小型猪在中医动物模型中的应用研究进展

中医动物模型是开展中医药研究的实验基础和必备工具。小型猪具有遗传特性稳定、体型小、易繁殖、性格温顺、易饲养、生理生化水平和疾病病理表现与人类相似等特点,是构建实验动物模型的理想选择,在医药领域具有广阔的应用前景及研究价值。目前已有学者利用小型猪构建了虚寒证、血瘀证、实热证、脾气虚证等单纯证候模型;动脉粥样硬化脾虚痰浊证和冠心病痰瘀互结证等中医病证结合模型,均取得较好成果。但目前小型猪在中医动物模型中的应用尚不广泛,值得进一步探索。

冲突证据融合方法的研究与改进

研究了D-S证据理论组合冲突证据时存在的缺陷,分析了国内外专家学者的研究成果,并在此基础上提出了一种改进的处理冲突证据的融合方法。该方法通过计算各证据到命题平均支持度的偏差来检测和融合冲突证据,并对最后结果进行了必要的修正,以解决来自不同识别框架的证据的合成问题。实验结果表明,该方法能有效处理冲突,得到符合实际的组合结果,相对于其它典型算法,该方法在收敛性和可靠性上有了明显改进。

冲突证据组合中的模型修正新方法

针对经典DS组合规则在证据高度冲突情况下的失效问题,提出了一种改进的证据组合方法。通过引入证据间的距离函数获得证据之间的相似度和各个证据的支持度,并由此求得各个证据的归一化可信度。提出了一种改进的证据冲突检验方法,利用可信度加权平均证据对各个证据源进行冲突检验和修正,以消除证据之间的冲突。最后利用DS规则获得合成证据。数值算例表明,该算法能有效地融合高度冲突的证据,提高了证据组合结果的可靠性和合理性。

基于偏差的冲突证据融合的改进方法

在Dempster-Shafer(D-S)证据理论中,传统D-S组合规则在证据高度冲突时存在失效问题,会产生与常理相悖的结论.为此,文中提出了一种改进的处理冲突证据的融合方法,即通过计算各证据到命题平均支持度的偏差,来检测和消除冲突证据,并对最后结果进行修正,以合成来自不同识别框架的证据.计算实验结果表明,该方法能有效处理冲突,得到符合实际的组合结果,相对于其他典型算法,该方法在收敛性和可靠性上有明显改进.

基于证据源预处理的冲突证据组合新方法

针对冲突证据的组合问题,提出了一种新的证据组合方法。通过定义证据间的Jaccard相似度获得各个证据的归一化可信度,在此基础上获得一个标准证据。利用该标准证据对各初始证据进行修正,最后利用Dempster-Shafer(DS)组合规则获得证据组合结果。证据组合过程中既保持了DS规则良好的数学性质,又有效地减小了冲突证据带来的干扰,提高了组合结果的合理性与可靠性。

处理冲突证据的一致性组合规则

在分布式融合系统中,通信延迟等因素会导致融合节点获得证据的顺序不同,使用传统证据组合规则难以得到一致的组合结果。根据组合规则基本性质可知,当组合规则不满足结合性时,证据顺序的不同会导致组合结果的差异。多数冲突证据组合规则,在解决Dempster组合规则冲突悖论的同时失去了结合性;部分冲突证据组合规则以组合结果不确定性为代价保持了结合性,但结果不确定性严重影响了用户决策。从冲突信度保留再分配的角度出发,使用自由Dezert Smarandache(DSm)模型保留先前冲突信度,基于先前冲突信度及当前证据生成权重,通过权重对先前冲突信度和当前冲突信度再分配完成证据组合。提出方法降低了证据顺序对组合结果的影响,在证据乱序情况下能够保持较好的一致性。数值算例验证了该方法的有效性。

互补证据组合规则

针对Dempster组合规则"一票否决"和现有修正方法主观分配冲突信息的缺点,提出一种全新的证据组合方法.新方法直接利用定义的互补证据进行融合,不再采用Dempster组合规则中的纯乘性策略组合证据,成功解决了"一票否决"问题.并将冲突信息转化为证据权重融入组合规则进行直接融合,不再主观分配其信度.新的组合规则是一类广义的加性集成算子,既满足交换律又满足结合律,既能够直接组合单类证据,也能够基于TBM组合复合类证据.通过多传感器融合识别算例,验证和对比分析了新的组合规则的优势.

基于模型修正的冲突证据组合新方法

针对冲突证据的组合问题,提出了一种新的证据组合方法.给出了证据之间焦元距离的定义,在此基础上计算各个证据的支持度.对所有证据进行支持度加权平均,获得一个"参考证据".利用该参考证据对各个原始证据进行不确定性判定及修正,并利用Dempster-Shafer组合规则进行证据组合.仿真实验表明,该方法能够有效地处理冲突证据,可以得到合理的组合结果.

基于证据理论的信任模型中冲突证据

基于证据理论的信任模型是常用的信任模型之一,且证据理论是一种具有良好理论基础的不确定性推理方法。为了解决证据收集以及冲突证据合成可能会产生不合理结果的问题,通过改进证据收集方法提高证据质量,同时结合证据距离、相似度、支持度和可信度,在证据合成过程中将冲突证据进行重新分配。实验结果表明:改进的证据合成机制提高了合成证据的合理性,使得信任计算结果更为可信。