入门文献复现——Analyzing the degree of conflict among belief functions Weiru Liu

最新推荐文章于 2024-01-09 16:26:00 发布

原创

最新推荐文章于 2024-01-09 16:26:00 发布 · 724 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#python #机器学习

本文介绍了一种新的度量证据冲突的方法，该方法通过计算不同基本信任赋值(BBA)之间的赌博信度距离来衡量证据间的冲突程度。具体步骤包括对BBA应用pignistic变换，计算差值并找出最大赌博信度距离。

该Paper的作者提出了一种新的度量证据是否冲突的方法，度量标准是

前者就是Dempster规则中的冲突质量(1/(1-k)中的k)
后者是the distance of betting commitment,我自己翻译为"赌博信度距离"
首先，将不同的BBA进行 pignistic transform,得到专属的BetP
然后做差，找到差值最大的代表这两个BBA的赌博信度距离。
在这里插入图片描述

下面的代码就是求difBetp的。

#基于pignistic transform证据冲突的度量标准
#作者的度量指标为cf(m(empty),difBetP)
##其中m(empty)就是Dempster规则中1/(1-k)中的k
##difBetP是两个不同的BBA之间的赌博信度的差值
import numpy as np;
import pandas as pd;
#辩框
# theta=set(["A","B","C","D","E"]);
#BBA的格式如下
# bba1={"A":0.2,"B":0.2,"C":0.6}
# bba2={"A":0.2,"B":0.2,"C":0.6}

#抽取字典中的key值，并装进集合中，并且返回集合
def focal_Element(boe):
    key_m=[];
    m_key=boe.keys();
    for item in m_key:
        key_m.append(item)
    keym_set=set(key_m);
    return keym_set;
#进行pignistic变换