[發明專利]基于神經網絡的概率轉換方法

在審

• 申請號: 202210293445.8
• 申請日: 2022-03-23
• 公開（公告）號: CN114723002A
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 李軍偉;趙奧祥;劉桓宇;胡振濤;蘇玉潔
• 申請（專利權）人: 河南大學
• 主分類號: G06N3/04
• 分類號: G06N3/04
• 代理公司: 鄭州聯科專利事務所(普通合伙) 41104
• 代理人: 劉建芳

本發明公開了一種基于神經網絡的概率轉換方法，包括如下步驟：首先由傳感器獲得證據信息，根據證據中已知命題的BPA構建神經網絡輸入層和偏置節點，采用信度函數和似真函數分別獲得神經網絡隱藏層中每個子集命題的平均信息含量和區間信息含量，結合權重函數獲得含有變量的權重因子，根據權重因子逐層分配多元素命題的BPA直至在輸出層輸出具有變量的單元素命題概率，最終根據約束條件確定最優的轉換結果，本發明通過將證據中各命題的BPA構建成神經網絡的不同部分，以變化的權重逐層分配命題的BPA直至獲得單元素命題概率后，再以約束條件進行修正，具有重要的理論意義和應用價值。

技術領域

本發明涉及信息處理和決策支持領域，尤其涉及一種基于神經網絡的概率轉換方法。

背景技術

決策支持是一種不斷發展的技術，要做出有效決策的前提是整合傳感器收集的信息，獲取各狀態參數的概率值，降低信息的不確定性，然后通過概率決策模型進行判斷。Dempster-Shafer(DS)證據理論相比于傳統概率論，在處理識別目標不確定時可以直接用多元素命題的基本概率指派(Basic Probability ssignment,BPA)來表達信息。但直接DS證據理論采用BPA進行決策，若多元素命題的勢較大，則信度賦值將過于分散，從而導致決策過程復雜化，并對決策產生不利的影響。為了降低識別信息的不確定性使最終決策更加準確，可以將冪集框架下的信度賦值映射到單子集識別框架形成概率，利用概率推理手段進行有效決策。

文獻[1]利用單元素命題的信任函數和似真函數通過相關運算直接獲得概率。但該方法往往容易受到自身命題情況的限制，不能很好的降低信息的不確定性，且在一定情況下產生無意義的轉換結果。文獻[2]提出Pignistic概率轉換方法，將每個多元素命題的BPA按照元素個數平均分配，但此時僅按照命題勢平均分配沒有利用到現有命題信息，轉換結果過于保守。文獻[3]提出了一種基于有序加權平均(Ordered Weighted Average,OWA)算子和熵差的概率轉換方法，根據有序加權平均法分配多元素命題的BPA獲得的含有變量的單子集概率，然后以最小熵差為約束來確定變量。文獻[4]提出了一種基于置信區間和有序加權平均(Continuous interval argument Ordered Weighted Average,C-OWA)算子的概率轉換方法，通過置信區間獲得每個單元素命題的偏好程度，再根據C-OWA算子獲得單元素命題支持度，共同作用于多元素命題BPA的分配。文獻[5]提出了一種基于Shapley值的概率轉換方法，根據單元素命題對多元素命題的貢獻程度來分配多元素命題的BPA。當多元素命題所包含的單元素命題的BPA沒有全部直接在證據中存在時，文獻[3-5]的轉換方法不能進行合理的分配。

為了解決現有技術的不足，本發明提出一種基于神經網絡的概率轉換方法，根據各命題的BPA構建神經網絡后以最大化概率信息含量(Probabilistic InformationContent,PIC)為約束條件確定最優轉換結果，不僅具有更好的普適性，且具有更高的準確度。

發明內容

本發明的目的是提供基于神經網絡的概率轉換方法，能夠有效降低信息的不確定性，對決策更加有利。

本發明采用的技術方案為：基于神經網絡的概率轉換方法，其特征在于：

步驟一：決策支持中的辨識框架Θ＝{θ₁,θ₂,θ₃,…,θ_k}是由k個互斥的元素組合而成，辨識框架中所有元素任意組合，產生一個冪集合存在命題A滿足稱m(A)為命題A的基本概率指派(Basic ProbabilityAssignment,BPA)。在處理不確定信息時可以直接用多元素命題的BPA來表達信息的不確定性，但若多元素命題勢較大，信度賦值過于分散，使得決策過程相對復雜，將冪集框架下多元素命題的BPA映射到單子集識別框架，從而轉換為單元素命題概率，降低信息的不確定性，來使決策簡單化。