一種修正的ds證據(jù)融合策略

一種修正的ds證據(jù)融合策略

dns證據(jù)理論屬于人工智能的范疇，最初用于專家系統(tǒng)。DS證據(jù)理論源于20世紀(jì)60年代Dempster在多值映射方面的工作,由于具有處理不確定性信息的能力,DS證據(jù)理論得到了廣泛的應(yīng)用。DS證據(jù)理論的一個重要缺陷在于沖突證據(jù)的合成問題?？偨Y(jié)國內(nèi)外近年來對DS證據(jù)理論在沖突證據(jù)合成方面的缺陷所做的修正工作可以概括為如下三類:堅持DS證據(jù)理論中乘性策略的修正方法[5,6,7,8,9,10,11,12];采用加性策略的合成和判決方法;綜合乘性和加性策略的方法,如基于分類策略的融合方法。DS證據(jù)理論屬于乘性策略,具有較好的收斂性,但同時可靠性較差,容易被單一證據(jù)所左右,而加性策略恰好相反。結(jié)合2種策略的優(yōu)點,提出了一種修正的DS證據(jù)融合策略,該策略的思路可以概括為,分別采用DS證據(jù)理論以及加性策略獲得2個融合結(jié)果,然后比較2種結(jié)果的一致性程度,當(dāng)兩者之間存在明顯差異時,用加性策略修正DS證據(jù)理論得到的融合結(jié)果并作為最終的融合結(jié)果。1單一證據(jù)及融合證據(jù)對基元屬性的支持度一致性判別的目的在于判別DS證據(jù)理論的融合結(jié)果與加性策略的融合結(jié)果之間的一致性程度。設(shè)(1)證據(jù)空間中的基元屬性集為B={B1,B2,…,Bn}(2)參與信息融合的證據(jù)為m1,m2…mN,對應(yīng)mi,其焦元屬性集為Ami={Ami,1,Ami,2,?Ami,Μi},i=1,2?ΝAmi={Ami,1,Ami,2,?Ami,Mi},i=1,2?N(3)DS證據(jù)理論的融合結(jié)果為mD,其焦元屬性集為AmD={AmD,1,AmD,2,…AmD,MD}考察單一證據(jù)及融合證據(jù)對基元屬性的支持度,采用文獻(xiàn)中的定義,mi對Bj的支持度為Smi(Bj)=Μi∑m=1mi(Ami,m)|Ami,m∩Bj||Ami,m|(1)mD對Bj的支持度為SmD(Bj)=ΜD∑m=1mD(AmD,m)|AmD,m∩Bj||AmD,m|(2)其中:運(yùn)算符|A|表示屬性A中所包含的基元屬性的個數(shù)。于是,加性策略下,所有單一證據(jù)對基元屬性Bj的平均支持度為SA(Bj)=Ν∑i=1Smi(Bj)Ν(3)從mD中獲得最大支持度的基元屬性為BJ={Bj|SmD(BJ)=max(SmD)}(4)定義兩策略之間的一致性度量D=SA(BJ)max(SA)(5)定義門限D(zhuǎn)0,并當(dāng)D>D0時判別兩策略之間存在較強(qiáng)的一致性,為獲得良好的收斂性,此種情況下,采用DS證據(jù)理論的結(jié)果作為最終的融合結(jié)果。否則采用下一節(jié)的修正策略進(jìn)行修正。2拓展的融合算法定義mi(i=1,2…N)及mD的焦元屬性集的并集A=Ν∪i=1Ami∪AmD={A1,A2,?AΚ}?？疾霢k(k=1,2,…,K)從各單一證據(jù)mi(i=1,2,…,N)中獲得支持度向量為SAk=[Su(Ak,m1)Su(Ak,m2)?Su(Ak,mΝ)]Τ從而可以獲得加性支持度的均值E{SAk}=Ν∑i=1Su(Ak,mi)/Ν(6)方差σ2{SAk}=Ν∑i=1[Su(Ak,mi)-E{SAk}]2/Ν(7)以及與DS合成結(jié)果之間的差異e{SAk}=|E{SAk}-mD(Ak)|(8)對屬性Ak(k=1,2,…,K),修正后的支持度Μ(Ak)=[1-f1(e{SAk})f2(σ2{SAk})]mD(Ak)+f1(e{SAk})f2(σ2{SAk})E{SAk}其中:f1(),f2()為自定義單調(diào)函數(shù),且有f1(0)=0?f1(1)=1；f2(0)=1?f2(∞)=0(9)由此可以看出,加性策略的均值與DS合成結(jié)果間的差異越大、方差越小則最終的融合結(jié)果越偏向于加性策略的均值。