CN111428793A - 一种基于改进证据相异度的证据融合方法 - Google Patents
一种基于改进证据相异度的证据融合方法 Download PDFInfo
- Publication number
- CN111428793A CN111428793A CN202010227425.1A CN202010227425A CN111428793A CN 111428793 A CN111428793 A CN 111428793A CN 202010227425 A CN202010227425 A CN 202010227425A CN 111428793 A CN111428793 A CN 111428793A
- Authority
- CN
- China
- Prior art keywords
- evidence
- dissimilarity
- formula
- bodies
- improved
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种改进的证据相异度指标和改进的证据融合算法,包括如下步骤1~6。步骤1、基于所提出改进证据相异度,计算不同证据体间的相异度指标;步骤2、根据证据相异度计算不同证据体间的支持度,构造支持度矩阵;步骤3、计算支持度矩阵的特征值和特征向量;步骤4、将最大特征值所对应的特征向量作为各个证据体的权值系数;步骤5、除了权值最大的证据体外,将权值系数作为折扣因子对其余各个证据体进行修正;步骤6、对修正后的证据体通过进行D‑S组合公式进行证据融合,并完成最终决策。该方法能够更有效地评估不同证据体之间的冲突程度,提高了证据融合的准确性和精度,从而降低了决策风险。
Description
技术领域
本发明涉及信息技术领域,特别涉及一种基于改进证据相异度的证据融合方法。
背景技术
决策是社会实践中不可或缺的活动之一,在人类各个领域均占有重要地位。而在现实生活中,事物发生伴随着随机性、人们认识具有不完整性以及自然语言具有不准确性和模糊性,这导致进行决策前会面临各种不确定性问题。现有技术中,处理不确定性问题的方法主要包括贝叶斯推理、随机集理论以及Dempster-Shafer(D-S)证据理论等。
D-S证据理论相比其他方法有一定的优势,其由Dempster提出,随后由其学生Shafer完善并推广,最终形成一套处理不确定性问题的理论体系,可以视为广义的概率论方法,其优点是无需要已知先验概率,这为不确定数据处理提供了便利。作为一种不确定性的推理工具,已在目标识别、故障诊断、图像融合及遥感等领域得到了广泛应用。虽然其规则简单且易于实现,但当证据间存在高度冲突甚至完全冲突时,通过证据理论融合后常常会出现与常理相悖的结果,导致做出错误决策。
虽然证据理论的应用取得了一定进展,但也存在一些亟待解决的共性关键问题,主要包括:如何合理地构建BBA函数;证据理论的合成规则具有呈指数式增长的计算复杂度;Demspter-Shafer组合规则在融合高度冲突的证据时,常常会得到与常理相悖的结果;经典证据理论假设证据间相互独立,无法有效处理相关信息。针对上述问题,许多学者提出了相应的改进方法,最常见的方法为加权平均法,计算并修正多个证据体的权值,其中最关键的步骤在于计算不同证据体之间的冲突程度或距离。此类方法的优点是能够处理高度冲突的证据,具有较好的收敛效果,缺点在于对全盘舍弃了证据源,在后续的处理中都仅依靠得到的平均信息源而进行,丢失了弱势信息,当有其他新的证据加入需要进行二次判决时往往并不能得到较好的效果。为此,基于折扣算子的证据修正法能够更好地将冲突证据的信度值赋予全集进行重新分配,给不可靠证据赋予较小的权重,以降低不可靠证据对融合结果的影响,从而达到冲突消解的目的。
因此传统的D-S证据理论在处理冲突证据时常常会得到与常理相悖的结果,从而导致决策出现误判,不利于实际场合的应用要求。采用加权平均法进行证据体的融合,其缺点在于对全盘舍弃了初始证据源,丢失了证据源中的弱势信息,当有其他新的证据加入并需要进行二次判决时往往并不能得到较好的效果,甚至导致做出错误的决策。
发明内容
为了解决以上问题,本发明提供一种基于改进证据相异度的证据融合方法,该方法能够更有效地评估不同证据体之间的冲突程度,提高了证据融合的准确性和精度,从而降低了决策风险。为达此目的:
本发明提供一种基于改进证据相异度的证据融合方法,包括如下步骤:
步骤1、基于所提出的改进证据相异度,计算不同证据体间的相异度指标;
步骤2、根据证据相异度计算不同证据体间的支持度,并构造支持度矩阵;
步骤3、计算支持度矩阵的特征值和特征向量;
步骤4、将最大特征值所对应的特征向量作为各个证据体的权值系数;
步骤5、除了权值最大的证据体外,将权值系数作为折扣因子对其余各个证据体进行修正;
步骤6、对修正后的证据体通过进行D-S组合公式进行证据融合,并完成最终决策。
作为本发明进一步改进,所述步骤1中所提出的改进证据相异度的计算方法为:
步骤1.1、计算不同证据体之间的改进概率距离,计算方法如下:
