MDP规则集相对决策强度与规则数目的关系

新的决策表约简模型将MDP(Mean Decision Power)规则集作为最终的约简结果,解决了不相容决策表约简结果不一致的问题.在MDP规则集中,相对决策强度和规则数目是一对紧密相关的重要的参数.发现并研究了它们之间存在的关系,而这种关系的确立有助于人们深刻理解MDP规则集的本质,也为MDP规则集的增量推导算法的确立提供了重要思路.     

一种新的MDP算法的研究

提出了一种高效的挖掘数据仓库中多维关联规则的MDP算法。MDP算法通过构造一种扩展的前缀树MDP-tree,将数据仓库中的有效信息压缩存储,再使用基于MDP-tree的MDP-mining方法快速发现有趣的关联规则。MDP算法仅需要扫描一次数据仓库,就可以构造出MDP-tree,进而得到所有的关联规则。该算法还具有频繁模式查找简捷、二次查找迅速等优点。通过实验验证了MDP算法的高效性和稳定性,与传统的多维关联规则算法相比有更好的性能。     

随机QoS 感知的可靠Web 服务组合

在面向服务的环境下,单个Web 服务往往不能满足用户的要求,这时就需将已有的单个Web 服务进行组合,以便产生满足用户需求的、增值的组合服务.已有的服务组合方法都很少考虑Web 服务的随机性和Internet 环境的动态性,从而在服务选择过程中产生的规划都是静态规划,结果导致在服务组合时都以较大概率出现组合失败.针对上述问题,提出了Web 服务各随机QoS 指标的度量方法和自适应QoS 管理体系结构,并利用随机型离散事件系统唯一的动态控制方法——马尔可夫决策过程(MDP),设计出随机QoS 感知的可靠Web 服务组合算法.实验结果表明,考虑随机性的QoS 度量方法和QoS 管理体系结构,以及平衡了“风险”与“报酬”的MDP 有效地提高了服务组合成功率.     

基于相似度动态修正的冲突证据组合方法

针对信息融合中冲突证据组合时易出现的一般冲突、一票否决和鲁棒性等常见问题,有两类改进策略:一类修改DS(Dempster-Shafer)组合规则,另一类修改证据源模型.提出一种基于封闭世界的修改模型方法.引入Jousselme距离函数来量化焦元属性及证据之间的相互关联性,进而计算各证据的支持度.对证据支持度进行加权平均后得到参考证据,利用该参考证据对各原始证据进行不确定性判定,获得各原始证据与参考证据之间的大小相似度和方向相似度.在此基础上建立一个相似度动态修正模型,利用DS组合规则进行证据组合,对动态修正模型的多组组合结果求平均作为最终结果.通过仿真实验验证所提出方法的有效性和合理性.     

基于信任函数理论的修正融合目标识别算法

针对信任函数理论中经典Dempster组合规则难以有效融合高冲突证据并存在焦元基模糊问题,提出了一种基于信任函数理论的修正融合目标识别算法.修正融合算法在对相容命题进行组合时,考虑了焦元基的影响,使基本信任质量合理地向基数较小的焦元命题聚焦,以避免焦元基模糊问题;在对冲突命题进行组合时,对命题进行倾向性分析并对局部冲突采用局部分配的策略,以有效融合高冲突证据.算例与仿真比较分析验证了此修正融合目标识别算法的合理有效性和优越性.     

一种新的证据组合规则应用于序列图像目标识别*

提出了一种新的证据理论组合规则,并结合BP神经网络和证据推理对序列图像目标识别问题进行应用.以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理.由BP神经网络对目标的初步识别结果构造基本置信指派函数,用该组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明,新的组合规则结合BP神经网络的融合方法提高了三维飞机目标识别的准确性.     

D-S证据组合规则下的修正系数的研究

针对使用冲突系数辨认证据冲突存在的不足,将Pignistic概率距离转换为证据的可信度,再将证据的可信度和虚假度结合起来,构造一个新的修正系数,然后利用新的修正系数来折扣基本可信度分配函数。最后,利用D-S证据组合规则对修正后的证据进行合成。数值算例分析的结果表明,改进后的证据组合方法得到的结果具有收敛速度快和鲁棒性好的特点,同时保持了D-S组合规则的优良性质。     

证据的分组合成法

为了提高证据融合的精确度并降低融合的运算量,结合批量式融合和序贯式融合的优点,提出证据分组合成法.该方法首先判断证据间是否可用Dempster组合规则进行合成,若可以,则两证据归为同组;否则归为不同组.对于同组证据,利用Dempster组合规则直接合成,即组内证据序贯式融合;对于不同组证据,通过最优化模型修正各组证据源,再利用Dempster组合规则合成,即组间证据批量式融合.算例分析验证了该方法具有运算量小、稳定性好、精确度高的特点.     

一种迭代修正的冲突证据改进方法

针对多传感器数据融合领域中使用D-S组合规则无法有效融合传感器不确定证据信息的问题,提出一种迭代修正的冲突证据改进方法。该方法通过计算证据之间的相互支持度和证据之间的相似度,综合度量每个证据的修正参数。利用修正参数修正证据,并通过D-S组合规则融合。然后,以融合结果作为参考证据,重新度量每一个原始证据的修正参数,修正原始证据再融合。通过多次迭代修正融合,直至最后两次的融合结果收敛为止,最后通过两组冲突证据验证了该方法具有很好的融合效果。     

基于熵的不相容规则修正算法

不相容规则可能是信息系统中的异常信息,在这个信息时代,这些异常信息与那些"正常"信息同样重要.在总结了许多不相容规则处理算法的不足之后,提出了一种基于熵的不相容规则的修正算法.根据设定的可信度值,使用这个算法可以判断出一个信息系统中不相容规则是否是异常规则.最后结合一个实例阐明了该算法的基本思路.     

