周永慶,韓德強,楊藝

(1.西安交通大學(xué)電子與信息工程學(xué)院,710049,西安; 2.西安交通大學(xué)機械結(jié)構(gòu)強度與振動國家重點實驗室,710049,西安; 3.西安交通大學(xué)航天航空學(xué)院,710049,西安)

在Dempster-Shafer(DS)證據(jù)理論[1]中,獨立證據(jù)可以依據(jù)證據(jù)組合規(guī)則進行證據(jù)組合。當(dāng)證據(jù)之間存在沖突時,證據(jù)組合后的結(jié)果往往與實際直覺相悖[2],針對這一情況,出現(xiàn)了許多改進的證據(jù)組合規(guī)則[3-8],其中有一類是基于證據(jù)間距離的沖突證據(jù)組合規(guī)則[3-5],這類算法用證據(jù)之間的距離度量證據(jù)之間的相似性,依據(jù)相似性得到證據(jù)的權(quán)值,對證據(jù)進行加權(quán)融合。在此類方法中,證據(jù)距離度量方式對證據(jù)組合有重要的影響。

隨著證據(jù)理論的研究深入,涌現(xiàn)了諸多證據(jù)之間距離的度量定義[9],如Jousselme距離[10]、基于Pignistic概率的距離[11]、基于模糊隸屬度的距離[12]和基于信任區(qū)間的距離[13]等。在既有的基于證據(jù)間距離的沖突證據(jù)組合研究中,上述距離定義方式均有所采用。鄧勇等人依據(jù)證據(jù)間的Jousselme距離得到證據(jù)可靠度,用證據(jù)可靠度對證據(jù)進行加權(quán)融合獲取平均證據(jù),再將平均證據(jù)進行組合[3]。肖建于等人則基于Pignistic概率距離得到證據(jù)的權(quán)重,求得平均證據(jù)后再進行組合[4]。劉志成等人則依據(jù)修正的City Block距離獲取證據(jù)的權(quán)重[5]。在這些方法中,只選取了某一種證據(jù)間的距離度量方式,沒有對不同的證據(jù)距離度量方式進行對比。

為了探究不同的證據(jù)距離度量方式對沖突證據(jù)組合的影響,從而選取適合加權(quán)證據(jù)組合權(quán)重生成的距離定義,本文將各種距離度量方式應(yīng)用于基于證據(jù)距離修正證據(jù)組合的方法中,對比了在不同的距離度量方式下,證據(jù)可靠度的大小和將平均證據(jù)組合后所得組合結(jié)果之間的差異,分析了產(chǎn)生差異的原因。采用4個算例的實驗結(jié)果表明,在證據(jù)組合過程中,與其他的證據(jù)距離相比,采用本文方法選取的證據(jù)距離所求得的證據(jù)可靠度更符合實際,體現(xiàn)證據(jù)差異更有效。

1 證據(jù)理論概述

設(shè)Θ為辨識框架,若集函數(shù)m:2Θ→[0,1]滿足

(1)

則稱m為Θ上的Mass函數(shù)。Mass函數(shù)實際上就是對各種假設(shè)的評價權(quán)值。其中,使得m(A)>0的A稱為焦元。

在辨識框架Θ上的某個命題A的信任函數(shù)(belief function)定義為

(2)

似真度函數(shù)(plausibility function)定義為

(3)

區(qū)間[bel(A),pl(A)]為信任區(qū)間,用以表示對命題(焦元)A的不確定程度。

Dempster組合規(guī)則也稱證據(jù)組合公式,其定義為:設(shè)統(tǒng)一辨識框架上的兩個獨立證據(jù),其相應(yīng)的mass函數(shù)分別為m1和m2,?A?Θ,A≠?,則組合之后證據(jù)為

(4)

在將證據(jù)進行融合之后,需要將融合結(jié)果的mass函數(shù)轉(zhuǎn)化為概率以便于進行決策。Mass函數(shù)轉(zhuǎn)化為概率有多種方法,一種經(jīng)典的方法為Smets提出的Pignistic概率轉(zhuǎn)換方法[14]

