基于模糊积分的数据融合.
- 格式：ppt
- 大小：485.00 KB
- 文档页数：28
下载文档原格式
合集下载
基于模糊积分的多神经网络融合在入侵检测中的应用
ｔｍｅ ｆｎ ｎｔｕ ｉｎ ｂ ｈ ｖｏ ．Ｆｏｒｉ ｒ ｖ ｎ ｉ ｇ ｅ ｎｅ ｒ ｌｎ ｔ ｉ ｉ ｄ ｉ ｒ ｓｏ ｅ ａ ｉｒ ｍｐ ｏ ｉ ｇ ｓｎ ｌ ｕ ａ ｅ ｗｏｒ ｎｔｕ ｉ ｎ ｄ ｔ ｃ ｉ ｇ ｆ ｃ ｉｎ ｉ ＤＳ，ａ ｍｕ ｔ ｋ ｉ ｒ ｓｏ ｅ ｅ ｔｎ ｕｎ ｔｏ ｎ Ｉ ｌｉ
Ｋ ｅ ｒ ｓ：ｕ ｚ ｎ ｅ ｒ ｌ ｎ ｕｒ ｌｎ ｔ ｏ ｋ； ｉ ｒ ｓｏ ｅ ｅ ｔｏ ｙ ｗｏ ｄ ｆ ｚ ｙ ｉ ｔ ｇ ａ ； ｅ ａ ｅ ｗ ｒ ｎｔｕ ｉ ｎ ｄ ｔ ｃ ｉｎ
自２ ０世 纪 ８ ０年代提 出入 侵检测 概念 以来 ， 入侵检 测 技术 已经经 过 了 ２ ０多年 的发 展 ． 侵 检测 （ｎｒ— 入 Ｉｔ ｕ ｓ ｎＤ ｔｃｉ ） ｉ ｅｅｔ ｎ 是对企 图入侵 、 ｏ ｏ 正在 进行 的入侵 或者 已经 发生 的入侵进 行识 别 的过 程 ． 数 据分 析手 段 ｎ ｍｏ ｅ Ｍ ＮＮＦ ｂ ｓ ｄ ｆ ｚ ｙ ｉ ｔ ｇ ａ ｈ ｓｂ ｅ ｒ ｐ ｓ ｄ．Ａｄ ｐ ｅ ｒ ｌ ｔ ｒ ｓｆ ｓｏ ｄ ｌ ｎ ａ ｅ ｕ ｚ ｎ ｅ ｒ ｌ ａ ｅ ｎ ｐ ｏ ｏ ｅ ｏ ｔ ＫＤＤ９ ｏ ｂ ｈ ｘ ｅ ｉ ９ ｔ ｅｔ ｅｅ ｐ ｒ —
侵 Ｉ ２． １ ］除了上述 ２种 传统 意义上 的检测 方法 之外 ， ２ ＿ 自 ０世 纪 ９ ０年代 以来 ， 少研 究 人员 又 提 出 了不少 新 不
的检 测算法 ， 这些检 测方 法从不 同的技术 角度来 看待入 侵 检测 的基本 问题 ， 利用 了许 多 人工智 能或 者机器 并
学 习的算法 ， 图解 决传 统检测 技术 中存在 的若 干 问题 ， 虚假警 报 、 乏检测 未知 或变形 攻击 的能力 、 试 如 缺 扩展
基于Sugeno模糊积分的多分类器融合方法在多属性决策中的应用
(信息工程大学 信息工程学院 ,河南 郑州 450002 )
摘要 : 首先介绍了基于 Sugeno 模糊积分的多分类器融合方法的一般原理 ,而后将其应用于研 究多属性决策中的综合排序问题 ,最后 ,用一个实际的案例验证了该融合方法的有效性和可行 性 。利用该方法不但实现了多属性决策中社会选择函数的功能 , 而且通过对“ 分类器 ” 的训 练 ,能够反映出各种决策方法在解决同类问题中的效果 。同时 ,融合后的结果也能够充分地体 现出决策者的偏好 。 关键词 : Sugeno 模糊积分 ; 多分类器融合 ; 多属性决策 ; 综合排序 中图分类号 : O29 文献标识码 : A 文章编号 : 1671 - 0673 ( 2010 ) 01 - 0124 - 05
3
( 3)
2 模糊积分融合方法在多属性决策综合排序问题上的应用
2. 1 问题描述
设有多属性决策问题 , 共有 m 个备选方案 { s1 , s2 , …, sm } , 选择方案时需考虑的因素若干 。分类器集 合 X = { x1 , x2 , …, xn }表示在决策中使用的 n 种方法的集合 ; 类别集合为 W = {ω1 , ω2 , …, ωm } = { 1, 2, …,
收稿日期 : 2009 - 01 - 15 作者简介 : 侯 帅 ( 1981 - ) ,男 ,硕士生 ,主要研究方向为应用数学 。
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
1 模糊测度与 Sugeno 模糊积分
1. 1 g λ 模糊测度
测度是一个经典的数学概念 ,经典测度具有可加性 。然而 ,一般测度的可加性在很多场合无法得到满 足 ,在 1974 年 ,日本学者 Sugeno 首次提出用比较弱的单调性代替测度可加性的一类集函数 ,称为模糊测 度 ,又称为非可加测度 ,其主要特征就是非可加性 。 设 ( X,Ω )为一可测空间 , X 为一非空集合 , Ω 为 X 的子集组成的 σ - 代数 。若 g 是 ( X, Ω ) 上的模糊 测度 , 则 g 应当满足平凡性 、 单调性和连续性 限集上的正则 g λ 模糊测度 。
摘要 : 首先介绍了基于 Sugeno 模糊积分的多分类器融合方法的一般原理 ,而后将其应用于研 究多属性决策中的综合排序问题 ,最后 ,用一个实际的案例验证了该融合方法的有效性和可行 性 。利用该方法不但实现了多属性决策中社会选择函数的功能 , 而且通过对“ 分类器 ” 的训 练 ,能够反映出各种决策方法在解决同类问题中的效果 。同时 ,融合后的结果也能够充分地体 现出决策者的偏好 。 关键词 : Sugeno 模糊积分 ; 多分类器融合 ; 多属性决策 ; 综合排序 中图分类号 : O29 文献标识码 : A 文章编号 : 1671 - 0673 ( 2010 ) 01 - 0124 - 05
3
( 3)
2 模糊积分融合方法在多属性决策综合排序问题上的应用
2. 1 问题描述
设有多属性决策问题 , 共有 m 个备选方案 { s1 , s2 , …, sm } , 选择方案时需考虑的因素若干 。分类器集 合 X = { x1 , x2 , …, xn }表示在决策中使用的 n 种方法的集合 ; 类别集合为 W = {ω1 , ω2 , …, ωm } = { 1, 2, …,
收稿日期 : 2009 - 01 - 15 作者简介 : 侯 帅 ( 1981 - ) ,男 ,硕士生 ,主要研究方向为应用数学 。
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
1 模糊测度与 Sugeno 模糊积分
1. 1 g λ 模糊测度
测度是一个经典的数学概念 ,经典测度具有可加性 。然而 ,一般测度的可加性在很多场合无法得到满 足 ,在 1974 年 ,日本学者 Sugeno 首次提出用比较弱的单调性代替测度可加性的一类集函数 ,称为模糊测 度 ,又称为非可加测度 ,其主要特征就是非可加性 。 设 ( X,Ω )为一可测空间 , X 为一非空集合 , Ω 为 X 的子集组成的 σ - 代数 。若 g 是 ( X, Ω ) 上的模糊 测度 , 则 g 应当满足平凡性 、 单调性和连续性 限集上的正则 g λ 模糊测度 。
基于(G)模糊积分的信息融合方法
㈤
｝记 Ａ ＝ ｛ ， ， ｝ｉ＝１２ … ，ｏ 厂在有 限论 域 上关 于 的 Ｓ ｇｎ 模 糊 积分 为 ， ㈤ ㈩ … （ ， ） ，， ｎ 则 ｕｅ ｏ （） Ｓ ＝Ｖ ［ ）八 （ ） ， ㈤ ］
（ ）上 连续性 ， ４ 即若 Ａ Ａ … Ａ １ ２
则 （ｎ Ａ ） ｌ １（ ； ＝ ｉ ． Ａ ） ｍｔ
… ， ∈ ， Ａ ｒ ｌ２ … ， 了ｒ 使 ｉ（ ） ＜＋∞ ， ｔ＝ ， ， 且 ｔ ．Ａ ０ ｔ
则称 为模 糊测 度 ，Ｘ， ）为模糊 测 度空 间 。 （ ， 由于模 糊 测度 通常 不满 足可 加性 ， 因此 ， 于两 个 不 相 交集 合 的并集 ， 测 度不 能通 过 直 接 相 加 各 部 对 其
维普资讯
第 １ 期 １
段宝彬等： 基于（ ） ｃ 模糊积分的信息融合方法
・ ９・ ｌ
其 中 Ⅳ （ ＝ ｛ Ｉ ）＞ ｝（ ∈ ［ ， ０，＋∞ ］ 。 ） 当论 域 ＝ ｛ ， ， ， ｝为有 限离 散 集时 ， 。 … 将 ） ｉ＝ １２， ，）按从 小 到大 的顺 序重 新排 列 ， （ ， … ｎ 分 别记 为 ） ） … ， 即 。 ≤ ） ≤ … ≤ ） ， 论域 ｛ ， ， ， ｝ 。 … 也相 应地 跟着 排 列为 ｛ ・， ２ ， ， （ （ … ） ）
关 键 词 ：模 糊 测 度 、Ｓ ｇｎ ｕｅｏ模 糊 积 分 、 （ Ｇ） 模 糊 积 分 、信 息 融合
中图分 类号 ：０１９ Ｐ ９ ． ５ ；Ｔ ３ １４
文献标识码 ：Ａ
文章编号 ：１７ －１ｘ ２ ０ ） １ ０ ８０ ６２６ ２ （０ ７ １－ １ －３ ０
引 言
１７ ９４年 ，３ 学者 Ｓｇｎ …提 出模糊 测度 和模 糊积 分 的概念 ， １本 ｕｅｏ 并将 其 应 用 于主 观评 判 过程 ， ａａｉ Ｔ ｈｎ 等
｝记 Ａ ＝ ｛ ， ， ｝ｉ＝１２ … ，ｏ 厂在有 限论 域 上关 于 的 Ｓ ｇｎ 模 糊 积分 为 ， ㈤ ㈩ … （ ， ） ，， ｎ 则 ｕｅ ｏ （） Ｓ ＝Ｖ ［ ）八 （ ） ， ㈤ ］
（ ）上 连续性 ， ４ 即若 Ａ Ａ … Ａ １ ２
