第三章身份融合算法Word文档格式.docx
《第三章身份融合算法Word文档格式.docx》由会员分享,可在线阅读,更多相关《第三章身份融合算法Word文档格式.docx(11页珍藏版)》请在冰豆网上搜索。
O(H|E)=Pr(E丨H)O(H)=LSO(H)
Pr(E|H)
LS:
充分性因子(充分性度量),表证据E为真时,对H的影响程度。
类似地,若令
LN「P^
证据E为假时H的后验几率为
O(H|E^P^O(H^LNO(H)
LN:
必要性因子(必要性度量),表示证据E为假时对结论H的影响程度。
LS和LN是由专家根据经验给出的。
当给定了规则和规则中的LSLN后,就可依据规则对H发生的可能性进行推理。
LN)为
规则1:
A
H
20
1
Pr(A)-1
规则2:
B
300
Pr(B)=1
计算当证据A和B同时出现时,
假设
H的后验概率
(1)由Pr(H)=0.03,有
证据(巳
假设(H)
LS
LN
AtHLS=20,LN=1
O(H|A)=LS0(H)=200.030927=0.61855
Pr(H|A"
^H^L=^^=0.382
1O(H|A)10.61855
由于证据A的出现,使得H的发生概率由0.03增加到0.382
O(H|AB)二LS0(H|A)=300O(H|A)=0.61855300=185.565
Pr(H|AB"
^^^^“99464
1O(H|AB)1185.565
由于证据A和B的出现,使H的发生概率由0.03增加到0.99464证据的不确定性描述:
前面的证据是确定性的,但往往证据本身是不确定性的。
如有点发烧、有点
咳嗽、脸色有点白、头有点痛等等。
令E•表示有关E的观察,P,E|E)表示E的不确定性值。
不确定性证据对结论H的影响可用下式表示
Pr(H|E)=;
-P(H)_P(H|E)
Pr(H|E)+八二Pr(E|E),0^Pr(E|E)<
(E)
Pr(H^Pr(H|^~Pr(H)IPr(E|E)-Pr(E)],P「(E)兰(E|E仁11-Pr(E)
例,证据E1、证据E2及事件A的先验概率、规则中的(LS,LN)如下图所示,并且
Pr(Ei|SO=0.7,Pr(E2|S2)=0.6,计算A的后验概率Pr(A|aS2)。
0.1
由于Pr(EiIS)=0.70.2
因此
Prgg+P罕首仙呢⑸-伯】
0(小需“111111
由于Pr(E2|S2)=0.6:
:
0.7
Pr(A)-Pr(A|E2)
Pr(A|S2)=Pr(A|E2)2PrQ^)
Pr(E2)
二Pr(A|E2)O.P"
叵)0.6
0.7
0(A|E2)
LN0(A)
—0.0000010.11111Pr(A|E2):
1O(A|E2)1LNO(A)10.0000010.11111
=0.00000011111
Pr(A|S2)=0.0857
由Pr(A|Si)和Pr(A|S2),得
O(A"
^iSr0.178
O(A|S2)=Pr(A|S2)=0.09375
1-Pr(A|S2)
O(A-sVO(A|S2)
O.178"
.09375"
^(见式3.17)
O(A)0.11111
O(A|SS2)
Pr(A|S1S2)=「o(a|s「S2)=^^"
13
作业:
证据巳、证据E2、E3及事件AB的先验概率、规则中的(LS,LN)如
下图所示,并且Pr®
13)=0.7,Pr(E2|S2)=0.6,Pr(E36)=0.02,计算事件B
的后验概率Pr(B|SiS2S3)
0.01
(2.0,0.000001)
"
0.2
0.4
(300,0.001)
E3
0.03
3.2D-S证据理论
证据理论是由Dempster于1967年提出的,后由Shafer加以扩充和发展,所以证据理论又称为D-S理论。
证据理论可处理由不知道所引起的不确定性。
证据理论的基本概念
设U表示X所有取值的一个论域集合,且所有在U内的元素是互不相容的,则称u为X的识别框架。
如u=c大型机、小型机、直升机、航巡导弹}
u可以有限也可以无限,在专家系统的应用中是有限的。
定义1:
设U为一识别框架,2U为U的所有子集构成的集合,如果存在函数
m:
2U-[0,1],满足下列条件:
1)m()=0
2)m(Q)_0,-QU
3)'
m(Qj)=1
Qj芒U
则称m(Q)为Q的基本概率赋值,而函数m为质量函数或基本概率赋值函数[3,6]。
如U-'
a,b,c?
