异常证据及其检测算法探究

异常证据及其检测算法探究

ID:46707600

大小:63.00 KB

页数:5页

时间:2019-11-26

异常证据及其检测算法探究_第1页
异常证据及其检测算法探究_第2页
异常证据及其检测算法探究_第3页
异常证据及其检测算法探究_第4页
异常证据及其检测算法探究_第5页
资源描述:

《异常证据及其检测算法探究》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、异常证据及其检测算法探究摘要:异常证据是指一批证据中有少数或部分证据与其余证据相比明显不一致,从而导致证据冲突程度的增大,甚至带来错误的合成结果。文章分析了异常证据的定义及其分类,在对证据距离和冲突程度进行详细定义的基础上,提出了一种基于证据距离和证据冲突程度的异常证据简易检测算法。算法具有计算量小、易于编程实现等特点,该算法可行有效。关键词:DS证据理论;证据距离;冲突程度一、引言由于传感器检测性能、信息源现场环境、证据形成途径等多种因素的影响,信息融合系统参与推理的证据往往会带有一定比例的“噪声”,'‘噪声”

2、在一定程度上将会对证据本身造成“污染”。由于证据来源不同,不可能确定证据的分布规律,而且证据自身不符合任何一种理想状态的数学分布,因此不可能采用传统的统计学的规律对其进行研究。本文将在Dempster-Shafer证据理论框架体系下,结合证据自身独特的描述形式,借鉴异常测量数据某些检测方法对异常证据及其检测算法进行初步研究,以进一步丰富Dempster-Shafer证据理论体系,提高其应用效果。二、异常证据异常证据是指一批证据中有少数或部分证据与其余证据相比明显不一致,从而导致证据冲突程度的增大,甚至带来错误的合

3、成结果。通常情况下,异常证据可以分为噪声性异常证据与机制性异常证据,它们总是混杂在一起的。因此需要找到合适的方法对它们进行区分,以便提供高质量的证据进行合成操作同时发现新的知识。对于噪声性异常证据,可采用滤波去噪方法还原证据,以改善证据的合成效果,提高信息融合系统性能。所以,异常证据既不属于"完全噪声”,也不属于“正常证据”,它在信息融合系统中的行为与正常证据的行为有很大的不同。本文主要是对异常证据检测进行分析,而对于异常证据的处理将另作考虑。定义1:证据集E={E1,E2,…,En}中部分或少数证据与大部分或绝

4、大部分证据之间距离较大,且其与大部分或绝大部分的冲突程度均大,那么称这些证据为异常数据。从定义1可以看出,判断一个证据是否为异常证据的两个参数分别为:证据距离,冲突程度。定义2:设大部分或绝大部分证据的质心向量为ME,ME的表达形式如公式①。ME=(m(A),m(A),M(A))m(A)(A),i=l,2,…,2T①其中,mj(Ai)为证据j的焦元Ai的基本概率赋值函数,N表示证据中的焦元个数。定义3:质心向量ME与证据Er之间的距离d(Er,ME)的表达形式如公式②。d(Er,ME)=EeEar=l,-,k②其

5、中,Ea为异常证据集为异常证据的个数,i■和分别为证据Er和质心ME的向量形式。为i■和两个向量的内积,如公式③。=m(A)m(B)③定义4:证据Er与所构造的质心证据ME之间冲突程度的表达形式如公式④。k=m(A)m(A)④利用证据之间距离的大小和冲突程度的高低,可以判断证据是否存在异常证据。设距离阈值与冲突程度阈值分别为P与T,则异常证据的判定条件如公式⑤所示。E=EUEifd(Er,ME)>pandk>tEothers⑤其中,距离阈值参数P与T冲突阈值参数(的大小由实际情况而定。三、检测算法描述在证据距离与

6、证据冲突定义的基础上,文中提出了一种基于证据距离和冲突程度的异常证据简易检测算法,该算法的步骤如下所述。第一,计算所有证据的质心,并找出距离这个质心的距离超过阈值(且冲突程度超过阈值t的证据Er(r=l,2,-,k)并形成异常证据集,同时从证据集E中删去这些这些证据,更新证据集Eo第二,重新计算证据集E中所有证据的质心,并确定此时质心与异常证据集中各证据的距离和冲突程度的大小,如公式②和公式④所示。再次利用异常证据的判断规则对异常证据集中的每一个证据进行判断,根据判断的结果分别更新证据集E和异常证据集Ea。第三,

7、如此循环处理,直至证据集E和异常证据集Ea中的证据个数不再发生改变。四、结束语信息融合系统中来自不同信息源的证据常常会夹杂着一定数量的异常证据,这将会给证据合成效果带来不利的影响。因此,本文提出了基于证据距离和冲突程度的异常证据简易检测算法,可实现异常证据的有效检测。尽管异常证据在信息融合系统中常常会造成融合性能的下降、弱化融合结果等不良后果,且很多异常证据是不具备任何意义的噪声性异常证据,但不能将异常证据轻描淡写地做删除处理,这样会丧失发现许多新知识的机会。参考文献:1、BREUNIGMM,KRIEGELHP.

8、LOF:Identifyingdensity-basedlocaloutliers[C].SIGMODInternationalConferenceonManagementofData[A].Dallas,TX,2000.2、ANGIULLIF,PIZZUTIC.Fastoutlierdetectioninhighdimensionalspace[C]・Proceedin

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。