一种改进的证据合成公式

针对Dempster公式,Yager公式和其他几种证据合成公式存在的不足,提出了一种改进的证据合成公式。该公式同时兼顾了多路冲突性和不冲突性证据,冲突性证据按加权平均合成,不冲突性证据按与运算合成并反映了相互间交叉融合的程度。改进的合成公式不仅反映了证据协调重合程度,保持了证据的聚焦趋向性,还能合成高度冲突的证据,提供的两个例子证明该合成公式具有很好的实用效果。     

一种按比例分配冲突度的证据推理组合规则

在分析证据理论不足和已有改进方法及其缺陷的基础上，根据指挥员在作战中处理冲突证据的一般习惯，提出一种按比例分配冲突度的证据组合推理规则．算例验证结果表明，新的组合推理规则在处理冲突方面的性能得到了明显改进．     

基于焦元支持度的合成规则

为了有效地融合高度冲突的证据,本文在焦元相似度和矛盾焦元的基础上提出了一种新的证据组合规则.该规则综合了Dempster-Shafer证据理论及加性融合两者的优点,首先从焦元冲突程度的角度对证据进行冲突检验,然后对冲突证据进行加性合成,从而消除证据之间的冲突.为了避免计算量过大的现象将焦元分为矛盾焦元和正常焦元两部分....     

证据理论合成公式的讨论及一些修正

D-S证据理论作为一种不确定推理方法,已经广泛用于数据融合和目标识别领域。但是D-S 证据合成公式存在不足之处,使证据理论的应用受到了一定的限制。鉴于此,Yager 对合成公式作了改进,但改进后的合成公式又存在着新的问题。文[2],[3],[4]针对Yager 合成公式进行了一些改进。综合比较了以上几种合成公式,并对文[4]的合成公式进行了一些修正,使其满足结合律,提高了计算效率。     

基于D-S证据理论的融合图像隐写分析

提出一种基于证据权的D-S证据理论的图像隐写分析方法,首先在空域,离散余弦变换（DOT）域和离散小波变换（DWT）域分别提取图像特征并各自进行预分类;然后对各域分类结果进行基本概率分配并进行证据权修正。利用D—S组合规则计算融合概率分配函数,形成最终的决策级融合分类结果．针对典型的隐写方法（如F5,JPHide,Jstego和YASS算法）进行检测,仿真结果显示,所提出的方法能显著提高单分类器的性能．     

一种基于近邻思想的证据合成规则

D-S证据合成规则在遇到冲突证据时常有悖常理。针对现有规则的不足,通过理论分析和对几种常用组合规则的比较,提出一种基于近邻思想的冲突证据修正规则,综合考虑证据源的有效性和证据源间的距离,进行信息融合。实验结果表明,该规则对合理的合成方向具有较快的收敛速度,在证据源完全冲突的情况下也能适用。     

一种有监督学习证据理论分类器

经典的证据理论不包括从实例中学习基本信度分配的机制,因此应用范围受到一定限制。通过在证据理论中引入神经网络的学习机制,该文提出了一种有监督学习证据理论分类器。该分类器使用一种经过修改的Widrow-Hoff学习规则从训练实例中学习基本信度分配信息。新实例到来后,该分类器在所学基本信度分配的基础上,使用证据理论合成公式对新实例作分类。新分类器拓展了证据理论的应用领域。实验结果表明该分类器是有效的。     

一种改进的证据合成规则

就D-S证据合成规则对于冲突证据合成存在的不足，不少学者基于证据冲突概率再分配思想，提出了相应的修正证据合成规则。针对这些修正合成规则的不足，提出了一种改进的合成规则，该规则在综合考虑证据源可信度和证据支持度的基础上，分析证据集的有效性，合理地实现信息融合。数值实验结果表明，新的合成规则不仅克服了现有规则的不足，而且其结果向合理性方向收敛度好，提高了系统的鲁棒性。     

降低相似度碰撞的证据融合方法

针对相似度碰撞引发证据融合结果错误的问题,提出一种新的证据融合方法。首先,提取证据的焦元序列特征并将其转化为排序矩阵以弥补证据相似度易碰撞的不足;其次,联合证据的排序矩阵和信息熵完成对证据权重的确定;最后,生成归一化证据（MAE）并使用Dempster融合公式将MAE融合n-1次获得最终的结果。基于在线的鸢尾花数据集对证据平均融合方法、余弦相似度证据融合方法、证据距离融合方法和证据信誉度融合方法进行了花类型识别准确性的F-Score对比,上述四种方法的F-Score分别为0.84、0.88、0.88和0.88,而所提方法的F-Score为0.91。实验结果表明,所提方法的决策准确率更高,融合结果更加可靠,能为证据决策提供了有效的解决方案。     

论Dempster-Shafer理论的一个悖论

Kyburg指出,在Dempster-Shafer（D-S）理论中应用Dempster组合规则组合某些基本概率指派将导致悖论。基于Shafer的D-S理论解释,我们可以利用概率函数来表达该理论的基本概念和组合规则。在此基础上,本文分析这一悖论产生的原因。