基于D-S证据理论的岩爆预测方法研究

为了有效预测岩爆,提出基于D-S证据理论的岩爆预测方法.首先,选取与岩爆发生相关的6个指标因素作为证据体,并通过模糊物元框架和正态型隶属度函数构建证据体的基本概率分配.然后,利用K均值将证据体分类,并提出簇内证据用传统方式融合而簇间证据用权重方式融合的组合融合规则,以减轻高冲突证据融合的不利影响.最后,将模型应用在秦岭终南山公路隧道2号竖井工程,且与经验方法对比.为了分析预测过程的不确定性和估计岩爆发生概率,采用蒙特卡洛模拟进行抽样仿真,并通过Spearman秩相关系数衡量输入指标的全局敏感性.研究结果表明:输入指标在不同的岩爆案例的影响程度差异较大且方向不同;5个岩爆案例的发生概率在40.8%~70.1%之间.该模型表现出优异的预测分类性能,可为深埋地下工程岩爆预测提供参考.

D-S证据理论在空中目标识别中的应用现状与展望

D-S证据理论作为一种多源信息融合工具,在空中目标识别领域中得到了广泛应用。对D-S证据理论进行了概述;简要梳理了D-S证据理论在空中目标识别领域中的发展脉络,并提出应用中需要解决的三类关键问题;围绕上述问题,重点对该领域中的BPA获取、证据冲突度量、证据融合的应用现状进行综述;最后,基于空域控制视角,对D-S证据理论在该领域中的应用进行了展望。研究可为空中目标识别领域的理论发展和工程应用提供参考。

基于D-S证据理论的农作物气候品质预测方法研究:以晚熟杂交柑橘春见为例

【目的】基于多源气象数据构建果实品质(糖含量等级)预测模型,为科学评价果实气候品质及深入挖掘农产品气候资源提供科学依据。【方法】以晚熟柑橘春见果实为研究对象,利用多源数据融合技术、人工神经网络(BP神经网络、RBF神经网络和Elman神经网络)和D-S证据理论,包括气象数据质量控制、特征选取、特征级融合、决策级融合4个步骤,构建基于多源气象数据的果实品质(糖含量等级)预测模型。【结果】春见果实品质预测模型采用BP神经网络预测结果总体准确率为87.50%,平均绝对误差(MAE)为0.150,均方根误差(RMSE)为0.447;RBF神经网络预测结果总体准确率为85.00%,MAE为0.175,RMSE为0.474;Elman神经网络预测结果总体准确率为87.50%,MAE为0.150,RMSE为0.447;D-S证据理论决策融合总体预测准确率达95.20%,分别较BP神经网络、RBF神经网络和Elman神经网络提升7.7百分点、10.2百分点和7.7百分点,MAE和RMSE分别为0.040和0.214,均明显降低。【结论】D-S证据理论决策融合后的果实品质预测准确率相比单一神经网络预测更高、误差更小。

基于加权D-S证据理论的旋翼故障诊断

旋翼作为直升机的升力面和操作面,其健康状态对直升机的安全至关重要。旋翼故障诊断技术仍是直升机健康与使用监测系统(Health and usage monitoring system, HUMS)领域的薄弱环节,开发旋翼故障诊断技术具有重要价值。基于信息融合技术,首先分析了旋翼故障的诊断机理,建立了旋翼故障模型,通过流固耦合仿真获取了不同故障下桨叶、轮毂和机身的故障特征信息,生成数据集进行网络训练和验证。然后,利用遗传算法反向传播(Genetic algorithm-backpropagation, GA-BP)优化神经网络诊断3种类型的直升机旋翼故障,即后缘调整片误调、变距拉杆误调和桨叶质量不平衡。3个逐级神经网络分别对旋翼故障类型、故障位置和故障程度进行了诊断识别。最后采用加权的Dempster-Shafer(D-S)证据理论对旋翼故障进行诊断和分析。结果证明基于改进D-S证据理论的旋翼故障诊断方法能够成功应用到旋翼故障诊断中,并具有良好的识别效果。

