摘要
模糊积分（FI）基于聚合提供了一种强大的机制，用于细致聚合，特别是在集成方法或决策层融合中。该方法的主要挑战在于适当的模糊测度（FM）参数化，它捕获了被融合的单个组件及其组合的价值。
在这里，广泛使用的方法包括Sugeno-$\lambda$和可分解FM，通过从密度中外推，即与单个源关联的权重，来参数化FM，同时遵循FM的单调性约束。本文指出，这些信息通常不足以唯一识别离散FM；但展示了如何唯一确定区间值FM。
我们进一步展示，纳入超出以上内容的额外信息，例如特定FI的选择和数据集，可以获得更具体的区间值FM。
在实践中，确定经验性FM的质量并非易事。为了解决这一问题，我们展示了如何确定结果区间FM包含“理想”的可能性，即通常无形的最佳或真实数值FM，从而在给定置信水平下产生置信区间。
最后，基于一系列实验，我们实证表明，基于该FM的Choquet FI输出也可以视为“理想”信息融合结果的置信区间，为先验表征FI融合结果提供了一种新方法，并为未来的研究铺平了道路。
博主点评： 本文通过探讨模糊积分在信息融合中的应用，为理解模糊测度的参数化提供了重要见解，尤其是在如何利用额外信息提高结果准确性方面。这为未来的研究指明了方向，值得关注。