CN120012944B - 多源数据融合的可信证据推理方法、装置和设备 - Google Patents

多源数据融合的可信证据推理方法、装置和设备

Info

Publication number
CN120012944B
CN120012944B CN202510471920.XA CN202510471920A CN120012944B CN 120012944 B CN120012944 B CN 120012944B CN 202510471920 A CN202510471920 A CN 202510471920A CN 120012944 B CN120012944 B CN 120012944B
Authority
CN
China
Prior art keywords
evidence
data
decision information
information system
source
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.)
Active
Application number
CN202510471920.XA
Other languages
English (en)
Other versions
CN120012944A (zh
Inventor
唐帅文
于海跃
孙建彬
姜江
时英娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202510471920.XA priority Critical patent/CN120012944B/zh
Publication of CN120012944A publication Critical patent/CN120012944A/zh
Application granted granted Critical
Publication of CN120012944B publication Critical patent/CN120012944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Complex Calculations (AREA)

Abstract

本申请涉及一种多源数据融合的可信证据推理方法、装置和设备，通过构建多源决策信息系统，在该多源决策信息系统中，设计了支持矩阵来量化多源数据属性之间的相关性，结合相似性和距离的概念来评估关系。首先将不同尺度的多源数据转换为置信分布，赋予其概率意义，从而使生成的证据可以应用于多尺度数据融合。然后，构建了一种可信证据推理规则，在该规则中，证据的可信度由其权重和可靠度决定。通过整合不同尺度的多源数据样本，推导出结果的置信分布。从而解决证据的置信分布确定困难的问题。

