專利名稱：基于狀態(tài)向量距離的證據(jù)理論信息融合決策方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種對(duì)多源異類信息融合結(jié)果進(jìn)行決策的基于狀態(tài)向量距離的證據(jù)理論信息融合決策方法。屬于信息處理技術(shù)領(lǐng)域。
背景技術(shù)：
目前，依據(jù)D-S(Dempster-Shafer)證據(jù)理論多源信息融合結(jié)果進(jìn)行決策的方法主要有兩種形式一是基于決策基元(辨識(shí)框架Θ中不能再分的元素)屬性；另一種是結(jié)合決策基元和非基元的屬性。這兩類方法存在主觀性強(qiáng)、通用性差、涵義不明顯、決策效果不理想等缺陷。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述存在的缺陷，設(shè)計(jì)了一種基于狀態(tài)向量距離的D-S證據(jù)信息融合決策方法。該方法結(jié)合決策基元和非基元的屬性，充分考慮了焦元之間的相關(guān)程度，減少了機(jī)會(huì)(是指獲得正確的狀態(tài)估計(jì)及識(shí)別目標(biāo)的機(jī)會(huì))的損失，并且該方法具有客觀、有效等特點(diǎn)，本發(fā)明的技術(shù)解決方案基于狀態(tài)向量距離的證據(jù)理論信息融合決策方法，其步驟依次分為(一)確定基于D-S證據(jù)理論的信息融合結(jié)果。依據(jù)融合背景的不同，選擇辨識(shí)框架Θ＝{θ1，θ2，Λ，θn}及其冪集P(Θ)＝{A1，A2，Λ，Am}，并基于D-S證據(jù)理論對(duì)多源信息進(jìn)行融合處理。
(二)確定焦元屬性支持度。將辨識(shí)框架Θ的冪集P(Θ)中的每一個(gè)焦元都作為候選決策，焦元Ai屬性對(duì)候選決策Aj的屬性層面支持度，就變成為焦元Ai(i＝1，2，Λ，m)屬性之間的支持度。該支持度為s(i,j)=|AiIAj||AiYAj|]]>(i，j＝1，2，Λ，m)，其中|·|表示焦元屬性所包含的基元的個(gè)數(shù)。
(三)候選決策向量的確定。設(shè)∏P(Θ)是由P(Θ)中的元素組成的空間，如果∏P(Θ)中的元素進(jìn)行線性組合后，仍在∏P(Θ)中，則∏P(Θ)為證據(jù)焦元向量空間，其基為P(Θ)中的元素{A1，A2，Λ，Am}。若T(V)∈∏P(Θ)，則可表示為T(V)＝[α1A1，α2A2，Λ，αmAm]或T(V)=Σi=1mαiAi,]]>其中αi∈R，(i＝1，2，Λ，m)?？紤]到候選決策的BPA分布及從屬性層面獲得的焦元支持度，候選決策向量表示為T(Ai)＝[t(i，1)，t(i，2)，Λ，t(i，m)]，其中t(i，j)＝s(i，j)*m(Aj)，(i，j＝1，2，Λ，m)。將候選決策向量進(jìn)行正規(guī)化，得Tn(Ai)＝[t′(i，1)，t′(i，2)，Λ，t′(i，m)]，其中t′(i,j)=t(i,j)Σj=1mt(i,j),]]>(i，j＝1，2，Λ，m)。
(四)確定候選決策的理想狀態(tài)向量。把100％滿足決策者要求的決策焦元看成是理想的焦元，其滿足程度可用下列狀態(tài)向量表示T*(Ai)＝[t*(i，1)，t*(i，2)，Λ，t*(i，m)]，其中t*(i,j)=1i=j0i≠j,]]>(i，j＝1，2，Λ，m)。稱T*(Ai)為候選決策的理想狀態(tài)向量。
(五)確定狀態(tài)向量之間的距離。設(shè)T(V1)，T(V2)∈∏P(Θ)，且T(V1)＝[α1，α2，Λ，αm]，T(V2)＝[β1，β2，Λ，βm]，αi，βi∈R，(i＝1，2，Λ，m)，則T(V1)和T(V2)之間的距離可定義為Dis[T(V1),T(V2)]=1mΣi=1m|αi-βi|.]]>相應(yīng)地，候選決策Ai的正規(guī)化向量Tn(Ai)與該候選決策的理想狀態(tài)向量T*(Ai)之間的距離Dis[Tn(Ai),T*(Ai)]=1mΣj=1m|t′(i,j)-t*(i,j)|]]>(i＝1，2，Λ，m)。
