降低相似度碰撞的證據(jù)融合方法

王 劍,張志勇,喬闊遠(yuǎn)

(1.鄭州大學(xué) 信息工程學(xué)院,鄭州 450001; 2.河南科技大學(xué) 信息工程學(xué)院,河南 洛陽 471003)(*通信作者電子郵箱iejwang @zzu.edu.cn)

0 引言

證據(jù)理論是由Dempster[1]和Shafer[2]提出的一種有效的不確定性推理方法[3]，被廣泛用于最優(yōu)決策[4-6]、可靠分析[7-9]、關(guān)系度量[10]、最優(yōu)計(jì)算[11-13]等領(lǐng)域。然而在現(xiàn)實(shí)環(huán)境中,由于傳感器的故障或信任函數(shù)模型的不準(zhǔn)確會(huì)導(dǎo)致證據(jù)之間互相沖突，進(jìn)而會(huì)引起融合結(jié)果的反直觀現(xiàn)象[14]。

為了能在沖突證據(jù)存在的情況下依然獲得正確的融合結(jié)果,證據(jù)的融合公式必須能適應(yīng)沖突證據(jù)的存在[15-16]。Dubois等[17]提出了一種新的證據(jù)融合方法,它將證據(jù)的交集部分轉(zhuǎn)化為并集部分,以降低證據(jù)沖突程度;但該方法在沖突程度高時(shí)表現(xiàn)較差[14]。Murphy[18]將所有待融合的證據(jù)求平均得出平均證據(jù),然后將平均證據(jù)使用Dempster融合方法融合自身n-1次得到組合結(jié)果。然而,文獻(xiàn)[14]指出:不同證據(jù)對(duì)融合結(jié)果的影響不同,應(yīng)為不同證據(jù)分配不同的權(quán)重。為了獲得證據(jù)權(quán)重,一些學(xué)者提出了證據(jù)之間的相似度,并將相似度轉(zhuǎn)化為證據(jù)權(quán)重[19]。Cuzzlion[20]通過將證據(jù)體映射成幾何空間中特殊線段的方式解釋了證據(jù)距離的幾何意義,為證據(jù)距離和證據(jù)相似度奠定了理論基礎(chǔ)。Jousselme等[21]提出了一種基于證據(jù)距離的證據(jù)相似度計(jì)算方法,但沒有提出將證據(jù)相似度轉(zhuǎn)化為證據(jù)權(quán)重的方案。Wen等[22]提出了一種簡(jiǎn)化的、基于向量余弦值的證據(jù)相似度計(jì)算方法,卻忽略了證據(jù)中焦元個(gè)數(shù)對(duì)相似度計(jì)算結(jié)果的影響。Wang等[23]通過修正證據(jù)權(quán)重改進(jìn)了Murphy[18]的融合規(guī)則,但存在相似度碰撞的缺陷。文獻(xiàn)[24]中提出了一種降低相似度碰撞的方法,但是沒有提出與之相適應(yīng)的證據(jù)融合方法。

證據(jù)的權(quán)重除了受到?jīng)_突程度的影響之外,還受到證據(jù)不確定程度的影響。證據(jù)理論中對(duì)證據(jù)不確定性程度的計(jì)算過程被稱為不確定性度量(Ambiguity Measurement, AM)[25]。

陳金廣等[26]提出一種基于經(jīng)驗(yàn)值α和多義度的不確定性度量方法，Wang等[27]提出了一種基于置信區(qū)間的證據(jù)不確定性測(cè)度方法，Kilr等[28]提出了一種基于證據(jù)中基本信任分配函數(shù)數(shù)值分布的不確定性度量方法，韓德強(qiáng)等[29]、Deng等[30]分別提出了兩種基于證據(jù)距離和證據(jù)不確定性的證據(jù)權(quán)重確定方法，Wang等[31]提出一種基于不確定性度量和軟集合的證據(jù)決策方法。

以上研究都是在沖突證據(jù)被正確識(shí)別的前提下,基于證據(jù)的不確定性程度完成對(duì)證據(jù)權(quán)重的修正。雖然AM在一定程度上能獲得更優(yōu)的融合結(jié)果,但其依賴的沖突證據(jù)識(shí)別本身就存在相似度碰撞的缺陷,即證據(jù)的沖突強(qiáng)度無法被證據(jù)相似度正確識(shí)別。而無法識(shí)別的原因是由于相似度計(jì)算的缺陷導(dǎo)致兩組不同的證據(jù)相似度計(jì)算結(jié)果相同，進(jìn)而使高沖突證據(jù)被誤認(rèn)為是低沖突證據(jù)，引起證據(jù)支持度的錯(cuò)誤。

