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....     

证据推理中局部冲突部分分配策略

为了解决证据理论中冲突证据合成问题,提出了一种局部冲突部分分配策略。该策略假设证据具有一致可信度,设定一个阈值,将大于该阈值的局部冲突按比例分配给产生该冲突的焦元,并用标准合成规则对证据进行融合,使合成的结果更加可靠。仿真结果表明该策略能有效解决冲突证据合成问题。     

基于改进证据理论和神经网络的故障诊断模型*

针对单一故障诊断方法精度低的问题,提出了一种基于D-S证据理论和神经网络相融合的决策层融合故障诊断模型。该方法利用证据理论来处理不精确的、模糊的信息,用神经网络来处理证据理论中的基本可信度分配问题。由于证据理论合成公式无法处理高冲突的证据,提出了一种改进的基于冲突焦元的证据合成规则。该模型在降低决策不确定性的同时大大提高了诊断的精度。最后通过发动机故障诊断实例验证了该模型的有效性。     

基于局部冲突分配策略的DST算法研究

为有效克服证据理论(DST)组合规则存在的小足,提出一种基于局部冲突分配策略的DST改进算法.首先根据证据距离获得各个证据的相互支持度,并将支持度归一化为证据的相对可信度;然后通过分析局部冲突产生的原因,将冲突信息只分配给产生冲突的焦元,且分配给焦元的信息取决于证据之间焦元的信任度和相似度.实验结果表明,所提出的算法提高了证据合成结果的可靠性与合理性,可有效地解决高冲突证据融合的问题.     

基于预处理模式的D-S证据理论改进方法

D-S证据理论是决策融合的主要方法之一,但典型的D-S理论不大适应高冲突证据组合.本文提出一种基于预处理模式的方法,在利用Dempster组合规则进行证据组合之前,将冲突焦元的基本概率赋值部分转移到焦元并集,采用证据之间的冲突额度来确定证据组合顺序.由于该方法将冲突化解为不确定的知识表示,可以处理冲突证据的组合问题.     

冲突再分配DSmT及解决证据间矛盾的新方法

ＤＳｍＴ 在处理多证据信源融合时,存在冲突焦元置信指派不合理增长,主焦元基本置信指派不合理收敛的问题,使决策困难．首先分析问题产生的原因,对ＤＳｍＴ 组合公式给出了改进意见,提出一种冲突再分配的ＤＳｍＴ 组合公式;然后针对多证据融合时证据间存在矛盾的问题,提出一种基于冲突率的折扣算法,修正置信指派．算例分析表明,采用上述算法可使主焦元基本置信指派得到合理收敛,冲突焦元得到合理处置,融合结果有利于决策．     

基于交并集的冲突自适应证据融合方法

针对证据理论在高冲突环境下的Zadeh悖论问题,提出了一种基于交并集的冲突自适应多证据融合方法。基于冲突矩阵计算证据的可信度,并依据可信度对证据进行折扣;基于证据间的冲突关系对组合规则中交集命题与并集命题的权重进行动态调整;将多元素焦元的信任在单元素焦元中进行再分配。Matlab实验仿真结果表明,与典型改进方法相比,该方法具有较高的收敛速度和区分能力,有效地解决了高冲突环境下的多证据融合问题。     

一种基于局部冲突分配的证据组合规则

Dempster-Shafer证据理论广泛应用于信息融合中, 但是在证据高冲突情况下基于经典D-S证据组合规则的融合结果存在问题。针对这一问题, 提出了一种基于局部冲突分配的证据组合规则。首先基于Jousselme证据距离获得各个证据体的信任度和加权平均证据, 然后由定义的焦元距求其每一个焦元的绝对距离, 并以此获得焦元信任度。最后实验结果表明, 所提算法提高了证据合成结果的可靠性和合理性。     

基于距离测度的D-S证据融合决策方法

针对多源信息融合结果并依据D-S证据结构进行决策的问题,提出一种基于距离测度的D—S证据决策方法．该方法结合决策基元和非决策基元的属性进行决策,将依据D—S证据的决策问题分解成两个层面：属性层面、证据层面．属性层面上,给出候选决策从证据焦元获得支持度的方法;证据层面上,基于辨识框架幂集的元素,构造一个证据焦元向量空间,引入候选决策的理想状态向量,定义距离测度,构建决策模型．最后,对多源水质监测信息融合结果进行决策分析,结果表明该方法是合理、有效的,且具有处理冲突或非冲突证据的优点．     

一种基于改进证据理论的推理决策方法

针对证据理论的Zadeh悖论问题,提出了一种基于冲突一致度与交并集动态调整的推理决策方法。首先,该方法基于对冲突度与一致度的综合考虑,引入冲突一致度的概念,并基于冲突一致度对多源证据进行折扣操作。其次,基于交并集权重的动态调整对多源证据进行融合。然后,基于最大信任做出推理决策。最后,使用MATLAB构建仿真算例来对提出的方法与典型的证据合成方法进行比较验证。实验表明,该方法切实有效,能够避免悖论问题的产生,推理结果的区分能力优于典型方法。     

一种基于焦元解耦和PCR6证据推理方法

证据推理适用于无先验信息情况下的信息融合,在不确定性的表示、融合方面有明显优势。提出一种基于焦元解耦和第六类比例冲突分配规则（PCR6）的证据推理方法,在各证据源中利用Smarandache编码得到各焦元的单调布尔函数,将冲突焦元、不确定焦元及混合焦元分配到相应的单原子焦元上,再利用PCR6进行融合。通过数值算例仿真表明：提出的方法充分考虑冲突焦元、不确定焦元及混合焦元对融合结果影响,与直接利用PCR6融合相比,减少了推理结果中不确定、冲突焦元的融合。融合过程简单,融合结果更直观、合理,便于判决。     

一种基于不确定信息的决策方法

提出了一种基于不确定信息的决策方法，该方法从统一决策模型的角度给出了候选决策集的构造方法、候选决策从证据焦元获得的属性级支持度的计算方法、决策矩阵的构造方法、候选决策获得的证据级支持度的计算方法等．该方法的特点在于将基元和非基元决策的选择问题统一起来加以考虑，另外，决策者可以通过设定模型中的函数形式，决定决策精度和决策风险之间的折衷策略。     

冲突再分配ＤＳｍＴ及解决证据间矛盾的新方法

ＤＳｍＴ 在处理多证据信源融合时,存在冲突焦元置信指派不合理增长,主焦元基本置信指派不合理收敛的问题,使决策困难．首先分析问题产生的原因,对ＤＳｍＴ 组合公式给出了改进意见,提出一种冲突再分配的ＤＳｍＴ 组合公式;然后针对多证据融合时证据间存在矛盾的问题,提出一种基于冲突率的折扣算法,修正置信指派．算例分析表明,采用上述算法可使主焦元基本置信指派得到合理收敛,冲突焦元得到合理处置,融合结果有利于决策．

     

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.     

基于焦元相似度的证据理论合成规则

针对证据合成过程中的冲突分配不合理、"一票否决"以及鲁棒性差等问题,提出焦元距离和焦元相似度的概念,并给出焦元距离矩阵和焦元相似度矩阵的定义.在此基础上,将证据合成分解为相关性证据合成与冲突性证据合成两个部分,建立一种基于焦元相似度的证据理论合成规则,并进行理论证明.对比实验表明,该规则可以合理地对冲突证据进行分配,有效避免"一票否决"现象,同时具有较好的鲁棒性.     

D-S证据理论中一种新的冲突证据融合方法

针对D-S证据理论在融合高度冲突的证据时可能导致与直观结果相悖的问题,通过分析现有的几种冲突证据融合方法,提出了一种有效处理冲突证据的融合方法。该方法综合了模型修正和规则修正这两类方法的优点。首先基于冲突系数矩阵计算证据的可信度,并以此作为折扣因子来修正证据结构,然后基于局部冲突、局部分配原则确定证据合成时的冲突分配空间和分配权重。实验结果表明,该方法对合理的合成方向具有较快的收敛速度,同时降低了决策风险。     

TWD-GNN：基于三支决策的图神经网络推荐方法

随着网络规模的不断扩大，对复杂图结构进行建模是推荐任务面临的一大挑战。这些复杂信息之间易存在冲突，往往会直接影响推荐结果。为此，提出了基于三支决策的图神经网络推荐方法（TWD-GNN）。引入三支决策理论对数据集进行划分为正域、边界域和负域，在边界域的基础上融合辅助信息，梳理局部冲突。采用图神经网络挖掘有效信息，重构网络并预测评分。实验结果表明，TWD-GNN算法较传统的协同过滤推荐算法能更准确地反应用户偏好，提高了推荐质量。     

基于局部冲突分配策略的证据合成法则的改进

针对证据合成法则在证据高度冲突情况下常得出有悖常理的结论,通过理论分析、对比多种改进的合成方法,提出一种基于局部冲突分配策略的组合规则,采用以冲突焦元在局部冲突组合证据中所占的实际比值为权重的方法,将冲突在产生冲突焦元中分解。实验结果证明,即使在证据高度冲突的情况下,改进后的合成法则依然能够取得理想的合成结果。     

面向混合数据的代价敏感三支决策边界域分类方法

针对现有三支决策模型的研究对象多为单一性数据的决策系统,对于混合数据边界域样本处理的研究相对较少,本文面向混合数据提出了基于核属性的代价敏感三支决策边界域分类方法。该方法基于正域约简计算混合邻域决策系统的核属性集,在此基础上计算混合邻域类,并利用三支决策规则分别将对象划分到各决策类的正域、边界域和负域;提出了一种基于代价敏感学习的三支决策边界域分类方法,并构造了误分类代价的计算方法,以此划分边界域中的对象。通过对UCI上的10个数据集进行实验对比与分析,进一步验证了本文方法,为处理边界域样本提供了一种可行有效的方法。     

基于重合度的证据冲突度量方法

为更加准确、有效地描述证据间的冲突程度,提出一种新的证据冲突度量方法.该方法通过取小累加证据体之间两个相交为非空集的焦元BPA,得到证据重合度;然后基于其与证据冲突程度的关系,计算出证据冲突大小.实验结果表明,相比经典冲突系数与Jousselme证据距离,所提出的方法更加准确、有效.