基于置信函数理论的不确定数据分类与决策融合
在错综复杂的战场环境下,由于外界干扰、电子对抗以及传感器自身性能限制等诸多因素的影响,所获取的信息一般具有很大的不确定性。这里的不确定性主要包括由于获取的信息不充分造成的不精确性,由于信息缺失造成的不完备性,以及由于干扰欺骗造成的不可靠性。
这些广泛存在于战场目标识别与威胁评估中的信息的不确定性给传统的数据分类及决策融合方法带来了新的挑战。作为传统概率理论的推广,置信函数理论提供了一套完善的针对多种不确定信息进行建模和推理的理论框架。
本论文基于置信函数理论这一不确定信息处理框架,围绕不确定数据分类与决策融合这两个具有一般意义的科学问题,开展了以下研究:1.针对分类问题中训练数据的不精确性,即源于不同类别的训练数据在特征空间部分重叠的情形,提出了一种证据剪辑k近邻(EEk NN)分类方法。该方法首先采用证据剪辑算法对原始训练样本进行预处理,用一种置信隶属度结构替代原始的单独类别标签,从而更好地刻画类别重叠区域训练样本的不确定性;然后考虑到证据剪辑后训练样本之间的相关性,采用三角范数组合规则对输入样本的k个最近邻训练样本在置信函数框架下进行融合 ...