بخشی از مقاله
چکیده
در این مقاله ما ترکیب منابع مستندات نامعتبر در چندین چارچوب کاری و شرایط تصمیمگیری - MCDM - ، را در یک محیط فازی برمبنای شواهد درنظر میگیریم. در چارچوب کاری فازی بصریMCDM منابع مدرک میتوانند زمانی که عوامل قابلیت اطمینان مشخص باشند بر اساس عملگرهای تراکم فازی بصری ترکیب شوند. عملکردهای فازی بصری تعمیم یافته بکار گرفته شدهاند تا منابع بصری را با عوامل قابلیت اطمینان آن ترکیب نمایند. عملیات کاهش وضعیتهای بصری نامعتبر نیز توسعه یافتهاند، تا با عوامل قابل اعتماد نامشخص سروکار داشته باشند.
بنابراین ما یک عملیات ترکیب بر مقادیر فازی بصری را تعریف مینماییم تا وضعیتهای مختلف آن را ترکیب نماییم. در نهایت تخمین عوامل قابل اعتمادبدون دانش قبلی مورد مطالعه قرار گرفته است. روش ارزیابی پیشنهادی ما بر اساس اصل خودارزیابی واقع شده است. این اصل بواسطهی مقایسهی احتمالی میان مقادیر فازی بصری اجرا شده است. به علاوه، روش ارزیابی پیشنهادی از مقدار ناسازگاری میان تخصیصهای احتمالی پایه مستقل است. نمونههای عددی ،عملکرد قوانین ترکیبی ما و روش تخمین قابل اعتمادرا به تصویر میکشند.
.1 مقدمه نظریهی مدرک دمپستر - شافر که به عنوان نظریهی عملکرد باور نیز شناخته میشود یک ابزار مهم برای استدلال نامعینی و تصمیمگیری میباشد. این نظریه بطور موفقیتآمیزی مورد استفاده قرار گرفته تا با داده های نامشخص و نادقیق در بسیاری از زمینهها شامل دستهبندی، خوشهبندی و ادغام اطلاعات سروکار داشته باشد. در نظریه ی فوق زمانی که تمام منابع مستندات بطور برابری قابل اتکا درنظر گرفته شده باشند ترکیبات مدرکی بواسطه ی قانون دمپستر اجرا شدهاند که به دلیل جابجایی پذیری، شرکتپذیری و بار محاسباتی پایین معروف میباشد. اگرچه قانون ترکیب دمپستر از نظر تئوری به خوبی پایهگذاری شده است، کمبود قدرت آن از دید محققان این زمینه به عنوان یک مانع درنظر گرفته شده است. دلیل این امر آن است که احتمالاً نتایج متضادی در برخی موارد بدست آمدهاند، بخصوص زمانی که درگیری بالایی میان وضعیتهای مدرکی وجود دارد BOE - ها - . چنین نتایجی برای تصمیمگیری مضر میباشند.
کارهای بسیاری انجام شدهاند تا نتایج ترکیب متضاد ذکر شده را حل نمایند. محققینی که دو دیدگاه اصلی را درنظر دارند چندین دهه است که در این موضوعات بحث مینمایند. تمرکز بحث بر علت نتایج متضاد متمرکز می باشد. اولین دیدگاه آن است که نتایج متضاد بواسطهی ترکیب قانون دمپستر بخصوص بواسطهی گام نرمالسازیاش حاصل شدهاند. بنابراین تعدادی از محققین قوانین ترکیبی جایگزینی بر اساس استراتژیهای مختلف را پیشنهاد نمودهاند تا برخورد و ابزارهای ادغام فراهم شده با امید بدست آوردن نتایج رضایتمندانهتر را مجدداً توزیع نمایند. دیدگاه دوم آن است که نتایج متضاد به علت ترکیب کردن BOEهای نامعتبر حاصل شدهاند با توجه به این دیدگاه، توابع انبوه بایست پیش از آنکه ترکیب رخ دهد اصلاح گردند
. کاهش مدرک و میانگین گیری وزندار دو روش اصلی برای اصلاح نمودن مدرک میباشند. افراد بسیاری بر روشهای کاهش و میانگینگیری وزندار کار کردهاند زیرا منابع غیرقابلاتکای مدرک بوجود آمدهاند تا این مشکل را نشان دهند. روش میانگین گیری وزندار بواسطه ی تخصیص دادن یک عامل وزنی برای هر وضعیت مدرک لزوماً به ترکیب برجستهی تمام وضعیتهای مدرک میپردازد و تمام وزنها در یک وزن تجمیع میشوند. ایدهی اصلی روش کاهش آن است که اگر یک منبع مدرک کاملاً قابل اتکا نباشد، بایست از طریق ضرب کردن هر تودهی احتمالاتی اساسی در یک عامل و تخصیص دادن تودهی باقیمانده به یک مجموعهی کامل، کاهش یابد. در هردو روش، قابل اعتمادمنبع مدرک اعمال میگردد تا عامل وزن یا عامل کاهش ارزیابی گردد.
