基于证据折扣度修正和层次聚类的冲突证据合成

论文摘要

随着科学技术的发展，各种面向复杂应用背景的传感器系统大量涌现。人们迫切需要一种理论工具来解决多源信息融合问题。D-S证据理论在不确定性表示与处理上的优势，使其在信息融合领域得到广泛发展。在实际应用中，D-S证据理论只适合于证据间低冲突情况，当证据间存在强冲突时，直接采用D-S合成规则合成会导致合成结果出现悖论。针对冲突悖论问题，国内外学者分为两派：一派认为应该修改D-S（Dempster-Shafer）合成规则，另一派认为应该修改证据源。本文认为D-S合成规则本身没有问题，具备完备的数学性质，在合成前应该对冲突证据进行预处理，即修改证据源。修改证据源又分为两种：一种是证据折扣修正法；另一种是修改证据源模型法。本文选择前者，因为冲突证据本身带有不确定性，合成前应该对证据进行折扣修正。本文研究内容如下：提出基于可信度证据折扣修正和基于相似度动态调整的证据折扣修正两种方法。基于可信度证据折扣修正方法通过距离法和向量余弦法度量证据冲突，然后计算得出每条证据的可信度，以可信度作为折扣系数，对证据折扣修正；基于相似度动态调整的证据折扣度方法通过参考证据对证据源在大小和方向上进行不确定性判定，得出证据源的每条证据和参考证据的大小相似度αi和方向相似度βi，然后建立一个相似度动态调整模型，以这个动态调整模型的结果作为折扣系数，对证据进行折扣修正，得出多组证据，找出多组证据中，冲突最小的那组，直接采用D-S合成规则，作为合成结果。在实际应用中，冲突证据可能只是证据源里面的极少一部分，提出基于Jousselme距离的凝聚层次聚类方法。即通过聚类把证据源分为若干类，类之内的冲突小，直接采用D-S合成规则合成，类间采用证据折扣修正后，再采用D-S合成规则合成。聚类方法减少了需要预处理的证据，同时实验验证了合成结果的准确性和合理性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的研究背景和意义
• 1.2 国内外研究现状
• 1.2.1 辨识框架假设
• 1.2.2 两类改进策略
• 1.3 本文的研究内容及组织结构
• 1.3.1 本文的研究内容
• 1.3.2 本文的组织结构
• 第2章 D-S 证据理论
• 2.1 引言
• 2.2 D-S 证据理论基本概念
• 2.2.1 辨识框架
• 2.2.2 基本概率分配函数
• 2.2.3 BPA 向量空间模型
• 2.2.4 信任函数
• 2.2.5 似然函数
• 2.3 D-S 合成规则及其基本性质
• 2.3.1 D-S 合成规则
• 2.3.2 D-S 合成规则的基本性质
• 2.4 D-S 方法的优缺点
• 2.5 D-S 证据理论与贝叶斯理论的比较
• 2.6 冲突悖论以及改进方法
• 2.6.1 冲突悖论
• 2.6.2 改进方法
• 第3章 基于证据折扣度修正的冲突证据合成
• 3.1 引言
• 3.2 证据冲突度量
• 3.2.1 距离法
• 3.2.2 方差法
• 3.2.3 向量余弦法
• 3.3 修改证据源方法
• 3.3.1 基于可信度证据折扣修正
• 3.3.2 基于相似度动态调整的证据折扣度修正
• 3.4 算法流程
• 3.4.1 方法 1
• 3.4.2 方法 2
• 3.5 实验分析
• 3.5.1 算例 1
• 3.5.2 算例 2
• 3.6 本章小结
• 第4章 基于凝聚层次聚类的冲突证据合成
• 4.1 引言
• 4.2 证据聚类研究现状
• 4.3 聚类算法
• 4.3.1 概述
• 4.3.2 聚类效果评估
• 4.3.3 主要聚类算法分类
• 4.4 本文方法
• 4.4.1 基于 Jousselme 距离的凝聚型层次聚类
• 4.4.2 类的可信度
• 4.4.3 证据合成新方法
• 4.5 实验分析
• 4.6 本章小结
• 第5章 总结与展望
• 5.1 本文工作总结
• 5.2 本文工作的创新点
• 5.3 未来工作展望
• 参考文献
• 致谢
• 攻读硕士期间所参与的科研项目和发表的学术论文
• 个人简历