基于AdaBoost-RBF算法与DSmT的变压器故障诊断技术

针对目前浅层机器学习理论在变压器故障诊断上精度不高以及大多数诊断方法参考的信息特征量单一的现状,提出一种基于AdaBoost-RBF算法与Dezert-Smarandache理论(DSmT)的变压器故障诊断方法。选择反映变压器故障信息的油中溶解气体、试验及产气率数据构成诊断参量空间,利用AdaBoost算法改进RBF神经网络算法,应用AdaBoost-RBF算法搭建并行的训练单元构造变压器故障诊断识别框架的基本信度赋值(BBA)。基于多源信息融合的思想,应用DSmT对基本信度赋值进行融合得到最终诊断结论,该理论克服了D-S证据理论无法融合高冲突性证据的局限性。对110kV变压器进行仿真实例分析,结果表明所提方法具有良好的实用性。

一种改进的DSmT及其在目标识别中的应用

与D-S理论相比,DSmT可以很好地解决证据矛盾时的证据组合问题,但是DSmT在很多情况下主焦元mass函数难以收敛。在标准DSmT的框架下,将其融合后的mass函数进行重构,从而提出一种改进的DSmT,该算法的主焦元mass函数可以快速收敛。在进行二维飞机序列图像的目标类型识别中,该改进DSmT进行迭代运算,可使主焦元的mass值快速收敛到指定的阈值,以便完成准确的目标识别。

DSmT理论在综合敌我识别中的应用

战场环境的复杂性要求使用多种传感器对战场目标进行综合敌我识别,而综合敌我识别有待解决的基础性难题之一是如何对异类传感器输出的不确定性信息进行有效处理。针对一包含雷达、红外、电子支援措施和敌我识别器等传感器的综合敌我识别系统,对异类传感器敌我识别过程进行分析,根据其特点提出采用DSmT理论进行决策级融合,同时针对每类传感器构造不同的基本置信指派方法,并进行了算法仿真。实验结果证实了该方法的有效性。

基于DSmT的多传感器目标识别

在总结已有的冲突证据合成方法的基础上,提出了基于DSmT的多传感器目标识别方法。仿真表明,DSmT在系统存在伪证据(干扰)时仍然能够有效快速地识别出目标。

一种基于加权DSmT的序列图像目标识别方法

通过对自动目标识别系统研究与分析,将DSmT引入到飞机序列图像识别中,构建基本置信指派及分类规则,提出了一种基于加权DSmT的序列图像目标识别方法,在分析权值选择特点的基础上,根据特征信息的置信指派组合有效权值,并且给出了基于加权DSmT融合规则的序列图像目标识别的流程,仿真结果表明,该方法提高了序列图像目标识别的准确性。

一种基于DSmT和HMM的序列飞机目标识别算法

针对姿态多变化的飞机自动目标识别中的低识别率问题,提出了一种基于DSm T(Dezert-Smarandache theory)与隐马尔可夫模型(Hidden Markov model,HMM)的飞机多特征序列信息融合识别算法(Multiple features and sequential information fusion,MFSIF).其创新性在于将单幅图像的多特征信息融合识别和序列图像信息融合识别进行有机结合.首先,对图像进行二值化预处理,并提取目标的Hu矩和轮廓局部奇异值特征;然后,利用概率神经网络(Probabilistic neural networks,PNN)构造基本信度赋值(Basic belief assignment,BBA);接着,利用DSm T对该图像的不同特征进行融合,从而获得HMM的观察值序列;再接着,利用隐马尔可夫模型对飞机序列信息融合,计算观察值序列与各隐马尔可夫模型之间的相似度,从而实现姿态多变化的飞机目标自动识别;最后,通过仿真实验,验证了该算法在飞机姿态发生较大变化时,依然可以获得较高的正确识别率,同时在实时性方面也可以满足飞机目标识别的要求.另外,在飞机序列发生连续遮挡帧数τ≤6的情况下,也具有较高的飞机目标正确识别率.