(六)決策方法。首先確定候選決策Ai(i＝1，2，Λ，m)總的支持度TSD(Ai)＝1-Dis[Tn(Ai)，T*(Ai)]，然后選擇其中最大的A*(A*=maxAi[TSD(Ai)]),]]>即為基于狀態(tài)向量距離的D-S證據(jù)融合決策結(jié)果。
本發(fā)明的優(yōu)點(diǎn)將辨識(shí)框架Θ的冪集P(Θ)中的每一個(gè)焦元都作為候選決策，避免了候選決策的選取不當(dāng)可能造成的損失。在屬性層面上，不考慮焦元的BPA分布，只考慮焦元屬性之間的相關(guān)程度，即支持度。確定這種支持度的函數(shù)具有形式唯一、意義明確的優(yōu)點(diǎn)。在證據(jù)層面上，依據(jù)候選決策的BPA分布及從屬性層面獲得的焦元支持度，構(gòu)造證據(jù)層面支持度。由辨識(shí)框架冪集的元素，構(gòu)成一個(gè)空間，結(jié)合候選決策的證據(jù)層面支持度，確定候選決策向量。引入候選決策的理想狀態(tài)向量，定義距離測(cè)度，構(gòu)建決策模型。本決策模型結(jié)合決策基元和非基元的屬性，充分考慮了焦元之間的相關(guān)程度，減少了機(jī)會(huì)的損失，且決策模型比較客觀、有效，避免了現(xiàn)有技術(shù)中在證據(jù)層面中計(jì)算證據(jù)級(jí)支持度時(shí)引入BUM函數(shù)帶來的主觀性。
具體實(shí)施例方式
實(shí)施例，以長(zhǎng)江口某一水文站2002年1-3月份水質(zhì)監(jiān)測(cè)數(shù)據(jù)為信息源，基于D-S證據(jù)理論對(duì)其進(jìn)行融合處理，并以其融合結(jié)果為對(duì)象，說明本發(fā)明的實(shí)施步驟。
(一)確定基于D-S證據(jù)理論的信息融合結(jié)果。水質(zhì)監(jiān)測(cè)數(shù)據(jù)的基本可信度分配值，見表1。依據(jù)水質(zhì)評(píng)價(jià)的特點(diǎn)，選擇辨識(shí)框架Θ為{I，II，III，IV}及其冪集P(Θ)＝{I，I II，II，II III，III，III IV，IV，Θ}，I、I II、II、II III、III、IIIIV、IV分別對(duì)應(yīng)表示水質(zhì)類別一類、一二類、二類、二三類、三類、三四類、四類，Θ對(duì)應(yīng)表示不確定的水質(zhì)類別?；贒-S證據(jù)理論對(duì)其進(jìn)行融合處理，結(jié)果見表2。
表1 水質(zhì)監(jiān)測(cè)數(shù)據(jù)的基本可信度分配值I I II IIII III IIIIIIIV IV ΘBOD50.64 0.11 0.08 0.060.03 0.020.01 0.05高錳酸鹽0.12 0.56 0.1 0.080.04 0.020.01 0.07指數(shù)表2 BOD5和高錳酸鹽指數(shù)指標(biāo)數(shù)據(jù)融合k＝0.239I I IIII II III III IIIIVIV ΘBOD50.64 0.110.08 0.06 0.03 0.02 0.01 0.05高錳酸鹽0.12 0.560.1 0.08 0.04 0.02 0.01 0.07指數(shù)融合結(jié)果0.656 0.1279 0.1698 0.0171 0.0164 0.0037 0.0022 0.0046(二)確定焦元屬性支持度。將辨識(shí)框架Θ的冪集P(Θ)中的每一個(gè)焦元都作為候選決策，焦元Ai屬性對(duì)候選決策Aj(i，j＝1，2，Λ，8)的屬性層面支持度s(i，j)，s(i,j)=|AiIAj||AiYAj|,]]>見表3。
