伪证据识别在机械故障诊断中的研究

针对多传感器信息在故障诊断中可能存在伪证据,造成证据间剧烈冲突使经典证据理论合成规则失效的问题,利用Dempster-Shafer合成规则中一致证据的聚焦性,提出一种新的伪证据识别方法,构造出新证据取代原来的伪证据进行证据合成,削弱了伪证据的不良影响。在构建的基于多传感器信息融合的故障诊断识别框架中,运用改进的证据合成方法对发动机的故障进行诊断,将此诊断结论与其他证据理论的诊断结论进行了比较。结果表明,该方法可有效提高机械故障诊断的准确率,验证了此方法的可靠性和优越性。

伪证据识别和处理在噪声数据评估中的应用

由于自身因素或外界干扰,机场噪声监测设备往往会测得异常数据,使得该监测点对其他监测点的可信度判断出现错误。当将这种伪证据与其他证据进行融合时,使用D-S组合规则可能会得到较差的融合结果,甚至是违背常理的结果。为了抵消伪证据对融合结果造成的影响,论文介绍了一种利用合成规则的聚焦性识别伪证据的方法,并将识别出的伪证据进行处理再融合。实验结果表明该方法能有效的抵消伪证据造成的影响,得到较好的融合效果,并可成功适用于含有大量不确定信息的机场噪声监测数据可信度证据融合中。

云计算中服务可信度评价的个性化融合方法

在具有动态性、虚拟计算和分布计算等特点的云计算环境中,如何采信云服务的可信度评价历史数据并由此挖掘最大的参考价值,是当前云服务的信任机制研究面临的一个关键问题.提出了一种云服务可信度评价的个性化融合方法,该方法从云服务的个性化特征分析入手,利用相似度评估函数,基于云服务用户集合构建特征共同体,接着引入证据理论,通过逐步求精迭代识别伪证据,过滤不可靠的可信度评价,然后,结合特征共同体的个性化加权系数,以一种新的相关证据融合公式实现可信度评价数据的融合.仿真实验和分析表明,本文方法具有良好的自适应性,能够为带有明显个性化特征且没有直接使用经验的用户提供具有较高价值的参考数据,从而提高云计算环境下服务可信度评价的准确度.