Comparison of the new improved combination approach that deal with conflict data with Yager’s solution approach

  • Sofiia Alpert Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine
Keywords: Dempster’s combination rule, evidence theory, Yager’s solution approach, conflicting bodies of evidence

Abstract

Dempster-Shafer evidence theory is the most effective approach to process imprecise and incomplete information. But Dempster’s combination rule can not deal with conflicting data and can lead to illogical results. That’s why the combination of conflicting bodies of evidence is one of the most difficult problems. Yager’s solution approach can process conflicting data, but correlation among evidences is not taken into account. It was proposed a new combination method, that uses correlation among different bodies of evidence and give accurate results.

References

Аковецкий В. И. (1983). Дешифрирование снимков. Москва: Недра. 320 с.

Альперт С. І. (2013). Оцінка точності класифікації космічних зображень на основі теорії Демпстера-Шафера. Збірник праць XI-ої Міжнародної молодіжної науково-практичної конференції “Історія розвитку науки, техніки та освіти” за темою “Розбудова дослідницького університету”, (Київ, 25 квітня 2013 р.). Київ. С. 242–245.

Альперт С. І. (2017). Новий удосконалений підхід до комбінування даних на основі теорії Демпстера-Шейфера. Збірник матеріалів VII-ої Всеукраїнської молодіжної наукової конференції “Ідеї та новації в системі наук про Землю”, (Київ, 25–27 жовтня 2017). — Київ. С. 26–27.

Кочуб Е. В., Топаз А. А. (2012). Анализ методов обработки материалов дистанционного зондирования Земли. Вестник Полоцкого государственного университета. 132 с. https://elibrary.ru/item.asp?id=23721200

Кузнецов А. В., Мясников В. В. (2014). Сравнение алгоритмов управляемой по элементной классификации гиперспектральных изображений. Компьютерная оптика. Т. 38. №3. С. 494 – 502. https://cyberleninka.ru/article/v/sravnenie-algoritmov-upravlyaemoy-poelementnoy-klassifikatsii-giperspektralnyh-izobrazheniy

Лурье И. К., Косиков А. Г. (2003). Теория и практика цифровой обработки изображений. Москва: Научный мир. 356 с. https://www.twirpx.com/file/2101093/

Лялько В. И., Федоровский А. Д., Попов М. А. (2004). Использование данных спутниковой съемки для изучения природоресурсных проблем. Космічні дослідження в Україні 2002–2004. Київ. С. 2–14.

Марченко Н. А., Авраменко А. К. (2008). Методика классификации объектов по данным дистанционного зондирования Земли. Системный анализ, управление и информационные технологии. Научное периодическое издание. Харьков: Харьковский политехнический институт. Вип. №26. С. 145–149. http://repository.kpi.kharkov.ua/handle/KhPI-Press/30205

Попов М., Рябоконенко О., Петроченко О. (2003). Підхід до класифікації стану лісових ресурсів по багатоспектральних космічних зображеннях на основі принципу злиття даних та використання елементів ГІС-технологій. Ученые записки Таврического национального университета им. В. И. Вернадского, сер. География. Т. 16 (55). №2. С. 142–150.

Попов М., Станкевич С. (2006). Методы оптимизации числа спектральных каналов в задачах обработки и анализа данных дистанционного зондирования Земли. Современные проблемы дистанционного зондирования земли из космоса. Т. 2. №1. С. 61–63. https://docplayer.ru/26716070-Metody-optimizacii-chisla-spektralnyh-kanalov-v-zadachah-obrabotki-i-analiza-dannyh-distancionnogo-zondirovaniya-zemli.html

Попов М. (2002). Шляхи отримання космічної інформації в інтересах національної безпеки та оборони. Наука і оборона. №2. С. 38–50.

Chang C. I. (2013). Hyperspectral Data Processing: Algorithm Design and Analysis. Hoboken, NJ: John Willey & Sons. 1164 p. http://doi.org/10.1002/9781118269787

Gong P. (1996). Integrated Analysis of Spatial Data from Multiple Sources: Using Evidential Reasoning and Artificial Neural Network Techniques for Geological Mapping. Photogrammetric Engineering and Remote Sensing. Vol. 62. № 5. P. 513–523. https://pdfs.semanticscholar.org/5c0f/279b94216b6869fb89b66e179ebe14befe18.pdf

Lein J. K. (2003). Applying evidential reasoning methods to agricultural land cover classification. Int. Journal of Remote Sensing. Vol. 24. № 21. P. 4161– 4180. https://doi.org/10.1080/0143116031000095916

Mertikas P., Zervakis M. E. (2001). Exemplifying the Theory of Evidence in Remote Sensing Image Classification. Int. Journal of Remote Sensing. Vol. 22. №6. P. 108–1095. https://doi.org/10.1080/014311601300074621

Popov M. A., Topolnitskiy M. V. (2014). A Dempster-Shafer evidence theory-based approach to object classification on multispectral / hyperspectral images. Proceedings of the 10th International Conference IEEE on Digital Technologies (DT’2014). Zilina, Slovakia, 9–11 July 2014. P. 296 –300. https://doi.org/10.1109/dt.2014.6868729

Smets P., Henrion M., Shachter R. D., Kanal L. N., Lemmer J. F. (1990). Constructing the pignistic probability function in a context of uncertainty. Uncertainty in Artificial Intelligence. North Holland, Amsterdam, Vol. 5. P. 29–40. https://doi.org/10.1016/b978-0-444-88738-2.50010-5

Section
Techniques for Earth observation data acquisition, processing and interpretation