基于群体决策和证据理论的信息融合新方法及在多分类器集成中的应用

【摘要】： 证据理论是在传统的贝叶斯理论上发展起来的,是对经典概率的一种扩展,它用上概率和下概率反映所有可能结果的集合幂集的信任度。该理论作为一种不确定性的推理方法,对不确定性问题的处理更加符合人们的思维习惯,能够对非冲突的“不完全信息”、“不确定信息”和“不可靠信息”进行合理的描述和处理,已被成功地应用于许多领域的不确定性信息处理。但是,在证据理论的实际应用中,常常会面临各种不确定的冲突信息,特别是当参与合成的证据间具有较大的不一致性或冲突性时,证据合成方法无法得出结果或者得出与事实相悖的结果。这一局限性在很大程度上制约了证据理论的进一步推广和应用。为了使其在实际中得到更为广泛的应用,需要对证据理论的合成方法做进一步扩展研究。 本文尝试将群体决策的思想引入到证据理论中,构建冲突证据合成的新规则,并应用于多个分类器的信息融合中。主要研究内容如下： 1、文献中关于冲突证据合成的最新成果之一就是稳健合成规则。这种合成规则不仅能避免冲突问题,而且具有拟结合性、稳健性等优良性质,其不足之处是忽略了焦元一致性,合成的结果有时不理想或丢失信息过多。本文针对该规则的缺点提出一种解决冲突证据合成的新规则——自适应-稳健合成规则,并通过例子比较验证了新规则的有效性； 2、经典证据理论的每个合成规则都只默认一种决策体制,而实际中不同的情况往往对应着不同的决策体制。针对这种情形,本文首先用群体决策的主要规则对参与合成的证据进行预处理,然后在改进规则的基础上构建一个新的信息融合方法。实验表明,新方法合成的结果更理想、更适用； 3、为提高经典多分类器的分类精度,本文将Fisher判别分析与新融合方法相结合,对不同属性的不同分类器进行信息融合,取得了精度更高的分类结果,进一步显示了新方法的可用性和优越性。