D-S证据理论在煤矿水害预测中的应用

针对煤矿井下水灾、水害形成原因的复杂性和不确定性,应用多源数据融和技术,探讨D-S证据理论对多传感器目标识别的不精确推理方法,即通过对一些事件的概率加以约束以建立信任函数而不必究其精确关系,应用D-S证据理论将多传感器所采集到数据进行融合,并根据一定的决策规则,判断出影响煤矿井下的安全状态因子,给出煤矿井下突（透）水预测的评价模型。     

基于攻击路径图的入侵意图识别

为了预测攻击者高层次的攻击目标,感知网络的安全态势,提出入侵意图识别方法.给出入侵意图的概念及其分类,提出一种基于层次化的攻击路径图.利用攻击路径图对攻击者的意图可达性、意图实现概率、意图实现的最短路径和攻击路径预测进行定量分析.应用有向图的最小割理论制定防护措施阻止攻击者意图的实现,为管理员的决策提供依据.实验验证了该方法的可行性和有效性.     

基于D-S证据理论的自治车行为决策

在对有多个不同类传感器进行特征级融合基础上应用D-S证据理论进行自引导车的行为决策,解决了单一传感器信息冗余度小、可靠性差和单一融合方法进行行为决策存在不确定性因素的问题,在结构化或半结构化环境下,制定了采取概率上下限的决策规则,较好地将上一级融合的多个结果融合成对决策的一致描述.实验证明D-S证据理论完全可以满足自引导车实时跟踪和导航的决策需要.     

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。     

基于异类传感器的战场运动目标识别算法

利用异类传感器的互补特性,提出了一种新的运动目标识别算法:选取目标速度、第1主频、第2主频作为识别的有效特征;运用模糊推理得到目标分类信息的基本概率分配函数;把D-S证据推理和基于概率分配函数的决策相结合,获得对目标的有效识别.仿真结果证明了该算法的有效性.     

数学模型在购房决策中的应用

建立了多目标决策的数学模型,利用集对分析法对消费者购房问题进行了讨论.通过市场调查确立出影响消费者购房的五个因素,利用熵值法求出各个因素的指标权重并建立评价矩阵,确立理想方案,综合比较得到最优购房方案.通过实例分析说明了此方法的可行性,对于居民在购房决策时有一定的参考价值.     

模糊相似性及D-S理论的目标识别融合方法

由于试飞环境的复杂性和噪声干扰等因素的影响,使得对空中目标的识别存在一定的不确定性,为了提高目标识别的正确率,根据传感器对目标的测量,提取的目标特征信息,依据模糊相似性测度,得到传感器报告的信任度,以信任度作为加权系数对各测量的隶属度进行加权决策,再依据D-S证据组合规则,最终得出目标识别融合的结果.给出的方法能在复杂试飞环境中有效地识别目标.基于模糊及D-S理论的目标识别融合方法具有实现简单、运算量小和识别结果可靠等优点,具有一定的理论意义和实用价值.     

基于模糊神经网络和证据理论的瓦斯突出评判策略

针对影响煤矿瓦斯突出因素的不确定性和复杂的非线性关系,不能够利用经典的数学理论建立精确的预测模型,将模糊神经网络和D-S证据理论有机结合,提出了基于模糊神经网络和D-S证据理论的煤矿瓦斯突出危险等级评判策略.首先对传感器采集的待评判采掘面参数进行预处理,使用模糊神经网络得出第一步的融合结果,并将其进行归一化处理,归一化函数作为基本概率赋值函数,然后将归一化之后的数值作为基本概率分配值,再用D-S证据理论进行第二次数据融合,作出最终评判.实验结果表明,该方法具有良好的适应性并能得到准确性较高的评判结果.     

基于GRA和AHP的GRNN神经网络零件失效概率预测方法

为了提高对机械零件失效概率的预测精度,提出一种基于GRA和AHP的广义回归神经网络零件失效概率预测方法.在分析机械零件失效概率影响因素的基础上,首先利用灰色关联分析法(Grey Relational Analysis,GRA)分析影响机械零件失效概率的主要因素,通过层次分析法(Analytic Hierarchy Process,AHP)构建机械零件失效概率的评价指标层次体系,评估各个指标对于零件失效概率的权重;结合各个指标权重与初始值,以获取各指标的加权评价值;最后通过广义回归神经网络(Generalized Regression Neural Network,GRNN)建立以各指标加权评价值来预测机械零件失效概率的预测模型.利用本文方法所建立的预测模型对某企业数控转台的上齿盘失效概率进行预测,并与传统的GRNN神经网络预测模型、BP神经网络预测模型和回归预测模型进行对比,结果显示本文所建立的模型预测误差小于0.8%、残差在-0.2%～0.2%范围内,均优于对比模型的预测结果,表明所建立的预测模型具有更高的精度和更强的稳健性,适合于零件失效概率的预测.     

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。     

基于模糊集与改进证据理论的目标识别

在基于模糊理论目标识别基础上,通过对模糊隶属度进行重新分配,较好地克服了随机因素的影响,同时对已有的证据理论合成进行改进,将模糊集理论和改进的证据理论结合,可望进一步提高对空中目标的正确识别率.     

基于粗糙集和D-S证据理论的交通拥堵预警

鉴于拥堵预警中的信息和知识具有随机性和不确定性、采集到的数据又常常包含着噪声的特点,利用粗糙集能够对数据进行分析和处理,D-S理论能够分析各种不完备信息的特点,提出了一种算法——基于粗糙集和D-S理论,计算交通可能发生拥堵的概率,为交通拥堵预警提供分析与支持.仿真结果表明该方法是可行而且有效的.     

