基于云模型的基本概率赋值生成方法及应用

针对证据理论应用中基本概率赋值(BPA)生成模型难以确定问题,该文提出一种基于云模型的BPA生成方法。首先基于样本属性的正态云模型构建单子集命题的BPA模型函数,并将复合子集的模型函数表示为高斯函数乘积融合。其次提出一种根据测试样本动态度量属性权重的方法来兼顾信息源的可靠性。最后,用属性权重修正模型函数输出的结果得到BPA。鸢尾花等数据集分类识别实验表明,该方法识别准确性高,且适用于样本较少的情况。

基于广义梯形模糊数的基本概率指派方法

证据理论在解决不确定性问题时有着独特的优势,但是如何构造合理的BPA是制约其应用推广的首要问题。基于广义梯形模糊数的表示模型,提出了一种基本概率指派方法。首先,利用已知数据的最值与三等分均值来构造单元素命题的梯形模糊数表示模型;然后用单元素命题的梯形模糊数的叠合部分来表示多子集命题的广义梯形模糊数;最后,根据此模型计算出的隶属度进行基本概率指派。实验结果表明,所提方法简洁有效,并且能够很好解决焦元增加问题。

D-S证据理论中的基本概率赋值转换概率方法研究

D-S证据理论的基本概率赋值(BPA)能够有效地表示和处理不确定信息,在不确定信息处理中得到了越来越多的应用。但是如何基于BPA做出决策依然是一个有待解决的问题,将BPA转化为概率函数进行决策是一个简单可行的方法。文章基于证据理论中命题的信度函数和似真函数提供的信息,提出了一种新的基本概率赋值转换概率方法,该方法相比于现有经典TBM模型中Pignistic概率转换和基于似真函数的转换,可以更有效地利用系统已知的信息,实现基本概率赋值到概率分布的合理转换。算例表明了所提出方法的有效性。

基于广义三角模糊数的基本概率赋值构造方法

Dempster组合规则的有效运用取决于相应基本概率赋值的合理建立,但是如何生成各个证据的基本概率赋值仍然是一个有待解决的问题。基于广义三角模糊数表示模型,提出了一种基本概率赋值生成方法。该方法利用样本数据的最小值、平均值和最大值构造单元素命题的三角模糊数表示模型,多子集命题的广义三角模糊数用单元素命题的三角形的交叠部分来表示。通过广义三角模糊数的隶属度来构造基本概率赋值。数值算例结果表明,提出的基本概率赋值获取方法是实用有效的。

一种基本概率指派的模糊生成及其在数据融合中的应用

DS证据组合规则可以在没有先验信息的情况下进行融合,这一优点使得DS证据理论在多传感器融合系统中应用非常广泛。但是各个证据的基本概率指派如何生成仍然是一个有待解决的问题。本文基于模糊匹配,提出了一种基本概率指派生成方法,并应用到多传感器目标识别中。用一个多传感器目标识别的实验表明:所提出的方法可以合理地生成基本概率指派,能够准确的识别目标。

雷达目标识别中获取基本概率赋值的方法

由于传感器的精度、系统组成的许多环节、外部环境影响以及数据的后处理等因素的影响,雷达目标识别中存在大量的不确定性。在这种情况下,利用精确的方法处理不确定性信息,必然造成识别误差的提高。证据理论是近年发展起来的一种新型推理技术,由于它能够处理由不知道引起的不确定性,因此被广泛地应用于目标识别中。然而,在利用证据理论时,基本概率赋值的构建是证据理论实际应用中面临的最大难题。针对雷达目标识别具体问题,在系统分析证据理论的基础上,提出构建基本概率赋值的方法,并通过仿真实验验证了方法的可行性。

一种基本概率赋值转换为概率的最优化方法

将基本概率赋值转换为概率在不确定性决策中有重要作用,本文提出了一种基于证据关联系数的最优化转换方法.主要思想是:转换后所得到的概率分布可以视为一个特殊的基本概率赋值函数,从命题的上下概率之间寻优使得被转换的基本概率赋值与转换所得概率之间的证据关联系数最大.将提出的最优化转换方法与常用的Pig-nistic概率转换方法通过算例进行比较,表明了所提出方法的有效性.