(5)

2 沖突證據(jù)組合方法

2.1 證據(jù)沖突現(xiàn)象

當(dāng)證據(jù)之間存在較大沖突的時候,應(yīng)用Dempster組合規(guī)則融合后得到的結(jié)果往往與直觀結(jié)果相違背。以下為Zadeh所舉的經(jīng)典算例[2]。

兩名醫(yī)生為同一個病人看病,該病人可能得的病為腦膜炎(M)、腦震蕩(C)和腦腫瘤(T),即辨識框架為Θ={M,C,T}。兩名醫(yī)生給出的各種病癥的可能結(jié)果如下

m1({M})=0.99;m1({T})=0.01

m2({C})=0.99;m2({T})=0.01

將以上兩個獨立證據(jù)應(yīng)用Dempster組合規(guī)則進行融合,得到融合后的結(jié)果為m({T})=1,此時的沖突系數(shù)K=0.999 9。

在這個例子中,兩名醫(yī)生均認(rèn)為該病人所得的病是腦腫瘤(T)這件事的可能性很低,但是應(yīng)用Dempster組合規(guī)則融合后的結(jié)果卻表明該病人得的病只可能是腦腫瘤(T),這與兩名醫(yī)生的判斷均相悖,不符合直觀結(jié)果。這個例子表明,在證據(jù)存在較高沖突的情況下,應(yīng)用Dempster組合規(guī)則得到的結(jié)果會反直觀。此外,Dempster組合規(guī)則并不滿足冪等性,即使證據(jù)體都相同,組合過程中也會產(chǎn)生信任偏移[15],在某些情況下還會出現(xiàn)證據(jù)吸收的問題[16]。

針對證據(jù)沖突問題,一種觀點歸因于融合規(guī)則本身的缺陷,對融合規(guī)則進行了修正,如在Yager提出的規(guī)則[6]中,將沖突賦給全集;Dubois等則將焦元的并集引入到證據(jù)組合規(guī)則中[7]。另一種觀點認(rèn)為該問題是由證據(jù)本身的不準(zhǔn)確、不可靠所造成的,因此應(yīng)該對證據(jù)進行進一步修正,如Murphy采用求平均的方式來對證據(jù)進行修正[8],鄧勇、肖建于、劉志成等人則基于證據(jù)距離來構(gòu)造證據(jù)權(quán)值,對證據(jù)進行加權(quán)融合[3-5]等。

2.2 基于證據(jù)距離的證據(jù)修正與組合方法

在基于證據(jù)距離的證據(jù)修正與組合方法中,鄧勇等人所提出的方法具有代表性。在該方法中,核心概念為證據(jù)可靠度,它描述了證據(jù)的可靠程度。用證據(jù)可靠度作為權(quán)值來對證據(jù)進行加權(quán),得到融合后的證據(jù)。關(guān)于證據(jù)可靠性的評估,學(xué)者們做了許多的研究。Elouedi等人依據(jù)可傳遞信任模型,基于加權(quán)后的平均證據(jù)應(yīng)與數(shù)據(jù)真值距離最小,利用優(yōu)化方法得到證據(jù)可靠度[17]。邢清華等人把各個焦元信任區(qū)間的長度之和作為目標(biāo)函數(shù),通過極小化目標(biāo)函數(shù)得到證據(jù)可靠度[18]。付耀文等人借鑒沖突處理中的Dubois & Prade規(guī)則,將由沖突得到的折扣量按局部沖突的大小分配給涉及各局部沖突的集合的并,得到證據(jù)可靠度[19]。

在鄧勇等人的方法中,證據(jù)可靠度是基于證據(jù)距離構(gòu)建的,其構(gòu)建過程如下[3]

sim(mi,mj)=1-d(mi,mj)

(6)

(7)

(8)