اگرچه هردو نوع دیدگاه منطقی میباشند، ما ایدهای را ترجیح می دهیم که منابع نامعتبر دلیل نتایج متضاد میباشند. در دیدگاه ما، مسئلهی قانون ترکیب دمپستر از فرض آن برمیآید که تمام منابع مدرک کاملاً قابل اتکا میباشند. در واقع، منابع اطلاعاتی در سیستمهای واقعی همیشه نامعتبر می باشند زیرا منابع متفاوت به بخش های متفاوت دانش و تجربه دسترسی دارند. برای مثال، متخصصان در سطح تخصصشان تفاوت دارند؛ برخی از آنها به دلیل دانش، آموزش، تجربه، هوش و موارد دیگر نسبت به دیگران قابل اتکاتر میباشند. متخصصان برای اظهار نمودن دیدگاهشان، احتمالاً از زمینه، روششناسی و دانش متفاوتی استفاده نمایند.
از اینرو، لازم است که قابل اعتمادمتخصصان را درنظر گرفته و قضاوتهایشان باید بطور مناسبی اصلاح گردد. متشابهاً، اطلاعات فراهم شده توسط سنورها درجهی قابل اعتمادیکسانی ندارد. این احتمالاً به دلیل نه تنها دلایل یکسانی که برای متخصصان ذکر شده بلکه برای عوامل دیگر مشخصاً برای سنسورها باشد. برای مثال، اندازهگیریها در رابطه با کامل بودن، دقت و قطعیت میتوانند از سنسوری به سنسور دیگر متغیر باشند. به علاوه محیط کار نیز میتواند بر قابل اعتمادسنسور اثر بگذارد زیرا برخی از آنها میتوانند بهتر به شرایط مورد مواجهه در محیط درنظر گرفته شده نسبت به دیگر محیطها سازگار شوند. بنابراین وضعیتهای مدرک برای ترکیب شدن بایست با توجه به قابل اعتمادمنابع شان اصلاح شوند که توانایی هر منبع برای فراهم نمودن یک ارزیابی صحیح از مسئلهی داده شده را منعکس مینماید. اثرات مدرک از منابع مطمئنتر بایست تقویت گردد در حالی که اثرات مدرک از منابع با اطمینان کمتر بایست تضعیف گردند. بنابراین اتکاپذیریهای مدرک باید پیش از ترکیب ارزیابی شوند.
این موضوع برای ما پرسشی ایجاد می نماید که چگونه قابل اعتمادمنابع مدرک را تعیین نماییم. قابل توجه است که واژگان فنی قابل اعتمادمدرک، قابل اعتمادسنسور و قابل اعتمادمنبع مدرک متمایل به داشتن معنای یکسان در سیستم مخلوط اطلاعات بر اساس نظریهی مدرک می باشند. بنابراین این عبارات بصورت جایگزین در کل این مقاله مورد استفاده قرار خواهند گرفت. هنگامی که اطلاعات قبلی در دسترس باشند، قابل اعتمادمنبع مدرک می تواند از طریق آموزش یا بهینهسازی ارزیابی شود . الودی و همکارانش [33] یک روش ارزیابی قابلیت قابل اعتمادسنسور در یک مسئلهی دستهبندی را پیشنهاد نموده اند که بر اساس مدل باور قابل انتقال - TBM - ، توسعهای از نظریهی مدرک می باشد. در این روش، قابلیت قابل اعتمادسنسور از طریق به حداقل رساندن خطای مربع میانگین میان مقادیر خوانده ی سنسور کاهشی و مقادیر واقعی دادها ارزیابی شده است.