Description

多源数据融合的可信证据推理方法、装置和设备
技术领域
本申请涉及数据处理技术领域，特别是涉及一种多源数据融合的可信证据推理方法、装置和设备。
背景技术
在当代人工智能（AI）和数据领域中，多源信息的集成是提高分析深度和准确性的关键技术，以此来提升人工智能处理任务的准确形。数据生成设备、平台和系统的激增促使了强大的多源数据融合（MSDF）方法的发展，旨在将不同的数据流整合为一个连贯且信息丰富的整体。尽管该领域取得了显著进展，但确保融合数据的可信度仍然是一个关键问题。
从方法论要求和结果的不确定性角度来看，MSDF 技术通常分为基于模型的方法和统计方法。前者依赖于数学结构来综合来自不同来源的信息，从而提高数据的真实性和决策质量。这类方法包括卡尔曼滤波、扩展卡尔曼滤波和最大似然估计等。后者则侧重于应用统计原理来整合多源数据，包括主成分分析、贝叶斯推理和聚类分析等。此外，基于模型和统计方法的结合推动了人工智能的发展，包括模糊逻辑、粗糙集、Dempster-Shafer 理论（DST）、神经网络和机器学习等。机器学习和数据挖掘的出现加速了 MSDF 的演进，使其能够涵盖更复杂和自动化的数据集成策略。然而，这些模型的“黑箱”特性使得融合过程的可靠度和结果数据的准确性变得复杂。此外，这些模型需要大量标注数据，而这些数据可能稀缺或存在偏差。
基于 DST 的信息融合方法是一个突出的智能框架，它允许表示不确定性并组合来自独立来源的证据，而无需精确的概率分配。DST 已广泛应用于信息融合、多属性决策、模式识别等领域，并进一步发展成为证据推理（ER）。Zhang 等人设计了一种基于 ER 规则的结构健康评估方法（C. L. Zhang, Z. J. Zhou, G. Y. Hu, L. H. Yang, and S. W.Tang, “Health assessment of the wharf based on evidential reasoning ruleconsidering optimal sensor placement,” Measurement, vol. 186, pp. 110184,2021），通过考虑传感器的最优布置，提高了多传感器数据融合的精度。Ren 等人开发了一种基于 ER 规则的数据融合技术（M. L. Ren, P. He, and J. J. Zhou, “Decisionfusion of two sensors object classification based on the evidential reasoningrule,” Expert Syst. Appl.vol. 210, pp. 118620, 2022），考虑了分类决策的差异，并在 Nuscenes 和 Waymo 数据集上进行了验证。Liu 等人提出了一种基于 ER 方法的臭氧预测模型（X. Q. Liu, Y. J. Zhang, J. P. Wang, H. Huang, and H. Yin, “Multi-source and multivariate ozone prediction based on fuzzy cognitive maps andevidential reasoning theory,” Applied Soft Comput. vol. 119, pp. 108600,2022.），提高了多源多变量时间序列数据的预测准确性。Wu 等人提出了一种基于 ER 方法的隧道坍塌风险评估方法（B. Wu, W. X. Qiu, G. W. Meng, Y. Nong, and J. S.Huang, “A multi-source information fusion evaluation method for the tunnelingcollapse disaster based on the artificial intelligence deformationprediction,” Arabian J. Sci. Eng. vol. 47, no. 4, pp. 5053-5071, 2022.）。Huang等人提出了一种基于 ER 方法的多源迁移学习方法（L. Q. Huang, J. F. Fan, W. B.Zhao, and Y. You, “A new multi-source transfer learning method based on two-stage weighted fusion,” Knowl. Based Syst. vol. 262, pp. 110233, 2023.），显著提高了分类准确性。Sun 和 Guo 提出了一种基于粒子群优化的火灾危险等级动态评估技术（B. Sun, and T. Guo, “Evidential reasoning and lightweight multi-sourceheterogeneous data fusion-driven fire danger level dynamic assessmenttechnique,” Process Safety. Environ. Protect., vol. 185, pp. 350-366, 2024.），能够处理多源异构数据。
