CN113065584A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113065584A CN113065584A CN202110300837.8A CN202110300837A CN113065584A CN 113065584 A CN113065584 A CN 113065584A CN 202110300837 A CN202110300837 A CN 202110300837A CN 113065584 A CN113065584 A CN 113065584A
- Authority
- CN
- China
- Prior art keywords
- classified
- interval number
- samples
- attribute
- interval
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
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。
Description
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,...,Xi,...,Xn},Xi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=[μij]n×m和标准差矩阵σ=[σij]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;μij为类别i中第j个属性的均值;σij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
其中,α为调节系数;
其中,mfj为待分类样本第j个属性值的基本概率赋值;
步骤6:采用Dempster组合规则逐个融合测试集中待分类样本的m个基本概率赋值,融合后最大概率对应的焦元即为待分类样本所属的类别;
本发明的有益效果在于:
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。
附图说明
图1为本发明的流程图。
图2为本发明的实施例中机器人系统工作环境的模拟图。
具体实施方式
下面结合附图对本发明做进一步描述。
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。本发明的目的是为了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而提供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,可以一定程度上改善现有方法的不足。本发明采用改进的区间数相似性度量得到更合理的差异性度量结果,利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,建模复杂度与其他建模方法相比具有优势。方法简便易行,推进了D-S证据理论在工业自动化领域的应用。
本发明采用的技术方案如下:
(1)确定机械装置待分类目标的识别框架,计算训练样本的均值及标准差;
分析待识别目标可能出现的类别,确定识别框架Θ={X1,X2,...,Xi,...,Xn},计算训练样本不同类别下各属性的均值及标准差,得到均值和标准差矩阵μ=[μij]n×m、σ=[σij]n×m(其中,n为类别数,m为属性个数,μij和σij分别为类别i中第j个属性的均值和标准差)。
(2)依据均值和标准差,构建各属性下单集与复合集的区间数模型;
(3)根据度量公式,计算待测样本不同属性值与相应各区间数模型的相似性差异;
待测样本属性值与对应模型的相似性差异为:
(4)依据相似性差异,计算不同属性值对各区间数模型的支持度;
(5)将支持度归一化,得到基本概率赋值;
(6)采用Dempster组合规则逐个融合m个基本概率赋值;
融合后最大概率对应的焦元即为待测目标类别,自动装置可依据指令实现对目标的分类抓取。Dempster组合规则为:
本发明的有益效果在于:
1)本发明采用改进的区间数相似性度量来计算待测目标与模型之间的差异性,相比较现有方法得到更加合理的结果。
2)本发明采用均值与标准差线性组合的建模策略,相比传统利用极值构造区间数模型的方法,充分利用了数据信息,提高了模型的鲁棒性。
3)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。
实施例1:
为使本发明技术方案的介绍更加清晰明白,下面选取实际应用示例,结合附图流程对本发明作进一步详细描述,但本发明的实施方式不限于此。
示例:在机器人系统中,目标抓取与识别是常见的任务之一。某工作环境下,某一机器人系统需要识别区分标签为A和B的两个目标(如图2)。现有四个传感器分别记录了相关信息:(1)视觉相机,用于寻找目标;(2)超声测距仪,用于测量物体高度;(3)位置传感器,测量被抓取物体的尺寸;(4)压力传感器,测量被抓取目标的质量。各传感器测量信息与被抓取目标参数分别如表1和表2所示。
表1传感器测量参数
表2待识别目标传感器信息
结合本发明的方案流程,具体实施过程如下:
(1)确定识别框架,计算训练样本中不同类别下各属性的均值及标准差;
分析待识别目标可能出现的类别为A或B,确定识别框架Θ={A,B},将表1中四个传感器数据视为各属性信息,得到均值矩阵μ和方差矩阵σ,分别为:
(2)依据均值和标准差,构建各属性下单集与复合集的区间数模型;
依据建模原则,单集区间数模型构建的计算过程如下:
利用单集模型的交叠部分构造复合集模型,计算过程如下:
最后,得到各属性下单集与复合集的区间数模型,如表3所示:
表3不同属性单集与复合集的区间数模型
(3)根据度量公式,计算待测样本不同属性值与相应各区间数模型的相似性差异;
待测样本属性值与对应模型的相似性差异为:
