冲突证据的D-S改进算法在容量评估中的应用

为了准确地评估机场容量,考虑评估中证据冲突时D-S证据理论的完备性,提出了一种新的证据组合方法,并引入到动态容量评估中。该方法不改变D-S证据理论的融合规则,引入证据可信度的概念。基于证据间存在的相容性及排斥性,把证据分为可信部分和不可信部分并分别进行数据处理,运用D-S证据理论融合数据。由此建立基于处理冲突证据的D-S改进算法机场动态容量预测模型,并将该模型应用在国内某机场的动态容量预测过程中进行验证。实验结果表明:该方法可以有效处理容量评估过程中的冲突证据,优化后的可信度提高了0.166 9,降低了评估过程中的主观性和空中交通管理决策的风险。     

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。     

基于证据理论和Vague集的目标识别研究

提出了一种基于D-S证据理论和区间Vague集合的多传感器数据融合算法。D-S证据理论是一种灵活处理不确定和不完全信息的数学方法;而Vague集采用区间测度,可以同时表达对目标支持和反对两方面的信息;而且允许检测信息存在一定的不确定性。将D-S证据理论和Vague集结合,提出一种多传感器数据融合方法。仿真结果表明方法具有可行性,并具有处理目标检测信息不确定性的特点。     

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。     

融合支持度和不确定度的D-S证据理论及应用

为解决Dempster-Shafer (D-S)证据理论在处理冲突证据时,融合结果与事实相悖的问题,提出了一种新的冲突证据组合方法。首先,对Spearman相关系数进行改进并计算证据间的支持度,对原证据体进行第一次修正;然后,结合基于定积分的区间距离的优势,针对证据的不确定度进行分析,确定了新的折扣系数,对原证据体进行二次修正;最后,使用Dempster组合规则得到融合结果。算例分析表明,所提方法能有效地融合冲突证据,较经典改进算法有较高的基本概率分配。将所提方法用于碳/碳复合材料沉积数据,建立了一种基于改进D-S证据理论的碳/碳复合材料沉积质量预测模型,较几个经典分类器和已有的基于D-S证据理论的预测模型准确率提高了5%～13%,验证了方法的有效性。     

多传感器信息融合的智能故障诊断

针对传统故障诊断方法只利用单一参数对复杂系统进行诊断具有信息不完备和不确定性的问题,提出了一种基于PCA和D-S证据理论的多传感器信息融合故障诊断方法.该方法基于PCA对信息融合的多维数据进行降维处理,并利用证据理论实现对非精确信息的正确推理,解决了信息融合数据的组合爆炸问题,从而得到精确的诊断结果.将该方法应用于火电机组的汽包锅炉给水控制系统故障诊断中,实现了对控制系统中主要参数的故障检测,有效提高了控制系统工作的可靠性.     

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。     

基于信息融合的校车自动变速器故障诊断新平台与方法

为保证校车安全,在强电磁干扰环境下实现高速大容量的数据传输、信息融合与故障诊断,建立了基于光纤CAN(Controller Area Network)网络的数据通信和信息融合的故障检测综合平台,通过该平台实现了节点中各传感器数据的实时采集和融合诊断处理.将BP神经网络(BPNN)和D-S(Dempster-Shafer)证据进行有机结合,然后将BPNN的初级诊断结果处理后,作为D-S证据的基本可信度分配,诊断结论通过D-S二次融合后输出.采用该方法在校车自动变速器的故障诊断中进行实验,结果表明,该平台具有很高的可靠性,且该融合诊断方法能够对故障数据的冗余和互补信息进行有效的处理,引入BPNN和D-S证据之后,综合诊断结果的准确性和可靠性比单一神经网络有了很大的提高.     

针对证据冲突状态的图像融合技术

为解决D-S（Dempster-Shafer）证据理论在较大证据冲突下的结果失效问题,根据最大信息熵原理,提出一种基于马尔可夫过程的证据冲突处理方法.当证据间表现出冲突特性时,通过马尔可夫过程平稳分布获得冲突证据的一致性输出,再与后续证据进一步融合,获取客观科学的融合结果.红外序列图像融合仿真表明：提出的融合方法的收敛性与融合结果均优于经典D-S证据理论,对消除证据融合过程中的主观因素起到一定的作用.     

基于偏差的冲突证据融合的改进方法

在Dempster-Shafer(D-S)证据理论中,传统D-S组合规则在证据高度冲突时存在失效问题,会产生与常理相悖的结论.为此,文中提出了一种改进的处理冲突证据的融合方法,即通过计算各证据到命题平均支持度的偏差,来检测和消除冲突证据,并对最后结果进行修正,以合成来自不同识别框架的证据.计算实验结果表明,该方法能有效处理冲突,得到符合实际的组合结果,相对于其他典型算法,该方法在收敛性和可靠性上有明显改进.     

