Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
An Evidential Collaborative Filtering Approach Based on Items Contents Clustering Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Uncertainty-Aware Parzen-Rosenblatt Classifier for Multiattribute Data

verfasst von : Ali Hamache, Mohamed El Yazid Boudaren, Houdaifa Boukersoul, Islam Debicha, Hamza Sadouk, Rezki Zibani, Ahmed Habbouchi, Omar Merouani

Erschienen in: Belief Functions: Theory and Applications

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Dempster-Shafer theory has proven to be one of the most powerful tools for data fusion and reasoning under uncertainty. Despite the huge number of frameworks proposed in this area, determining the basic probability assignment remains an open issue. To address this problem, this paper proposes a novel Dempster-Shafer scheme based on Parzen-Rosenblatt windowing for multi-attribute data classification. More explicitly, training data are used to construct approximate distributions for each hypothesis, and per each data attribute, using Parzen-Rosenblatt window density estimation. Such distributions are then used at the classification stage, to generate mass functions and reach a consensus decision using the pignistic transform. To validate the proposed scheme, experiments are carried out on some pattern classification benchmarks. The results obtained show the interest of the proposed approach with respect to some recent state-of-the-art methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Study of Distributed Data Fusion Using Dempster’s Rule and Cautious Operator
Nächstes Kapitel Birnbaum’s Importance Measure Extended for Non-coherent Systems
Literatur
1.
Bendjebbour, A., Delignon, Y., Fouque, L., Samson, V., Pieczynski, W.: Multisensor image segmentation using Dempster-Shafer fusion in Markov fields context. IEEE Trans. Geosci. Remote Sens. 39(8), 1789–1798 (2001)CrossRef
2.
Bloch, I.: Some aspects of Dempster-Shafer evidence theory for classification of multi-modality medical images taking partial volume effect into account. Pattern Recogn. Lett. 17(8), 905–919 (1996)CrossRef
3.
Boudaren, M.E.Y., An, L., Pieczynski, W.: Dempster-Shafer fusion of evidential pairwise Markov fields. Int. J. Approximate Reasoning 74, 13–29 (2016)MathSciNetCrossRef
4.
Bowman, A.W., Azzalini, A.: Applied Smoothing Techniques for Data Analysis: The Kernel Approach with S-PLUS Illustrations, vol. 18. OUP, Oxford (1997)
5.
6.
Chang, C.C., Lin, C.J.: LIBSVM: a library for support vector machines. ACM Trans. Intell. Syst. Technol. (TIST) 2(3), 27 (2011)
7.
Cover, T., Hart, P.: Nearest neighbor pattern classification. IEEE Trans. Inf. Theory 13(1), 21–27 (1967)CrossRef
8.
Denoeux, T.: A k-nearest neighbor classification rule based on Dempster-Shafer theory. IEEE Trans. Syst. Man Cybern. 25(5), 804–813 (1995)CrossRef
9.
10.
Duin, R., Juszczak, P., Paclik, P., Pekalska, E., De Ridder, D., Tax, D., Verzakov, S.: A matlab toolbox for pattern recognition. PRTools Version 3, 109–111 (2000)
11.
Guo, H., Shi, W., Deng, Y.: Evaluating sensor reliability in classification problems based on evidence theory. IEEE Trans. Syst. Man Cybern. Part B (Cybern.) 36(5), 970–981 (2006)
12.
Hu, B.G.: What are the differences between Bayesian classifiers and mutual-information classifiers? IEEE Trans. Neural Netw. Learn. Syst. 25(2), 249–264 (2014)CrossRef
13.
Jones, R.W., Lowe, A., Harrison, M.J.: A framework for intelligent medical diagnosis using the theory of evidence. Knowl. Based Syst. 15(1), 77–84 (2002)CrossRef
14.
Le Hegarat-Mascle, S., Bloch, I., Vidal-Madjar, D.: Application of Dempster-Shafer evidence theory to unsupervised classification in multisource remote sensing. IEEE Trans. Geosci. Remote Sens. 35(4), 1018–1031 (1997)CrossRef
15.
Asuncion, A., Newman, D.: UCI machine learning repository (2007)
16.
Liu, C., Wechsler, H.: Robust coding schemes for indexing and retrieval from large face databases. IEEE Trans. Image Process. 9(1), 132–137 (2000)CrossRef
17.
Liu, Y.T., Pal, N.R., Marathe, A.R., Lin, C.T.: Weighted fuzzy Dempster-Shafer framework for multimodal information integration. IEEE Trans. Fuzzy Syst. 26(1), 338–352 (2018)CrossRef
18.
Parzen, E.: On estimation of a probability density function and mode. Ann. Math. Stat. 33(3), 1065–1076 (1962)MathSciNetCrossRef
19.
Rosenblatt, M.: Remarks on some nonparametric estimates of a density function. Ann. Math. Stat. 27(3), 832–837 (1956)MathSciNetCrossRef
20.
Salzenstein, F., Boudraa, A.O.: Unsupervised multisensor data fusion approach. In: Sixth International Symposium on Signal Processing and its Applications, vol. 1, pp. 152–155. IEEE (2001)
21.
Shafer, G.: A Mathematical Theory of Evidence, vol. 1. Princeton University Press, Princeton (1976)MATH
22.
23.
24.
25.
Veenman, C.J., Reinders, M.J.: The nearest subclass classifier: a compromise between the nearest mean and nearest neighbor classifier. IEEE Trans. Pattern Anal. Mach. Intell. 27(9), 1417–1429 (2005)CrossRef
26.
Wand, M.P., Jones, M.C.: Kernel Smoothing. CRC Press, London (1994)
27.
Wi, H., Eibe, F.: Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kauffman (2011)
28.
Xu, P., Deng, Y., Su, X., Mahadevan, S.: A new method to determine basic probability assignment from training data. Knowl. Based Syst. 46, 69–80 (2013)CrossRef
29.
Xu, P., Davoine, F., Zha, H., Denoeux, T.: Evidential calibration of binary SVM classifiers. Int. J. Approximate Reasoning 72, 55–70 (2016)MathSciNetCrossRef
30.
Zhu, Y.M., Bentabet, L., Dupuis, O., Babot, D., Rombaut, M.: Automatic determination of mass functions in Dempster-Shafer theory using fuzzy c-means and spatial neighborhood information for image segmentation. Opt. Eng. 41(4), 760–770 (2002)CrossRef
Metadaten
Titel
Uncertainty-Aware Parzen-Rosenblatt Classifier for Multiattribute Data
verfasst von
Ali Hamache
Mohamed El Yazid Boudaren
Houdaifa Boukersoul
Islam Debicha
Hamza Sadouk
Rezki Zibani
Ahmed Habbouchi
Omar Merouani
Copyright-Jahr
2018
Buch
Belief Functions: Theory and Applications

Print ISBN: 978-3-319-99382-9

Electronic ISBN: 978-3-319-99383-6

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-99383-6_14

Premium Partner

    Bildnachweise