则 （ｎ Ａ ） ｌ １（ ； ＝ ｉ ． Ａ ） ｍｔ
… ， ∈ ， Ａ ｒ ｌ２ … ， 了ｒ 使 ｉ（ ） ＜＋∞ ， ｔ＝ ， ， 且 ｔ ．Ａ ０ ｔ
则称 为模 糊测 度 ，Ｘ， ）为模糊 测 度空 间 。 （ ， 由于模 糊 测度 通常 不满 足可 加性 ， 因此 ， 于两 个 不 相 交集 合 的并集 ， 测 度不 能通 过 直 接 相 加 各 部 对 其
维普资讯
第 １ 期 １
段宝彬等： 基于（ ） ｃ 模糊积分的信息融合方法
・ ９・ ｌ
其 中 Ⅳ （ ＝ ｛ Ｉ ）＞ ｝（ ∈ ［ ， ０，＋∞ ］ 。 ） 当论 域 ＝ ｛ ， ， ， ｝为有 限离 散 集时 ， 。 … 将 ） ｉ＝ １２， ，）按从 小 到大 的顺 序重 新排 列 ， （ ， … ｎ 分 别记 为 ） ） … ， 即 。 ≤ ） ≤ … ≤ ） ， 论域 ｛ ， ， ， ｝ 。 … 也相 应地 跟着 排 列为 ｛ ・， ２ ， ， （ （ … ） ）
关 键 词 ：模 糊 测 度 、Ｓ ｇｎ ｕｅｏ模 糊 积 分 、 （ Ｇ） 模 糊 积 分 、信 息 融合
中图分 类号 ：０１９ Ｐ ９ ． ５ ；Ｔ ３ １４
文献标识码 ：Ａ
文章编号 ：１７ －１ｘ ２ ０ ） １ ０ ８０ ６２６ ２ （０ ７ １－ １ －３ ０
引 言
１７ ９４年 ，３ 学者 Ｓｇｎ …提 出模糊 测度 和模 糊积 分 的概念 ， １本 ｕｅｏ 并将 其 应 用 于主 观评 判 过程 ， ａａｉ Ｔ ｈｎ 等
基于模糊数学理论的数据融合算法研究
基于模糊数学理论的数据融合算法研究随着信息技术的发展，人们能够获取、存储和处理大量的数据。
但是，这些数据的质量、可靠性和完整性却往往受到很大的挑战。
为了解决这一问题，数据融合技术应运而生。
该技术可以将多个不同来源的数据进行整合和分析，从而得到更加准确和全面的信息。
在这个领域中，基于模糊数学理论的数据融合算法研究成为了热门话题。
一、概述数据融合是指将多个异构数据源中的信息进行统一表示和处理的过程。
常见的数据源包括传感器、数据库、文本和图像等。
由于这些数据源可能来自不同的领域、不同的媒介和不同的采样周期，它们之间的差异是很大的。
数据融合技术可以通过建立数学模型或算法，将这些异构信息进行整合和分析，以期获得更加精确、准确和全面的信息。
模糊数学理论是一种用于处理不确定性和模糊性的数学工具。
它采用模糊集合、模糊逻辑和模糊推理等概念，可以用来描述模糊的和不确定的现象。
在数据融合领域中，模糊数学理论可以用来处理数据的不确定性和不完整性，提高数据融合的精度和可靠性。
二、模糊集合和模糊逻辑模糊集合是指其元素的归属度是模糊的，即某个元素可能属于该集合也可能不属于该集合。
例如，在制定一个诊断模型时，需要考虑病人的病情、病史和体检结果等多个因素。
每个因素可能对诊断结果产生不同的影响，因此需要考虑每个因素的权重和可能性。
这时，模糊集合可以用来描述这些因素之间的模糊关系和归属度。
模糊逻辑是指在模糊集合的基础上，对逻辑运算进行模糊化处理，从而得到更加灵活和准确的结果。
例如，在进行决策时，需要评估各种方案的优缺点和可能性。
这时，模糊逻辑可以用来描述这些方案之间的关系，并计算它们的优劣程度和风险度。
基于模糊逻辑的算法可以实现对多个因素的加权处理和综合评估，从而得到最优方案或最优结果。
三、基于模糊数学理论的数据融合算法基于模糊数学理论的数据融合算法可以将多个异构数据源的信息进行整合和分析，获得更加准确、可靠和全面的结果。
该算法主要包括以下几个步骤：1. 数据预处理：将不同格式和不同精度的数据进行标准化和统一化处理，例如数据归一化、数据离散化和数据插值等。
基于模糊积分法的战略性新兴产业企业信用评价
。 知 识 技术 密集 、 物 质 资源
的信用状况进行评价。
二、 模糊 积分 的原 理
消耗少、 成长潜力大、 综合效益好的产业， 它的发展源于重大技 术突破 、 政府政策的重大调整和消费需求的重大改变 ， 因此伴
随 着重 大 的经济 转 变。 战略 性新兴 产 业企 业 （ 指符 合 战略 性 新
努 力。 这 将是 一个漫 长 的过 程 ， 我 们将 不 ［ ４ ］王妙辉 ， 叶 向阳． 防范审计权力运行
基金项 目： 教 育部人文社会科 学研 究规 划基金 项 目（ 项 目批 准号： １ １ Ｙ Ｊ Ａ ６ ３ ０ １ ９ ６ ） 。
图） 还 需在实践 中进一步完善 ， 以期 能 够 真 正从 体 系上 、 源 头上 杜 绝 和 减 少 审 计 腐败 的发 生 。
［ ２ ］梁淑 香 ． 政 府 审 计 腐败 行 为 的 经济
在２ ０ ０ ８年 金融 危 机 之后 ， 各 国都 认识 到 长足 的经 济发 展 还是 要依 托于 实体 经 济 的发展 ， 尤 其是 对 国 民经济 发展 和 国 家
安全具有重大影响力的产业。 在这样的大背景下， ２ ０ １ ０年国务 积分法则把这些条件放宽。 只要求单调性。模糊积分其实质是 院提出加快培育和发展战略性新兴产业 。 并重点规划了七大战 模糊测度基础上的非线性函数， 它不需要假设各指标间具有严 略 性新 兴产 业 的发展 计划 。 战 略性 新兴 产业 是对 经济 社会 全局 格独 立 性 ， 因此本 文运 用模 糊积 分法 来对 战 略性 新兴 产 业企 业
模糊 理论 是 １ ９ ６ ５年 由 Ｚ ａ ｄ ｅ ｈ提 出来 的 ， 此 后经 过 了快 速 兴 产 业发 展 方 向 的企 业 ） 具 有较 强 的 扩张 能 力 。 对 资金 的需 求 的 发展 。 从 中衍 生 出许 多 新 的模 型 和 理 论 ， 比如 １ ９ ７ ４年 由 日 巨大 。 但 由于受到技术生命周期 、 技术成熟度、 市场容量、 经营 本学者菅野道夫提出的模糊测度和模糊积分 ， 该理论现已广泛 管理能力、 技术创新能力、 区域经济发展水平、 行业发展状况等 应 用到 多 目标决 策 问题 当中 。 对 于模 糊测 度和 模糊 积分 分 别有
的信用状况进行评价。
二、 模糊 积分 的原 理
消耗少、 成长潜力大、 综合效益好的产业， 它的发展源于重大技 术突破 、 政府政策的重大调整和消费需求的重大改变 ， 因此伴
随 着重 大 的经济 转 变。 战略 性新兴 产 业企 业 （ 指符 合 战略 性 新
努 力。 这 将是 一个漫 长 的过 程 ， 我 们将 不 ［ ４ ］王妙辉 ， 叶 向阳． 防范审计权力运行
基金项 目： 教 育部人文社会科 学研 究规 划基金 项 目（ 项 目批 准号： １ １ Ｙ Ｊ Ａ ６ ３ ０ １ ９ ６ ） 。
图） 还 需在实践 中进一步完善 ， 以期 能 够 真 正从 体 系上 、 源 头上 杜 绝 和 减 少 审 计 腐败 的发 生 。
［ ２ ］梁淑 香 ． 政 府 审 计 腐败 行 为 的 经济
在２ ０ ０ ８年 金融 危 机 之后 ， 各 国都 认识 到 长足 的经 济发 展 还是 要依 托于 实体 经 济 的发展 ， 尤 其是 对 国 民经济 发展 和 国 家
安全具有重大影响力的产业。 在这样的大背景下， ２ ０ １ ０年国务 积分法则把这些条件放宽。 只要求单调性。模糊积分其实质是 院提出加快培育和发展战略性新兴产业 。 并重点规划了七大战 模糊测度基础上的非线性函数， 它不需要假设各指标间具有严 略 性新 兴产 业 的发展 计划 。 战 略性 新兴 产业 是对 经济 社会 全局 格独 立 性 ， 因此本 文运 用模 糊积 分法 来对 战 略性 新兴 产 业企 业
模糊 理论 是 １ ９ ６ ５年 由 Ｚ ａ ｄ ｅ ｈ提 出来 的 ， 此 后经 过 了快 速 兴 产 业发 展 方 向 的企 业 ） 具 有较 强 的 扩张 能 力 。 对 资金 的需 求 的 发展 。 从 中衍 生 出许 多 新 的模 型 和 理 论 ， 比如 １ ９ ７ ４年 由 日 巨大 。 但 由于受到技术生命周期 、 技术成熟度、 市场容量、 经营 本学者菅野道夫提出的模糊测度和模糊积分 ， 该理论现已广泛 管理能力、 技术创新能力、 区域经济发展水平、 行业发展状况等 应 用到 多 目标决 策 问题 当中 。 对 于模 糊测 度和 模糊 积分 分 别有
基于多分类器多模糊积分的信息融合方法
维普资讯
第 １ ０卷 第 ３期
Hale Waihona Puke 重庆 科技 学 院学报 （ 自然科 学版 ）
２０ ０ ８年 ６月
基 于 多分 类 器 多模 糊 积分 息 融合 方 法 的信
段 宝彬 孙 梅 兰
（ 肥学院， 肥 ２００） 合 合 ３ ６ １
摘