广义证据理论中的基本概率指派生成方法

鉴于基本概率指派生成对证据理论的研究具有重要的意义,文中针对辨识框架不完整情况提出了一种强约束广义基本概率指派赋值方法,新方法可以生成空集不为零的广义基本概率指派赋值,该数值的大小反映了系统是开放世界的可能性.针对辨识框架完整情况提出了一种弱约束基本概率指派赋值方法,该方法在样本与表示模型之间不相交时,也可以给出样本与模型相似性度量的数值,根据所提出的策略生成弱约束的基本概率指派.算例表明了所提出方法的有效性.

基于区间信息的基本概率赋值转换概率方法及应用

D-S证据理论的基本概率赋值(BPA)能够有效地表示和处理不确定信息,在不确定信息处理中得到了越来越多的应用。基于BPA决策是一个有待解决的问题,将BPA转化为概率函数进行决策是一个简单可行的方法。文章首先定义了BPA到概率的转换定义,提出了BPA转换概率的基本准则,基于证据理论中命题的信度函数和似真函数构成的区间信息提出了一个区间概率转换(Intervalprobability transformation,IPT)方法,建立了基于IPT的信度函数决策模型。应用一个导弹防御决策的例子表明了所提出方法的有效性。

采用聚类特征的基本概率分配生成方法及应用

针对在识别框架不确定时基本概率分配(BBA)生成困难的问题,提出一种基于聚类特征的基本概率分配生成方法,以减弱对样本长度的依赖性,并分析2种情况下的BBA生成。在框架未知时,通过聚类分析获得各个类别的聚类特征,建立样本属性的聚类特征区间模型;在框架已知时,获取聚类特征,建立样本属性的聚类特征区间模型;然后用各个区间模型之间的距离表示样本属性之间的差异,在此基础上建立了一种相似度的度量方法;最后对相似度进行归一化得到BBA。采用Iris数据集和Wine数据集的实验结果表明:所提方法对样本长度敏感程度低,对Wine数据集的一个类的分类结果达到100%。将该方法应用于某煤化工企业压缩机组子系统状态监测信息数据集,实现了监测信息状态的识别。

证据理论在有序命题类问题中的基本概率分配

针对证据理论在有序命题类问题中的应用构造基本概率分配函数。有序命题类问题作为一种常见的分类问题,是证据理论应用的一个活跃领域,其基本概率分配存在显著的特点,在分析其特征的基础上,采用基于典型样本的方法,利用实测值与典型值之间的距离构造正态分布曲线的密度函数,进而构造基本概率分配函数。将该方法应用于海上溢油事故等级的评定,通过数据模拟分析其存在的不足,并通过弹性拉大实测值与典型值之间的距离、将"不知道"概率赋值等方法进行改进。实验结果表明改进的基于典型样本的方法能够有效地进行基本概率分配,满足应用的特点和需要。

基于信息守恒的基本概率赋值概率转换方法

针对现有基本概率赋值概率转换方法普遍存在缺少客观标准,主观介入程度过强的问题,该文提出了一种线性加权概率转换方法。该方法首先选择归一化先验信息作为权重,消除了概率转换时主观因素的影响,然后根据概率转换前后先验信息守恒的原理构造方程,最后给出了转换概率的迭代求解方法。实验算例表明,该文方法求解速度快,转换概率合理有效,且与对事件的认知程度相一致。

关于泥沙运动基本概率的研究

明渠挟沙水流运动具有两重性，既有确定性的一面，也有随机性的一面。分析了明渠水流运动、床面泥沙颗粒分布和水流中运动泥沙的随机性及其表达方式，指出泥沙运动是由静止、滚动、跃移和悬移４种状态组成，每种状态之间是不断转化的，可由１６个转移概率来描述，并可进一步简化为由４个基本概率来表达，从理论上推导得到了泥沙运动基本概率计算方法；并采用实测资料进行了验证。这一研究成果在理论上和生产实际中都具有重要的意义。