基于D-S证据理论的多传感器多特征目标识别

 传统多传感器环境下的目标识别方法主要有两种：利用多传感器获得的数据进行数据融合、利用每个传感器信号的特征向量进行特征融合。但这两种方法均存在目标识别精度不高的问题。针对这一问题,本文提出了一种基于D-S 证据理论两次组合规则的融合方法。该方法在提出多传感器目标识别系统模型的基础上,运用D-S 证据理论对单传感器的多特征信息进行数据融合;根据传感器接收信号信噪比来确定传感器可信度,将该可信度作为D-S 证据理论组合规则中的证据权值,以此来完成目标识别。本文提出的方法综合考虑了传感器的多特征信息和传感器的可信度,克服了传统的D-S 证据理论对证据冲突处理能力有限的缺陷。实验结果表明,该方法具有较高的正确性和有效性,提高了目标识别的精度。     

Analysis of early-warning threshold for metro construction collapse risk based on D-S evidence theory and rough set

The existing early-warning system in metro construction are generally based on traditional single-sensor data and simple analytic model, which makes it difficult to deal with the complex and comprehensive environment in metro construction. In this paper, the framework of early-warning threshold for metro construction collapse risk based on D-S evidence theory and rough set is built. By combining the primary data fusion collected based on rough set with the secondary data fusion which is based on D-S evidence theory, the integration of multiple information in metro construction is realized and the risk assessment methods are optimized. A case trial based on Hangzhou metro construction collapse accident is also carried out to exemplify the framework. The empirical analysis guarantees the completeness and independence of the prediction information, and realizes the dynamic prediction of the variation trend of metro construction collapse risk.     

基于视觉的人机协同的用户操作意图预测

提出了一种自然交互方式的用户操作意图的预测算法。通过采集人体骨骼数据,建立人体手臂运动模型。采用机器视觉方式提取目标物体的特征值并建立意图模型。采用层次分析法对表达用户意图的主导因子进行权重匹配。该算法采用并行处理的方法对用户意图进行预测。通过相关实验,验证了预测算法的可靠性,该算法有助于提高人机交互的效率。     

基于用户购买意愿力的协同过滤推荐算法

针对网购行为中商品浏览量排名靠前而销量滞后的问题, 在用户购买意愿力的基础上, 提出一种增强评分矩阵协同过滤推荐算法. 首先, 利用惩罚因子作为增强型矩阵的评价权重, 加权表征用户购物意愿力的商品画像, 取得增强型矩阵的预测评分; 其次, 融合以基于项目的协同过滤推荐, 建立由潜在兴趣商品间的项目相似度矩阵得到的基础型评分矩阵; 最后, 以TOP-N结果向购买意愿较强的目标用户推荐排名靠前的商品. 实验结果表明: 与传统基于项目的协同过滤推荐算法相比, 增强评分矩阵协同过滤推荐算法的推荐准确率提升2.48%, 召回率提升4.31%, 综合值F₁提升3.19%, 从而有效解决了用户感兴趣商品排名靠后, 且不被购买或购买次数较少的问题, 以达到购买意愿力较强、 目标用户更准的推荐宗旨, 进而提高推荐精度.     

云计算环境中移动网络低匹配度异质信息入侵感知预测算法

针对传统灰色神经网络组合预测算法对网络中入侵信息预测时, 缺乏对低匹配度异质信息的预处理过程, 未对信息入侵攻击意图进行预测, 存在预测准确率低以及入侵防御性能差等问题, 提出一种新的云计算环境中移动网络低匹配度异质信息入侵感知预测算法, 通过灰色模型对初始网络低匹配度异质信息进行预处理. 先采用基于元路径的低匹配度异质信息入侵感知预测算法得到入侵攻击意图矩阵, 再根据该矩阵获取入侵攻击意图函数关系, 实现低匹配度异质信息入侵攻击意图预测. 仿真实验结果表明, 该算法可全面预测信息入侵的意图和过程, 对入侵信息节点防御成功率约为85%, 误警率和漏警率较低, 并具有较高的预测精度.     

云计算环境中移动网络低匹配度异质信息入侵感知预测算法

针对传统灰色神经网络组合预测算法对网络中入侵信息预测时, 缺乏对低匹配度异质信息的预处理过程, 未对信息入侵攻击意图进行预测, 存在预测准确率低以及入侵防御性能差等问题, 提出一种新的云计算环境中移动网络低匹配度异质信息入侵感知预测算法, 通过灰色模型对初始网络低匹配度异质信息进行预处理. 先采用基于元路径的低匹配度异质信息入侵感知预测算法得到入侵攻击意图矩阵, 再根据该矩阵获取入侵攻击意图函数关系, 实现低匹配度异质信息入侵攻击意图预测. 仿真实验结果表明, 该算法可全面预测信息入侵的意图和过程, 对入侵信息节点防御成功率约为85%, 误警率和漏警率较低, 并具有较高的预测精度.     

基于D-S证据理论的多源遥感图像目标数据联合关联算法

以遥感图像目标识别结果为主,结合卡尔曼滤波器获得的目标运动状态估计结果,提出一种基于D-S证据理论的目标数据联合关联算法.蒙特卡罗模拟实验结果表明,该方法稳定性较强,适合于对海上船舶等遥感图像目标的持续跟踪.