要 ： 同模糊积分进行 信息融合的结果有时可能会差别很 大 ， 了提高多分类器融合 系统 的识别率 ， 出基 于 不 为 提
－ 五） 一 １２…， 按从／ 到大 的顺 序重新 排列 ， 厂 （ （ ，， ） Ｊ 、 分 别记为 域 ｚ 一， ） 即 ） ， ≤ ｚ≤ … ≤ ）， ） 论 ｛ ． ， ， ｝ 相 应 地 跟 着 排 列 为 ｚ ，２… 也 ２ ７ 则 厂在有 限论域 Ｘ 上关于 的（） Ｓ模糊积分为
多分类器 多模 糊积分 的信息融合方法 ， 综合考虑多分类 器不 同模糊 积分 的融合结 果来进 行分类 ， 助于 弥补采 用 有 单一模糊 积分 信息融合方法 的不 足。 关键 词 ： 模糊测度 、 模糊积分 、 息融合 信
中图分类号 ： １ ９ Ｔ ３ １ ４ Ｏ ５ ： Ｐ ９． 文章标识码 ：Ａ 文章编号 ：６３１ ８ （０ ８ ０— ０ ７ ０ １ ７～９ ０ ２ ０ ）３ ０ ８～ ３
法 国数 学 家 Ｃ ｏ ｕｔ 义 的 Ｃ ｏ ｕｔ 分 联 系 起 ｈｑｅ 定 ｈｑｅ积
来 ， 出 了关 于 模 糊 测 度 的 Ｃ ｏ ｕ ｔ 分 （ 称 为 提 ｈｑｅ 积 简
个不相交集合的并集 ， 其测度不能通 过直 接相加各 部 分 的测度 得 到 。
定 义 ２ 设 （ ， ） 模糊 测度 空 间 ， ∈ Ｘ ｚ， 是 Ａ
ｒ ｎ
第 １ ０卷 第 ３期
Hale Waihona Puke 重庆 科技 学 院学报 （ 自然科 学版 ）
２０ ０ ８年 ６月
基 于 多分 类 器 多模 糊 积分 息 融合 方 法 的信
段 宝彬 孙 梅 兰
（ 肥学院， 肥 ２００） 合 合 ３ ６ １
摘
要 ： 同模糊积分进行 信息融合的结果有时可能会差别很 大 ， 了提高多分类器融合 系统 的识别率 ， 出基 于 不 为 提
－ 五） 一 １２…， 按从／ 到大 的顺 序重新 排列 ， 厂 （ （ ，， ） Ｊ 、 分 别记为 域 ｚ 一， ） 即 ） ， ≤ ｚ≤ … ≤ ）， ） 论 ｛ ． ， ， ｝ 相 应 地 跟 着 排 列 为 ｚ ，２… 也 ２ ７ 则 厂在有 限论域 Ｘ 上关于 的（） Ｓ模糊积分为
多分类器 多模 糊积分 的信息融合方法 ， 综合考虑多分类 器不 同模糊 积分 的融合结 果来进 行分类 ， 助于 弥补采 用 有 单一模糊 积分 信息融合方法 的不 足。 关键 词 ： 模糊测度 、 模糊积分 、 息融合 信
中图分类号 ： １ ９ Ｔ ３ １ ４ Ｏ ５ ： Ｐ ９． 文章标识码 ：Ａ 文章编号 ：６３１ ８ （０ ８ ０— ０ ７ ０ １ ７～９ ０ ２ ０ ）３ ０ ８～ ３
法 国数 学 家 Ｃ ｏ ｕｔ 义 的 Ｃ ｏ ｕｔ 分 联 系 起 ｈｑｅ 定 ｈｑｅ积
来 ， 出 了关 于 模 糊 测 度 的 Ｃ ｏ ｕ ｔ 分 （ 称 为 提 ｈｑｅ 积 简
个不相交集合的并集 ， 其测度不能通 过直 接相加各 部 分 的测度 得 到 。
定 义 ２ 设 （ ， ） 模糊 测度 空 间 ， ∈ Ｘ ｚ， 是 Ａ
ｒ ｎ
Choquet模糊积分特征融合的步态识别
中图分类号； Ｐ８ Ｔ１
Ｃ ｏ ｕ ｔ 糊 积 分 特征 融合 的步 态识 别 ｈｑｅ模
汪丹桂 ，罗 斌 ，翟索兰
（ 安徽大学计算机科学与技术学院，合肥 ２ ０ ３ ） ３０９ 摘 要 ：研究一种利用 Ｃ ｏ ｕ ｔ ｈｑ ｅ 模糊积分对小波矩特征和人体宽度特征进行融合的步态识别算法 。该算法对每个步态序列采用背景减除法
ｉ ｓ ｄ ｔ ｐ ｙ ａ ｈ ｌ — ｅ ｔ ｒ ｓｏ ｌｓ ｉ ｃ ｔｏ ｏ ｔ ｅ ｆ ｓ ｅ ｕ ｔ ｂ ｓ ｄ ｏ ｔ ｍｐ ｒａ ｃ ｆｔ ｅ￣ａ ｅ ． ｍｐ ｒ ｄ ｔ ｈ ｅ ｅ ｅ ｅ ｒ ｈ ｓｕ ｅ ｏ ａ ｐｌ ｓ ｔ ｅ ｍｕ ｔ ｆ ａ ｕ ｅ ｆ ｉ ｎ ｃ ａ ｓｆ ａ ｉ ｎ ｔ ｈ ｒ ｔｒ ｓ ｌ ａ ｅ ｎ ｉｓｉ ｏ ｎ ｅ ｏ ｉ ｕ ｉ ｉ ， ｔ ｈ ｍｒ ｓ Ｃｏ ａ ｅ ｏ ｔ ｅｒ ｃ ｎｔ ｓ ａ ｃ ｒ ｒ ｓ ｌ ， ｘ ｅ ｉ ｎ ｅ ｕ ｔ ｓ ｏ ｔ ｅＣｈ ｑ ｅ ｔ ｇ ａ ｓｏ ｔ ｏ ｓｂ ｔｅ ａ ｈ ｅ ｅ ａ ｉ ｅ ｒｗｅ ｇ ｔ ｄ ｆ ｓ ｏ ｅｈ ｄ ｅ ｕ ｔ ｅ ｐ ｒｍｅ ｔ ｓ ｌ ｈ ｗ ｈ ｏ ｕ ｔ ｎ ｅ ｒ ｌ ｉ ｎ ｍｅ ｈ ｄ ｉ ｅｔ ｒｔ ｎ ｔ ｅｇ ｎ ｒ ｌ ｎ ａ ｉ ｈ ｅ ｕ ｉ ｎ ｍ ｔ ｏ ． ｓ ｒ ｓ ｉ ｕ ｆ ｈ ｌ
提取人 的二值化的运动轮廓图像序列 ，利用人体步态 周期 图像 的小波矩特征和宽度特征对提取出的步态轮廓进行描述 ，得出的小波矩特征 和宽度特征根据 要性作 为总体特征输入，运 用 Ｃｈ ｑ ｅ 模糊积分融合选取 Ｓ ｏｕ ｔ ＶＭ 分 类器进行识别 ，识 别结果与最新的线性加权融合识别
方法进行 比较 ，结果表 明 Ｃ ｏｕ ｔ ｈ ｑｅ 模糊积分方法有较好 的识别效果。 关键词 ：视频 ；步态识别；小波矩宽度 ；支持向量机 ；Ｃ ｏ ｕｔ ｈ ｑ ｅ 模糊积分
基于模糊积分和生态捕食模型的多分类器融合
类 器的权 值 ， 利用捕 食一 捕食模 型动 态周期 性变化 的特点 ， 被 将模 糊测度 对应 于种群规 模 并不断 随之 进行调 整 。通过仿 真 实 例证 实 了新的 多分类 器融合模 型具有较 低 的分类错误 率 ， 能够有效 地提 高分 类精 度 。 关键词 ： 糊 测度 ；捕 食一 捕食 ；周期 性； 种群规模 ； 多分 类器融合 模 被
中 图法 分类号 ：Ｐ８ Ｔ １
文献 标识码 ： Ａ
文章编 号 ：００７２ （ ０） ３ ０６ ３ １０— ４ ２ ８２． ６— ０ ０ ６ ０
Ｍ ｕ ｔ ｌ ｌ ｓｉ ｅ ｓｃ ｍｂ ｎ ｔ ｎ ｂ ｓ ｄｏ ｚ ｙ ｉ ｔｇ ａ ｎ ｒ ｙ ｐ ｅ ａｏ ｄ ｌ ｌ ｐ ｅｃａ ｓｆ ｒ ｏ ｉ ａｉ ａ ｅ ｎ ｆ ｚ ｅ ｒ ｌ ｄ ｐ ｅ — ｒ ｄ ｔ ｒ ｉ ｉ ｏ ｕ ｎ ａ ｍｏ ｅ
黄 晶 ， 姚 跃 华 ， 周 杰
（ 沙理 Ｘ 大学 计 算机 与通 信 ３程 学 院， 湖南 长 沙 ４０Байду номын сангаас） 长 － － １０７
摘 要： 考虑到各 个独 立分类 器之 间的重要程度 和相 互作用 ， 根据模 糊测度 Ｓｇｎ 积分 的理想特 性 ， ｕ ｅｏ 用模 糊测度 代替各 个分
ａ ｃ ｒ ｃｙ ｃｕａ ￣
Ｋｅ ｒ ｓ ｆ ｚ ｙｍ ｅ ｓ ｒ ； ｐ ｅ — ｒ ｄ ｔ ｒ ｐ ｒ ｄ ｃ ｌ ； ｓ ａｅ ｆ ｏ ｕ ａｉ ｎ ｍｕ ｔ ｌ ｌ ｓ ｉ ｅ ｙ ｗｏ ｄ ： ｕ ｚ ａ ｕ ｅ ｒ ｙ ｐ ｅ ａ ｏ ； ｅｉ ｉ ａｌ ｏ ｙ ｃ ｌｓｏ ｐ ｐ ｌｔ ； ｏ ｌ ｐ ｅｃ ａ ｓｆ ｒ ｉ ｉ
ＨＵＡＮＧ ｉ ｇ Ｊｎ ． ＹＡＯ ｅ ｈ ａ ＺＨＯＵ ｉ Ｙｕ — ｕ Ｊｅ
中 图法 分类号 ：Ｐ８ Ｔ １
文献 标识码 ： Ａ
文章编 号 ：００７２ （ ０） ３ ０６ ３ １０— ４ ２ ８２． ６— ０ ０ ６ ０
Ｍ ｕ ｔ ｌ ｌ ｓｉ ｅ ｓｃ ｍｂ ｎ ｔ ｎ ｂ ｓ ｄｏ ｚ ｙ ｉ ｔｇ ａ ｎ ｒ ｙ ｐ ｅ ａｏ ｄ ｌ ｌ ｐ ｅｃａ ｓｆ ｒ ｏ ｉ ａｉ ａ ｅ ｎ ｆ ｚ ｅ ｒ ｌ ｄ ｐ ｅ — ｒ ｄ ｔ ｒ ｉ ｉ ｏ ｕ ｎ ａ ｍｏ ｅ
黄 晶 ， 姚 跃 华 ， 周 杰
（ 沙理 Ｘ 大学 计 算机 与通 信 ３程 学 院， 湖南 长 沙 ４０Байду номын сангаас） 长 － － １０７
摘 要： 考虑到各 个独 立分类 器之 间的重要程度 和相 互作用 ， 根据模 糊测度 Ｓｇｎ 积分 的理想特 性 ， ｕ ｅｏ 用模 糊测度 代替各 个分
ａ ｃ ｒ ｃｙ ｃｕａ ￣
Ｋｅ ｒ ｓ ｆ ｚ ｙｍ ｅ ｓ ｒ ； ｐ ｅ — ｒ ｄ ｔ ｒ ｐ ｒ ｄ ｃ ｌ ； ｓ ａｅ ｆ ｏ ｕ ａｉ ｎ ｍｕ ｔ ｌ ｌ ｓ ｉ ｅ ｙ ｗｏ ｄ ： ｕ ｚ ａ ｕ ｅ ｒ ｙ ｐ ｅ ａ ｏ ； ｅｉ ｉ ａｌ ｏ ｙ ｃ ｌｓｏ ｐ ｐ ｌｔ ； ｏ ｌ ｐ ｅｃ ａ ｓｆ ｒ ｉ ｉ
ＨＵＡＮＧ ｉ ｇ Ｊｎ ． ＹＡＯ ｅ ｈ ａ ＺＨＯＵ ｉ Ｙｕ — ｕ Ｊｅ
用遗传算法实现模糊测度赋值的一种多分类器融合算法
拟 实 验 结 果 也 证 实 了 这 一 点
关键 词 ： 信息 融合 ；模 糊积分 ；遗传算 法 中国分 类号 ： Ｔｔ １ ｉ９ ３ 文献标识 码 ： Ａ 文章编号 ： ０７ －１２（０ ２ １ １５０ ３２２ １ ２０ ）０－ ４ －３ ０
