专利名称：多源�：畔⑷诤洗矸椒�
技术领域：
本发明涉及的是一种用于多源异类�：畔⑷诤洗矸椒�。属于检测与信息处理技术领域。
背景技术目前，依据D-S证据理论在不确定性的表示、量测和组合方面的优势，结合模糊集(Fuzzy sets)能有效地处理带有�：牟蝗范ㄐ孕畔⒌奶氐悖纬蒁-S证据理论向模糊集扩展的方法。但是这些方法主要存在以下几个方面的缺陷基元隶属于�：乖潭鹊娜范ü谖涠希荒：系摹鞍取焙汀跋嘟欢取钡亩ㄒ宀晃ㄒ唬幻挥卸宰魑�、下概率的信任函数Bel和似真函数Pl做出合理的解释；信任函数Bel对某些焦点元素的显著变化不敏感等。
发明内容本发明的目的在于针对上述存在的缺陷，设计了一种基于Vague证据理论的多源�：畔⑷诤洗矸椒�。该方法结合D-S证据理论与Vague集，充分利用Vague集在�：畔⒌谋硎痉矫娴挠攀萍癉-S证据理论在不确定性的表示、量测和组合方面的优势，使其具有易于表示�：畔�、转化�：畔⑽ぞ荩⑶胰诤辖峁靶湃魏鼴el对某些焦点元素的显著变化敏感等特点。本发明的技术解决方案具体实施步骤依次分为 (一)选择融合处理的信息。依据应用领域的不同，选择需要进行融合处理的信息。
(二)确定证据理论中的辨识框架。根据识别目标的需要，结合Vague证据理论的特点，确定证据理论中的辨识框架。在此基础上确定相应的Vague子集。
(三)基本可信度分配函数值的确定。目前，融合信息具有多源性，且具有异类的特点，因此需要将多源信息转化为证据理论中的证据，使其具有统一的表示形式，便于融合处理。专业人员或专家系统依据经验将多源信息转化为相应证据的基本可信度分配值。
(四)多源�：畔⑷诤洗�。融合处理过程分为两种情况 (A)两类证据的融合 假设在同一辨识框架X(x1，x2，…xn)上有两个证据，其基本可信度分配函数分别为m1和m2，相应的Vague焦元分别为{A1，A2，…，Ap}和{B1，B2，…，Bq}，于是，组合这两个证据得新的基本可信度分配函数mPX→
，这个基本可信度分配函数m对于所有Vague焦元
，有 其中，
为V=ague焦元
与
之间的相似度，其定义为 设辨识框架X(x1，x2，…xn)，
为其上的Vague焦元，则Vague焦元
与
之间的相似度为 其中，|X|为辨识框架X的基(|X|=n)。
(B)多类证据的融合 假设在同一辨识框架X(x1，x1，…xn)上有n个证据，其基本可信度分配函数分别为m1，m2，…，mn，相应的Vague焦元分别为{Ai1，Ai2，…，AiW}，于是，组合这n个证据得新的基本可信度分配函数mPX→
，组合步骤如下 Step1 Step2 Step3 其中，可采用A步计算，k值由辨识框架X的幂集PX的基|PX|＝W和证据个数n来确定。
(五)类别判定。基于Vague证据理论的多源�：畔⒆楹辖峁范ɡ啾鸬男湃魏担≡褡畲蟮男湃魏档睦啾穑魑钪绽啾�。具体步骤如下 Step1基于多源�：畔⒆楹辖峁范ɡ啾鸬男湃魏墓毕滓蛴�。
设辨识框架X(x1，x2，…xn)，
为其上的Vague焦元， 则Vague焦元
对
的贡献因子为 Step2依据确定Vague证据理论的信任函数值。
Step3计算
判定最终类别。
具体实施方式
以太湖小梅口的水质监测数据为对象，评价该区域的水质富营养化状况，说明本发明的实施过程。
(一)选择融合处理的信息。依据太湖地理位置及周边环境的状况，选取对水质富营养化状况影响较大的因子叶绿素a(Chla)、总氮(TN)，作为评价指标。具体监测数据为叶绿素a(Chla)为0.006mg/L；总氮(TN)为1.41mg/L。
(二)确定证据理论中的辨识框架。基于太湖区域水环境历史状况及变化规律，相应的标准分为贫营养、贫—中营养、中营养、中—富营养、富营养，其值见表1。
表1太湖富营养化程度评价标准 根据近年来太湖水质状况，确定D-S证据理论中的辨识框架为Θ＝{1，2，3}，其中1表示贫营养；2表示中营养；3表示富营养，相应的Vague子集为
