基于模糊積分的數(shù)據(jù)融合(編輯修改稿)
2024-08-28 14:54 本頁面
【文章內容簡介】 體中的兩個個體 x1， x2以這兩個個體為雙親做基因鏈碼的交叉，從而產生兩個新的個體 x1’， x2’作為他們的后代，簡單的交叉方法是：隨機的選取一個截斷點將 x1， x2的基因鏈碼在截斷點處切開，并交換后半部分，從而組合生成兩個新的個體 x1‘， x2’,這是最簡單的單點交叉，還有雙點交叉。 交叉算子 100 1011 011 0011 100 0011 011 1011 （ 4）變異。對于群體中的某個個體，即基因鏈碼，隨機的選取一位，即基因，將該基因位翻轉（ 0變 1， 1變 0）如： (5) 適應度。每個個體對應于優(yōu)化問題的 xi ,每個解 xi 對應于一個函數(shù)值 fi ，fi 越大（如果優(yōu)化問題要求取最大值），則表明 xi越好，即對環(huán)境的適應度越高，所以可以用每個個體的函數(shù)值 fi作為對環(huán)境的適應度。 遺傳算法中每個個體不斷地對環(huán)境進行學習和適應，通過交叉和編譯產生了新的個體，交叉類似于遺傳，這些后代繼承了雙親的優(yōu)良特性，通過變異產生了不同于雙親的特性。 下面是算法的基本框架： 10100001 10100101 步驟： (1) 初始化群體 。 設定群體包含 popsize條基因鏈碼 。 (2) 計算每條基因鏈碼的適應函數(shù)值 fitness(i)， 以及相應的選擇概率和累積概率 求總的適應值； 計算每條基因鏈碼的選擇概率； 計算每條基因鏈碼的累積概率； (3) 選擇：按照群體中適應函數(shù)值的大小 ， 依概率隨機選擇 popsize條基因鏈碼進行交叉 ， 適應函數(shù)值大被選中的概率就大 。 ??? p o p s i z eiif it n e s sF1)(F ifitn e ssp i )(???? ijjj pq1(4) 單點交叉：設交叉的概率為 pc。從選中的基因鏈碼中，隨機的選擇popsize*pc條基因鏈碼交叉，單點交叉的位置隨機生成。 (5) 變異：設變異概率 pm，從上述所有基因鏈碼中依概率選擇一條基因鏈碼，隨機生成一位變異。 (6) 設 Generation gap 為 G，對子代排序選擇 popsize*G個適應函數(shù)值較大染色體覆蓋母代中的相應的適應函數(shù)值小的染色體； (7) 如此循環(huán)若干代，直至滿足迭代條件結束；否則轉（ 1）。 我的問題是如何統(tǒng)一結果 ， 即決策層的融合 。 常用融合方法如：投票法 、貝葉斯算法 、 證據(jù)理論 、 可能性理論 、 模糊積分等 。 投票法是根據(jù)最多數(shù)分類器分類的結果指定代分類物體的類別的 。 下例是四個分類器識別 10個數(shù)據(jù)的結果的一情況 ， 這 10個數(shù)據(jù)有兩種分類分別是 +和 。 根據(jù)投票法我們可以斷定最后一個物體是 +類 ， 而很難做出定出第一個的類別 。 情況： 分類器 1： +++++++++ 分類器 2： +++++++++ 分類器 3： ++++++++++ 分類器 4： +++++++++ 投票法簡單，但沒有考慮分類器間的交互影響。貝葉斯方法將待識別物體分到具有最大后驗概率的類中。但是很多情況下很難得到待識別物體的先驗概率或者先驗和后驗概率計算復雜，因而不是很實用。證據(jù)理論是貝葉斯方法的一種改進，它巧妙地解決了需要事先知道先驗概率的問題，是在不確定條件下進行強有力推理的方法。 可能性理論反映了實際被感知對象和期望觀測之間的相似性，試驗結果表明被感知對象和物體被觀測的次數(shù)沒有任何關系。 投票法實質上是經典可加性的 lebegue積分模糊積分。該測度定義于各個分類器組成的離散空間上，并且各個分類器的權值為 1。該方法假設各個分類器的作用獨立。因而若干個分類器對分類任務所起的作用就等于各個分類器所起作用的簡單加權和。然而在實際應用中，多個分類器相互作用是不可忽視的。模糊測度利用了非負單調的集合函數(shù)，即所謂的模糊測度來取代加權值，并且利用了與模糊測度相關的模糊
環(huán)評公示相關推薦
鄂ICP備17016276號-1