基于D-S证据理论改进AHP-熵权的流域洪涝灾害评估研究

考虑致灾因子危险性、孕灾环境敏感性以及承灾体易损性,选取指标构建小清河流域洪涝灾害风险评估指标体系,提出一种基于D-S证据理论的改进AHP-熵权法计算指标权重,求取洪涝灾害风险指数,运用自然断点分级法确定洪涝灾害风险等级,分析小清河流域洪涝灾害风险空间分布情况。结果表明:小清河流域洪涝灾害风险总体上表现出南低北高的趋势,其中高风险区和较高风险区分别占流域面积的8.7%和14.3%,主要分布在小清河干流以及主要支流两岸。所得评估结果同“利奇马”台风发生期间实际洪灾风险分布情况一致,对比证明基于D-S证据理论的改进AHP-熵权法优于AHP和熵权法,可为小清河流域防洪减灾决策提供依据。

基于D-S证据理论的无监督异常检测算法

在实际应用中,当数据集缺少真实标签或正常点数据量不足时,可能导致一分类支持向量机处于无监督情况。此外,当训练集中包含异常数据时,一分类支持向量机生成的决策边界将偏斜至异常数据区域。上述问题降低了异常数据的检测率,并导致分类器的性能变差。为了解决上述问题,基于K近邻算法将数据集分为可疑正常点数据集与可疑离群点数据集。其中,可疑正常点数据集用于一分类支持向量机训练与建模,对于可疑离群点数据集则采用D-S证据理论来识别其中的正常数据。实验结果表明:基于D-S理论的无监督异常检测算法可以有效地分离正常点与异常点,该算法在整体数据集上A_(uc)均值达到了0.83,且在可疑离群点数据集上A_(uc)均值达到了0.883。

基于D-S证据理论的网络安全风险评估模型

本文指出网络信息安全风险评估是有效降低安全事件影响的一个途径,本文以D-S证据理论结合最新信息安全风险评估标准对网络安全风险评估模型进行阐述,结合专家意见和可信概率计算,为网络安全风险评估提供了一个可借鉴的评估方法,积极响应网络安全风险事件并进行风险值确定,降低了网络安全风险事件的发生。

基于D-S证据理论的配电网接地故障原因综合辨识模型

单相接地故障(single-phase-to-ground fault,SPGF)是配电网中最常见的故障,严重影响配电系统的可靠性和安全性,准确辨识SPGF可以提高配电网接地故障处理的精细化水平。首先,从故障波形中提取能有效反映不同接地故障原因的多域特征组成候选波形特征集,通过多元方差法分析波形特征与接地故障原因的相关性,筛选识别接地故障原因的有效特征;然后,分别设计基于极限学习机和支持向量机的故障原因辨识模型,利用Dempster-Shafer(D-S)证据融合理论对模型的识别结果进行融合,建立了接地故障原因综合辨识模型;最后,基于现场数据对所建立的综合辨识模型的有效性进行了验证,结果表明综合辨识模型优于任何单一辨识模型,验证了该模型的优势和可行性。

基于RF与D-S证据理论融合的多通道齿轮箱复合故障诊断

针对齿轮箱复合故障特征难于提取,诊断缺乏自动识别性,且单通道往往无法全面表征故障信息等问题,提出一种基于随机森林与证据理论相融合的多通道齿轮箱复合故障诊断方法。首先通过小波包变换对各通道复合故障信号进行分解,得到故障信号的特征向量;之后引入一种新的特征集组合框架构建针对不同故障的特征数据集,通过随机森林算法划分单个分类模型;接着综合考虑各分类模型,合成每个通道下的集成分类器,并提出一种新的迭代自更新策略不断完善分类器的性能;最后设计一种基于Lance距离的改进D-S证据理论算法,该算法采用Lance距离来度量各空间证据间的证据距离,并构造Lance矩阵,由此获得相似度矩阵来衡量各证据体间的相似程度和支持度,通过计算各通道的敏感度权重系数进行BPA修正,获得最终的诊断融合结果。通过齿轮箱试验平台进行算法验证,结果表明该方法能有效识别出复合故障中包含的每类故障,并能全面融合不同通道的故障冗余信息,实现齿轮箱复合故障的精确诊断。

