結合SVM與DS證據理論的信息融合分類方法

空軍工程大學 導彈學院，陜西 三原 713800

空軍工程大學 導彈學院，陜西 三原 713800

1 引言

數據信息融合是當前信息處理領域的必然手段，怎樣從不確定的信息中提取準確的信息是融合決策的關鍵。DS證據理論具有很強的處理不確定信息的能力。近年來成為信息融合的重要手段。然而，如何構造DS證據理論中的基本概率賦值函數（BPA），是融合中必須解決的一個重要課題，也是不易確定的問題。

許多研究者都嘗試利用學習算法來獲得BPA。如王毛路等利用神經網絡方法通過對樣本的學習，把各類條件概率作為待融合的證據[1-2]，Lingmei Ai等針對醫學診斷中三種不同顫動病理的分類問題，通過人工神經網絡的輸出結果來構造BPA[3]。考慮到神經網絡在測試樣本與訓練樣本的相差加大的情況下，可能導致結果完全錯誤。周皓等將支持向量機與證據理論在信息融合中結合，利用SVM的學習功能通過Platt的概率模型來確定BPA[4]。同時，結合SVM與DS證據理論的方法也在實際中得到廣泛應用。張金澤等將SVM與證據理論集成方法應用于故障診斷檢測[5]；姜萬錄等利用“一對一”多類SVM分配了BPA，引入基于矩陣分析的融合算法，解決了證據理論存在的計算瓶頸問題[6]。

而在實踐中，各分類器對不同類別目標的識別能力通常是不同的，因此，應估計到分類器對各個目標類別的識別可靠性。所以本文采用混淆矩陣來估計分類器局部識別可信度，提出了一種結合SVM與DS證據理論的決策融合方法：根據基分類器對輸入數據分類的實際分類情況，包括分類標簽、后驗概率和混淆矩陣等信息來構造基本概率賦值函數，實現了SVM與DS證據理論的有效結合；同時給出了一種結合SVM與DS證據理論的多傳感器信息融合模型。

2 DS證據理論

證據理論由Dempster提出，后由Shafer進行了完善，故又稱Dempster-Shafer理論，簡稱DS理論[7]。

在證據理論中，一個樣本空間稱為一個辨識框架，常用Θ表示，它是關于命題的彼此獨立的可能答案或假設的一個有限集合，Θ是完備的且其中的元素互不相容。Θ的冪集記為2Θ。證據理論的基本問題就是在已知辨識框架Θ的條件下判明Θ中的一個先驗的未定元素屬于Θ中某一個子集的程度。

定義1設Θ為辨識框架，Θ的冪集構成了命題集合，如果集函數m:2Θ→[ ] 0，1 滿足：

定義1包含兩重含義，條件（1）表明對于空集（空命題）不產生任何信度，條件（2）反映了雖然決策者可以給一個命題賦于任意大小的信度值，但是要求決策者賦給所有命題的信度之和等于1，即總信度為l。

A ＞0，則稱A為焦點元素，簡稱焦元。

Bel(A)表示對A的總信任度。由定義可知，Bel(Φ )=0，Bel()=1。

定義3設Θ為辨識框架，集函數m:2Θ→[ ] 0，1為上的BPA，當其滿足：

則稱函數Pls:2Θ→[0，1]為似然函數（或似真函數）[3]。Pls(A)表示不否定A的程度，包含了所有與A相容的那些集合的基本可信度。

似真函數與信度函數有如下關系：

似真函數Pls(A)可以解釋為主體在給定證據下A的最大可能信任程度，Pls是一種比Bel更寬松的估計，對于任意的 A，顯然有 Pls(A)≥Bel(A)。區間[B el(A)，Pls(A )]表示對命題A的不確定性區間，也稱為A的信任區間。信度函數Bel(A)和似真函數Pls(A)分別又稱為A的下限概率和上限概率，因此信任區間也就是A的概率變化范圍。

需要指出的是，基本可信度m(A)、信度函數Bel(A)和似真函數Pls(A)都是彼此唯一確定的，它們是同一證據的不同表示。

3 結合SVM與DS證據理論的信息融合方法

SVM是建立在統計學習理論的VC維理論和結構風險最小化原理基礎上的學習機。標準SVM輸出的是測試樣本的類別標簽，這就意味著在進行多個SVM基分類器信息融合時主要采用投票法。而基于數據的信息融合需要給出SVM的后驗概率輸出，融合前需要先把SVM輸出映射為后驗概率輸出，即軟輸出。

