基于证据理论优化的态势预测模型

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (16): 63-69.

基于证据理论优化的态势预测模型

汪永伟1，2，刘育楠1，2，赵荣彩1，常德显1，2，邱卫1，2

1.信息工程大学，郑州 450004
2.河南省信息安全重点实验室，郑州 450004

出版日期:2015-08-15 发布日期:2015-08-14

Situation forecast model based on evidence theory optimization

WANG Yongwei1，2, LIU Yunan1，2, ZHAO Rongcai1, CHANG Dexian1，2, QIU Wei1，2

1.Information Engineering University, Zhengzhou 450004, China
2.Henan Key Laboratory of Information Security, Zhengzhou 450004, China

Online:2015-08-15 Published:2015-08-14

摘要/Abstract

摘要： 针对态势预测的多模型组合问题，提出了一种基于证据理论优化的态势组合预测模型。该模型首先对预测子模型进行训练，获得预测子模型的性能评价与指标权重分配；基于证据理论对多指标的权重分配结果进行融合，提高权重分配的精度；在预测完成后，基于指标可信度和证据理论对指标权重进行调整，优化多指标的评价能力。Matlab实验仿真结果表明，该模型能够依据态势曲线的变化动态优化组合权重，其预测精度优于典型预测模型。

关键词: 证据理论, 组合预测, 优化, 态势

Abstract: According to the problem of multi-model combination in situation forecast, a situation combination forecast model based on evidence theory optimization is proposed. The sub-model is trained to get the performance evaluation and the weight assignment. The weights assignment results of multi-index are fused and refined based on evidence theory. Multi-indexes weight is adjusted based on the confidence and evidence theory after situation forecast circle is finished, optimizing the evaluation ability of multi-indexes. Experiments results in Matlab show that the new model can dynamic adjust the weights in combination model, and it can get better forecast accuracy than typical forecast models.

Key words: evidence theory, combination forecast, optimization, situation

汪永伟1，2，刘育楠1，2，赵荣彩1，常德显1，2，邱卫1，2. 基于证据理论优化的态势预测模型[J]. 计算机工程与应用, 2015, 51(16): 63-69.

WANG Yongwei1，2, LIU Yunan1，2, ZHAO Rongcai1, CHANG Dexian1，2, QIU Wei1，2. Situation forecast model based on evidence theory optimization[J]. Computer Engineering and Applications, 2015, 51(16): 63-69.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	黄逸磊，夏志杰，王诣铭. 强关系型社交媒体平台不实信息传播模型研究[J]. 计算机工程与应用, 2021, 57(9): 126-133.
[3]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[4]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[5]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[6]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[7]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[8]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[9]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[10]	许小媛，李海波，黄黎. 云存储多异构文件联合延迟尾概率凸优化分析[J]. 计算机工程与应用, 2021, 57(5): 88-94.
[11]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[12]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[13]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[14]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[15]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.