表3 候選決策焦元屬性的支持度I I II IIII IIIIII IIIIV IV ΘI1 0.50 0 0 0 0 0.25I II 0.5 1 0.5 0.33 0 0 0 0.5II 0 0.51 0.5 0 0 0 0.25II III 0 0.33 0.5 1 0.5 0.33 0 0.5III 0 0 0 0.5 1 0.50 0.25IIIIV0 0 0 0.33 0.5 1 0.5 0.5IV 0 0 0 0 0 0.51 0.25Θ 0.25 0.50.25 0.5 0.25 0.50.251
(三)候選決策向量的確定。依據(jù)候選決策的BPA分布及從屬性層面獲得的焦元支持度，候選決策向量T(Ai)表示為T(Ai)＝[t(i，1)，t(i，2)，Λ，t(i，8)]，其中t(i，j)＝s(i，j)*m(Aj)，(i，j＝1，2，Λ，8)，A1，A2，Λ，A8對(duì)應(yīng)，I II，II，II III，III，III IV，IV，Θ。將候選決策向量T(Ai)進(jìn)行正規(guī)化，得正規(guī)化的候選決策向量Tn(Ai)＝[t′(i，1)，t′(i，2)，Λ，t′(i，8)]，其中t′(i,j)=t(i,j)Σj=1mt(i,j),]]>(i，j＝1，2，Λ，8)。
候選決策向量Tn(I)＝(0.9096，0.0887，0，0，0，0，0，0.0017)候選決策向量Tn(I II)＝(0.5977，0.2331，0.1547，0.0104，0，0，0，0.0042)候選決策向量Tn(II)＝(0，0.2627，0.6970，0.0353，0，0，0，0.0049)候選決策向量Tn(II III)＝(0，0.2726，0.5432，0.1094，0.0525，0.0077，0，0.0147)候選決策向量Tn(III)＝(0，0，0，0.3071，0.5857，0.0643，0，0.0429)候選決策向量Tn(III IV)＝(0，0，0，0.2714，0.3905，0.1762，0.0524，0.1095)候選決策向量Tn(IV)＝(0，0，0，0，0，0.3585，0.4151，0.2264)候選決策向量Tn(Θ)＝(0.5649，0.2205，0.1464，0.0296，0.0141，0.0066，0.0021，0.0159)(四)確定候選決策的理想狀態(tài)向量。把100％滿足決策者要求的決策焦元看成是理想的焦元，其滿足程度可用下列狀態(tài)向量表示T*(Ai)＝[t*(i，1)，t*(i，2)，Λ，t*(i，8)]，其中t*(i,j)=1i=j0i≠j,]]>(i，j＝1，2，Λ，8)。稱T*(Ai)為候選決策的理想狀態(tài)向量。
候選決策的理想狀態(tài)向量T*(I)＝(1，0，0，0，0，0，0，0)；候選決策的理想狀態(tài)向量T*(I II)＝(0，1，0，0，0，0，0，0)；候選決策的理想狀態(tài)向量T*(II)＝(0，0，1，0，0，0，0，0)；
候選決策的理想狀態(tài)向量T*(II III)＝(0，0，0，1，0，0，0，0)候選決策的理想狀態(tài)向量T*(III)＝(0，0，0，0，1，0，0，0)；候選決策的理想狀態(tài)向量T*(III IV)＝(0，0，0，0，0，1，0，0)；候選決策的理想狀態(tài)向量T*(IV)＝(0，0，0，0，0，0，1，0)；候選決策的理想狀態(tài)向量T*(Θ)＝(0，0，0，0，0，0，0，1)(五)確定狀態(tài)向量之間的距離。候選決策Ai的正規(guī)化向量Tn(Ai)與該候選決策的理想狀態(tài)向量T*(Ai)之間的距離DisDis[Tn(Ai),T*(Ai)]=1mΣj=1m|t′(i,j)-t*(i,j)|]]>(i＝1，2，Λ，8)。
距離Dis[Tn(I)，T*(I)]＝0.0113；距離Dis[Tn(I II)，T*(I II)]＝0.0959距離Dis[Tn(II)，T*(II)]＝0.0379；距離Dis[Tn(II III)，T*(II III)]＝0.1114；距離Dis[Tn(III)，T*(III)]＝0.0518；距離Dis[Tn(III IV)，T*(III IV)]＝0.103距離Dis[Tn(IV)，T*(IV)]＝0.0731；距離Dis[Tn(Θ)，T*(Θ)]＝0.1230(六)決策方法。首先確定候選決策Ai(i＝1，2，Λ，8)總的支持度TSDTSD(Ai)＝1-Dis[Tn(Ai)，T*(Ai)]，見表4。然后選擇其中最大的A*(A*=maxAi[TSD(Ai)]),]]>即基于狀態(tài)向量距離的D-S證據(jù)融合結(jié)果，判決該流域水質(zhì)類別為I類水。
