[论文解读] General combination rules for qualitative and quantitative beliefs

Arnaud Martin, Christophe Osswald+2 more|ArXiv.org|Jun 28, 2009

Rough Sets and Fuzzy Logic参考文献 32被引用 48

一句话总结

本文提出了一种统一框架，通过扩展组合规则来融合定性（语言）和定量信念，以解决专家响应中的冲突与非特定性问题。该框架引入了PCR（比例冲突重分配）及折扣PCR规则的新型定性扩展，利用语言标签实现精确的冲突处理与信念归一化，示例中展示了其一致性和准归一化特性。

ABSTRACT

Martin and Osswald \cite{Martin07} have recently proposed many generalizations of combination rules on quantitative beliefs in order to manage the conflict and to consider the specificity of the responses of the experts. Since the experts express themselves usually in natural language with linguistic labels, Smarandache and Dezert \cite{Li07} have introduced a mathematical framework for dealing directly also with qualitative beliefs. In this paper we recall some element of our previous works and propose the new combination rules, developed for the fusion of both qualitative or quantitative beliefs.

研究动机与目标

• 解决经典信念组合规则在处理定性与定量不确定性方面存在的局限性。
• 通过统一的数学框架管理专家响应中的冲突与非特定性。
• 利用语言标签将定量组合规则（如PCR与折扣PCR）扩展至定性领域。
• 确保在使用分数标签索引时，定性信念融合中组合质量的准归一化。
• 在存在与不存在部分冲突的情况下，实现信念融合结果之间的连续过渡。

提出的方法

• 将定量组合规则（Dempster、Yager、Dubois-Prade、PCR）系统性地扩展至定性领域，使用语言标签。
• 通过按比例将冲突分配给冲突元素，将比例冲突重分配（PCR）应用于定性质量。
• 引入折扣定性PCR（DPCR）规则，利用折扣因子α将部分冲突重新分配至部分无知状态。
• 使用带有分数索引的精细化语言标签集（例如 L_{1/6}、L_{2.5/6}），以保持精度并避免近似误差。
• 基于专家响应的基数定义非特定性度量，用于加权合取与析取融合分量。
• 应用融合规则，整合合取、析取与冲突重分配分量，确保在部分无知状态下的信念质量连续性。

实验结果

研究问题

• RQ1 经典定量组合规则如何系统性地扩展以处理自然语言表达的定性信念？
• RQ2 冲突与非特定性对信念融合的影响是什么？如何在定性领域中对这些因素进行定量建模？
• RQ3 比例冲突重分配（PCR）规则能否适配语言标签，同时保持归一化与一致性？
• RQ4 折扣如何影响定性信念融合中的冲突重分配？其在管理不可靠信源方面发挥什么作用？
• RQ5 能否构建一个统一规则，使在存在与不存在冲突的情况下，部分无知状态下的信念质量保持连续？

主要发现

• 使用语言标签的分数索引时，定性PCR规则可产生准归一化结果，确保一致性且无近似误差。
• 折扣定性PCR（DPCR）规则保持准归一化，并可通过折扣因子α将冲突重新分配至部分无知状态。
• 当将分数索引近似为最近的语言标签时，归一化特性丧失，凸显了精细化标签索引的必要性。
• 结合合取、析取与冲突重分配分量的融合规则，确保了在部分无知状态下的信念质量连续过渡。
• 示例表明，经典规则无法精确处理非特定性与部分冲突，而所提规则能有效应对。
• 所提框架可有效实现防御、机器人技术与路径规划等应用中定性与定量信念的稳健融合。