采取的方法是引入模糊评价的方法，即计算结果不仅仅反映这个属于该类的程度，还反映了不属于其他类的程度，二者的叠加态。
FUML 框架概述
一句话说清区别
- (\mathbf{m})（隶属度）：只代表可能性（Possibility）——样本属于某类的程度
- (\mathbf{c})（类别可信度）：代表可能性 + 必要性的综合——既看属于某类的程度，也看不属于其他类的程度
(\mathbf{c}) 是在 (\mathbf{m}) 的基础上，用模糊集理论做了信息增强的结果。
用具体例子看区别
假设一个3分类问题，有两个样本：
| 样本 | 隶属度 (\mathbf{m}) | 含义 |
|---|---|---|
| 样本A | [0.9, 0.05, 0.05] | 很可能是类别1 |
| 样本B | [0.9, 0.8, 0.1] | 可能是类别1，但也可能是类别2 |
计算类别可信度 (\mathbf{c})
用公式2：(c_{ik} = \frac{1}{2}(m_{ik} + 1 - \max{m_{il} | l \neq k}))
样本A：
- 对类别1：(c_1 = (0.9 + 1 - 0.05)/2 = (0.9 + 0.95)/2 = 0.925)
- 对类别2：(c_2 = (0.05 + 1 - 0.9)/2 = (0.05 + 0.1)/2 = 0.075)
- 对类别3：(c_3 = (0.05 + 1 - 0.9)/2 = 0.075)
得到 (\mathbf{c}_A = [0.925, 0.075, 0.075])
样本B：
- 对类别1：(c_1 = (0.9 + 1 - 0.8)/2 = (0.9 + 0.2)/2 = 0.55)
- 对类别2：(c_2 = (0.8 + 1 - 0.9)/2 = (0.8 + 0.1)/2 = 0.45)
- 对类别3：(c_3 = (0.1 + 1 - 0.9)/2 = (0.1 + 0.1)/2 = 0.1)
得到 (\mathbf{c}_B = [0.55, 0.45, 0.1])
对比分析
| 样本 | (\mathbf{m}) | (\mathbf{c}) | 区别 |
|---|---|---|---|
| A | [0.9, 0.05, 0.05] | [0.925, 0.075, 0.075] | 变化不大，因为本来就清晰 |
| B | [0.9, 0.8, 0.1] | [0.55, 0.45, 0.1] | 大幅变化！ |
对于样本B：
- 只看 (\mathbf{m})：类别1有0.9，看起来很有把握
- 看 (\mathbf{c})：类别1只有0.55，因为类别2也有0.8，导致必要性很低
(\mathbf{c}) 更真实地反映了样本B的模糊状态——它虽然有点像类别1，但也非常像类别2，所以实际把握没那么大。
在论文中的角色对比
| 符号 | 名称 | 基于什么 | 用于什么 |
|---|---|---|---|
| (\mathbf{m}) | 隶属度 | 神经网络输出 | 计算必要性和冲突 (o) |
| (\mathbf{c}) | 类别可信度 | (\mathbf{m}) + 必要性 | 计算不确定性 (u) |
为什么不用 (\mathbf{m}) 直接算不确定性？
因为 (\mathbf{m}) 只反映了"属于某类的程度"，没有反映"不属于其他类的程度"。而 (\mathbf{c}) 综合了两者，用它算出的不确定性更准确。这正是论文的核心创新之一。
一句话总结
(\mathbf{m}) 和 (\mathbf{c}) 都是可信度，但 (\mathbf{c}) 是在 (\mathbf{m}) 基础上做了信息增强的升级版——它通过引入必要性，解决了 (\mathbf{m}) 可能高估把握度的问题。
O:冲突程度(1-余弦相似度)
u:不确定性,模糊态程度.
只有一个结果,既确定(不模糊->u小)又与其他的判断冲突低才能用到后取得融合过程中
