SVM-DS融合方法：解决BPA难题与高铁故障诊断

"本文介绍了一种融合支持向量机（SVM）与Dempster-Shafer（DS）理论的决策融合方法，旨在解决信息融合分类中的BPA构造问题，并在高速铁路故障诊断中得到应用。该方法通过Platt概率模型将SVM的硬输出转换为概率输出，用混淆矩阵评估分类器的局部可信度，进而构建BPA函数，并通过DS融合做出最终决策。实验证明，这种方法能有效提升分类准确率。" 本文探讨的核心技术是支持向量机（SVM）和Dempster-Shafer（DS）证据理论的结合。SVM是一种基于结构风险最小化的机器学习模型，尤其适用于小样本学习，能有效避免过拟合和维度灾难。然而，SVM的原始输出为类别标签，不直接提供概率信息，这限制了其在信息融合中的应用。 为解决这一问题，Platt概率模型被引入，它允许将SVM的硬输出转换为后验概率，使得SVM的输出更具概率解释。文章中提到了三种不同核函数的SVM分类器：径向基函数（RBF）、线性和二次核函数，它们的输出通过Platt模型转化为概率形式。 此外，DS理论在信息融合中用于处理不确定信息，其关键在于基本概率赋值（BPA）的构建。传统的BPA构造方法存在挑战，而文中提出的新方法是基于SVM的后验概率和分类器的局部可信度。混淆矩阵在这里扮演了重要角色，它能量化分类器的性能，为每个分类器分配局部可信度。这些局部可信度结合SVM的后验概率一起，形成了BPA函数的基础。 通过DS融合，来自多个分类器的信息被整合，形成一个更可靠的决策。在实际高铁故障数据的应用中，这种方法展示了其有效性，提高了分类准确率，表明了该决策融合策略优于单一分类器。 该研究为信息融合提供了新的思路，通过SVM与DS理论的结合，解决了BPA构造难题，并在实际故障诊断中得到验证。这种方法对于处理不确定性和复杂性的分类问题，特别是在高精度需求的领域，如高铁安全，具有重要意义。