设辨识框架Θ={θ1,θ2,…,θN},设需要融合的证据体有n个,置信度函数分别为:m1,m2,…mn;
不同证据体之间的改进概率距离计算公式为:
式(1)中,t>0,P(θ)通过式(2)计算得出:
式(2)中,信度函数Bel和似然函数Pl通过式(3)~(4)得出:
式(2)中,BEL为信度函数的总量,通过式(5)计算得出:
步骤1.2、计算不同证据体之间的改进冲突因子,计算方法如下:
设mi和mj为辨识框架Θ中的两个证据体,采用模糊理论中的相关系数法,通过式(6)计算不同证据体之间的相关系数:
通过式(8)计算不同证据体之间的冲突系数:
步骤1.3、计算不同证据体之间的改进证据相异度,计算方法如下:
将改进的证据距离和改进的证据冲突系数这两种测度进行合成,定义一种新的证据相异性度量DM,通过式(10)计算得出:
作为本发明进一步改进,所述步骤2中根据证据相异度计算不同证据体间的支持度,并构造支持度矩阵,其计算方法为:
步骤2.1、通过式(11)计算不同证据体间的支持度:
Sup(mi,mj)=(1-DM(mi,mj)q)1/q (11)
步骤2.2、根据式(11)构造支持度矩阵:
作为本发明进一步改进,所述步骤3中计算支持度矩阵的特征值和特征向量,计算方法为:
通过式(13)计算支持度矩阵的特征值和特征向量:
Sω=λω (13)。
作为本发明进一步改进,所述步骤4中将最大特征值所对应的特征向量作为各个证据体的权值系数,计算方法为:
通过式(14)计算支持度矩阵的最大特征值λmax所对应的特征向量ω,并作为各个证据体的权值系数:
Sω=λmaxω (14)。
作为本发明进一步改进,作为本发明进一步改进,所述步骤5中除了权值最大的证据体外,将权值系数作为折扣因子对其余各个证据体进行修正,计算方法为:
步骤5.1、对于权重系数最大的证据体而言不需要修正其证据源,其余证据体通过式(15)计算折扣因子:
步骤5.2、通过式(16)对除权重系数最大的证据体外的其余所有证据源进行修正。
作为本发明进一步改进,所述步骤6中对修正后的证据体通过进行D-S组合公式进行证据融合,并完成最终决策,计算方法为:
步骤6.1、通过式(17)对修正后的n个证据体进行融合:
其中,两两证据体之间的D-S组合公式如式(18)所示:
式(18)中,k表征BPA之间的冲突程度,通过式(19)计算得出:
步骤6.2、根据融合后得到的置信度函数,对待测目标类别进行判断,规则如式(20)所示:
本申请一种基于改进证据相异度的证据融合方法,具体优点如下:
1、本发明基于证据体间的改进证据距离和改进证据冲突因子计算证据体间的相异度指标,能够有效表征证据体之间的差异程度,同时扩大了适用范围;
2、本发明根据证据间的相异度构造支持度矩阵,基于最大特征值所对应的特征向量作为各个证据体的权值系数,充分利用了每个证据体的信息量,减少了不确定性;
3、除了权值最大的证据体外,将权值系数作为折扣因子对其余各个证据源进行修正,并根据D-S证据理论进行融合,能够有效提升证据体的融合精度,同时降低了决策风险。
附图说明
图1是本发明的流程图;
图2是本发明与现有证据冲突度量的对比结果1;
图3是本发明与现有证据冲突度量的对比结果2;
图4是本发明的融合方法与现有方法的目标识别率对比。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种基于改进证据相异度的证据融合方法,该方法能够更有效地评估不同证据体之间的冲突程度,提高了证据融合的准确性和精度,从而降低了决策风险。
参见图1,图1是本发明的流程图。下面结合流程图对本发明的步骤作详细说明。
步骤1:提出一种改进的证据相异度,计算不同证据体间的相异度指标,其计算方法为:
步骤1.1、计算不同证据体之间的改进概率距离,计算方法如下:
不同证据体之间的改进概率距离计算公式为:
式(1)中,t>0。P(θ)通过式(2)计算得出:
式(2)中,信度函数Bel和似然函数Pl通过式(3)~(4)得出:
式(2)中,BEL为信度函数的总量,通过式(5)计算得出:
步骤1.2、计算不同证据体之间的改进冲突因子,计算方法如下:
设mi和mj为辨识框架Θ中的两个证据体,采用模糊理论中的相关系数法,通过式(6)计算不同证据体之间的相关系数:
通过式(8)计算不同证据体之间的冲突系数:
步骤1.3、计算不同证据体之间的改进证据相异度,计算方法如下:
将改进的证据距离和改进的证据冲突系数这两种测度进行合成,定义一种新的证据相异性度量DM,通过式(10)计算得出:
步骤2:根据证据相异度计算不同证据体间的支持度,并构造支持度矩阵,其计算方法为:
步骤2.1、通过式(11)计算不同证据体间的支持度:
Sup(mi,mj)=(1-DM(mi,mj)q)1/q (11)
步骤2.2、根据式(11)构造支持度矩阵:
步骤3:计算支持度矩阵的特征值和特征向量,计算方法为:
通过式(13)计算支持度矩阵的特征值和特征向量:
Sω=λω (13)
步骤4:将最大特征值所对应的特征向量作为各个证据体的权值系数,计算方法为:
通过式(14)计算支持度矩阵的最大特征值λmax所对应的特征向量ω,并作为各个证据体的权值系数:
