席在芳，令狐強，易暢，吳笑峰，李勁，唐志軍

?

基于改進沖突系數(shù)的證據(jù)理論組合新方法

席在芳，令狐強，易暢，吳笑峰，李勁，唐志軍

(湖南科技大學 信息與電氣工程學院，湖南 湘潭，411201)

通過對D-S證據(jù)理論沖突系數(shù)和組合規(guī)則進行研究，發(fā)現(xiàn)導致證據(jù)組合結(jié)果與事實相悖的另一個因素，為此，提出一種新的沖突系數(shù)表示方法和證據(jù)理論組合規(guī)則。新的方法針對證據(jù)沖突系數(shù)處理和組合規(guī)則不合理的情況，用自沖突系數(shù)和互沖突系數(shù)這2種方式的加權(quán)表示新的全局沖突系數(shù)。新的組合規(guī)則根據(jù)基本概率分配原則建立，并推導得出多點集焦元證據(jù)理論的組合情況。研究結(jié)果表明：本文所提方法與傳統(tǒng)算法相比，規(guī)則更簡便，更精確，在處理證據(jù)沖突和正常證據(jù)方面更具優(yōu)勢。

D-S證據(jù)理論；沖突系數(shù)；組合規(guī)則；收斂效果

證據(jù)理論是由DEMPSTER[1]提出，SHAFER[2]將其完善和推廣起來的一種信息融合方法，也稱DEMPSTER-SHAFER(D-S)證據(jù)理論。D-S證據(jù)理論利用組合規(guī)則判決機制對具有“不確定性”和“未知性”的數(shù)據(jù)進行推導，為有效信息的獲取提供理論依據(jù)。該理論在多傳感器信息融合、不確定度推理與決 策[3?7]、目標識別、風險預測、故障檢測、安全態(tài)勢評估等人工智能領(lǐng)域具有廣闊的應用前景[8?10]。證據(jù)理論研究一直受到工程應用領(lǐng)域和學術(shù)界的廣泛關(guān)注，主要是針對D-S證據(jù)理論組合規(guī)則的可靠性展開研究，并提出了許多提高可靠性的證據(jù)合成方法。具有代表性的研究有3類。

改進方式一：修改證據(jù)源的概率分配。證據(jù)源的修改分為2種方式，其一是利用已有的沖突系數(shù)去加權(quán)組合后的結(jié)果。YAGER[11]設立未知項，將沖突部分概率全部賦給未知項，使目標證據(jù)概率收斂在未知項上。孫全等[12]假設沖突是部分可用的，將沖突證據(jù)的概率一分為二，將一半的概率加權(quán)到組合結(jié)果上。鄧勇等[13?14]在孫全等[12]的基礎(chǔ)上提出了將沖突系數(shù)重新定義的改進方法。另一種是直接修改證據(jù)源的概率分配，通過一系列修正變換得到新的證據(jù)，然后利用證據(jù)理論進行組合。李弼程等[15]將沖突概率按焦元的平均支持度加權(quán)進行分配。韓德強等[16]將證據(jù)按時間序列的方式進行排列，通過計算過去時刻的證據(jù)與現(xiàn)在時刻證據(jù)之間的距離，設置權(quán)重參數(shù)得到復合證據(jù)，再利用D-S證據(jù)組合規(guī)則進行組合。

改進方式二：根據(jù)證據(jù)源的沖突，建立組合修正系數(shù)。劉海燕等[17]引入證據(jù)權(quán)的概念，給出了證據(jù)權(quán)的具體算法、對已有的基本概率分配函數(shù)進行修正。胡昌華等[18]首先利用Pignistic變換，定義了新的沖突衡量標準，以少數(shù)服從多數(shù)的決策思想引入證據(jù)重要度的權(quán)重系數(shù)，再對證據(jù)進行處理；孟晨晨等[19]利用Pignistic概率距離進行修正系數(shù)的轉(zhuǎn)化，以修正系數(shù)和沖突系數(shù)共同決定修正權(quán)重，再根據(jù)得到的修正證據(jù)多次組合。

改進方式三：同時修改證據(jù)源和證據(jù)組合規(guī)則。提出沖突證據(jù)的組合結(jié)果產(chǎn)生悖論主要來源分為2個方面：一是證據(jù)源，二是證據(jù)組規(guī)則。陳煒軍等[20]通過引入證據(jù)信息容量和證據(jù)可信度對證據(jù)源的概率分配進行預處理。李文立等[21]通過Pignistic概率距離得出證據(jù)的概率分配修正系數(shù)，不僅修正原有證據(jù)的概率，而且對沖突系數(shù)進行了修正。

新的組合方法針對D-S證據(jù)組合規(guī)則有悖于常理的情況，從證據(jù)沖突系數(shù)和組合規(guī)則2個方面出發(fā)，提出一種基于全局沖突系數(shù)的證據(jù)理論數(shù)據(jù)組合規(guī)則。所提方法首先論證了悖論產(chǎn)生的來源，根據(jù)概率分配特性重新定義沖突系數(shù)，由沖突系數(shù)的概率分配特性推導出新的證據(jù)理論組合方法。

