[发明专利]一种基于证据距离和不确定度的冲突数据融合方法

权利要求书

1.一种基于证据距离和不确定度的冲突数据融合方法，其特征在于：该方法包括以下步骤：

S1：设有n个证据m_i,i＝1,...,n，对于证据的预处理过程为：

m=Σi=1nwimiΣi=1nwi=1]]>

其中，w_i是证据m_i对应的权重，w_im_i是m_i的折扣，m是原证据的加权平均证据；这n个证据是所有获得焦元的平均加权；通过证据距离以及证据本身的不确定性来构建合适的权重；

若一个证据与其它证据的Jousselme距离越小，则表明它与其它证据的冲突性也较小，将这类证据归为可信任证据；相反，若一个证据与其它证据的Jousselme距离越大，则表明它与其它证据的冲突性也越高，将此类证据归为不可信证据；对于可信任证据，信度熵值越小，则表明不可确定度也越小，证据本身也更明确，更有利于最后的决策融合；在融合过程中，此类证据占更大的权重；而对于不可信证据，信度熵值越小，对应的不确定度也越小，证据本身也更明确；为了得到更准确的融合结果，将分配较小的权重给不可信证据；定义“奖励函数”与“惩罚函数”，创建合适的权重；

S2：定义奖励函数：

αi=exp(-Ed‾(mi)),i=1,2,...,n]]>

其中，为归一化后的信度熵，满足奖励函数满足：

1)奖励函数总是大于0，即α_i＞0；

2)奖励函数是单调递减函数；

根据指数函数的特性，奖励函数是单调递减的函数，随着熵值的增大而减少，随着熵值的减少而增大，符合可信函数的特性，用来创建可信函数的权重；

S3：定义惩罚函数：

αi=exp[-(Edmax‾+1-Ed‾(mi))],i=1,2,...,n]]>

其中，是最大的归一化熵，是归一化信度熵，满足惩罚函数满足：

1)惩罚函数总是大于0，即α_i＞0；

2)惩罚函数是一个单调递增的函数；

S401：通过公式Jousselme提出来的证据距离表示方法，两个证据体m₁(·)和m₂(·)之间的距离d_BOE(m₁,m₂)计算公式为：

dBOE(m1,m2)=12(m1→-m2→)TD‾‾(nh→-m2→)]]>

其中，和分别表示证据体m₁(·)和m₂(·)的向量形式；是2^Θ×2^Θ的矩阵，其计算方式为：

计算任意两个证据m_i和m_j之间的距离矩阵：

DM=[dij]=0d12...d1nd210...d2n............dn1dn2...0,i,j=1,2,...,n]]>

S402：计算证据m_i的平均证据距离

di‾=Σj=1,j≠indijn-1,i,j=1,2,...,n]]>

S403：计算证据全局距离d：

d=Σi=1ndi‾n,i=1,2,...,n]]>

S404：判断证据是可信证据或者非可信证据：

如果m_i则为非可信证据，如果则m_i为可信证据；

S405：设定假设子集A_i，对应的信度函数为m，|A_i|表示集合A_i的元素个数，集合A_i信度熵计算如下：

Ed=-Σim(Ai)logm(Ai)2|Ai|-1]]>

通过信度熵公式计算信度熵E_d(m_i)，i＝1,2,...,n，并且进行归一化处理：

Ed‾(mi)=Ed(mi)Σi=1nEd(mi),i=1,2,...,n]]>

S406：为可信证据与不可信证据分配相应的权重α_i，i＝1,2,...,n，对于可信证据使用公式奖励函数计算其相应的权重，对于非可信证据使用惩罚函数计算其相应的权重；

S407：最后对计算得到的权重进行归一化处理，得到证据最终的权重w_i，计算如下：

wi=αiΣi=1nαi,i=1,2,...,n]]>

通过以上推导，计算得到了每个证据合理的权重值，再根据公式

m=Σi=1nwimiΣi=1nwi=1]]>

计算多个证据的加权平均证据m；最后通过Dempster融合规则对修正后的证据BBA进行融合，得到最终的融合结果；

当证据数量仅有两个时，Jousselme距离是失效的，此时权重的计算方式如下：

首先，计算信度熵E_d(m_i)，i＝1,2，并进行归一化：

Ed‾(mi)=Ed(mi)Σi=1nEd(mi),i=1,2,...,n]]>

通过奖励函数计算权重α_i1：

αi1=exp(-Ed‾(mi)),i=1,2]]>

通过惩罚函数计算权重α_i2：

αi2=exp[-(Edmax‾+1-Ed‾(mi))],i=1,2]]>

其中是最大归一化信度值；

计算平均权重α_i：

αi=12(αi1+αi2),i=1,2]]>

α_i即为最终的权重w_i，接着通过公式计算加权平均证据，最后使用Dempster融合规则进行融合。