基于FDR的证据理论改进算法

摘要：

证据理论的合成规则作为一项重要的研究课题,是样本分类及决策的关键制约因素.大多数融合方法随着特征数量的增加,特征间关联随之增强,融合过程也变得更为复杂,进而导致证据融合结果不够理想.因此,提出一种基于特征降维的证据理论改进算法,该算法主要包括两方面:首先,对原始数据集进行特征降维( feature dimension reduction, FDR),降低数据集中样本特征之间的关联性,进而优化融合结果;其次,对降维后的数据集进行特征融合,由于原始数据样本特征数量的下降,融合过程也变得更为简单,进一步通过计算样本的基本概率分配(basic probability assignment, BPA),得出样本分类结果.实验表明,基于特征降维的证据理论改进算法相较于其他融合算法,融合过程更为简单,融合效果较为良好,经过Instacart数据集测试,最终的平均类型识别率为94% .

关键词：证据理论、组合规则、BPA、样本分类、特征降维

所属期刊栏目：30

分类号：TP18(自动化基础理论)

资助基金：山西省软科学基金资助项目2011041033-03

在线出版日期：2020-06-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：59-64