用于異質(zhì)信息的信任區(qū)間交互式多屬性識(shí)別方法

李雙明 關(guān) 欣 衣 曉 吳 斌

①(海軍航空大學(xué) 煙臺(tái)264001)

②(92941部隊(duì) 葫蘆島125001)

1 引言

異構(gòu)數(shù)據(jù)類型包括實(shí)數(shù)、區(qū)間數(shù)、序列數(shù)、灰數(shù)、三角模糊數(shù)、直覺模糊數(shù)及模糊語言術(shù)語等，從數(shù)據(jù)融合的角度，又可以分為特征層數(shù)據(jù)[1–4]和決策層數(shù)據(jù)[5]或二者的混合數(shù)據(jù)[6]。由于傳統(tǒng)決策方法在異構(gòu)數(shù)據(jù)決策上的適用性受到限制，為此有兩種解決思路：一是對(duì)傳統(tǒng)決策方法進(jìn)行改進(jìn)[1,4]，構(gòu)建異類數(shù)據(jù)間的度量方法；二是對(duì)將異構(gòu)數(shù)據(jù)轉(zhuǎn)化到同種數(shù)據(jù)類型[5,6]，利用傳統(tǒng)方法進(jìn)行決策。多參數(shù)決策問題中的逼近理想解(TOPSIS)[7]方法被公認(rèn)為非常有效的決策方法，但在實(shí)際應(yīng)用會(huì)產(chǎn)生排序反轉(zhuǎn)現(xiàn)象[8]。Dezert等人[9]提出了基于信度函數(shù)的逼近理想解(BF-TOPSIS)方法，該方法同樣也有排序反轉(zhuǎn)的問題?；谇熬袄碚摰腡ODIM方法已經(jīng)從處理確定數(shù)擴(kuò)展到處理區(qū)間模糊數(shù)、直覺模糊數(shù)、區(qū)間直覺模糊信息及猶豫模糊等。但是當(dāng)面臨未知目標(biāo)的數(shù)據(jù)類型與目標(biāo)數(shù)據(jù)庫不同構(gòu)，且包含專家的決策信息時(shí)，如何實(shí)現(xiàn)異質(zhì)信息的決策識(shí)別，是一個(gè)十分值得研究的問題，現(xiàn)有的文獻(xiàn)對(duì)該問題的研究較少。本文嘗試從同一準(zhǔn)則的異構(gòu)數(shù)據(jù)類型角度，并融合專家的經(jīng)驗(yàn)知識(shí)，研究基于異質(zhì)信息的目標(biāo)融合識(shí)別問題。

2 異構(gòu)數(shù)據(jù)距離

設(shè)數(shù)據(jù)庫中的目標(biāo)特征測(cè)量值類型為實(shí)數(shù)、區(qū)間數(shù)或序列數(shù)，未知目標(biāo)在廣義特征(由傳感器測(cè)量信息和專家決策信息組成)上的取值類型為實(shí)數(shù)、區(qū)間數(shù)、序列數(shù)和直覺模糊數(shù)等4種數(shù)據(jù)類型，稱傳感器的特征參數(shù)測(cè)量值為特征層信息，專家的經(jīng)驗(yàn)知識(shí)為決策層信息。在本文中，直覺模糊信息由專家經(jīng)驗(yàn)直接給出。

基于專家知識(shí)的直覺模糊數(shù)的隸屬度表征已知信息或證據(jù)對(duì)目標(biāo)的支持程度，相反，非隸屬度表征反對(duì)程度；而傳感器給出的為目標(biāo)某特征屬性上的測(cè)量值，表征目標(biāo)的外延性質(zhì)，因此需將異構(gòu)傳感器的測(cè)量值轉(zhuǎn)化成對(duì)目標(biāo)的支持或反對(duì)程度，與直覺模糊數(shù)構(gòu)成同種數(shù)據(jù)模式，該部分見第3節(jié)和第4節(jié)。

