基于三角散度和信念熵的冲突证据融合算法

Dempster-Shafer(D-S)证据理论是在不考虑先验概率的情况下建模和处理不确定信息的有效数学工具。当两证据之间高度冲突时,Dempster组合规则会产生不合理的结果。针对这一问题,提出了一种基于散度差异值测度和信念熵的多传感器数据融合方法。提出了一种距离公式-单焦元三角散度来衡量两证据之间的距离,并由此计算出各证据的可信度。在D-S证据理论框架中提出了一种信念熵测度来度量各证据中包含的不确定信息,综合各证据的可信度和不确定度来计算各证据的权值,由此得到加权平均证据。利用Dempster组合规则融合加权平均证据得到最终融合结果。利用所提出的方法来解决变压器在线监测故障诊断实际应用问题,实验结果表明,提出的方法具有较快的收敛速度和较高的诊断精度,优于其他方法。

结合近邻密度和信息修正的基本概率赋值生成方法

为了解决D-S证据理论应用中基本概率赋值(BPA)获取困难、生成模型适用度低的问题,提出一种结合近邻密度和信息修正的基本概率赋值生成方法:通过基于KNN算法得出的密度峰值点与样本间的距离为依据生成单焦元BPA函数,通过信念χ~2散度对全子集事件赋值并基于可信度对BPA进行信息修正,用改进的信念熵公式计算各证据的不确定性权重,进行证据的再分配.利用生成的BPA解决少样本和不均衡类样本的实际应用问题,经多个数据集验证诊断精度均达85%以上,优于其他方法.