0 引言

    DS證據(jù)理論因具有很強的處理不確定信息的能力，近年來在信息融合領域得到廣泛應用。然而，如何構造DS證據(jù)理論中的基本概率賦值函數(shù)（Basic Probability Assignment，BPA），一直是信息融合中的一大難題。對此，許多學者都做出了研究^[1-8]。ZHU Y M等^[1]利用模糊-均值聚類實現(xiàn)了BPA的獲??；蔣雯等^[2]基于樣本差異度的方法構造初始BPA函數(shù)；FLOREA M C等^[3]基于隸屬度生成BPA；周皓等^[4]將SVM通過Platt的概率模型來確定BPA；Ai Lingmei 等^[5]通過神經(jīng)網(wǎng)絡的輸出來構造BPA。

    支持向量機（Support Vector Machine，SVM）是目前廣泛應用的一種智能診斷分類器，該模型建立在統(tǒng)計學習理論和結構風險最小化原理上，不僅能夠克服“維數(shù)災難”、“過擬合”以及其他傳統(tǒng)學習算法不可避免的問題，還在小樣本學習問題上表現(xiàn)出較大優(yōu)勢。但SVM輸出的是測試樣本的類別標簽，為硬輸出，進行多個SVM輸出映射時主要采用的是投票法，這很大程度上限制了SVM在信息融合領域中的應用。很多學者已經(jīng)展開了對于SVM概率輸出問題的研究^[9-12]。其中，由PLATT J C^[9]提出的計算后驗概率的方法得到普遍的應用。

    本文提出一種SVM-DS決策融合方法，結合了DS與SVM的優(yōu)點，同時解決了兩者在實際應用中的一些局限性問題。通過Platt的概率模型分別將RBF核函數(shù)SVM分類器(SVM-RBF)、線性核函數(shù)SVM分類器(SVM-Linear)和多項式核函數(shù)SVM分類器(SVM-Quadratic)的硬輸出轉化為相應的后驗概率；利用混淆矩陣來計算分類器的局部可信度；根據(jù)SVM后驗概率以及分類器局部可信度，建立BPA函數(shù)，解決了DS理論在決策融合中BPA難以確定的問題。通過在UCI標準數(shù)據(jù)集、高速鐵路轉向架故障數(shù)據(jù)上的實驗，也證明了本文決策融合方法能獲得比單一分類器更高的分類準確率，且有效提高了方法穩(wěn)定性。

1 DS證據(jù)理論

2 SVM介紹

2.1 SVM基本概念

2.2 SVM后驗概率輸出

    PLATT J C^[9]利用sigmoid函數(shù)，將SVM的硬輸出映射到概率區(qū)間[0，1]，計算后驗概率的模型為：

3 基于混淆矩陣的可信度計算

    在實際問題中，不同分類器對同一類別數(shù)據(jù)的識別能力是不一樣的。將多個分類器的輸出直接融合，沒有考慮到分類器的可信度，這樣可能會得到偏離實際的決策結果。因此，本文用混淆矩陣對分類器的局部可信度進行描述，并將得到的局部可信度作為DS融合時的折扣因子。

    假設待分類任務包含k個類別，數(shù)據(jù)集X中的樣本數(shù)為M，每個模式類別中有Mi個樣本(i=1，2，…，k)。利用分類器L對數(shù)據(jù)集分類后可以得到混淆矩陣C_l表示如下：

4 SVM與DS的融合分類方法

    (1)將訓練樣本分別通過SVM-RBF分類器、SVM- Linear分類器和SVM-Quadratic分類器進行訓練，將各分類器的硬輸出轉化為軟輸出。

    (2)獲得各分類器的混淆矩陣，計算出各分類器的局部可信度。

    (3)將獲得的分類器局部可信度作為融合時的折扣因子。當分類器對某一樣本x判決為w_i時，該分類器輸出的結果可信度為PC(w_i)，后驗概率為P_i，則按式(11)進行加權處理：

