动态辨识框架下条件证据更新的故障检测方法

在分布式传感器网络中,各个子网往往具有不同的辨识框架,此时经典的证据理论无法处理。针对这一问题,提出一种动态辨识框下的证据融合理论和条件更新理论的故障检测方法。首先获取最新的观测证据,提出采用模糊隶属度函数作为信任转换的桥梁,完成动态辨识框架下的信任测度;然后利用新来证据的信任测度对已有的证据进行更新,以此进行各个观测区域的故障检测;最后通过构造两个传感器子网S1和S2的分布式检测与识别系统对所提方法进行验证,结果显示该方法在处理动态辨识框架和故障检测方面的有效性。

基于流聚类的PMU异常数据辨识算法

为保证同步相量测量装置(phasor measurement unit,PMU)采集数据的准确应用,须排除其量测值中的异常数据。现有PMU异常数据辨识算法存在算法复杂度高、难以在线更新、多源数据难以校准、依赖多源数据应用难度大等不足。为此,文中从PMU事件数据和异常数据模型及PMU异常数据判别信息熵定义出发,提出基于该信息熵的异常数据辨识框架。在此框架基础上,基于利用层次方法的平衡迭代规约和聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)算法提出PMU异常数据辨识算法;然后,对所提出的算法进行原型实现,并针对某变电站的PMU采集数据集进行算法实验验证。实验结果表明,与一类支持向量机(one-class support vector machine,OCSVM)算法与间隙统计算法相比,文中算法的准确度及实时性均具有较强的优势。

广义证据理论的基本框架

针对经典证据理论不能有效处理辨识框架不完整情况下的信息融合问题,提出了一种广义证据理论.新理论定义了广义基本概率指派函数,对空集的广义基本概率指派大小表明了支持辨识框架不完整命题的程度,提出了能够融合广义基本概率指派的广义组合规则,该组合规则是一个与空集基本概率指派相关的函数,同时满足交换律和结合律.广义证据理论是经典证据理论的推广,当空集赋值为零时,广义证据理论退化为经典的证据理论.用算例表明了所提出的广义证据理论的有效性.

基于证据理论的多层超网络影响力节点识别方法

针对多层超网络研究多集中于拓扑结构,且影响力节点识别方法中涉及指标较为单一,无法全面准确识别影响力节点的情况,提出一种基于证据理论的多层超网络影响力节点识别方法。首先,在多层超网络拓扑结构基础上,根据聚合网络思想构建多层聚合超网络;其次,基于证据理论定义问题的辨识框架;最后,利用D-S(Dempster-Shafer)证据组合方法,融合网络的局部、位置和全局指标以识别网络影响力节点。将该方法应用于arXiv数据集构建的物理−计算机科学双层科研合作超网络(MAH),在基于RP(Reactive Process)和CP(Contact Process)策略的易感−感染−易感(SIS)超网络传播模型中,与超度中心性、K-shell、接近中心性方法等相比,传播速度最快,且最先达到稳态;隔离影响力排名前6%节点后,网络平均超度、聚类系数以及网络效率均减小;随着隔离影响力节点比例的增大,网络子图数量增速与接近中心性方法相近;通过单调性指标值度量识别结果粗粒度,达到0.9998,识别结果具有较高区分度。综合多个实验结果,表明该多层超网络影响力节点识别方法准确有效。

基于广义信度马尔科夫模型的顾客需求动态分析

为了更充分有效地利用产品规划质量屋中顾客需求的重要度信息,使产品设计人员深入了解顾客需求未来演变的趋势,以把握好动态不确定性环境下产品开发的目标和方向,提出基于广义信度马尔科夫模型的顾客需求动态分析方法。首先,分析马尔科夫链及其无后效应描述产品规划质量屋中顾客需求动态变化的可行性,并引入广义证据理论解决经典马尔科夫模型中状态空间数值的微变导致预测结果发生跳跃的问题。其次,考虑传统信度马尔科夫模型在辨识框架不完整情形下的不适用性,建立了基于开放世界的广义信度马尔科夫模型。以某机械企业所生产的静电收尘器的开发与设计为对象,应用该方法展开了实例研究。通过与已有方法的对比分析,进一步阐释了该方法的可行性及有效性。

基于模糊聚类分析的证据组合

针对证据理论Dempster Shafer(D-S)组合规则存在的不足,考虑辨识框架的非完备性,提出一种基于模糊聚类分析的混合证据组合方法。该方法利用Pignistic概率距离构建证据间的模糊相似矩阵及聚类有效性指标,通过传递闭包法对证据进行最优聚类及可信度求取,对证据进行修正后,采用D-S规则对同一类中的证据组合,利用统一信度函数组合方法对不同类中的证据进行最终合成。仿真实验表明了所提方法的合理性和有效性。

基于改进D-S证据理论的滚抛磨块融合决策模型

目的为了能够有效利用滚磨光整加工数据库平台的案例知识和专家经验,提高新零件加工时滚抛磨块优选的准确率,解决不同优选方式优选结果的冲突问题。方法将案例推理、专家推理、迁移学习3种优选方式的滚抛磨块优选结果作为3种证据,根据3种优选方式计算的相似度结果构建滚抛磨块决策辨识框架,并采用合理的方法确定基本概率赋值。然后依据按冲突信息的比例分配基本概率赋值的方法对证据合成公式进行改进,避免传统的D-S证据理论在证据间高度冲突时出现融合结果有悖于实际情况的问题。接着采用改进的证据合成公式对3种证据进行融合决策。最后利用数据库平台中工厂加工实例数据进行仿真。结果基于数据库平台中已有的成功案例结果,通过仿真结果可以表明,该改进的融合决策模型可以解决不同优选方式优选结果之间的冲突问题,解决了原始合成公式的弊端问题,且融合决策结果较3种方法单独使用时具有更高的准确率,该融合决策模型的准确率达到88%。结论基于改进D-S证据理论的滚抛磨块融合决策模型,可以为滚磨光整加工时滚抛磨块的智能优选提供决策指导。