Application of the Transferable Belief Model to Pattern Recognition
Application du Modèle des Croyances Transférables en Reconnaissance de Formes
OPEN ACCESS
We present in this paper a new approach to Pattern Recognition based on the Transferable Belief Model, a non probabilistic interpretation of Dempster and Shafer's theory of belief functions. This method uses the formalism of belief functions to represent the information provided by the training set concerning the class of a new pattern. Various decision strategies generalizing Bayes decision theory are presented and demonstrated using a real example.
Résumé
Nous présentons dans cet article une nouvelle approche de la Reconnaissance de Formes basée sur le Modèle des Croyances Transférables, une interprétation non probabiliste de la théorie des fonctions de croyance de Dempster et Shafer. Le principe de cette méthode consiste à caractériser sous la forme d'une fonction de croyance l'information apportée par un ensemble d'apprentissage, relativement à la classe d'un nouveau vecteur. Différentes stratégies de décision avec coûts arbitraires, généralisant l'approche bayésienne, sont présentées et illustrées à l'aide d'un exemple.
Belief functions, Dempster-Shafer theory, pattern recognition, classification, decision, data fusion.
Mots clés
Fonctions de croyance, théorie de Dempster et Shafer, reconnaissance de formes, discrimination, décision, fusion de données.
[1] A. Appriou. Probabilités et incertitude en fusion dedonnées multi-senseurs. RevueScientifiqueet Technique de laDéfense,(11) :27-40, 1991.
[2] A. P. Dempster. Upper and lower probabilities induced by a multivalued mapping.Annals of Mathematical Statistics, AMS-38 :325-339, 1967.
[3] T. Denmux. An evidence-theoretic neural network classifier. InIEEE International Conference on Systems, Man and Cybernetics, volume 3, pages 712-717, Vancouver, October 1995.
[4] T. Denaux. A k-nearest neighbor classification rule based on Dempster-Shafer theory.IEEE Transactions on Systems, Man and Cybernetics, 25(05) :804813,1995.
[5] T. Denceux. Analysis of evidence-theoretic decision rules for pattern classification. Pattern Recognition 30 (7): 1095-1107, 1997.
[6] T. Denceux et G. Govaert. Combined supervised and unsupervised learning for system diagnosis using Dempster-Shafer theory. In P. Borne et al., editor, CESA'961MACSMulticonference. Symposium on Control, Optimization and Supervision, volume 1, pages 104-109, Lille, July 1996.
[7] B. Dubuisson.Diagnostic et Reconnaissancedes Formes.Hermès,Paris, 1990.
[8] R. O. Duda et P. E Hart.Pattern Classification and Scene Analysis.John Wiley and Sons, New-York, 1973.
[9] R. Kennes. Computational aspects of the Möbius transform of a graph. Technical Report TR/IRIDIA/90-13, Université Libre, Bruxelles, 1990.
[10] H. Kim et P. H. Swain. Evidential reasoning approach to multisource-data classification in remote sensing. IEEE Transactions on Systems, Man and Cybernetics,25(8) :1257-1265, 1995.
[11] G. J. McLachlan.DiscriminantAnalysis and Statistical Pattern Recognition . John Wiley and Sons, New-York, 1992.
[12] G. Rogova. Combining the results of several neural network classifiers . Neural Networks, 7(5) :777-791, 1994.
[13] G. Shafer. A mathematical theory of evidence . Princeton University Press, Princeton, N.J., 1976.
[14] P. Smets. The combination of evidence in the Transferable Belief Model. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(5) :447-458, 1990.
[15] P. Smets et R. Kennes. The Transferable Belief Model.Artificial Intelligence, 66 :191-243,1994.
[16] N. Wilson. Decision making with belief functions and pignistic probabilities. In European Conference on Symbolic and Quantitative Approaches to Reasoning and Uncertainty, pages 364-371, Granada, November 1993. Springer Verlag.
[17] L. Xu, A. Krzyzak, et C. Y. Suen. Methods of combining multiple classifiers and their applications to handwriting recognition . IEEE Transactions on Systems, Man and Cybernetics, 22(3) :418-435, 1992.
[18] L. M. Zouhal et T. Denceux.Une méthodede discrimination non paramétrique basée surlathéorie de Dempster et Shafer. InActes du Quinzième Colloque GRETSI, pages 689-692, Juan les Pins, Septembre 1995.