基于FDR的证据理论改进算法

• 作者: 侯庆山 邢进生
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 证据理论 组合规则 BPA 样本分类 特征降维
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 59-64
• 页数: 6页
• 分类号: TP18
• 字数: 4443字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2020.06.012

摘要

证据理论的合成规则作为一项重要的研究课题,是样本分类及决策的关键制约因素.大多数融合方法随着特征数量的增加,特征间关联随之增强,融合过程也变得更为复杂,进而导致证据融合结果不够理想.因此,提出一种基于特征降维的证据理论改进算法,该算法主要包括两方面:首先,对原始数据集进行特征降维( feature dimension reduction, FDR),降低数据集中样本特征之间的关联性,进而优化融合结果;其次,对降维后的数据集进行特征融合,由于原始数据样本特征数量的下降,融合过程也变得更为简单,进一步通过计算样本的基本概率分配(basic probability assignment, BPA),得出样本分类结果.实验表明,基于特征降维的证据理论改进算法相较于其他融合算法,融合过程更为简单,融合效果较为良好,经过Instacart数据集测试,最终的平均类型识别率为94% .

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邢进生	山西师范大学数学与计算机科学学院	19	34	4.0	5.0
2	侯庆山	山西师范大学数学与计算机科学学院	2	0	0.0	0.0