Ｍｕｔ ｌ ａ ｓｆ ｒ ｕ ｉｎ Ａｌｏ ｉ ｍ 廿 ｈ ｕ ｚ ｌｐｅ Ｃｌ ｉｅｓ Ｆ ｓｏ ｇ ｒｈ ｉ ｓ ｉ ｔ １ｔ ｅ Ｆ ｚ ｙ Ｍｅ ｓ ｒ ｓ Ｄ ｔ ｉｅ ｙ Ｃ ｅ ｉ ￣ ｄ ｈ ａ ｕ ｅ ｅ ｅｍ ｎ ｄ ｂ － ｒ ￣ｎ ｔ Ａｌ ｔ ｍ ｃ ＬＩ Ｒ ．ｅ， Ｙ Ａ ａ． ｎ Ｔ Ｎ ｉ — ｎ Ｉ ｕｊ １ Ｕ Ｎ Ｂ ０ｚ ｇ， Ａ Ｇ Ｘ ａ ｆ ｇ ／ ｉ ２ ｅ ｏａ
维普资讯
第 １ 期
２Ｏ Ｏ ２年 １月
电
子
学
报
Ⅵ
． ０ Ｎ０． ３ １
ＡＣｒ ＥＬ Ｃ Ａ Ｅ ＴＲＯＮＩ ＣＡ Ｉ Ｃ Ｓ ＮＩ Ａ
Ｊｎ ａ
２０ ０２
用 遗 传 算 法 实 现 模 糊 测 度 赋 值 的一 种 多 分类 器 融 合 算 法
。ｈ ｐ －
ｎ ｆ ｌｓ Ｉ ｔ ｅ ｖ ｌｅ ｆ Ｌ ｚ Ｉａ ｕ ｅ ｗｈ＆ ｃ ｎ ｂ ｔｒ Ｌ ｅｄ ．ｆ ｈ ａ ｓｏ ｌ ｙ ｒｅ ８ ｒ ， ｉ ｉ ｕ ｆ ｒ ａ 。目 ｂ ｏ
．
ｐ ｅｔ ｜ ｒ ｔｅ ｂ ｓ Ｉｓ ｉｅ ． ｎ ｅ Ｉ ｍ ａｊ ｍ曲 ０ ａ ｅ叩 。 ｔ ， ｌ ｐｅ ｃ ａ ｓ ｅ ｓｏ ｔｏ ａ ｅ Ｉ ｕ ｚ Ｉｔｇ ｅ ｍ惦 ｂ ｔ ｒｔ ａ Ｉ ｈ ｅ ｔｃａ ｓ６ ｒ Ｉ ｚｌ 肌 ｄ， ｒ ｐ 日ｅ ｍｕｔ ｌ Ｉｓｉ ｒｆ ｉｎ ｍｅｈ ｄ ｂ ｓ ｄ ０】ｆｚ ｙ ¨ｅ ｍｌ ｉ ６ ｕ
关键 词 ： 信息 融合 ；模 糊积分 ；遗传算 法 中国分 类号 ： Ｔｔ １ ｉ９ ３ 文献标识 码 ： Ａ 文章编号 ： ０７ －１２（０ ２ １ １５０ ３２２ １ ２０ ）０－ ４ －３ ０
Ｍｕｔ ｌ ａ ｓｆ ｒ ｕ ｉｎ Ａｌｏ ｉ ｍ 廿 ｈ ｕ ｚ ｌｐｅ Ｃｌ ｉｅｓ Ｆ ｓｏ ｇ ｒｈ ｉ ｓ ｉ ｔ １ｔ ｅ Ｆ ｚ ｙ Ｍｅ ｓ ｒ ｓ Ｄ ｔ ｉｅ ｙ Ｃ ｅ ｉ ￣ ｄ ｈ ａ ｕ ｅ ｅ ｅｍ ｎ ｄ ｂ － ｒ ￣ｎ ｔ Ａｌ ｔ ｍ ｃ ＬＩ Ｒ ．ｅ， Ｙ Ａ ａ． ｎ Ｔ Ｎ ｉ — ｎ Ｉ ｕｊ １ Ｕ Ｎ Ｂ ０ｚ ｇ， Ａ Ｇ Ｘ ａ ｆ ｇ ／ ｉ ２ ｅ ｏａ
维普资讯
第 １ 期
２Ｏ Ｏ ２年 １月
电
子
学
报
Ⅵ
． ０ Ｎ０． ３ １
ＡＣｒ ＥＬ Ｃ Ａ Ｅ ＴＲＯＮＩ ＣＡ Ｉ Ｃ Ｓ ＮＩ Ａ
Ｊｎ ａ
２０ ０２
用 遗 传 算 法 实 现 模 糊 测 度 赋 值 的一 种 多 分类 器 融 合 算 法
。ｈ ｐ －
ｎ ｆ ｌｓ Ｉ ｔ ｅ ｖ ｌｅ ｆ Ｌ ｚ Ｉａ ｕ ｅ ｗｈ＆ ｃ ｎ ｂ ｔｒ Ｌ ｅｄ ．ｆ ｈ ａ ｓｏ ｌ ｙ ｒｅ ８ ｒ ， ｉ ｉ ｕ ｆ ｒ ａ 。目 ｂ ｏ
．
ｐ ｅｔ ｜ ｒ ｔｅ ｂ ｓ Ｉｓ ｉｅ ． ｎ ｅ Ｉ ｍ ａｊ ｍ曲 ０ ａ ｅ叩 。 ｔ ， ｌ ｐｅ ｃ ａ ｓ ｅ ｓｏ ｔｏ ａ ｅ Ｉ ｕ ｚ Ｉｔｇ ｅ ｍ惦 ｂ ｔ ｒｔ ａ Ｉ ｈ ｅ ｔｃａ ｓ６ ｒ Ｉ ｚｌ 肌 ｄ， ｒ ｐ 日ｅ ｍｕｔ ｌ Ｉｓｉ ｒｆ ｉｎ ｍｅｈ ｄ ｂ ｓ ｄ ０】ｆｚ ｙ ¨ｅ ｍｌ ｉ ６ ｕ
基于模糊积分融合的网络入侵检测模型的研究
ｓｇ ｎ ｕ ｅ ｏ和 ｃ ｏ ｕ ｔ 能得 到 较 好 的 融 合 效 果 。 然 而 。 ｈｑ ｅ 都 由于 ｓ ｇ ｎ ｕ ｅ ｏ强 化 了主要 因素 的 作 用 ， 却 完 全 忽视 次要 因 素 的影 响 ， 但 而
ቤተ መጻሕፍቲ ባይዱ
ｃｏｕｔ ｈｑ ｅ 考虑 了各 种 影 响 因素 。 免 ｓｇｎ 避 ｕｅｏ的 缺 陷 。 因此 ，ｈｑ ｅ 融 合 效 果优 于 ｓｇｎ 。 ｃｏ ｕｔ ｕ ｅｏ
工 编码 模式 相 比有 较 高 的 误 报率 ， 使 他 们 在 实 际 中难 以使 用 ： 这 效率 ： 由于 数 据挖 掘 需 要 大量 的计 算 时 问 ， 得 这些 系 统 在 使 训 练和 评 估时 效 率较 低 ， 使 得 很 难 实时 地 进 行 人侵 检 测 ： 这 此外 ． 网络环 境 中 ， 常会 出 现 信息 丢失 不 完 整或 者 变 形 在 常 失 真的 情况 ． 对 数 据挖 掘 和 检 测 带来 了很 大 的干 扰 和影 响 。 这 针 对 网络入 侵 检 测 中存 在 的 问题 ． 文采 用 以下方 法 ： 本
设有限集合】 ，上，） ， ， ＝ 有函数ｈ ， ｏ ， ： 假定： 】 １ 【 】
入 侵进 行 识 别的 过 程 。 数 据 分析 手 段 看 ， 侵 检测 通 常 分为 两 从 入 ＾ ２ （： Ｌ≥ （ （） ＾ ） ２ ＾ ） 类 ： 常ｆ ｎ ｍａ １ 异 Ａ ｏ Ｉ 检测 和 误 用Ⅲ ｉ ｓ） 测 。 于 异 常 检测 ， 们 （ 果 无 序 ， 其 降 序 排 序 ） 在集 合 Ｙ上 ， 于 模 糊 测度 ｇ的 模 ｙ ｓ ｅ检 ｕ 对 人 如 将 ， 基 主 要依 赖 于他 们 的 直觉 和 经 验 选 择 统 计特 性 以构 造 入侵 检 测 系 （） １ 统 ： 对 于误 用 检测 ， 一 般 首 先 是 由 网络 安全 专 家 们 对攻 击 模 而 则
ቤተ መጻሕፍቲ ባይዱ
ｃｏｕｔ ｈｑ ｅ 考虑 了各 种 影 响 因素 。 免 ｓｇｎ 避 ｕｅｏ的 缺 陷 。 因此 ，ｈｑ ｅ 融 合 效 果优 于 ｓｇｎ 。 ｃｏ ｕｔ ｕ ｅｏ
工 编码 模式 相 比有 较 高 的 误 报率 ， 使 他 们 在 实 际 中难 以使 用 ： 这 效率 ： 由于 数 据挖 掘 需 要 大量 的计 算 时 问 ， 得 这些 系 统 在 使 训 练和 评 估时 效 率较 低 ， 使 得 很 难 实时 地 进 行 人侵 检 测 ： 这 此外 ． 网络环 境 中 ， 常会 出 现 信息 丢失 不 完 整或 者 变 形 在 常 失 真的 情况 ． 对 数 据挖 掘 和 检 测 带来 了很 大 的干 扰 和影 响 。 这 针 对 网络入 侵 检 测 中存 在 的 问题 ． 文采 用 以下方 法 ： 本
设有限集合】 ，上，） ， ， ＝ 有函数ｈ ， ｏ ， ： 假定： 】 １ 【 】
入 侵进 行 识 别的 过 程 。 数 据 分析 手 段 看 ， 侵 检测 通 常 分为 两 从 入 ＾ ２ （： Ｌ≥ （ （） ＾ ） ２ ＾ ） 类 ： 常ｆ ｎ ｍａ １ 异 Ａ ｏ Ｉ 检测 和 误 用Ⅲ ｉ ｓ） 测 。 于 异 常 检测 ， 们 （ 果 无 序 ， 其 降 序 排 序 ） 在集 合 Ｙ上 ， 于 模 糊 测度 ｇ的 模 ｙ ｓ ｅ检 ｕ 对 人 如 将 ， 基 主 要依 赖 于他 们 的 直觉 和 经 验 选 择 统 计特 性 以构 造 入侵 检 测 系 （） １ 统 ： 对 于误 用 检测 ， 一 般 首 先 是 由 网络 安全 专 家 们 对攻 击 模 而 则
基于模糊积分的多神经网络融合模型的研究
， 石家庄 ０ ０ ３ ５０ １
Ｄ ｐ ｒ ｅ ｔｏ ｎ ｒ ｔ ｎ Ｅ ｇ ｅｒ ｇ Ｓ ｉａｈａ ｇＵ ｉ ｒｉ ｆＥ ｏ ｏ ｉｓＳ ｉａｈ ａ ｇ０ ０ ３ ， ｈｎ ｅ ａ ｍ ｎ ｆＩｆ ｍａ ｏ ｎｉ ｅ ｎ ，ｈｊ ｚｕ ｎ ｎｖ ｓｙ ｏ ｃｎ ｍ ｃ，ｈ ｉ ｕｎ ５０ Ｃ ｉａ ｔ ｏ ｉ ｎ ｉ ｉ ｅ ｔ ｊｚ １
ｎ ｔ ｒ ｓ ｆｒ ｎ ｔ ｒ ｎ ｒ ｓｏ ｅｅ ｔ ｎ ｉ ｅ ｓ ｏ ｌｓ ｉ ｃ ｔ ｎ ａ ｃ ｒ ｃ ． ｅｗｏ ｋ ｏ ｅｗｏ ｋ ｉ ｔ ｉｎ ｄ ｔｃｉ ｎ ｔ ｒ ｆ ｃａ ｓ ｉａ ｉ ｃ ｕ ａ ｙ ｕ ｏ ｍ ｆ ｏ Ｋｅ ｒ ｓ ｆ ｚ ｙ ｉ ｔｇ ａ ： ｅ ｒ ｌ ｎ ｔ ｏ ｋ：ｎ ｒ ｓｏ ｅｅ ｔ ｎ ｙ ｗｏ ｄ ： ｕ ｚ ｎｅ ｒ ｌ ｎ ｕ ａ ｅ ｗ ｒ ｉ ｔ ｉ ｎ ｄ ｔ ｃｉ ｕ ｏ
Ｃ ｍｐ ｔｒ Ｅｎ ｉｅ ｒｎ ｎ ｐｉ ｔ ｎ ， ０ ７ ４ （ ４ ： ６ － ６ ． ｏ ｕｅ ｇｎ ｅ ｉｇ ａ ｄ Ａｐ ｌ ａｉ ｓ ２ ０ ， ３ ３ ） １ ５ １ ７ ｃ ｏ
Ａｂ ｔａ ｔ ｈ ｏ ｅ ｏ Ｍｕｔ ｌ Ｎ ｕ ａ Ｎ ｔ ｏｋ ｙ Ｆ ｚｙ （ Ｎ ）ｉｔ ｒｌ ｐｅｅ ｔ ｎ ｔｉ ｐ ｐ ｒ ｉ ａ ｆ ｃ ｖ ｔ ｄ ｔ ｓ ｃ ：Ｔ ｅ ｍ ｄ ｌ ｆ ｌｐ ｅ ｅ ｒｌ ｅ ｒｓ ｂ ｕ ｚ ＭＮ Ｆ ｎ ｇａ ｒｓｎｅ ｉ ｈｓ ａ ｅ ｓ ｎ ｅ ｅ ｔ ｅ ｍｅ ｏ ｏ ｒ ｉ ｗ ｅ ｄ ｉ ｈ
摘
要 ： 了进 一步提 高 网络入侵检测 系统 的检 测性 能 ， 为 将模糊积分理论 和神 经网络技 术应 用到 网络入侵检测 中， 出 了基 于模 提