1 預(yù)備知識(shí)

1.1 證據(jù)體和基本信任分配函數(shù)

在證據(jù)理論中,用基本概率賦值函數(shù)(Basic Probability Assignment, BPA)來表示初始信任度分配,用信任函數(shù)來表示每個(gè)命題的信任度?；靖怕寿x值函數(shù)也被稱為基本信任分配函數(shù)(Basic Belief Assignment, BBA)。對(duì)于辨識(shí)框架θ,問題域中任意命題A都應(yīng)屬于冪集2θ, 即A是2θ的子集。若用m(A)代表命題A的基本概率賦值函數(shù),當(dāng)m(A)>0 時(shí),稱A為證據(jù)的焦元。信任函數(shù)bel(A)表示證據(jù)完全支持A的程度,似真函數(shù)pl(A) 表示證據(jù)不反對(duì)命題A的程度,區(qū)間[bel(A),pl(A)] 構(gòu)成證據(jù)的不確定區(qū)間,如圖1所示。

圖1 信任概率范圍Fig. 1 Trust probabilistic scope in evidence

圖1中,函數(shù)bel(A)是當(dāng)前證據(jù)對(duì)焦元A的信任函數(shù),而pl(A)被稱為焦元A的似真函數(shù)。一般地，對(duì)于任意一個(gè)焦元B,bel(B)和pl(B)之間有以下性質(zhì):

(1)

bel(B)+bel(B′)≤1; ?B?θ

(2)

bel(B)≤pl(B)

(3)

(4)

式(4)中的共性函數(shù)描述了一個(gè)證據(jù)中的所有基本信任分配函數(shù)對(duì)一個(gè)指定的焦元的支持程度?；拘湃魏瘮?shù)、似然函數(shù)和共性函數(shù)為證據(jù)計(jì)算的基石,三者具有以下關(guān)系:

(5)

(6)

(7)

1.2 證據(jù)的相似度和支持度

文獻(xiàn)[24]基于用于描述證據(jù)差別的證據(jù)距離,提出了證據(jù)相似度函數(shù)應(yīng)滿足的三個(gè)條件:非負(fù)性、無序性和三角性。其中：非負(fù)性代表相似度結(jié)果永遠(yuǎn)為正；無序性代表計(jì)算結(jié)果應(yīng)與參數(shù)順序無關(guān)；三角性代表間接相似度需要大于直接相似度,以滿足值域的緊湊性。

基于以上的性質(zhì),許多學(xué)者提出了證據(jù)之間的相似度計(jì)算公式，其中由文獻(xiàn)[21]和文獻(xiàn)[22]的方法應(yīng)用最為廣泛。文獻(xiàn)[22]中提出的相似度計(jì)算公式是基于兩個(gè)證據(jù)之間的余弦值,具有運(yùn)算快的特點(diǎn)。文獻(xiàn)[21]中提出的相似度計(jì)算公式中,將每個(gè)焦元中的元素個(gè)數(shù)進(jìn)行了計(jì)算,相對(duì)于文獻(xiàn)[22]方法,考慮因素更加全面。本文使用的相似度計(jì)算方法是文獻(xiàn)[21]中提出的相似度方法,其定義如下:

sim(mi,mj)=1-di, j=

(8)

(9)

其中：ms為參與融合的證據(jù)集合,ms中的所有證據(jù)必須和mi處于同一個(gè)辨識(shí)框架之下。證據(jù)的支持度是證據(jù)相似性的整體體現(xiàn),一個(gè)證據(jù)與其他證據(jù)的相似度之和越高,其支持度越大。

1.3 證據(jù)的信息熵

相似度可以完成證據(jù)的沖突檢測(cè)，而沖突檢測(cè)還不足以確定證據(jù)權(quán)重,因?yàn)槊總€(gè)證據(jù)的不確定性程度不同,無論一個(gè)證據(jù)沖突程度的大小,如果其不確定性程度很大,就應(yīng)該削弱其在融合過程中的權(quán)重。

由于Deng等[30]提出的方法具有計(jì)算簡(jiǎn)便和適應(yīng)性強(qiáng)的優(yōu)點(diǎn),本文采用該方法完成證據(jù)的不確定性度量,其定義為:

(10)