式中:cred(mi)為證據(jù)mi的可靠度;d(mi,mj)表示證據(jù)mi與mj間的證據(jù)距離。

得到各個證據(jù)的可靠度之后,就可以用證據(jù)可靠度作為權(quán)值對證據(jù)進行加權(quán)融合,得到平均證據(jù)。

假設(shè)有s個證據(jù),則平均證據(jù)為

(9)

然后,應(yīng)用Dempster組合規(guī)則對平均證據(jù)mave自身組合s-1次。

在該方法中,證據(jù)可靠度的求取與證據(jù)距離緊密相關(guān)。隨著證據(jù)理論的研究深入,出現(xiàn)了一系列的證據(jù)距離定義。不同的距離應(yīng)用于證據(jù)修正,效果或有不同。本文將針對證據(jù)距離的不同,對于證據(jù)修正與組合效果的影響開展分析研究。在下一節(jié)中,將首先介紹幾類常用的證據(jù)距離,并將不同的證據(jù)距離應(yīng)用于沖突證據(jù)組合的方法中進行比較。

3 基于不同證據(jù)距離的加權(quán)證據(jù)融合

3.1 證據(jù)距離度量方式

證據(jù)距離用來描述證據(jù)之間的差異性或者相似性,兩組證據(jù)之間的距離越大,表明它們之間的差異性越大,相似性越低。幾類常用的證據(jù)距離度量方式有Jousselme距離[10]、Tessem距離[11]、基于隸屬度函數(shù)的距離[12]和基于信任區(qū)間的距離[13]。

3.1.1 Jousselme距離 Jousselme距離[10]的求取過程如下

(10)

3.1.2 Tessem距離 在Tessem的研究中[11],證據(jù)距離的度量是基于pignistic概率的。Mass函數(shù)轉(zhuǎn)化為Pignistic概率的公式如下

(11)

Tessem距離定義如下

(12)

3.1.3 基于隸屬度函數(shù)的距離[12]在模糊理論中,隸屬度函數(shù)描述了元素屬于某一模糊集合的程度。若μA:Θ→[0,1],θ→μA(θ)是在辨識框架Θ上的給定映射,則A是Θ上的模糊集合,μA(θ)是模糊集合A的隸屬度函數(shù),μA(θ)在沒有混淆時簡記為μ(θ)。μ(θi)為單點焦元θi的隸屬度函數(shù),μ(θi)可以取θi的信任函數(shù)或者似真度函數(shù)μ(θi)=bel(θi),或μ(θi)=pl(θi),則基于隸屬度函數(shù)的證據(jù)距離定義為

(13)

式中:符號∧為取小運算(合取);符號∨為取大運算(析取)。

在一個有限的辨識框架中,若單點焦元的隸屬度函數(shù)之和小于1,則隸屬度函數(shù)等價于相應(yīng)焦元的信任函數(shù),若隸屬度函數(shù)之和大于1,則隸屬度函數(shù)等價于相應(yīng)焦元的似真度函數(shù)[20]。就實際操作而言,在證據(jù)函數(shù)中,如果混合焦元多,單點焦元少,此時若使用單點焦元的信任函數(shù)作為隸屬度函數(shù),會出現(xiàn)較多的0元素,求取距離時實用性較差,因此更傾向于使用似真度函數(shù)作為單點焦元的隸屬度函數(shù)。本文的實驗中選取μ(θi)=pl(θi)。

3.1.4 基于信任區(qū)間的距離 本課題組以往的工作中設(shè)計了一種基于信任區(qū)間的距離[13]。若一個焦元在兩個證據(jù)中的信任區(qū)間([bel(A),pl(A)])分別為[a1,b1]和[a2,b2],則基于信任區(qū)間的距離定義為

(14)

基于所有信任區(qū)間的兩個mass函數(shù)之間的距離為

(15)

