【技术实现步骤摘要】
本专利技术属于ds证据理论，具体为一种在ds证据理论中基于转置bpa矩阵的管理冲突的方法。
技术介绍
1、随着科技的发展，软件的使用越来越广泛，对相关技术人员的效率提出更高的要求，于是静态分析方法越来越多的应用到程序优化、软件错误检测和系统理解领域。程序员在软件开发时，为节省大量时间和精力去运行程序以发现代码缺陷，便更多的采用程序静态分析工具。
2、现有ds证据理论技术存在一些缺点,包括:
3、1.证据冲突:ds证据理论在处理多源证据时可能出现冲突,导致不确定性和错误的结果。
4、2.相似度碰撞:相似度计算可能导致不同证据对具有相同相似度值,这会降低冲突管理的准确性。
5、3.修改dempster组合规则:一些修改dempster组合规则的方法可能导致不满足ds证据理论的约束,造成无法控制的结果。
技术实现思路
1、本专利技术的目的在于：为了解决上述提出的问题，提供一种在ds证据理论中基于转置bpa矩阵的管理冲突的方法。
2、本专利技术采用的技术方案如下：一种在ds证据理论中基于转置bpa矩阵的管理冲突的方法，所述在ds证据理论中基于转置bpa矩阵的管理冲突的方法包括以下步骤：
3、s1:建立高斯分配填充函数模型，建立初始高斯bpa测定模型。为了将数据转换为初始bpa，选择了一个高斯模型；
4、s2:确定初始bpa，每个待融合对象的给定数据按结构i＝{s1,s2…sj…sm}输入。将得到的输入数据i
5、s3:将初始bpa转换为nrbpa，
6、s4:利用bpa-matrix进行冲突计算，假设d1和d2是两个矩阵，可以认为方程d3＝d1×d2是d1的列或d2的行上的放大器和交换。证据d3可视为单线矩阵d1，按每个bpa大小排序的含有bpa的boe可视为另一个单线矩阵d3。d1和d3定值后，d2可由bpa-matrix of evidence得到。bpa-matrix是bpa序列相乘后可以排序的矩阵。bpa-matrix在本文中标记为bmatrix。bmatrix的维数是2θ×2θ，其中θ是判别框架
7、s5:通过ds组合规则进一步融合
8、最终bpa采用ds证据理论组合算法组合m-1次，m为特征类型总数，l为组合式的计算量，融合方程如式(16)所示。
9、
10、s6:得出融合结论。考虑到bpa是用否定法翻转的，取最小值作为置信度最高的融合结论。
11、在一优选的实施方式中，所述步骤s1中，构建该模型的步骤如下所示。
12、获取已知融合结果的特征数据集。已知的融合结果集r＝r1,r2…ro，对应于ds证据理论中的识别框架θ，r1,r2…ro为融合结果，对应于ds证据理论中的要素。数据集表示为:
13、s＝{i1,i2…ln}
14、设n为数据总数，假设待融合样本的原始数据结构为:
15、ii＝{s1,s2…sj…sm,di},1≤i≤n,1≤j≤m.
16、式中sj为每个特征值，最后一位di为融合结果，di∈r,m为特征维数。
17、在一优选的实施方式中，所述步骤s1中，利用最大似然法估计高斯函数的参数和涉及到训练数据的个体特征。值得注意的是，为了避免生成的高斯模型的过拟合，在计算方差时，每个特征都补充了一定比例的均值数据。
18、在一优选的实施方式中，所述步骤s1中，原始训练数据量为n*t，其中n为总数，0<t≤1为训练比例。对于某一特征，假设某一事件的均值为μ，填充比例为p，其中0≤p≤1。然后，填充(n*t)*p个值为μ的样本，填充后的数据集大小为(n*t)*(1+p)。
19、利用填充后的数据集，参照式(1)计算每个类别上每个特征的均值和方差的组合
20、
21、很容易得到大小为m×o的组合，构造为g1＝f1,f2,f3…fj…fm。g是高斯概率密度函数的集合。fj＝{f1,f2…fk…fo},1≤k≤o，为指定特征下每个融合结果的高斯分布概率密度函数集。
22、每个fk如式(2)所示，将相应的均值和方差组合代入高斯概率分布函数得到。
23、
24、在一优选的实施方式中，所述步骤s2中，将元素r1,r2…ro按引入相应概率密度函数后得到的值从小到大排序。h1,h2,h3分别为每个融合结果中所代入的特征值的高斯函数值，相应的bpa值计算如下:
25、m(r1，r2…ro)＝h1，
26、m(r2，...ro)＝h2-h1，
27、…
28、m(ro-1ro)＝ho-1-ho-2.
29、m(ro)＝ho-ho-1.