依据计算公式,待测样本不同属性值与相应各区间数模型相似性差异的计算过程如下:
(4)依据相似性差异,计算不同属性值对各区间数模型的支持度;
依据计算公式,待测样本不同属性值与各区间数模型支持度的计算结果如下:
(5)将支持度归一化,得到基本概率赋值;
将属性值对各区间数模型的支持度归一化,得到四个传感器信息的基本概率赋值,结果如下:
(6)采用Dempster组合规则逐个融合四条基本概率赋值;
由结果可知,待分类物体为目标A的可能性最大,这与真实的识别结果一致。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一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,其特征在于,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,...,Xi,...,Xn},Xi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=[μij]n×m和标准差矩阵σ=[σij]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;μij为类别i中第j个属性的均值;σij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
其中,α为调节系数;
其中,mfj为待分类样本第j个属性值的基本概率赋值;
步骤6:采用Dempster组合规则逐个融合测试集中待分类样本的m个基本概率赋值,融合后最大概率对应的焦元即为待分类样本所属的类别;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300837.8A CN113065584B (zh) | 2021-03-22 | 2021-03-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300837.8A CN113065584B (zh) | 2021-03-22 | 2021-03-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065584A true CN113065584A (zh) | 2021-07-02 |
CN113065584B CN113065584B (zh) | 2023-04-18 |
Family
ID=76562866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300837.8A Active CN113065584B (zh) | 2021-03-22 | 2021-03-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065584B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1483141A (zh) * | 2000-09-18 | 2004-03-17 | ����ҽѧ�ɷ�����˾ | 表征频谱仪并提供定标模型的方法 |
CN103778342A (zh) * | 2014-01-24 | 2014-05-07 | 关欣 | 一种基于区间数和证据理论的辐射源识别算法 |
CN106485089A (zh) * | 2016-10-21 | 2017-03-08 | 福州大学 | 谐波用户典型工况的区间参数获取方法 |
JP2017127398A (ja) * | 2016-01-18 | 2017-07-27 | 学校法人慶應義塾 | 情報処理装置、情報処理システム、情報処理方法及びプログラム |
CN108804635A (zh) * | 2018-06-01 | 2018-11-13 | 广东电网有限责任公司 | 一种基于属性选择的相似性度量方法 |
CN109061569A (zh) * | 2018-08-03 | 2018-12-21 | 中国人民解放军战略支援部队信息工程大学 | 一种时空信息融合的目标检测方法及系统 |
CN109903053A (zh) * | 2019-03-01 | 2019-06-18 | 成都新希望金融信息有限公司 | 一种基于传感器数据进行行为识别的反欺诈方法 |
CN110569902A (zh) * | 2019-09-06 | 2019-12-13 | 中山大学 | 一种对对象基于区间数的基本概率分配生成方法 |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
CN110956541A (zh) * | 2019-08-27 | 2020-04-03 | 西安交通大学 | 一种基于智能融合计算的股票走势分类预测方法 |
CN111047173A (zh) * | 2019-12-05 | 2020-04-21 | 国网河南省电力公司 | 基于改进d-s证据理论的社团可信度评估方法 |
CN111708816A (zh) * | 2020-05-15 | 2020-09-25 | 西安交通大学 | 一种基于贝叶斯模型的多真值冲突消解方法 |
CN111735443A (zh) * | 2020-06-18 | 2020-10-02 | 中山大学 | 一种基于赋值矩阵的密集目标航迹关联方法 |
-
2021
- 2021-03-22 CN CN202110300837.8A patent/CN113065584B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1483141A (zh) * | 2000-09-18 | 2004-03-17 | ����ҽѧ�ɷ�����˾ | 表征频谱仪并提供定标模型的方法 |