尽管现有研究显著推进了证据理论的发展，但它仍存在明显的缺陷，例如“反直觉”问题和大规模数据融合中的组合爆炸问题。特别是当 ER 应用于多源多尺度数据融合时，面临三个挑战：（1）确定证据的置信分布的困难；（2）实现可信推理的困境；（3）确定证据可靠度的瓶颈。
发明内容
基于此，有必要针对上述技术问题，提供一种多源数据融合的可信证据推理方法、装置和设备。
一种多源数据融合的可信证据推理方法，所述方法包括：
构建多源决策信息系统；所述多源决策信息系统由多个独立的单源决策信息系统组成，所述单源决策信息系统产生用于人工智能训练的数据，所述多源决策信息系统用于将用于人工智能训练的数据进行整合；所述单源决策信息系统由数据样本、属性、数据矩阵、映射函数以及决策特征集组成；所述映射函数建立数据样本、属性、数据矩阵之间的映射关系；
对所述多源决策信息系统按照属性分为多个数据矩阵，以及根据所述决策特征集判断单源决策信息系统之间的关联关系，在存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度，在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离；
根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度，根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度；
根据所述第一置信度，生成单源决策信息系统的证据；
根据所述证据，建立辨识框架，并根据所述证据的权重和可靠度，计算证据的可信度，根据所述可信度，得到证据的第二置信度以及基本概率质量分布；
根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度，根据所述组合置信度得到多源决策信息系统中多条证据的置信分布。
在其中一个实施例中，还包括：对所述多源决策信息系统按照属性分为多个数据矩阵，所述数据矩阵表示为：
；
其中，表示属性对应的数据矩阵，的每一行表示一个样本，的每一列表示一个单源决策信息系统；
对所述数据矩阵中的元素进行归一化表示为：
；
采用归一化后的元素表示数据矩阵得到归一化数据矩阵。
在其中一个实施例中，还包括：根据所述决策特征集判断单源决策信息系统之间的关联关系为：
；
其中，表示数据样本，表示决策特征集中的决策特征，，；
当存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度为：
；
在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离为：
。
在其中一个实施例中，还包括：根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度为：
；
根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度为：
。
在其中一个实施例中，还包括：根据所述第一置信度，生成单源决策信息系统的证据为：
；
其中，表示数据样本在属性上提供的证据，且有。
在其中一个实施例中，还包括：根据所述证据，建立辨识框架；表示单源决策信息系统；
根据所述证据的权重和可靠度，计算证据的可信度为：
；
其中，和分别为证据的权重和可靠度，为证据的可信度；
根据所述可信度，计算第二置信度为：
；
其中，证据的基本概率分配为：
；
；
其中，和分别是证据分配给和的概率质量，是幂集，表示为：
；
根据所述基本概率，得到证据的基本概率质量分布为：
；
其中，。
在其中一个实施例中，还包括：根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度为：
；
其中，，，，；和分别表示证据分配给和的概率质量，和分别是分配给和的未归一化的组合概率质量，和分别是分配给和归一化的组合概率质量，是组合后分配给的置信度；
根据所述组合置信度得到多源决策信息系统中多条证据的置信分布为：
；
是所有证据的联合可信度。
一种多源数据融合的可信证据推理装置，所述装置包括：
多源决策系统构建模块，用于构建多源决策信息系统；所述多源决策信息系统由多个独立的单源决策信息系统组成，所述单源决策信息系统产生用于人工智能训练的数据，所述多源决策信息系统用于将用于人工智能训练的数据进行整合；所述单源决策信息系统由数据样本、属性、数据矩阵、映射函数以及决策特征集组成；所述映射函数建立数据样本、属性、数据矩阵之间的映射关系；