其中：θ代表當(dāng)前證據(jù)處于的辨識(shí)框架；|A|代表焦元A的一階范式。

1.4 基本融合公式

假設(shè)在辨識(shí)框架θ中證據(jù)的基本信任分配函數(shù)分別為bel1,bel2,…,beln,其融合形式為bel?=bel1?bel2?…?beln，融合結(jié)果bel?被稱為是其他基本信任分配函數(shù)的直和[14]。證據(jù)的基本融合公式如下:

m?(?)=0

(11)

(12)

(13)

其中C被稱為沖突程度。根據(jù)式(11)～(13)可證明基本的融合公式符合交換律和結(jié)合律[4]。融合結(jié)果的共性函數(shù)Q?(A)為:

(14)

2 抗相似度碰撞融合算法

2.1 信任轉(zhuǎn)移模型

在已有的證據(jù)融合算法中,融合模型主要分為兩部分:信任轉(zhuǎn)移模型和決策模型。在信任轉(zhuǎn)移模型中,為每個(gè)證據(jù)確定其在融合過程中的權(quán)重,每個(gè)證據(jù)的權(quán)重表示其可信程度。而可信程度的度量主要是基于證據(jù)之間的相似度和有用性的度量,其架構(gòu)如圖2所示。

圖2 傳統(tǒng)的證據(jù)融合架構(gòu)Fig. 2 Traditional combination scheme for evidence

在圖2所示的架構(gòu)中,證據(jù)的權(quán)重建立在證據(jù)的相似度計(jì)算之上,如果相似度不能把證據(jù)之間的差異正確地映射為相似度數(shù)值的差異,將導(dǎo)致證據(jù)支持度的偏差,進(jìn)而影響最終的融合結(jié)果。而在最近關(guān)于證據(jù)理論的研究[14]中,已經(jīng)發(fā)現(xiàn)證據(jù)相似度存在相似度碰撞的缺陷。為了應(yīng)對(duì)以上碰撞,本文使用排序矩陣修正證據(jù)支持度,圖3為本文算法的架構(gòu)。

圖3 本文的證據(jù)融合架構(gòu)Fig. 3 Proposed combination scheme for evidence

在圖3所示的本文架構(gòu)中,證據(jù)焦元序列被轉(zhuǎn)化為排序矩陣,通過檢測(cè)每個(gè)矩陣焦元序列的差來檢測(cè)易產(chǎn)生碰撞的證據(jù),同時(shí)基于信息熵和排序矩陣的差完成證據(jù)權(quán)重的確定,并獲得融合結(jié)果。

2.2 相似度碰撞和支持度修正

假設(shè)ms={m1,m2,m3,m4}是處于同一辨識(shí)框架下的四個(gè)證據(jù),每個(gè)證據(jù)的證據(jù)體如表1所示。

根據(jù)式(8),證據(jù)m1和m2之間的相似度為:

(15)

同樣根據(jù)式(8),證據(jù)m3和m2之間的相似度為:

(16)

通過式(15)～(16)可以看出,sim(m1,m2)=sim(m2,m3)，但m1≠m3。在本文中,將這種證據(jù)不相同但是相似度相同的情況稱為相似度碰撞?；谧C據(jù)的相似度,證據(jù)m1、m2、m3、m4的支持度分別為:

(17)

(18)

(19)

(20)

根據(jù)式(13),算出證據(jù)m1、m2、m3、m4兩兩之間的沖突程度如表2所示。

基于表2中的數(shù)據(jù),統(tǒng)計(jì)出一個(gè)證據(jù)對(duì)其他證據(jù)沖突程度的和,如表3所示。

參照表1中證據(jù)m1和m3,由于m1和m3的區(qū)別僅僅在于焦元A和焦元C的BPA互換,而BPA的大小未發(fā)生變化,導(dǎo)致式(15)和式(16)計(jì)算獲得的相似度相同。由于證據(jù)的支持度是相似度的和,相似度未發(fā)生改變導(dǎo)致了證據(jù)m1和證據(jù)m3的支持度相同(式(17)、式(19))。參照表2,由于證據(jù)m3與其他證據(jù)的沖突程度之和最大,支持度應(yīng)該盡可能小,說明相似度的碰撞影響了證據(jù)的支持度確定。

表1 證據(jù)的證據(jù)體Tab. 1 Body of each evidence

表2 證據(jù)之間的沖突程度Tab. 2 Conflict degrees between evidence

表3 每個(gè)證據(jù)對(duì)其他證據(jù)的沖突程度和Tab. 3 Summation of conflict degrees of each evidence with other evidence