3 信任區(qū)間的創(chuàng)建

4 決策模型的確立

4.1 創(chuàng)建特征層數(shù)據(jù)的信任區(qū)間

4.2 直覺模糊信息與信任區(qū)間的等價(jià)關(guān)系

5 BI-TODIM融合識(shí)別方法

5.1 區(qū)間數(shù)的序關(guān)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(qū)間的圖形表示

5.2 權(quán)重值確定

在我們的前期工作中，已經(jīng)研究了求解未知權(quán)重的直覺模糊熵方法?，F(xiàn)直接給出權(quán)重的計(jì)算公式，詳細(xì)內(nèi)容可參考文獻(xiàn)[10]。

5.3 基于2次距離的識(shí)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(shù)據(jù)的粗處理。在這里，使用Wassertein距離測(cè)度[11]計(jì)算兩個(gè)信任區(qū)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(biāo)的精識(shí)別，詳細(xì)步驟如下。

設(shè)共有p個(gè)工作模式，工作模式B i(i=1,2,···,p)在特征參數(shù)F j(j=1,2,···,n)的 信任區(qū)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(shí)驗(yàn)

6.1 算例分析

采用文獻(xiàn)[9]中的算例5，將本文方法與文獻(xiàn)[9]中的BF-TOPSIS1/2/3方法進(jìn)行對(duì)比驗(yàn)證，取r=2，驗(yàn)證結(jié)果見表1所示。從表1中的結(jié)果可知，BF-TOPSIS3方法出現(xiàn)了排序反轉(zhuǎn)的問題，其算法復(fù)雜度高出BF-TOPSIS1/2方法1個(gè)數(shù)量級(jí)；本文方法在備選方案的排序是一致的，算法復(fù)雜度上比BF-TOPSIS1/2方法降低了2個(gè)數(shù)量級(jí)，有效地解決了BF-TOPSIS方法的排序反轉(zhuǎn)和運(yùn)行時(shí)間長的問題[9]。

6.2 與傳統(tǒng)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(jìn)行性能比較。在UCI公開數(shù)據(jù)庫中抽取3組公開數(shù)據(jù)集(Iris,Wine,Glass)進(jìn)行驗(yàn)證。本文方法的相關(guān)參數(shù)見第6.3節(jié)的設(shè)置，5種方法的分類結(jié)果見表2所示。

表1 本文方法及BF-TOPSIS1/2的計(jì)算結(jié)果

本文對(duì)Iris的分類效果只優(yōu)于KNN非類器，與FGGCA(97.2%)的分類精度相當(dāng)，較LST-KSVC和WLTSVM低2%和1%；對(duì)Wine的分類精度為96.2%，高于KNN和LST-KSVC，低于FGGCA和WLTSVM；對(duì)Glass的分類精度最高，而且顯著地優(yōu)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(yàn)證了本文方法的正確性。

6.3 異質(zhì)信息目標(biāo)識(shí)別融合仿真

以雷達(dá)輻射源信號(hào)識(shí)別[16]為應(yīng)用對(duì)象，設(shè)目標(biāo)數(shù)據(jù)庫中共有5類雷達(dá)，分別為R1,R2,R3,R4和R5，每類目標(biāo)包括工作頻率(RF)、脈沖重復(fù)周期(PRI)、脈沖寬度(PW)、相像系數(shù)(Cr)等4種特征參數(shù)，R1在每種特征參數(shù)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(biāo)數(shù)據(jù)庫工作模式的數(shù)據(jù)取值范圍見表3所示。假設(shè)目標(biāo)數(shù)據(jù)庫中特征測(cè)量值類型依次為區(qū)間數(shù)、序列數(shù)、區(qū)間數(shù)、實(shí)數(shù)，序列的長度設(shè)置為6，目標(biāo)數(shù)據(jù)庫中從表3中的數(shù)據(jù)中隨機(jī)產(chǎn)生。

表2 分類結(jié)果比較(%)

