步骤:
步骤1:根据已知传感器的观测信息构成的3个证据得到3个证据向量分别为m1=(0.6,0.1,0.1,0.2)T,m2=(0.05,0.8,0.05,0.1)T,m3=(0.7,0.1,0.1,0.1)T;
步骤2:计算3个证据向量的信度熵分别为E(m1)=1.8993,E(m2)=0.9285,
E(m3)=1.4663;
步骤3:计算得到3个证据向量的相对不确定度分别为
步骤4:计算任意两个证据向量之间的BJS散度分别为BJS(m1,m2)=0.4398,BJS(m1,m3)=0.0150,BJS(m2,m3)=0.4722;
步骤5:计算3个证据向量分别与另外两个证据向量之间的BJS散度依次为BJS(m1)=0.2274,BJS(m2)=0.4560,BJS(m3)=0.2436;
步骤6:计算得到3个证据向量的相对支持度分别为
步骤7:计算3个证据的静态可信度分别为s(m1)=1,s(m2)=0.60×0.34=0.2040,s(m3)=1;
步骤8:计算得到3个证据向量的相对支持程度因子truf(m1)=0.2004,truf(m2)=0.0079,truf(m3)=0.1237;
步骤9:计算3个证据的权重系数分别为ω1=0.6036,ω2=0.0237,ω3=0.3727;
步骤10:计算得到加权平均证据为
步骤11:采用Dempster组合规则融合2次,得到最终融合结果为:
m(A)=0.9002,m(B)=0.0670,m(B,C)=0.0250,m(A,B,C)=0.0078。
采用不同组合规则进行杂草识别的结果与比较如表1所示。综合3个传感器给出的证据信息结合本发明方法中的冲突证据融合方法可得融合证据的权重系数分别为0.6036,0.0237,0.3727。由此可知证据m2可能由于传感器原因或者外界环境干扰导致与其他传感器信息冲突,融合结果应该为可能性最大的野燕麦,而紫花地丁和小旋花的可能性非常小。
由表1结果可知:采用Dempster组合规则在解决高冲突证据融合时,融合结果野燕麦和紫兰地丁的基本概率赋值相对较接近,识别结果与分析相悖;文献[1]仅考虑传感器静态可信度,没有考虑融合证据焦元基本概率赋值之间的关系;文献[2]中的组合规则仅利用信度熵求解融合证据的冲突系数,没有考虑到融合证据之间的支持度;文献[4]中的组合规则利用静态可靠性和动态可靠性求解融合证据的权重系数,但在求解动态可靠性时采用邓熵不能区分命题之间存在交集的情况。虽然文献[1-4]的组合规则和本发明中融合方法都可以有效识别出野燕麦,但本发明中融合方法的收敛速度比文献[1-4]的组合规则更快,识别野燕麦的基本概率赋值达到0.9002,比文献[4]的组合规则中结果提高了0.60%,其融合结果区分能力也优于其他的改进组合规则。
本发明中的融合方法综合考虑到融合证据的不确定度和相对支持度以及静态可信度,有效地减弱了传感器m2提供的信息对融合结果的影响,继承了Dempster组合规则具有交换律、结合律等优点,提高了证据融合识别结果的可信性,具有一定的理论意义和工程实用价值。
表1采用不同组合规则进行杂草识别的结果与比较
表1中的参考文献如下:
[1]Fan X F,Zuo M J.Fault diagnosis ofmachines based on D-S evidencetheory.Part 1:D-S evidence theory and its improvement[J].PatternRecognition.Letters,2006,27(5):366-376.
[2]Tang Y C,Zhou D Y,He Z C,et al.An improved beliefentropy-baseduncertainty management approach for sensor data fusion[J].InternationalJournal of Distributed Sensor Networks,2017,https://doi.org/10.1177/ 1550147717718497.
[3]Chen L,Diao L,Song J.Weighted evidence combination rule based onevidence distance and uncertainty measure:an application in fault diagnosis[J].Mathematical Problems in Engineering,2018;2018:1-10.
[4]Yuan K J,Xiao F Y,Fei L G,et al.Modeling sensor reliability infault diagnosis based on evidence theory[J].Sensors,2016,16(1):113.