基于DSmT的序列图像智能融合目标识别方法

提出了一种基于BP神经网络和DSmT推理的序列图像目标识别算法。以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理。由BP神经网络对目标的初步识别结果构造基本置信指派函数,用DSmT组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真。仿真结果表明,融合方法提高了三维飞机目标识别的准确性。

DST与DSmT自适应融合算法

与DST相比,DSmT可以很好的解决证据矛盾时的证据组合问题,但是DSmT计算量过大,且在低冲突情况下融合结果次于DST。文章在DST和DSmT的基础上提出一种将两种融合方法结合使用的融合算法――DST与DSmT自适应融合算法。以冲突率作为判决依据,在冲突率较低情况下采取DST融合算法,当冲突率高于一定阈值时采用DSmT融合算法,并给出了DST和DSmT之间转化的方法。在进行三维飞机序列图像的目标类型识别中,采用本文提出的自适应算法进行迭代运算,可以快速准确地进行目标识别。

基于DSmT的移动机器人地图构建及传感器管理

针对智能移动机器人探测未知环境的问题,引入了一种新的信息融合方法DSmT(Dezert-Smarandache Theo-ry),采用栅格地图,并根据声纳在DSmT框架下的数学模型,利用经典DSm模型构造了一组能自动调节误差范围的声纳基本信度赋值函数(gbbaf),以处理未知环境下声纳获取的不确定和不精确信息,甚至于高冲突信息。提出了简单有效的传感器管理方法,完全消除了复杂环境下声波的多次反射和串扰现象。最后,用Pioneer 2-DX机器人分别进行了DSmT和DST(Dempster-Shafer Theory)两种算法的地图构建实验,并绘制了相应的二维基本信度赋值地图。将DSmT与DST构建出的环境地图做比较,充分验证了DSmT及提出的传感器管理方法在未知环境下的有效性,为处理动态高冲突信息提供了有力的理论依据。

一种新的基于DSmT的合成公式

DSmT是一种有用的不确定推理方法,能较好地解决强冲突情况下的信息融合问题。由于其在组合规则方面存在不足,影响了DSmT的应用。提出了一种新的合成方法,即在保留冲突焦元的基础上对支持证据冲突的概率进行重新分配。仿真分析表明,新的合成公式提高了目标识别的准确性,对于高度冲突的证据,也能够取得理想的合成结果。

WSN中基于DSmT的车辆识别方法研究

车辆识别技术是无线传感器网络(wireless sensor network,WSN)智能交通应用中的关键技术.由于实际部署环境的复杂性,由传感器节点获取的信息往往有一定的不确定性,而且不同信息之间会有冲突发生.通过分析实测数据,引入Dezert-Smarandache Theory(DSmT)推理理论,提出一种新颖的物理量构造基本信任指派模型,融合车速与传感器对车辆的响应强度信息,从而获得机动车与非机动车等车型信息.实验结果证实了所构建的基本信任指派模型的可行性以及基于DSmT的车辆识别方法的高效性.通过与基于DST的车辆识别的结果进行比较,发现DSmT方法在处理高冲突性信息方面具有更好的性能.

基于DSmT和模糊综合评判的健康状态评估方法

针对现有健康状态评估方法主观性较强,准确度不高等问题,提出一种基于DSmT理论和模糊综合评判的健康状态评估模型;首先,确定评估对象的评价指标体系,对采集的原始数据进行预处理;然后利用模糊综合评判理论确定广义基本信度赋值;接着采用DSmT融合规则对广义基本信度赋值合成,得到健康状态等级;对于多级的系统评估,可将融合后的结果作为新的广义基本信度赋值进行DSmT融合;实例验证表明,该状态评估模型能够准确有效地实现对系统的健康状态评估,而且能够克服高冲突证据的融合问题,具有良好的应用价值。

基于DSmT的通侦信息融合

针对通侦信息不确定性、不完整性、模糊性和多变性等的特点,提出了基于DSmT方法的通侦信息融合模型。对融合问题进行了完备性描述,且引入完整性约束,实现了对通侦信息的动态融合,适应随时变化的战场信息。融合信息的多变性和冲突性得到了有效处理,同时降低了信息的不确定性、不完整性和模糊性。实验表明该方法可得到比较有价值和较高可信度的结论。