30、letr1＝b，r2＝a，r3＝c，bpa的计算过程如上所示。因此h1，h2，h3分别是特征值sj′与特征sj′下融合结果b，a，c的高斯函数的交点，决定了特征值的bpa:m(c)，m(a，c)，m(a，b，c)的值。
31、在一优选的实施方式中，所述步骤s3中，具体转化步骤如下：
32、对于bpa，指向的元素越多，该bpa的不确定性越大，所包含的信息也就越模糊。对于所有bpa，根据式(3)。
33、
34、其中ai，aj为fod的焦点元素θ，|aj|是aj的模运算，也等于aj中包含的元素数，表示aj中可能出现的结果数，是一种不确定性的测量，n为bpa中包含的焦点元素数θ。通过这种操作，不仅每个bpa的数据来自其本身，而且来自其上层集合，测量单个bpa之间的关联程度。当bpa的焦点元素是bpaθ时，其唯一的数据来源就是它自己。
35、为了符合bpa的构建准则，便于后续操作，将重构bpa按式(4)归一化。
36、
37、重组的bpa转化为nrbpa，mnr。通过式(5)得到bpa的倒数。
38、
39、在一优选的实施方式中，所述步骤s4中，证据m的bmatrix可通过以下步骤得到:
40、将v中所有bpa从大到小进行排序，形成一个新的数组t，并将t中每个bpa的索引标记为jbpa；创建一个尺寸为2θ×2θ的矩阵bmatrix。对于v中的每个bpa，设bmatrix中的其他元素为0。
41、根据上述将每个证据映射成一个bmatrix，得到一个新的矩阵amatrix，如下式(6)所示：
42、
43、n是证据的个数，amatrix不仅是对所有bmatrix的概述，也是计算每个bmatrix之差的标准。差值可以标记为mmatrix，定义如式(7):
44、mmatrixi＝bmatrixi-amatrix#(7)
45、每个证本文档来自技高网...
【技术保护点】
1.一种在DS证据理论中基于转置BPA矩阵的管理冲突的方法，其特征在于：所述在DS证据理论中基于转置BPA矩阵的管理冲突的方法包括以下步骤：
2.如权利要求1所述的一种在DS证据理论中基于转置BPA矩阵的管理冲突的方法，其特征在于：所述步骤S1中，构建该模型的步骤如下所示；
3.如权利要求1所述的一种在DS证据理论中基于转置BPA矩阵的管理冲突的方法，其特征在于：所述步骤S1中，利用最大似然法估计高斯函数的参数和涉及到训练数据的个体特征；值得注意的是，为了避免生成的高斯模型的过拟合，在计算方差时，每个特征都补充了一定比例的均值数据。
4.如权利要求1所述的一种在DS证据理论中基于转置BPA矩阵的管理冲突的方法，其特征在于：所述步骤S1中，原始训练数据量为N*t，其中N为总数，0<t≤1为训练比例；对于某一特征，假设某一事件的均值为μ，填充比例为p，其中0≤p≤1；然后，填充(N*t)*p个值为μ的样本，填充后的数据集大小为(N*t)*(1+p)；
5.如权利要求1所述的一种在DS证据理论中基于转置BPA矩阵的管理冲突的方法，其
6.如权利要求1所述的一种在DS证据理论中基于转置BPA矩阵的管理冲突的方法，其特征在于：所述步骤S3中，具体转化步骤如下：
7.如权利要求1所述的一种在DS证据理论中基于转置BPA矩阵的管理冲突的方法，其特征在于：所述步骤S4中，证据m的BMatrix可通过以下步骤得到:
8.如权利要求1所述的一种在DS证据理论中基于转置BPA矩阵的管理冲突的方法，其特征在于：所述步骤S4中，根据相似度计算的定义，证据的相似度计算可通过两种方法实现；第一种是基于直接计算两个证据之间的差异，第二种是基于证据距离；该部分使用的相似度计算方法是基于证据距离的方法，标记为sim(mi,mj)，我们可以很容易地找到sim(mi,mj)＝simJou(mi,mj)；证据支持的表达可以如下式(9)
...【技术特征摘要】
1.一种在ds证据理论中基于转置bpa矩阵的管理冲突的方法，其特征在于：所述在ds证据理论中基于转置bpa矩阵的管理冲突的方法包括以下步骤：
2.如权利要求1所述的一种在ds证据理论中基于转置bpa矩阵的管理冲突的方法，其特征在于：所述步骤s1中，构建该模型的步骤如下所示；
3.如权利要求1所述的一种在ds证据理论中基于转置bpa矩阵的管理冲突的方法，其特征在于：所述步骤s1中，利用最大似然法估计高斯函数的参数和涉及到训练数据的个体特征；值得注意的是，为了避免生成的高斯模型的过拟合，在计算方差时，每个特征都补充了一定比例的均值数据。
4.如权利要求1所述的一种在ds证据理论中基于转置bpa矩阵的管理冲突的方法，其特征在于：所述步骤s1中，原始训练数据量为n*t，其中n为总数，0<t≤1为训练比例；对于某一特征，假设某一事件的均值为μ，填充比例为p，其中0≤p≤1；然后，填充(n*t)*p个值为μ的样本，填充后的数据集大小为(n*t)*(1+p)；
5.如权利要求1所述的一种在ds...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。