基于LSSVM概率输出与证据理论融合的变压器故障诊断

为了利用相对较少的故障数据样本对变压器主要故障类型进行较准确的判断,基于智能互补和数据融合的思想,提出基于最小二乘支持向量机LSSVM( least square support vector machine)概率输出与证据理论融合的故障诊断方法。该诊断方法具有以下特点：可融合蕴含变压器运行状态的多种特征信息,输出变压器各种故障的概率,为变压器检修提供更多的可用信息;充分发挥了LSSVM在小样本情况下具有较强泛化能力的优势。算例结果表明,该诊断方法的故障诊断准确率达到91.1%,优于传统的IEC三比值法(故障诊断准确率75.6%)及LSSVM分类法(故障诊断准确率82.2%),有效降低了诊断误判的风险。     

贵州省册亨县尾若金矿点地质特征及找矿方向

贵州册亨县尾若金矿产于北东向F_2断裂破碎带内,含金地层为三叠系许满组,矿化围岩为泥灰岩、泥质粉砂岩,围岩蚀变有硅化、黄铁矿化、碳酸盐化、黏土化、毒砂化、脱钙;矿体呈扁豆状、透镜状、脉状产出,矿化体(带)长200m,矿化带(体)水平厚度1.00m~5.20m,平均品位Au为0.50×10~(-6)~6.37×10~(-6)。     

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。     

结合可信度和DS证据理论的ECOC多类分类研究

针对多类目标识别问题,利用三符号纠错输出编码作为将多类分解为若干个二类问题的结构框架,用改进的证据理论作为融合策略,将每一个二分器的输出作为证据之一进行融合;同时对分类器的可信度进行估计,并将得到的信任度量值融入证据中,从而提高多类分类的正确率。实验中分别对UCI数据集和三种一维距离像数据集进行测试,结果表明本文提出的基于分类器可信度的多类目标识别方法能有效地提高复杂环境下多传感器目标识别的正确率。     

一种基于粗集的证据理论组合算法

Dempster合成规则为证据理论提供了一个有用的合成公式,但该公式在合成高度冲突的证据时,合成结果将有悖于常理．将粗集理论中属性重要度的思想引入到证据理论中,以此衡量证据的重要性,改善冲突证据的合成效果．该方法可把专家的主观判断和过去可用的知识与数据综合考虑,使群体决策得到更符合实际的结论．     

证据推理与检索数据网络安全获取

利用动态数学模型,首先给出了内-数据、外-数据与内-外数据概念,然后给出了证据推理与检索数据智能获取定理和网络数据空间与数据-证据关系定理,进而给出了检索数据的网络安全获取算法,最后给出了这些概念、理论结果的应用。     

Improvement method for the combining rule of Dempster-Shaferevidence theory based on reliability

1.INTRODUCTION DSisakindofreasoningalgorithmbasedonevidence theory.ItwasputforwardbyDempsterfirst,and developedbyShafer,soitwascalledDSevidence theory.Thealgorithmsolvedtwoproblemsofproba bility:Itcangiveaclearexpressiontoanunknown case,andthesupporttonegativesuppositionofevi dencecanbeexpressedbysomevalueiftheevidence supportsapartofsupposition.DSevidencetheoryis usedtodealwithsomeinexactinformationorinexact informationsometimes.SupposeΩistheaggregateofallprobableele mentsofvariableX…     

基于D-S证据理论的不确定数据清洗

数据清洗的任务是检测数据中存在的错误、缺失或不一致,通过删除、填充、修改等方法提高数据质量.针对存在元组级不确定性的数据表上的选择投影连接操作,基于D-S证据理论中置信区间的概念,给出辨识框架构建和置信区间计算的方法,提出了一种基于待测数据项置信区间来检测查询结果中错误数据的方法.实验结果表明,提出的不确定数据错误检测方法具有高效性、准确性和可用性.     

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。     

传感器融合技术在火灾预警探测中的应用研究

针对传统火灾报警系统存在的局限性,本文把传感器融合技术应用到火灾预警探测系统中.该系统采用传感器组探测早期火灾特征,在进行数据处理时,首先对同质传感器进行自适应加权数据融合,再对同质传感器采用D-S证据理论进行全局融合,最后得出对火灾的最优判断,很好地解决了报警灵敏度和误报率之间的矛盾.系统采取模块化设计,结构简单,容易实现等.