证据生成模块，用于对所述多源决策信息系统按照属性分为多个数据矩阵，以及根据所述决策特征集判断单源决策信息系统之间的关联关系，在存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度，在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离；根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度，根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度；根据所述第一置信度，生成单源决策信息系统的证据；
基本概率质量分布计算模块，用于根据所述证据，建立辨识框架，并根据所述证据的权重和可靠度，计算证据的可信度，根据所述可信度，得到证据的第二置信度以及基本概率质量分布；
融合模块，用于根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度，根据所述组合置信度得到多源决策信息系统中多条证据的置信分布。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
构建多源决策信息系统；所述多源决策信息系统由多个独立的单源决策信息系统组成，所述单源决策信息系统产生用于人工智能训练的数据，所述多源决策信息系统用于将用于人工智能训练的数据进行整合；所述单源决策信息系统由数据样本、属性、数据矩阵、映射函数以及决策特征集组成；所述映射函数建立数据样本、属性、数据矩阵之间的映射关系；
对所述多源决策信息系统按照属性分为多个数据矩阵，以及根据所述决策特征集判断单源决策信息系统之间的关联关系，在存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度，在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离；
根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度，根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度；
根据所述第一置信度，生成单源决策信息系统的证据；
根据所述证据，建立辨识框架，并根据所述证据的权重和可靠度，计算证据的可信度，根据所述可信度，得到证据的第二置信度以及基本概率质量分布；
根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度，根据所述组合置信度得到多源决策信息系统中多条证据的置信分布。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
构建多源决策信息系统；所述多源决策信息系统由多个独立的单源决策信息系统组成，所述单源决策信息系统产生用于人工智能训练的数据，所述多源决策信息系统用于将用于人工智能训练的数据进行整合；所述单源决策信息系统由数据样本、属性、数据矩阵、映射函数以及决策特征集组成；所述映射函数建立数据样本、属性、数据矩阵之间的映射关系；
对所述多源决策信息系统按照属性分为多个数据矩阵，以及根据所述决策特征集判断单源决策信息系统之间的关联关系，在存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度，在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离；
根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度，根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度；
根据所述第一置信度，生成单源决策信息系统的证据；
根据所述证据，建立辨识框架，并根据所述证据的权重和可靠度，计算证据的可信度，根据所述可信度，得到证据的第二置信度以及基本概率质量分布；
根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度，根据所述组合置信度得到多源决策信息系统中多条证据的置信分布。
上述多源数据融合的可信证据推理方法、装置和设备，通过构建多源决策信息系统，在该多源决策信息系统中，设计了支持矩阵来量化多源数据属性之间的相关性，结合相似性和距离的概念来评估关系。首先将不同尺度的多源数据转换为置信分布，赋予其概率意义，从而使生成的证据可以应用与多尺度的数据融合。然后，构建了一种可信证据推理规则，在该规则中，证据的可信度由其权重和可靠度决定。通过整合不同尺度的多源数据样本，推导出结果的置信分布。从而解决证据的置信分布确定困难的问题。
附图说明
图1为一个实施例中多源数据融合的可信证据推理方法的流程示意图；
图2为一个实施例中多源数据融合的可信证据推理装置的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种多源数据融合的可信证据推理方法，包括以下步骤：
步骤102，构建多源决策信息系统。