式中:Ai為焦元;B1(Ai)和B2(Ai)分別表示m1和m2中焦元Ai的信任區(qū)間;Nc=1/2n-1是歸一化因子。

3.2 算例

為了研究證據(jù)距離度量方式對證據(jù)可靠度以及證據(jù)組合結(jié)果的影響,設(shè)計如下算例。

算例1設(shè)辨識框架為Θ={A,B,C},利用6個不同信息源得到的證據(jù)函數(shù)如下。

m1:m1(A)=0.65,m1(B)=0.2,m1(C)=0.15;

m2:m2(A)=0.55,m2(B)=0.25,m2(C)=0.2;

m3:m3(A)=0.5,m3(B)=0.3,m3(C)=0.2;

m4:m4(A)=0.3,m4(B)=0.35,m4(C)=0.35;

m5:m5(A)=0.1,m5(B)=0.3,m5(C)=0.6;

m6:m6(B)=0.8,m6(C)=0.2。

直觀來看,6組證據(jù)中第1、2、3組證據(jù)相似,其中m(A)最高,第4組證據(jù)中m(A)、m(B)、m(C)大小接近,第5組證據(jù)中m(C)最高,第6組證據(jù)中m(B)最高。

使用鄧勇的方法,在不同的證據(jù)距離度量方式下求得的各證據(jù)可靠度如表1所示。

表1 算例1中不同證據(jù)距離度量方式下證據(jù)可靠度對比

得到證據(jù)可靠度后,運用證據(jù)可靠度進行加權(quán)得到平均證據(jù)如表2所示。

表2 算例1中不同證據(jù)距離度量方式下的平均證據(jù)

應(yīng)用Dempster組合規(guī)則對平均證據(jù)自身組合5次,得到融合后的mass函數(shù)如表3所示。

表3 算例1中不同證據(jù)距離度量方式下組合結(jié)果對比

表1中證據(jù)可靠度對比結(jié)果顯示,根據(jù)4種證據(jù)距離度量方式得到的前4組證據(jù)的可靠度均比后兩組證據(jù)的可靠度高,且最后一組證據(jù)的可靠度最小。由于證據(jù)可靠度是依據(jù)證據(jù)之間的相似度得到的,假設(shè)多數(shù)人給出的信息是可靠的,那么某一條證據(jù)與其他證據(jù)之間的相似度越高,該條證據(jù)的可靠度越大。綜合6組證據(jù)來看,前3組證據(jù)之間的相似度大,它們之間相互支持,因此得到的前3組證據(jù)的可靠度高,第4組證據(jù)中m(A)、m(B)、m(C)大小接近,后兩組證據(jù)與前4組證據(jù)以及它們中的另一組證據(jù)的差異性都很大,所以后兩組證據(jù)的可靠度較低。表1給出的結(jié)果與直觀結(jié)論相符。

在只有單點焦元有值的情況下,焦元的BetP與mass函數(shù)值相等。表3中組合結(jié)果對比顯示,所有度量方式下組合結(jié)果中P(A)都是最大,原因在于前3組證據(jù)中的m(A)均為最高,它們之間相互支持,得到的證據(jù)可靠度高,加權(quán)后平均證據(jù)中的m(A)也是最大。在此算例中4種距離度量方式下的證據(jù)組合結(jié)果在決策方面并無差異。

算例2設(shè)辨識框架為Θ={A,B,C},利用6個不同信息源得到的證據(jù)函數(shù)如下。

m1:m1(A)=0.4,m1(B)=0.3,m1(A∪C)=0.3;

m2:m2(A)=0.5,m2(B)=0.2,m2(A∪B∪C)=0.3;

m3:m3(A)=0.7,m3(B)=0.2,m3(A∪B)=0.1;

m4:m4(A)=0.6,m4(B)=0.3,m4(B∪C)=0.1;

m5:m5(A)=0.2,m5(B)=0.7,m5(A∪C)=0.1;

m6:m6(B)=0.7,m6(C)=0.1,m6(A∪B)=0.2。

與算例1不同的是,算例2中加入了混合焦元,這6組證據(jù)中前4組證據(jù)相似,其中m(A)大于m(B),后兩組證據(jù)中m(B)最大。在不同的證據(jù)距離度量方式下求得各證據(jù)的可靠度,如表4所示。