    (4)由式(11)獲得DS決策融合時的BPA，通過DS融合得到最終決策結果。SVM-DS決策融合模型如圖1所示。

5 實驗結果及分析

5.1 高鐵轉向架故障數(shù)據(jù)實驗

    本文研究的高速列車轉向架監(jiān)測數(shù)據(jù)由實測得到。在速度為200 m/s的高速列車上共計安裝了22個傳感器，由此22個傳感器對應輸出的58個通道數(shù)據(jù)作為本文的實驗數(shù)據(jù)。高速列車轉向架單故障包含3種工況，分別為正常、橫向減振器失效和抗蛇行減振器失效。

5.1.1 橫向減振器單故障數(shù)據(jù)實驗

    橫向減振器失效包含4種不同故障類型，每種故障類型樣本數(shù)均為140組。實驗隨機采用一半樣本進行訓練，另一半的樣本用作測試。

    對高速列車橫向減振器單故障的實測數(shù)據(jù)分別提取均值、方差、裕度指標等統(tǒng)計特征組成27維的特征集，特征分布情況見圖2。

    將特征集輸入不同核函數(shù)的SVM分類器得到混淆矩陣分別如下，其中CM¹、CM²、CM³分別表示SVM- Linear、SVM-Quadratic和SVM-RBF分類器輸出的混淆矩陣。

    根據(jù)得到的混淆矩陣，由式（10）計算各分類器的局部可信度見表1。

    按式（11）將局部可信度折扣到后驗概率，再以DS理論融合后得到的分類混淆矩陣如下：

    對橫向減振器單故障的測試樣本最后的分類情況見表2。

    單一分類器中，SVM-Linear表現(xiàn)最好，SVM-Linear的標準差僅為0.008 6，穩(wěn)定性明顯高于其他兩個單一分類器，其準確率為96.8%，略大于SVM-RBF分類器，比SVM-Quadratic高出2.09%。

    本文SVM-DS決策方法得到的準確率為97.41%，比單一分類器中表現(xiàn)最好的SVM-Linear分類器提高了0.61%。SVM-DS方法的標準差為0.005 5，穩(wěn)定性遠高于SVM-Quadratic和SVM-RBF分類器，比單一分類器中表現(xiàn)最好的SVM-Linear分類器的標準差降低了0.003 1，有效地提升了方法的穩(wěn)定性。

5.1.2 抗蛇行減振器單故障數(shù)據(jù)實驗

    抗蛇行減振器失效包含5種不同故障類型，樣本數(shù)為150組。實驗中隨機采用一半的樣本進行訓練，另一半的樣本用作測試。

    由于抗蛇行單故障中各故障類型之間相似度較大，因而各分類器得到的分類準確率都不太高。由表3知，在單一分類器中，SVM-RBF分類準確率為84.28%，高于其他兩個分類器。SVM-Quadratic與SVM- Linear分類器分類準確率相差不大。就穩(wěn)定性而已，表現(xiàn)最好的是SVM-Linear分類器。本文提出的SVM-DS決策融合方法準確率為86.14%，比單一分類器中表現(xiàn)最好的SVM-RBF提高了1.86%。SVM-DS方法標準差為0.016 1，比SVM-Linear降低了0.005 3，比SVM-Quadratic降低了0.011 5。可見在抗蛇行單故障中，SVM-DS決策融合方法的穩(wěn)定性遠高于各單一分類器。

    對比兩種工況的分類結果可以看出，在橫向減振器單故障實驗中，表現(xiàn)最好的是SVM-Linear，在抗蛇行單故障實驗中分類準確率最好的是SVM-RBF，穩(wěn)定性最好的是SVM-Linear。這說明，分類器對不同故障數(shù)據(jù)的分類能力是不一樣的，單一分類器幾乎無法做到對各種工況的故障數(shù)據(jù)都表現(xiàn)良好，這也是本文要采用多分類器聯(lián)合的決策融合方法的原因。高鐵轉向架單故障數(shù)據(jù)實驗驗證了本文SVM-DS決策融合方法的有效性，該方法實現(xiàn)了故障分類的優(yōu)化，穩(wěn)定地提升了故障識別率。