مسئلهی بسیار مهم در این روش این است که زمانی که هیچ اطلاعات قبلی وجود ندارند چگونه به قابل اعتمادهر منبع مدرک دست یابیم. همانطور که در بالا اشاره شد، اگر مدرک به توانایی هر منبع در فراهم نمودن اطلاعات معتبر یا صحیح مرتبط باشد، قابلیت اطمینان دارد. بدون اطلاعات قبلی، روشهای آموزش و بهینهسازی منطقی نمیباشند چنین موقعیت هایی مرتب مورد مطالعه قرار گرفتهاند و روشهای بسیاری بر اساس اصل اکثریت پیشنهاد شده اند. بواسطهی این اصل، اختلاف عقیده یا مخالفت میان قسمتهای متفاوت مدرک میتواند مورد استفاده قرار گیرد تا مقداری از قابل اعتمادرا به عنوان عامل وزنی یا عامل کاهشی تعمیم دهد. اگر یک منبع مدرک نامشابهت - کوچک - بسیاری با دیگر منابع داشته باشد، اتکاپذیریاش بایست کم باشد - زیاد - . مقدار فاصلهی مدرکی و مقدار متقابل مدرکی معمولاً مورد استفاده قرار میگیرند تا تفاوت یا مخالفت میان قسمتهای متفاوت مدرک را توصیف نمایند.
بنابراین برخی روشها پیشنهاد شدهاند تا BOEها را بر اساس فاصلهی مدرک و تقابل مدرکی اصلاح نمایند. جیو و همکارانش [34] کار الودی را در دو جنبه توسعه دادند. از یک سو آنها یک روش ارزیابی جدید برای ارتقای روش الودی توسعه دادند و آن را روش ارزیابی ایستا نامیدند. از سوی دیگر آنها یک وظیفه ی ارزیابی به صورت یک فرایند آموزش دو مرحلهای به عنوان مثال ارزیابی نظارت شده - یا ایستا - و نظارت نشده - پویا - را به ترتیب تحت عمل قرار دادند و سپس پیشنهاد ترکیب آنها را دادند.
این منجر به یک بینش عمیقتر در مسئلهی ارزیابی قابل اعتمادسنسور میشود. مورد اولی آن چیزی است که به عنوان روش ارزیابی تحت نظارت استاتیک شناخته میشود. یک عامل کاهشی ایستا که به سنسور تخصیص یافته است بر اساس مقایسهی مقادیر خوانده شدهی اصلیشاش و مقادیر واقعی داده ها می باشد. محتوای اطلاعات موجود در مقادیر واقعی هر هدف استخراج شده تا اثر آن بر ارزیابی را معین نماید. این روش همچنین اجازهی ارزیابی قابل اعتمادنتیجهی ادغام را میدهد. مورد دومی روش ارزیابی پویا میباشد که میتواند مورد استفاده قرار گیرد تا بطور پویا قابلیت قابل اعتمادمدرک را از طریق یادگیری و تنظیم در موقعیتهای زمان واقعی ارزیابی نماید. قابل اعتماددینامیکی به زمینههای استفاده های سنسور و عملکرد دینامیکی سنسور مرتبط میباشد.
در واقع ارزیابی قابل اعتماددینامیکی مورد اشاره در بالا در موقعیت کمبود دانش قبلی بکار گرفته میشود که در عمل رایجتر است. برای حل نمودن این مسئله، اصل عمومیت همیشه به عنوان یک انتخاب مناسب درنظر گرفته میشود. همانطور که جیو و همکارانش [34] تفسیر نمودهاند، مقدار فاصلهی مدرکی، مقدار تقابل و دیگر مقادیر نامشابهتی القا شده بکار گرفته میشوند تا قابل اعتمادمدرک را ارزیابی نمایند. با این اصل، بسیاری از روشهای ارزیابی قابل اعتماددینامیکی پیشنهاد شدهاند. برای مثال شوبرت [38] یک درجه نادرستی را بر این اساس که BOEها میتوانند کاهش یابند پیشنهاد مینماید.
بر اساس مقدار فاصلهی ژوزلم [36]، کلاین و کولوت [35 ] یک درجه اختلاف را پیشنهاد مینمایند که بواسطهی مقایسه کردن یک تخصیص احتمالاتی پایه - BBA - به BBA متوسط در یک مجموعه ارزیابی شده است. فاصلهای میان یک BPA و میانگین BPA اعمال شده تا اتکاپذیریاش را تخمین بزند. بر اساس مقدار فاصله ی ژوزلیم [36] و ایدهی شوبرت [38]، یانگ و همکارانش [27] از طریق قرض گرفتن ایدهها از طراحی درجهی نادرستی شوبرت یک مقدار اختلاف جدید را تعریف نمودند تا قابل اعتمادمنبع مدرک را تخمین بزنند. لیو و همکارانش [37] توجه نمودند که فاصله اختلاف میان BPAها را نشان میدهد در حالی که ضریب تقابل درجهی واگرایی فرضهایی را آشکار میسازد که دو تابع باور بطور قوی آنها را پشتیبانی مینمایند. این دو جنبهی نامشابهتی در یک حالت قطعی مکمل هم بودند و ادغام آنها میتواند به عنوان