1 證據(jù)理論及其不足之處

1.1 D-S證據(jù)理論描述

設為某個樣本空間，在鄰域內(nèi)的所有命題都可以用的子集進行表示，則概率分配函數(shù)定義如下。

設函數(shù)：2→[0，1]，且滿足

式中：2表示的所有子集；為2上的概率分配函數(shù)；()為子集的基本概率賦值函數(shù)。

根據(jù)DEMPSTER[1]的證據(jù)合成規(guī)則，為識別框架，由一系列θ所構(gòu)成。={1,2, …, θ}中包含全體識別對象，且兩兩互斥。1和2分別是辨識框架中的2個證據(jù)對應的基本信度分配函數(shù)，焦元由辨識框架下的子集進行相互組合，焦元分別劃分為1，2，…，A和1，2，…，B，則DEMPSTER的組合規(guī)則為

式中：(c)表示合成證據(jù)的某個焦元。沖突系數(shù)為

式中：為用于衡量證據(jù)間沖突的系數(shù)，越大，證據(jù)間的沖突也就越大。但根據(jù)式(2)的組合結(jié)果，通常會得到與事實不同的結(jié)論。

1.2 關(guān)于組合規(guī)則不合理的論證

由D-S證據(jù)理論的組合規(guī)則可知，是用來衡量證據(jù)之間沖突的物理量。當很大時，D-S證據(jù)理論的組合結(jié)果出現(xiàn)與事實不符的情況。對于證據(jù)間的沖突問題，可以用實例進行描述。

例1在辨識框架下，={1，2，3}。設在某個傳感器系統(tǒng)中，2個獨立的證據(jù)1和2其焦元的概率分配為：

1(1)=0.9，1(2)=0.1，1(3)=0；

2(1)0，2(2)0.1，2(3)0.9。

根據(jù)證據(jù)組合規(guī)則，證據(jù)的沖突系數(shù)=0.99，最后的合成結(jié)果為：(1)=0，(2)=1，(3)=0。從現(xiàn)實的角度可以看出證據(jù)組合的結(jié)果與事實不符，本來信任度很低的命題經(jīng)過證據(jù)理論組合后完全變成為真的命題，而本來信任度很高的1和3經(jīng)過組合后變成信任度為0的命題。這種現(xiàn)象使得D-S證據(jù)理論組合規(guī)則產(chǎn)生與事實不符的結(jié)果。對于上述情形，D-S證據(jù)理論的組合規(guī)則失去意義。

2 新的證據(jù)合成方法

2.1 D-S證據(jù)理論中關(guān)于沖突系數(shù)的論證

國內(nèi)外很多學者認為，組合結(jié)果會產(chǎn)生與事實不符的情況主要是沖突分配不合理，提出將沖突重新分配、修正證據(jù)源、修改組合規(guī)則等一系列改進算法。但出現(xiàn)反常結(jié)果并非是完全因為證據(jù)的沖突引起的，如下例所示。

例2 設辨識框架= {1，2，3，4}，假設傳感器的2個基本信任度分布函數(shù)1和2分別為：

1({1})=0.9，1({1，2})=0.1，1({1，2，3})=0；

2({1})=0，2({1，2})=0.1，2({1，2，3})=0.9。

此時，在2個完全相同的焦元和基本概率分配函數(shù)下，根據(jù)證據(jù)理論組合規(guī)則可以得到=0。按照 D-S證據(jù)理論組合結(jié)果為：(1)=0.9，(1，2)=0.1，(1，2，3)=0，融合結(jié)果符合客觀事實。

在此情況下，3條證據(jù)具有如下特征：

此時，證據(jù)理論沖突為0，對于組合結(jié)果的權(quán)重主要傾向于證據(jù)交集較多的那一部分證據(jù)，且此時沒有出現(xiàn)與事實不符的情況。所以，可以得出：當沖突較大時，決定組合結(jié)果的不一定是沖突系數(shù)，與焦元的分配有必然聯(lián)系。

例3設辨識框架= {1，2，3，4}，假設傳感器的2個基本信度分布函數(shù)1和2分別為：

1({1})=0.5，1({1，2)=0.3，1({3})=0.2；

2({1})=0.5，2({1，2)=0.3，2({3})=0.2。

此時，在2個完全相同的焦元和基本概率分配函數(shù)下，根據(jù)證據(jù)理論組合規(guī)則得到=0.32。對于信度完全相同的2個證據(jù)之間，沖突系數(shù)仍然存在。證據(jù)理論的組合結(jié)果與原來的概率分配也不相同，其結(jié)果為：(1)=0.81，(1，2)=0.13，(3)=0.06。

