異類數據關聯與融合

本書聚焦綜合信息系統智能化的關鍵和難點，摒棄傳統的處理模式，充分利用數據的不確定性信息，就區間、序列、直覺模糊、猶豫模糊、語義等不同類型數據的相似度量、粒層轉化、識別決策等開展了較為系統、深入的研究，構建異類數據間統一的粒層轉換框架，解決不同類型數據間的相似度量、跨層關聯與融合問題。全書共分15章，第1章介紹問題的來源和研究思路；第2章介紹相關數學知識；第3～5章介紹利用數據的不確定性，基於異類數據之間的相關度量，進行雷達、ESM等異步航跡的直接抗差關聯；第6～10章討論了直覺模糊、猶豫模糊、語義等類型數據的相似度量；第11～14章討論了特徵層、決策層上的粒層統一、粒層轉換、關聯與融合問題；第15章為回顧與展望。本書基礎理論與實際應用、一般模型與特殊情況、實例與算例並重，按照從具體到抽象、先部分後整體、先單數據粒後多源數據粒的思路，由淺入深，層層遞進。本書可為多源信息融合、智能推理決策等相關領域的科技工作者、工程技術人員提供參考。

第1章緒論 1
1.1 問題的來源 1
1.2 面臨的挑戰 2
1.3 相關研究情況 4
1.4 本書的概貌 7

第2章相關的數學基礎 11
2.1 引言 11
2.2 度量空間與常用距離 11
2.2.1 度量空間 11
2.2.2 常用距離 12
2.3 灰色系統 13
2.3.1 區間灰數與灰關聯分析 13
2.3.2 灰靶理論 20
2.4 模糊數學 21
2.4.1 模糊集及運算 22
2.4.2 三角模糊數和區間數 23
2.4.3 二型模糊集 24
2.4.4 區間值模糊集 24
2.4.5 直覺模糊集 25
2.4.6 猶豫模糊集 29
2.5 語義計算 33
2.5.1 語義表示基本方法 33
2.5.2 二元語義模型 34
2.5.3 猶豫模糊語義標籤集 35
2.5.4 概率語義標籤集 35
2.5.5 連續語義標籤集 35
2.6 雲模型 36
2.6.1 定義及特徵 36
2.6.2 正態雲 37
2.6.3 雲變換 37
2.7 本章小結 38

第3章異步雷達航蹟的直接關聯 39
3.1 引言 39
3.2 異步雷達航跡關聯的傳統處理方式 39
3.2.1 問題描述 39
3.2.2 時域配準 40
3.3 異步雷達航蹟的區間化描述 43
3.3.1 點跡—區間描述 43
3.3.2 區間—區間描述 44
3.3.3 區實混合序列描述 45
3.3.4 搜索式區間灰數描述 46
3.4 異步雷達航蹟的相似度量 47
3.4.1 區間灰數的灰關聯度 47
3.4.2 加權滑窗序列的折線相似度 50
3.4.3 序列離散度 54
3.5 異步雷達航跡直接關聯模型 55
3.5.1 基於區間灰數灰關聯度的異步航跡關聯 55
3.5.2 基於加權滑窗序列折線相似度的異步航跡關聯 57
3.5.3 基於序列離散度的異步航跡關聯 58
3.6 複雜情況異步雷達航蹟的直接關聯 59
3.6.1 航蹟的分叉與合併 59
3.6.2 區間序列的分段劃分 60
3.7 算法仿真與性能分析 61
3.7.1 仿真環境設置 61
3.7.2 算法性能比較 62
3.7.3 航跡分叉合併情況的可辨性分析 64
3.8 本章小結 66

第4章異步雷達航蹟的抗差關聯 67
4.1 引言 67
4.2 系統誤差對雷達航跡關聯的影響 67
4.2.1 問題描述 67
4.2.2 對系統誤差的處理 68
4.3 系統誤差的區間描述 69
4.3.1 區間描述原理 69
4.3.2 矩形投影法 70
4.3.3 圓覆蓋法 72
4.3.4 微分法 73
4.3.5 區間描述的精度分析 75
4.4 系統誤差下雷達航蹟的相似度量 77
4.4.1 區間灰數的灰關聯度 77
4.4.2 區域集合相似度 78
4.4.3 區間序列離散度 80
4.5 同步雷達航蹟的抗差關聯 82
4.5.1 基於區間灰數的航跡抗差關聯 82
4.5.2 基於區域集合相似度的航跡抗差關聯 85
4.5.3 基於區間序列離散度的航跡抗差關聯 86
4.6 異步雷達航蹟的抗差關聯 87
4.6.1 串行處理方式 87
4.6.2 直接處理方式 89
4.7 算法仿真與性能分析 89
4.7.1 仿真環境設置 89
4.7.2 算法性能比較 90
4.8 本章小結 93

