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。考慮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(guó)礦業(yè)大學(xué)