修正D-S证据组合方法及其在目标识别中的应用

在多传感器信息融合算法中 ,Dempster-Shafer证据理论得到了广泛应用 ,但该理论本身也存在一些不足之处。针对这种情况 ,提出了 D-S证据组合中“与”算子的一种改进方法 ,并进行了仿真。仿真结果表明 ,所提出的算法能够有效排除干扰 ,得出符合实际的组合结果。

基于D-S证据组合规则的双模型融合局部放电模式识别方法

针对传统的局部放电模式识别存在的特征提取单一、识别准确率低等缺点,提出了一种基于D-S证据组合规则的双模型融合局部放电模式识别方法。根据基于相位信息的局部放电(PRPD)谱图的统计数据特征和图像特征的特点,分别建立了反向传播(BP)识别模型和卷积神经网络(CNN)识别模型。根据2个识别模型的识别结果,提出了基于信息熵改进的D-S证据组合规则以解决常见的悖论问题,基于此建立了判定模型,更好地融合了2个识别模型的输出结果,实现了2种特征识别的优势互补。根据实际数据测试,与单一模型对比,所提方法可以稳定、准确地识别局部放电模式。

D-S证据组合规则下的修正系数的研究

针对使用冲突系数辨认证据冲突存在的不足,将Pignistic概率距离转换为证据的可信度,再将证据的可信度和虚假度结合起来,构造一个新的修正系数,然后利用新的修正系数来折扣基本可信度分配函数。最后,利用D-S证据组合规则对修正后的证据进行合成。数值算例分析的结果表明,改进后的证据组合方法得到的结果具有收敛速度快和鲁棒性好的特点,同时保持了D-S组合规则的优良性质。

基于改进D-S证据组合规则的目标识别算法

为了更好地解决高冲突证据的融合问题,提出一种3条证据直接融合的改进D-S算法.该算法首先根据证据支持贴近度函数给出识别框架下各焦元支持度的计算方法;其次根据三维证据直接融合产生的冲突因子的性质及各焦元的支持度,提出一种基于D-S证据组合规则的冲突信息加权分配算法;最后以多传感器多目标识别系统为背景进行仿真实验.理论分析和仿真结果表明,基于三维证据直接融合的改进D-S算法具有较强的抗干扰性能,能有效融合各种冲突信息,提高目标识别概率.

基于D-S证据融合的转子碰摩故障诊断方法

转子碰摩故障可以体现在转子振动、定子振动和转子瞬时转速波动等多项信息中,每种信息代表了不同侧面的故障特征,因此可通过多信息融合方法来提高诊断的正确性。为此,构造了基于定子振动和转子瞬时转速信号的转子碰摩故障诊断识别框架,采用S函数确定了mass函数的形式,给出了基于Dempster-Shafer证据理论的推理方法,将定子振动共振解调后峰值、转子瞬时转速波动幅度信息进行融合,并应用于转子碰摩故障诊断,取得了较好的效果。

基于证据加权融合的改进D-S目标识别算法

为有效融合高冲突证据,在总结已有D-S改进算法(CID-S)的基础上提出了新的基于证据加权融合的改进D-S目标识别算法(NID-S).该算法充分考虑了待融合的两证据源与其他证据源间的关联关系,根据相似度矩阵非负对称的性质求取各证据源的相似度、可信度等特征,进而利用证据源的可信度进行加权平均求和,得到不同证据源对各焦元的支持度,并将其作为一组中心值;然后构造相似度函数,并计算不同证据源中的各焦元信度赋值与其对应焦元的中心值的关联程度,从而确定参与产生矛盾信息的焦元的可信度;最后,在局部冲突信息再分配的基础上,给出改进的D-S组合规则.并与D-S算法、已有改进D-S算法进行仿真分析、对比,结果表明:无论是在相对好的探测环境还是强干扰的环境下,本文所提出的改进D-S算法的目标识别结果均优于D-S及其已有改进算法,且是一种实时性好、抗干扰能力较强,适用范围广泛的目标识别算法.

基于二维CNN与多源机电信息融合的同步电机转子匝间短路故障诊断方法

为提高同步电机转子绕组匝间短路故障的诊断准确率,以一台型号为SDF-9的一对极同步发电机为研究对象,提出了一种基于二维卷积神经网络(Convolutional Neural Networks, CNN)与多源机电信息融合的匝间短路故障诊断方法。首先选取故障前后的定子环流、转子振动、定子振动信号为故障特征,采用信号-图像转换方法将一维时序信号转化为二维灰度图像。其次将处理后的图像分别作为二维CNN模型的前置输入进行训练。最后采用D-S证据理论将3种证据体的输出概率进行决策融合。结果表明:该方法消除了单一信号易受传感器故障及环境变化的影响,故障诊断准确率显著提高,并与其他传统故障诊断算法的诊断结果进行对比分析,验证了此方法的有效性。

基于多证据同步融合的目标辨识算法

为提高不同类型冲突证据融合结果的可靠性,提出基于多证据同步融合的目标辨识算法。新算法先是通过分析证据之间的冲突状况,选择适用的冲突衡量参数,并相应给出基于不同参数的证据及源自于不同证据焦元的权值计算公式;进一步,依据新的焦元权值对多证据局部冲突信息实行按权指派。实例和仿真应用结果显示,与现有常用相关算法比较,新算法具有稳定性高、使用范围广泛的优点。

基于普适环境下的智能协作学习模型研究

结合计算机支持的学习系统存在的问题,提出了一种在普适环境下的面向移动的协作学习模型,阐述了模型的总体结构,并描述了特征分析与管理、情感跟踪与情景推理、智能学习机制三个方面的功能及其实现方法,给出一个运用D-S组合情景推理学习事务的实例分析,最后小结课题研究。

一种基于灰关联分析的多目标跟踪算法

针对多特征信息融合算法进行研究,给出了一种基于灰关联分析的多目标跟踪算法.该算法首先利用灰关联算法对多特征信息进行处理,然后利用证据距离法赋予各种特征信息不同的权重,进而利用D-S证据组合规则对多特征信息进行加权融合.将基于灰关联证据距离(GED)融合多特征信息的新算法与已有算法进行仿真对比,结果表明,本文所提新算法不仅具有较准确的目标跟踪精度,而且其时间花费较少.

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联(DIMM-MSGPDA-IDS)算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维(3-D)证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联(DIMM-MSJPDA-DS)算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。

改进的局部冲突信息再分配算法

针对高冲突证据融合算法进行研究,提出改进的局部冲突信息再分配算法。新算法利用证据相似度函数和一致性因子共同度量证据可信度,在此基础上给出改进的焦元可信度计算公式,并将其应用于对局部多元冲突信息进行加权再分配。分析了不同冲突度量参数的特点及其适用性以及冲突证据融合过程中证据及焦元可信度的有效计算方法。对新算法和相关算法的性能进行理论和应用对比分析,结果表明,新算法能够通过提高证据冲突度量精度和对局部多元冲突信息进行合理分配,在较大程度上提高冲突证据融合结果的可靠性和稳定性,是一种适用于复杂探测环境的目标识别算法。