例4 設辨識框架= {1,2,3}，假設傳感器的2個基本信度分布函數(shù)1和2分別為：

1({1})=0.5，1({2})=0.3，1({3})=0.2；

2({1})=0.5，2({2})=0.3，2({3})=0.2。

此時，在2個完全相同的焦元和基本信度分配函數(shù)下，根據(jù)證據(jù)理論組合規(guī)則得到0.62。

例1中，根據(jù)證據(jù)理論的合成規(guī)則在合成2個沖突很大的證據(jù)時，出現(xiàn)了有悖于常理的組合結(jié)果，說明證據(jù)理論組合規(guī)則存在問題。是用于衡量2個證據(jù)之間沖突的物理量，根據(jù)例2~4的計算結(jié)果，在完全相同的焦元分配和概率分配下，出現(xiàn)了截然不同的情況，所以，用DEMPSTER組合規(guī)則的來描述證據(jù)間的沖突顯然不確切。在一定情況下，用來描述沖突有重要意義。原有組合規(guī)則的沖突系數(shù)描述不夠全面，存在一定的不合理因素。從以上3個算例也可以看出，證據(jù)沖突來源可以分為以下3個方面。

1) 在乘法組合規(guī)則下，焦元的基本概率分配為0所帶來的沖突過大，當證據(jù)組合結(jié)果與事實不符時，必然會出現(xiàn)某個焦元概率分配為0的情況，其似然函數(shù)為

其中：，和為證據(jù)內(nèi)焦元。證據(jù)之間的某個焦元值為0，則D-S組合結(jié)果必然為0，這就是原有組合規(guī)則產(chǎn)生不符的主要原因。由于證據(jù)的焦元為單點集焦元，證據(jù)融合時會受到概率分配為0的焦元影響，單點集焦元融合時，應該充分考慮單點集焦元為0的情況，避免組合結(jié)果與實際結(jié)果不符。

2) 證據(jù)焦元之間存在沖突。由于概率分配之和為1，不同的概率分配函數(shù)之間必然存在沖突，所以，證據(jù)內(nèi)各個焦元點集之間也存在沖突。根據(jù)證據(jù)理論的概率分配函數(shù)可知，焦元的信任度取決于子集的概率分配函數(shù)，表示焦元為真的概率，而焦元為非真的概率取決于剩下焦元概率總和。由此可見：焦元之間本就存在關(guān)聯(lián)和沖突，計算證據(jù)之間沖突時，應該充分考慮每個焦元之間的沖突。

3) 證據(jù)與證據(jù)之間存在沖突，焦元的分配方式完全相同是證據(jù)組合的必要條件。當2個和2個以上的證據(jù)進行組合時，應該考慮所有證據(jù)兩兩之間的沖突。

2.2 新的沖突系數(shù)

證據(jù)中各個焦元的概率分配總和為1，證據(jù)自身的各個焦元之間存在沖突，假設各個焦元之間相互獨立，則可根據(jù)D-S證據(jù)理論進行沖突系數(shù)推理。已知為識別框架，由一系列θ所構(gòu)成。={1,2, …,}中包含全體識別對象，且兩兩互斥。12分別是辨識框架中2個證據(jù)對應的基本信度分配函數(shù)，焦元劃分分別為1，2，…，和1，2，…，。1的概率分配函數(shù)為1{1(1),1(2), …,1()}，2{2(1),2(2), …,2()}，則它與自身的組合可以表示為

其中：c為焦元之間的交集；1(A)為證據(jù)1的第個焦元。則沖突系數(shù)為

根據(jù)前面關(guān)于沖突的論證和證據(jù)理論的概率分配函數(shù)特性，在辨識空間下每個證據(jù)概率分配函數(shù)之和為1。當證據(jù)之間的概率發(fā)生變化時，必然會影響其他證據(jù)的概率分配?？紤]各焦元之間因概率分配函數(shù)所引起的概率分配相互關(guān)系，建立焦元與焦元之間的證據(jù)沖突項，以此來反映證據(jù)組合中的沖突因素之一。計算證據(jù)焦元之間相互沖突時，定義自沖突系數(shù)O為

由于證據(jù)理論中信息融合主要依靠的是組合規(guī)則，不同證據(jù)之間進行信息融合時，由于證據(jù)源不同，每條證據(jù)的概率分配也不一樣。不同的證據(jù)之間必然存在沖突，推理信息也必然來自于這一部分信息，所以，將不同證據(jù)之間的沖突定義為互沖突系數(shù)。當計算不同證據(jù)之間的局部沖突時，沖突系數(shù)M為

其中：A為證據(jù)1的焦元；A為證據(jù)2的焦元；M稱為互沖突系數(shù)，表示不同證據(jù)之間的沖突系數(shù)。

每條證據(jù)焦元的概率都是根據(jù)概率分配得來的，證據(jù)通過組合規(guī)則組合之后得到的結(jié)果也必須符合概率分配原則，即組合后的焦元概率分配總和必須為1。則根據(jù)概率分配可將自沖突系數(shù)和互沖突系數(shù)的概率表示于總的概率分配之中，得到總概率分配為

其中：11表示證據(jù)與自身融合時所有焦元的概率分配的總和。總的概率分配分為2個部分：一部分是相關(guān)系數(shù)，表示概率分配時各焦元之間的相關(guān)性；另一部分表示證據(jù)自身各焦元因概率分配函數(shù)所帶來的局部沖突系數(shù)。12表示證據(jù)1和2進行融合時，所有焦元的概率分配總和。由此可知當2條證據(jù)進行融合時，結(jié)合自沖突系數(shù)和互沖突系數(shù)可得到總的沖突系數(shù)Total為

