第6期 黄心汉，等：广义证据推理融合结构 489· 决策层 据推理机(general evidence reasoning machine, 4 GERM)如图2所示. 在信度分配层，F(S)为信度赋值函数，通过信 信度触合层 度分配函数之后便成为了原始的基本信度赋值 0(·).对于2焦元的辨识框架，通过交运算和并运 信度校正层 算获取的基本信度赋值只有4种.在信度校正层中， 没有采用Shafer的折扣方法，取而代之的是人工神 信度分配层 经网络方法.因为在大多数情况下，非等可靠证据源 的折扣信息是无法得知的，即使能够获取其折扣值， 原始证据 但由于各种条件所限，往往也会呈现出非线性状态， 而折扣方法却是线性的，而且一旦确定就无法改变， 图1证据推理机的基本框架 这使得其应用价值大大降低.而神经网络方法则更 Fig.1 The basic frame of evidence reasoning machine 为灵活通用，它可以根据先验知识拟合非线性的折 2.2基于DSmT的广义证据推理机 扣值，因此可以适应不同的条件，比Shafer的折扣方 文献[6]中提出了基于DSmT的广义证据推理 法更为精确地描述非线性的打折情况.m(·)即为 机，但其不能分配不确定因子，为此对其加以改进， 通过神经网络校正之后的基本信度赋值 使其更具普适性.基于DSmT的二元素改进广义证 0.(0n0, m,0∩0) 0.(0Ua mws(0,∩0，) P{0,n82 m,(6,U6) ANN FRM 0.0) M0,) gE) ma(0U0)》 0,U0D O8) (,0) 8 ! ms(0) P0) O,(8,n8 m,0∩6) ☒ ☒ 0Ue m,(0,U0) F(S ANN & O0) M0) g() mo(e) P{0,} O,(0) m,(8) 原始 信度分配层 !信度 证据 校正层 信度融合层 决策层 图2基于DSmT的广义证据推理机 Fig.2 DSmT based generalized evidence reasoning machine 图2中FRM(factor redistribution machine)是因 tc转换来计算元素的发生概率，但通常情况下不需 子分配器信度校正层⑧是乘法算子，g(Σ)是激励 要这个扩展层. 函数，对于DSmT而言，激励函数就是比较简单的求 对于整个推理机而言，只有2个证据源输入口， 和算子，也可以采用其他证据理论的算法如DST(若 但其能够处理任意V≥2个证据源的情况.假定有 采用DST,则激励函数就相对DSmT复杂一些，包含 一组含有n个证据源的有限集{X,X2,…,Xn},现 了除法运算).mMa(·)融合后的结果.FRM是因 将这个有限集依次送入推理机，即X,和X2作为初 子分配器，冲突因子和不确定因子通过分配器被重 始的S,和S2,在第1轮融合周期结束后，由X,和 新分配到mw(e)(0,)和mMo)(02)上，如果冲突因子 或不确定因子不需分配，则可直接通过分配器成为 X,2个证据源融合得到结果mM(e)(·)不是最终的 mw()(0∩0，)和mwe)(0U02).分配器中的算法 结果，而是一个中间结果，因此m4()(·)又重新变 可以采用自适应通用分配法则(AUPR),也可采用 为m(·),与新进人推理机的证据源3进行融合， 其他方法，如只需分配冲突因子时，就可只采用 此时X3与上一轮结果mMe(·)分别成为了新 PCR法则 轮融合的S,和S2,只不过me(·)是直接进人信 最后的决策层是一个扩展层，采用广义Pignis- 度融合层而无需再通过信度分配和信度校正层(X