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。     

基于位置子市场划分的房价贝叶斯概率模型

针对方案属性值为Vague值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague集模糊熵和D-S证据理论的多属性群决策分析方法。该方法充分考虑各专家给出的Vague值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足。首先,基于各专家原始决策矩阵获得各属性下的Vague集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案。利用证据理论在不确定信息融合方面的优势和Vague集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观、合理,并通过一个具体算例验证了所提方法的可行性和有效性。     

基于Vague集模糊熵和D-S证据理论的多属性群决策方法

针对方案属性值为Vague值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague集模糊熵和D-S证据理论的多属性群决策分析方法。该方法充分考虑各专家给出的Vague值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足。首先,基于各专家原始决策矩阵获得各属性下的Vague集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案。利用证据理论在不确定信息融合方面的优势和Vague集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观、合理,并通过一个具体算例验证了所提方法的可行性和有效性。     

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.     

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...     

基于D-S证据信息融合方法的全地形车行驶工况辨识

磁流变阻尼器的全地形车智能悬架可以使车辆面对不同行驶工况下提供更好的减振效果,为了解决在传感器存在噪声或异常等情况下车辆行驶工况辨识困难的问题,文中提出了一种基于D-S(Dempster-Shafer)证据理论的多传感器信息特征值的融合技术提高行驶工况辨识的准确性。通过改进的距离评估方法对全地形车行驶工况的传感器敏感特征值进行了提取和筛选,采用区间估计将传感器的噪声和异常值当做不确定性信息。利用D-S合成对特征层的辨识结果进行决策层融合,基于可行区间的决策规则完成对车辆行驶工况的辨识。最后使用Carsim整车仿真试验平台,验证了基于D-S证据理论的决策层融合方法的有效性。     

一种有效处理冲突证据的DS改进算法

D-S证据理论是一种处理数据不确定性的经典方法,但是,在数据所受干扰很大的情况下,其所得融合结果常常与常识相悖。基于对D-S证据理论完备性的分析,提出了一种新的证据组合方法,该方法引入证据可信度概念,利用证据之间的相容性和互斥性,将证据分为可信部分和不可信部分分别进行处理,最后用D-S证据理论融合信息。相较于其他方法,该方法在不改变D-S融合规则的前提下,解决了D-S理论在证据高度冲突情况下无法使用的问题,提高了D-S证据理论融合结果的准确性。     

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。     

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。     

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。