基于D-S证据理论的瓦斯突出危险等级评判策略

针对影响煤矿采掘工作面瓦斯突出因素的不确定性和复杂的非线性关系,在分析Dempster-Shafer(D-S)证据理论的基础上,提出瓦斯突出危险等级评判的多传感器数据融合方法;通过对传感器采集的待评判采掘面参数进行预处理,得出D-S证据理论各传感器对突出危险等级的信度函数分配,再利用D-S证据理论的合成规则得到融合后的信度函数分配,从而实现危险等级的评判。结果表明,该方法具有良好的适应性并能得到较高的精确度,在一定程度上提高了评判系统的性能。     

基于数据挖掘的瓦斯信息识别与决策

针对煤矿瓦斯状态监测的特点,提出了利用数据挖掘和信息融合相结合的方法进行瓦斯信息的识别和决策.在信息融合的特征层,数据挖掘技术利用具有自学习能力的BP神经网络建立瓦斯信息识别模型,网络输出结果作为识别结果建立特征数据库.在信息融合决策层,利用D-S证据理论对识别结果进行时间域和空间域的融合决策,对井下瓦斯状态做出判断和决策.实验结果表明,该方法可提高瓦斯监测信息的精确性和决策的正确性,提高了煤矿瓦斯监测系统的性能.     

D-S证据理论在多传感器故障诊断中的改进及应用

为了解决在多传感器信息融合处理故障诊断过程中,传统证据理论对含有冲突证据的处理结果与实际相悖的问题,介绍了传统D-S证据理论的基本构架,分析了其在处理含有高冲突的证据融合过程中将高信任度分配给小可能故障源的不足,提出了一种新的基于模糊成员函数和证据平均距离的证据调整方法,该模糊成员函数充分考虑了专家知识对基本概率分配函...     

基于信息融合的风电机组齿轮箱轴承故障诊断

针对风电齿轮箱轴承故障问题,提出一种基于信息融合将BP神经网络与D-S证据理论相结合的风电轴承故障诊断方法。首先基于大数据,挖掘SCADA(supervisory control and data acquisition)系统中与风电齿轮箱轴承故障有关的振动、温度、电流、转矩和转速信号等故障特征;然后将各信号故障特征量作为神经网络输入,将神经网络的输出归一化作为证据理论基本概率分配值(BPA值),为解决各证据之间冲突问题,采用一种基于加权的方法来改进各条证据,以减小冲突;最后利用组合规则将各条改进的证据融合,得出最终诊断结果。研究基于某风场2 MW风电机组的实际运行数据,结果表明:随着融合信号维度的增加,最终诊断结果的准确率也逐步提高,融合多维信号的可靠性明显高于单一信号。     

分布式主客观证据融合模型及其应用

为了有效地提高油田剩余油分布预测的准确率和可靠性,通过BP神经网络联合模型与两级D-S证据推理模型的优势互补进行主客观证据融合,实现了剩余油分布多属性特征的准确分类．提出了将BP神经网络分类结果的可信度及专家系统推理结论的可信度作为D-S证据推理模型输入证据基本概率赋值的有效方法．实际应用与结果分析表明了上述方法的有效性,为各类多源信息融合系统的研究和工程实现提供了示例、途径和有益的经验．     

基于D-S证据理论的岩体质量分级组合评价方法

现有岩体质量分级方法评价结果存在非一致性的问题.为此,在组合评价思想的基础上,选取多种岩体质量分级方法作为基础分级方法,建立了岩体质量分级组合评价计算模型.并考虑到D-S证据理论是一种较严谨的不确定性推理方法,其具有较强的信息融合能力,并且能够反映不同信息之间的一致性和冲突性,将其引入建立一种新的组合评价方法合成规则.然后,针对D-S合成规则需要解决确定基础分级方法基本概率分配函数这一问题,引入欧氏距离建立基础分级方法基本概率分配函数的确定方法,从而最终建立基于D-S证据理论的岩体质量分级组合评价方法.最后,工程实例分析表明,3种基础分级方法存在冲突性,但是D-S证据理论能够较好地解决这一问题.     

基于D-S证据理论的模糊聚类图像融合分割

针对模糊聚类图像分割算法的固有缺点,提出了一种基于D-S证据理论的模糊聚类图像融合分割算法。对图像的点灰度特征和块灰度特征分别进行模糊C均值聚类,并将各自的模糊隶属度转化为单一或复合假设及其基本概率赋值,再利用D-S证据理论进行融合分割。实验结果表明该算法的分割效果优于传统的模糊聚类分割算法。     

无人驾驶车在越野环境中障碍身份识别

针对无人驾驶车越野条件下的环境感知问题,基于Dempster组合规则实现了障碍目标的身份识别.首先,基于CCD和激光传感器提取5个特征作为障碍物特征证据;然后,将传感器数据转换到证据空间,选用模糊插值法求取障碍物身份隶属度进而获取相关系数;再次选择经验公式,根据障碍物类型和环境加权系数计算基本概率赋值函数;最后,基于Dempster的组合规则求得融合后的总概率赋值函数,制定决策规则并识别障碍身份.实验结果表明基于D-S证据理论识别障碍物身份具有良好鲁棒性和实时性.     

