A New Conflict-Redistributing Combination Rule – Applications to Sonar Imagery and Radar Target Classification. Une Nouvelle Règle de Combinaison Répartissant le Conflit – Applications en Imagerie Sonar et Classification Rada

A New Conflict-Redistributing Combination Rule – Applications to Sonar Imagery and Radar Target Classification

Une Nouvelle Règle de Combinaison Répartissant le Conflit – Applications en Imagerie Sonar et Classification Rada

Arnaud Martin Christophe Osswald 

Page: 
71-82
|
Received: 
2 May 2006
|
Accepted: 
N/A
|
Published: 
30 April 2007
| Citation

OPEN ACCESS

Abstract: 

These last years,there were many studies on the problem of conflict coming from information fusion,especially in evidence theory.We can summarize the solutions for managing the conflict in three different approaches:first, you can try to suppress or reduce the conflict before the combination step; secondly,you can manage the conflict in order to give no influenence to the conflict in the combination step,and then take into account the conflict in the decision step; thirdly,you can take into account the conflict in the combination step.The first approach is certainly the better,but not always feasible.It is difficult to say which approach is the best between second and third.However,the most important is the produced results in applications.We propose here a new combination rule that distributes the conflict proportionally on the elements giving this conflict.We compare these different combination rules on real data in Sonar imagery and Radar target classification.

Résumé

Le problème du conflit,intrinsèque à la fusion d'informations,a poussé à de nombreuses réflexions ces dernières années,en particulier dans le cadre de la théorie des fonctions de croyance. Nous pouvons résumer les solutions apportées par trois façons de considérer le problème:premièrement,nous pouvons chercher à réduire voire supprimer le conflit avant la combinaison d'informations,deuxièmement nous pouvons gérer le conflit de façon à ce qu'il n'intervienne pas lors de la combinaison et ne le considérer que lors de la prise de décision,et troisièmement nous pouvons prendre le conflit en compte lors de l'étape de combinaison. Si la première solution paraît la meilleure elle n'est pas toujours réalisable ou suffisante. Il peut être difficile de chercher à départager philosophiquement les deux dernières stratégies. Du point de vue applicatif,seule la décision compte; c'est donc dans cette optique que nous comparons ces approches. Nous proposons ici une nouvelle règle qui a pour principe de répartir le conflit proportionnellement sur les éléments produisant ce conflit. Nous comparons les différentes règles à partir de données réelles en imagerie Sonar et en classification de cibles Radar.

Keywords: 

Belief functions,Conflict,Combination Rule,Sonar Imagery,Radar Target Classification.

Mots clés

Fonctions de croyance,Conflit,Règle de Combinaison,Imagerie Sonar,Classification de cibles Radar.

1. Introduction
2. La combinaison
3. Une Nouvelle Règle de Combinaison Répartissant le Conflit
4. Applications
5. Conclusions
  References

[1] A. APPRIOU, Décision et Reconnaissance des formes en signal, chapter  Discrimination multisignal par la théorie de l'évidence, Hermès Science Publication, 219-258, 2002. 

[2] A. APPRIOU, Approche générique de la gestion de l'incertain dans les processus de fusion multisenseur, Traitement du signal, 22: 4, 307-319, 2005. 

[3] M. DANIEL, Applications and Advances of DSmT for Information Fusion, chapter Comparison between DSm and MinC combination rules, pages 223-241,American Research Press Rehoboth, 2004. 

[4] A.P. DEMPSTER, Uper and Lower probabilities induced by a multivalued mapping, Anals of Mathematical Statistics, 38: 325-339, 1967. 

[5] T. DENOEUX, A k-Nearest Neighbor Classification Rule Based on Dempster-Shafer Theory, IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans, 25, 5, 804-813, mai, 1995. 

[6] J. DEZERT, Foundations for a new theory of plausible and paradoxical reasoning, Information & Security: An International Journal, 9, 2002. 

[7] D. DUBOIS and H. PRADE, Representation and combination of uncertainty with belief functions and possibility measures, Computational Intelligence, 4: 244-264, 1988. 

