论文部分内容阅读
随着大数据时代的来临,多源信息融合已经发展成为信息决策系统的关键技术之一。然而,由于传感器设备的物理局限性、系统运行的不确定性,甚至是环境的未知动态干扰等问题,导致多粒度信息融合问题日益成为信息融合研究的一大挑战。针对信息融合的理论研究是解决多粒度信息融合问题的有效途径,本文以DSmT(Dezert-Smarandache Theory)为理论框架,以穿戴式人体传感器网络(WBSNs,Wearable Body Sensor Networks)下的行为识别为应用背景,对多粒度信息的广义融合展开了深入的研究。
本文首先从研究多粒度信息的不确定性度量与融合规则角度出发,将犹豫模糊集理论与DSmT 信度赋值策略进行关联,提出了多粒度信息的定量和定性两种犹豫模糊信度概念,并进一步提出了基于犹豫模糊信度的多粒度证据源DSmC(Classic DSm Rule of Combination)融合规则,有效扩大了DSmT信度赋值技术的适用范围;此外,针对经典DSmT框架下融合规则受限于同一鉴别框架这一前提,这里借鉴了粗糙集理论中的粒空间构建思想,提出了一种能够有效对异鉴别框架下多粒度证据源实现融合的规则,仿真算例验证了提出方法的有效性;
随着鉴别框架中焦元数目的增加,多粒度证据源融合规则的计算复杂度过高等问题一定程度上限制了 DSmT 理论的实际应用。这里,提出了一种基于 BF-TOPSIS(Belief Function based Technique for Order Preference by Similarity to Ideal Solution)策略的多粒度证据源维度约简方法。依据焦元信度赋值和Martin编码规模两组指标判定焦元的重要程度,进而利用k-l-x方法实现对焦元的保留与去除操作,从而在降低多粒度证据源维度的前提下,尽可能地保留原始有效信息;此外,为了能够使得最终的多粒度证据源融合决策结果具备较强的可解释性,需要将Non-Bayesian BBA(Basic Belief Assignment)转换为Bayesian BBA。这里,提出了一种基于多目标遗传优化算法的概率决策方法,借助迭代寻优地方式,将粗粒度复合焦元的信度合理地分配给细粒度单子焦元;
针对非等可靠多粒度证据源的融合问题,本文提出了一种基于自适应 BF-TOPSIS 策略的非等可靠多粒度证据源融合规则。该方法从多粒度证据源内部的自身不确定性和多粒度证据源之间的冲突性两方面,度量参与融合的多粒度证据源可靠性程度;此外,由于评价指标自身的权重也在影响多粒度可靠性程度的计算,这里,在原始BF-TOPSIS的基础上给出了一种自适应计算评价指标权重的方法。最后,利用折扣策略和第六比例冲突分配规则(PCR6, Proportional Conflict Redistribution 6)规则将非等可靠多粒度证据源进行融合。仿真实验表明:本文提出的方法在高冲突、动态非等可靠证据源融合问题中具有明显的优势;
针对穿戴式人体传感器网络获取信息的不确定性,这里,从DSmT等可靠多粒度证据源融合和DSmT非等可靠多粒度证据源融合的角度出发,构建了基于核密度估计(KDE,Kernel Density Estimation)+DSmT的行为识别模型和基于K-means聚类+BF-TOPSIS+DSmT的行为识别模型,实现对基于穿戴式传感器网络感知的人体日常行为识别。此外,为了验证DSmT犹豫模糊信度在实际行为识别应用中的效果,进一步提出了基于犹豫模糊信度 +极限学习机(ELM, Extreme Learning Machine)+DSmT的行为识别模型。最后,将行为识别模型与其他经典的行为识别方法进行对比,比较结果充分说明了基于DSmT多粒度证据源融合策略下的行为识别模型能够较好地对日常行为进行识别,这也给传统基于穿戴式传感器网络感知的行为识别问题提供了新的解决思路。
本文首先从研究多粒度信息的不确定性度量与融合规则角度出发,将犹豫模糊集理论与DSmT 信度赋值策略进行关联,提出了多粒度信息的定量和定性两种犹豫模糊信度概念,并进一步提出了基于犹豫模糊信度的多粒度证据源DSmC(Classic DSm Rule of Combination)融合规则,有效扩大了DSmT信度赋值技术的适用范围;此外,针对经典DSmT框架下融合规则受限于同一鉴别框架这一前提,这里借鉴了粗糙集理论中的粒空间构建思想,提出了一种能够有效对异鉴别框架下多粒度证据源实现融合的规则,仿真算例验证了提出方法的有效性;
随着鉴别框架中焦元数目的增加,多粒度证据源融合规则的计算复杂度过高等问题一定程度上限制了 DSmT 理论的实际应用。这里,提出了一种基于 BF-TOPSIS(Belief Function based Technique for Order Preference by Similarity to Ideal Solution)策略的多粒度证据源维度约简方法。依据焦元信度赋值和Martin编码规模两组指标判定焦元的重要程度,进而利用k-l-x方法实现对焦元的保留与去除操作,从而在降低多粒度证据源维度的前提下,尽可能地保留原始有效信息;此外,为了能够使得最终的多粒度证据源融合决策结果具备较强的可解释性,需要将Non-Bayesian BBA(Basic Belief Assignment)转换为Bayesian BBA。这里,提出了一种基于多目标遗传优化算法的概率决策方法,借助迭代寻优地方式,将粗粒度复合焦元的信度合理地分配给细粒度单子焦元;
针对非等可靠多粒度证据源的融合问题,本文提出了一种基于自适应 BF-TOPSIS 策略的非等可靠多粒度证据源融合规则。该方法从多粒度证据源内部的自身不确定性和多粒度证据源之间的冲突性两方面,度量参与融合的多粒度证据源可靠性程度;此外,由于评价指标自身的权重也在影响多粒度可靠性程度的计算,这里,在原始BF-TOPSIS的基础上给出了一种自适应计算评价指标权重的方法。最后,利用折扣策略和第六比例冲突分配规则(PCR6, Proportional Conflict Redistribution 6)规则将非等可靠多粒度证据源进行融合。仿真实验表明:本文提出的方法在高冲突、动态非等可靠证据源融合问题中具有明显的优势;
针对穿戴式人体传感器网络获取信息的不确定性,这里,从DSmT等可靠多粒度证据源融合和DSmT非等可靠多粒度证据源融合的角度出发,构建了基于核密度估计(KDE,Kernel Density Estimation)+DSmT的行为识别模型和基于K-means聚类+BF-TOPSIS+DSmT的行为识别模型,实现对基于穿戴式传感器网络感知的人体日常行为识别。此外,为了验证DSmT犹豫模糊信度在实际行为识别应用中的效果,进一步提出了基于犹豫模糊信度 +极限学习机(ELM, Extreme Learning Machine)+DSmT的行为识别模型。最后,将行为识别模型与其他经典的行为识别方法进行对比,比较结果充分说明了基于DSmT多粒度证据源融合策略下的行为识别模型能够较好地对日常行为进行识别,这也给传统基于穿戴式传感器网络感知的行为识别问题提供了新的解决思路。