其中：和分別代表焦元的數(shù)量；證據(jù)A和A分別表示2個證據(jù)的不同焦元。

從證據(jù)理論概率分配函數(shù)角度分析，總的沖突系數(shù)充分考慮了概率分配函數(shù)的特性。根據(jù)各焦元的概率分配原則，考慮沖突證據(jù)組合時造成組合結(jié)果與現(xiàn)實相悖的原因，然后在原有沖突系數(shù)基礎(chǔ)上提出自沖突系數(shù)這一概念，并總體考慮這2類沖突系數(shù)，組合成新的全局沖突系數(shù)。組成后的沖突系數(shù)Total為全局沖突。

2.3 新的證據(jù)合成公式

原有組合規(guī)則以概率分配函數(shù)為基礎(chǔ)，通過推導得到的組合規(guī)則具有很好的數(shù)學特性，使得證據(jù)理論在工程領(lǐng)域的應用越來越廣泛。新方法從沖突系數(shù)定義出發(fā)，根據(jù)概率分配函數(shù)進行組合規(guī)則推導，得到基于全局沖突系數(shù)的新的組合規(guī)則。

給定辨識框架，設1和2是在識別框架上的2個證據(jù)對應的基本信度函數(shù)，焦元的概率分配函數(shù)分別為1(1)，1(2)，…，1(n)和2(1)，2(2)，…，2()，則根據(jù)證據(jù)理論的基本概率分配函數(shù)和D-S證據(jù)組合規(guī)則，將證據(jù)自沖突系數(shù)和互沖突系數(shù)的所有焦元概率分配函數(shù)表示出來，以2個證據(jù)組合時的情況為例，得到式(12)所示的焦元概率分配情況：

根據(jù)基本概率分配原則，將所有概率表示總和相加，可由式(12)推導出：

4項概率總和為4，沖突系數(shù)為Total，焦元的概率之和由總的概率之和減去沖突部分概率之和。此處目標焦元是指所有焦元中所求的某一個焦元，可表示為

其中：為目標焦元的交集；()為所有存在的焦元概率總和。假設證據(jù)焦元之間相互獨立，以概率分配函數(shù)的特性和已有的證據(jù)理論組合規(guī)則作為理論依托，則可推導出2個證據(jù)組合時的證據(jù)組合規(guī)則為

(16)

其中：A為所求焦元；(A)為所求焦元的概率分配；Total為全局沖突系數(shù)；和均為證據(jù)焦元個數(shù)。

若證據(jù)相互包含，且共同的子集是某一個焦元時，則證據(jù)之間的交集為證據(jù)所有焦元中的某一個，證據(jù)理論組合規(guī)則可表示為

以上是考慮2條證據(jù)相互組合的形式，但在實際應用中證據(jù)數(shù)量遠遠不止2條，需要更多的證據(jù)組合得到最終的結(jié)果。由式(17)進行遞推組合，得到多條證據(jù)組合時的組合規(guī)則，表示目標焦元在所有焦元中所占的比例，為組合后證據(jù)的概率分配函數(shù)。據(jù)新的沖突系數(shù)，當個證據(jù)同時進行組合時，新的合成規(guī)則為

其中：A為所有焦元中所求的某個焦元；為證據(jù)個數(shù)；和為每條證據(jù)的焦元個數(shù)。

3 實驗仿真

證據(jù)理論在組合時，需要對證據(jù)源進行概率分配得到證據(jù)可信度信息，根據(jù)證據(jù)的概率分配函數(shù)進行證據(jù)理論組合，組合規(guī)則的優(yōu)劣需要通過證據(jù)組合結(jié)果來進行比較。新的方法組合方法通過對比前面提出的3種證據(jù)理論組合規(guī)則改進方法，選取其中具有代表性的方法進行算例仿真和對比分析。

針對改進方式一，處理沖突系數(shù)和沖突較大證據(jù)。一種思路認為沖突信息是部分可用的，YAGER[11]首先提出將證據(jù)沖突按一定規(guī)律進行重新分配，孫全等[12]在該類方法上提出改進。另一種是直接處理證據(jù)源中的沖突證據(jù)。李弼程等[15]將沖突項的概率按焦元的平均支持度進行加權(quán)分配，再用新得到的證據(jù)進行D-S證據(jù)組合，去除沖突帶來的影響。韓德強等[16]主要是通過將證據(jù)排列成時間序列，實時更新每一個證據(jù)信息，根據(jù)證據(jù)信息的更新算出一個復合證據(jù)，然后用復合證據(jù)進行自組合去除沖突證據(jù)帶來的影響。韓德強方法[16]較前幾種方法在處理沖突上有較明顯優(yōu)勢，所以選取該方法進行比較。

針對改進方式二，根據(jù)證據(jù)源的概率分配建立修正系數(shù)。利用原有證據(jù)或?qū)π拚蟮淖C據(jù)進行多次D-S證據(jù)組合，除去沖突所帶來的與事實相悖的情況。例如：劉海燕等[17]則通過不同的方式對每條證據(jù)進行修正，再用D-S證據(jù)理論組合方式進行組合。孟晨晨等[19]的方法在處理沖突和收斂效果上較其他方法更好，選取該方法作為比較對象具備代表性。

