作为不确定性条件下知识表示和决策的重要工具,Dempster-Shafer证据理论(DS理论)已在许多领域中使用。 DS理论的应用严重依赖于基本概率分配(BPA)的可用性。 BPA的确定仍然是一个悬而未决的问题。 提出了一种获取BPA的非参数方法。 该方法可以处理分类问题中的多属性数据集。 数据集样本的每个属性值都被视为随机量。 使用训练数据计算其非参数概率密度函数(PDF),可以将其视为对应属性的概率模型。 然后,基于测试样本和概率模型之间的关系来构造BPA函数。 在证据理论的框架内,数据集中缺少的属性值被视为无知。 此方法没有任何特定分布的假设。 因此,它可以在许多工程应用中灵活使用。 所获得的BPA可以避免证据之间的高度冲突,而这是数据融合所希望的。 使用几个基准分类问题来演示所提出的方法并与现有方法进行比较。 基于所提出的方法构造的分类器与现有技术的算法具有很好的比较性。
1