一种基于证据理论的鸢尾花植株类型识别方法及系统技术方案

本发明专利技术提供一种基于证据理论的鸢尾花植株类型识别方法及系统，本发明专利技术针对目前基于证据理论的鸢尾花识别方法中，证据模糊度的评价方法及证据权重分配方法存在的问题，将Wasserstein距离引入模糊证据的度量过程中，提出用清晰度表示证据的模糊程度，并基于该清晰度，提出一种新的证据权重分配方法；本发明专利技术解决了模糊证据度量过程复杂、度量不准确的问题，并且更充分地考虑了证据模糊程度与证据权重之间的相关性，可以为证据分配一个更合理的权重，有效降低模糊证据对融合结果的影响以提高决策准确率。高决策准确率。高决策准确率。

【技术实现步骤摘要】
一种基于证据理论的鸢尾花植株类型识别方法及系统


[0001]本专利技术涉及鸢尾花植株类型识别方法，具体涉及一种基于证据理论的鸢尾花植株类型识别方法及系统。

技术介绍

[0002]基于证据理论的鸢尾花植株类型识别是指通过将鸢尾花的花型特征数据(包括萼片长度(Sepal Length，SL)、萼片宽度(Sepal Width，SW)、花瓣长度(Petal Length，PL)、及花瓣宽度(Petal Width，PW))转化为证据后，利用D
‑
S证据理论将其进行融合，从而对其植株类型进行预测和判定的过程。在使用D
‑
S证据理论中的概率指派生成方法将鸢尾花的四个属性值转化为四条证据后，每条证据体中通常都包含有一些模糊证据，若不对模糊证据进行任何处理，直接使用证据理论合成规则融合四条证据后预测植株类型，预测的准确率将极不理想，因此，目前基于证据理论的鸢尾花识别方法在融合之前，均会对数据集中的模糊证据进行专门的处理，处理方法为先使用信息熵度量出模糊证据的模糊程度，再根据证据的模糊程度确定证据权重，最后使用证据权重对鸢尾花数据转化后的证据源进行预处理，预处理后的证据再进行融合(过程如图1所示)。经研究表明，使用证据理论组合规则融合经过预处理的证据预测鸢尾花植株类型时，预测准确率会比直接融合未处理的证据大幅度提高。但现有基于D
‑
S证据理论的鸢尾花识别方法中，对于证据模糊程度的计算仍存在计算过程复杂、未完整利用证据体内的信息量而度量不准确的问题。此外，证据模糊度在用于融合前的证据权重分配时，其对证据权重的影响未被现有权重分配方法充分体现，导致融合结果依然具有可提升的空间。