BP和D-S结合的多传感器协同目标识别推理机制

针对多传感器协同目标识别的基本概率赋值在实际应用中存在容易导致决策可信度低等难以解决的问题,提出一种基于BP神经网络和D-S证据理论的多传感器协同目标识别的推理机制。简述了BP神经网络理论和D-S证据理论,构建了目标识别推理框架,推理了算法可行性,进行了实例仿真,通过信息融合,不确定性的基本概率赋值下降到0.000 8,表明该推理机制的有效性。     

多属性决策的时间不确定事件流时序推理方法

针对信息物理融合系统时间不确定事件流调度顺序的决策依据单一问题,首先利用D-S证据理论在多证据源概率融合上的优势,充分考虑事件优先级、截止期、紧迫度、事件依赖等多个属性的影响,构建具备多属性特征的模糊结束时刻基本概率分配求解模型。然后,建立D-S证据理论与直觉模糊集的关联模型,求解模糊结束时刻隶属度与非隶属度;最后,利用直觉模糊集负向时间推理理论和相关计分函数推导模糊开始时刻概率得分,得到时序推理结果,并以此确定基于多属性判据的时间不确定事件流调度顺序。实验结果表明,当事件数量增长时,调度准确率可保持在85%以上;当模糊区间限制规模扩大时,调度准确率下降幅度不超过15%。     

GA-BP网络与D-S证据相结合的多传感器信息融合

针对反向传播(back propagation,BP)网络与D-S(dempster-shafer)证据理论各自在处理不确定性信息方面的不足,提出了一种遗传算法(genetic algorithms,GA)优化的BP网络与D-S证据相结合的多传感器信息融合方法.一方面利用GA-BP网络获取D-S证据理论所需的基本概率赋...     

GA-BP网络与D-S证据相结合的多传感器信息融合

针对反向传播(back propagation,BP)网络与D-S(dempster-shafer)证据理论各自在处理不确定性信息方面的不足,提出了一种遗传算法(genetic algorithms,GA)优化的BP网络与D-S证据相结合的多传感器信息融合方法。一方面利用GA-BP网络获取D-S证据理论所需的基本概率赋值,另一方面通过D-S证据理论对GA-BP网络的输出进行融合。将此方法应用于高压电器设备故障诊断,仿真结果表明,该方法能克服传统BP网络易陷入局部最优问题,同时具有更好的识别结果。     

基于D-S证据理论的说话人识别方法

提出一种新的说话人识别方法,即将D-S证据理论应用于说话人识别中。该方法通过抽取说话人特征,用D-S证据理论对语音特征矢量的各个分量进行数据融合,重新分配基本概率赋值,并依此得出证据可信度,从而达到识别说话人身份的目的。仿真实验证明使用D-S证据理论对说话人的识别比使用矢量量化有更好的识别效果。     

Levenberg-Marquardt神经网络在煤矿作业人员人因可靠性评价中应用研究

依据人因可靠性原理、事故致因理论,结合煤矿生产系统的特点,提出了观测可靠度的概念,确立了一系列便于统计和赋值的人因可靠性评价指标.针对人因失误事件过程的动态性、复杂性以及数据的不完整性,利用BP神经网络对非线性动态系统的自学习性和自适应性的特点,建立了基于BP神经网络的煤矿作业人员人因可靠性评价模型.运用Levenberg-Marquardt算法改进的BP神经网络,克服了收敛速度慢,容易陷入局部极小点的缺点,提高了预测精度和稳定性.对于岗位工龄短或有效记录不足的煤矿作业人员,采用BP神经网络模型进行了人因可靠性评价.评价结果表明,基于BP神经网络的煤矿作业人员人因可靠性评价方法具有较好的适用性和可行性.     

煤与瓦斯突出预测灰色理论-神经网络方法

将灰色理论-神经网络方法应用于煤与瓦斯突出预测中,利用灰色系统理论的灰色关联法确定了控制矿井煤与瓦斯突出的主控因素,并对煤与瓦斯突出主控因素进行筛选. 建立了煤与瓦斯突出危险性预测人工神经网络的数学模型和系统结构. 在平顶山八矿突出区进行了煤与瓦斯突出危险性预测应用,预测效果表明:利用灰色系统理论-神经网络方法对预测矿井煤与瓦斯突出是可行的.     

基于模糊理论和BN的燃气轮机健康状态评估方法

针对小样本条件下燃气轮机的健康状态评估问题,提出了基于模糊理论和近等式约束的贝叶斯网络的燃气轮机健康状态评估方法。用模糊理论整合专家先验知识,以近等式约束的形式将其融合到贝叶斯网络参数学习中,再通过贝叶斯网络模型得到燃气轮机健康状态。以某型燃气轮机为例进行仿真,结果表明,该型燃气轮机处于正常状态,与实际运行状态相符,验证了方法的可行性,具有一定的工程应用价值。     

基于人工神经网络的突出矿井分级方法

应用人工神经网络理论与方法建立了突出矿井分级的BP网络模型 ,并用该模型对部分突出矿井进行了突出危险等级划分尝试。结果表明 ,该方法较为简便、分级可判性强 ,用于突出矿井分级是可行的。