糊 积 分 的 多神 经 网 络 融合 模 型 Ｍ Ｎ 。 的基 本 思 想是 按 照 Ｔ ＰＩ 性 集 的 类 别 不 同将 Ｔ ＰＩ 据 集 分成 三 个 不 同属 性 集 的 子 Ｎ Ｆ它 Ｃ／ Ｐ属 Ｃ／ Ｐ数
Ｄ ｐ ｒ ｅ ｔｏ ｎ ｒ ｔ ｎ Ｅ ｇ ｅｒ ｇ Ｓ ｉａｈａ ｇＵ ｉ ｒｉ ｆＥ ｏ ｏ ｉｓＳ ｉａｈ ａ ｇ０ ０ ３ ， ｈｎ ｅ ａ ｍ ｎ ｆＩｆ ｍａ ｏ ｎｉ ｅ ｎ ，ｈｊ ｚｕ ｎ ｎｖ ｓｙ ｏ ｃｎ ｍ ｃ，ｈ ｉ ｕｎ ５０ Ｃ ｉａ ｔ ｏ ｉ ｎ ｉ ｉ ｅ ｔ ｊｚ １
ｎ ｔ ｒ ｓ ｆｒ ｎ ｔ ｒ ｎ ｒ ｓｏ ｅｅ ｔ ｎ ｉ ｅ ｓ ｏ ｌｓ ｉ ｃ ｔ ｎ ａ ｃ ｒ ｃ ． ｅｗｏ ｋ ｏ ｅｗｏ ｋ ｉ ｔ ｉｎ ｄ ｔｃｉ ｎ ｔ ｒ ｆ ｃａ ｓ ｉａ ｉ ｃ ｕ ａ ｙ ｕ ｏ ｍ ｆ ｏ Ｋｅ ｒ ｓ ｆ ｚ ｙ ｉ ｔｇ ａ ： ｅ ｒ ｌ ｎ ｔ ｏ ｋ：ｎ ｒ ｓｏ ｅｅ ｔ ｎ ｙ ｗｏ ｄ ： ｕ ｚ ｎｅ ｒ ｌ ｎ ｕ ａ ｅ ｗ ｒ ｉ ｔ ｉ ｎ ｄ ｔ ｃｉ ｕ ｏ
Ｃ ｍｐ ｔｒ Ｅｎ ｉｅ ｒｎ ｎ ｐｉ ｔ ｎ ， ０ ７ ４ （ ４ ： ６ － ６ ． ｏ ｕｅ ｇｎ ｅ ｉｇ ａ ｄ Ａｐ ｌ ａｉ ｓ ２ ０ ， ３ ３ ） １ ５ １ ７ ｃ ｏ
Ａｂ ｔａ ｔ ｈ ｏ ｅ ｏ Ｍｕｔ ｌ Ｎ ｕ ａ Ｎ ｔ ｏｋ ｙ Ｆ ｚｙ （ Ｎ ）ｉｔ ｒｌ ｐｅｅ ｔ ｎ ｔｉ ｐ ｐ ｒ ｉ ａ ｆ ｃ ｖ ｔ ｄ ｔ ｓ ｃ ：Ｔ ｅ ｍ ｄ ｌ ｆ ｌｐ ｅ ｅ ｒｌ ｅ ｒｓ ｂ ｕ ｚ ＭＮ Ｆ ｎ ｇａ ｒｓｎｅ ｉ ｈｓ ａ ｅ ｓ ｎ ｅ ｅ ｔ ｅ ｍｅ ｏ ｏ ｒ ｉ ｗ ｅ ｄ ｉ ｈ
摘
要 ： 了进 一步提 高 网络入侵检测 系统 的检 测性 能 ， 为 将模糊积分理论 和神 经网络技 术应 用到 网络入侵检测 中， 出 了基 于模 提
糊 积 分 的 多神 经 网 络 融合 模 型 Ｍ Ｎ 。 的基 本 思 想是 按 照 Ｔ ＰＩ 性 集 的 类 别 不 同将 Ｔ ＰＩ 据 集 分成 三 个 不 同属 性 集 的 子 Ｎ Ｆ它 Ｃ／ Ｐ属 Ｃ／ Ｐ数
一种基于模糊积分的小波分析方法
广， 当模糊测度可加时， ｈｑ ｅ 模糊积分能够还 Ｃ ｏ ｕｔ 原 成 Ｌ ｂ ｓｕ ｅ ｅｇｅ积分 ， 其形 式 为
， ｒ １
（ ）∈ ［ ，］ ０ １ 可表示信源 ∈Ｘ提供 的目标判
决结 果， （ ｝ ）表 示 该 信 源 的 重 要 程 度， Ｃ ｏｕｔ ｈ ｑｅ 模糊积分就是各信源 目标判别结果基 于 信源重要程度的非线性合成。 假设 ｓ 由有 限个信息源组 成的集 合， ＝ 是 Ｓ ｓ， ， ：… ｓ ｝， 记 ｇ 并 ＝ ｇ （ ｝ ， ｇ ， ， ） ｇ ， …
１２ Ｃ ｏ ｕ ｔ 糊 积分 ． ｈ ｑ ｅ模
择法结合加权平均法虽然考虑到不同的融合信源 对融合后 的小波系数 的不 同， 但是却没有考虑待 融合信源的小波 系数之间的相互作用。 而新 的方法 应 用于信 源融 合 目标 识 分是 Ｌ ｂ ｓｕ ｅ ｅｇｅ积分 的严 格推
特性 。
近两年来， 小波 研究 的高潮迅 速兴起。 一方 面 ， 继续研 究满 足各种 不 同要求 的小 波 ， 是 以及将 其推广至 Ｒ 以外的各种情形 ； 另一方面 ， 小波理 论在信号与图像分析、 地震信号处理 、 计算机视觉
与 编码 、 音合成 与分 析 、 语 信号 奇异性 检测 与谱 估
（ ）ｇ Ａ ２ （ ）≤ｇ Ｂ） ＶＡ， （ 且 ｃ ， （ ， ＢｃＰ Ｘ） 如果 模糊 测 度还 满足 下 面 的附加 条件 ， 称 为 ｇ 则 Ａ 模 糊 测 度 ｇ Ａ ｕ Ｂ） ：ｇ Ａ）＋ｇ Ｂ）＋ｈ （ ｇ Ｂ） （ （ （ ｇ Ａ） （ ，
ＶＡ， （ ＢＰ ） ， ＝ ， ＞一１． ＡｎＢ Ａ
第５ 期
一种基于模糊 积分 的小波分 析方法
２ ９
须 满 足 以下条 件 ：
基于Sugeno模糊积分的多分类器融合方法在多属性决策中的应用
ｃａ ｈ ｉｅ， ｔ ｌｏ， ｈ ｏ ｇ ｔ ｅ “ｃ ａ ｓｆｅ ” ｔａｎｉ ｉｌｃ ｏ ｃ ｂｕ ａｓ ｔ ｒ ｕ ｈ ｈ ｌｓ ｉ ｒ ｉ ｒ ｉ ｎｇ， ｅ ｅ ｔ ｔ ｅｆ ｃ ｏ ｈ ｄ ｃｓｏ ｍａ ｉｇ ｒ ｆ ｃ ｓ ｈｅ ｆｅ ｔ ｆ ｔ ｅ ｅ ｉｉｎ・ ｋｎ ｌ
ｍｅ ｈ ｄ ｔｅｆｉ ｈ ｉ ｉ ｒｄ ｃｓｏ ｍａ ｉ ｇｐ ｏ ｌｍ ． ｅ ｎ ｉ ｃ ｎ ｅ ｔａｅ ｅ ｕｔ ｅ ｅ ｔｔ — ｔ ｏ ｓｉｓ ｌ ｎ ｔ ｅ ｓｍ ｌ ｅ ｉｉｎ— ｋ ｎ ｒ ｂ ｅ Ｍ ａ ｗｈ ｌ ｏ ｃ ｎ ｒ ｔｄ ｒ ｓ ｌ ｒ ｆ ｃ ｈｅｗｉ ａ ｅ， ｓ ｌ ｓ ｅ ｆｄ ｃｓｏ ｋ ｒ ｕ ｈ ｂ ｔｅ ． ｈ ｓｏ ｅ ｉｉｎ ｍａ ｅ ｓｍ ｃ ｅｔｒ
现 出决策 者 的偏好 。 关键 词 ：ｕ ｅｏ模糊 积分 ； Ｓ ｇｎ 多分类器 融合 ； 多属 性决策 ； 综合 排序 中 图分类号 ： ２ ０９ 文献标 识码 ： Ａ 文章编 号 ：６ １— ６ ３ ２ １ ） １ ０ ２ ０ １７ ０ ７ （ ０ ０ ０ — １４— ５
Ａ ｐ ｌｃ ｔｏ ｆＭ ｕｌｉＣｌ ｓｉ ｅ ｐ ｉａ ｉ ｎ ｏ ｔ・ ａ ｓｆ ｒ Ｆｕｓｏ ｅ ｈｏ ｏ Ｍ ｕｌｉＡ ｔｒｂ ｅ Ｄｅ ｉｉ ｎ ｉ ｉ ｎ Ｍ ｔ ｄ ｔ ｔ・ ｔ ｉ ｕｔ ｃ ｓｏ
ｈ ｎ ｉｅ ｓ ｒｉｇ ｅ ｓｖ ｏ ｔ ｎ
多属 性决 策 问题 的求 解 方法 有 很 多 ， 如 简 单 加性 加 权 法 、 次 分 析 法 、 性 分 配 法 、 Ｏ ＳＳ法 、 诸 层 线 Ｔ ＰＩ
Ｅ Ｅ Ｔ Ｅ法 和 ＬＮ Ｐ法等 … 。虽然这些 方法 已经 比较成 熟 ， 就某 个 多属 性 决策 问 题而 言 ， ＬＣＲ Ｉ ＭＡ 但 采用 不 同
基于模糊积分的数据融合PPT课件
Wih1 0.82-> 0.82 who1 0.12->
0.15
0.5
1
1
wih2 0.20-
0.3
>0.196
6
b 0.55-ຫໍສະໝຸດ who2 0.90->0.86 0.5
0
8
>0.57
wih1=7.2 wih2=-0.32
b=5.62
信息
who1=-3.78 who2=3.78
误差
数据融合一般分为两个层次，特征层和决策层。特征层的 融合是数据的属性的联合，分别从所有信息提取特征，然后 经过关联处理组成联合特征向量，这样一方面可以降低数据 属性的维数，另一方面可以提高数据质量，从而改善分类效 果。决策层的融合首先根据各分类器传送的信息独立做出决 策，然后通过关联处理与决策层融合推理获得最后的联合推 断结论。
例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据 为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属 性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数 据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点 为1 ，用BP算法训练网络。
0
wih1=0.82
首先介绍一下模式识别中的分类过程，分类通过对具有类别 标记的实例(数据) 进行训练,得出一个能够预测新实例类别 的模型。第一步信息获取，收集大量的数据。这些数据中可 能含有冗余和错误信息，对数据预处理，选取重要信息，删 除错误的信息。将预处理后的信息输入分类器，分类器根据 一定的学习算法得到分类的模型或规则，常用的分类器，如： KNN、神经网络、决策树、SVM、贝叶斯分类器、粗糙集等。 根据所得到的模型或规则预测未知样本的类别，做出决策。
高光谱图像波段子集模糊积分融合异常检测
中图分类号： Ｐ ９ Ｔ ３１
文献标识码 ： Ａ
文章编号 ： ０９５９（０８０—２７ ５ １０—８６２０）２０６－ ０
Ａｎ ｍ ａｙ Ｔａ ｇ ｔＤｅ ｅ ｔｏ ｎ Ｈ ｙ ｒ ｐｅ ｔ ａ ｍ ａ ｅ ｙ Ｂａ ｅ ｎ ｏ ｌ ｒ ｅ ｔ ｃ ｉｎ ｉ ｐｅ ｓ ｃ ｒ Ｉ ｇ ｒ ｓ ｄ ｏ ｌ Ｂａ ｕｂ ｅ ｕ ｉ ｎ ｂ ｚ ｙ Ｉ ｔ ｇ ａ ｎｄ Ｓ ｓ ｔＦ ｓｏ ｙ Ｆｕ ｚ ｎ ｅ ｒ ｌ