本步骤中，多源决策信息系统由多个独立的单源决策信息系统组成，单源决策信息系统产生用于人工智能训练的数据，多源决策信息系统用于将用于人工智能训练的数据进行整合；单源决策信息系统由数据样本、属性、数据矩阵、映射函数以及决策特征集组成；映射函数建立数据样本、属性、数据矩阵之间的映射关系。
步骤104，对多源决策信息系统按照属性分为多个数据矩阵，以及根据决策特征集判断单源决策信息系统之间的关联关系，在存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度，在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离。
本步骤中，设计了支持矩阵来量化多源数据属性之间的相关性，结合相似性和距离的概念来评估关系。首先将不同尺度的多源数据转换为置信分布，赋予其概率意义。
步骤106，根据总相似度和总距离，判断数据矩阵中元素对数据矩阵的支持度，根据支持度计算数据样本在属性上相对单源决策信息系统的第一置信度。
步骤108，根据置信度，生成单源决策信息系统的证据。
步骤110，根据证据，建立辨识框架，并根据证据的权重和可靠度，计算证据的可信度，根据可信度，得到证据的第二置信度以及基本概率质量分布。
步骤112，根据基本概率质量分布和第二置信度建立任意两条证据之间的组合置信度，根据组合置信度得到多源决策信息系统中多条证据的置信分布。
上述多源数据融合的可信证据推理方法中，通过构建多源决策信息系统，在该多源决策信息系统中，设计了支持矩阵来量化多源数据属性之间的相关性，结合相似性和距离的概念来评估关系。首先将不同尺度的多源数据转换为置信分布，赋予其概率意义，从而使生成的证据可以应用与多尺度的数据融合。然后，构建了一种可信证据推理规则，在该规则中，证据的可信度由其权重和可靠度决定。通过整合不同尺度的多源数据样本，推导出结果的置信分布。从而解决证据的置信分布确定困难的问题。
在其中一个实施例中，多源决策信息系统由多个独立的单源决策信息系统组成，可以描述为：
；
其中，表示一个单源决策信息系统；包含个数据样本，；包含个属性，；是由所有数据样本组成的数据矩阵，；表示中的第个数据矩阵，。是一个映射函数，建立了,和之间的关系。是决策特征集，。
表1展示了一个通用的 MSDIS。在不同数据源之间，共享相同属性的数据样本可能被视为处于不同尺度。从属性角度来看，也可以分为个数据矩阵。
表1 一个通用的MSDIS
在其中一个实施例中，对多源决策信息系统按照属性分为多个数据矩阵，对于属性, 数据矩阵可表示为, 维度为, 其中，数据矩阵表示为：
；
其中，表示属性对应的数据矩阵，的每一行表示一个样本，的每一列表示一个单源决策信息系统；对数据矩阵中的元素进行归一化表示为：
；
采用归一化后的元素表示数据矩阵得到归一化数据矩阵。
表1展示了不同数据样本与不同决策特征的关联。为了量化不同数据源之间的相互关系，在其中一个实施例中，根据决策特征集判断单源决策信息系统之间的关联关系为：
；
其中，表示数据样本，表示决策特征集中的决策特征，，。
当存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度为：
；
在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离为：
。
在另一个实施例中，数据矩阵中的元素对信息系统的支持度定义为该元素与相似元素的总相似度与不相似元素的总距离之和，具体描述如下：
；
通过归一化处理，可以得到支持矩阵，其中包含每个元素在中的支持度。通过归一化的每一行，可以得到数据样本在属性上相对于数据源的第一置信度为：
。
在其中一个实施例中，根据第一置信度，生成单源决策信息系统的证据为：
；
其中，表示数据样本在属性上提供的证据，且有。值得说明的是置信度仅分配给单例数据源，混合数据源不在本申请讨论范围内。
在其中一个实施例中，ER 规则最初是基于贝叶斯规则、D-S 规则和 ER 算法提出的。它建立在所谓的辨识框架（FoD）上，具体描述如下：
；
其中，是第个命题，且，在 MSDIS 的背景下，等同于单源决策信息系统。
一旦从不同数据源获取了证据，是否以及多大程度上信任这些证据仍然是一个亟待解决的问题。因此，在进行推理之前，需要达成一些共识：
1) 证据在一定程度上是可信的，可以通过可信度指数 ()来衡量。
2) 证据的权重对其不可信度有贡献；特别是，可以表征证据提供准确判断或断言的程度。
3) 证据的可靠度对其不可信度有贡献；这里，定义为证据反映有效结论、结果或评估的准确程度。
在其中一个实施例中，根据证据的权重和可靠度，计算证据的可信度为：
。
可信度公式的基本原理是，当证据的可靠度达到最大值，即时，证据被认为是完全可信的。相反，当证据的可靠度低于 1 时，其可信度随着证据权重的增加而提高。
因此，第一置信度可以重写为第二置信度，描述为：
；
其中，和分别是证据分配给和的概率质量。是幂集，包含的个子集，具体表示如下：
；
在上述分析中，与证据相关的不可信度被分配给幂集，计算为 ()，其背后的基本原理是，反映了全局不确定性或未知因素，这可以间接揭示对命题的怀疑程度。
