用于異質信息的信任區間交互式多屬性識別方法

李雙明 關 欣 衣 曉 吳 斌

①(海軍航空大學 煙臺264001)

②(92941部隊 葫蘆島125001)

1 引言

異構數據類型包括實數、區間數、序列數、灰數、三角模糊數、直覺模糊數及模糊語言術語等，從數據融合的角度，又可以分為特征層數據[1–4]和決策層數據[5]或二者的混合數據[6]。由于傳統決策方法在異構數據決策上的適用性受到限制，為此有兩種解決思路：一是對傳統決策方法進行改進[1,4]，構建異類數據間的度量方法；二是對將異構數據轉化到同種數據類型[5,6]，利用傳統方法進行決策。多參數決策問題中的逼近理想解(TOPSIS)[7]方法被公認為非常有效的決策方法，但在實際應用會產生排序反轉現象[8]。Dezert等人[9]提出了基于信度函數的逼近理想解(BF-TOPSIS)方法，該方法同樣也有排序反轉的問題。基于前景理論的TODIM方法已經從處理確定數擴展到處理區間模糊數、直覺模糊數、區間直覺模糊信息及猶豫模糊等。但是當面臨未知目標的數據類型與目標數據庫不同構，且包含專家的決策信息時，如何實現異質信息的決策識別，是一個十分值得研究的問題，現有的文獻對該問題的研究較少。本文嘗試從同一準則的異構數據類型角度，并融合專家的經驗知識，研究基于異質信息的目標融合識別問題。

2 異構數據距離

設數據庫中的目標特征測量值類型為實數、區間數或序列數，未知目標在廣義特征(由傳感器測量信息和專家決策信息組成)上的取值類型為實數、區間數、序列數和直覺模糊數等4種數據類型，稱傳感器的特征參數測量值為特征層信息，專家的經驗知識為決策層信息。在本文中，直覺模糊信息由專家經驗直接給出。

基于專家知識的直覺模糊數的隸屬度表征已知信息或證據對目標的支持程度，相反，非隸屬度表征反對程度；而傳感器給出的為目標某特征屬性上的測量值，表征目標的外延性質，因此需將異構傳感器的測量值轉化成對目標的支持或反對程度，與直覺模糊數構成同種數據模式，該部分見第3節和第4節。

3 信任區間的創建

4 決策模型的確立

4.1 創建特征層數據的信任區間

4.2 直覺模糊信息與信任區間的等價關系

5 BI-TODIM融合識別方法

5.1 區間數的序關系

圖1 算法流程示意圖

圖2 直覺模糊信息的圖形表示

圖3 信任區間的圖形表示

5.2 權重值確定

在我們的前期工作中，已經研究了求解未知權重的直覺模糊熵方法。現直接給出權重的計算公式，詳細內容可參考文獻[10]。

5.3 基于2次距離的識別方法

稱決策模型中使用的距離為1次距離，目的是完成數據的粗處理。在這里，使用Wassertein距離測度[11]計算兩個信任區間BPij與 B Pkj的距離d W(BPij,BPk j)，稱為2次距離，目的是完成目標的精識別，詳細步驟如下。

設共有p個工作模式，工作模式B i(i=1,2,···,p)在特征參數F j(j=1,2,···,n)的 信任區間為B Pij，模式B i與模式Bk的之間的Wasser t ein距離為d W(BPij,BPkj)。

6 仿真實驗

6.1 算例分析

采用文獻[9]中的算例5，將本文方法與文獻[9]中的BF-TOPSIS1/2/3方法進行對比驗證，取r=2，驗證結果見表1所示。從表1中的結果可知，BF-TOPSIS3方法出現了排序反轉的問題，其算法復雜度高出BF-TOPSIS1/2方法1個數量級；本文方法在備選方案的排序是一致的，算法復雜度上比BF-TOPSIS1/2方法降低了2個數量級，有效地解決了BF-TOPSIS方法的排序反轉和運行時間長的問題[9]。

6.2 與傳統分類方法的比較

與KNN[12](K Nearest Neighbor),LST-KSVC[13](Least Squared Twin K-class Support VectorClassification),FGGCA[14](Fuzzy Granular Gravitational Clustering Algorithm),WLTSVM[15](Weighted Linear Loss Twin Support Vector Machine)等分類方法進行性能比較。在UCI公開數據庫中抽取3組公開數據集(Iris,Wine,Glass)進行驗證。本文方法的相關參數見第6.3節的設置，5種方法的分類結果見表2所示。