針對改進方式三，重新分配沖突和改進組合規(guī)則。這類算法認為沖突不僅僅來源于沖突的分配，其中組合規(guī)則的不合理也是原因之一。陳煒軍等[20]通過修正證據(jù)源和改進組合規(guī)則的方式，對證據(jù)理論組合規(guī)則進行改進，其中。李文立等[21]提出的方法是該類算法中效果較好的一類，選取該算法作為算例對比。

3.1 證據(jù)高度沖突時各方法對比分析

選取個不同證據(jù)源的具體情況進行概率分配，1，2，…，5分別是按時間順序得到的傳感器概率分配，其中，，和分別來自4個不同傳感器收集到的信息，表示證據(jù)的4個焦元。其中2時刻傳感器概率分配存在異常，計算出沖突較大證據(jù)組合時，需要盡量縮小反常證據(jù)給整個數(shù)據(jù)融合帶來的影響，具體某個時刻概率分配函數(shù)統(tǒng)稱為證據(jù)，每條證據(jù)的概率分配情況如表1所示。

根據(jù)選出的各種比較方法進行證據(jù)組合，1，2，…，5分別按時間順序增加組合個數(shù)，從1和2這2個證據(jù)的組合到1，2，3，4和5這5個證據(jù)的組合。在相同證據(jù)源時，比較各種改進算法的組合效果。對比各方法處理沖突的能力，評價指標包括處理沖突的能力和目標焦元的收斂能力。比較多個證據(jù)的組合情況，結(jié)果如表2所示。

韓德強等[16]所提算法中，主要根據(jù)當前證據(jù)與歷史證據(jù)之間的距離方差，通過方差計算修正系數(shù)；設置影響參數(shù)決定歷史證據(jù)的距離方差和新的證據(jù)的計算比例，將歷史證據(jù)和新的證據(jù)組合成為1個復合證據(jù)，通過該證據(jù)與自身進行D-S組合規(guī)則組合。這樣的組合方式會根據(jù)設置的參數(shù)使組合結(jié)果要么偏向歷史證據(jù)，要么偏向新的證據(jù)，通過參數(shù)解決沖突系數(shù)的問題。該方法雖然可以解決沖突所帶來的問題，但該方法是由合成的2個復合證據(jù)通過組合得到的，所以，組合結(jié)果只是復合證據(jù)的累加，收斂趨勢和新的證據(jù)一致，無法根據(jù)證據(jù)的累加體現(xiàn)出組合的收斂特性，且參數(shù)的設置有一定的偶然性。其組合結(jié)果和證據(jù)目標焦元的概率如圖1(a)所示。

表1 沖突較大證據(jù)概率分配

李文立等[21]所提出的改進算法中，按照修改證據(jù)源的思路解決沖突證據(jù)帶來的問題。該思路將所有證據(jù)看成是距離向量，然后根據(jù)公式計算證據(jù)概率分配函數(shù)之間的距離。通過求得的距離函數(shù)轉(zhuǎn)化成1個修正向量。然后，用距離修正向量修正所有的證據(jù)源，最后根據(jù)D-S證據(jù)理論組合規(guī)則進行組合。該方法可以較好地處理沖突證據(jù)所帶來的問題，但是該方法目標焦元的收斂效果較差，當證據(jù)后續(xù)概率分配趨向于某一焦元時，該焦元可信度收斂較慢。目標焦元收斂情況如圖1(b)所示。

表2 沖突證據(jù)下不同方法組合結(jié)果

孟晨晨等[19]提出可信度和虛假度2個概念?？尚哦扰c證據(jù)之間的距離(Pignistic)相關(guān)，通過證據(jù)間的距離轉(zhuǎn)換成證據(jù)的1個修正向量，將該修正向量對證據(jù)源進行修正，得到新的沖突系數(shù)和虛假度函數(shù)，再用證據(jù)的信任度函數(shù)和虛假度函數(shù)進行歸一化得到修正系數(shù)，再利用D-S證據(jù)理論進行組合。該方法對于證據(jù)之間沖突過大的情況單純地對證據(jù)源修正處理，能完整地保護DEMPSTER證據(jù)組合方法的優(yōu)良數(shù)學特性。但該方法因為是由1條修正證據(jù)進行高次組合尋求較高的收斂速度，無法體現(xiàn)收斂趨勢。其組合結(jié)果如圖1(c)所示。

本文的研究方法則是建立在證據(jù)組合規(guī)則基礎(chǔ)上，對證據(jù)沖突的局限性和組合規(guī)則的缺陷進行綜合分析，根據(jù)新的證據(jù)沖突系數(shù)推導出的一種全新的組合方法。在處理沖突問題上，克服了沖突給證據(jù)組合規(guī)則帶來的悖論問題，當正常證據(jù)增加時，沖突較大證據(jù)所帶來的影響越來越弱，可以有效地抑制沖突證據(jù)的影響；隨著證據(jù)可信度的積累，目標焦元呈現(xiàn)一種收斂趨勢，組合方法會對概率分配較大的證據(jù)有信度積累。在證據(jù)逐漸增加時，目標焦元的可信度會逐漸趨于真，組合結(jié)果曲線如圖1(d)所示。

