[發明專利]基于區間數相似性差異構造基本概率賦值的目標分類方法

有效

• 申請號: 202110300837.8
• 申請日: 2021-03-22
• 公開（公告）號: CN113065584B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 趙玉新;姜南;鄧雄;陳力恒;劉廠;邢文;趙廷;常鑫達
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F18/22;G06F18/214
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明屬于信息技術領域，具體涉及一種基于區間數相似性差異構造基本概率賦值的目標分類方法。本發明克服了現有基于區間數模型方法中差異性度量不合理及對已有信息利用率低的問題。本發明采用改進的區間數相似性度量來計算待分類目標與模型之間的差異性，得到比現有方法更合理的差異性度量結果。本發明采用均值與標準差線性組合的建模策略，改善了傳統區間數建模數據利用率低的不足的問題，充分利用了數據信息，提高了模型的魯棒性。本發明方法簡單易行，便于操作，降低了復雜度，可廣泛應用于工業自動化等領域。

技術領域

本發明屬于信息技術領域，具體涉及一種基于區間數相似性差異構造基本概率賦值的目標分類方法。

背景技術

在工業自動化生產領域，利用多傳感器信息融合技術，實現機械裝置對目標的自動分類抓取，可代替人工在極端環境下完成危險、枯燥的工作，降低了成本同時提高生產效率，推動了工業化進程。Dempster-Shafer(D-S)證據理論作為多源信息融合的重要工具，在處理和表達不確定信息等方面具有獨特優勢，已廣泛應用在分類識別等領域。而構造基本概率賦值(Basic?Probability?Assignment，BPA)是應用D-S證據理論的第一步，也是實現多源信息融合決策的前提；如何充分利用現有信息，合理有效地為待測目標構造BPA，對于運用組合規則進行證據融合并做出合理的分類決策具有重要意義。在融合過程中，基于傳感器對測試目標的識別結果，來分析其對一個或多個目標類別的支持程度。根據描述目標屬性傳感器上獲得的概率，直接或結合先驗知識，在由整個可能目標類別集合確定的識別框架上構造BPA。

目前，構造BPA的方法主要分為兩大類：一類是根據領域專家投票加權構造BPA，另一類則是根據已有樣本數據自動生成BPA；第一類方法依靠專家經驗，主觀性較強，不利于信息合理表達且易產生高度沖突；第二類方法大多依托特定的數學模型，并獲得廣泛的應用。總結已有的依托模型的BPA構造方法，尚存在以下問題：(1)大多依托模型的方法具有較高的建模復雜度；(2)現有區間數模型方法中，差異性度量難以得到合理結果；(3)傳統區間數模型的建模策略，不能充分利用已知信息。

發明內容

本發明的目的在于克服現有基于區間數模型方法中，差異性度量不合理及對已有信息利用率低的問題，提供一種基于區間數相似性差異構造基本概率賦值的目標分類方法。

本發明的目的通過如下技術方案來實現：包括以下步驟：

步驟1：獲取待分類的樣本集，分析待分類的樣本可能出現的類別，確定識別框架Θ＝{X₁,X₂,...,X_i,...,X_n}，X_i表示待分類的樣本集中樣本可能屬于的類別；取部分待分類的樣本構造訓練集，其余樣本組成測試集；

步驟2：計算訓練集中樣本在不同類別下各屬性的均值及標準差，得到均值矩陣μ＝[μ_ij]_n×m和標準差矩陣σ＝[σ_ij]_n×m；構建各屬性下單集與復合集的區間數模型；

其中，n為類別的數量；m為屬性的數量，各類別的屬性數量相同；μ_ij為類別i中第j個屬性的均值；σ_ij為類別i中第j個屬性的標準差；所述的集區間數模型為若同一屬性下各單集區間數模型存在交集，則取其交疊部分構造復合集的區間數模型

步驟3：根據度量公式，計算測試集中待分類樣本的不同屬性值與相應各區間數模型的相似性差異

其中，為待分類樣本第j個屬性值的區間數表示；為待分類樣本第j個屬性下單集與復合集的區間數模型，f∈2^Θ且f≠φ；m為常數；

步驟4：依據相似性差異，計算測試集中待分類樣本的不同屬性值對各區間數模型的支持度