D-S证据理论在炮兵战场电磁辐射源识别中的应用

采用D-S证据理论的数据融合方法解决炮兵战场电磁辐射源识别问题。阐述了D-S证据理论用于多传感器数据融合的基本概念、合成法则、一般步骤及决策准则。与单传感器单周期的目标识别结果相比较,多传感器多周期的方法能显著提高目标识别能力,并将它应用于炮兵战场电磁辐射源识别的数据融合中解决了问题,试验结果证明了该方法的正确性和有效性。     

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.     

存在证据冲突的临近空间飞行器遥测数据相关性评价与融合方法

为了解决单一的相关性分析方法在分析临近空间飞行器遥测数据时存在局限性以及证据冲突问题,在相关系数分析评价与优势组合的基础上,提出了基于支持因子的证据理论融合算法。首先分别利用Pearson相关系数、Spearman相关系数与距离相关系数对遥测数据进行相关性评价分析,表明3种相关系数可优势互补。其次,建立了基于支持因子的证据理论融合算法,实现证据的冲突基本概率赋值函数分配,避免Dempster-Shafer证据理论(D-S证据理论)的一票否决和合成规则失效问题。最后,利用3种相关系数构造相关性证据并开展遥测数据相关性分析实验。结果表明：基于支持因子的证据理论融合方法能使Pearson相关系数、Spearman相关系数与距离相关系数的证据融合更加合理;在证据冲突大的情况下,相比相容系数的证据理论融合方法,相关概率计算结果准确度提高约6.55%,能更有效地处理证据冲突问题。     

D-S算法在信息融合中的研究与实现

多传感器的信息融合处理需要对目标进行有效识别仍是目前备受关注的问题之一,D-S证据理论作为一种重要的融合算法已被广泛应用。本文对D-S算法在目标识别问题中进行了较全面深入的研究,并从信息融合角度对D-S证据理论进行了实现和验证。     

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D-S证据理论和RBF网络的航空发动机叶片损伤图像识别技术研究

针对航空发动机叶片损伤图像采集过程中存在的不确定性因素及单一RBF网络或D-S证据理论在叶片损伤图像识别中存在的不足,提出一种基于D-S证据理论和RBF网络相融合的决策级信息融合损伤图像识别算法。首先,用RBF网络对损伤图像进行初步识别;然后,将RBF网络识别输出结果作为D-S证据理论的基本可信度分配;最后,利用D-S联合规则进行合成,得出最终识别结果。通过单一优化RBF网络的图像识别结果和融合识别结果的对比分析,证明了该方法在航空发动机叶片损伤图像识别方面的优越性。     

D-S证据推理及算法实现

D-S证据理论在多源信息数据融合领域得到广泛应用,针对该理论的实现算法也逐渐为人关注。本文首先简要分析了D-S证据推理的基本理论,然后以一具体示例描述了D-S算法的推理过程,最后基于微软最新推出的.NET平台,利用C#编程语言实现了D-S证据推理算法。     

鲁棒性证据理论的煤层底板突水预测

为解决证据理论存在的鲁棒性差、证据源冲突程度过大时融合结果不佳等问题.提出了一种鲁棒性证据理论,该理论所具有的鲁棒性弥补了D-S证据理论的不足,使冲突证据源合成结果更理想,鲁棒性更强.并将鲁棒性证据理论与多神经网络相结合建立了一种煤层底板突水预测模型,实验结果表明:所提出的基于鲁棒性证据理论的突水预测模型较已有的基于D-S证据理论的突水预测模型预测结果准确率相对更高,效果更好.     

基于D-S证据理论的柴油机故障诊断

D-S证据理论已经广泛应用于各种故障诊断中,但基本概率分配是证据理论的重要一步.运用典型样本的数据融合方法对柴油机供油系统的3种故障进行诊断,避免了D-S证据理论应用中基本概率赋值难以分配的问题,减少了方法的主观性.实践结果表明,该方法可以有效的判别出柴油机故障类型,具有工程实用价值.     

考虑传感器置信度的改进D-S证据合成算法

为了解决多源信息融合识别算法中传统Dempster-Shafer(D-S)证据理论极少考虑传感器对融合结果产生影响的问题,提出一种考虑传感器置信度的D-S证据合成算法。首先建立传感器与参考传感器关于任一特征的置信距离,通过置信距离修正传统灰关联分析法的关联系数,从而计算传感器置信度;然后通过证据间的相似性定义任一特征所得证据的全局冲突系数,将全局冲突系数与传感器置信度相结合,定义了一种传感器所得证据可用度的计算方法;最后根据证据可用度对传统D-S证据理论进行修正,提出一种新的证据合成规则。仿真及实验数据表明,相比已有算法,新算法的目标识别率更高,对证据冲突的处理更有效。