參考式(8),證據(jù)的相似度僅僅計(jì)算了證據(jù)中BPA的大小區(qū)別,而不關(guān)心證據(jù)中BPA的大小關(guān)系。由于每個(gè)證據(jù)中所有BPA的和一定為1,則每個(gè)證據(jù)中的所有BPA必定存在一個(gè)大小關(guān)系且大小關(guān)系不同的證據(jù)一定不同。以表1中的證據(jù)m1為例,其大小關(guān)系為m1(A)>m1(B)≥m1(AB)>

m1(C),而證據(jù)m3中BPA的大小關(guān)系為m3(C)>m3(B)≥m3(AB)>m3(A)。將證據(jù)的證據(jù)體看作是一個(gè)單列矩陣M,同時(shí)指定一個(gè)有序矩陣(Ordered Matrix,OM),可以找到排序矩陣(Sort Matrix, SM),使得該證據(jù)對(duì)應(yīng)的單列矩陣M和SM的積為OM。對(duì)于給定的證據(jù)m,獲得其排序矩陣的過程如算法1所示。

算法1 計(jì)算證據(jù)的排序矩陣。

輸入 證據(jù)m。

輸出 證據(jù)m的排序矩陣SM。

定義證據(jù)m′=m,定義有序集合F=?,J=?

for ?f∈P=2θ:

iff?F: 將f添加到F的最后

end for

for ?m′(α)≠0(α∈P):

將m′中基本信任分配函數(shù)最大的焦元記為f

將m′(f)添加到J的結(jié)尾,并令m′(f)=0

end for

定義矩陣SM,其維度為|P|×|P|

for ?f∈P:

將f在F中的序號(hào)記為i

將f在J中的序號(hào)記為j

將SMi, j的值設(shè)為1

end for

將矩陣SM的其他元素賦值為0

返回矩陣SM作為證據(jù)m的排序矩陣

通過算法1,每個(gè)證據(jù)被映射為一個(gè)排序矩陣,多個(gè)排序矩陣之間的差異可以映射為另一個(gè)矩陣差值矩陣(Difference Matrix, DM),其計(jì)算方式為:

(21)

證據(jù)的差值矩陣DM描述了一個(gè)證據(jù)在所有參與融合的證據(jù)中焦元序列的一致程度,而通過指數(shù)曲線可以將差值矩陣映射為一個(gè)值域?yàn)閇0,n] 的排序因子F。排序因子的定義為:

定義1 假設(shè)m1,m2,…,mn是處于同一辨識(shí)框架下的n個(gè)證據(jù),并且DM1,DM2,…,DMn是證據(jù)m1,m2,…,mn的差值矩陣,則mi的排序因子Fi為:

(22)

基于式(22)中的排序因子,式(9)處的證據(jù)支持度被修正為:

(23)

2.3 融合結(jié)果

假設(shè)m1,m2,…,mn是處于同一辨識(shí)框架下的n個(gè)證據(jù),En(mi)是證據(jù)mi的信息熵,則證據(jù)mi的綜合支持度為:

(24)

(25)

證據(jù)的綜合支持度是對(duì)每個(gè)證據(jù)在沖突檢測(cè)和不確定性度量兩個(gè)方面的信任度衡量,沖突證據(jù)的權(quán)重通過支持度的計(jì)算被削弱,相似度的碰撞被排序矩陣的計(jì)算削弱,最后通過證據(jù)的信息熵完成證據(jù)不確定性度量。由于證據(jù)的綜合支持度的值域并非[0,1],需要將其轉(zhuǎn)化為更適合作為權(quán)重的另一個(gè)參數(shù)綜合信譽(yù)度w,可以通過證據(jù)的綜合支持度的歸一化完成:

(26)

而基于證據(jù)的權(quán)重,定義歸一化證據(jù)(Modified Average Evidence, MAE),該證據(jù)將代表原始的所有證據(jù)和每個(gè)證據(jù)的沖突強(qiáng)度以及信息量。證據(jù)MAE的定義如下:

定義2 假設(shè)m1,m2,…,mn是處于同一辨識(shí)框架下的n個(gè)證據(jù),并且w(m)是證據(jù)m的權(quán)重,那么證據(jù)MAE為:

(27)

MAE是原始證據(jù)體和沖突檢測(cè)的綜合結(jié)果,最終的融合結(jié)果可以通過將MAE使用基本公式融合n-1次得到,其流程如圖4所示。

圖4 MAE轉(zhuǎn)化為融合結(jié)果流程Fig. 4 Flow chart of converting MAE into combination result