基于改进D-S证据理论选择性集成的边坡稳定性评价

针对边坡稳定性预测算法选择困难和单个模型误判风险大的问题,建立了基于改进D-S证据理论选择性集成的边坡稳定性评价方法,为边坡稳定性初步评价提供方法依据。基于边坡稳定性主要影响因素,通过极限平衡法构建了大型边坡稳定性评价数据集。引入基于边界距离最小化的基学习器选择技术,提升选择性集成模型的泛化能力。提出了改进D-S证据理论融合基学习器信息,降低了选择性集成模型决策过程中的不确定性和模糊性,解决了现有边坡稳定性评价模型易误判和结果非一致性问题。仿真试验结果表明:改进D-S证据理论选择性集成方法无需复杂的数值建模与计算迭代过程,可直接客观地评判边坡稳定性状态,并从信息论角度给出边坡失稳概率。对比传统机器学习方法,该方法有效提高了边坡稳定性的预测准确率,同时降低了预测结果的不确定性,实现了速度快、精度高、稳健性好的广域尺度边坡稳定性评价。

基于改进D-S证据理论的毫米波雷达与摄像头融合目标检测和识别

随着汽车保有量的增加和交通环境的日益复杂,汽车行驶安全性和交通事故发生率成为交通安全领域内重点关注的问题,通过智能辅助驾驶技术可以有效提升驾驶安全和降低交通事故发生率。为了提高智能驾驶辅助技术中环境感知的可靠性,提出了一种基于改进D-S证据理论的毫米波雷达与摄像头融合目标检测和识别方法。采用皮尔逊相关性系数改进了D-S证据理论,分析了雷达目标类别与雷达探测信息多参数耦合关系,建立了一种毫米波雷达稀疏点云的目标识别方法。在此基础上,对毫米波雷达信息和视觉检测信息进行加权,提升融合算法在不同工况下目标检测的准确性。实验结果表明,融合算法在不同工况下检测准确率达到93.29%,误检率和漏检率得到降低。相较于其他融合检测算法,本算法在视觉传感器发生漏检时,利用雷达检测算法仍可以对视觉漏检目标进行识别并给出相应的置信度。本工作为毫米波雷达与摄像头的数据融合提供了一种新方法。

基于云模型和改进D-S证据理论的浓香型白酒发酵质量评估方法

黄水是浓香型白酒发酵特有的副产物,黄水参数一定程度反映了发酵质量。基于黄水的酸度、还原糖、酒精度等关键参数,采用云模型与改进的D-S(Dempster-Shafer)证据理论,实现对白酒发酵质量的定量评估。基于黄水关键参数建立隶属度云模型,使用云模型判定样本在各发酵质量判定区间的隶属度情况。同时对D-S证据理论的冲突系数计算方式进行改进,使得信息融合结果更具代表性。提出一种浓香型白酒发酵质量的综合评估方法,降低了人工判别的主观性。

基于D-S证据理论的时序网络节点重要性研究

特征向量中心性是衡量复杂网络节点重要性的有效方法之一,但时序网络特征向量中心性无法衡量节点的全局重要性。因此引入D-S证据理论,将每一时间层的节点重要性作为一个信息源,通过Dempster规则进行多源信息融合从而得到节点的全局重要性。在Enron、Workspace实证网络数据集上的实验结果显示,基于D-S证据理论的时序网络特征向量中心性比其他方法的Spearman相关系数平均提高22.9%和21.8%,表明该方法能够有效地将时序网络特征向量中心性运用于衡量节点的全局重要性。

基于最大信息系数法和邓熵的D-S证据理论改进

物联网中大量传感器采集的数据存在不确定性,针对D-S证据理论在处理冲突证据时融合决策结果与事实相悖的问题,文章提出一种新的基于改进D-S证据理论的多传感器数据融合算法,首先使用最大信息系数法计算证据间的可信度;然后结合信息熵对证据的不确定度进行分析,以确定新的权重;最后使用Dempster组合规则得到融合结果。算例分析表明,文章所提方法能有效融合冲突证据,较经典算法有较高的基本概率分配。将所提方法用于传感器数据处理,不仅能降低数据中存在的不确定性,还能有效处理D-S理论中的冲突问题,从而得到较为准确的融合结果。