Claims (2)
1.基于信度熵和BJS散度的冲突证据融合方法,其特征在于:包括以下几个步骤:
A、通过获取多个传感器的充分指数wi和重要性指数vi以及传感器测量信息相对应证据焦元的基本概率赋值,将每一个证据看作一个向量,所述第i个证据的向量用mi=(mi(θ1),L,mi(θr),L,mi(θk))T表示,其中i=1,2,...,n,n为证据向量的总数,wi和vi分别为第i个证据向量的充分指数和重要性指数,k为辨识框架Θ中的焦元个数,r=1,2,L,k;
B、通过下述公式计算证据mi的信度熵,得到任意第i个证据向量mi的信度熵E(mi),式中r,l=1,2,L,k,e为自然常数,是一个约等于2.71828182845904523536……的无理数,|θr|表示焦元θr元素的个数,|θr I θl|表示焦元θr与焦元θl公共元素的个数,|Θ|为辨识框架中包含单焦元和复合焦元的总个数;
G、由第i个证据向量mi的充分指数wi和重要性指数和vi通过下述公式s(mi)=wi×vi计算得到第i个证据向量mi的静态可信度s(mi);
H、由得到的任意第i个证据向量mi归一化后的相对不确定度相对支持度和静态可靠性参数s(mi),通过公式:求得第i个证据与其他n-1个证据的相对支持程度因子truf(mi),并利用第i个证据与其他n-1个证据的相对支持程度因子truf(mi)通过下述公式得到第i个证据的权重系数ωi;
I、记第i个证据中焦元θr的基本概率赋值用mi(θr)表示,其中r=1,2,L,k,修正后的加权平均证据(MAE,Modified Average of the Evidence)中焦元θr的基本概率赋值用md(θr)表示,根据步骤H中得到的权重系数ωi通过下述公式得到修正后的n个加权平均证据中焦元θr的基本概率赋值md(θr);
J、最后,采用Dempster组合规则对修正后的n个相同证据进行逐个融合n-1次,融合后焦元A的基本概率赋值m(A)的最大值对应的焦元为目标识别的决策结果对应的识别杂草目标,即为决策最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124973.1A CN111340118B (zh) | 2020-02-27 | 2020-02-27 | 基于信度熵和bjs散度的冲突证据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124973.1A CN111340118B (zh) | 2020-02-27 | 2020-02-27 | 基于信度熵和bjs散度的冲突证据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340118A true CN111340118A (zh) | 2020-06-26 |
CN111340118B CN111340118B (zh) | 2021-07-23 |
Family
ID=71185672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010124973.1A Active CN111340118B (zh) | 2020-02-27 | 2020-02-27 | 基于信度熵和bjs散度的冲突证据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340118B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112040002A (zh) * | 2020-09-07 | 2020-12-04 | 广东电网有限责任公司电力调度控制中心 | 一种基于配电云平台的数据融合方法、装置及设备 |
CN112733915A (zh) * | 2020-12-31 | 2021-04-30 | 大连大学 | 基于改进d-s证据理论的态势估算方法 |
CN113554131A (zh) * | 2021-09-22 | 2021-10-26 | 四川大学华西医院 | 医学图像处理和分析方法、计算机设备、***和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060004683A1 (en) * | 2004-06-30 | 2006-01-05 | Talbot Patrick J | Systems and methods for generating a decision network from text |
US7298877B1 (en) * | 2001-11-20 | 2007-11-20 | Icad, Inc. | Information fusion with Bayes networks in computer-aided detection systems |
US20080195572A1 (en) * | 2007-02-09 | 2008-08-14 | Honeywell International Inc. | Stochastic evidence aggregation system |
CN101576604A (zh) * | 2009-01-04 | 2009-11-11 | 湖南大学 | 基于异类信息融合的模拟电路故障诊断方法 |
CN106650785A (zh) * | 2016-11-09 | 2017-05-10 | 河南大学 | 基于证据分类和冲突衡量的加权证据融合方法 |
CN107423637A (zh) * | 2017-07-31 | 2017-12-01 | 南京理工大学 | 支持云上电子病历数据可追踪的完整性审计方法 |
CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
CN107967487A (zh) * | 2017-11-27 | 2018-04-27 | 重庆邮电大学 | 一种基于证据距离和不确定度的冲突数据融合方法 |
CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
CN110348504A (zh) * | 2019-07-02 | 2019-10-18 | 北京理工大学 | 一种基于改进证据融合算法的燃气管网泄露等级判断方法 |
CN110501302A (zh) * | 2019-07-29 | 2019-11-26 | 武汉大学 | 一种多源证据融合数据的浒苔分布图生成方法 |
-
2020
- 2020-02-27 CN CN202010124973.1A patent/CN111340118B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7298877B1 (en) * | 2001-11-20 | 2007-11-20 | Icad, Inc. | Information fusion with Bayes networks in computer-aided detection systems |
US20060004683A1 (en) * | 2004-06-30 | 2006-01-05 | Talbot Patrick J | Systems and methods for generating a decision network from text |
US20080195572A1 (en) * | 2007-02-09 | 2008-08-14 | Honeywell International Inc. | Stochastic evidence aggregation system |
CN101576604A (zh) * | 2009-01-04 | 2009-11-11 | 湖南大学 | 基于异类信息融合的模拟电路故障诊断方法 |