其具体数值及代表的水质类别如下 贫营养 贫—中营养 中营养 中—富营养 富营养 (三)基本可信度分配函数值的确定。由监测人员或专家系统根据经验将监测数据转化为相应证据的基本可信度分配值，见表2。
表2证据的基本信任分配(BPA) (四)监测数据融合处理。本例采用两个证据Chla和TN，属于两类证据融合。A步方法进行融合，得到9种不同的组合焦元
其BPA见表3。
表3证据组合后模糊焦元的BPA值 其中， (五)类别判定。
Step1基于多源�：畔⒆楹辖峁范ɡ啾�
的信任函数的贡献因子，结果见表4。
表4证据组合后�：乖�
的信任函数的贡献因子 Step2确定Vague证据理论的信任函数值，见表5。
表5证据组合后�：乖�
的信任函数值 Step3计算
判定最终类别
即该流域的水环境富营养状况为中营养。
权利要求
1、多源�：畔⑷诤洗矸椒�。其特征是方法步骤依次分为
(一)选择融合处理的信息。依据应用领域的不同，选择需要进行融合处理的信息。
(二)确定证据理论中的辨识框架。根据识别目标的需要，结合Vague证据理论的特点，确定证据理论中的辨识框架。在此基础上确定相应的Vague子集。
(三)基本可信度分配函数值的确定。目前，融合信息具有多源性，且具有异类的特点，因此需要将多源信息转化为证据理论中的证据，使其具有统一的表示形式，便于融合处理。专业人员或专家系统依据经验将多源信息转化为相应证据的基本可信度分配值。
(四)多源�：畔⑷诤洗�。融合处理过程分为两种情况
(A)两类证据的融合
假设在同一辨识框架X(x1，x2，...xn)上有两个证据，其基本可信度分配函数分别为m1和m2，相应的Vague焦元分别为{A1，A2，...，Ap}和{B1，B2，...，Bq}，于是，组合这两个证据得新的基本可信度分配函数mPX→
，这个基本可信度分配函数m对于所有Vague焦元
，有
其中，
为Vague焦元
与
之间的相似度，其定义为设辨识框架X(x1，x2，...xn)，
为其上的Vague焦元，
则Vague焦元
与
之间的相似度为
其中，|X|为辨识框架X的基(|X|＝n)。
(B)多类证据的融合
假设在同一辨识框架X(x1，x2，...xn)上有n个证据，其基本可信度分配函数分别为m1，m2，...，mn，相应的Vague焦元分别为{Ai1，Ai2，...，AiW}，于是，组合这n个证据得新的基本可信度分配函数mPX→
，组合步骤如下
Step1
Step2
Step3
其中，可采用A步计算，k值由辨识框架X的幂集PX的基|PX|＝W和证据个数n来确定。
(五)类别判定。基于Vague证据理论的多源�：畔⒆楹辖峁范ɡ啾鸬男湃魏担≡褡畲蟮男湃魏档睦啾穑魑钪绽啾�。具体步骤如下
Step1基于多源�：畔⒆楹辖峁范ɡ啾鸬男湃魏墓毕滓蜃�。
设辨识框架X(x1，x2，...xn)，
为其上的Vague焦元，
则Vague焦元
对
的贡献因子为
Step2依据，确定Vague证据理论的信任函数值。
Step3计算，判定最终类别。
全文摘要
多源�：畔⑷诤洗矸椒ㄊ且恢侄远嘣匆炖嗄：畔⒔写淼幕赩ague证据理论的融合方法。属于检测与信息处理技术领域。步骤为选择融合处理的信息；确定证据理论中的辨识框架；确定基本可信度分配函数值；确定Vague焦元的相似度，修改证据源模型，组合证据；基于融合结果，确定焦元对其它焦元信任函数的贡献因子；然后依据焦元信任函数值，取最大者为最终结果。优点该方法结合证据理论和Vague集，表达信息的�：裕浞掷媚：畔⒅涞幕ゲ购腿哂啵哂幸子诒硎灸：畔ⅲ胰诤辖峁靶湃魏阅承┙沟阍氐南灾浠舾械忍氐�。该方法主要用于信息融合、模式识别、故障检测、人工智能等领域。
文档编号G01N35/00GK1971549SQ20051001640
公开日2007年5月30日 申请日期2005年11月25日 优先权日2005年11月25日
发明者林志贵, 袁臣虎, 高飏, 冯志红 申请人:天津工业大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