ｅｇ ｎ ａ ｕ ｓ ｉ ｐ ｃ ｒ ｌｄ ｍ ｅ ｉ ｎ， ａ ｇ ｔ ｓｇ ａ — ｏ ｓ －ａ ｉ ｓ ｄ ｆ ｅ ｏ ｍ ｅ ｕ ｅ ｔ ｅ ｄ ｇ ｅ ｆｉ ｉ ｅ ｖ ｌ ｅ ｎ ｓ ｅ ｔ ａ ｉ ｎｓｏ ａ ｔ ｅ ｉ ｎ ｎ ｉｅ ｒ ｔｏ ｉ ｅ ｎ ｄ ｔ ａ ｒ ｈ ｅ ｅ ｏ ｍｐｏ ｔ ｎ ｅ ｏ ｒ ｌ ｉ ｓ ｒ ｒａ ｃ ｆ
Ｄｉ ｉ Ｗｅ Ｐ ｎＱｕ ｎ ａ ａ Ｚ ａ ｏ ｇｑａ ｇ ｈ ｏＹ ｎ －ｉｎ ＨｅＬ ｎ ｉ
（ ｏｌ ｅｏ ｔｍａｉｎ Ｎｏｔｗ ｓｅｎＰ ｌｔｃｎｃｌＵ ｉｅｓｔ， ’ｎ７ ０ ７ ， ｈｎ ） Ｃ ｌ ｇ ｆ ｏ ｔ ， ｒｈ ｅｔｒ ｏｙｅｈ ｉａ ｎｖ ｒｉ Ｘｉ １ ０ ２ Ｃ ｉａ ｅ Ａｕ ｏ ｙ ａ
ｆ ｓｏ ｓ ｐ ｅ ｅ ｔ ｄ ｔ ｅ ｌ ｗｉｈ ｄ ｔ ｃ ｉ ｇ ｕ ｋ ｏ ａ ｇ ｔ ｉ ｎ ｎ ｗｎ ｂ ｃ ｇ ｏ ｎ ｏ ｙ ｅ ｓ ｃ ｒ ｌ ｉ ａ ｅ ｙ ｕ ｉ ｎ ｉ ｒ ｓ ｎ ｅ ｏ ｄ ａ ｔ ｅ ｅ ｔｎ ｎ ｎ ｗｎ ｔ ｒ ｅ ｎ ｕ ｋ ｏ ａ ｋ ｒ ｕ ｄ ｆ ｒ ｈ ｐ ｒ ｐｅ ｔ ａ ｍ ｇ ｒ ．
ｄ ｔ ｃ ｉ ｎ ｒ ｓ ｌ ｆｏ ｅ ｃ ｕ ｓ ｔ ｆｎ ｌ ， ｅ ｉｉ ｎ ｆ ｓｏ ｓｉ ｌ ｍｅ ｔ ｄ ｔ ｒ ｕ ｈ Ｓ ｇ ｎ ｕ ｚ ｎ ｅ ａ ｅ ｈ ｄ ｅ ｅ ｔｏ ｅ ｕ ｔ ｒ ｍ ａ ｈ ｓ ｂ ｅ ； ａ ｌ ｄ ｃｓ ｏ ｕ ｉ ｎ ｉ ｍｐ ｅ ｎ ｅ ｈ ｏ ｇ ｕ ｅ ｏ ｆ ｚ ｙ ｉ ｔ ｇ ｌｍ ｔ ｏ ． ｉ ｙ ｒ
基于模糊积分的ETC干扰问题解决方法
10.16638/ki.1671-7988.2020.18.016基于模糊积分的ETC干扰问题解决方法*丁浩，闫伟，吕坤，杨会（宿迁学院信息工程学院，江苏宿迁223800）摘要：有效结合车辆电子标签信息和车辆图像，提出一种基于模糊积分的ETC车辆身份验证方法，从而解决ETC 系统中的干扰问题。
该方法以系统获得的车辆信息为已知信息，用车辆图像信息作为特征进行验证，再通过模糊积分融合验证结果，判断车辆身份的合法性。
同时对模糊密度的赋值方法进行了改进。
实验结果表明该算法具有简单、鲁棒性强的特点，利用模糊积分算法可以切实有效地解决ETC系统中的干扰问题。
关键词：ETC；车牌验证；模糊积分；跟车干扰；邻道干扰中图分类号：U462.1 文献标识码：B 文章编号：1671-7988(2020)18-53-03Solution method of ETC interference problem based on fuzzy integral*Ding Hao, Yan Wei, Lv Kun, Yang Hui( Suqian College School of Information Engineering, Jiangsu Suqian 223800 )Abstract:Combining vehicle electronic label information and vehicle images effectively, an ETC vehicle identity verification method based on fuzzy integration is proposed to solve the interference problem in the ETC system. In this method, the vehicle information obtained by the system is known information, and the vehicle image information is used as a feature for verification, and then the result of fuzzy integration fusion verification is used to judge the legality of the vehicle identity. At the same time, the fuzzy density assignment method was improved. Experimental results show that the algorithm is simple and robust, and the fuzzy integration algorithm can effectively solve the interference problem in the ETC system. Keywords: Electronic toll collection; License plate verification; Fuzzy integration; Following interference; Adjacent channel interferenceCLC NO.: U462.1 Document Code: B Article ID: 1671-7988(2020)18-53-031 引言不停车收费系统能够在很大程度上缓解日益严重的收费站拥堵瓶颈现状。
基于模糊积分的元搜索引擎结果排序算法
ＡＢＳ ＴＲＡＣＴ： ｔ ｅ ｒ ｈ ｅ ｇｎ ｌ ｓ ｂ ｔａ ｎ ｍｂ ｒｏ ｅ ｒ ｈ ｎ ｅ ｕ ｓ ｏ ｔ ｅ ｍｅ ｅ ｆｔｅ ｓ ａ ｃ ｎ ｉ ｅ， Ｍｅａ ｓ ａｃ ｎ ｉ ｅｗｉ ｕ ｍｉ ｕ ｅ ｆｓ ａ ｃ ｉ ｇ ｒ ｑ ｅ ｔ ｔ ｈ ｍｂ ｒ ｏ ｈ ｅ ｒｈ ｅ ｇｎ ｌ ｓ ｓ
ａｒｎ ｅｔｅｓａｃ ｅ ａ ｅ ｉ ｅｔｉ ｒ ｒ ｙａ ｄ ｄｓ ｌｙ ｔｅ ｔ ｈ ｓｒ． Ｉ ｉ ｆｇｅｔｓｇ ｉ ｃｎ ｅ ｈ ｗ ｔｅ ｒａ ｇ ｈ ｅ ｒｈ ｄｐ ｇｓｗ ｔ ａｃ ｒ ｎ ｐ ｏ ｔ ｎ ｉ ａ ｈ ｍ ｏｔｅｕ ｅ ｈ ａ ｉｉ ｐ ｓ ｔ ｓｏ ｒａ ｉｎｆ ａ ｃ ｏ ｉ ｈ
１ 引 言
元搜索引擎是 一个搜 索其他 引擎 的搜索 引擎 。一 个元 搜索 引擎 以用户查询词作为输入 ， 然后将输入 内容提交给多 个成员搜索 引擎 ， 并将这些结果按照一定 的算 法重新排序并
以 网 页 的形 式 显 示 给用 户 。
应速度最快的搜索引 擎 的搜 索结果 最先返 回给用 户。这两
一
起 ， 一 步 提 高 元 搜索 弓擎 的查 准 率 。 进 ｌ
关键词 ： 模糊积分 ； 结果排序 ； 元搜索引擎 ； 搜索引擎
中 图分 类 号 ：Ｉ １５ ＴＢ１． 文献标识码： Ａ
Ｒａ ｋ ｎｇ Ａｌ ｏ ｉｈ ｆＭ ｅａ Ｓ ａ ｃ ｇ ｎ ｓ ｔ ｓ ｄ ｎ Ｆｕｚ ｙ Ｉ ｔ ｇ ａ ｎ ｉ ｇ ｒｔ ｍ ｏ ｔ ｅ ｒ ｈ Ｅｎ ｉ ｅ Ｒｅ ｕｌｓＢａ ｅ ｏ ｚ ｎ ｅ ｒ ｌ
ｍ ｍ ｅｓ ｆ ｅｒｈｅ ｇ ｅｂｅｄｔｅｒｓｌ ｒ ｅ ｎ ａｃ ｅｐｅｉｏ ｆｈ ｔ —ｓａｃ ｎ ｎ ｅ ｂｒ ｏ ａｃ ｎｉ ｌｎ ｕｔ ｔ ｆｔ ｒ ｈｎ ｅ ｈ ｒｃ ｉ ｏ ｅｍｅ ｓ ｎ ｈ ｅ ｓｏｕ ｈ ｅ ｔ ｓｎ ｔ ａ ｅ ｈｅｇ ｅ．Ｆ ｚ ｔ－ ｒ ｉ ｕｚ ｉ ｅ ｙｎ
ａｒｎ ｅｔｅｓａｃ ｅ ａ ｅ ｉ ｅｔｉ ｒ ｒ ｙａ ｄ ｄｓ ｌｙ ｔｅ ｔ ｈ ｓｒ． Ｉ ｉ ｆｇｅｔｓｇ ｉ ｃｎ ｅ ｈ ｗ ｔｅ ｒａ ｇ ｈ ｅ ｒｈ ｄｐ ｇｓｗ ｔ ａｃ ｒ ｎ ｐ ｏ ｔ ｎ ｉ ａ ｈ ｍ ｏｔｅｕ ｅ ｈ ａ ｉｉ ｐ ｓ ｔ ｓｏ ｒａ ｉｎｆ ａ ｃ ｏ ｉ ｈ
１ 引 言
元搜索引擎是 一个搜 索其他 引擎 的搜索 引擎 。一 个元 搜索 引擎 以用户查询词作为输入 ， 然后将输入 内容提交给多 个成员搜索 引擎 ， 并将这些结果按照一定 的算 法重新排序并
以 网 页 的形 式 显 示 给用 户 。
应速度最快的搜索引 擎 的搜 索结果 最先返 回给用 户。这两
一
起 ， 一 步 提 高 元 搜索 弓擎 的查 准 率 。 进 ｌ
关键词 ： 模糊积分 ； 结果排序 ； 元搜索引擎 ； 搜索引擎
中 图分 类 号 ：Ｉ １５ ＴＢ１． 文献标识码： Ａ
Ｒａ ｋ ｎｇ Ａｌ ｏ ｉｈ ｆＭ ｅａ Ｓ ａ ｃ ｇ ｎ ｓ ｔ ｓ ｄ ｎ Ｆｕｚ ｙ Ｉ ｔ ｇ ａ ｎ ｉ ｇ ｒｔ ｍ ｏ ｔ ｅ ｒ ｈ Ｅｎ ｉ ｅ Ｒｅ ｕｌｓＢａ ｅ ｏ ｚ ｎ ｅ ｒ ｌ
ｍ ｍ ｅｓ ｆ ｅｒｈｅ ｇ ｅｂｅｄｔｅｒｓｌ ｒ ｅ ｎ ａｃ ｅｐｅｉｏ ｆｈ ｔ —ｓａｃ ｎ ｎ ｅ ｂｒ ｏ ａｃ ｎｉ ｌｎ ｕｔ ｔ ｆｔ ｒ ｈｎ ｅ ｈ ｒｃ ｉ ｏ ｅｍｅ ｓ ｎ ｈ ｅ ｓｏｕ ｈ ｅ ｔ ｓｎ ｔ ａ ｅ ｈｅｇ ｅ．Ｆ ｚ ｔ－ ｒ ｉ ｕｚ ｉ ｅ ｙｎ
