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.

基于多类支持向量机的基本信度分配确定方法

在多传感器信息融合中,证据理论是一种重要方法,但其基本信度分配的确定已成为实际应用的瓶颈问题。针对此,提出了一种基于多类支持向量机的基本信度分配确定方法,以Platt后验概率为基础,将两类后验概率扩展到多类,并对后验概率形式的软判决进行了改进,从而构造了信度分配函数。通过仿真对比分析验证了该方法的合理性和有效性。

多目标跟踪算法的最优子模式分配概率度量

针对最优子模式分配(OSPA)度量标准只能适应测量轨迹距离的缺点,提出最优子模式分配概率(OSPAP)度量标准。通过计算真实轨迹与预测轨迹之间的基本概率和标签错误的惩罚概率评价跟踪算法的性能。在现实的跟踪系统中,无法获得跟踪目标的真实轨迹,但是基于概率的多目标跟踪算法的概率较易获得。实验结果表明,采用该标准得到的度量数据与实际情况一致,能够在实际的跟踪系统中实时地反映概率跟踪算法的性能。

基本概率指派生成方法在高铁设备故障诊断中的应用研究

以高铁设备故障诊断为研究背景,提出一种基于样本证据距离和可信度函数的基本概率指派(BPA函数)的生成方法。根据所提出的概率赋值和传感器可信度生成方法,生成初始BPA。为了消除干扰影响,同时考虑证据冲突问题,引入冲突消解的方法,对初始BPA经过冲突阈值判别并进行相应的冲突消解。高速列车转向架故障诊断试验表明,所提出BPA生成的方法简单有效,能够处理冲突较大的数据。

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。

考虑风电不确定性的概率区间潮流模型与算法

该文基于证据理论构造了风电场的随机出力和不确定节点负荷的基本可信度分配,提出了一种电力系统概率区间潮流(probabilistic interval power flow,PIPF)模型和算法。通过构建输入不确定量的多维联合可信度分配,将概率区间潮流问题转化为若干个区间潮流问题。并采用区间优化法求解区间潮流,获得潮流状态量的区间极值,最终合成了潮流变量的似然累积概率分布和信任累积概率分布。IEEE 30、118标准系统的计算结果表明,所提的概率区间潮流把概率潮流和区间潮流统一于一个模型,获得潮流变量的似然和信任累积概率分布,可用以判断变量取值的最大和最小概率,对电力系统运行有良好的指导意义。

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。

模糊事件的概率

概率所表达的是事件发生的可能性,事件是由基本事件空间的子集来表示。模糊事件由基本事件空间的模糊子集表示,它的概率是表达模糊事件发生的可能性。后者的定义可以由扩充概率论中的相应定义而得到。

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。

多信息融合的城市燃气管道泄漏诊断技术研究

为提高城市燃气管道泄漏检测能力,预防燃气泄漏事故,将信息融合技术应用于管道泄漏检测领域,并提出一种基于D-S证据理论与支持向量机(SVM)的多传感器信息融合诊断技术。在实验室条件下,采集管道不同位置和不同周期的声发射传感器信号,提取特征参数,构建SVM分类器,该分类器的输出结果经处理后作为基本概率指派(BPA)。然后,利用多层D-S理论,依次融合不同空域与时域传感器信息。最后,根据分类判决门限得出最终诊断结果。研究表明:多传感器信息融合使诊断不确定度明显下降,所属信度值显著提高,最终决策结果与实际一致;与单传感器诊断相比,多传感器信息融合后诊断技术具有更高的准确率和更好的稳定性。

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。

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。

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。

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。

基于不确定度的基本概率赋值概率转换方法

基本概率赋值概率转换是合成证据用于辅助决策的主要方法之一.针对现有转换方法中存在的缺少合理转换依据,灵活性和客观性不能兼顾的问题,提出一种基于不确定度加权的概率转换方法.该方法将概率转换视为一种决策过程,选择原BPA与最特异BPA间的Jousselme距离作为不确定性量度,通过"假设-校验"的方法联合求解最特异BPA与转换概率.实验算例表明,所提出方法的处理过程与人们的决策过程一致,概率转换结果合理有效.

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.