[8] M.C. FLOREA, J. DEZERT, P. VALIN, F. SMARANDACHE and A.L. JOUSSELME, Adaptative combination rule and proportional conflict redistribution rule for information fusion, in  COGnitive systems with Interactive Sensors, Paris, France, 2006. 

[9] R. HARALICK, K. SHANMUGAN and I. DINSTEIN, Textural Features for Image Classification, IEEE Transactions on System, Man and Cybernetic, 3: 610-621, 1973. 

[10] T. INAGAKI, Independence between safety-control policy and multiple-sensors schemes via Dempster-Shafer theory, IEEE Transaction on reliability, 40: 182-188, 1991. 

[11] A. JOSANG, M. DANIEL and P. VANNOORENBERGHE, Strategies for Combining Conflicting Dogmatic Belief, in International Conference on Information Fusion, Cairns, Australia, juin, 2003. 

[12] J. M. KELLER, M. R. GRAY AND J.A. GIVENS, A fuzzy k-nn neighbor algorithm, IEEE transactions on system, Man and Cybernetic, 15: 580-585, 1985. 

[13] E. LEFEVRE, O. COLOT and P. VANNOORENBERGHE, Belief function combination and conflict management, Information Fusion, 3: 149-162, 2002. 

[14] E. LEFEVRE, O. COLOT and P. VANNOORENBERGHE, Reply to the Comments of R. Haenni on the paper "Belief function combination and conflict management", Information Fusion, 4: 63-65, 2002. 

[15] LEGRIS M., LEBART K., FOHANNO F. and ZERR B., Les capteurs d'imagerie en robotique sous-marine: tendances actuelles et futures, Revue Traitement du Signal, 20(2): 137-164 2003. 

[16] A. MARTIN, Comparative study of information fusion methods for sonar images classification, in International Conference on Information Fusion, Philadelphia, USA, juillet 2005. 

[17] A. MARTIN, Fusion for evaluation of image classification in uncertain environments, in International Conference on Information Fusion, Florence, Italia, juillet 2006. 

[18] A. MARTIN and C. OSSWALD, Human Experts Fusion for Image Classification, Information & Security: An International Journal, Special issue on Fusing Uncertain, Imprecise and Paradoxist Information (DSmT), 2006. 

[19] A. MARTIN and E. RADOI, Effective ATR Algorithms Using Information Fusion Lodels, in International Conference on Information Fusion, Stockholm, Sweden, juin 2004. 

[20] E. RADOI, Contribution à la reconnaissance des objets 3D à partir de leur signature électromagnétique, PhD thesis, Université de Bretagne Occidentale, Brest, France, 1999.

[21] G. SHAFER, A mathematical theory of evidence, Princeton University Press, 1976. 

[22] F. SMARANDACHE and J. DEZERT, Information Fusion Based on New Proportional Conflict Redistribution Rules, in  International Conference on Information Fusion, Philadelphia, USA, juin 2005.

[23] PH. SMETS,The Combination of Evidence in the Transferable Belief Model, IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(5): 447-458, 1990. 

[24] PH. SMETS, Constructing the pignistic probability function in a context of uncertainty, Uncertainty in Artificial Intelligence, 5: 2939, 1990. 

[25] PH. SMETS, The α-junctions: the commutative and associative non interactive combination operators applicable to belief functions, inQualitative and quantitative practical reasoning, pages 131-153, Springer Verlag, Berlin, 1997. 

[26] PH. SMETS, Belief Functions on Real Numbers, International Journal of Approximate Reasoning, 2005. 

[27] R.R. YAGER, On the Dempster-Shafer Framework and New Combinaison Rules, Informations Sciences, 41: 93-137, 1987. 

[28] L. ZADEH, A mathematical theory of evidence (book review), AI magazine, 5(3): 81-83, 1984. 

[29] L.M. ZOUHAL and T. DENOEUX,An Evidence-Theoric k-NN Rule with Parameter Optimization, IEEE Transactions on Systems, Man, and Cybernetics - Part C: Applications and Reviews, 28(2):263-271, mai 1998.