基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断

针对滚动轴承早期故障特征微弱且难以有效辨识的问题,提出一种基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断方法。利用多个传感器采集轴承在不同故障模式下的声振信号,将每个信号通过VMD分解得到K个IMF分量;对各个IMF分量进行特征提取,构建各个特征的数据集矩阵;利用tSNE将各特征数据集矩阵降维至二维,计算平均轮廓系数(ASC);根据ASC大于临界值提取出声振故障信号的敏感特征;基于诊断模型实现轴承故障的初级诊断;利用DSmT将声振信号初级诊断结果进行融合决策,得出最终的诊断结论。实验结果表明:基于tSNE-ASC的特征选择方法能有效提取混合域特征中的敏感特征,在不同工况、不同诊断模型中均具有很高的诊断精度;DSmT决策融合有效降低了单一信号诊断的不确定性,在变载荷和升降速非平稳工况下均有很高的诊断精度。

改进的DSmT算法及其在C^4ISR系统中的应用

提出了一种基于DSmT的快速mass函数收敛算法。在工程应用中,由于矛盾焦元在决策时没有实际意义,所以在证据融合时,只计算由辨识框架元素形成的焦元与未知焦元的基本置信指派,而不需要计算矛盾焦元的基本置信指派。这样能够有效地降低计算复杂度,并提高mass函数的收敛速度。将该算法作为雷达辐射源识别的方法应用到了C4ISR系统中,仿真表明,该方法比传统方法在高冲突情况下可以更准确、更快速地识别雷达目标。

结合DSmT理论和系统建模的知识融合算法

目前国内外常用的一种知识融合算法是DS证据理论,但这种方法受到单一故障假设的条件限制,应用范围受限。所以,提出了一种使用DSmT混合组合规则与系统建模方法的全新的知识融合算法,这样即解决了DS理论的单一故障假设的限制,又避免了自由DSmT只适用于不考虑排斥性约束和非存在性约束的条件限制,使得算法的应用范围更广。

基于DSmT与粒子滤波的多传感器融合

为实现多传感器对机动目标状态的跟踪,提出一种基于DSmT与粒子滤波的多传感器融合算法。在各传感器利用粒子滤波方法处理观测数据的基础上,运用DSmT作为融合工具,将观测数据转化为辨识框架内的元素及其mass值,得到最终融合结果。实验结果表明,该方法可减小距离误差,提高跟踪精度,且运算复杂度能满足在线实时融合的要求。

基于DSmT的DEMATEL改进新方法

原始DEMATEL方法及其改进方法,一方面存在因正规化影响矩阵的无穷次幂可能并不收敛而导致方法在某些情况下失效的问题,另一方面也存在因语言标度之间并不相互独立而不能使用Dempster规则对专家推断信息进行直接融合的问题。为了解决上述问题,以Lee和Tzeng提出的改进DEMATEL方法为研究对象,结合语言评估标度和证据理论中的基本信度分配函数构建了具有柔性表达优势的专家推断信息提取机理,通过引入DSmT组合规则提出了能够对所有专家推断信息进行有效集成的融合机理,并在此基础上给出了DEMATEL改进新方法的具体步骤,应用一个模拟案例分析了提出的方法更具科学性和普适性。

DST与DSmT自适应融合算法研究

针对DST与DSmT在不同的冲突情况下,融合效果各有优劣,提出综合利用DST与DSmT进行信息融合。在对不同融合算法进行分析之后,提出将部分冲突信息根据DSmT进行重新分配,剩下的冲突信息根据DST进行归一化,并采用证据相似度作为控制因子,自适应地对两种冲突信息量进行控制,避免了对冲突阈值的预先设置。数值算例表明,文中提出的基于DST与DSmT的自适应融合算法可有效处理各种冲突情况,且收敛速度快,计算量小。

DSmT与DST融合门限改进方法

Dezert-Smarandache理论(DSmT)是一种能够高效实现多源信息融合,成功处理强冲突证据源的数据融合方法,而Dempster-Shafer理论(DST)在证据源冲突低时的融合效果好,运算代价低。将两种技术结合,在冲突距离函数变化率较低时采取DST证据理论,反之采用DSmT融合算法是一种提高信息融合效率的可行方式。研究人员对DSmT和DST二者的单点值转换门限方法已做了探讨,针对单点值门限方法的不足,提出了将冲突距离函数作为判别依据来确定转换门限的方法。该方法有很强的适应性,根据不同的证据组合,能划分是单点值门限还是多点值门限。