在圖4中,首先定義變量RST,并將其賦值為MAE,通過n-1循環(huán)融合MAE自身獲得融合結(jié)果。

3 實(shí)驗(yàn)

在實(shí)驗(yàn)部分,分別模擬了文獻(xiàn)[18,22-23,29]中提出的融合算法,并設(shè)計(jì)了兩組實(shí)驗(yàn)檢測(cè)本文方法的有效性。在第一組實(shí)驗(yàn)中,使用文獻(xiàn)[18,22-23,29]共同的比較方法,即通過隨機(jī)選取一組證據(jù)并比較融合結(jié)果中正確焦元的基本信任分配函數(shù)大小。在第二組實(shí)驗(yàn)中,使用在線數(shù)據(jù)集Iris(http://archive.ics.uci.edu/ml/datasets/iris)作為輸入,使用文獻(xiàn)[32]中提出的方法將每條記錄轉(zhuǎn)化為4條證據(jù),分別使用文獻(xiàn)[18,22-23,29]中提出的融合算法和本文提出的融合算法將四條證據(jù)融合為融合結(jié)果并對(duì)鳶尾花類型作出判斷,通過統(tǒng)計(jì)準(zhǔn)確率和召回率來判斷本文方法的有效性。

3.1 比較融合結(jié)果中BPA大小

在一個(gè)由6個(gè)傳感器組成的目標(biāo)識(shí)別系統(tǒng)中,已知總共有三種可能的目標(biāo)類型A、B、C。隨機(jī)抽取一個(gè)時(shí)刻傳感器S1、S2、S3、S4、S5、S6對(duì)同一目標(biāo)的識(shí)別證據(jù)信息m1、m2、m3、m4、m5、m6,其中：m1代表傳感器S1返回的證據(jù)1,m2代表傳感器S2返回的證據(jù)2,以此類推。每個(gè)證據(jù)如表4所示。

基于表4的數(shù)據(jù),證據(jù)之間的相似度如表5所示,每個(gè)證據(jù)的排序因子和信息熵如表6所示。

根據(jù)表5和表6中的數(shù)據(jù)和式(26),每個(gè)證據(jù)被不同方法確定的權(quán)重如表7 所示。

表4 傳感器返回證據(jù)Tab. 4 List of evidence sent back by sensors

表5 證據(jù)之間的相似度(基于表4)Tab. 5 Similarity between evidence corresponding to Tab. 4

表6 證據(jù)的排序因子和信息熵(基于表4)Tab. 6 Sort factor and entropy of each evidence corresponding to Tab. 4

表7 不同方法確定的證據(jù)權(quán)重(基于表4)Tab. 7 Evidence weight determined by different methods corresponding to Tab. 4

圖5 各方法確定的MAE中焦元的基本信任分配函數(shù)Fig. 5 BPA of focal-element in MAE determined by each method

圖6 各方法的融合結(jié)果Fig. 6 Combination result of each method

表7中w(mi)表示證據(jù)mi的權(quán)重,為了檢測(cè)每種方法確定證據(jù)權(quán)重的合理性,通過式(13)計(jì)算出每個(gè)證據(jù)與其他證據(jù)的沖突強(qiáng)度之和如表8所示。

表8 每個(gè)證據(jù)對(duì)其他證據(jù)的沖突程度和(基于表4)Tab. 8 Summation of conflict degrees of each evidence corresponding to Tab. 4

從表8可知,由于m2與其他證據(jù)的沖突程度最大,為m2分配的權(quán)重應(yīng)該盡可能小。在表7中,證據(jù)m2被文獻(xiàn)[18,22-23,29]和本文方法確定的權(quán)重分別為0.166 6、0.105 8、0.105 8、0.078 2和0.031 2。其中本文方法確定的證據(jù)權(quán)重是最小的。通過證據(jù)的權(quán)重和信息熵,可以確定代表著原始證據(jù)體和證據(jù)權(quán)重的歸一化證據(jù)MAE。每個(gè)方法確定的MAE中各個(gè)焦元的基本信任分配函數(shù)如圖5所示。

從圖5可看出：本文方法確定的MAE中焦元A的基本信任分配函數(shù)值最大,同時(shí)其他幾個(gè)焦元的基本信任分配函數(shù)最小。說明本文方法獲得的MAE更加合理。

