基于FDR的证据理论改进算法-国际计算机科学进展.docx

-10-

基于FDR的证据理论改进算法

【摘要】为简化证据理论合成规则融合过程，提高其融合效果，本文应用特征降维（FeatureDimensionReduction，FDB）技术，提出一种行之有效的证据理论改进算法。实验结果表明：基于FDR的证据理论改进算法具有融合过程简单、融合效果好、类型识别率高等特点，该算法经过数据集测试后，其类型识别率升高至94%，完全符合实际应用需求。希望通过这次研究，为相关人员提供有效的借鉴和参考。

【关键词】证据理论；组合规则；样本分类

【收稿日期】2023年8月6日【出刊日期】2023年9月27日【DOI】10.12208/j.aicsImprovedalgorithmofevidencetheorybasedonFDR

【Abstract】Inordertosimplifythefusionprocessofevidencetheorysynthesisrulesandimproveitsfusioneffect,thispaperappliesFeatureDimensionReduction(FDB)technologytoproposeaneffectiveevidencetheoryimprovementalgorithm.TheexperimentalresultsshowthattheimprovedalgorithmbasedonFDRevidencetheoryhasthecharacteristicsofsimplefusionprocess,goodfusioneffect,andhightyperecognitionrate.Afterbeingtestedonthedataset,thetyperecognitionrateofthealgorithmincreasedto94%,fullymeetingthepracticalapplicationrequirements.Ihopetoprovideeffectivereferenceandguidanceforrelevantpersonnelthroughthisstudy.

【Keywords】Evidencetheory;Combinationrules;Sampleclassification

证据理论作为一种有效工具，主要用到模糊决策思想，在目标识别、决策制定等领域具有重要作用。在进行特征融合之前，为促使样本特征融合过程变得更加简单化，需要筛选、降维处理原始样本特征。另外，为避免因样本特征权重分配不合理而降低最终实验结果精确度，需要在进行特征融合期间，将较低权重分配给存在矛盾关系的样本特征[1]。本文提出一种基于FDR的证据理论改进算法，该算法在正式融合样本特征之前，筛选和删除对分类结果影响程度较低的特征，不断降低初始样本特征数量，促使融合过程变得更加简单化，从而获得最佳融合效果[2]。所以，强化对基于FDR的证据理论改进算法研究显得尤为重要。

1基础理论

1.1D-S证据理论

D-S证据理论主要是由Dempster和Shafer两名

学者所提出的证据理论，运用该理论，可以从模糊、不确定的信息中，制定出相关决策。该证据理论被广泛地应用于各个领域中，并取得了良好的应用效果[3]。D-S证据理论在具体应用时，使用2n代表整个空间中的各个子集集合。子集集合表示如下：

2n={φ,{θ1},{θ2},…{θn},{θ1,θ2},…{θ1,θ2,…θn}}（1）

在D-S证据理论中，通常会用到质量函数，该函数符合在2n→[0,1]上的映射。运用上述公式，可以保证证据融合效果，简化证据融合过程，但是，当某一证据支持度过低或者达到0时，其最终融合效果较差，不够理想。

为解决以上问题，技术人员要引入和应用证据权值，不断降低此类证据的影响程度，此外，还要在整个融合样特征之前，筛选和删除支持度较低的样本特征。

基于FDR的证据理论改进算法

-11-

1.2特征选择

在各个样本特征之间，通常会存在较高的关联度，这就增加计算消耗量。此外，部分特征一旦处理不当，会降低最终预测结果精确度[4]。所以，在选择样本特征时，需要从各个样本特征中，选择出含有部分特征的样本，并将其设置为新样本特征，在选择整个