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。

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。

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.

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。

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。

D-S证据理论信息融合方法在目标识别中的应用

研究了D-S证据理论在多属性、多传感器模式识别中的应用。在基于D-S推理的信息融合中,其关键问题是基本概率赋值函数的构造。文中基于灰关联分析的思想提出了一种新的基本概率赋值函数的构造方法,并将它应用于辐射源型号识别,仿真实验结果验证了这一方法的正确性和有效性。

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。

基于多传感器信息的状态推理辨识方法

为准确辨识原油管道调合过程的压力、液位等关键运行状态,文中提出了一种基于多传感器信息的状态推理辨识新方法.首先,根据传感器事先获得的物理量值与对应的实际运行状态,建立相应的隶属度曲线;在此基础上,利用传感器实时采集当前物理量,获取各传感器对状态子集的基本概率分配;然后,根据各传感器信息的相关性对其进行修正、排序及推理辨识;推理辨识过程中,对于焦元中的一致性部分采用乘性算子,对冲突部分在引起冲突的焦元间进行加性局部分配.实验结果表明,新的状态推理辨识方法可以充分利用原油管道调合过程多传感器的一致性或冲突性信息,提高状态辨识的收敛速度,减小误判率,降低决策风险,增强系统可靠性.

基于D-S证据理论的多源信息融合方法在系留气球缆绳故障诊断中的应用研究

本文介绍了一种基于Dempster-shafer(D-S)证据理论的多源信息融合理论在系留气球缆绳故障诊断中的应用方法。分析介绍了D-S方法的基本理论、基本概率分配函数(BPA)的获取途径、组合法则和决策方法等。通过实例分析表明,该方法的应用可以大大降低原来只靠单个传感器判断的局限性和不确定性,给系留气球系统缆绳故障的判断提供了一种新的解决思路。

多源不确定性下基于证据理论的可靠性分析方法

针对同时存在随机、模糊和区间三种输入变量时的可靠性分析问题,提出了一种基于证据理论的统一可靠性分析方法。利用信息熵转化法,将模糊变量的隶属度函数转化为等效随机变量的概率密度函数;基于随机变量的区间化方法,将每个变量离散成有限个小区间,根据变量的概率密度函数求解各小区间的基本概率分配;利用证据理论进行可靠性分析,最终获得可靠度R的置信度Bel(R)和似真度Pl(R)。通过两个工程算例证明了该方法的可行性和有效性。

基于多传感器信息融合的轮履混合移动机器人路况识别方法

针对未知环境下轮履混合移动机器人的路况识别问题,提出一种将支持向量机(SVM)与Dempster-Shafer(D-S)证据理论相结合的多传感器信息融合路况识别方法.设计了一个基于超声波传感器和红外传感器的数据采集系统,以提取路况的信息特征;以Platt后验概率为基础,建立了多类SVM的后验概率模型,并构造D-S证据理论所需基本概率分配(BPA)函数;同时,将SVM与D-S相结合的信息融合识别方法应用于轮履混合移动机器人的3种典型路况识别实验.结果表明,所提出的方法能够满足轮履混合移动机器人识别平坦路面、斜坡和台阶等路况的要求.

基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究

针对单一传感器对滚动轴承故障信息的识别具有不确定性的缺陷,提出了基于BP神经网络与D-S证据理论的多传感器信息融合的方法。将BP神经网络的输出结果进行归一化处理作为各焦元的基本概率分配,轴承的5种故障类型作为系统的识别框架,根据Dempster合成法则进行决策级融合。试验结果表明,利用该方法对轴承的内圈磨损、外圈磨损、滚珠磨损等故障进行试验诊断,提高了故障诊断的准确率,验证了该方法的可行性。

新的基于加权均值模型的证据融合方法

针对D-S证据理论难以处理证据冲突的问题,提出了一种将Murphy平均融合方法和证据权方法相结合的证据融合方法。该方法将显著偏差证据的判别引入融合流程,实现对证据权重的区分量化,建立了加权的基本概率分配均值模型。仿真结果表明:该方法能有效区分证据的重要程度,提高了证据融合的准确性与收敛速度,较好地解决了冲突证据融合的问题。

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.