表3 工作模式的數(shù)據(jù)取值范圍

從數(shù)據(jù)庫中的工作模式中，隨機(jī)截取并疊加隨機(jī)噪聲，經(jīng)過混合屬性變換處理產(chǎn)生未知目標(biāo)的特征測(cè)量值，并且包含有專家的經(jīng)驗(yàn)知識(shí)。設(shè)有3個(gè)未知目標(biāo)，每個(gè)特征測(cè)量值類型都不相同，具體地，目標(biāo)A1的測(cè)量值類型依次為區(qū)間數(shù)、序列數(shù)、區(qū)間數(shù)、實(shí)數(shù)，目標(biāo)A2的測(cè)量值類型依次為序列數(shù)、序列數(shù)、實(shí)數(shù)、區(qū)間數(shù)，目標(biāo)A3的測(cè)量值類型依次序列數(shù)、序列數(shù)、區(qū)間數(shù)、區(qū)間數(shù)。專家的經(jīng)驗(yàn)知識(shí)直接給出了對(duì)R i類及其他類的直覺模糊數(shù)，表征對(duì)該類的支持程度和否定程度。

參數(shù)設(shè)置：損耗衰減系數(shù)r=2，灰關(guān)聯(lián)因子ρ=0.5，集成系數(shù)λ=1，距離參數(shù)p=1。

(1)未知目標(biāo)的單次識(shí)別結(jié)果分析：隨機(jī)選取未知目標(biāo)1/2/3，其工作模式序號(hào)分別為145,10和52，通過本文方法，前景值按降序排列對(duì)應(yīng)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(jù)排序結(jié)果，分別判決為R5類、R1類和R2類，各未知目標(biāo)前景值的變化如圖4所示。

從圖4可知，本文方法計(jì)算的前景值區(qū)分度高，從前景值排序上，可見本文方法識(shí)別決策結(jié)果準(zhǔn)確。

圖4 未知目標(biāo)1/2/3的前景值變化曲線

表4 參數(shù)1下識(shí)別結(jié)果的正確率(%)

從表4可知，在權(quán)重設(shè)置方面，對(duì)兩種方法而言，本文權(quán)重和權(quán)重1顯著優(yōu)于權(quán)重2的識(shí)別結(jié)果，本文權(quán)重略優(yōu)于權(quán)重1的識(shí)別結(jié)果；本文方法在本文權(quán)重和權(quán)重1上的識(shí)別結(jié)果優(yōu)于BF-TOPSIS1方法；兩種方法在權(quán)重2上的識(shí)別結(jié)果都大幅降低，TOPSIS1方法的識(shí)別結(jié)果約為本文方法的50%，說明權(quán)重2的設(shè)置是不合理的。從仿真結(jié)果可以得到以下結(jié)論：本文的權(quán)重算法能夠利用現(xiàn)有的數(shù)據(jù)信息對(duì)屬性權(quán)重進(jìn)行優(yōu)化；對(duì)模型的參數(shù)進(jìn)行合理的優(yōu)化，能夠提高識(shí)別精度；本文方法對(duì)權(quán)重的適應(yīng)性要優(yōu)于BF-TOPSIS1方法。

7 結(jié)束語

本文創(chuàng)造性的提出了用于傳感器測(cè)量數(shù)據(jù)與專家經(jīng)驗(yàn)知識(shí)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(shí)別領(lǐng)域，識(shí)別過程分成兩個(gè)階段：第1階段為計(jì)算基于1次距離測(cè)度的目標(biāo)信任區(qū)間，并結(jié)合專家的經(jīng)驗(yàn)知識(shí)，形成識(shí)別決策模型，完成異構(gòu)信息和專家經(jīng)驗(yàn)知識(shí)的預(yù)處理；第2階段為基于2次距離的結(jié)果決策，完成異質(zhì)信息目標(biāo)的融合識(shí)別。本文方法解決了BF-TOPSIS方法中備選方案排序翻轉(zhuǎn)及決策效率低的不足，仿真實(shí)驗(yàn)表明本文方法有較高的識(shí)別效率、較高的識(shí)別精度及較高的識(shí)別穩(wěn)定性。