模式識別領域中的混淆矩陣描繪了樣本數據的真實類別屬性與識別結果類型之間的關系，是評價分類器性能的一種常用方法。本文將混淆矩陣提供的識別率作為衡量各分類器識別能力的先驗信息，對分類器的局部可信度進行描述，在構造分類器的BPA時進行加權融合。

基于以上分析，本文結合SVM與DS證據理論進行融合決策的基本思想為：首先根據SVM的硬判決輸出得到其對應的軟輸出；其次利用混淆矩陣得到分類器針對不同目標類別的局部識別可信度估計（簡稱局部可信度）；最后根據SVM的軟輸出和分類器識別可信度估計進行基本可信度分配，而后進行DS融合，完成決策融合。

3.1 SVM的后驗概率輸出

對于兩類SVM的后驗概率輸出，目前普遍接受并采用的方法是Platt提出的以Sigmod函數作為連接函數把SVM的輸出 f(x)映射到[0，1]的模型[8]：

其中，f為標準的SVM輸出結果，P(y =1|f)表示在輸出值 f的條件下分類正確的概率，A和B是參數值，可通過求解參數集的最小負對數似然值來求得：

其中Pi表示 p(yi=1|xi)。

N+是 yi=1的樣本數量，N-是 yi=-1的樣本數量。

對于多類分類問題，可以結合ECOC編碼等方法[9-10]獲得SVM分類的后驗概率輸出。

3.2 基于混淆矩陣的可信度估計

假設有一個k類模式的分類任務，待識別數據集X中共有 N個樣本，每類模式中分別含有 Ni個樣本(i=1，2，…，k)。對數據集X進行分類后的混淆矩陣C可以表示為：

其中cij表示ωi類模式被分類器判斷成ωj類模式的數據占第ωi類模式樣本總數的百分比。混淆矩陣中元素的行下標對應目標的真實屬性，列下標對應分類器產生的識別屬性。對角線元素表示各模式能夠被分類器正確識別的百分比，而非對角線元素則表示發生錯誤判斷的百分比。

通過混淆矩陣，可以獲得分類器的正確識別率和錯誤識別率：

各模式正確識別率：

平均正確識別率：

混淆矩陣行向量ci(i=1，2，…，k)代表了模式ωi的對象在進行分類時對各模式的傾向性[11]。針對當前識別問題，從輸出推斷輸入，則由混淆矩陣可知，當分類器L輸出類別ωj時，當前樣本x的真實類別是ωi的概率[12]為：

將 PCl(ωi|ωj)記作 PCl(ωi)。則 PCl(ωi)可以看作當前目標 x屬于ωi類的一種支持度，即對分類器局部可信度的一種度量。

由此，將PCl(ωi)定義為分類器關于類別i的局部可信度，當分類器對待識別樣本x輸出一個真實類別的判決結果ωi時，這個判決結果的可靠性因子就是PCl(ωi)。在這一思想的指導下，由分類器輸出當前樣本x的后驗概率就能夠根據不同類別上的可靠程度進行處理。具體來說，當分類器 Lj對待識別目標給出SVM硬判決 f(x)時，將該f(x)通過后驗概率公式轉化稱后驗概率輸出；將根據混淆矩陣獲得的該分類器i個類別的局部可信度加權融合到后驗概率輸出中去。這一過程可以用數學形式表示如下：

其中，mj(ωi)為分類器 Lj給出的 x屬于ωi類的基本概率賦值，Pi為SVM輸出的屬于ωi類的后驗概率，PC(ωi)為由混淆矩陣提供的局部可信度信息。

對每個分類器Lj經式（9）加權融合后的得到的BPA可由Dempster組合規則進行融合并得到最終的融合識別結果。

3.3 結合SVM與DS證據理論的多傳感器信息融合模型

本節將SVM與DS證據理論用于信息融合。假設該系統中有Lj個傳感器。首先，各局部傳感器根據各自獲得的信息分別進行預處理，對分類器 j進行SVM訓練確定各SVM的參數，應用時，對于傳感器Lj的觀測經SVMj得到Pj和 PCj(ωi)，再利用式（9）得到各自的BPAj，從而進行DS融合，最后給出決策融合結果。