上述改進算法雖然均會受沖突證據(jù)的影響，但本文的計算方法在分配函數(shù)的概率大于0.5時，通過3，4和5個證據(jù)的組合，焦元為真的概率明顯要大于非真的概率，目標焦元的概率應該具有明顯的上升趨勢，會將證據(jù)可信度的積累體現(xiàn)在目標焦元上。其他算法在組合時過度地傾向于目標焦元的收斂特性，使得多個證據(jù)組合結(jié)果趨于過收斂狀態(tài)，不符合證據(jù)理論特性。目標焦元的收斂結(jié)果過大或者基本不變，當證據(jù)增加時，無論是低信度還是高信度，組合結(jié)果無法體現(xiàn)出由于證據(jù)數(shù)量的增加所帶來的作用，無法提供足夠的可信度。

3.2 各類方法在正常證據(jù)時的組合效果對比分析

沖突證據(jù)雖然是工程應用中的一些特例，但這些特殊證據(jù)往往是組合結(jié)果出現(xiàn)較大誤差的來源，處理好誤差項之后才可以檢驗證據(jù)組合規(guī)則的信息融合特性。所以，正常證據(jù)的組合結(jié)果才是證據(jù)理論組合規(guī)則的重點。本文對各方法在正常證據(jù)下的結(jié)果進行對比分析，正常證據(jù)概率分配如表3所示。

(a) 韓德強組合方法[10]；(b) 李文立組合方法[21]；(c) 孟晨晨組合方法[19]；(d) 本文組合方法

為了避免沖突證據(jù)所帶來的與現(xiàn)實情況不符的問題，選擇的處理方法不管是對規(guī)則改進還是對證據(jù)源改進，都要求改進的結(jié)果對于正常證據(jù)的組合有很好的組合效果。其他方法都兼顧了正常證據(jù)的組合收斂和沖突證據(jù)處理兩方面，但目標焦元的收特性有很大差別。改進方法隨證據(jù)數(shù)量增多時的合成結(jié)果如表4所示。

韓德強算法[16]有較好的組合特性，可以根據(jù)新加入的證據(jù)實時更新復合證據(jù)修正信息。在計算平均概率分配函數(shù)與新的概率分配函數(shù)之間的方差距離時，可以自行設定兩者所占比例。本文選取不同比例進行計算，最后選出較好的組合結(jié)果進行比較。正常證據(jù)組合時，該方法的組合結(jié)果與本文所得結(jié)果相近，組合結(jié)果出現(xiàn)前期收斂過快、后期收斂平緩的特點(見圖2(a))。李文立的方法[21]在正常證據(jù)組合時，目標焦元沒有明顯的收斂效果，當證據(jù)數(shù)量增加時，證據(jù)的基本概率分配保持基本恒定。目標焦元的收斂情況比較差，且主要針對單點集焦元，對于信息的融合有一定的局限性(見圖2(b))。孟晨晨的方法[19]是將修正向量組合成1個證據(jù)，根據(jù)證據(jù)數(shù)量進行多次疊加的結(jié)果，證據(jù)數(shù)量少時表現(xiàn)出良好的收斂特性，當證據(jù)數(shù)量逐漸增多時收斂結(jié)果會很快接近于1，該方法削減證據(jù)原有信息解決沖突問題，使得組合結(jié)果過度收斂，無法用于目標焦元判定和決策(見圖2 (c))。

表3 正常證據(jù)概率分配

新的組合方法從局部沖突和整體沖突出發(fā)，結(jié)合原有的證據(jù)組合規(guī)則，推導出一種可應對沖突問題和目標焦元收斂問題組合方式。新的組合規(guī)則可根據(jù)焦元的基本概率分配進行多個證據(jù)的組合，適用于多點集焦元計算。目標焦元隨著證據(jù)源的增加而趨于收斂，通過對基本概率分配函數(shù)的信任度積累，使目標焦元的收斂更利于決策，組合結(jié)果如圖2 (d)所示。

由概率分配函數(shù)可知：當組合概率分配函數(shù)較大的焦元時，說明該焦元為真的概率要大于非真的概率，其他焦元為假的概率要大于為真的概率；當為真的概率進行組合時，焦元的可信度必然會越來越大，也就是概率分配會越來越多。本文提出的方法符合概率分配函數(shù)的特點，若某個焦元的可信度比其他焦元的高，則該焦元的可信度對于組合結(jié)果而言必定是增加的。

表4 正常證據(jù)下組合結(jié)果對比

(a) 韓德強組合方法[10]；(b) 李文立組合方法[21]；(c) 孟晨晨組合方法[19]；(d) 本文組合方法

4 結(jié)論

1) 通過對產(chǎn)生悖論的原因進行研究，發(fā)現(xiàn)證據(jù)理論融合時產(chǎn)生不符的其他原因，通過舉例論證得到結(jié)果的正確性。結(jié)合悖論產(chǎn)生的原有因素進行推導，提出一種新的沖突系數(shù)Total。

