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。

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。

基于曲线决策融合的SDN饱和攻击检测方法

针对软件定义网络(SDN)交换机和控制器的饱和攻击是SDN中的主要安全问题。在使用集成学习方法检测饱和攻击时,现有方法通常使用距离或熵值等简单的信息计算方法修正证据,可能存在信息丢失问题,降低饱和攻击检测精度。为解决上述问题,提出一种基于曲线决策融合的饱和攻击检测方法(SACOIN)。SACOIN首先计算多分类器概率矩阵的混乱程度修正多分类器内证据;随后将多分类器概率矩阵转换为曲线并去除噪声,提取重构小波的信号特征组成特征矩阵;然后计算特征矩阵行内互信息,基于上述互信息修正多分类器间证据;最后使用D-S证据理论融合修正证据,得到最终检测结果。实验结果表明,SACOIN在检测针对SDN交换机和控制器的饱和攻击时的准确率、精确率、召回率、F1值分别为92.3%、93%、92.1%、91.3%。

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ISVM-DS的红外多传感器融合识别方法

弹道中段目标为一个目标群,包括弹头、诱饵、碎片等,并且由于距离传感器较远,红外成像为点目标,可用信息较少,因此单一的红外传感器往往难以满足识别要求,需要融合多个传感器进行识别。针对红外多传感器的融合识别问题,本文提出了基于增量支持向量机和D-S(increment support vector machine-Dempster-Shafer,ISVM-DS)证据理论的融合识别方法。首先,训练多个波段传感器红外特征的支持向量数据描述(support vector data description,SVDD)模型,生成壳向量并训练其ISVM模型;接着,采用ISVM模型的后验概率生成基本概率赋值(basic probability assignment,BPA);最后,利用D-S证据理论对多个证据的BPA进行融合,输出分类结果。实验结果表明,该方法能有效提高目标识别的准确性。

改进Dempster-Shafer证据与概率模型集成的变压器故障诊断

针对单个变压器故障诊断模型准确率有限的问题,提出基于kappa系数改进Dempster-Shafer(D-S)证据理论与概率模型集成的变压器故障诊断方法。首先,分别构建基于概率输出的支持向量机、贝叶斯神经网络、深度信念网络的变压器故障诊断概率模型,拟合诊断模型在样本上的基本概率分配函数。然后,建立D-S证据理论信息集成框架,提出基于kappa系数与准确率权重的证据修正方法,从子模型与故障类型两个角度对证据进行修正,进而融合概率模型诊断结果。最后,通过仿真验证本文所提方法的有效性。

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%。