《基于模糊PI控制的混联式混合动力汽车能量管理策略的研究》
《基于模糊PI控制的混联式混合动力汽车能量管理策略的研究》篇一一、引言随着社会经济的飞速发展，环境保护与能源短缺的问题愈发严峻。
因此，研究高效、环保的混联式混合动力汽车已成为国内外学者的重要研究方向。
在众多控制策略中，基于模糊PI控制的混联式混合动力汽车能量管理策略凭借其独特的优势脱颖而出。
本文将从多个方面，对该管理策略展开深入探讨，以提供有益的理论与实验参考。
二、混联式混合动力汽车概述混联式混合动力汽车（Hybrid Electric Vehicle, HEV）是一种结合了传统燃油汽车与纯电动汽车的优点，利用内燃机与电动机的共同驱动来实现动力系统的高效利用。
该类汽车能够根据行驶环境及驾驶员需求，通过先进的控制系统对能源进行优化管理，以达到节能减排的目的。
三、模糊PI控制理论模糊PI控制是一种基于模糊逻辑与比例积分（PI）控制相结合的控制策略。
该策略在面对复杂、非线性的动力系统时，能够通过模糊逻辑处理不确定性因素，并根据系统实时状态进行PI参数的调整，从而实现对系统的精确控制。
在混联式混合动力汽车的能量管理系统中，模糊PI控制策略能够根据车辆行驶状态、电池电量、驾驶员需求等多因素进行实时调整，以达到最佳的能量管理效果。
四、基于模糊PI控制的混联式混合动力汽车能量管理策略基于模糊PI控制的混联式混合动力汽车能量管理策略主要包括以下步骤：1. 确定系统输入与输出：根据车辆行驶状态、电池电量、驾驶员需求等，确定系统的输入与输出。
2. 构建模糊逻辑模型：根据历史数据及专家经验，构建模糊逻辑模型，对不确定因素进行模糊化处理。
3. PI控制器设计：根据系统需求及模型特点，设计合适的PI 控制器，以实现对系统状态的精确控制。
4. 实时调整：在车辆行驶过程中，根据实时数据及系统状态，通过模糊PI控制策略进行实时调整，以达到最佳的能量管理效果。
五、实验验证为验证基于模糊PI控制的混联式混合动力汽车能量管理策略的有效性，我们进行了大量实验。
基于模糊积分的空分设备故障诊断
０ 引 言
空 分设 备 在 制 氧 的 过 程 中具 有 复 杂 的工 艺 特 性， 因此 空 分 设 备 的故 障诊 断 具 有 很 强 的 不 确 定
性， 其设 备 故 障 类 型 多 种 多 样 ， 关 系 错 综 复 杂 。 且 大部 分 的 空 分 设 备 故 障 具 有 渐 变 特 性 ， 以 常 规 所
由于 工 艺参 数变 化 不 明显 ， 用 Ｄ—ｓ证 据 理 论 进 使 行数 据 融合 有 可 能造 成 误 诊 。为 了提 高 空 分 设 备
故 障诊 断 的 可 靠 性 和 识 别 率 ， 文 将 模 糊 积 分 数 该 据融 合 方法 应用 到 空分 设 备 的故 障诊 断 中 ， Ｄ— 将
ＣＨＥＮ ｏ ｈｕ，Ｗ ＡＮＧ ｎ Ｒｕ ｚ Ｙｏ ｇ，ＬＩＺｈ ｎ ｎ ａ ｍｉ ｇ
（ ｏｌ ｅｆＥｅｔｃ ｌ Ｉ ｏｍ ｔ ｎＥ ｇｎｅ ｎ ， ａ ｚｏ ｎ ｅｓｙｏ Ｔｃｎｌ ｙ Ｌ ｎｈ ｕ７０ ５ ， ｈｎ ） Ｃｌｇ ｌ ｒ ａ ＆ ｎ ｒａｉ ｎ ｉｅｒ ｇ Ｌ ｎｈｕＵ ｉｒｔ ｅｈｏｏ ， ａｚｏ ３０ ０ Ｃ ｉ ｅ ｏ ｃｉ ｆ ｏ ｉ ｖ ｉ ｆ ｇ ａ
别率 。
关键 词 ： 模糊 积分 ； 空分设 备 ； 障诊 断 故 中图分类 号 ： ５ ０１９ 文献标 志码 ： Ａ 文章编 号 ：０ ０— ６ ２ ２ １ ） ３— ０ ２— ３ １０ ０ ８ （ ０ ０ ０ ０ １ ０
Ａ ｉ ｅ ａ ａ ｉ ｎ ｅ ｉ ｅ ｔｆ ｕ ｔｄ ａ ｎｏ ｉ ａ ｅ ｎ ｕ ｚ ｎ ｅ ｒ ｌ ｒ ｓ ｐ ｒ ｔｏ ｑｕ ｐｍ ｎ ａ ｌ ｉ ｇ ｓｓ ｂ ｓ ｄ ｏ ｆ ｚ ｙ ｉ ｔ ｇ ａ
ｉ ｔｇ ａ ｔ ｏ ｏ ｄ ｈ ａａ ｆ ｉ ｎ ｉ ｉ ｏ ｉ ｎ ｅ ｒ ｌｍｅ ｈ ｄ ｔ ｏ ｔ ｅ ｄ ｔ ｕｓｏ ｎ ｔｍｅ ｄ ｍａｎ，ｗｈｉｈ ｉ ｐ ｌ ｄ ｔ ｈ ｉ ｅ ｒ ｔ ｎ ｅ ｕ ｐ ｎ ｃ ｓ ａ ｐ ｉ ｏ ｔｅ ａｒ ｓ ｐａ ａｉ ｑ ｉ ｍｅ ｔ ｅ ｏｔ ｏ ａ ｍｐ ｏ ｅ ｔ ｅ ｒ ｌ ｂ ｌ ｙｏ ｈ ｑ ｉ ｍｅ ｔｆｕ ｔｄ － ａ ｌ ａ ｎ ｓｓ ｔ ｎ ｉａ ｅ ｙ ｓｍｕ ａｉ ｎ ｔ ｅｍｅ ｈ ｄ ｃ ｎ ｉ ｒ ｖ ｈ ｅｉ ｉ ｔ ｆｔ ｅｅ ｕ ｐ ｎ ａ ｌ ｉ ａ ｉ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
同类或异类传感器的组合来获得互补的信息或增加抗干扰的能力。现在不 仅局限于传感器，从各方面采集得到的原始数据和分类器处理的结果都可
以通过融合技术进行加工。如Sung-Bae cho和Jin H.Kim使用基于模糊逻辑
多神经网络融合解决在线手写字符识别问题。Alexandre lemieux等构造了 一个灵活的多分类器系统用于人脸识别系统。国内有哈尔滨工业大学权太
的组合方式有以下四种。虽然上述前个问题应该同时考虑，但它们通常被
单独考虑看作覆盖优化和决策优化策略。在覆盖优化中，组合规则是固定 的。一种方法就是针对不同的分类器随机选择要度量输入特征的子集。另 一种方法是用不同的数据集训练数据，可以采用Boosting方法。通过GA算 法可以同时解决这两个问题得到最优解。
net j wijOi
i
O j f (net j )
第二阶段（反向传播过程）输出误差逐层向前算出隐层各个单元的 误差，并用此误差修正前层的值。在BP算法中常采用梯度法修正权值， 为此要求输出函数可微，通常采用Sigmoid函数作为输出函数。 1 （1） 计算误差： ˆ j )2 E (yj y E 2 j wij (t ) j Oi （2） 按照梯度方向计算各层权重的修正量： 其中 的计算公式为
为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属 性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数 据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点 为1 ，用BP算法训练网络。
0
wih1=0.82 wih2=0.20 0.36
who1=0.12 who2=0.904
随着数据维数的增长，单分类器处理数据的能力和效率都有所不足；而
且单分类器适用于特定类型的数据，对于混合型的数据单分类器很难得到 较好的分类效果，因而可以采用不同类型的分类器处理不同类型的数据。 在识别过程中每个分类器单独处理不同的输入的数据，独立决策，题：需要多少个分类器，以什么方式组合这些分类器以及当多个分类 器分类结果不一致时，在没有先验知识的前提下，如何统一结果。分类器
基于模糊积分的数据融合
报告人：王丽娟 时间：2004年4月
数据融合是由美国JDL实验室数据融合专家组(DFS)提出的并给出了一般的 概念模型。最初用于军事领域，现在广泛应用于机器人，交通管制，故障 诊断等民生领域。最初数据融合用于处理传感器的信息融合，由于传感器
的固有特性，单一传感器的信息通常不完备以及抗干扰的需要，经常使用
范等人出版了信息融合一书，北京理工大学，浙江大学等学校都在研究信
息融合问题处理雷达图像识别系统
首先介绍一下模式识别中的分类过程，分类通过对具有类别 标记的实例(数据) 进行训练,得出一个能够预测新实例类别 的模型。第一步信息获取，收集大量的数据。这些数据中可
能含有冗余和错误信息，对数据预处理，选取重要信息，删
除错误的信息。将预处理后的信息输入分类器，分类器根据 一定的学习算法得到分类的模型或规则，常用的分类器，如： KNN、神经网络、决策树、SVM、贝叶斯分类器、粗糙集等。 根据所得到的模型或规则预测未知样本的类别，做出决策。
信息获取 预处理 分类器决策 分类器设计
图1 分类识别过程
这里重点介绍神经网络的BP算法。神经网络由神经元和权重构成，神经元 即为：输入节点，输出节点和隐层结点三部分；权重是各个神经元相互连 接的强度。神经网络通过训练，从样本中学习知识，并且将知识以数值的 形式存储于连接权中。神经网络的分类过程分成两部分，首先学习网络的
权重，利用一些已知的数据训练网络得到该类数据模型的权重；接着根据
现有的网络结构和权重等参数得到未知样本的类别。BP算法被称作反向传 播算法，主要思想是从前向后（正向）逐层传播信息；从后向前（反向）
逐层传播输出层的误差，间接算出隐层误差。
信息
误差
图2 神经网络结构图
