一种新的证据K-NN数据分类算法

K近邻分类算法已被广泛应用于模式识别中。为了有效处理识别问题中的不确定信息并提高数据分类精度,提出了一种新的证据K-NN(NEK-NN)分类算法。首先从总的训练集中随机重复采样来构造多个训练样本子集。在每个训练子集中,利用目标数据与其各个近邻的距离分别构造基本置信指派,并根据K个近邻数据在每个类别中的数目来对构造的置信指派进行加权。然后,利用DS规则对加权证据融合。根据每个训练子集下融合结果的算术平均值来判断目标的类别属性。通过模拟数据集和真实数据集的实验,将NEK-NN算法与其他几种常见的方法做了对比分析,结果表明NEK-NN算法能够有效地提高分类的精度。     

基于证据理论的多源信息目标识别

目标识别系统中多源传感器信息高度冲突时,利用DS规则直接融合得出的结果不合理,针对该问题,提出了期望证据融合算法。多个证据融合时,根据两证据间的矛盾信息大小确定其相互支持度,将证据支持度矩阵模最大特征值对应的特征向量归一化后得到各证据的权重系数,进而求出期望证据,并用DS规则迭代融合。通过数字仿真对多种方法进行了比较分析,表明期望证据法在传感器信息高度冲突时依然可以得到较为理想的融合结果。     

基于证据理论和云理论的C4ISR系统效能评估

为了解决C4ISR系统效能的定性评估问题,提出了一种基于证据理论和云理论的评估方法.首先,构建效能信度模型,通过评估专家对效能信度的赋值反映出定性评估过程中的不确定性,然后采用折扣融合证据规则对评估值进行融合,克服了专家经验知识不同所带来的证据高冲突性,最后使用云重心评判法得到系统效能的定性评估结果.仿真结果表明:该评...