1.一种基于模糊推理的高冲突证据融合方法,其特征在于包括以下步骤:步骤1:假设Θ为识别框架,E为识别框架上的一个证据体,假设A,B是证据体E上的焦元,即A,B∈E,m为证据E的质量函数即基本概率分配函数,则首先计算证据的支持概率函数分布:其中SPFm(A)表示证据体E的支持概率函数;
步骤2:根据每条证据体的支持概率分布,即可计算出两条证据间的支持概率的最大距离:MaxDis(mi,mj)表示证据体Ei,Ej之间的距离;
步骤3:为了进一步反映两证据因焦元中多子集之间的变化而引起的冲突程度的变化,引入了支持概率平均距离,定义如下:AveDis(mi,mj)表示证据体Ei,Ej之间的支持概率平均距离;
步骤4:由于证据间的支持概率的最大距离和平均距离都能在一定程度上表达证据间的冲突度,且这两个因素和冲突度之间的关系是复杂且非线性的,因此设计证据差异度测量模糊推理机制(FIM)来表达MaxDis,AveDis,Diff三个因素之间的复杂关系,其中Diff表示证据间的差异度;FIM的输入变量是MaxDis,AveDis,输出变量是证据间的差异度Diff;
FIM主要包括模糊化,模糊规则制定和推理以及反模糊化三部分;
具体步骤如下:
步骤4.1:模糊化
步骤4.1.1:模糊化过程是将输入变量范围内的值映射到相应的隶属函数的模糊子集的过程;MaxDis,AveDis和Diff的范围都在[0,1]上;
步骤4.1.2:支持概率最大距离MaxDis用梯形隶属度函数模糊化,公式如下:其中,a,b,c,d分别表示梯形从左到右的四个顶点,为了使MaxDis更好的趋近1,极大(VL) 模糊集用三角隶属度函数模糊化,公式如下:步骤4.1.3:支持概率平均距离AveDis采用三角隶属度函数模糊化,公式如下:其中,f,m,g分别表示三角形从左到右的三个顶点;
步骤4.1.4:证据间的差异度Diff采用高斯隶属度函数模糊化,公式如下:其中,c表示平均值,σ表示标准差;
步骤4.2:模糊规则制定和推理
步骤4.2.1:将支持概率最大距离和支持概率平均距离模糊化后,根据专家经验制定模糊规则,如果两证据的支持概率最大距离越大,并且平均支持概率越大,那么证据间的差异度就越大,证据间的冲突度也越大,相反,如果支持概率最大距离越小,并且平均距离也很小的情况下,证据间的差异度就越小;
步骤4.2.2:根据玛达尼推理法对MaxDis和AveDis进行模糊推理,输出证据之间的差异度Diff的模糊集。玛达尼推理机制为:其中∨为取最大算子,∧为取最小算子;
步骤4.3:反模糊化
对证据之间差异度的模糊集进行反模糊化,得到模糊推理结果的精确值,完成从输出模糊集到输出数值的映射。主要通过重心法完成反模糊化过程,公式如下:步骤5:假设有k条证据mi(i=1,2...k),则证据Ei,Ej的相似度为:Sim(mi,mj)=1-Diff(mi,mj) (10)其中Diff(mi,mj)表示证据Ei,Ej通过模糊推理机制反模糊化输出的差异度,构建相似矩阵SIM:步骤6:计算证据mi被其他证据支持的程度,即支持度Sup,公式如下:步骤7:对支持度进行归一化处理即可得到每条证据的可信度Crd,公式如下:当其中一条证据与其他证据间的冲突度越大,那么支持度就会越小,可信度也越小,因此正确测量证据间的冲突度对于降低冲突证据对最终融合证据的负面影响是至关重要的;
步骤8:考虑证据本身的不确定性,计算证据的相对重要程度,本发明采用邓勇熵来计算证据本身的不确定度,当证据的不确定度越大,信息熵越大,证据的相对重要程度越低,因此证据的重要度Importance Degree(ID)的计算公式如下:其中Ai是证据体Ei上的焦元,|Ai|表示焦元集合中包含元素的个数;
步骤9:对证据的重要度ID进行归一化,得到修正系数 公式如下:步骤10:根据修正系数,对可信度进行调整,计算调整后的可信度,并归一化后得到最终权值w,公式如下:步骤11:根据权值对证据源进行加权平均,得到平均证据WAE,公式如下:步骤12:通过DS组合规则对平均证据融合(k-1)次,即可得到最后的融合结果。