第5章雷達與ESM航蹟的關聯 95
5.1 引言 95
5.2 異地配置的雷達與ESM異步航跡關聯 96
5.2.1 異步航跡交叉定位的區間化處理 96
5.2.2 不等長航跡序列的等長區間變換 97
5.2.3 基於區間離散度的異地配置的雷達與ESM異步航跡關聯 99
5.3 修正極坐標系下雷達與ESM航蹟的對準關聯 101
5.3.1 雷達與ESM濾波方程 101
5.3.2 構造關聯統計量 102
5.4 系統誤差對同地配置雷達與ESM航跡關聯的影響 103
5.4.1 系統誤差對關聯統計量的影響 103
5.4.2 對非中心參數和正確關聯概率的影響 104
5.5 同地配置的雷達與ESM航跡對準關聯 108
5.6 同地配置的雷達與ESM航跡抗差關聯 109
5.6.1 系統誤差下雷達與ESM航蹟的區間描述 110
5.6.2 基於區間重合度的雷達與ESM航跡抗差關聯 111
5.7 異地配置的雷達與ESM航跡抗差關聯 113
5.7.1 系統誤差下雷達與ESM航蹟的相似度量 113
5.7.2 基於目標拓撲信息的雷達與ESM航跡抗差關聯 114
5.7.3 基於區間離散度的雷達與ESM航跡抗差關聯 117
5.8 算法仿真與性能分析 118
5.8.1 仿真環境設置 119
5.8.2 算法性能比較 119
5.9 本章小結 125

第6章區間數據的關聯 126
6.1 引言 126
6.2 基於區間證據的區間數據關聯 126
6.2.1 問題描述 126
6.2.2 基於區間相似度的BPA生成 127
6.2.3 關聯流程 129
6.2.4 仿真實驗 131
6.3 基於直覺模糊集的區間數據關聯 133
6.3.1 問題描述 133
6.3.2 雲模型數字特徵的估計 133
6.3.3 確定度向隸屬度與非隸屬度的轉化 135
6.3.4 動態權重 136
6.3.5 基於去模糊距離測度的TOPSIS方法 137
6.3.6 關聯流程 139
6.3.7 仿真實驗 140
6.4 本章小結 145

第7章直覺模糊數據的關聯 146
7.1 引言 146
7.2 直覺模糊數的幾何表示 147
7.2.1 二維幾何表示 147
7.2.2 三維幾何表示 151
7.3 去模糊化距離測度 153
7.3.1 現有距離違背直覺性分析 153
7.3.2 提取直覺模糊特徵 154
7.3.3 去模糊化距離 157
7.4 基於去模糊化距離的關聯 162
7.4.1 目標識別問題 162
7.4.2 多屬性決策問題 163
7.5 仿真分析 164
7.5.1 數值算例 164
7.5.2 目標識別算例 167
7.5.3 多屬性決策算例 169
7.6 本章小結 170

第8章猶豫模糊型數據關聯中的加權綜合相關係數法 171
8.1 引言 171
8.2 現有猶豫模糊集相關係數的局限性 172
8.3 猶豫模糊集的加權綜合相關係數 174
8.3.1 猶豫模糊集及猶豫模糊數的一些基本定義 174
8.3.2 猶豫模糊集的三種基本相關係數 175
8.3.3 加權綜合相關係數 178
8.4 基於猶豫模糊加權綜合相關係數的數據關聯 181
8.4.1 經典TOPSIS方法 181
8.4.2 猶豫模糊環境下TOPSIS方法的局限性 182
8.4.3 基於猶豫模糊加權綜合相關係數的改進型TOPSIS方法 183
8.5 仿真分析 187
8.5.1 數值仿真 188
8.5.2 目標識別算例 188
8.5.3 目標分類算例 189
8.5.4 多屬性決策算例 193
8.4 本章小結 196

