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Petri网与D-S证据理论的电力系统故障诊断

针对电力系统继电保护故障,利用概率Petri网对电力系统进行建模,获取有效的故障信息,并运用DS(Dempster-Shafer)证据理论对信息进行融合,得出诊断结果.针对传统D-S证据理论在处理冲突证据时会存在结果与源证据相悖的问题,在加权平均法的基础上提出一种改进的融合方法,根据各个证据到平均证据的距离与证据权重大小成反比的关系,计算每个证据的权重,再进行加权平均,最后利用D-S组合规则进行迭代计算.与传统方法相比,本文方法拥有更好的融合效果和更高的效率.仿真结果验证了改进方法的有效性.     

D-S证据理论在沼气池预警系统中的应用

探讨了D-S证据推理方法在沼气池预警系统中的应用,设计了一种适用于沼气池预警的多传感器体系结构及二级融合模型,通过对各沼气池内采集的数据进行信息融合,提出一种分析与决策的信息融合方法。     

D-S证据理论在带式输送机故障诊断中的应用

针对带式输送机存在输送距离长、运量大、速度快、使用环境恶劣等问题,基于D-S证据融合理论在处理由不知道所引起的不确定性方面具有独特优势,将D-S证据理论应用于带式输送机故障诊断中。详细论述了D-S证据理论及基于证据理论的带式输送机故障诊断过程。实验表明:D-S证据理论能有效提高诊断可信度,是一种有效的带式输送机故障诊断方法。     

D-S证据理论在目标识别中的应用

分析了D-S证据理论用于多传感器数据融合的基本概念和理论,构造了融合结构,该结构通过预处理先对单一传感器在时域上融合,再对预处理后的数据进行多传感器数据融合,实验结果证明了目标识别的基本概率赋值有了明显提高,验证了这一结构的正确性和有效性。     

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。     

机场柴油发电机组故障检测中证据理论的应用研究

机场柴油发电机组由于其结构的复杂性、故障诊断的困难性以及保障的应急性,要求在保障时能够准确识别故障并加以排除,因此,基于信息融合技术的故障诊断就成为其发展的必然.本文根据柴油机的系统特点及故障特征,利用D-S证据理论并结合实例分析了信息融合技术在判断系统状态和故障识别方面的准确性和有效性.     

基于D-S证据理论的多源信息融合方法在系留气球缆绳故障诊断中的应用研究

本文介绍了一种基于Dempster-shafer(D-S)证据理论的多源信息融合理论在系留气球缆绳故障诊断中的应用方法。分析介绍了D-S方法的基本理论、基本概率分配函数(BPA)的获取途径、组合法则和决策方法等。通过实例分析表明,该方法的应用可以大大降低原来只靠单个传感器判断的局限性和不确定性,给系留气球系统缆绳故障的判断提供了一种新的解决思路。     

基于神经网络D-S证据理论的汽轮机转子融合诊断系统研究

船用汽轮机转子作为汽轮机做功的主要部件，易发生故障．将数据融合技术应用到其故障诊断领域，采用神经网络与D-S证据理论相结合的理论方法，建立了汽轮机的融合诊断系统，对转子的几种常见故障进行诊断，在数据级上将特征量进行分类处理，能够从多方面反映系统状态，为准确诊断故障奠定了基础，特征级上采用多神经网络的方法克服了网络收敛速度慢的缺点，再经过决策级的融合计算，提高了诊断精度．通过诊断测试及对比试验证明该系统提高了汽轮机转子故障诊断的精度，并能满足诊断的实时性要求。     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S(Dempster-Shafer)证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

Modeling Multisource-heterogeneous Information Based on Random Set and Fuzzy Set Theory

This paper presents a new idea, named as modeling multisensor-heterogeneous information, to incorporate the fuzzy logic methodologies with mulitsensor-multitarget system under the framework of random set theory. Firstly, based on strong random set and weak random set, the unified form to describe both data （unambiguous information） and fuzzy evidence （uncertain information） is introduced. Secondly, according to signatures of fuzzy evidence, two Bayesian-markov nonlinear measurement models are proposed to fuse effectively data and fuzzy evidence. Thirdly, by use of ＂the models-based signature-matching scheme＂, the operation of the statistics of fuzzy evidence defined as random set can be translated into that of the membership functions of relative point state variables. These works are the basis to construct qualitative measurement models and to fuse data and fuzzy evidence.     