因此，证据的基本概率质量分布可以表示为：
；
其中，。
在其中一个实施例中，基于上述辨识框架的描述，存在两条证据和, 其权重和可靠度分别为和。和的组合遵循以下过程：
；
；
；
；
；
在上述公式中，和分别表示证据分配给和的概率质量。和分别是分配给和的未归一化的组合概率质量，通过正交和算子生成。和分别是分配给和归一化的组合概率质量。是组合后分配给的置信度，，很明显，。
如果有条证据，可以通过迭代应用上述计算过程生成组合结果的置信分布，如下所示：
；
其中，是所有证据的联合可信度。最终结果本质上是一条新的证据。
属性的最优数据源或数据尺度可以通过以下公式确定：
。
可以从 MSDIS 中选择每个属性对应的最优数据源的数据样本，并构建最终的集成系统。理论上，该系统通过综合不同数据源和数据尺度，并结合高质量数据的精选，确保了更全面地考虑每个数据源的独特特性，并提高了信息系统的可信度和可靠度。
下面以通信保障无人机的通讯保障能力评估为例，说明所发明方法的应用过程。选取无人机的通讯覆盖半径（km）、机动速度（km/h）、载荷能力（KG）为评估指标，采用3种不同的传感器进行数据采集，三个传感器分别采集的是通讯覆盖半径、机动速度以及载荷能力。在建立多源决策信息系统时，单源决策信息系统由单个传感器产生样本数据，处理后的仿真数据如表2所示。
表2 无人机通讯能力评估测试数据
在表2中，3个属性分别对应3个评估指标通讯覆盖半径、机动速度以及载荷能力，3个数据源分别对应3种精度的传感器，3个数据样本记为，3个决策特征{1, 2, 3}分别表示数据精度为“高”“中”“低”。以属性为例，数据矩阵如下：
；
由此可得到归一化数据矩阵如下所示：
；
从表2可以看出，三组样本都是相异样本。因此，的总相似度和总距离可计算如下：
；
；
因此，的支持度为1.67；以此类推，可得到支持矩阵如下：
；
由此可以确定属性在所有数据样本上相对于每个数据源的可信度。例如：
；
因此，可得到基本可信度矩阵：
；
在上式中，的每一行反映了一个数据样本的证据。假设、和的权重分别为。那么，每条证据的可靠度可计算如下：
；
；
因此，基本概率分配如下：
；
上述公式表明，每条证据的可信度分别高达0.5456，0.5452和0.5456。通过使用证据推理规则，融合结果可描述如下：
；
可以明显看出，与任何单个初始证据相比，融合结果的可信度显著提高。这也说明ER 规则能够通过整合来自不同数据源的证据，有效地提高推理结果的可信度。
类似地，对于属性和，融合结果如下：
；
根据上述结果可知，、和的最优数据源分别为、和。因此，最终的融合如表3所示。
表3 最终的融合系统
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图2所示，提供了一种多源数据融合的可信证据推理装置，包括：多源决策系统构建模块202、证据生成模块204、基本概率质量分布计算模块206和融合模块208，其中：
多源决策系统构建模块202，用于构建多源决策信息系统；所述多源决策信息系统由多个独立的单源决策信息系统组成，所述单源决策信息系统产生用于人工智能训练的数据，所述多源决策信息系统用于将用于人工智能训练的数据进行整合；所述单源决策信息系统由数据样本、属性、数据矩阵、映射函数以及决策特征集组成；所述映射函数建立数据样本、属性、数据矩阵之间的映射关系；
证据生成模块204，用于对所述多源决策信息系统按照属性分为多个数据矩阵，以及根据所述决策特征集判断单源决策信息系统之间的关联关系，在存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度，在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离；根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度，根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度；根据所述第一置信度，生成单源决策信息系统的证据；
基本概率质量分布计算模块206，用于根据所述证据，建立辨识框架，并根据所述证据的权重和可靠度，计算证据的可信度，根据所述可信度，得到证据的第二置信度以及基本概率质量分布；
融合模块208，用于根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度，根据所述组合置信度得到多源决策信息系统中多条证据的置信分布。
关于多源数据融合的可信证据推理装置的具体限定可以参见上文中对于多源数据融合的可信证据推理方法的限定，在此不再赘述。上述多源数据融合的可信证据推理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多源数据融合的可信证据推理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (9)

