[发明专利]基于区间数相似性差异构造基本概率赋值的目标分类方法

说明书

本发明属于信息技术领域，具体涉及一种基于区间数相似性差异构造基本概率赋值的目标分类方法。本发明克服了现有基于区间数模型方法中差异性度量不合理及对已有信息利用率低的问题。本发明采用改进的区间数相似性度量来计算待分类目标与模型之间的差异性，得到比现有方法更合理的差异性度量结果。本发明采用均值与标准差线性组合的建模策略，改善了传统区间数建模数据利用率低的不足的问题，充分利用了数据信息，提高了模型的鲁棒性。本发明方法简单易行，便于操作，降低了复杂度，可广泛应用于工业自动化等领域。

技术领域

本发明属于信息技术领域，具体涉及一种基于区间数相似性差异构造基本概率赋值的目标分类方法。

背景技术

在工业自动化生产领域，利用多传感器信息融合技术，实现机械装置对目标的自动分类抓取，可代替人工在极端环境下完成危险、枯燥的工作，降低了成本同时提高生产效率，推动了工业化进程。Dempster-Shafer(D-S)证据理论作为多源信息融合的重要工具，在处理和表达不确定信息等方面具有独特优势，已广泛应用在分类识别等领域。而构造基本概率赋值(Basic Probability Assignment，BPA)是应用D-S证据理论的第一步，也是实现多源信息融合决策的前提；如何充分利用现有信息，合理有效地为待测目标构造BPA，对于运用组合规则进行证据融合并做出合理的分类决策具有重要意义。在融合过程中，基于传感器对测试目标的识别结果，来分析其对一个或多个目标类别的支持程度。根据描述目标属性传感器上获得的概率，直接或结合先验知识，在由整个可能目标类别集合确定的识别框架上构造BPA。

目前，构造BPA的方法主要分为两大类：一类是根据领域专家投票加权构造BPA，另一类则是根据已有样本数据自动生成BPA；第一类方法依靠专家经验，主观性较强，不利于信息合理表达且易产生高度冲突；第二类方法大多依托特定的数学模型，并获得广泛的应用。总结已有的依托模型的BPA构造方法，尚存在以下问题：(1)大多依托模型的方法具有较高的建模复杂度；(2)现有区间数模型方法中，差异性度量难以得到合理结果；(3)传统区间数模型的建模策略，不能充分利用已知信息。

发明内容

本发明的目的在于克服现有基于区间数模型方法中，差异性度量不合理及对已有信息利用率低的问题，提供一种基于区间数相似性差异构造基本概率赋值的目标分类方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：获取待分类的样本集，分析待分类的样本可能出现的类别，确定识别框架Θ＝{X₁,X₂,...,X_i,...,X_n}，X_i表示待分类的样本集中样本可能属于的类别；取部分待分类的样本构造训练集，其余样本组成测试集；

步骤2：计算训练集中样本在不同类别下各属性的均值及标准差，得到均值矩阵μ＝[μ_ij]_n×m和标准差矩阵σ＝[σ_ij]_n×m；构建各属性下单集与复合集的区间数模型；

其中，n为类别的数量；m为属性的数量，各类别的属性数量相同；μ_ij为类别i中第j个属性的均值；σ_ij为类别i中第j个属性的标准差；所述的集区间数模型为若同一属性下各单集区间数模型存在交集，则取其交叠部分构造复合集的区间数模型

步骤3：根据度量公式，计算测试集中待分类样本的不同属性值与相应各区间数模型的相似性差异

其中，为待分类样本第j个属性值的区间数表示；为待分类样本第j个属性下单集与复合集的区间数模型，f∈2^Θ且f≠φ；m为常数；

步骤4：依据相似性差异，计算测试集中待分类样本的不同属性值对各区间数模型的支持度