第9章猶豫模糊數據關聯中的特徵距離測度法 198
9.1 引言 198
9.2 新的猶豫模糊比較法則 199
9.2.1 現有比較法則的局限性 199
9.2.2 新的比較法則 200
9.3 猶豫模糊集特徵距離 202
9.3.1 猶豫模糊數的均值距離 202
9.3.2 猶豫模糊數的特徵距離 206
9.3.3 猶豫模糊集的特徵距離 208
9.3.4 與現有距離方法的對比 211
9.4 基於猶豫模糊特徵距離測度的數據關聯 213
9.4.1 經典TODIM方法 213
9.4.2 基於猶豫模糊特徵距離的改進型TODIM方法 214
9.5 仿真分析 216
9.5.1 與現有距離度量的比對 216
9.5.2 目標識別算例 217
9.5.3 威脅等級估計算例 220
9.6 本章小結 223

第10章語義數據的關聯 225
10.1 引言 225
10.2 連續概率猶豫模糊語義標籤 226
10.3 連續概率猶豫模糊語義標籤的距離測度 227
10.3.1 基於標籤效能值的CPHFLTS距離測度 228
10.3.2 基於概率標籤組合的CPHFLTS距離測度 230
10.4 基於語義標籤距離測度的數據關聯 232
10.5 仿真分析 235
10.5.1 多屬性決策算例 235
10.5.2 與TOPSIS方法對比分析 238
10.6 本章小結 240

第11章異類數據的粒層轉化 241
11.1 引言 241
11.2 異類數據的粒結構劃分 242
11.3 異類數據的粒層轉化 244
11.3.1 特徵層的粒層統一 245
11.3.2 決策層的粒層統一 249
11.4 粒層並行的數據關聯 251
11.4.1 決策層異類數據的粒層並行粒度計算 252
11.4.2 粒層並行的數據關聯流程 252
11.5 粒層轉化的數據關聯 253
11.5.1 問題描述 253
11.5.2 粒層轉化的數據關聯流程 254
11.6 本章小結 255

第12章序列數據和區間數據的關聯 257
12.1 引言 257
12.2 短時序列數據與區間數據的關聯 257
12.2.1 短時序列與區間數的距離 258
12.2.2 基於灰關聯的短時序列—區間異類數據關聯 260
12.3 基於雲變換的累積量測序列與區間數據的關聯 261
12.3.1 序列?區間異類數據同型轉化 261
12.3.2 序列?區間異類數據的關聯 266
12.4 仿真分析 272
12.4.1 短時序列?區間異類數據關聯仿真 272
12.4.2 累積量測序列?區間異類數據關聯仿真 273
12.5 本章小結 282

第13章多源異類數據的關聯 283
13.1 引言 283
13.2 基於靶心距的異類數據關聯 284
13.2.1 問題描述 284
13.2.2 新的灰靶決策方法 285
13.3.3 仿真分析 294
13.3 基於信任區間交互式多屬性的異類數據關聯 298
13.3.1 問題描述 298
13.3.2 信任區間的構建定理 300
13.3.3 決策模型的確立 301
13.3.4 信任區間交互式多屬性決策 303
13.3.5 仿真實驗 307
13.4 本章小結 310

第14章決策層數據的融合 312
14.1 引言 312
14.2 信度函數理論 313
14.2.1 信度函數模型 313
14.2.2 Dempster組合規則 314
14.2.3 現有改進的組合規則 315
14.3 互補信度集成 316
14.3.1 互補信度的概念 317
14.3.2 基於互補信度的集成規則 317
14.3.3 考慮信度權重的集成規則 319
14.3.4 修正的信度集成規則 320
14.4 信度區間集成 321
14.4.1 信度函數的信度區間表示 322
14.4.2 信度區間集成規則 323
14.4.3 修正的信度區間集成規則 325
14.4.4 基於信度區間集成規則的決策 327
14.5 仿真分析 328
14.5.1 信度區間集成規則的算例驗證 328
14.5.2 信度集成規則的目標識別 330
14.5.3 基於概率轉換的對比分析 334
14.6 本章小結 335

第15章回顧與展望 336
15.1 研究回顧 336
15.2 方向展望 337
參考文獻 338