1.一种多源数据融合的可信证据推理方法，其特征在于，所述方法包括：
构建多源决策信息系统；所述多源决策信息系统由多个独立的单源决策信息系统组成，所述单源决策信息系统产生用于人工智能训练的数据，所述多源决策信息系统用于将用于人工智能训练的数据进行整合；所述单源决策信息系统由数据样本、属性、数据矩阵、映射函数以及决策特征集组成；所述映射函数建立数据样本、属性、数据矩阵之间的映射关系；多源决策信息系统为通信保障无人机的通讯保障能力评估系统，所述单源决策信息系统分别为无人机的通讯覆盖半径、机动速度以及载荷能力，每个单源决策信息系统由传感器产生样本数据，并且传感器包括三种精度传感器，产生数据样本，每个数据样本的决策特征为：高、中和低；所述属性与评估指标对应，所述评估指标包括：通讯覆盖半径、机动速度以及载荷能力；
对所述多源决策信息系统按照属性分为多个数据矩阵，以及根据所述决策特征集判断单源决策信息系统之间的关联关系，在存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度，在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离；
根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度，根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度；
根据所述第一置信度，生成单源决策信息系统的证据；
根据所述证据，建立辨识框架，并根据所述证据的权重和可靠度，计算证据的可信度，根据所述可信度，得到证据的第二置信度以及基本概率质量分布；
根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度，根据所述组合置信度得到多源决策信息系统中多条证据的置信分布。
2.根据权利要求1所述的方法，其特征在于，对所述多源决策信息系统按照属性分为多个数据矩阵，包括：
对所述多源决策信息系统按照属性分为多个数据矩阵，所述数据矩阵表示为：
其中，所述数据矩阵的维度为，表示属性对应的数据矩阵，的每一行表示一个样本，的每一列表示一个单源决策信息系统；
对所述数据矩阵中的元素进行归一化表示为：
采用归一化后的元素表示数据矩阵得到归一化数据矩阵。
3.根据权利要求2所述的方法，其特征在于，根据所述决策特征集判断单源决策信息系统之间的关联关系，在存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度，在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离，包括：
根据所述决策特征集判断单源决策信息系统之间的关联关系为：
其中，表示数据样本，表示决策特征集中的决策特征，，；
当存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度为：
在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离为：
。
4.根据权利要求3所述的方法，其特征在于，根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度，根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度，包括：
根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度为：
根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度为：
。
5.根据权利要求4所述的方法，其特征在于，根据所述第一置信度，生成单源决策信息系统的证据，包括：
根据所述第一置信度，生成单源决策信息系统的证据为：
其中，表示数据样本 在属性 上提供的证据，且有，表示属性的数量。
6.根据权利要求5所述的方法，其特征在于，根据所述证据，建立辨识框架，并根据所述证据的权重和可靠度，计算证据的可信度，根据所述可信度，得到证据的第二置信度以及基本概率质量分布，包括：
根据所述证据，建立辨识框架；表示单源决策信息系统；
根据所述证据的权重和可靠度，计算证据的可信度为：
其中，和分别为证据的权重和可靠度，为证据的可信度；
根据所述可信度，计算第二置信度为：
其中，证据的基本概率分配为：
其中，和分别是证据 分配给和的概率质量， 是幂集，表示为：
根据所述基本概率，得到证据的基本概率质量分布为：
其中，。
7.根据权利要求6所述的方法，其特征在于，根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度，根据所述组合置信度得到多源决策信息系统中多条证据的置信分布，包括：
根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度为：
其中，，，，； 和分别表示证据分配给和的概率质量，和分别是分配给 和的未归一化的组合概率质量，和分别是分配给 和归一化的组合概率质量，是组合后分配给的置信度；
根据所述组合置信度得到多源决策信息系统中多条证据的置信分布为：
是所有证据的联合可信度，L表示证据的数量。
8.一种多源数据融合的可信证据推理装置，其特征在于，所述装置包括：
多源决策系统构建模块，用于构建多源决策信息系统；所述多源决策信息系统由多个独立的单源决策信息系统组成，所述单源决策信息系统产生用于人工智能训练的数据，所述多源决策信息系统用于将用于人工智能训练的数据进行整合；所述单源决策信息系统由数据样本、属性、数据矩阵、映射函数以及决策特征集组成；所述映射函数建立数据样本、属性、数据矩阵之间的映射关系；多源决策信息系统为通信保障无人机的通讯保障能力评估系统，所述单源决策信息系统分别为无人机的通讯覆盖半径、机动速度以及载荷能力，每个单源决策信息系统由传感器产生样本数据，并且传感器包括三种精度传感器，产生数据样本，每个数据样本的决策特征为：高、中和低；所述属性与评估指标对应，所述评估指标包括：通讯覆盖半径、机动速度以及载荷能力；
证据生成模块，用于对所述多源决策信息系统按照属性分为多个数据矩阵，以及根据所述决策特征集判断单源决策信息系统之间的关联关系，在存在关联关系时，计算数据矩阵中元素与其他相似元素的总相似度，在不存在关联时，计算数据矩阵中元素与其他不相似元素的总距离；根据所述总相似度和所述总距离，判断数据矩阵中元素对数据矩阵的支持度，根据所述支持度计算数据样本在属性上相对单源决策信息系统的第一置信度；根据所述第一置信度，生成单源决策信息系统的证据；
基本概率质量分布计算模块，用于根据所述证据，建立辨识框架，并根据所述证据的权重和可靠度，计算证据的可信度，根据所述可信度，得到证据的第二置信度以及基本概率质量分布；
融合模块，用于根据所述基本概率质量分布和所述第二置信度建立任意两条证据之间的组合置信度，根据所述组合置信度得到多源决策信息系统中多条证据的置信分布。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
CN202510471920.XA 2025-04-15 2025-04-15 多源数据融合的可信证据推理方法、装置和设备 Active CN120012944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510471920.XA CN120012944B (zh) 2025-04-15 2025-04-15 多源数据融合的可信证据推理方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510471920.XA CN120012944B (zh) 2025-04-15 2025-04-15 多源数据融合的可信证据推理方法、装置和设备

