一种利用冲突系数确定信任权重的证据合成方法

D—S理论是一种经典的不确定性推理方法，它通过有效整合多数据源的信息，进行最优的推理判断。但这种证据合成方法的有效性是建立在对不同证据源的同等信任基础之上的，当各证据源冲突较大或完全冲突时，该方法得出的结论往往有悖常理。文章考虑到来自不同证据源的信息可信任度不一样，提出了一种利用冲突系数确定证据源信任权重的证据合成方法，该方法提高了证据采纳的可靠性和合理性，使得对冲突证据的合成更为理想。

基于信任权重防御Sybil攻击的模型

P2P分布式系统特别容易遭受Sybil攻击,即一个不良用户伪造多个不存在的虚假用户,与网络中普通用户进行交互,进而达到控制网络的目的。防御模型基于社会化网络的信任概念,在SybilGuard基础上提出了路由增加信任权重的方法,用以降低节点与虚假用户交易的概率,实验显示,诚实节点间的交易成功率及节点停留在安全区域内的概率得到提高,增强了系统健壮性。

一种结合语义Web和用户信任网络的协同过滤推荐模型

协同过滤由于数据稀疏、冷启动等问题导致了相似用户发现变得困难,从而影响推荐结果的质量。为克服这一不足,提出一种以本体、语义Web为基础的方法,通过构建用户之间的信任网络以及计算用户间的信任权重值,从而增加系统中相似用户发现的数量,改善推荐结果的准确性、可靠性。实例证明,该方法能够帮助推荐系统发现更多的相似用户。

融合采纳函数的动态信任度测模型

从网格的分布性、动态性和不确定性等特征出发,借鉴人类社会主观信任关系的概念,提出了一种新的信任评估模型与方法.该模型引入了采纳函数,区分了节点的反馈可信度和服务可信度,给出了反馈可信度与采纳强度的映射关系,动态调整了对具有不同推荐信任度的第三方实体所推荐信息的不同采信程度,提高了推荐信息的精确度.将采纳强度映射为等效的推荐信任的权重,给出了一个基于动态信任权重的综合信任度计算新方法.仿真实验结果表明,基于采纳函数的动态信任评估方法具有抑制恶意节点的策略性欺骗和不诚实推荐的能力,同时还体现出良好的动态适应性.

引入权重因子的证据合成方法

D-S理论是一种有效的不确定性推理方法,但在证据完全冲突或冲突较大时,D-S证据合成公式失效。Y ager等学者对此作了改进,但是改进后合成公式又存在着新的问题。考虑到证据在合成过程中的重要程度不同,将权重因子引入到合成公式中,通过权重因子的作用和冲突概率的重新分配,提出了引入权重因子的D-S证据合成方法,新的合成公式提高了证据合成的可靠性和合理性,可得到更为理想的合成结果。

基于D-S理论的多传感器目标识别能力分析

通过分析待识别目标类型与结果类型的差别,确定以目标正确识别概率、目标错误识别概率和目标无法识别概率来度量传感器的目标识别能力。鉴于各传感器的识别结果概率之间的证据冲突,给出了一种通过与准理想结果的距离大小来确定信任权重的方法,并依据信任权重重新调整各证据的概率分配,实现冲突证据的预处理,然后使用Dempster规则对各传感器的识别结果概率进行组合,从而确定了多传感器的目标识别能力的度量模型,实例证明给出的目标识别能力度量方法是有效可行的。