表4中證據(jù)可靠度對比結(jié)果顯示:在所有的證據(jù)距離度量方式下,前4組證據(jù)的可靠度均大于后兩組證據(jù)的可靠度;前4組證據(jù)彼此之間的相似度高,支持度大,在假設(shè)多數(shù)人意見可靠的前提下得到的證據(jù)可靠度高,這與直觀結(jié)果相符合;后兩組證據(jù)與前4組證據(jù)之間的差異較大,可靠度較低。表4給出的結(jié)果與直觀結(jié)論相符。

表4 算例2中不同證據(jù)距離度量方式下證據(jù)可靠度對比

運用證據(jù)可靠度對證據(jù)進行加權(quán),得到平均證據(jù),如表5所示。

表6組合結(jié)果中,m(A∪C)很小,可以認(rèn)為A、B、C的BetP與A、B、C的mass函數(shù)值相等。4種距離度量方式下給出的組合結(jié)果相似,其中P(A)大于P(B),P(C)最小。原因在于前4組證據(jù)中m(A)最大,它們相互支持,證據(jù)可靠度高,在加權(quán)的過程中對平均證據(jù)的貢獻較大,因此平均證據(jù)中的m(A)也是最大,如表5所示。表6中的組合結(jié)果表明,在證據(jù)中存在混合焦元的情況下,4種距離度量方式下的證據(jù)組合結(jié)果在決策方面也沒有差異。

表6 算例2中不同證據(jù)距離度量方式下組合結(jié)果對比

3.2.3 有關(guān)證據(jù)距離的分析與探討 嚴(yán)謹(jǐn)?shù)淖C據(jù)距離應(yīng)滿足以下4條性質(zhì)[13]:

(1)非負性,d(x,y)≥0;

(2)非退化性,d(x,y)=0?x=y;

(3)對稱性,d(x,y)=d(y,x);

(4)三角不等式,d(x,y)+d(y,z)≥d(x,z)。

在3.1節(jié)提及的4種證據(jù)距離中,dJ、dBI是嚴(yán)謹(jǐn)?shù)淖C據(jù)距離[10,13],滿足全部4條性質(zhì)。dF、dT不是嚴(yán)謹(jǐn)?shù)淖C據(jù)距離。算例1和算例2中4種證據(jù)距離度量方式下證據(jù)可靠度以及證據(jù)組合結(jié)果均直觀、合理,但是在這4種證據(jù)距離中,dF、dT這兩種距離在計算的過程中進行了框架的切換。其中,dT將證據(jù)函數(shù)轉(zhuǎn)化到概率框架下計算,dF則將證據(jù)函數(shù)轉(zhuǎn)化到模糊理論的框架下計算,在框架切換的過程中產(chǎn)生了信息損失[13],由此造成了dF、dT的不嚴(yán)謹(jǐn)性。為了進一步分析證據(jù)距離對證據(jù)可靠度的影響,舉出下面兩個算例。

算例3設(shè)辨識框架為Θ={A,B,C},利用6個不同信息源得到的證據(jù)函數(shù)如下。

m1:m1(A)=0.45,m1(B)=0.35,m1(C)=0.05,m1(A∪B)=0.1,m1(A∪B∪C)=0.05;

m2:m2(A)=0.4,m2(B)=0.3,m2(C)=0.1,m2(A∪B)=0.2;

m3:m3(A)=0.5,m3(B)=0.4,m3(A∪B∪C)=0.1;

m4:m4(A)=0.48,m4(B)=0.38,m4(C)=0.02,m4(A∪B)=0.04,m4(A∪B∪C)=0.08;

m5:m5(A)=0.5,m5(B)=0.5;

m6:m6(B)=0.8,m6(C)=0.2。

在這6組證據(jù)中,前4組證據(jù)相似,其中m(A)略大于m(B),m(C)最小。第5組證據(jù)中m(A)與m(B)相同,與前4組證據(jù)有一定的相似度。第6組證據(jù)中m(B)遠大于m(C),與前5組證據(jù)的差異較大。在不同證據(jù)距離度量方式下得各證據(jù)的可靠度，如表7所示。