Sω=λmaxω (14)
步骤5:除权值最大的证据体外,将权值系数作为折扣因子对其余各个证据体进行修正,计算方法为:
步骤5.1、对于权重系数最大的证据体而言不需要修正其证据源,其余证据体通过式(15)计算折扣因子:
步骤5.2、通过式(16)对除权重系数最大的证据体外的其余所有证据源进行修正。
步骤6:对修正后的证据体通过进行D-S组合公式进行证据融合,并完成最终决策,计算方法为:
步骤6.1、通过式(17)对修正后的n个证据体进行融合:
其中,两两证据体之间的D-S组合公式如式(18)所示:
式(18)中,k表征BPA之间的冲突程度,通过式(19)计算得出:
步骤6.2、根据融合后得到的置信度函数,对待测目标类别进行判断,规则如式(20)所示:
为验证所提出的改进证据相异度和改进证据融合方法的有效性,下面通过3个仿真实验来说明。
仿真实验1。
设辨识框架Θ={θ1,θ2,…,θ2n},给定两个证据体的BPA如下:
E1:m1(θ1)=m1(θ2)=…m1(θn)=1/n
E1:m2(θn+1)=m2(θn+2)=…m2(θ2n)=1/n
其中,n=1,2,…,20。
随着i的增加,计算证据体E1、E2之间的证据距离,仿真结果如图2所示。其中,dJ为Jousselme证据距离,DifBetP为Pignistic概率距离,k为冲突因子,dB为Bhattacharyya距离,r为关联系数,DistPt为所提出的改进证据距离,其中t=1。相关指标的定义如下:
从图2中可以看出,随着n的增大,只有dB以及本文所提出的DistPt的值始终为1,其余指标都会随着n的增大而发生变化,与直觉不符;而k的值始终为0,更与实际不符。因此本实验的仿真结果验证了所提出的改进证据距离的有效性。
仿真实验2。
设辨识框架Θ={θ1,θ2,…,θ20},给定两个证据体的BPA如下:
E1:m1(θ2,θ3,θ4)=0.05,m1(θ7)=0.05,m1(Θ)=0.1,m1(A)=0.8
E2:m2(θ1,θ2,θ3,θ4,θ5)=1
其中,Ai={θ1,θ2,…,θi},i=1,2,…,20。
随着i的增加,计算证据体E1、E2之间的证据相异度,仿真结果如图3所示。
从图3中可以看出,当n=5时,除了冲突因子k以外,各曲线反应的证据冲突程度最低;而当n≠5时,dB的值始终为1,k的值始终为0.05,与实际不符。其余指标均能从一定程度上反映出证据体之间的冲突程度随n的变化趋势,而本文所提出的证据相异度曲线的变化趋势最接近Jousselme距离,DM曲线的极小值和极大值与dJ几乎一致,相较于其他指标能够更直观地反映出两个证据体之间的冲突程度。因此本实验的仿真结果验证了所提出的证据相异度指标的有效性。
仿真实验3。
设多传感器目标识别系统中有3个目标A、B和C,辨识框架Θ={A,B,C}。假设有5种不同类型的传感器来检测物体,共分配5个BPA,如表1所示。
表1例5中不同证据体的BPA
从表1中可以看出,证据体E2与其他证据体高度冲突。采用本文所提出的融合算法对本例中的5个证据体进行融合,并与相关文献进行对比。本例中的融合结果如表2所示。
表2例3中不同算法的融合结果
目标类A的融合结果如图4所示。
从图4中可以看出,当采用至少前3个证据体进行融合时,Dempster和Yager的方法无法始终准确地得出正确的识别结果,而本文所提出的证据融合方法不仅能始终正确地对目标类A进行识别,且融合后目标类A的信度函数值相比于其他方法更高,可见所提出的证据融合方法能够更好地平衡不同证据体之间的冲突程度,因此本实验的仿真结果验证了所提出的融合方法的有效性。
综上可知,本发明所提出的证据相异度指标能够更好地衡量不同证据体之间的冲突程度,同时扩大了适用范围。此外,本发明所提出的基于证据相异度的改进证据融合方法,充分利用了每个证据体的信息量,减少了不确定性,同时能够有效提升证据体的融合精度,降低了决策风险。以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (7)
1.一种基于改进证据相异度的证据融合方法,其特征在于:
包括如下步骤:
步骤1、基于所提出的改进证据相异度,计算不同证据体间的相异度指标;
步骤2、根据证据相异度计算不同证据体间的支持度,并构造支持度矩阵;
步骤3、计算支持度矩阵的特征值和特征向量;
步骤4、将最大特征值所对应的特征向量作为各个证据体的权值系数;
步骤5、除了权值最大的证据体外,将权值系数作为折扣因子对其余各个证据体进行修正;
步骤6、对修正后的证据体通过进行D-S组合公式进行证据融合,并完成最终决策。
2.根据权利要求1所述的一种基于改进证据相异度的证据融合方法,其特征在于:所述步骤1中所提出的改进证据相异度的计算方法为:
步骤1.1、计算不同证据体之间的改进概率距离,计算方法如下:
设辨识框架Θ={θ1,θ2,…,θN},设需要融合的证据体有n个,置信度函数分别为:m1,m2,…mn;
不同证据体之间的改进概率距离计算公式为:
式(1)中,t>0,P(θ)通过式(2)计算得出:
式(2)中,信度函数Bel和似然函数Pl通过式(3)~(4)得出:
