基于 FDR 的证据理论改进算法

来源：计算机技术与发展杂志2020年第06期北京时间：

作者：侯庆山;邢进生

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% 。

关键词：证据理论;组合规则;BPA;样本分类;特征降维