基于D—S证据理论的高校行政人员综合评价指标体系研究

高校行政人员的绩效水平直接影响高校教学活动的开展以及教学质量的提高，进而影响整个高等教育的质量，而高校行政人员综合评价能够有效提升其绩效水平。论文在总结前人研究成果的基础上，以“德、能、勤、绩、廉”为标准，结合高校情况，构建了高校行政人员综合评价指标体系，然后选择序关系分析法为各指标赋权重，并在考虑多个评价者评价结果融合的需求下，应用D—S证据理论对各指标的得分进行了处理，得到最终的评价结果，最后引入了一个实例证明了该指标体系的可用性及合理性。

多传感器信息融合利器——D—S证据理论初探

多传感器信息融合广泛应用于自动目标识别、战场监视、机器人、工业过程控制、遥感、图象处理、模式识别等领域。采用信任函数作为度量的证据理论可处理由不知道所引起的不确定性。本文对信息融合技术的概念以及重要融合方法进行初探。

基于D—S理论的双门限频谱感知算法研究

针对传统双门限频谱感知算法不能充分利用2个门限之间感知用户信息的问题,提出了一种基于D-S理论的双门限频谱感知算法。当感知用户接收到的信号能量介于2个门限之间时,该算法不直接给出判决结果,而是进行本地判决,即采用D-S理论进行数据融合。仿真结果表明,与传统双门限频谱感知算法相比,基于D-S理论的双门限频谱感知算法的检测概率较高,提高了整体的频谱感知性能。

基于机器视觉技术和D—S证据理论的数字显示仪表自动读数

利用机器视觉技术与D-S证据理论，实现数字显示仪表的自动读数。首先，利用机器视觉中色彩空间选择，闻值二值化等技术对数显仪表图像进行预处理；之后，统计并提取目标区域像素分布特征；最后，利用D-S证据理论，对所提取的目标区域特征进行融合判断，实现数字自动读取。经过大量实验验证，该算法具有较高的识别准确度与良好的实时性，研究改进后可推广应用于实际工业场所的数显仪表读数。

基于GD—AHP和D—S证据理论的高速公路隧道火灾风险因子权重的确定方法

本文构建了高速公路隧道火灾风险评价的指标体系,应用GD-AHP和D-S证据理论融合算法相结合的方法,确定了高速公路隧道火灾风险因子相对于高速公路隧道火灾风险的权重值,可为高速公路隧道火灾管理与防灾措施的制定提供参考。

基于D—S证据理论的大学生综合素质评价模型

建立了反映大学生综合素质的定性与定量相结合的二级指标体系,通过对实际测评所对应的各级素质指标进行评价,采用D-S证据理论计算得到了学生的综合素质得分.

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.

基于1DCNN和D-S多信息融合的光伏系统直流母线串联电弧故障检测

直流母线是光伏系统输出能源的主干道,由于长期曝晒、风化等作用,电缆、连接器等组件劣化,光伏系统直流母线中发生电弧的可能性急剧上升,极易引发火灾、触电等事故。在光伏系统中,串联电弧故障将使回路电流下降,传统的过流保护无法识别。因此,本文提出基于深度学习和证据理论(D-S)的方法来识别串联电弧故障,该方法基于并联电容器电流和电压信号,采用一维卷积神经网络(1DCNN)对检测数据进行电弧识别;在此基础上将基于单个传感数据的识别结果作为证据,运用D-S多信息合成法则计算得到信度分配,最后利用决策规则判断是否发生串联电弧故障。搭建多参数可调模型获取数据进行测试,结果表明:使用1DCNN识别方法,基于并联电容器电流和电压信号的串联电弧识别准确率分别为97.19%和94.98%,而基于1DCNN和D-S多信息融合的光伏系统直流串联电弧故障检测的识别准确率可提升至99%以上。

