[發明專利]一種分層遞階DSmT快速近似推理融合方法

無效

• 申請號: 200910184286.2
• 申請日: 2009-08-18
• 公開（公告）號: CN101639864A
• 公開（公告）日: 2010-02-03
• 發明（設計）人: 李新德;吳雪建
• 申請（專利權）人: 東南大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 南京經緯專利商標代理有限公司
• 代理人: 許 方

技術領域

發明涉及一種分層遞階DSmT快速近似推理融合方法，屬于Dezert-Smarandache?Theory(DSmT)的不確定信息近似推理融合的技術領域。

背景技術

隨著計算機科學的發展，越來越多的信息獲取、融合和管理系統要求智能有效地處理復雜的不完善信息(包括不確定信息、不完全信息、不一致信息和不精確信息，以及定量和定性信息)，于是對信息融合的理論方法提出了更高的要求，傳統的方法很難適應這種高要求。Dezert-Smarandache?Theory(DSmT)是由法國的資深科學家Jean?Dezert博士和美國的著名數學家Florentin?Smarandache教授于2003年共同提出來的一種新的推理理論“Advances?and?Applications?of?DSmT?for?Information?Fusion.”(FlorentinSmarandache?and?Jean?Dezert.American?Research?Press，Rehoboth，USA，Vol.1，Vol.2and?Vol.3，2004/2006/2009)。它是從概率論和D-S證據推理理論的基礎上發展起來的，能夠有效地解決不確定、不精確、模糊、矛盾或者高度沖突、甚至不完全信息的管理和融合問題。目前該理論方法在圖像處理、機器人環境感知、軍事上的多目標跟蹤與識別、多目標決策、雷達目標分類、地理科學、故障診斷、經濟金融、地理信息系統等領域得到了廣泛的應用。但是，同D-S證據推理理論一樣，隨著鑒別框架中焦元數目的增多，其組合推理運算成指數增長，已成為制約該理論廣泛應用與發展的瓶頸問題。

為了解決計算瓶頸問題，很多專家學者在D-S框架下進行不少嘗試，如Jean?Gordon和Edward?H.Shortliffe提出了一種解決單子或可分非單子焦元賦值的證據組合近似推理方法，這種方法主要分三步來實現，盡管可以避免產生冪集空間的非單子焦元和其組合運算的麻煩，但由于第三步需要考慮不同約束情況下，對其不一致信息進行逐步組合，因此隨著鑒別框中的焦元數目的增多，其計算量仍然比較大“A?method?for?managing?evidential?reasoningin?a?hierarchical?hypothesis?space.”(Jean?Gordon?and?Edward?H.Shortliffe.，Artificial?Intell.，1985，26(3)：323-357)。Shafer和Logan改進了Jean?Gordon和Edward?H.Shortliffe的工作，這是因為當沖突比較高時，用Jean?Gordon和Edward?H.Shortliffe的方法，效果不是太好，但Shafer和Logan的算法不能處理證據CAi∪{Aic},]]>這里A_i表示冪集空間集元素，表示A_i的子集，A_i^c表示A_i的補集“Implementing?Dempster’s?rule?for?hierarchical?evidence.”(Shafer，G.，and?Logan，R.，Artificial?Intell.，1987，33(3)：271-298)。Shafer，Shenoy和Mellouli提出了一種定性Markov樹算法，但同時他們也指出該算法本來希望通過減小鑒別框架來降低計算，卻導致其最大拆分運算成指數增長“Propagating?belief?functions?in?qualitative?Markov?trees.”(Shafer，G.，Shenoy，P.P.，and?Mellouli，K.，Int.J.Approx.Reasoning，1987，1(4)：349-400)。UllaBergsten和Johan?Schubert提出了證據的無環直達圖(如圖1所示)，但由于證據要求具有先后次序，而且必須具有完整的具體路徑，約束太強“Dempster’s?Rule?for?Evidence?Ordered?in?a?Complete?Directed?Acyclic?Graph.”(Ulla?Bergsten?and?Johan?Schubert，International?Journal?of?ApproximateReasoning?1993，9：37-73)。Tessem?B.通過忽略比較小的信度賦值焦元的影響，盡可能地縮減鑒別框架中焦元的個數，但這種近似，一方面信息損失嚴重，另一方面，鑒別框架中焦元個數縮減有限，其計算量降低幅度不大“Approximations?for?efficient?computation?in?the?theory?of?evidence.”(Tessem?B.，Artificial?Intelligence，1993，61：315-329)。Thierry?Denoeux和Amel?BenYaghlane通過給出不同粒度層級的鑒別焦元，目的是粗化鑒別框，然后利用快速的轉化算法，并產生信任函數的上下邊界。這種方法通過粗化鑒別框，能夠有效地降低其計算量，且能保證其組合的真實值在一個范圍內，但由于不精確信息的進一步處理也非常麻煩，而且需要同時計算上下邊界，其計算量也很大“approximating?the?combination?of?Belief?functions?using?thefastTransform?in?a?coarsened?frame.”(Thierry?Denoeux，Amel?BenYaghlane，International?Journal?of?Approximate?reasoning，2002，31：77-101)。