表7 算例3中不同證據(jù)距離度量方式下證據(jù)可靠度對比

從表7中的證據(jù)可靠度對比結(jié)果來看,4種證據(jù)距離度量方式下得到的前5組證據(jù)的可靠度都比較高,最后一組證據(jù)的可靠度很低。在假設(shè)多數(shù)人的信息可靠的前提下與直觀結(jié)果相吻合。

在dF度量方式下,前4組證據(jù)的可靠度相同,且與后兩組證據(jù)的可靠度相差較大,但是前4組證據(jù)并不相同。事實上基于隸屬度函數(shù)的距離與證據(jù)之間的差異并不是一一對應(yīng)的,如果證據(jù)中單點焦元的信任函數(shù)或者似真度函數(shù)相同,那么在dF度量方式下他們之間的距離為零,即dF不滿足非退化性。本例中前4組證據(jù)單點焦元的似真度函數(shù)相同,即

pl(A)=0.6; pl(B)=0.5; pl(C)=0.1

則依據(jù)式(13),m1、m2之間的距離為

類似地,求得這4條證據(jù)中任意兩條證據(jù)之間的距離為零,從而得到這4組證據(jù)的可靠度相同。這表明dF度量方式并不能體現(xiàn)出某些證據(jù)之間的差異。由此得到的可靠度必然存在偏差?？梢娮C據(jù)距離的不嚴(yán)謹(jǐn)會對證據(jù)可靠度產(chǎn)生影響。

算例4設(shè)辨識框架為Θ={A,B,C},利用6個不同信息源得到的證據(jù)函數(shù)如下。

m1:m1(A)=0.4,m1(B)=0.4,m1(C)=0.2;

m2:m2(A∪B)=0.8,m2(C)=0.2;

m3:m3(A)=0.4,m3(B)=0.2,m3(B∪C)=0.4;

m4:m4(A)=0.2,m4(C)=0.2,m4(A∪B∪C)=0.6;

m5:m5(C)=0.65,m5(A∪B∪C)=0.35;

m6:m6(A)=0.35,m6(C)=0.65。

在這6組證據(jù)中:第1組證據(jù)的m(A)、m(B)相同,且大于m(C),第3組證據(jù)中m(A)大于m(B);第2組證據(jù)中m(C)很小,m(A∪B)較大;第4組證據(jù)中m(A)、m(C)相同,均很小,第5組證據(jù)中m(C)較大,第6組證據(jù)中m(A)小于m(C);第1、第3、第4組證據(jù)較為相似。在不同的證據(jù)距離度量方式下求得各證據(jù)的可靠度，如表8所示。

表8 算例4中不同證據(jù)距離度量方式下證據(jù)可靠度對比

從表8中的證據(jù)可靠度對比結(jié)果來看,在dJ、dF、dBI度量方式下得到的第1、3、4組的證據(jù)可靠度較大,剩余3組的證據(jù)可靠度較小。

在dT度量方式下得到的前3組證據(jù)的可靠度相同,但是前3組證據(jù)并不相同。事實上,Tessem距離是根據(jù)pignistic概率求得的,如果證據(jù)的pignistic概率相同,那么在Tessem距離的度量方式下,證據(jù)之間的差異就是零。即dT不滿足非退化性。本例的前3條證據(jù)中,各條證據(jù)之間單點焦元的pignistic概率都相同,即

P(A)=0.4;P(B)=0.4;P(C)=0.2

則依據(jù)式(12),m1、m2之間的距離為

dT(m1,m2)=max{|0.4-0.4|,|0.4-0.4|,|0.2-0.2|}=0

類似地,求得這3條證據(jù)中任意兩條證據(jù)之間的距離為零,且其他證據(jù)到這3條證據(jù)的距離都相等,從而得到這3組證據(jù)的可靠度相同。這表明,dT度量方式下距離與證據(jù)之間的差異也不是一一對應(yīng)的。可見,證據(jù)距離的不嚴(yán)謹(jǐn)會對證據(jù)可靠度產(chǎn)生影響。