融合粗糙集和证据理论的车地无线通信设备故障诊断

针对车地无线通信设备故障诊断信息不一致的情况进行故障推理和诊断,提出了一种融合粗糙集与证据理论综合集成的车地无线通信设备故障诊断方法.该方法首先利用粗糙集剔除故障特征数据的冗余成分,提取互不相关的必需特征,将车地无线通信设备故障诊断问题用一个不同简化层次的故障决策网络表示,由网络节点根据定义出的规则置信度和覆盖度可推导出对应有效的故障诊断规则集合.在建立规则库的基础上,引入基于证据理论的信息融合技术,解决多传感器故障监测数据与诊断规则准确匹配的问题,建立故障推理机制,便可方便得出车地无线通信单元故障诊断结果,实例分析表明该方法能有效提高模型故障诊断能力,具有较强实用性.     

以组合故障案例为证据的一种诊断推理方法

针对单纯依靠案例特征之间的相似性进行推理、结果中将存在不确定性信息的问题,通过引入证据理论,将搜索结果中的故障模式构成目标识别框架,并基于案例之间的相似度,给定各故障模式的基本概率赋值.利用证据理论的组合规则,对搜索出的相关案例样本进行信息融合,从全局相似度中有效地分离出案例对特定故障模式的确定性信息,从而降低了推理结果中故障模式的不确定性信息.对大机组实际故障数据的应用,证明了方法的有效性,为组合故障的案例推理提供了解决思路.     

应用DS证据理论的雷达工作模式特征层融合识别

日趋复杂的战场电磁环境对雷达工作模式识别提出了更高的要求,针对传统单平台工作模式识别方法的局限性,提出了一种在多平台协同背景下基于Dempster-Shafer(D-S)证据理论的雷达工作模式特征层融合识别算法。该算法运用隶属度函数获得基本信任赋值,根据Dempster合成规则,首先对多平台侦收的同一参数数据进行多平台参数内融合,然后进行参数间融合获得合成信任度,最后依据工作模式判定规则识别雷达工作模式。通过仿真实验,多平台融合识别算法的识别率较单平台识别方法平均提高了27%,实验结果说明融合识别方法有效地提高了识别性能。     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.     

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。     

基于证据间距离和不确定性度量的证据组合方法

针对Dempster组合公式无法组合冲突证据的问题,提出了一种证据组合的权重分配方法.该方法充分考虑证据间的关系和证据本身的特性,用证据间距离度量证据间的不一致程度,用证据的不确定度来度量证据本身的不确定性;在此基础上扩展了文献[7]提出的权重确定准则,认为证据组合规则既要考虑使组合后证据与各源证据间的距离和尽量小,也要注重降低组合后证据本身的不确定性.最后根据新的准则给出了权重因子的确定算法和证据组合方法.算例表明,该方法改进了文献[7]权重分配方法的结果,且使权重分配更加灵活.     

粗糙集理论在机械故障诊断中的应用研究

为了对诊断过程中大量的宙余特征进行压缩或约简,将粗糙集理论引入到机械故障诊断过程中,提出了一种特征约简的算法,通过2个典型诊断实例对该算法进行了验证,结果表明：在保证故障分类结果基本不变的情况下,该算法可以查找出对故障分类起主作用的特征,从而达到了特征约简的目的,为粗糙集理论在机械故障诊断中的深入应用打下了基础。     

D-S证据理论在声激励与超声粘接检测中的应用

采用D-S证据理论,提出了利用声激励和超声探头检测金属与非金属粘接状态的融合方法,并进行了验证分析.实验证明,提出的方法是可行的.