3.4 算法復雜度分析

本節對前文提出的信息融合算法進行復雜度分析。首先，假設支持向量機的學習算法的計算復雜度為O(la)，其中，a對于不同的算法一般取為1＜a＜3[13]。本文算法在規模為l的樣本集上訓練 p個基分類器，因此，它的計算復雜度大約為 p·O(la)。可見，本文提出的學習融合分類算法并未增加傳統SVM的計算復雜度，著力關心解決SVM與DS的融合問題，以求獲得更好的融合分類決策。

圖1 結合SVM與DS證據理論的多傳感器信息融合模型圖

4 實驗結果及分析

4.1 實驗數據

實驗所用的第一類數據為人工數據：產生500個以(0，0)、(2，2)為中心點，1、2為方差的兩類二維正態數據，分別加以0均值高斯噪聲生成正類和負類數據，如圖2所示。從圖中可以看出，該數據集的可分性較好。

圖2 正負類數據分布圖

實驗所用的第二類數據來自UCI標準數據集如表1。

表1 實驗數據特征

4.2 實驗設計

為了驗證本文方法的有效性。實驗將模擬對來自5個傳感器的目標數據分類。在本文信息融合過程中，采用5個基SVM分類器 Li(i=1，2，…，5)，均采用高斯核函數：σ2=1，C=10。考慮到實際中各傳感器性能的不同，對測試數據分別加以不同的噪聲，均值均為0，方差分別為1，1.2，1.5，1.8，2。利用本文方法對基SVM分類器的輸出進行DS融合，將其結果與獨立的SVM分類結果進行比較，兩個獨立的SVM的高斯核參數分別為 σ2=10，C=50和σ2=5，C=10。

在估計分類錯誤率時采用十重交叉驗證來進行，并利用雙邊估計t檢驗法來計算置信水平為0.95的分類錯誤率置信區間作為最終結果，計算公式如下：

μ,σ分別表示十重交叉驗證的均值和標準差，t0.025(9)= 2.262 2。實驗中所用基分類器均來自PRToo（lhttp：//www. prtools.org）工具箱，實驗機器配置為1 GB內存，2.30 GHz CPU，算法基于Matlab7.0（R2010a）實現。

4.3 實驗結果和分析

4.3.1 人工數據集

（1）實驗得到5個基分類器的后驗概率參數A、B如表2。

表2 5個基分類器后驗概率參數

（2）5個基分類器得到的正負類模式的混淆矩陣：

（3）本文方法與獨立分類器分類誤差（均值±方差）（%）比較如表3。

表3 分類誤差比較 （%）

4.3.2 UCI數據集

表4為基于UCI數據集，本文方法與不同獨立分類器分類結果比較。

表4 分類誤差比較（均值±方差）（%）

表5為不同數據集在十折交叉訓練之后的時間復雜度。

表5 時間復雜度 ms

通過實驗可以得出以下結論：

（1）使用本文方法進行融合分類的分類性能優于使用單個分類器的分類器性能，證明了信息融合的優勢。本文提出的信息融合方法綜合考慮和利用了SVM的所有輸出信息，將跟識別問題有關的信息都進行了融合，所以其分類精度大于獨立分類器。

（2）本文提出的方法簡單、實用、有效。提供傳感器局部信息的混淆矩陣和后驗概率很容易從分類結果中得到，對實際數據的適用性很強，其信息融合達到了預期的結果。且在小樣本情況下，時間復雜度不是很高。

（3）因為測試樣本的確定性，精度提高不是很明顯，混淆矩陣提供的分類器局部可信度信息并未發揮很大的作用。考慮到實際情況的復雜性和信息的不確定性，這種結合后驗概率和混淆矩陣的DS信息融合將更加真實和準確。

5 結論

本文提出了一種結合SVM與DS證據理論的信息融合改進方法。該方法根據SVM分類的實際結果，從中獲取分類標簽、后驗概率和混淆矩陣等信息來構造待融合的證據。根據數據集本身特點及分類器性能構造BPA使獲得的基本概率賦值函數更加可靠和符合實際，從而很好地解決了證據理論應用中的主要問題。從實驗結果可以看出結合兩種方法的信息融合的分類器的識別誤差降低，達到了信息融合的目的。如何在提高融合分類正確率的前提下優化SVM與DS證據理論結合的算法復雜性是下一步的研究方向。

[1]王毛路，李少洪，毛士藝.證據理論和神經網絡結合的目標識別方法[J].北京航空航天大學學報，2002，28（5）：536-539.