CN106650785A (zh) * | 2016-11-09 | 2017-05-10 | 河南大学 | 基于证据分类和冲突衡量的加权证据融合方法 |
CN107423637A (zh) * | 2017-07-31 | 2017-12-01 | 南京理工大学 | 支持云上电子病历数据可追踪的完整性审计方法 |
CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
CN107967487A (zh) * | 2017-11-27 | 2018-04-27 | 重庆邮电大学 | 一种基于证据距离和不确定度的冲突数据融合方法 |
CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
CN110348504A (zh) * | 2019-07-02 | 2019-10-18 | 北京理工大学 | 一种基于改进证据融合算法的燃气管网泄露等级判断方法 |
CN110501302A (zh) * | 2019-07-29 | 2019-11-26 | 武汉大学 | 一种多源证据融合数据的浒苔分布图生成方法 |
Non-Patent Citations (5)
Title |
---|
CAO QILONG 等: "Pressure Dependence of Fusion Entropy and Fusion Volume of Six Metals", 《JOURNAL OF CHEMICAL & ENGINEERING DATA》 * |
ZHE WANG 等: "An Improved Multi-Source Data Fusion Method Based on the Belief Entropy and Divergence Measure", 《ENTROPY》 * |
包甜甜 等: "新的证据冲突度量方法", 《控制理论与应用》 * |
李军伟 等: "基于向量冲突表示方法的证据组合规则", 《计算机科学》 * |
范晓静: "基于邓熵和Jensen-Shannon散度的合成悖论改进算法", 《科学技术创新》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112040002A (zh) * | 2020-09-07 | 2020-12-04 | 广东电网有限责任公司电力调度控制中心 | 一种基于配电云平台的数据融合方法、装置及设备 |
CN112040002B (zh) * | 2020-09-07 | 2023-04-18 | 广东电网有限责任公司电力调度控制中心 | 一种基于配电云平台的数据融合方法、装置及设备 |
CN112733915A (zh) * | 2020-12-31 | 2021-04-30 | 大连大学 | 基于改进d-s证据理论的态势估算方法 |
CN112733915B (zh) * | 2020-12-31 | 2023-11-07 | 大连大学 | 基于改进d-s证据理论的态势估算方法 |
CN113554131A (zh) * | 2021-09-22 | 2021-10-26 | 四川大学华西医院 | 医学图像处理和分析方法、计算机设备、***和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111340118B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340118B (zh) | 基于信度熵和bjs散度的冲突证据融合方法 | |
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN107482626B (zh) | 一种区域电网关键节点识别方法 | |
CN109214503B (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
Peng et al. | Cloud decision model for selecting sustainable energy crop based on linguistic intuitionistic information | |
Zeng et al. | Identification of maize leaf diseases by using the SKPSNet-50 convolutional neural network model | |
CN102034023A (zh) | 基于证据理论的多源信息融合风险分析方法 | |
CN110348665A (zh) | 一种低压台区电力***数据质量评价方法及装置 | |
CN106485089A (zh) | 谐波用户典型工况的区间参数获取方法 | |
CN104536996B (zh) | 一种同构环境下计算节点异常检测方法 | |
CN116343048A (zh) | 针对平原作物类型复杂区地块边界精准提取方法及*** | |
CN117726920B (zh) | 基于知识图谱的植物病虫害识别方法、***、设备及存储介质 | |
Kumar et al. | Comparative analysis of SOM neural network with K-means clustering algorithm | |
CN113392877B (zh) | 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法 | |
Turechek et al. | A generalized linear modeling approach for characterizing disease incidence in a spatial hierarchy | |
CN111815137A (zh) | 一种电力***脆弱性综合评估方法 | |
Srinivasa Raju et al. | Classification of Indian meteorological stations using cluster and fuzzy cluster analysis, and Kohonen artificial neural networks | |
Feitosa et al. | Modeling alternatives for fuzzy Markov chain-based classification of multitemporal remote sensing data | |
CN116662840A (zh) | 一种基于机器学习的低压台区用户相位识别方法 | |
CN105631751A (zh) | 定向局部群体发现方法 | |
CN108829695A (zh) | 路网上的弹性聚合最近邻查询G-max方法 | |
CN114638342A (zh) | 基于深度无监督自动编码器的图异常检测方法 | |
Gong et al. | A multiparameter group decision making method based on the interval-valued intuitionistic fuzzy soft set | |
Zhang et al. | Interval fuzzy c-means approach for incomplete data clustering based on neural networks | |
Huili et al. | Agriculture disease diagnosis expert system based on knowledge and fuzzy reasoning: a case study of flower |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |