采用聚类特征的基本概率分配生成方法及应用

针对在识别框架不确定时基本概率分配(BBA)生成困难的问题,提出一种基于聚类特征的基本概率分配生成方法,以减弱对样本长度的依赖性,并分析2种情况下的BBA生成。在框架未知时,通过聚类分析获得各个类别的聚类特征,建立样本属性的聚类特征区间模型;在框架已知时,获取聚类特征,建立样本属性的聚类特征区间模型;然后用各个区间模型之间的距离表示样本属性之间的差异,在此基础上建立了一种相似度的度量方法;最后对相似度进行归一化得到BBA。采用Iris数据集和Wine数据集的实验结果表明:所提方法对样本长度敏感程度低,对Wine数据集的一个类的分类结果达到100%。将该方法应用于某煤化工企业压缩机组子系统状态监测信息数据集,实现了监测信息状态的识别。

证据理论在有序命题类问题中的基本概率分配

针对证据理论在有序命题类问题中的应用构造基本概率分配函数。有序命题类问题作为一种常见的分类问题,是证据理论应用的一个活跃领域,其基本概率分配存在显著的特点,在分析其特征的基础上,采用基于典型样本的方法,利用实测值与典型值之间的距离构造正态分布曲线的密度函数,进而构造基本概率分配函数。将该方法应用于海上溢油事故等级的评定,通过数据模拟分析其存在的不足,并通过弹性拉大实测值与典型值之间的距离、将"不知道"概率赋值等方法进行改进。实验结果表明改进的基于典型样本的方法能够有效地进行基本概率分配,满足应用的特点和需要。

基于Pareto法则的BPA概率转换

基于帕累托(Pareto)法则,该文认为复杂焦元信度的分配应该依赖于其单子命题的信度,信度大的更能决定复杂焦元的分配,信度为零的也能影响复杂焦元的分配.将复杂焦元分成2类结构:单子命题没有零值和单子命题有零值.对于前者,找出了复杂焦元的帕累托元素,只在帕累托元素上按其信度权重进行分配,这既避免了一些反常的情况又能更加突出信度大的单子命题.对于后者,采用忽略一部分或平均的办法来进行分配;设置了2个参数,既能控制焦元分配的冒险程度,又能控制转换的效果.提出了一种能够根据给定冒险程度来计算基本概率分配函数概率转换的新方法.最后通过实例分析,验证了该方法是有效的.

基于概率分布特征和代理模型的试验数据扩充方法研究

针对外场试验数据样本数量较少的情况,提出了一种利用概率分配和代理模型进行数据扩充的方法。通过分析数据的基本概率特征确定区间划分和各个区间需要生成的样本点的个数,样本点则基于反向传播(Back Propagation,BP)神经网络方法构建半实物仿真系统代理模型生成,并采用直方图统计方法选取,从而使增补的样本点既保留了原始数据的概率特征,又具有物理内涵。扩充的外场试验数据完善了飞行器的落点坐标信息,提升了落点数据融合模型的精度。通过飞行器534A的外场和半实物仿真试验研究,验证了该方法的实用性和有效性。

基于分簇的无线传感器网络密钥预分配方案

在无线网络传感器防止虚假攻击保证网络安全问题的研究中,针对无线传感器网络中的安全和提高系统识别认证能力问题,为了实现无线传感器网络中的安全通讯,需要对传感器节点间传递的信息进行加密。传统网络中使用的密钥分配策略,并不适用于无线传感器网络。分析了已有无线传感器网络密钥分配方案的特点。为了提高网络通信的安全性,尤其是在部分传感器节点被捕获后整个网络的健壮性,在分配方案基础上,采用一种分簇网络体系的密钥预分配方案。实验结果保证了连通率,节约存储空间,证明适用于现有的无线传感器网络。

基于改进D-S证据理论的信任评估模型

针对已有的信任证据模型不能快速有效地处理分布式网络中存在的恶意攻击,且缺乏关于三元信任关系组的信任归一方法,提出了一种基于改进D-S证据理论的信任模型,在此基础上,提出了基于持续序列的基本可信度函数和基于评估函数的信任评估方法,使得模型能更快地抑制恶意节点,并且评估结果更贴近现实值。通过分析与仿真,验证了本模型具有抑制聚集信任攻击的有效性和健壮性,同时信任评估方法更具合理性和准确性。

基于改进D-S证据理论的网络安全态势评估方法

网络安全态势评估是信息安全领域的研究热点问题。为了解决现有评估中过度依赖专家经验问题,提出了一种基于改进D-S证据理论的网络安全态势评估方法。该方法融合多源态势信息,利用基于遗传算法优化反向传播(Back propagation,BP)神经网络来获得D-S证据理论的基本概率分配(Basic probability assignation,BPA),由D-S证据理论对BPA依次进行合成计算,弱化人为因素对BPA的影响,提高BPA的预测精度和网络安全态势识别率。通过真实网络环境的实验验证了该方法在网络安全态势评估中的可行性和有效性。

基于BP神经网络的D-S证据理论及其应用

命题基本概率分配(BPA)的确定是D-S证据理论得以广泛应用的关键之一。目前,大部分确定方法受专家知识偏好影响较大,难以反映客观情况。将BP网络运用到基本概率分配的确定过程中,使得BP网络和D-S证据理论两者有机地联合应用,这样既可利用D-S证据理论来表达和处理不确定信息,又可以充分发挥BP网络的自学习、自适应和容错能力。文中建立了基于BP网络的D-S证据理论的故障诊断模型,并给出了证据的融合算法。仿真实验表明,该模型可行。

基于粗糙集和D-S证据理论的系统安全评估

针对传统安全管理系统不能及时反映整个系统安全状态的问题,提出基于粗糙集和D-S证据理论的系统安全评估方法。利用粗糙集理论的属性约简和属性值约简对评估指标进行优化,获得最简规则。根据决策表中的属性重要性确定证据在粗糙D-S理论合成公式中的权值,以决策表为依据获取基本概率分配,建立系统安全评估模型。实验结果表明,该方法能优化评估指标,获取最简规则,提高安全评估的可靠性。

基于证据理论的集成神经网络故障诊断方法

以Dempster Shafer证据理论为基础,给出了基于神经网络的基本概率分配构造方法和诊断决策规则,提出了一种神经网络初步诊断和证据理论融合决策诊断相结合的集成神经网络故障诊断方法,建立了相应的功能模型。并以变速箱轴承故障诊断为例,详细说明了该方法的具体步骤。结果表明,经过多故障特征信息,诊断结论的可信度明显提高,不确定性明显减小,充分显示了该诊断方法的有效性。

基于改进的BP网络的D-S证据理论及其应用

目前,D-S证据理论凭借自身独特的处理不确定性问题能力,已在众多领域得到了广泛的应用。命题基本概率分配(BPA)的确定是D-S证据理论得以广泛应用的关键之一,将改进的BP网络运用到基本概率分配的确定过程中,使得BP网络和D-S证据理论两者有机地联合应用,这样既可利用D-S证据理论来表达和处理不确定信息,又可以充分发挥BP网络的自学习、自适应和容错能力。建立了基于BP网络的D-S证据理论的故障诊断模型,并给出了证据的融合算法。最后,仿真实验表明该模型可行。

支持向量机与证据理论在信息融合中的结合

在多传感器信息融合中,DS证据理论是一种重要方法,但是它的基石基本概率分配(BPA)一般不易确定,从而使它的优势难以得到发挥。支持向量机(SVM)是建立在统计学习理论之上的一种新型学习算法,但SVM的硬判决输出却不便于进行多传感器信息融合。为便于信息融合,本文提出了一种具有BPA输出的二类SVM,通过分析Platt概率输出模型的实质与不足提出利用SVM精度下限对其进行加权处理来得到证据理论的BPA方法,实现了SVM与DS证据理论在信息融合中的结合。仿真结果表明通过本文方法可以实现多传感器的信息融合并大大降低了融合识别的误差率。

采用数据融合方法诊断电站锅炉的燃烧稳定性

电站锅炉燃烧稳定性易受锅炉负荷、煤质等因素影响,单一的火检信号或炉膛压力信号所反映的燃烧状态信息,既不准确也不完整。为提高对炉内燃烧状态的判别质量,引入了数据融合的方法。通过采用D-S证据理论方法对常规火检信号和炉膛压力压信号进行融合,得到综合诊断结果,并提出了一种简单可行的基本概率分配方法。对某电厂监控信息系统中保存的某一时间段的运行数据进行分析验证。结果表明:基于证据理论融合后的诊断结果较各传感器单独决策的结果精度高、可靠性强,不确定性大大减小,从而能对燃烧状态作出更有效的诊断。

一种新的冲突证据合成方法

该文在探讨已有冲突证据合成方法的基础上,提出了一种新的冲突证据合成方法—基于证据自冲突和证据间距离最小的证据合成方法(M-C合成方法),并通过实例说明了这一方法的优良特性.

基于互补判断矩阵的DS/AHP方法

为克服传统DS/AHP方法中因度量标度选择问题和知识矩阵求解问题而带来的推断信息精确性差和集成结果有效性有待商榷的缺陷,结合传统方法的建模思路分析指出其中存在的问题,通过引入互补判断矩阵提取决策者对方案组与识别框架之间的相对偏好推断,在此基础上提出由残缺互补知识矩阵向BPA函数转换的定理,并结合证据折扣思想和证据组合规则构建了开展推理判断的改进方法步骤,应用一个算例说明了提出方法的具体操作过程。

基于证据理论的多模型事故再现结果融合

本研究通过引入证据理论对多个模型结果进行融合,探讨了2种基本概率分配(BPA)的赋值方法,同时给出了模型结果为区间时的融合方案。通过一个真实案例的演示表明,选用第一种BPA赋值方法进行融合时本质上是对模型结果取均值,第二种赋值方法则因引入了专家意见而使融合结果更客观;当结果为区间时融合后的结果虽复杂但可获得更多信息。本研究为科学描述多模型结果提供了解决方案,可为进一步提升再现结果的客观性提供支持。

基于证据理论的TPS诊断性能综合评定

测试程序集TPS(Test Program Set)诊断性能的评定是保证TPS质量的重要手段.针对TPS诊断性能的评定问题,研究了基于D-S(Dempster-Shafer)证据理论的综合评定方法,介绍了D-S证据理论的基本原理,提出了TPS评价验证的数学模型以及基于证据理论的TPS诊断性能综合评定的基本框架,定义了TPS诊断性能的基本概率分配函数(BPAF,Bas-ic Probability Assignment Functions),并在此基础上提出了基于Kolmogorov-Sm imov(K-S)检验的BPAF确定方法,给出了TPS诊断性能综合评定的步骤,最后对基于D-S证据理论的TPS诊断性能综合评定的有效性进行了实例分析,结果证明了该方法的有效性.

基于小波矩和证据理论的图像目标识别算法

针对单传感器进行图像目标识别时识别率较低,判决阈值较为苛刻这一弱点,提出了一种小波矩和Dempster-Shafe(rD-S)证据理论相结合的多传感器信息融合图像目标识别算法。利用小波矩提取图像的平移、伸缩、旋转不变矩特征,BP神经网络获取待识别目标属性的基本概率分配,最后利用D-S证据理论将单传感器的识别结果进行决策级融合,完成图像目标的识别。仿真结果表明了该算法在图像目标识别中具有更高的精度和可靠性。

有限云模型和距离判别法在边坡稳定性评价中的应用

边坡稳定性分类是一个综合的不确定系统问题,针对指标分布和等级边界模糊的特点,提出一种以有限区间下的云模型为评价主体、距离判别法确定指标权重的稳定性分类的方法。给出有限云模型的相关概念及计算模型,再介绍具体的赋权的原理及流程。引用相关文献的评价指标体系,结合隶属函数计算出各等级的基本概率分配(BPA),并依据指标间距离确定指标权重;再依据改进的云模型计算各评价因子隶属于不同等级的云特征参数,并结合评价指标权重和云发生器,得到评价样本的综合确定度,实现边坡稳定性等级的划分,与其它理论方法对比分析。研究结果表明:该模型应用于边坡稳定性分级是有效可行的,能弥补传统云理论不能整体上描述有限区间下的指标间的确定与不确定性关系的缺陷,提高云模型应用的普适性。

加权距离的D-S证据理论在岩体评价中的应用

为降低岩体各评价指标间的冲突性和评价过程中的模糊性与不确定性对评价结果的精度和信度带来的不利影响,构建基于D-S证据理论的岩体质量综合评价模型。首先,依据岩体质量影响指标和分级标准,运用欧氏距离法衡量各指标与各质量等级之间的关联程度,进而确定岩体质量基本概率分配函数(BPA)。然后,根据指标间距离以及指标间的相似度与支持程度确定指标权重,并修正BPA。最后,对修正的证据运用D-S组合规则,得出质量等级。将该方法应用到某工程实例中,并在评价过程中与可拓法进行比较,以验证其优缺点。实例研究表明,用该方法得到的评价结果与工程实际相吻合,与可拓法相比,该方法在评价精度和定量反映指标间的一致性程度上有明显优势。