[发明专利]基于神经网络的概率转换方法

说明书

本发明公开了一种基于神经网络的概率转换方法，包括如下步骤：首先由传感器获得证据信息，根据证据中已知命题的BPA构建神经网络输入层和偏置节点，采用信度函数和似真函数分别获得神经网络隐藏层中每个子集命题的平均信息含量和区间信息含量，结合权重函数获得含有变量的权重因子，根据权重因子逐层分配多元素命题的BPA直至在输出层输出具有变量的单元素命题概率，最终根据约束条件确定最优的转换结果，本发明通过将证据中各命题的BPA构建成神经网络的不同部分，以变化的权重逐层分配命题的BPA直至获得单元素命题概率后，再以约束条件进行修正，具有重要的理论意义和应用价值。

技术领域

本发明涉及信息处理和决策支持领域，尤其涉及一种基于神经网络的概率转换方法。

背景技术

决策支持是一种不断发展的技术，要做出有效决策的前提是整合传感器收集的信息，获取各状态参数的概率值，降低信息的不确定性，然后通过概率决策模型进行判断。Dempster-Shafer(DS)证据理论相比于传统概率论，在处理识别目标不确定时可以直接用多元素命题的基本概率指派(Basic Probability ssignment,BPA)来表达信息。但直接DS证据理论采用BPA进行决策，若多元素命题的势较大，则信度赋值将过于分散，从而导致决策过程复杂化，并对决策产生不利的影响。为了降低识别信息的不确定性使最终决策更加准确，可以将幂集框架下的信度赋值映射到单子集识别框架形成概率，利用概率推理手段进行有效决策。

文献[1]利用单元素命题的信任函数和似真函数通过相关运算直接获得概率。但该方法往往容易受到自身命题情况的限制，不能很好的降低信息的不确定性，且在一定情况下产生无意义的转换结果。文献[2]提出Pignistic概率转换方法，将每个多元素命题的BPA按照元素个数平均分配，但此时仅按照命题势平均分配没有利用到现有命题信息，转换结果过于保守。文献[3]提出了一种基于有序加权平均(Ordered Weighted Average,OWA)算子和熵差的概率转换方法，根据有序加权平均法分配多元素命题的BPA获得的含有变量的单子集概率，然后以最小熵差为约束来确定变量。文献[4]提出了一种基于置信区间和有序加权平均(Continuous interval argument Ordered Weighted Average,C-OWA)算子的概率转换方法，通过置信区间获得每个单元素命题的偏好程度，再根据C-OWA算子获得单元素命题支持度，共同作用于多元素命题BPA的分配。文献[5]提出了一种基于Shapley值的概率转换方法，根据单元素命题对多元素命题的贡献程度来分配多元素命题的BPA。当多元素命题所包含的单元素命题的BPA没有全部直接在证据中存在时，文献[3-5]的转换方法不能进行合理的分配。

为了解决现有技术的不足，本发明提出一种基于神经网络的概率转换方法，根据各命题的BPA构建神经网络后以最大化概率信息含量(Probabilistic InformationContent,PIC)为约束条件确定最优转换结果，不仅具有更好的普适性，且具有更高的准确度。

发明内容

本发明的目的是提供基于神经网络的概率转换方法，能够有效降低信息的不确定性，对决策更加有利。

本发明采用的技术方案为：基于神经网络的概率转换方法，其特征在于：

步骤一：决策支持中的辨识框架Θ＝{θ₁,θ₂,θ₃,…,θ_k}是由k个互斥的元素组合而成，辨识框架中所有元素任意组合，产生一个幂集合存在命题A满足称m(A)为命题A的基本概率指派(Basic ProbabilityAssignment,BPA)。在处理不确定信息时可以直接用多元素命题的BPA来表达信息的不确定性，但若多元素命题势较大，信度赋值过于分散，使得决策过程相对复杂，将幂集框架下多元素命题的BPA映射到单子集识别框架，从而转换为单元素命题概率，降低信息的不确定性，来使决策简单化。