2) 根據(jù)新的沖突系數(shù)，提出一種基于全局沖突系數(shù)的D-S證據(jù)理論組合規(guī)則。新的組合規(guī)則從證據(jù)理論的辨識框架和基本概率分配函數(shù)出發(fā)進行證據(jù)組合。該方法可以根據(jù)證據(jù)目標焦元的可信度積累，概率分配較大的焦元隨著證據(jù)數(shù)量增加而增大，使目標焦元的概率分配較快收斂。

3) 新的組合方法能有效地處理沖突很大的證據(jù)，收斂曲線能隨著證據(jù)的增多而收斂，具有很好的魯棒性。當證據(jù)正常組合時，新的方法可以根據(jù)單個證據(jù)的焦元可信度進行積累，目標焦元的收斂相比于其他算法更加合理和規(guī)范。

[1] DEMPSTER A P. Upper and lower probabilities induced by a multi-valued mapping[J]. Annual of Mathematics Statistics, 1967, 38(2): 325?339.

[2] SHAFER G. A mathematical theory of evidence[M]. Princenton: Princenton University Press, 1976: 78?103.

[3] 李寧, 王李管, 賈明滔, 等. 基于層次分析法和證據(jù)理論的礦山井下六大系統(tǒng)安全評價[J]. 中南大學學報(自然科學版), 2014, 45(1): 287?292. LI Ning, WANG Liguan, JIA Mingtao, et al. Safety evaluation of underground mine six system based on analytical hierarchy process and evidence theory[J]. Journal of Central South University(Science and Technology), 2014, 45(1): 287?292.

[4] 林優(yōu), 楊明, 韓學山, 等. 基于條件分類與證據(jù)理論的短期風電功率非參數(shù)概率預測方法[J]. 電網(wǎng)技術(shù), 2016, 40(4): 1113?1119. LIN You, YANG Ming, HAN Xueshan, et al. Nonparametric approach for short-term probabilistic wind generation forecast based on conditional classification and evidence theory[J]. Power System Technology, 2016, 40(4): 1113?1119.

[5] 陳云翔, 王攀, 羅承昆. 基于證據(jù)理論的偏好型直覺模糊群決策方法[J]. 控制與決策, 2017, 32(5): 947?953. CHEN Yunxiang, WANG Pan, LUO Chengkun. Method for intuitionistic fuzzy group decision-making with preference based on evidence theory[J]. Control and Decision, 2017, 32(5): 947?953.

[6] 劉海波, 殷越, 艾永樂. 基于D-S證據(jù)理論的瓦斯突出危險等級評判策略[J]. 濟南大學學報(自然科學版), 2017, 31(1): 73?76. LIU Haibo, YIN Yue, AI Yongle. Evaluation strategy of gas outburst risk level based on D-S evidence theory[J]. Journal of University of Jinan(Science and Technology), 2017, 31(1): 73?76.

[7] 譚春橋, 賈媛. 基于證據(jù)理論和前景理論的猶豫?直覺模糊語言多準則決策方法[J]. 控制與決策, 2017, 32(2): 333?339. TAN Chunqiao, JIA Yuan. Multi-criteria decision-making method based on evidence theory and prospect theory for hesitant-intuitionistic fuzzy linguistic[J]. Control and Decision, 2017, 32(2): 333?339.

[8] 楊凱, 楊曉元, 馬建峰. 無線傳感器網(wǎng)絡中一種基于D-S證據(jù)理論的監(jiān)測機制[J]. 四川大學學報(工程科學版), 2016, 48(2): 118?124. YANG Kai, YANG Xiaoyuan, MA Jianfeng. A novel detection scheme based on D-S evidence theory in wireless sensor networks[J]. Journal of Sichuan University(Engineering Science Edition), 2016, 48(2): 118?124.

[9] 李嘉良, 馬東輝, 王威. 基于證據(jù)理論和熵權(quán)灰色關(guān)聯(lián)的潛在地震滑坡危險性評價[J]. 中南大學學報(自然科學版), 2016, 47(5): 1730?1736. LI Jialiang, MA Donghui, WANG Wei. Assessment of potential seismic landslide hazard based on evidence theory and entropy weight grey incidence[J]. Journal of Central South University (Science and Technology), 2016, 47(5): 1730?1736.

[10] 韓德強, 楊藝, 韓崇昭. DS證據(jù)理論研究進展及相關(guān)問題探討[J]. 控制與決策, 2014, 29(1): 1?11. HAN Deqiang, YANG Yi, HAN Chongzhao. Advances in DS evidence theory and related discussions[J]. Control and Decision, 2014, 29(1): 1?11.

[11] YAGER R R. On the DEMPSTER-SHAFER framework and new combination rules[J]. Information Sciences, 1987, 41(2): 93?137.

[12] 孫全, 葉秀清, 顧偉康. 一種新的基于證據(jù)理論的合成公式[J]. 電子學報, 2000, 28(8): 117?119. SUN Quan, YE Xiuqing, GU Weikang. A new combination rule of evidence theory[J]. Acta Electronica Sinica, 2000, 28(8): 117?119.