證據(jù)可靠度以及證據(jù)組合的合理性受到諸多因素影響,如果基于證據(jù)距離構(gòu)造可靠度并用于證據(jù)組合,距離的選取只是其中的一個因素,使用嚴(yán)謹(jǐn)?shù)淖C據(jù)距離并不能夠保證得到的證據(jù)可靠度和證據(jù)組合結(jié)果最優(yōu)。本文關(guān)注證據(jù)距離對證據(jù)可靠度和證據(jù)組合的影響,算例表明嚴(yán)謹(jǐn)?shù)淖C據(jù)距離能夠更好地表征證據(jù)之間的差異,在基于證據(jù)距離生成證據(jù)可靠度時結(jié)果更符合直觀。

4 結(jié) 論

本文提出一種將不同的證據(jù)距離度量方式應(yīng)用在加權(quán)證據(jù)組合中的對比方法,對不同證據(jù)距離下的加權(quán)證據(jù)組合過程進行分析比較。實驗結(jié)果表明,不同的證據(jù)距離度量方式對證據(jù)可靠度的求取有影響,其中使用dF、dT度量方式在算例中得到的證據(jù)可靠度不能體現(xiàn)出證據(jù)之間的差異,這與dF、dT的不嚴(yán)謹(jǐn)性有關(guān)。本文建議選擇dJ、dBI這兩種嚴(yán)謹(jǐn)?shù)淖C據(jù)距離。

對于證據(jù)沖突問題,本文的解決方式是修改證據(jù)體。在未來的工作中,我們將更加關(guān)注有關(guān)修改證據(jù)規(guī)則的研究,關(guān)注當(dāng)存在證據(jù)沖突時,各類證據(jù)距離度量方式對修改后的證據(jù)規(guī)則的影響。

參考文獻:

[1] SHAFER G. A mathematical theory of evidence [M]. Princeton,NJ,USA: Princeton University Press,1976: 1-10.

[2] ZADEH L A. Review of Shafer’s a mathematical theory of evidence [J]. AI Magazine,1984,5(3): 81-83.

[3] DENG Yong,SHI Wenkang,ZHU Zhenfu,et al. Combining belief functions based on distance of evidence [J]. Decision Support Systems,2004,38(3): 489-493.

[4] 肖建于,童敏明,朱昌杰,等. 基于pignistic概率距離的改進證據(jù)組合規(guī)則 [J]. 上海交通大學(xué)學(xué)報,2012,46(4): 636-641.

XIAO Jianyu,TONG Minming,ZHU Changjie,et al. Improved combination rule of evidence based on pignistic probability distance [J]. Journal of Shanghai Jiaotong University,2012,46(4): 636-641.

[5] 劉志成,喬慧,何佳洲. 基于加權(quán)證據(jù)距離的高度沖突證據(jù)組合方法 [J]. 計算機工程與應(yīng)用,2014,50(3): 103-107.

LIU Zhicheng,QIAO Hui,HE Jiazhou. Combination approach of highly conflicting evidence based on weighted distance of evidence [J]. Computer Engineering & Applications,2014,50(3): 103-107.

[6] YAGER R R. On the Dempster-Shafer framework and new combination rules [J]. Information Science,1987,41(2): 93-137.

[7] DUBOIS D,PRADE H. Representation and combination of uncertainty with belief functions and possibility measures [J]. Computational Intelligence,1988(4): 244-264.

[8] MURPHY C K. Combining belief functions when evidence conflicts [J]. Decision Support Systems,2000,29(1): 1-9.

[9] JOUSSELME A L,PATRICK M. Distance in evidence theory: comprehensive survey and generalization [J]. International Journal of Approximate Reasoning,2012,53(2): 118-145.