算法分为两个阶段： 第一阶段（正向过程）输入信息从输入层经隐层逐层计算各单元的输 出值；根据下式计算每层的输出值：
例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据
为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属 性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数 据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点 为1 ，用BP算法训练网络。
例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据
0.51
0
b=0.556
0.58
-1 信息
例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据 为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属 性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数 据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点 为1 ，用BP算法训练网络。
j
wij
( y O j )O j (1 O j ) 输出层的计算方法 j O (1 O ) w 非输出层的计算方法 j j jk k k
（3） 修正各层权重： wij (t
1) wij (t ) wij (t )
（4）重复上述过程直到算法收敛，即误差小于给定的阈值。
who1 0.12-> 0.15 0.51 0.36 who2 0.90->0.86 0.58
Wih1 0.82-> 0.82
1
wih2 0.20->0.196
0
b 0.55->0.57
wih1=7.2 wih2=-0.32 b=5.62 who1=-3.78 who2=3.78
信息 误差
数据融合一般分为两个层次，特征层和决策层。特征层的 融合是数据的属性的联合，分别从所有信息提取特征，然后 经过关联处理组成联合特征向量，这样一方面可以降低数据 属性的维数，另一方面可以提高数据质量，从而改善分类效 果。决策层的融合首先根据各分类器传送的信息独立做出决 策，然后通过关联处理与决策层融合推理获得最后的联合推 断结论。
以通过融合技术进行加工。如Sung-Bae cho和Jin H.Kim使用基于模糊逻辑
多神经网络融合解决在线手写字符识别问题。Alexandre lemieux等构造了 一个灵活的多分类器系统用于人脸识别系统。国内有哈尔滨工业大学权太
的组合方式有以下四种。虽然上述前个问题应该同时考虑，但它们通常被
单独考虑看作覆盖优化和决策优化策略。在覆盖优化中，组合规则是固定 的。一种方法就是针对不同的分类器随机选择要度量输入特征的子集。另 一种方法是用不同的数据集训练数据，可以采用Boosting方法。通过GA算 法可以同时解决这两个问题得到最优解。
net j wijOi
i
O j f (net j )
第二阶段（反向传播过程）输出误差逐层向前算出隐层各个单元的 误差，并用此误差修正前层的值。在BP算法中常采用梯度法修正权值， 为此要求输出函数可微，通常采用Sigmoid函数作为输出函数。 1 （1） 计算误差： ˆ j )2 E (yj y E 2 j wij (t ) j Oi （2） 按照梯度方向计算各层权重的修正量： 其中 的计算公式为
为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属 性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数 据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点 为1 ，用BP算法训练网络。
0
wih1=0.82 wih2=0.20 0.36
who1=0.12 who2=0.904
随着数据维数的增长，单分类器处理数据的能力和效率都有所不足；而
且单分类器适用于特定类型的数据，对于混合型的数据单分类器很难得到 较好的分类效果，因而可以采用不同类型的分类器处理不同类型的数据。 在识别过程中每个分类器单独处理不同的输入的数据，独立决策，题：需要多少个分类器，以什么方式组合这些分类器以及当多个分类 器分类结果不一致时，在没有先验知识的前提下，如何统一结果。分类器
基于模糊积分的数据融合
报告人：王丽娟 时间：2004年4月
数据融合是由美国JDL实验室数据融合专家组(DFS)提出的并给出了一般的 概念模型。最初用于军事领域，现在广泛应用于机器人，交通管制，故障 诊断等民生领域。最初数据融合用于处理传感器的信息融合，由于传感器
的固有特性，单一传感器的信息通常不完备以及抗干扰的需要，经常使用
范等人出版了信息融合一书，北京理工大学，浙江大学等学校都在研究信
息融合问题处理雷达图像识别系统
首先介绍一下模式识别中的分类过程，分类通过对具有类别 标记的实例(数据) 进行训练,得出一个能够预测新实例类别 的模型。第一步信息获取，收集大量的数据。这些数据中可
能含有冗余和错误信息，对数据预处理，选取重要信息，删
除错误的信息。将预处理后的信息输入分类器，分类器根据 一定的学习算法得到分类的模型或规则，常用的分类器，如： KNN、神经网络、决策树、SVM、贝叶斯分类器、粗糙集等。 根据所得到的模型或规则预测未知样本的类别，做出决策。
信息获取 预处理 分类器决策 分类器设计
图1 分类识别过程
这里重点介绍神经网络的BP算法。神经网络由神经元和权重构成，神经元 即为：输入节点，输出节点和隐层结点三部分；权重是各个神经元相互连 接的强度。神经网络通过训练，从样本中学习知识，并且将知识以数值的 形式存储于连接权中。神经网络的分类过程分成两部分，首先学习网络的
权重，利用一些已知的数据训练网络得到该类数据模型的权重；接着根据
现有的网络结构和权重等参数得到未知样本的类别。BP算法被称作反向传 播算法，主要思想是从前向后（正向）逐层传播信息；从后向前（反向）
逐层传播输出层的误差，间接算出隐层误差。
信息
误差
图2 神经网络结构图
算法分为两个阶段： 第一阶段（正向过程）输入信息从输入层经隐层逐层计算各单元的输 出值；根据下式计算每层的输出值：
例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据
为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属 性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数 据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点 为1 ，用BP算法训练网络。
例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据
0.51
0
b=0.556
0.58
-1 信息
例：有两组数据点，第一组数据为（0，0）（0，1），第二组数据 为（1，0）（1，1）是。构造一个三层的神经网络，由于数据有两个属 性，设计两个输入节点；输出有两类，设计两个输出节点。当第一组数 据输入时，第一个输出节点为1；当第二组数据输入时，第二个输出节点 为1 ，用BP算法训练网络。
j
wij
( y O j )O j (1 O j ) 输出层的计算方法 j O (1 O ) w 非输出层的计算方法 j j jk k k
（3） 修正各层权重： wij (t
1) wij (t ) wij (t )
（4）重复上述过程直到算法收敛，即误差小于给定的阈值。
who1 0.12-> 0.15 0.51 0.36 who2 0.90->0.86 0.58
Wih1 0.82-> 0.82
1
wih2 0.20->0.196
0
b 0.55->0.57
wih1=7.2 wih2=-0.32 b=5.62 who1=-3.78 who2=3.78
信息 误差
数据融合一般分为两个层次，特征层和决策层。特征层的 融合是数据的属性的联合，分别从所有信息提取特征，然后 经过关联处理组成联合特征向量，这样一方面可以降低数据 属性的维数，另一方面可以提高数据质量，从而改善分类效 果。决策层的融合首先根据各分类器传送的信息独立做出决 策，然后通过关联处理与决策层融合推理获得最后的联合推 断结论。