式(2)中,BEL为信度函数的总量,通过式(5)计算得出:
步骤1.2、计算不同证据体之间的改进冲突因子,计算方法如下:
设mi和mj为辨识框架Θ中的两个证据体,采用模糊理论中的相关系数法,通过式(6)计算不同证据体之间的相关系数:
通过式(8)计算不同证据体之间的冲突系数:
步骤1.3、计算不同证据体之间的改进证据相异度,计算方法如下:
将改进的证据距离和改进的证据冲突系数这两种测度进行合成,定义一种新的证据相异性度量DM,通过式(10)计算得出:
4.根据权利要求1所述的一种基于改进证据相异度的证据融合方法,其特征在于:所述步骤3中计算支持度矩阵的特征值和特征向量,计算方法为:
通过式(13)计算支持度矩阵的特征值和特征向量:
Sω=λω (13)。
5.根据权利要求1所述的一种基于改进证据相异度的证据融合方法,其特征在于:所述步骤4中将最大特征值所对应的特征向量作为各个证据体的权值系数,计算方法为:
通过式(14)计算支持度矩阵的最大特征值λmax所对应的特征向量ω,并作为各个证据体的权值系数:
Sω=λmaxω (14)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227425.1A CN111428793A (zh) | 2020-03-27 | 2020-03-27 | 一种基于改进证据相异度的证据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227425.1A CN111428793A (zh) | 2020-03-27 | 2020-03-27 | 一种基于改进证据相异度的证据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428793A true CN111428793A (zh) | 2020-07-17 |
Family
ID=71551626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010227425.1A Pending CN111428793A (zh) | 2020-03-27 | 2020-03-27 | 一种基于改进证据相异度的证据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428793A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814278A (zh) * | 2020-08-31 | 2020-10-23 | 深圳领威科技有限公司 | 一种数据处理方法、数据处理装置及终端设备 |
CN112101161A (zh) * | 2020-09-04 | 2020-12-18 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
CN112232396A (zh) * | 2020-10-08 | 2021-01-15 | 西北工业大学 | 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法 |
CN117056860A (zh) * | 2023-08-17 | 2023-11-14 | 国网四川省电力公司营销服务中心 | 一种冲突减少的证据体系检测森林火灾识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967487A (zh) * | 2017-11-27 | 2018-04-27 | 重庆邮电大学 | 一种基于证据距离和不确定度的冲突数据融合方法 |
CN108388910A (zh) * | 2018-01-29 | 2018-08-10 | 上海工程技术大学 | 一种基于距离函数的高冲突证据融合方法 |
CN108428008A (zh) * | 2018-02-08 | 2018-08-21 | 河南科技大学 | 一种d-s证据理论中基于优化证据距离的证据融合方法 |
CN110533091A (zh) * | 2019-08-22 | 2019-12-03 | 贵州大学 | 一种改进ds证据理论的多证据信息融合方法 |
-
2020
- 2020-03-27 CN CN202010227425.1A patent/CN111428793A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967487A (zh) * | 2017-11-27 | 2018-04-27 | 重庆邮电大学 | 一种基于证据距离和不确定度的冲突数据融合方法 |
CN108388910A (zh) * | 2018-01-29 | 2018-08-10 | 上海工程技术大学 | 一种基于距离函数的高冲突证据融合方法 |
CN108428008A (zh) * | 2018-02-08 | 2018-08-21 | 河南科技大学 | 一种d-s证据理论中基于优化证据距离的证据融合方法 |