基于D-S证据融合理论的轨道电路补偿电容故障判决方法研究

在铁路信号系统动态检测数据中,地面轨道电路的补偿电容脉冲检测信号和轨道电路感应电压数据均可反映补偿电容的工作状态。针对单一来源数据进行补偿电容故障判别误报率高的问题,提出一种基于D-S证据融合理论的补偿电容故障判决方法。首先,针对补偿电容脉冲检测信号和轨道电路感应电压数据,提取出有效代表补偿电容状态的特征值,并基于该特征值进行正常/故障概率分配;其次,利用D-S证据融合理论,对单一判定结果进行融合,得到每个补偿电容的故障概率,从而实现补偿电容故障识别;最后,基于实际检测数据对所提方法进行验证。试验结果表明:相较于基于补偿电容脉冲或感应电压的单一来源数据故障识别方法,基于D-S证据融合理论的补偿电容识别准确率分别提升13%和5%,有效地提高了补偿电容故障识别准确率。

基于改进D-S证据理论的相控阵雷达作战效能评估

针对相控阵雷达作战效能评估中战场环境等不确定因素的影响,采用改进Dempster-Shafer(D-S)证据理论对其进行作战效能评估方法的优化。首先,通过构建相控阵雷达作战效能评估指标体系,明确评估指标并赋值权。其次,引入Kulsinski差异和模糊熵方法,对传统的D-S证据理论进行改进,减少指标在融合过程中的融合权重不确定性的影响。最后,通过改进D-S证据理论对评估指标进行数据融合,建立评估准确性较高的相控阵雷达作战效能评估模型。通过算例验证分析,所提方法能够有效减少融合过程中的不确定性影响,可实现相控阵雷达作战效能评估的目的,提高作战效能评估精度。

基于神经网络和D-S证据理论的高速列车轴箱轴承故障诊断方法

针对传感器采集的单一信号在轴承故障诊断精度偏低的问题,提出了基于神经网络和D-S证据理论的故障诊断方法。首先针对高速列车轴向轴承非平稳振动信号,采用小波包进行3层分解,提出各频段重构系数幅值的平方和作为能量特征参数,构建故障特征向量;然后利用BP神经网络识别轴承的故障特征,进而根据D-S证据理论融合规则对BP神经网络的识别结果进行最终识别。实验仿真结果表明,与单一传感器的故障诊断方法相比,本文所提方法的故障诊断率提高了2.5%,达到了97.5%。

基于云D-S证据理论的极端天气下电力系统应急能力评判

以提高应对极端天气下电力系统突发事件能力为目标,将电力系统应急能力作为研究对象,提出基于云模型和证据理论融合的评估算法。采用层次分析法和熵值法相结合的方法确定应急指标权重,运用云模型做为基础对电力系统应急能力进行评估,以解决评价指标模糊性和随机性的问题,并引入D-S证据理论对指标进行综合评估,构建极端天气下电力系统的应急能力评估模型。通过案例证明,该方法可以有效准确地定量和定性评估电力网系统的应急能力,为提高电力网系统的应急管理能力提供科学依据。

基于D-S证据理论的卫星引导雷达目标融合置信度计算方法研究

针对卫星多手段探测数据对海上雷达探测的引导问题,提出一种基于D-S证据理论的目标融合置信度计算方法,构建随时间变化的卫星与雷达目标融合置信度计算模型,完成对目标定位的置信度评估,并通过仿真验证所提方法的有效性。在卫星多手段数据引导的情况下,该方法可有效提高雷达对目标探测的探测信息置信度,实现对目标的高效定位。

基于CNN和D-S证据理论的多站协同多功能雷达工作模式识别方法

传统的多功能雷达工作模式识别方法主要利用单一电子侦察设备侦收的脉冲数据完成特征提取,其模型或算法的泛化能力不强。因此,提出基于卷积神经网络(Convolutional Neural Network,CNN)和D-S(Dempster-Shafer)证据理论的多站协同多功能雷达工作模式识别方法。首先,利用轻量级CNN模型对不同方位、不同俯仰下侦察截获分选的脉冲幅度/波形单元数据进行自适应特征提取。其次,利用多站协同侦察系统通过D-S证据理论融合多站协同下不同侦察站点的Softmax分类器的分类结果,实现在差侦察条件下对不同空间方向上的多功能雷达工作模式快速准确识别。仿真验证结果表明,该方法相比于单侦察站条件下具有更好的识别性能。