[13] 鄧勇, 施文康, 朱振福. 一種有效處理沖突證據(jù)的組合方法[J]. 紅外與毫米波學報, 2004, 23(1): 27?32. DENG Yong, SHI Wenkang, ZHU Zhenfu. Efficient combination approach of conflict evidence[J]. Journal of Infrared Millimeter Wave, 2004, 23(1): 27?32.

[14] 向陽, 史習智. 證據(jù)理論合成規(guī)則的一點修正[J]. 上海交通大學學報, 1999, 33(3): 357?360. XIANG Yang, SHI Xizhi. Modification on combination rules of evidence theory[J]. Journal of Shanghai Jiaotong University, 1999, 33(3): 357?360.

[15] 李弼程, 王波, 魏俊, 等. 一種有效的證據(jù)理論合成公式[J]. 數(shù)據(jù)采集與處理, 2002, 17(1): 33?36. LI Bicheng, WANG Bo, WEI Jun, et al. An efficient combination rule of evidence theory[J]. Journal of Data Acquisition & Processing, 2002, 17(1): 33?36.

[16] 韓德強, 韓崇昭, 鄧勇, 等. 基于證據(jù)方差的加權(quán)證據(jù)組合[J]. 電子學報, 2011, 39(S1): 153?157.HAN Deqiang, HAN Chongzhao, DENG Yong, et al. Weighted combination of conflicting evidence based on evidence variance[J]. Acta Electronica Sinica, 2011, 39(S1): 153?157.

[17] 劉海燕, 趙宗貴, 劉熹. D-S證據(jù)理論中沖突證據(jù)的合成方法[J]. 電子科技大學學報, 2008, 37(5): 701?704. LIU Haiyan, ZHAO Zonggui, LIU Xi. Combination of conflict evidences in D-S theory[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(5): 701?704.

[18] 胡昌華, 司小勝, 周志杰, 等. 新的證據(jù)沖突衡量標準下的D-S改進算法[J]. 電子學報, 2009, 37(7): 1578?1583. HU Changhua, SI Xiaosheng, ZHOU Zhijie, et al. An improved D-S algorithm under the new measure criteria of evidence conflict[J]. Acta Electronica Sinica, 2009, 37(7): 1578?1583.

[19] 孟晨晨, 肖建于. D-S證據(jù)組合規(guī)則下的修正系數(shù)的研究[J]. 計算機工程與應用, 2016, 52(19): 63?67. MENG Chenchen, XIAO Jianyu. Study on correction coefficient ofD-S evidence combination rule[J]. Computer Engineering and Applications, 2016, 52(19): 63?67.

[20] 陳煒軍, 景占榮, 袁芳菲, 等. D-S證據(jù)理論的不足及其數(shù)學修正[J]. 中北大學學報(自然科學版), 2010, 31(2): 161?168. CHEN Weijun, JING Zhanrong, YUAN Fangfei, etal. Shortcoming of D-S evidence theory and its mathematic Modification[J]. Journal of North University of China(Natural Science Edition), 2010, 31(2): 161?168.

[21] 李文立, 郭凱紅. D-S證據(jù)理論合成規(guī)則及沖突問題[J]. 系統(tǒng)工程理論與實踐, 2010, 30(8): 1422?1432.LI Wenli, GUO Kaihong. Combination rules of D-S evidence theory and conflict problem[J]. Systems Engineering: Theory & Practice, 2010, 30(8): 1422?1432.

A novel combination of evidence theory based on improved conflict coefficient

XI Zaifang, LINGHU Qiang, YI Chang, WU Xiaofeng, LI Jing, TANG Zhijun

(School of Information and Electrical Engineering, Hunan University of Science and Technology, Xiangtan 411201, China)

The conflict coefficient and the combination rule of D-S evidence theory were studied and another factor that leads to the conflict between the results of evidence combination and fact was found. A novel representation of conflict coefficient as well as combination rules of evidence theory was proposed. The irrational situation of the evidence conflict coefficient processing and the combination rule were taken into consideration within the novel scheme. In this scheme, the novel global collision coefficient in terms of self-collision coefficient and conflict coefficient were presented. The new combination rule was established in compliance with the principle of basic probability distribution, and the combination of the theory of multi-point set of element evidences was deduced. The results show that the proposed method is simpler, and more accurate than the traditional algorithm. It has advantages in dealing with the evidence confliction and normal evidence.

D-S evidence theory; conflict coefficient; combination rule; convergence effect

10.11817/j.issn.1672-7207.2018.07.017

TP391

A

1672?7207(2018)07?1700?10

2017?07?12；

2017?10?14

國家自然科學基金資助項目(U1501253，61474042，61377024)；深圳大學廣東省普及性高性能計算機重點實驗室開放課題(SZU-GDPHPCL2015) (Projects(U1501253, 61474042, 61377024) supported by the National Natural Science Foundation of China; Project(SZU-GDPHPCL2015) supported by Guangdong Key Laboratory of Popular High Performance Computers Open Program of Shenzhen University, China)

席在芳，博士，副教授，從事數(shù)據(jù)挖掘和多傳感器數(shù)據(jù)融合算法研究；E-mail: zfxi@hunst.edu.com

(編輯 陳燦華)