表1 本文方法及BF-TOPSIS1/2的計算結果

本文對Iris的分類效果只優于KNN非類器，與FGGCA(97.2%)的分類精度相當，較LST-KSVC和WLTSVM低2%和1%；對Wine的分類精度為96.2%，高于KNN和LST-KSVC，低于FGGCA和WLTSVM；對Glass的分類精度最高，而且顯著地優于KNN，LST-KSVC和FGGCA的分類精度。表明本文方法在分類問題上能夠取得令人十分滿意的效果，驗證了本文方法的正確性。

6.3 異質信息目標識別融合仿真

以雷達輻射源信號識別[16]為應用對象，設目標數據庫中共有5類雷達，分別為R1,R2,R3,R4和R5，每類目標包括工作頻率(RF)、脈沖重復周期(PRI)、脈沖寬度(PW)、相像系數(Cr)等4種特征參數，R1在每種特征參數上分別具有2,3,2和2種工作模式，因此R1共 有2× 3× 2× 2=24類工作模式，以此類推，R2,R3,R4和R5分別有4× 3× 2× 2=48,2× 3× 3× 2 =36,4× 2× 2× 2 =32和2× 2× 2× 3=24種工作模式。目標數據庫工作模式的數據取值范圍見表3所示。假設目標數據庫中特征測量值類型依次為區間數、序列數、區間數、實數，序列的長度設置為6，目標數據庫中從表3中的數據中隨機產生。

表2 分類結果比較(%)

表3 工作模式的數據取值范圍

從數據庫中的工作模式中，隨機截取并疊加隨機噪聲，經過混合屬性變換處理產生未知目標的特征測量值，并且包含有專家的經驗知識。設有3個未知目標，每個特征測量值類型都不相同，具體地，目標A1的測量值類型依次為區間數、序列數、區間數、實數，目標A2的測量值類型依次為序列數、序列數、實數、區間數，目標A3的測量值類型依次序列數、序列數、區間數、區間數。專家的經驗知識直接給出了對R i類及其他類的直覺模糊數，表征對該類的支持程度和否定程度。

參數設置：損耗衰減系數r=2，灰關聯因子ρ=0.5，集成系數λ=1，距離參數p=1。

(1)未知目標的單次識別結果分析：隨機選取未知目標1/2/3，其工作模式序號分別為145,10和52，通過本文方法，前景值按降序排列對應的工作模式分別為{145,140,144,149,147,148,···,1,8,2,18,

7,11,12},{10,7,8,2,1,11,9,···,163,156,157,158,161,160,159},{52,50,51,49,48,46,47,···,13,6,5,20,18,19,17}，根據排序結果，分別判決為R5類、R1類和R2類，各未知目標前景值的變化如圖4所示。

從圖4可知，本文方法計算的前景值區分度高，從前景值排序上，可見本文方法識別決策結果準確。

圖4 未知目標1/2/3的前景值變化曲線

表4 參數1下識別結果的正確率(%)

從表4可知，在權重設置方面，對兩種方法而言，本文權重和權重1顯著優于權重2的識別結果，本文權重略優于權重1的識別結果；本文方法在本文權重和權重1上的識別結果優于BF-TOPSIS1方法；兩種方法在權重2上的識別結果都大幅降低，TOPSIS1方法的識別結果約為本文方法的50%，說明權重2的設置是不合理的。從仿真結果可以得到以下結論：本文的權重算法能夠利用現有的數據信息對屬性權重進行優化；對模型的參數進行合理的優化，能夠提高識別精度；本文方法對權重的適應性要優于BF-TOPSIS1方法。

7 結束語

本文創造性的提出了用于傳感器測量數據與專家經驗知識的融合方法，可推廣到特征層和決策層的多傳感器多屬性的融合識別領域，識別過程分成兩個階段：第1階段為計算基于1次距離測度的目標信任區間，并結合專家的經驗知識，形成識別決策模型，完成異構信息和專家經驗知識的預處理；第2階段為基于2次距離的結果決策，完成異質信息目標的融合識別。本文方法解決了BF-TOPSIS方法中備選方案排序翻轉及決策效率低的不足，仿真實驗表明本文方法有較高的識別效率、較高的識別精度及較高的識別穩定性。