技术实现思路

[0003]针对目前基于证据理论的鸢尾花识别方法中，证据模糊度的评价方法及证据权重分配方法存在的问题，本专利技术提供一种基于证据理论的鸢尾花植株类型识别方法及系统，将Wasserstein距离引入模糊证据的度量过程中，提出用清晰度表示证据的模糊程度，并基于该清晰度，提出一种新的证据权重分配方法。
[0004]为了达到上述目的，本专利技术所采用的技术方案是：一种基于证据理论的鸢尾花植株类型识别方法，包括以下步骤：步骤1，确定鸢尾花植株类型的识别框架；步骤2，将鸢尾花的多种花型特征数据使用区间数模型转化为证据，即生成相应的基本概率指派函数；步骤3，计算各证据的可信度Cred；步骤4，计算各证据的清晰度Clar；步骤5，基于证据可信度与清晰度确定各证据的权重w；步骤6，基于各证据的权重，定义归一化证据，该归一化证据为根据权重修正后的证据；
步骤7，基于权重修正后的证据，使用Dempster组合规则做出决策。
[0005]进一步的，鸢尾花的植株类型共有三种，分别为：setosa、versicolor、virginica，则定义步骤1中的识别框架为Θ＝{Se，Ve，Vi}。
[0006]进一步的，步骤2中的花型特征数据包括萼片长度、萼片宽度、花瓣长度及花瓣宽度。
[0007]进一步的，步骤3中，计算各证据的可信度Cred的过程包括：步骤3.1，利用Joussulme距离函数计算各证据相似度，获取证据的相似度sim(m
i
，m
j
)＝1
‑
JoussulmeDistance(m
i
，m
j
)；且其中：m
i
‑
m
j
是证据m
i
和m
j
之间的向量差；D为一个基于焦元一阶范数的矩阵，且步骤3.2，计算各证据的初始可信度Cred
′
：基于证据的相似度，定义证据的初始可信度如下：其中：ms为参与融合的证据集合，ms中的所有证据必须和m
i
处于同一个辨识框架之下；步骤3.3，计算证据的排序因子SortFactor：每个证据可被映射为一个排序矩阵SM，多个排序矩阵之间的差异可以映射为另一个矩阵差值矩阵DM，其计算方式为：通过指数曲线可以将差值矩阵DM映射为一个值域为[0，1]的排序因子SortFactor，其计算方式为：步骤3.4，使用证据的排序因子修正初始可信度，获得证据可信度Cred：
[0008]进一步的，步骤4中，计算各证据的清晰度Clar的过程如下：步骤4.1，使用Wasserstein距离函数公式计算证据与均匀分布之间的W距离：
其中，k表示证据体中焦元的个数；假设识别框架中包含n个元素，则γ的取值范围为(2
n
‑
1)2；步骤4.2，归一化W距离获得证据清晰度Clar：
[0009]进一步的，步骤5中，基于证据可信度与清晰度确定各证据的权重w的公式如下：其中，N为参与融合的证据个数，w(m
i
)为证据m
i
的权重。
[0010]进一步的，步骤6中，归一化证据MAE的定义如下：
[0011]进一步的，步骤7具体包括：通过Dempster组合规则将归一化证据MAE融合n
‑
1次得出决策结果：其中为两个证据的Dempster组合规则，其具体公式如下：为两个证据的Dempster组合规则，其具体公式如下：其中，冲突系数A
i
表示证据体内的焦元。
[0012]与现有技术相比，本专利技术的有益效果是：本专利技术解决了模糊证据度量过程复杂、度量不准确的问题，并且更充分地考虑了证据模糊程度与证据权重之间的相关性，可以为证据分配一个更合理的权重，有效降低模糊证据对融合结果的影响以提高决策准确率。
附图说明
[0013]图1为传统基于证据理论的鸢尾花植株类型识别方法流程图；图2为本专利技术中基于证据理论的鸢尾花植株类型识别方法整体流程图。
具体实施方式
[0014]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0015]一种基于证据理论的鸢尾花植株类型识别方法，如图2所示，包括以下步骤：
[0016]步骤1，确定鸢尾花植株类型的识别框架；本实施例中，鸢尾花的植株类型共有三种，分别为：setosa、versicolor、virginica，则定义步骤1中的识别框架为Θ＝{Se，Ve，Vi}。
[0017]步骤2，将鸢尾花的多种花型特征数据使用区间数模型转化为证据，即生成相应的基本概率指派函数(BPA)；本实施例中的花型特征数据包括萼片长度(Sepal Length，SL)、萼片宽度(Sepal Width，SW)、花瓣长度(Petal Length，PL)及花瓣宽度(Petal Width，PW)。
[0018]步骤3，计算各证据的可信度Cred，具体包括：步骤3.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于证据理论的鸢尾花植株类型识别方法，其特征在于，包括以下步骤：步骤1，确定鸢尾花植株类型的识别框架；步骤2，将鸢尾花的多种花型特征数据使用区间数模型转化为证据，即生成相应的基本概率指派函数；步骤3，计算各证据的可信度Cred；步骤4，计算各证据的清晰度Clar；步骤5，基于证据可信度与清晰度确定各证据的权重w；步骤6，基于各证据的权重，定义归一化证据，该归一化证据为根据权重修正后的证据；步骤7，基于权重修正后的证据，使用Dempster组合规则做出决策。2.根据权利要求1所述的一种基于证据理论的鸢尾花植株类型识别方法，其特征在于，鸢尾花的植株类型共有三种，分别为：setosa、versicolor、virginica，则定义步骤1中的识别框架为Θ＝{Se，Ve，Vi}。3.根据权利要求1所述的一种基于证据理论的鸢尾花植株类型识别方法，其特征在于，步骤2中的花型特征数据包括萼片长度、萼片宽度、花瓣长度及花瓣宽度。4.根据权利要求1所述的一种基于证据理论的鸢尾花植株类型识别方法，其特征在于，步骤3中，计算各证据的可信度Cred的过程包括：步骤3.1，利用Joussulme距离函数计算各证据相似度，获取证据的相似度sim(m
i
，m
j
)＝1
‑
JoussulmeDistance(m
i
，m
j
)；且其中:m
i
‑
m
j
是证据m
i
和m
j
之间的向量差；D为一个基于焦元一阶范数的矩阵，且步骤3.2，计算各证据的初始可信度Cred
′
：基于证据的相似度，定义证据的初始可信度如下：其中：ms为参与融合的证据集合，ms中的...

【专利技术属性】
技术研发人员：王剑，王玉翠，黄梦杰，王明慧，彭雨琦，赵宇斐，
申请(专利权)人：郑州大学，
类型：发明
国别省市：