在獲得MAE之后,融合結(jié)果中焦元的基本信任分配函數(shù)如圖6所示。

由于焦元A在絕大多數(shù)證據(jù)的基本信任分配函數(shù)是最大的,融合結(jié)果中焦元A的基本信任分配函數(shù)越大越好；并且由于焦點(diǎn)元素B、C、AB,不是最后的融合結(jié)果,它們的基本信任分配函數(shù)應(yīng)該越小越好。從圖6(a)可以看出,無論證據(jù)數(shù)據(jù)是多少,本文方法中確定焦元A的基本信任分配函數(shù)始終是最大的；從圖6(b)～(d)可以看出,由本文方法確定的其他幾個(gè)焦元的基本信任分配函數(shù)始終是最小的。由此可得出：本文方法確定的基本信任分配函數(shù)更加合理,同時(shí)在證據(jù)數(shù)目較少時(shí)能更快地作出決策。

3.2 比較決策準(zhǔn)確率

實(shí)驗(yàn)中使用鳶尾花植物數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，數(shù)據(jù)集中每條記錄包含四個(gè)特征：萼片長度、萼片寬度、花瓣長度、花瓣寬度和植物類型。通過文獻(xiàn)[32]方法將一條記錄轉(zhuǎn)化為代表四個(gè)特征的證據(jù),然后通過證據(jù)的融合完成植物類型的決策。隨機(jī)挑選一條在不同融合公式下表現(xiàn)不同的記錄，該記錄為:

type=Vi

features=[6.3, 2.5, 5.0, 1.9]

該記錄代表著當(dāng)前植物的真實(shí)類型為Vi,同時(shí)萼片長度、萼片寬度、花瓣長度、花瓣寬度分別為6.3、2.5、5.0、1.9。將其四個(gè)屬性轉(zhuǎn)化為四條證據(jù),如表9所示。

表9 轉(zhuǎn)化獲得的證據(jù)Tab. 9 Evidence converted by plant features

基于表9中的證據(jù),使用參與比較的幾種方法進(jìn)行融合,其融合結(jié)果如表10所示。

表10 融合結(jié)果中的基本信任分配函數(shù)Tab. 10 BPAs in combination result

從表10可以看出：文獻(xiàn)[18,22-23,29]中融合算法作出了錯(cuò)誤的決策,本文方法作出了正確決策。每種方法對(duì)數(shù)據(jù)集中每條記錄的決策統(tǒng)計(jì)如表11所示。表11的中間三列中每個(gè)元素由三個(gè)數(shù)值構(gòu)成：第一個(gè)數(shù)值代表由當(dāng)前方法正確召回的個(gè)數(shù),第二數(shù)據(jù)代表當(dāng)前方法認(rèn)為正確的召回個(gè)數(shù),第三數(shù)據(jù)代表當(dāng)前數(shù)據(jù)集中的當(dāng)前類型的數(shù)據(jù)個(gè)數(shù)。最后一列的數(shù)據(jù)是統(tǒng)計(jì)每種方法對(duì)不同類型的F-Score的平均值，可以發(fā)現(xiàn)本文方法的F-Score的最高。

表11 每種方法的決策表現(xiàn)Tab. 11 Decision performance of each method

4 結(jié)語

本文針對(duì)相似度易產(chǎn)生相似度碰撞產(chǎn)生證據(jù)權(quán)重失衡并引發(fā)融合結(jié)果錯(cuò)誤的問題，提出了一種新的抗相似度碰撞的證據(jù)融合方法。該方法首先將證據(jù)中焦元的序列特征量化為矩陣,然后將證據(jù)支持度和焦元序列特征轉(zhuǎn)化為證據(jù)權(quán)重,最后使用Dempster證據(jù)融合算法將歸一化證據(jù)融合n-1次獲得融合結(jié)果。通過兩組實(shí)驗(yàn)檢測(cè)本文方法的有效性：與文獻(xiàn)[18,22-23,29]方法相比,第一組實(shí)驗(yàn)中,正確焦元的基本信任分配函數(shù)從0.964、0.981、0.981、0.986提高到0.992；第二組實(shí)驗(yàn)中,對(duì)在線數(shù)據(jù)集鳶尾花的類型決策的F-Score從0.84、0.88、0.88、0.88提升到0.91。實(shí)驗(yàn)結(jié)果表明本文提出的證據(jù)融合方法在分類決策方面取得了出色的表現(xiàn)，能夠?yàn)樽C據(jù)融合提供更加準(zhǔn)確、有效的融合方法,獲得更加可靠的融合結(jié)果,為人工智能中分類決策、目標(biāo)識(shí)別等問題提供新的解決方案。