5.2 UCI標準數(shù)據(jù)集驗證

    為了充分驗證SVM-DS決策融合方法的有效性，本文使用表4所示UCI數(shù)據(jù)集進行實驗分析。

    限于篇幅，特征分布圖以Iris數(shù)據(jù)集的特征集為例。圖3是Iris標準數(shù)據(jù)集是特征集歸一化后的特征分布圖。

    在Wine和Iris數(shù)據(jù)集上，單一分類器表現(xiàn)最好的都是SVM-Linear分類器。在Breast-w數(shù)據(jù)集上，不同核函數(shù)SVM分類器分類效果差異不大。但SVM-DS方法在3種數(shù)據(jù)集上的準確率都高于各單一分類器，穩(wěn)定性也是最好的。這驗證了SVM-DS方法在UCI標準數(shù)據(jù)集上提高分類準確率的同時，也提高了方法的穩(wěn)定性。

6 結束語

    本文提出一種基于SVM與DS相結合的決策融合方法。該方法根據(jù)SVM的實際分類結果，從中獲取分類標簽、后驗概率和混淆矩陣等信息。用混淆矩陣來衡量分類器性能，計算局部可信度，再結合SVM分類器后驗概率來構造BPA，使獲得的基本概率賦值函數(shù)更加可靠和符合實際，從而有效解決了證據(jù)理論應用中的一大難題。從實驗結果可以看出，與單一分類器的分類結果相比，結合3種不同SVM分類器的SVM-DS決策融合方法能夠穩(wěn)定地提高分類準確率。 

參考文獻

[1] ZHU Y M，BENTABET L，DUPUIS O，et al.Automatic determination of mass functions in Dempster-Shafer theory using fuzzy c-means and spatial neighborhood information for image segmentation[J].Optical Engineering，2002，41(4)：760-770.

[2] 蔣雯，陳運東，湯潮，等.基于樣本差異度的基本概率指派生成方法[J].控制與決策，2015，30(1)：71-75.

[3] FLOREA M C，JOUSSELME A L，GRENIER D，et al.Approximation techniques for the transformation of fuzzy sets into random sets[J].Fuzzy Sets and Systems，2008，159(3)：270-288.

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

[5] 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(12)：2927-2935.

[6] Han Deqiang，Deng Yong，Han Chongzhao.Novel approaches for the transformation of fuzzy membership function into basic probability assignment based on uncertain optimization[J].International Journal of Uncertainty Fuzziness and Knowledge-Based Systems，2013，21(2)：289-322.

[7] 韓德強，楊藝，韓崇昭.DS證據(jù)理論研究進展及相關問題探討[J].控制與決策，2014，29(1)：1-11.

[8] SUH D，YOOK J.A method to determine basic probability assignment in context awareness of a moving object[J].International Journal of Distributed Sensor Networks，2013(2)：167-174.

[9] PLATT J C.Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods[J].Advances in Large Margain Classifiers，2000，10(4)：61-74.

[10] 王磊.支持向量機學習算法的若干問題研究[D].長沙：國防科學技術大學研究生院，2009.

[11] CHANG C C，LIN C J. LIBSVM：a library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology(TIST)，2011，2(3)：1-27.

[12] 雷蕾，王曉丹，邢雅瓊，等.結合SVM和DS證據(jù)理論的多極化HRRP分類研究[J].控制與決策，2013(6)：861-866.

[13] 張靜，宋銳，郁文賢，等.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.

[14] 袁憲鋒，宋沐民，周風余，等.多PCA模型及SVM-DS融合決策的服務機器人故障診斷[J].振動、測試與診斷，2015，35(3)：434-440.

作者信息:

朱  菲，金煒東

（西南交通大學 電氣工程學院，四川 成都610031）