Publications (2)

Publication Number Publication Date
CN120012944A CN120012944A (zh) 2025-05-16
CN120012944B true CN120012944B (zh) 2025-08-05

Family

ID=95676230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510471920.XA Active CN120012944B (zh) 2025-04-15 2025-04-15 多源数据融合的可信证据推理方法、装置和设备

Country Status (1)

Country Link
CN (1) CN120012944B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778883A (zh) * 2016-12-23 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于模糊集合的证据理论智能巡检信息融合方法
CN109115491A (zh) * 2018-10-16 2019-01-01 杭州电子科技大学 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8589334B2 (en) * 2010-01-15 2013-11-19 Telcordia Technologies, Inc. Robust information fusion methods for decision making for multisource data
CN113258561A (zh) * 2021-04-19 2021-08-13 江苏大学 一种基于多属性决策的多种分布式电源的微电网多目标优化调度方法
CN118940507A (zh) * 2024-07-23 2024-11-12 中国人民解放军火箭军工程大学 基于数字孪生和迁移学习的飞行器健康状态确定方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778883A (zh) * 2016-12-23 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于模糊集合的证据理论智能巡检信息融合方法
CN109115491A (zh) * 2018-10-16 2019-01-01 杭州电子科技大学 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法

Also Published As

Publication number Publication date
CN120012944A (zh) 2025-05-16

Similar Documents

Publication Publication Date Title
Mehra Uncertainty quantification in deep neural networks: Techniques and applications in autonomous decision-making systems
CN111127364B (zh) 图像数据增强策略选择方法及人脸识别图像数据增强方法
Pannell et al. Physics-informed regularisation procedure in neural networks: An application in blast protection engineering
Zhan et al. Neural networks for geospatial data
CN112800237B (zh) 基于知识图谱嵌入表示的预测方法、装置和计算机设备
CN113989574B (zh) 图像解释方法、图像解释装置、电子设备和存储介质
CN116597384B (zh) 基于小样本训练的空间目标识别方法、装置及计算机设备
CN111401473A (zh) 基于注意力机制卷积神经网络的红外目标分类方法
US20210366203A1 (en) Method of processing point cloud data based on neural network
US20220269718A1 (en) Method And Apparatus For Tracking Object
US20250322240A1 (en) Model training method and related device thereof
Li et al. Efficient slope reliability analysis using adaptive classification-based sampling method
CN116804997B (zh) 基于图神经网络的中文相似案例推荐方法、装置和设备
CN119558380A (zh) 基于深度条件分布对齐的信息迁移学习方法、装置和设备
Azzeh et al. Software effort estimation using convolutional neural network and fuzzy clustering
Wei et al. Regression models for machine learning
Du et al. HFedCWA: heterogeneous federated learning algorithm based on contribution-weighted aggregation: J. Du et al.
CN120012944B (zh) 多源数据融合的可信证据推理方法、装置和设备
Wu et al. Bridging Fairness and Uncertainty: Theoretical Insights and Practical Strategies for Equalized Coverage in GNNs
Kim et al. ACMFed: Fair semi-supervised federated learning with additional compromise model
Azmat et al. Feature importance estimation using gradient based method for multimodal fused neural networks
Liu et al. Hierarchical and coupling model of factors influencing vessel traffic flow
Huang et al. A hybrid neural network–based approach to predict crack propagation paths
Deng et al. Rough set interpretation to RBF neural network
Fang et al. An active-learning probabilistic neural network for feasibility classification of constrained engineering optimization problems

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