[10] JOUSSELME A L,GRENIER D,BOSSé E. A new distance between two bodies of evidence [J]. Information Fusion,2001,2(2): 91-101.

[11] TESSEM B. Approximations for efficient computation in the theory of evidence [J]. Artificial Intelligence,1993,61(2): 315-329.

[12] HAN Deqiang,DEZERT J,HAN Chongzhao,et al. New dissimilarity measures in evidence theory [C]//Proceedings of the 14th International Conference on Information Fusion. Piscataway,NJ,USA: IEEE,2011: 5977681.

[13] HAN Deqiang,DEZERT J,YANG Yi. Belief interval-based distance measures in the theory of belief functions [J]. IEEE Transactions on Systems Man & Cybernetics Systems,2016,99: 1-18.

[14] SMETS P. Data fusion in the transferable belief model [C]// Proceedings of the 3rd International Conference on Information Fusion. Piscataway,NJ,USA: IEEE Computer Society,2000: 21-33.

[15] 楊藝,韓德強,韓崇昭. 基于多準(zhǔn)則排序融合的證據(jù)組合方法 [J]. 自動化學(xué)報,2012,38(5): 823-831.

YANG Yi,HAN Deqiang,HAN Chongzhao. Evidence combination based on multi-criteria rank-level fusion [J]. Acta Automatica Sinica,2012,38(5): 823-831.

[16] 楊風(fēng)暴,王肖霞. D-S證據(jù)理論的沖突證據(jù)合成方法 [M]. 北京: 國防工業(yè)出版社,2010,70-71.

[17] ELOUEDI Z,MELLOULI K,SMETS P. Assessing sensor reliability for multisensor data fusion within the transferable belief model [J]. IEEE Transactions on Systems Man & Cybernetics: Part B Cybernetics,2004,34(1): 782-787.

[18] 邢清華,劉付顯. 基于證據(jù)折扣優(yōu)化的沖突證據(jù)組合方法 [J]. 系統(tǒng)工程與電子技術(shù),2009,31(5): 1158-1161.

XING Qinghua,LIU Fuxian. New combination rule of conflict evidence based on optimized evidence discount [J]. Systems Engineering & Electronics,2009,31(5): 1158-1161.

[19] 付耀文,賈宇平,楊威,等. 傳感器動態(tài)可靠性評估與證據(jù)折扣 [J]. 系統(tǒng)工程與電子技術(shù),2012,34(1): 212-216.

FU Yaowen,JIA Yuping,YANG Wei,et al. Sensor dynamic reliability evaluation and evidence discount [J]. Systems Engineering & Electronics,2012,34(1): 212-216.

[20] DE FERIET J K. Interpretation of membership functions of fuzzy sets in terms of plausibility and belief [J]. Fuzzy Information and Decision Processes,1982(1): 93-98.

[本刊相關(guān)文獻鏈接]

魏港明,劉真,李林峰,等.加入用戶對項目屬性偏好的奇異值分解推薦算法.2018,52(5):101-107.[doi:10.7652/xjtuxb201805015]

蔣逸飛,張俊,何勇,等.面向裂紋擴展的連結(jié)型剛體-彈簧離散元模型.2018,52(4):48-54.[doi:10.7652/xjtuxb201804 007]

趙振沖,王曉丹.引入拒識的最小風(fēng)險彈道目標(biāo)識別.2018,52(4):132-138.[doi:10.7652/xjtuxb201804019]

衛(wèi)博雅,壽業(yè)航,蔣雯.一種可視化的加權(quán)平均信息融合方法.2018,52(4):145-149.[doi:10.7652/xjtuxb201804021]

姜洪權(quán),王崗,高建民,等.一種適用于高維非線性特征數(shù)據(jù)的聚類算法及應(yīng)用.2017,51(12):49-55.[doi:10.7652/xjtuxb201712008]

周亞東,陳凱悅,冷俊園,等.軟件定義網(wǎng)絡(luò)流表溢出脆弱性分析及防御方法.2017,51(10):53-58.[doi:10.7652/xjtuxb 201710009]