,则2U二「"
a,b,c,a,b「a,c,b,c,a,b,c打
m(A)表示对命题A的精确信任程度,表示了对A的支持。
定义2:
设U为一识别框架,m:
2U>
[0,1]是U上的基本概率赋值,定义函
数
BEL:
2U>
[0,1]
BEL(A)八m(B)(~AU)(4.17)
BZA
称该函数是U上的信任函数(Belieffunction)。
BEL(A)^m(B)表示A的所有子集的可能性度量之和,即表示对A的总信
B—A
任,从而可知
BEL()=0,BEL(U)=1
如:
m(a)=0.2,m(b)=0.3,mCa,b)=02则
BEL(a)二0.2
BEL(b)二0.3BEL(:
a,b)=m(a)m(b)m(a,b)=0.20.30.2=0.7
定义3:
若识别框架U的一子集为A,具有m(A).0,则称A为信任函数BEL的焦元,所有焦元的并称为核(2U中去掉m(A)二0的子集)。
证据的组合:
证据理论中的组合规则提供了组合两个证据的规则。
设m1和m2
是2U上的两个相互独立的基本概率赋值,现在的问题是如何确定组合后的基本概率赋值:
m=mj二m2。
定义4:
设BELi和BEL2为同一识别架U上的两信任函数,mj和m?
分别是其对应的基本概率赋值,焦元分别为A,…,Ak和Bi,…,Br,又设
K=\mi(A)m2(Bj):
:
1
i,j
ABj二
则
-迟g(A)mi2(Bj)
宀i,j
A门b・=cm(C)=jPCUUch©
1-K0C=^
在式中,若K1,则m确定一个基本概率赋值;
若K=1,则认为mi、m2矛盾,不能对基本概率赋值进行组合。
上述所给出的证据组合规则称为Dempster组合规则。
对于多个证据组合,可采用上述组合规则对证据进行两两综合。
基于证据理论的决策
用证据理论组合证据后如何进行决策是与应用密切相关的问题。
针对侦察预
警网属性数据的特点,我们采用基本概率赋值进行决策。
设AA•U,满足
』m(AJ=max<
m(A),Au}
、m(A2)=max<
m(A),A^U,A式
若有
m(Ai)m(U)
其中,U信任函数中不确定的焦元,则Ai即为判决结果,其中M,;
2为预先设定的门限。
应用
下面举例说明证据理论在空情预警系统多源属性信息融合中的应用。
设Oi表
示战斗机,。
2表示多用途或地面攻击飞机,。
3表示轰炸机,。
4表示预警机,目标识别框架为U」Oi,02,03,0「,系统使用了四种空情源,分别用源A、B、C、
D来表示。
由四种空情源确定的基本概率赋值如表1所示。
表1由四种空情源确定的基本概率赋值
Oi
O2
O3
O4
U
mA(・)
0.20
0.40
0.12
0.15
0.13
mB(・)
0.45
0.05
0.25
0.10
mO
0.30
0.00
mo(*)
首先按Dempster组合公式对mA(・)和mB(•)组合得到空情源A和B关于目
标识别的基本概率赋值,组合情况如表2所示,其中••表示空集
表2mA(•)和mB(•)合成情况
o1(0.20)
o2(0.40)
。
3(0.12)
O4(0.15)
U(0.13)
mB(»
o1(0.45)
o1(0.09)
*(0.18)
©
(0.054)
*(0.0675)
o1(0.0585)
O2(0.05)
(0.01)
O2(0.02)
0(0.006)
*(0.0075)
o2(0.0065)
O3(0.25)
*(0.05)
*(0.10)
O3(0.03)
叭0.0375)
O3(0.0325)
O4(0.10)
*(0.02)
*(0.04)
(0.012)
o4(0.015)
o4(0.0130)
U(0.15)
o1(0.03)
o2(0.06)
o3(0.018)
o4(0.0225)
U(0.0195)
由表2可得mA(*)和mB(•)这两批证据的不一致因子K为
K=0.180.0540.06750.010.0060.00750.05
0.10.03750.020.040.012=0.5845
于是,空情源A和B目标识别的基本概率赋值为
mAbQ)
mAB(。
2)
0.090.030.585
0.43
1-K
0.020.060.0065…
0.21
Eab(U)二凹95:
0.05
1-K
同理,将AB和C的证据融合后的基本概率赋值为
mABC(。
1)-0.48,mABC(。
2)=0.27,mABC(。
3)=0.1,
mAbc(。
4)=0.133,mAbc(U)=