D-S理论和Markov链组合的桥梁性能退化预测研究

为准确预测桥梁性能退化,考虑到数据随机性和微小扰动发生状态跳跃,提出了一种D-S(Dempster-Shafer)证据理论和Markov链组合的桥梁性能退化组合预测模型和性能退化率的概念.该模型基于指数平滑(exponential smoothing,ES)方法获得新的预测数据序列,并利用Markov链和D-S理论不断进行优化,从而实现桥梁性能退化的组合预测.实际工程的应用结果表明:性能退化率可以直观地表征在梁性能退化的速度.其次,该模型的平均相对误差为1.54%,较于回归、灰色和模糊加权Markov链模型,精度分别提高了1.11%,0.88%和2.8%,而后验差比值为0.242,小于0.35;模型的标准差为9.021,相比其他模型分别减小了3.978,3.405和7.500,而变异系数为0.109,均小于其他模型,验证了组合预测模型在精度和稳定性方面的优越性,可为在役桥梁结构性能退化预测与维护提供理论基础.

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CD-BSMOTE的D-S证据融合变压器故障诊断

针对变压器油中溶解气体数据集不均衡特性对故障诊断结果的影响,提出一种基于清除临界点改进的边界合成少数类过采样算法均衡数据集和Pearson冲突距离改进D-S证据融合的变压器故障诊断模型。首先,对少数类样本进行均衡化处理,根据K-means聚类结果清除处于临界位置的样本;其次,搭建梯度提升树、随机森林、BP神经网络的故障诊断模型,实现变压器故障初步诊断;接着引入Pearson冲突距离改进D-S证据融合模型,实现诊断结果的融合决策;最后,经实际算例分析,诊断精确率达到92.65%。结果表明,所建模型能有效解决数据不平衡对诊断结果的影响,提高故障诊断精度。

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。

改进YOLOv7-tiny与D-S理论结合的实验室人员行为检测研究

针对目前实验室场景缺少对人员行为检测的方法,且主流算法精度低、误检率高的问题,文中提出一种改进YOLOv7-tiny的人员行为检测算法,并通过多源信息融合,提高人员行为在实际实验室场景中的识别准确率。首先,在检测算法主干网络引入GhostNetV2轻量化网络,进一步降低模型计算量和复杂度;其次,在颈部网络嵌入改进后的CBAM_E注意力模块,加强目标重要特征的提取;再次,在预测端使用SIoU替换原有的损失函数,减少角度因素和边界框回归精度的影响。检测结果表明,相较于YOLOv7-tiny,文中算法精度提升10.08%,模型参数量和复杂度分别下降36.45%和46.76%。最后通过将检测数据与传感器采集数据运用D-S证据理论进行信息融合后发现,人员不规范行为检测的误检率得到有效降低。结果表明,该方法可实现对实验室人员不规范行为的有效检测。

基于改进D-S理论的多时刻空中目标威胁评估

针对单时刻空中目标威胁评估存在的抗干扰能力弱、可靠性不足等问题,建立一种基于改进D-S证据理论的多时刻空中目标威胁评估模型。首先,根据空战时间线,定义多时刻空中目标威胁评估时段范围;然后,在单时刻空中目标威胁等级概率分配基础上,利用D-S证据理论融合各时刻证据信息;同时,针对D-S证据理论不能处理高冲突证据的弊端及其现有改进方法计算量较大的不足,引入偏移度的概念,确定各时刻证据源权重,对加权证据进行D-S融合。数值算例表明,该模型算法复杂度低;能有效处理波动数据、稳定性强,并且可减弱高冲突证据融合对威胁评估带来的不利影响,为最终决策提供了更准确的判别依据。

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AHP-DS异质数据融合的建筑空间占用感知算法

智慧建筑智能控制系统旨在优化建筑物的建筑空间舒适度及能源分配,近年来受到了广泛关注,而建筑空间占用信息对智慧建筑管理系统的决策具有重要作用。现有建筑空间占用感知方法尚未针对如何融合具有不确定性、冲突性的多源数据问题提出有效解决方案,基于此,本文将D-S证据理论引入建筑空间占用预测中,并构建了基于建筑空间占用检测的mass函数确保D-S证据理论在该应用中的性能。另外,本文引入层次分析法(Analytic Hierarchy Process,AHP)解决多源异构数据源间的冲突所导致的建筑空间占用误测的问题,以提升感知精准度和系统性能。