第2章 多源冲突信息鲁棒证据推理

2.1 引言

证据理论作为高层信息融合方法，经常被用于多个分类器融合，这里将每个分类器的输出作为相应的信源证据，进而将不同分类器对应的多个证据进行融合，获得最终的目标分类结果。不同的分类器通常可以提供一些具有互补性的知识，通过多个分类器融合能够提高分类的准确率。在多分类器融合中，不同的分类器由于性能不同，其生成的分类结果经常会出现冲突。目前对于冲突信息通常采用加权融合策略，即根据分类器性能对其赋予相应的权重，分类准确率高则权重大，反之亦然。不过，这种加权融合策略虽然可以智能调节各分类器在融合中的权重大小，却无法改善各分类器输出结果的质量，当冲突较大时，融合结果的可靠度较低。

本章提出了一种基于精细可靠度评估的多源冲突信息证据融合推理方法，即上下文可靠度估计（Classifier Fusion with Contextual Reliability Evalua-tion，CF-CRE）方法，利用目标数据邻域样本估计目标分类误差信息，以此揭示目标分类结果的可靠度，并对目标分类结果在证据幂集空间下进行谨慎的修正，以降低各分类器的错误风险及彼此之间的冲突，并采用证据融合规则对多分类结果进行融合以提高分类的准确性。首先设计目标分类结果内部可靠度矩阵，矩阵表征目标被分类为某类时属于其他类的条件概率，矩阵中的元素（参数）利用目标在训练集中的k个近邻来估计。接着在证据理论（信任函数理论）框架下提出一种谨慎折扣规则，根据内部可靠度对目标分类结果进行修正。此外，为了反映不同分类器结果之间的相对可靠度，本章还定义了一种新的证据不相容度量，根据相对可靠度对每个分类器输出的结果进行加权折扣，以降低分类器之间的冲突程度。内部可靠度和相对可靠度从不同的视角给出了目标分类结果的可靠度评价，两者结合能够提供更全面的分类可靠度评估能力。采用DS规则将折扣后的分类结果进行融合，可以得到目标的最终分类结果。