基于属性权重与方差的新的基本概率赋值方法

D-S证据理论在应用中,如何生成一个合理的基本概率赋值函数,仍然是一个亟需解决的问题。研究提出了一种基于属性权重与方差的基本概率赋值函数生成方法,该方法通过计算样本数据方差与实验数据方差之间的相似度,结合属性权重确立出每个实验数据的基本概率赋值。算例分析表明,新方法能准确的对实验数据建立基本概率赋值函数,验证了新方法的准确性与有效性。

基于正态云模型的基本概率指派生成方法及应用

基本概率指派(Basic probability assignment,BPA)生成是应用D-S证据理论的关键环节和第一步,而如何生成BPA仍然是一个有待解决的问题。本文提出一种基于云模型的BPA生成方法,首先,采用逆向云发生器生成每类样本在某属性下的正态云模型。其次,利用前件云发生器得到待测样本在该属性下对每类样本的确定度期望。再次,给出一种正态云模型交叠度计算方法,用确定度最大类的正态云模型与其他种类的最大交叠度作为对全集的信任度。最后,对确定度进行归一化得到待测样本的BPA。实验结果验证了该方法的有效性,此外,在样本数据较少情况下也能有效生成BPA。

基于D-S证据理论的基本概率赋值的获取

在基于证据理论的目标识别融合中,基本概率赋值的获取是一个与应用密切相关的课题,也是实际应用中最难的一步。本文讨论了几种用经验获取基本概率赋值的方法。

确定基本概率赋值的一种新方法

本文提出了确定证据理论中基本概率赋值的一种新方法．这种方法仅要求专家给出少量的信念函数数值做为约束，利用最小确定原则提供的目标函数，无偏地解出基本概率赋值的数值．该方法在一定程度上避免了在建立知识库时要由专家予先给出过多的基本概率赋值的数值的困难．因而显得有很强的吸引力和应用前景．

一种新的基本概率函数构建方法及应用

针对Dempster-Shafer(D-S)证据推理中基本概率赋值函数的构造问题,基于模糊聚类分析给出了一种新的构建方法。将它应用到雷达目标识别的仿真实验中,并与灰关联法相比较,结果表明该方法切实可行,不仅提高了基本概率赋值的准确性和稳定性,而且利用了数据的结构信息,有效缓解了证据的冲突。

基于核密度估计的基本概率指派生成方法

D-S合成方法作用的对象是基本概率指派(basic probability assign,BPA),如何生成BPA是D-S理论应用中重要且有待解决的首要步骤。针对生成BPA提出一种基于核密度估计(kernel density estimation,KDE)的BPA生成方法:训练数据用于构建基于最优化窗宽的核密度估计的数据属性模型;然后利用训练数据的核密度模型计算测试数据的密度—距离—分布值Tri-D(density-distance-distribution),通过嵌套式的方法分配Tri-D值获取测试数据对应的BPA;最后D-S合成BPA得到最终判断,通过分类准确率来判断BPA生成方法的有效性。实验通过在UCI数据集上与其他方法的分类准确率对比验证了提出方法的有效性。

基于云模型相似度的基本概率指派生成方法

如何生成基本概率指派是证据推理的核心环节。文章提出一种基于云模型相似度的基本概率指派生成方法。首先,根据评语云模型,将专家评价的定性语言转化为相对应的云模型;然后,利用综合云将每一个指标下的各个专家评语对应的云模型合成,得出各指标的云模型;最后,计算各指标云模型与各评价等级的云模型相似度,并对相似度进行归一化处理,得到该指标的基本概率指派。实例分析表明,该方法在解决多属性专家评估决策问题中具有可行性与有效性。