改进D-S证据理论的多分类器决策层融合系统

针对传统D-S证据理论中基于识别率和误识率构造的基本概率赋值函数(Basic Probability Assignment,BPA)没有考虑训练样本分布的缺点,提出了一种将整体错误率分配给除了正确判别命题以外各个焦元的BPA构造新方法.针对传统D-S证据理论中所采用的基于正交和运算的合成规则不能融合矛盾证据的缺陷,提出一种能融合矛盾证据的大概率赋值法.在此改进D-S证据理论的基础上,给出了两分类器决策层融合流程和多分类器决策层融合系统.在ORL和Yale数据库上的实验结果表明,对几种典型分类器的决策层融合提高了系统人脸识别的正确率,且改进D-S证据理论比传统D-S和投票融合方法的正确率更高.

基于自适应类别权重的HRRP决策融合识别

针对雷达高分辨率距离像(HRRP)识别中因特殊样本和分类器误判而出现的错误分类问题,提出了一种基于自适应类别权重的多分类器决策融合识别方法。该方法结合K-最近邻思想,利用最近邻和相似度准则挑选与测试样本对应的训练样本集,构造混淆矩阵自适应完成分类器置信度的计算和筛选,最终获得目标各类别权重,输出分类结果。基于实测数据的研究结果表明,相较于以上任意单个分类器和传统决策融合方案,文中提出的融合识别方法识别率有明显提高,并且随着噪声的增大,该方法的优势愈加突显。