基于粗糙集和证据理论的目标识别方法研究

文章提出了一种基于粗糙集和证据理论的目标识别方法.首先对决策表进行约简得出决策规则,然后计算规则可信度分配和规则权重,最后根据改进的D-S合成规则进行规则合成,得到识别结果.     

基于Dezert-Smarandache理论的递归目标识别融合方法

多源信息融合的一个主要应用方向是目标识别, Dezert-Smarandache理论(DSmT)是一种有用的不确定推理方法, 能较好地解决强冲突情况下的信息融合问题. 在经典DSmT的融合过程基础上提出3种递归时空信息融合的方法: 集中式、分布式无反馈和分布式有反馈的融合方法. 当系统引入完整性约束条件时, 需要采用证据的冲突系数来确定组合顺序, 这在一定程度上克服了混合DSm组合规则不满足结合律的缺陷. 最后用数值算例说明了本文所提出方法的有效性.     

基于水下探测器信息融合的目标识别

在证据理论基本概念的基础上,引入证据权的概念,依据证据权的不同对各条证据进行转化,解决多传感器信息融合中不同等重要信息源的数据融合问题.应用文中的加权证据组合推理模型进行水面舰船识别的仿真,仿真结果表明提高了水下探测器目标识别的准确性和有效性.     

基于多分类器DS融合的手写数字识别模型设计

针对单分类器对数字字符的不均衡识别问题,提出了基于Dempster and Shagfer(DS)融合的集成分类器模型,选取BP神经网络、Hopfield、模板匹配作为三个被集成的分类器,利用各分类器的识别结果来构造DS的概率分配函数,再通过DS融合输出最终结果,最后设计MATLAB程序进行实验,测试结果表明系统的整体识别率相对于单分类器和简单多数表决融合的多分类器,有更进一步的提高。     

基于粗糙集的炮兵地面目标识别特征量选取方法

地面目标识别是炮兵侦察的主要内容之一,其关键在于目标特征量的选取;文章在Kohonen的自组织特征映射(SOM)方法基础上,同时结合概率分类方法,提出了一种最优分类器方法,并将其用于炮兵地面目标特征量的量化;采用粗糙集理论,实现了对经过量化后的目标特征量进行简化和优化,指导目标特征量的选取,为后续的使用学习机器更快更准确的识别目标提供重要的前提条件。     

数据融合在目标识别中的应用

介绍了数据融合及其一般功能模型、目标识别融合的三种结构层次 ,给出了目标识别融合的一般分类 ,即物理模型算法、参数分类算法、基于认识模型的算法。着重阐述和比较了参数分类算法中的Bayes理论和证据理论这两种不确定推理方法 ,给出了这两种方法的发展状况。列举了利用融合算法进行生物和军事目标识别的实例。     

目标识别中信息融合的准则和方法

本文用信息论的观点，给出了在设计单个分类器时使系统性能得以提高的条件，基于群组决策理论和模糊积分方法提出了一种多证据条件下进行信息融合的方法．该方法被用于被动声纳目标分类，数值模拟表明了该方法的有效性.     

数据融合系统中并行目标识别的研究与实现

分析了将情报侦察数据融合系统中目标识别中心并行化的可行性,提出了基于航迹的任务划分策略,采取集中式动态负载平衡技术设计并实现了基于消息传递接口（MPI）的并行目标识别中心。同时给出了Dempster-Shafer证据理论在适当条件下的一种简化形式及其在并行环境下的应用方法。最后给出融合系统并行目标识别中心的性能测试结果,在保证识别可信度的基础上大大提高了处理速度,解决了融合系统的性能瓶颈问题。     

机载多传感器目标识别算法研究

主要目的是以机载探测设备为平台,针对机载探测设备自身特性,来设计一种更为有效的融合算法,来对敌机中的危险目标进行识别,在主要方法上运用神经网络技术、Dempster--Shafer（D—S）证据理论将来自于机载SAR雷达、机载前视红外搜索跟踪系统（IRS）,电子支援措施（ESM）等探测设备多次观察所得到的数据,进行实时的时域和空域融合,对于来自于地面的电子情报（ELINT）的信息使用主观贝叶斯方法来同机载系统融合后的信息进行融合,从而达到准确的目标识别;最后通过实例仿真证明该算法适合于不同类型传感器不同格式信息之间的融合,其不仪能够适合于复杂的信号环境,并且在观测噪声比较大时,具有优良的性能和广泛的适应性。     

DS证据理论下融合隐式与显式特征的共谋攻击识别推理模型

现有的攻击识别模型大多未能较好地解决共谋攻击对电子商务信任评价机制产生的威胁。为此,结合国内C2C电子商务的特点,以共谋攻击中的商品为识别对象,融合隐式和显式用户行为特征以及与交易和买家相关的复合特征,并根据DS证据理论处理不确定问题的优点,提出一种DS证据理论下的共谋攻击识别推理模型。在某电商平台真实共谋攻击数据上的实验结果表明,该推理模型能够识别共谋攻击,提取的攻击识别特征可反映用户真实行为,有效区分攻击和合法交易所涉及的商品。     

Autonomous clustering using rough set theory

This paper proposes a clustering technique that minimizes the need for subjective human intervention and is based on elements of rough set theory （RST）. The proposed algorithm is unified in its approach to clustering and makes use of both local and global data properties to obtain clustering solutions. It handles single-type and mixed attribute data sets with ease. The results from three data sets of single and mixed attribute types are used to illustrate the technique and establish its efficiency.     