CN110533091A (zh) * | 2019-08-22 | 2019-12-03 | 贵州大学 | 一种改进ds证据理论的多证据信息融合方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814278A (zh) * | 2020-08-31 | 2020-10-23 | 深圳领威科技有限公司 | 一种数据处理方法、数据处理装置及终端设备 |
CN112101161A (zh) * | 2020-09-04 | 2020-12-18 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
CN112232396A (zh) * | 2020-10-08 | 2021-01-15 | 西北工业大学 | 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法 |
CN112232396B (zh) * | 2020-10-08 | 2023-01-24 | 西北工业大学 | 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法 |
CN117056860A (zh) * | 2023-08-17 | 2023-11-14 | 国网四川省电力公司营销服务中心 | 一种冲突减少的证据体系检测森林火灾识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428793A (zh) | 一种基于改进证据相异度的证据融合方法 | |
JP6553664B2 (ja) | モデル学習装置、スコア計算装置、方法、データ構造、及びプログラム | |
US20150134578A1 (en) | Discriminator, discrimination program, and discrimination method | |
CN104021392B (zh) | 一种基于向量度量的冲突证据融合方法 | |
JP6892606B2 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
CN108710900A (zh) | 一种基于d-s推理的多平台传感器测量数据融合方法 | |
Akai et al. | Misalignment recognition using Markov random fields with fully connected latent variables for detecting localization failures | |
Kanamori et al. | Affine invariant divergences associated with proper composite scoring rules and their applications | |
CN113295421B (zh) | 基于改进冲突系数和信度熵的发动机故障诊断方法 | |
CN111260502B (zh) | 基于相似度和虚假度的冲突证据融合方法 | |
Browne et al. | Integrating textual analysis and evidential reasoning for decision making in engineering design | |
CN111239715B (zh) | 一种联合灰色关联和神经网络的指纹定位方法 | |
CN116595621A (zh) | 一种混凝土坝变形融合诊断方法及系统 | |
CN114936601A (zh) | 一种基于加权特征融合的多传感器信息融合方法 | |
CN116151485A (zh) | 反事实预测和效果评估方法、系统 | |
CN115018006A (zh) | 一种基于Dempster-Shafer框架的分类方法 | |
JPH0863581A (ja) | 外部環境認識装置 | |
CN115754199A (zh) | 基于隶属度函数和主成分分析的水质检测方法 | |
Xu et al. | Hesitant fuzzy MADM models | |
CN110211675A (zh) | 一种基于不确定语言与gra-topsis改进的fmea方法 | |
JP7351344B2 (ja) | 学習装置、学習方法、推論装置、推論方法、及び、プログラム | |
CN114120142A (zh) | 一种多属性决策的空中目标综合识别方法及系统 | |
CN110555193B (zh) | 基于修正余弦相似度的冲突度量方法及设备 | |
CN113837237A (zh) | 基于证据置信熵与相似性的多传感器融合目标识别方法 | |
CN111144338A (zh) | 一种基于特征点拓扑结构的特征匹配算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |