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

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

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

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

其中，α为调节系数；

步骤5：将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

归一化，得到测试集中待分类样本不同属性值的基本概率赋值；

其中，m_fj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；

其中，

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,...,X_i,...,X_n}，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＝[μ_ij]_n×m、σ＝[σ_ij]_n×m(其中，n为类别数，m为属性个数，μ_ij和σ_ij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；

单集区间数模型

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，即

其中

(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：

其中，

为待测样本第j个属性值的区间数表示；

为属性j中单集与复合集的区间数模型；m为一常值，取m＝2。

(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；

待测样本属性值对各区间数模型的支持度为：

其中α为调节系数，取α＝5。

(5)将支持度归一化，得到基本概率赋值；

待测样本第j个属性值得到的基本概率赋值为：

(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：

其中

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；

单集区间数模型

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，即

其中

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：

其中，

为待测样本第j个属性值的区间数表示；

为属性j中单集与复合集的区间数模型；m为一常值，取m＝2。

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：

对于属性F：

得，

对于属性R：

得，

对于属性V：

得，

对于属性G：

得，

(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；

待测样本属性值对各区间数模型的支持度为：

其中α为调节系数，取α＝5。

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：

对于属性F：

对于属性R：

对于属性V：

对于属性G：

(5)将支持度归一化，得到基本概率赋值；

待测样本第j个属性值得到的基本概率赋值为：

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：

压力传感器(属性F)：

超声测距仪(属性R)：

视觉相机(属性V)：

位置传感器(属性G)：

(6)采用Dempster组合规则逐个融合四条基本概率赋值；

至此，利用本发明方法已得到四个传感器信息的基本概率赋值。最后，运用Dempster组合规则将四条基本概率赋值逐个融合，组合规则为：

其中

为冲突系数。计算过程如下：

同理，得

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,...,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

其中，α为调节系数；

步骤5：将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

归一化，得到测试集中待分类样本不同属性值的基本概率赋值；

其中，m_fj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；

其中，

Images