粗糙集理论的带钢表面缺陷图像的识别与分类

针对带钢表面的划伤、黑斑、翘皮、辊印、褶皱和压印6种典型缺陷,提取样本图像的灰度、纹理和几何形状特征等20维特征向量;给出粗糙集理论的关键技术,基于粗糙集理论构造带钢表面缺陷图像识别的决策表,对决策表进行属性约简,并直接从训练样本图像中导出决策规则;应用所获取的规则对带钢表面缺陷测试样本图像进行分类,并同BP算法进行对比,验证了基于粗糙集理论的分类识别算法的有效性。     

基于粗糙集的证据合成方法研究

证据理论是处理不确定问题的重要方法,其处理的证据来源于专家,而专家的知识经验是有限的,且存在一定的主观性。在证据合成中,Dempster合成规则为证据理论提供了证据合成公式,但该公式在合成高度冲突的证据时,合成结果将有悖于常理。针对上述问题,将粗糙集理论中属性依赖度的思想引入到证据理论中,以此衡量证据的重要性,更合理地解决冲突证据合成问题。研究表明,该方法避免了传统证据理论的主观因素影响,能有效提高融合结果的准确性,得到符合实际的结论。     

基于粗糙集理论的煤磨故障诊断模型

针对水泥煤磨系统的常见故障,将基于粗糙集理论的数据挖掘技术应用于水泥煤磨故障诊断。结合具体的数据,采用粗糙集的方式,建立了故障诊断系统,通过该系统对识别数据进行故障诊断实验,表明该系统能有效地对煤磨堵仓和钢球小故障进行诊断。诊断结果的精度可以满足现场应用的要求。     

基于改进贝叶斯粗糙集和证据理论的决策信息融合方法

针对决策信息信息表中新对象的分类问题,提出一种基于改进的贝叶斯粗糙集和证据理论的决策信息融合方法.对传统的贝叶斯粗糙集进行改进,扩展到多决策类,定义了支持度的概念以此反映确切分类的对象所占的百分比.利用贝叶斯粗糙集的支持度和置信增益函数作为证据的支持程度,得到各准则下的证据基本概率分配函数,并利用证据合成法则对多个证据进行合成,以此进行决策.将上述方法应用于设备故障的诊断问题中,通过方法的对比验证了该方法实践应用的有效性.     

结合模糊集理论的粗糙集属性约简算法*

结合模糊关系的理论,对粗糙集理论的属性约简算法进行研究,提出了一个新的属性约简算法,并给出了一个应用实例.     

粗糙集理论中的求核与约简

约简与核是粗糙集理论的两个重要概念，而直接由定义来计算约倚与核是一个典型的NP难题。发现了分辨矩阵的若干有用性质，利用这些性质使粗糙集理论中的求核与约简问题得以解决。进而分别讨论了无决策信息系统的约简和有决策信患系统的约简问题。最后举例说明了所得结果的有效性。     

粗集理论中连续属性的广义离散化

提出一种处理区间属性值离散化问题的新方法,其特点是在离散化过程中强调类别可分离性,首先拓展已有的基于断点划分的离散化定义,给出基于类别可分离性的广义离散化定义;然后描述了广义离散化算法并进行时间复杂性分析;最后利用辐射源信号进行了仿真实验．结果表明,该方法能有效离散区问属性决策系统,简化分类器的设计和提高识别率,从而拓展了粗集理论的应用范围．     

基于粗集理论的证据加权组合方法及其应用

对于证据理论中不同来源的证据具有不同的重要性,在信息融合过程中,若能把不同重要性的证据准确表达出来就可以提高融合精度.为此,提出了一种基于粗集理论的加权证据多源信息融合方法,在证据理论中引入证据权的概念,根据粗集理论和证据理论的基本关系,利用粗集理论进行不同信息源证据权的发现.应用柴油机状态评估实例进行验证,研究表明,该方法避免了传统证据理论的主观因素影响,能有效提高融合结果的准确性,并且融合过程更有逻辑性.     

Measures for evaluating the decision performance of a decision table in rough set theory

As two classical measures, approximation accuracy and consistency degree can be employed to evaluate the decision performance of a decision table. However, these two measures cannot give elaborate depictions of the certainty and consistency of a decision table when their values are equal to zero. To overcome this shortcoming, we first classify decision tables in rough set theory into three types according to their consistency and introduce three new measures for evaluating the decision performance of a decision-rule set extracted from a decision table. We then analyze how each of these three measures depends on the condition granulation and decision granulation of each of the three types of decision tables. Experimental analyses on three practical data sets show that the three new measures appear to be well suited for evaluating the decision performance of a decision-rule set and are much better than the two classical measures.