表4基于BOD5和高錳酸鹽指數(shù)指標(biāo)數(shù)據(jù)融合結(jié)果的候選決策支持度I I、IIII II、III III III、IV IV Θ本文方法0.9887 0.9041 0.9621 0.8886 0.9482 0.897 0.9269 0.87權(quán)利要求
1.基于狀態(tài)向量距離的證據(jù)理論信息融合決策方法，其特征是方法步驟依次分為(一)確定基于D-S證據(jù)理論的信息融合結(jié)果，依據(jù)融合背景的不同，選擇辨識(shí)框架及其冪集，并基于D-S證據(jù)理論對(duì)多源信息進(jìn)行融合處理；(二)確定焦元屬性支持度。將辨識(shí)框架的冪集中的每一個(gè)焦元都作為候選決策，焦元屬性對(duì)候選決策的屬性層面支持度，就變成為焦元屬性之間的支持度，該支持度為s(i,j)=|AiIAj||AiYAj|,(i,j=1,2,Λ,m),]]>其中|·|表示焦元屬性所包含的基元的個(gè)數(shù)；(三)候選決策向量的確定?？紤]到候選決策的基本信任分配分布及從屬性層面獲得的焦元支持度，候選決策向量表示為T(Ai)＝[t(i，1)，t(i，2)，Λ，t(i，m)]，其中t(i，j)＝s(i，j)*m(Aj)，(i，j＝1，2，Λ，m)。將候選決策向量進(jìn)行正規(guī)化，得Tn(Ai)＝[t′(i，1)，t′(i，2)，Λ，t′(i，m)]，其中t′(i,j)=t(i,j)Σj=1mt(i,j),(i,j=1,2,Λ,m);]]>(四)確定候選決策的理想狀態(tài)向量。把100％滿足決策者要求的決策焦元看成是理想的焦元，其滿足程度可用下列狀態(tài)向量表示T*(Ai)＝[t*(i，1)，t*(i，2)，Λ，t*(i，m)]，其中t*(i,j)=1i=j0i≠j,(i,j=1,2,Λ,m).]]>稱T*(Ai)為候選決策的理想狀態(tài)向量；(五)確定狀態(tài)向量之間的距離。候選決策Ai的正規(guī)化向量Tn(Ai)與該候選決策的理想狀態(tài)向量T*(Ai)之間的距離DisDis[Tn(Ai),T*(Ai)]=1mΣj=1m|t′(i,j)-t*(i,j)|]]>(i＝1，2，Λ，m)；(六)決策方法，首先確定候選決策Ai(i＝1，2，Λ，m)總的支持度TSD(Ai)TSD(Ai)＝1-Dis[Tn(Ai)，T*(Ai)]，然后選擇其中最大的A*(A*=maxAi[TSD(Ai)]),]]>即為基于狀態(tài)向量距離的D-S證據(jù)融合決策結(jié)果。
全文摘要
本發(fā)明是一種對(duì)多源異類信息融合結(jié)果進(jìn)行決策的基于狀態(tài)向量距離的證據(jù)理論信息融合決策方法。步驟分確定基于D－S證據(jù)理論的信息融合結(jié)果；確定焦元屬性支持度，將辨識(shí)框架的冪集中的每一個(gè)焦元都作為候選決策；候選決策向量的確定，考慮候選決策的BPA分布及從屬性層面獲得的焦元支持度，將候選決策向量進(jìn)行正規(guī)化；確定候選決策的理想狀態(tài)向量。把100％滿足決策者要求的決策焦元看成是理想的焦元；確定狀態(tài)向量之間的距離；決策方法。首先確定候選決策A
文檔編號(hào)G06F17/00GK1645358SQ200510037680
公開日2005年7月27日 申請(qǐng)日期2005年1月12日 優(yōu)先權(quán)日2005年1月12日
發(fā)明者王建穎, 徐立中, 林志貴, 馬小平 申請(qǐng)人:河海大學(xué), 中國礦業(yè)大學(xué)