[2]楊露菁，郝威.多傳感器目標識別的神經網絡與證據理論結合方法[J].探測與控制學報，2006，28（1）：40-43.

[3]Ai Lingmei，Wang Jue，Wang Xuelian.Multi-features fusion diagnosis of tremor based on artificial neural network and D-S evidence theory[J].Signal Processing，2008，88：2927-2935.

[4]周皓，李少洪.支持向量機與證據理論在信息融合中的結合[J].傳感技術學報，2008，21（9）：1566-1570.

[5]張金澤，單甘霖.SVM與證據理論集成的信息融合故障診斷技術研究[J].電光與控制，2007，14（4）：187-190.

[6]姜萬錄，吳勝強.基于SVM和證據理論的多數據融合故障診斷方法[J].儀器儀表學報，2010，31（8）：1738-1743.

[7]Shafer G A.Mathematical theory of evidence[M].Princeton：Princeton University Press，1976.

[8]PlattJ.Probabilistic outputs forsupportvectormachines and comparison to regularized likelihood method[M]//Advance in large margin classifier.[S.l.]：MIT Press，2000：61-74.

[9]Zhou Jindeng，Wang Xiaodan，Song Heng.Research on the unbiased probability estimation oferror-correcting output coding[J].Pattern Recognition，2011，44：1552-1565.

[10]Wu T F，Lin C J，Weng R C.Probability estimates for multi-class classification by pair wise coupling[J].Journal of Machine Learning Research，2004，5：975-1005.

[11]張靜.基于混淆矩陣和Fisher準則構造層次化分類器[J].軟件學報，2005，16（9）：1560-1567.

[12]賈宇平.基于信任函數理論的融合目標識別研究[D].長沙：國防科學技術大學研究生院，2009.

[13]王磊.支持向量機學習算法的若干問題研究[D].成都：電子科技大學，2007.

結合SVM與DS證據理論的信息融合分類方法

雷 蕾，王曉丹

LEI Lei,WANG Xiaodan

Missile Institute,Air Force Engineering University,Sanyuan,Shaanxi 713800,China

Based on the difficulty of obtaining the Basic Probability Assignment（BPA）of DS evidence theory in the practical application,an improved method of information fusion combing SVM and DS evidence theory is proposed.It uses the specific classification situation based on SVM and classifiers’reliabilities from confusion matrix to construct the basic probability assignment,which achieves the combination of SVM and the evidence theory in the information fusion.The method also presents a multi-sensor information fusion model.In the process of decision and fusion,it takes the sensors’local reliabilities into consideration and regards them as weights to integrate into BPA.The time complexity is also analyzed.The simulation results based on UCI data set and synthetic data set show that the fusion error rate can be decreased through the method proposed in this paper and the fusion reliabilities are increased.

information fusion;Support Vector Machine（SVM）;evidence theory;confusion matrix

針對多傳感器數據融合分類中，DS證據理論基本概率賦值難以解決的問題，提出了一種結合SVM與DS證據理論的信息融合改進方法。根據SVM對輸入數據分類的實際情況和基于混淆矩陣得到的分類器局部識別可信度來構造基本概率賦值函數，實現了兩者的有效結合，建立了SVM與DS證據相結合的多傳感器信息融合模型。在決策融合過程中，重視和考慮了分類器局部識別可信度信息，并對算法進行了復雜度分析。基于UCI數據集和人工數據集的仿真結果表明該方法能夠有效地降低融合識別的誤差率，提高識別的可信度。

信息融合；支持向量機；證據理論；混淆矩陣

A

TP391

10.3778/j.issn.1002-8331.1110-0377

LEI Lei,WANG Xiaodan.Approach of information fusion and classification by SVM and DS evidence theory.Computer Engineering and Applications,2013,49（11）：114-117.

國家自然科學基金（No.60975026）。

雷蕾（1988—），女，碩士研究生，從事模式識別和智能信息處理等研究；王曉丹（1966—），女，教授，博士生導師，從事智能信息處理和機器學習等研究。

2011-10-19

2011-12-07

1002-8331（2013）11-0114-04

CNKI出版日期：2012-03-21 http://www.cnki.net/kcms/detail/11.2127.TP.20120321.1734.019.html