CN103778342A (zh) * | 2014-01-24 | 2014-05-07 | 关欣 | 一种基于区间数和证据理论的辐射源识别算法 |
JP2017127398A (ja) * | 2016-01-18 | 2017-07-27 | 学校法人慶應義塾 | 情報処理装置、情報処理システム、情報処理方法及びプログラム |
CN106485089A (zh) * | 2016-10-21 | 2017-03-08 | 福州大学 | 谐波用户典型工况的区间参数获取方法 |
CN108804635A (zh) * | 2018-06-01 | 2018-11-13 | 广东电网有限责任公司 | 一种基于属性选择的相似性度量方法 |
CN109061569A (zh) * | 2018-08-03 | 2018-12-21 | 中国人民解放军战略支援部队信息工程大学 | 一种时空信息融合的目标检测方法及系统 |
CN109903053A (zh) * | 2019-03-01 | 2019-06-18 | 成都新希望金融信息有限公司 | 一种基于传感器数据进行行为识别的反欺诈方法 |
CN110956541A (zh) * | 2019-08-27 | 2020-04-03 | 西安交通大学 | 一种基于智能融合计算的股票走势分类预测方法 |
CN110569902A (zh) * | 2019-09-06 | 2019-12-13 | 中山大学 | 一种对对象基于区间数的基本概率分配生成方法 |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
CN111047173A (zh) * | 2019-12-05 | 2020-04-21 | 国网河南省电力公司 | 基于改进d-s证据理论的社团可信度评估方法 |
CN111708816A (zh) * | 2020-05-15 | 2020-09-25 | 西安交通大学 | 一种基于贝叶斯模型的多真值冲突消解方法 |
CN111735443A (zh) * | 2020-06-18 | 2020-10-02 | 中山大学 | 一种基于赋值矩阵的密集目标航迹关联方法 |
Non-Patent Citations (1)
Title |
---|
康兵义等: "基于区间数的基本概率指派生成方法及应用", 《电子学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113065584B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695562B (zh) | 一种基于卷积神经网络的机器人自主抓取方法 | |
CN108346144B (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
CN111080693A (zh) | 一种基于YOLOv3的机器人自主分类抓取方法 | |
CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
CN109145471B (zh) | 基于cad与实测数据共融模型的虚拟装配系统及方法 | |
CN112497219B (zh) | 一种基于目标检测和机器视觉的柱状工件分类定位方法 | |
CN107622276B (zh) | 一种基于机器人仿真与物理采样结合的深度学习训练方法 | |
CN113554621B (zh) | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 | |
CN111906782B (zh) | 一种基于三维视觉的智能机器人抓取方法 | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN107167172A (zh) | 一种总线式汽车数字仪表指针功能的在线监测方法 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
Salem et al. | Assessment of methods for industrial indoor object recognition | |
CN109255815A (zh) | 一种基于零阶球谐函数的物体检测与识别方法 | |
CN109584208B (zh) | 一种针对工业结构缺陷智能识别模型的检验方法 | |
CN115035082A (zh) | 一种基于YOLOv4改进算法的航空器透明件缺陷检测方法 | |
Chen et al. | Research and implementation of robot path planning based on computer image recognition technology | |
CN113065584B (zh) | 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 | |
CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
CN114454179B (zh) | 一种智能机器手关节自动校正系统及方法 | |
CN117076872B (zh) | 一种智能化道路设备信息采集的测试方法及系统 | |
CN111145258B (zh) | 一种工业机器人多种汽车玻璃自动化上下料的方法 | |
CN110363759B (zh) | 三维模具调试参数确定方法及装置 | |
Hou | Intelligent Navigation Algorithm of Mobile Robot Based on Support Vector Machine |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |