基于Pignistic概率函數(shù)和相關(guān)系數(shù)的證據(jù)組合方法

楊曉萍，廉偉健，李孟杰，錢志鴻

?

基于Pignistic概率函數(shù)和相關(guān)系數(shù)的證據(jù)組合方法

楊曉萍，廉偉健，李孟杰，錢志鴻

（吉林大學(xué)通信工程學(xué)院，吉林 長春 130012）

D-S證據(jù)理論不能很好地解決證據(jù)之間高沖突的情況，得到的結(jié)果與事實相悖，并且在實際的應(yīng)用中無法解決“一票否決”的問題。針對上述不足，提出了一種基于Pignistic概率函數(shù)和相關(guān)系數(shù)的新證據(jù)沖突衡量標準（Pcor）和基于該標準的加權(quán)證據(jù)組合方法。該方法用Pcor來衡量證據(jù)間的沖突，通過建立支持矩陣來確定各證據(jù)的支持度，用加權(quán)平均法修正證據(jù)，使用Dempster組合規(guī)則，最終得出與事實相符的結(jié)果。數(shù)值算例表明，所提方法有效地解決了高沖突證據(jù)組合問題，與相關(guān)算法相比，具有更好的收斂性。

D-S證據(jù)理論；沖突衡量；相關(guān)系數(shù)；證據(jù)組合；信任度

1 引言

D-S證據(jù)理論（Dempster-Shafer evidence theory）作為多傳感器信息融合決策層重要方法之一，具有良好的信息融合能力，所需要的條件比貝葉斯概率論更弱些，在不確定、不知道的情況下可以很好地解決問題，因此被廣泛地應(yīng)用于決策分析、信息融合[1-2]、模式識別[3]、目標識別等領(lǐng)域。然而在一些特殊的情況下，采用Dempster組合規(guī)則將信息源的信息進行組合，會產(chǎn)生與事實相悖的結(jié)論，從而使組合失去意義。國內(nèi)外研究者認為這種情況是由證據(jù)之間高沖突引起的，并提出了大量的改進算法，主要分為2類：1) 針對證據(jù)理論本身組合存在的問題進行修改，有效地解決了證據(jù)之間的高沖突問題，參見文獻[4-6]；2) 在經(jīng)典理論算法的基礎(chǔ)上，對存在沖突的證據(jù)進行預(yù)處理，也有效地解決了證據(jù)之間高沖突帶來的問題，參見文獻[7-8]。這些改進算法從多個方面豐富了Dempster組合規(guī)則，并推動了其發(fā)展，使其更加適合實際應(yīng)用。

本文在第二類改進算法的基礎(chǔ)上，借助Murthy[8]思想，在Pignistic概率函數(shù)[9-10]的基礎(chǔ)上引入相關(guān)系數(shù)來確立沖突衡量標準，并根據(jù)此衡量標準確立各證據(jù)權(quán)重，使用加權(quán)平均思想降低沖突證據(jù)在組合中的影響，最后使用Dempster組合規(guī)則完成證據(jù)組合。

2 D-S的基本概念

D-S中，用表示識別框架，={1,2,…,θ}，其中，對象θ(1≤≤)是的一個子集，且是互不相容的元素。包含了所有對象，其冪集定義為2，是所有子集的集合。

定義1 基本概率賦值函數(shù)（BPA，basic probability assignment）[11]。設(shè)為識別框架，如果函數(shù)：2→[0,1]滿足()=0、∑()=1，則稱為上的基本概率賦值函數(shù)。其中，()叫作的基本概率賦值，也就是對的支持度，為空集。如果??且滿足()>0，則稱為焦元。將框架內(nèi)給出的(1)、(2)、…、(2)用行向量表示，=[(1),(2),…,(2)]。

Dempster組合規(guī)則表達式為

其中，∈[0,1)表示證據(jù)之間的沖突程度，計算式如式(2)所示。

3 證據(jù)沖突方法分析

在證據(jù)理論中，證據(jù)沖突[12]產(chǎn)生的原因主要有2個：1) 因不可抗力（如人為的放射干擾、雷電等惡劣天氣）引發(fā)傳感器收集到的證據(jù)與事實存在較大的偏差；2) 因人們對事物認知程度造成證據(jù)沖突即辨別框架不全面，導(dǎo)致各傳感器給出的報告相互之間沖突較高。因此，沖突衡量標準要有高沖突證據(jù)篩選的能力。

3.1 經(jīng)典的證據(jù)衡量方法

經(jīng)典的證據(jù)衡量方法在衡量證據(jù)之間的關(guān)系時存在一些有悖于事實的情況，通過例1來對經(jīng)典的證據(jù)衡量方法進行分析。

例1 設(shè)識別框架={1,2,3,4}，3個證據(jù)的BPA分別為

1：1(1)=1(2)=0.5

2：2(1)=2(2)=0.5

3：3(3)=3(4)=0.5

1) 沖突系數(shù)

其中，A、B作為證據(jù)1、2的焦元表示符合識別框架的所有子集。

2) Joussemle距離

例1中的1與3是2個完全沖突的證據(jù)，根據(jù)完全沖突的意義來說，證據(jù)間求得的BPA值應(yīng)無限接近于1，但是使用式(4)計算求得BPA=0.707，因此使用Joussemle距離也存在與事實相悖的情況。

3) 相關(guān)系數(shù)

相關(guān)系數(shù)的計算式如式(5)所示。

可以看出，經(jīng)典的證據(jù)沖突方法在某些情況下會出現(xiàn)問題。

3.2 新的證據(jù)沖突衡量標準

針對相關(guān)系數(shù)無法在證據(jù)中包含非單子集的情況下正確地判斷出沖突程度，加入Pignistic概率函數(shù)，解決相關(guān)系數(shù)在此方面的不足。

定義2 Pignistic概率函數(shù)。設(shè)()為識別框架下的基本概率賦值函數(shù)，則Pignistic概率函數(shù)為

那么在識別框架下，證據(jù)經(jīng)過Pignistic概率函數(shù)轉(zhuǎn)化后如式(8)所示。

定義4 設(shè)2個證據(jù)的單子集Pignistic概率函數(shù)為1、2，引入相關(guān)系數(shù)思想，來表示1、2證據(jù)之間的沖突程度，用表示，

從式(9)很容易看出∈(0,1)，這不僅保留了相關(guān)系數(shù)的能力，還解決了相關(guān)系數(shù)在非單子集情況下能力不足的問題。下文的例2是文獻[11]中的具體事例，用來說明在衡量證據(jù)沖突方面具有的優(yōu)勢。

例2 設(shè)識別框架={1,2,3,…,20}，2個證據(jù)的BPA分別為如下所示。

1：1(2,3,4)=0.05,1(7)=0.05,1()=0.1,1()=0.8

2：2(1,2,3,4,5)=1

其中，的變化規(guī)律為{1}，{1,2}，{1,2,3}，…，{1,2,3,…,20}。表1給出當(dāng)變化時，新的證據(jù)沖突程度與文獻[12]中采用的證據(jù)距離BPA和文獻[11]中定義的關(guān)聯(lián)系數(shù)的對比。

從表1可以看出，當(dāng)1()變化到{1,2,3,4,5}時，1()與2(1,2,3,4,5)的焦元相同，此時，2個證據(jù)間的沖突是最小的，但隨著的變化證據(jù)沖突=0.05是不變的，說明不能用來衡量證據(jù)間的沖突程度。觀察證據(jù)距離BPA、關(guān)系系數(shù)和本文提出的沖突程度都是隨著的變化而變化，因此也可以作為證據(jù)沖突衡量標準，該新的證據(jù)沖突衡量標準簡稱為Pcor。表1中的數(shù)據(jù)表明：證據(jù)距離BPA與沖突程度呈正比關(guān)系；關(guān)系系數(shù)的值越大，證據(jù)間的沖突程度越小，證據(jù)間相似度就越高；的變化趨勢與關(guān)系系數(shù)相似。顯然，和與BPA的變化趨勢相反。為了直觀地表達各沖突程度變量的變化趨勢，圖1繪出了表1中BPA、1?、1?隨著包含元素個數(shù)變化的曲線。

表1 各證據(jù)沖突衡量標準之間的比較

圖1 證據(jù)沖突衡量標準的比較

從圖1可以看出，BPA、1、1?有著相同的變化趨勢，在變化到{1,2,3,4,5}時，BPA、1、1?的值都降到最小，并且隨著的進一步增加，三者數(shù)值都隨著沖突程度變大而相應(yīng)地升高，這與客觀實際情況相吻合。從變化的趨勢來看，1?變化趨勢更加平滑。從以上的分析可以得出，本文定義的證據(jù)沖突衡量標準Pcor可以準確全面地描述證據(jù)間的沖突程度。

4 基于Pcor的加權(quán)證據(jù)組合方法

在傳感器決策信息融合領(lǐng)域，一直都秉承著少數(shù)服從多數(shù)的原則[13-15]，Zadeh[16]認為在Dempster組合規(guī)則下組合結(jié)果與事實相違背的原因是某個證據(jù)或少數(shù)證據(jù)不相容，但是對這些少數(shù)的證據(jù)我們無法規(guī)避或清除。為了能使大多數(shù)的證據(jù)決策保留下來，在證據(jù)合成過程中，降低一個或少數(shù)不相容證據(jù)的權(quán)重，Pcor是一個有效的方法，其利用值確定各證據(jù)的權(quán)重系數(shù)[17-18]，最后利用加權(quán)平均的思想進一步弱化不相容證據(jù)。

步驟1 根據(jù)式(7)與式(9)計算任意2個證據(jù)間的值并根據(jù)構(gòu)建支持矩陣SM，如式(10)所示。

步驟2 計算m的支持度Sup(m)為

步驟3 計算m的權(quán)重ω為

圖2 基于Pcor的加權(quán)證據(jù)組合方法流程

5 仿真算例與分析

通過具體事例，將一些典型的組合規(guī)則與本文提出的組合方法進行對比分析，說明本文方法能較好地解決高沖突組合問題。

例3 設(shè)某一識別框架為={，，}，有5個傳感器的BPA分配分別如下所示。

1()=0.5，1()=0.2，1()=0.3

2()=0.0，2()=0.8，2()=0.2

3()=0.6，3()=0.3，3()=0.1

4()=0.55，4()=0.25，4()=0.2

5()=0.65，5()=0.15，5()=0.2

從5個傳感器給出的證據(jù)看出，1、3、4、5證據(jù)認為發(fā)生的可能性較大；證據(jù)2對的支持度較高，相比較而言，證據(jù)2是一條高沖突證據(jù)。通過6種組合規(guī)則對例3證據(jù)進行組合，其結(jié)果如表2所示。

從表2可以看出，由于2()=0，Dempster組合規(guī)則無法在更多證據(jù)支持的情況下得出一個合理的數(shù)值，組合后()值始終為0，顯然根據(jù)原始的Dempster組合規(guī)則做出的決策是不符合常理的；Yager組合規(guī)則分析出Dempster組合規(guī)則存在的問題并進行了相應(yīng)的改進，把沖突的部分分配給未知項，隨著證據(jù)的增加，組合后的()逐漸變大，但()值仍為0，Yager組合規(guī)則雖然提高了組合理論分配的合理性，但是仍沒有解決Dempster組合規(guī)則處理高沖突證據(jù)帶來決策錯誤的問題；孫全等[20]對Yager組合規(guī)則進行了改進，很好地克服了該規(guī)則一直以來對的否定，隨著加入組合的證據(jù)增多，()值也在增加，只是收斂速度較慢，當(dāng)?shù)?個證據(jù)加入組合時，()=0.236 9、()=0.506 7，結(jié)果不確定性依然存在，仍不利于決策；Murthy方法很好地解決了高沖突問題，當(dāng)?shù)?個證據(jù)加入組合后，()=0.809 0，可以準確地做出決策判斷，但是Murthy組合規(guī)則只是對證據(jù)間進行了簡單的平均，并沒有考慮證據(jù)之間的相關(guān)性與差異，在2()=0.8這一基本概率賦值的干擾下，()與()的組合結(jié)果相差較大。

表2 6種組合規(guī)則結(jié)果比較

Pcor組合規(guī)則，不僅選取了Murthy組合規(guī)則中的組合優(yōu)點，還利用新的證據(jù)沖突衡量標準Pcor來確定證據(jù)間的權(quán)重系數(shù)，達到對證據(jù)的合理分配。如表2所示，按照Pcor組合規(guī)則組合后，各元素滿足客觀規(guī)律()>()>()，對比Murthy組合規(guī)則明顯縮小()與()組合結(jié)果的差異。隨著對支持度高的證據(jù)加入，Pcor組合規(guī)則中()組合結(jié)果越來越大。當(dāng)?shù)?個和第5個證據(jù)加入時，()值分別為0.758 1、0.937 3，比Murthy組合規(guī)則中的()=0.545 3、()=0.809 0有明顯提高，那么Pcor組合規(guī)則更加利于決策。對比文獻[21]的組合方法，兩者在組合效果上都非常不錯，但是在相同的條件下，Pcor組合方法的()值是較大的，對最終的判斷結(jié)果更有利。如圖3所示（由于Dempster組合規(guī)則與Yager組合規(guī)則()值一直為0，2條線與橫軸重合），Pcor組合規(guī)則在第3個證據(jù)加入組合時()數(shù)值就很高，這得益于該規(guī)則分配權(quán)重的合理性，有效地降低證據(jù)2在整個組合過程中的影響，隨著證據(jù)4、5加入，證據(jù)2的影響越來越小。因此Pcor組合規(guī)則不僅提高了證據(jù)組合的可能性，還很好地反映了實際的組合過程，符合實際情況。

圖3 不同組合規(guī)則m(A)的收斂性

6 結(jié)束語

采用經(jīng)典證據(jù)理論對高沖突證據(jù)進行組合時，會產(chǎn)生與事實相悖的結(jié)論。本文結(jié)合Pignistic概率函數(shù)變換與相關(guān)系數(shù)確立新沖突衡量標準Pcor，在理論與事例兩方面驗證Pcor可以有效地衡量證據(jù)間的沖突，并且根據(jù)Pcor提出了有效的組合規(guī)則。算法事例表明，本文提出的Pcor組合規(guī)則全面結(jié)合了證據(jù)間的相關(guān)性與差異，最大程度降低了高沖突證據(jù)帶來的組合問題，不僅加快了組合結(jié)果的收斂速度，降低了決策風(fēng)險，還提高了抗干擾能力和證據(jù)高沖突時決策的準確性。

[1] DEMPSTER A P. Upper and lower probabilities induced by a multi-valued mapping[J]. Annals Mathematical Statistical, 1967, 38: 325-339.

[2] SHAFER G. A mathematical theory of evidence[M]. Princeton: Princeton University Press, 1976.

[3] 雷蕾, 王曉丹, 邢雅瓊, 等. 結(jié)合SVM 和DS 證據(jù)理論的多極化HRRP 分類研究[J]. 控制與決策,2013,28(6): 861-866.LEI L,WANG X D, XING Y Q, et al. Multi-polarized HRRP classification by SVM and DS evidence theory[J]. Conctol and Decision,2013, 28(6): 861-866.

[4] LEFEVRE E, COLOT O, VANNOORENBERGHE P. Belief function combination and conflict management[J]. Information Fusion, 2002, 3(2): 149-162.

[5] YAGER R R. On the Dempster-Shafer framework and new combination rules[J]. Information Sciences,1987,41(5):93-138.

[6] HAN D Q, DENG Y, HAN C Z. Weighted evidence combination based on distance of evidence and uncertainty measure[J]. J Infrared Millim Waves, 2011, 30(5): 396-400.

[7] LIU Z G, DEZERT J, PAN Q, et al. Combination of sources of evidence with different discounting factors based on a new dissimilarity measure[J]. Decision Support Systems, 2011,52(1): 133-141.

[8] MURPHY C K. Combining belief functions when evidence conflicts[J]. Decision Support Systems, 2000, 29(1):1-9.

[9] 宋京偉, 王曉丹, 宋亞飛, 等. 基于冪Pignistic概率距離的加權(quán)證據(jù)組合方法[J]. 電子學(xué)報, 2018,39(1):117-125.SONG J W,WANG X D,SONG Y F, et al. Weighted evidence combination method based on power-Pignistic probability distance[J]. Journal on Communications, 2018,39(1):117-125.

[10] 肖建于, 童敏明, 朱昌杰, 等. 基于Pignistic概率距離的改進證據(jù)組合規(guī)則[J]. 上海交通大學(xué)學(xué)報,2012,46(4):636-645.XIAO J Y,TONG M M,ZHU C J,et al. Improved combination rule of evidence based on Pignistic probability distance[J]. Journal of Shanghai Jiaotong University, 2012,46(4):636-645.

[11] 鄧勇, 王棟, 李齊, 等. 一種新的證據(jù)沖突分析方法[J].控制理論與應(yīng)用,2011,28(6):839-844.DENG Y, WANG D, LI Q, et al. A new method to analyze evidence conflict[J]. Control Theory & Applications, 2011, 28(6): 839-844.

[12] JOUSSELME A L,GRENIER D,BOSSE E. A new distance between two bodies of evidence[J]. Information Fusion, 2001(2):91-101.

[13] 畢文豪, 張安, 李沖. 基于新的證據(jù)沖突衡量的加權(quán)證據(jù)融合方法[J]. 控制與決策,2016,31(1):73-78.BI W H, ZHANG A, LI C. Weighted evidence combination method based on new evidence conflict measurement approach[J].Control and Decision, 2016,31(1):73-78.

[14] 孟光磊, 龔光紅. 證據(jù)源權(quán)重的計算及其在證據(jù)融合中的應(yīng)用[J]. 北京航空航天大學(xué)學(xué)報, 2010, 36(11): 1365-1368.MENG G L, GONG G H. Weight co-efficients calculation for evidence sources and its application in evidences fusion[J]. Journal of Beijing University of Aeronautics and Astronautics,2010,36(11): 1365-1368.

[15] LIU Z G, PAN Q, DEZERT J, et al. Classification of uncertain and based on evidence theory[J]. Neurocomputing, 2014,133(8): 459-470.

[16] ZADEH L. A simple view of the Dempster-Shafer theory of evidence and its implication for the rule of combination[J]. AI Magazine, 1986, 7(2): 85-90.

[17] 劉準釓, 程詠梅. 基于證據(jù)距離和矛盾因子的加權(quán)證據(jù)合成法[J]. 控制理論與應(yīng)用,2009,26(12):1439-1442.LIU H G, CHENG Y M. Combination of weighted belief functions based on evidence distance and conflicting belie[J]. Control Theory and Applications, 2009,26(12):1439-1442.

[18] 蔣雯, 吳翠翠, 賈佳, 等. D-S證據(jù)理論中的基本概率賦值轉(zhuǎn)換概率方法研究[J]. 西北工業(yè)大學(xué)學(xué)報,2013,31(2):295-299.JIANG W, WU C C, JIA J, et al. A probabilistic transformation of basic probability assignment(BPA) in D-S evidence theory[J]. Journal of Northwestern Polytechnical University, 2013, 31(2): 295-299.

[19] 宋亞飛, 王曉丹, 雷蕾, 等. 基于相關(guān)系數(shù)的證據(jù)沖突度量方法[J]. 通信學(xué)報, 2014, 35(5): 95-100.SONG Y F, WANG X D, LEI L, et al. Measurement of evidence conflict based on correlation coefficient[J]. Journal on Communications, 2014, 35(5): 95-100.

[20] 孫全, 葉秀清, 顧偉康. 一種新的基于證據(jù)理論的合成公式[J]. 電子學(xué)報, 2000, 28(8): 117-119.SUN Q, YE X Q, GU W K. A new combination rules of evidence theory[J]. ACTA Electronica Sinica, 2000,28(8):117-119.

[21] 鄧勇, 施文康, 朱振福. 一種有效處理沖突證據(jù)的組合方法[J]. 紅外與毫米波學(xué)報,2004,23(1):27-32. DENG Y, SHI W K, ZHU Z F. Efficient combination approach of conflict evidence [J]. J Infrared Millim Waves,2004,23(1):27-32.

Evidence combination method based on Pignistic function transformation and correlation coefficient

YANG Xiaoping, LIAN Weijian, LI Mengjie, QIAN Zhihong

College of Communication Engineering, Jilin University, Changchun 130012, China

The situation of high conflict between evidences and one ballot veto cannot be solved by classical D-S rule, and the results obtained from classical D-S rule are contrary to the facts. To solve this problem, a new standard to measure conflicts between evidences was proposed based on the combination of Pignistic function transformation and correlation coefficient, and also a novel kind of weighted combination method which was applied to measure conflicts between evidences was put forward according to the standard. After that, a support matrix was constructed based from which the credibility of evidence was obtained, and the weighted average method was used to revise the evidence. Finally, the combination was accomplished by using Dempster’s rule. The result of numerical examples shows that it’s effective to solve the combination of conflicting evidence. Compared with other methods, the proposed method has good astringency.

D-S evidence theory, conflict measure, correlation coefficient, evidence combination, credibility

TP391

A

10.11959/j.issn.1000?436x.2019049

2018?04?23；

2018?08?22

吉林省校共建計劃專項基金資助項目（No.SXGJQY2017-9）；吉林大學(xué)高層次科技創(chuàng)新團隊建設(shè)基金資助項目（No.2017TD-19）；國家自然科學(xué)基金資助項目（No.61771219）；吉林省科技廳重點科技研究發(fā)展基金資助項目（No.20180201081SF）

The Special Fund Project of Jilin Province School Co-Construction Plan (No.SXGJQY2017-9), The High-Level Technology Innovation Team Building Project of Jilin University (No.2017TD-19), The National Natural Science Foundation of China (No.61771219), The Science and Technology Research Development Fund of Jilin Provincial Science and Technology Agency (No.20180201081SF)

楊曉萍（1963? ），女，黑龍江鶴崗人，博士，吉林大學(xué)教授、碩士生導(dǎo)師，主要研究方向為網(wǎng)絡(luò)通信傳輸技術(shù)和多傳感器數(shù)據(jù)融合技術(shù)。

廉偉?。?993? ），男，吉林梅河口人，吉林大學(xué)碩士生，主要研究方向為多傳感器數(shù)據(jù)融合技術(shù)。

李孟杰（1994? ），男，河北邯鄲人，吉林大學(xué)碩士生，主要研究方向為WSN負載均衡多徑路由協(xié)議。

錢志鴻（1957? ），男，吉林長春人，博士，吉林大學(xué)教授、博士生導(dǎo)師，主要研究方向為基于物聯(lián)網(wǎng)、D2D、Wi-Fi、RFID 等無線網(wǎng)絡(luò)與通信技術(shù)。