對M向量歸一化可以得到最終的融合結(jié)果m(Ak)=Μ(Ak)Κ∑k=1Μ(Ak)(10)可見,上述修正策略的核心是加性支持度向量SAk的計算方法,文獻(xiàn)對此進(jìn)行了探討。文獻(xiàn)中提出的支持度計算方法為Su(Ak,mi)=Μi∑m=1[m(Ami,m)|Ami,m∩Ak||Ami,m|](11)在文獻(xiàn)的基礎(chǔ)上,結(jié)合文獻(xiàn)中的思想,本文定義Ak從屬性Ami中獲得的屬性層面支持率為μ(Ak,Ami,m)=f3(|Ami,m∩Ak||Ami,m|)?f4(|Ami,m∩Ak||Ak|)(12)其中:f3,f4均為BUM函數(shù)。從而Ak從證據(jù)mi中獲得的支持度為Su(Ak,mi)=Μi∑m=1mi(Ami,m)μ(Ak,Ami,m)(13)3[3]屬性b到4的距離測試為驗證上述方法的性能,仿真實驗中設(shè)某作戰(zhàn)飛機(jī)上攜帶有ESM傳感器,需要識別的目標(biāo)屬于4種類型,即基元屬性集為{B1,B2,B3,B4},采用模板法來獲得證據(jù),設(shè)第i(i=1,2,3,4)種類型在ESM特征空間中的模板為Μi=[0?1i?0]?Μi的維數(shù)均為4。設(shè)ESM在第k次觀測到的真實目標(biāo)為第i種型號,則第k次觀測形成的特征向量為Ζ(k)=Μi+Ν(k)i∈{1,2,3,4}Ν(k)=[n1(k)n2(k)n3(k)n4(k)](14)nj(k)(j=1,2,3,4)為零均值高斯白噪聲,方差均為σesm,且相互獨(dú)立。由以上假設(shè),可得Z(k)到4種模板的距離di(k)=|Z(k)-Mi|2,根據(jù)此次觀測判定如下屬性A(k)A(k)={∪nBn|dn(k)max[d1(k),?,d4(k)]<d0}(15)根據(jù)K次觀測積累,并將判定相同屬性的次數(shù)累計求平均,可以獲得單一證據(jù)。為了仿真沖突證據(jù)的情況,在來自類型1的證據(jù)序列中,以概率Pe混入來自類型2的證據(jù)(實際情況下,ESM數(shù)據(jù)的錯誤互連會導(dǎo)致上述情況發(fā)生)。在以下的仿真實驗中,式(5)的D0=0.9,式(9)中的f1(x)=xa(a=0.3),f2(x)=e-bx(b=10-3),式(12)中的f3(x)=x,f4(x)=x,式(13)中σesm=1.0,式(15)中的d0=0.8,Pe=0.1。以下為1000次Mont-Carlo實驗的結(jié)果,表1和表2分別給出了2種方法的正確判別概率比較以及正確屬性平均支持度的比較,圖1和圖2給出的是表1、表2數(shù)據(jù)的相應(yīng)曲線比較。判決方法:根據(jù)最終的融合結(jié)果,對基元屬性Bj,其支持度為S(Bj)=Κ∑k=1m(Ak)|Bj∩Ak||Ak|,判決BJ={Bj|S(Bj)=max(S)}平均支持度:即S(Bj)的多次實驗均值。4存在沖突證據(jù)時(1)在存在沖突證據(jù)的情況下,本文提出的方法在性能方面優(yōu)于傳統(tǒng)的DS證據(jù)理論方法。(2)傳統(tǒng)的DS證據(jù)理論方法由于采用乘性原則,當(dāng)證