[发明专利]基于卷积神经网络的证据权重确定方法、装置和电子设备

说明书

本申请涉及多源数据融合技术领域，公开了一种基于卷积神经网络的证据权重确定方法、装置和电子设备，包括：从多个传感器测量信息中获取多个证据，将每个证据看作一个证据向量；将所有证据向量输入到输入网络，得到证据向量矩阵；将证据向量矩阵输入到卷积网络，得到证据内部及证据之间的潜在特征；将得到的潜在特征输入到输出网络，得到证据权值预测值；对由输入网络、卷积网络和输出网络组成的卷积神经网络进行训练，得到输入证据相对应的证据权值。这样以证据作为卷积神经网络输入，以相应的权值作为输出，利用卷积神经网络可充分挖掘影响证据权重的潜在有用信息，从而全面、有效地确定权值，具有更高的分类识别精度和较强的鲁棒性。

技术领域

本发明涉及多源数据融合技术领域，特别是涉及一种基于卷积神经网络的证据权重确定方法、装置和电子设备。

背景技术

在实际应用中，来自不同来源的信息往往是不确定的、不一致的和模糊的。如何有效地处理不确定的信息是一个开放性的问题。为了解决这一问题，学者们讨论了几种数学理论，如贝叶斯理论、模糊集理论、登普斯特Dempster-Shafer(D-S)证据理论、可能性理论、d数、z数、粗糙集理论和分形理论等。特别是D-S证据理论，作为一种处理不确定信息的合理、有效的方法，具有以下三个优点：首先，与贝叶斯理论相比，它不需要先验概率或满足概率可加性；其次，利用Dempster组合规则可以对来自不同专家和数据源的信息进行融合，得到更合理的结果；第三，它可以比其他数学理论更灵活、更方便地描述不确定性。因此，它已被广泛应用于分类、风险评估、故障诊断、决策等。

然而，当证据之间存在冲突时，证据组合可能会产生违反直觉的结果。为了克服这一缺陷，学者们进行了深入的研究，并提出了各种改进的方法。通常，现有的方法可以分为两类：一是修改Dempster的组合规则，二是修改原始证据。对于第一类，一些学者指出在证据组合过程中冲突信息丢失。因此，修改Dempster组合规则的关键是如何分配冲突，即将冲突分配到哪个子集，以及分配的比例。例如：将冲突分配给空集；将冲突信息按比例分配给焦点元素集；建立相互冲突的比例分布规则，被命名为PCR3。修改Dempster组合规则的方法可以在一定程度上解决冲突问题。然而，这种方法的缺点是破坏了良好的性能，如交换性和结合性。对于第二类，将初始证据用权重进行校正，得到加权平均证据。然后，利用Dempster组合规则对加权平均证据进行融合，得到合理的结果。因此，加权平均是解决冲突证据组合的一种有效方法。然而，如何确定证据的权重合理，这是一个具有挑战性的问题。因此，学者们提出了一些新的方法。例如：Deng（Deng, Yong. Deng entropy.[J]. Chaos, Solitons Fractals, 2016）定义了一种新的不确定性度量，用邓熵来构造证据的权重系数体。Yan（Yan H , Deng Y . An Improved Belief Entropy in Evidence Theory[J]. IEEEAccess, 2020, PP(99):1-1.）利用基于邓熵的改进置信熵来确定证据的权重。Han（Han D, Yong D , Qi L . Combining belief functions based on distance of evidence[J]. Decision Support Systems，2010, 38(3):489-493.）引入了基于Jousselme距离函数的证据支持的概念，并对所有证据进行加权平均。上述方法仅利用熵或距离信息从不确定性和证据冲突的角度来确定权重。缺点是，权重的确定是相当片面的，并且没有全面考虑到影响权重的其他有用信息，如重要性、可靠性、相对性和隐藏在证据内部或证据之间的未知信息。

因此，如何解决上述基于证据距离或熵的方法不能保证确定权重是最合理的问题，是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于卷积神经网络的证据权重确定方法、装置和电子设备，可以全面、有效地确定权值，分类识别精度高，鲁棒性强。其具体方案如下：

一种基于卷积神经网络的证据权重确定方法，包括：