基于模糊贴近度和DS推理的辐射源识别方法研究

在复杂的战场电磁环境中,基于多传感器的属性特征关联方法是获得稳健辐射源目标识别的有效途径。考虑到单一识别算法的缺陷,综合模糊集合理论和DS理论的优点,提出一种基于模糊贴近度的DS推理辐射源识别方法,采用格贴近度作为相似性测度确定概率分配函数,并利用DS理论对多传感器信息进行有效融合。仿真结果表明,即使在恶劣的噪声环境下该方法亦具有较好的目标识别率,从而为工程应用提供了有益的参考。

一种改进的DS多传感器信息融合故障诊断方法

DS证据推理理论由于其能很好融合多传感器数据和区分不确定与不知道的问题,因而被广泛应用于故障诊断过程中。但由于其不能很好的处理冲突项,在应用中受到限制。为解决此问题,通过建立传感器间支持信任矩阵,重新赋予加权系数,经过仿真表明此方法很好的解决了DS理论中的冲突问题,提高了故障诊断正确率。

基于模糊校正的深度时序信息安全评估算法

针对现有信息安全评估算法对多专家主观态度偏差的处理不足,并且传统时序机器学习模型无法应对时间段内偏差积累等问题,提出一种基于深度模糊校正的深度时序信息安全评估算法。该算法首先通过三角模糊函数构建专家模糊评估指标,并采用改进的加权DS证据推理校正指标,然后创建损失和可能性矩阵特征,最后使用深度时序网络评估信息安全。在MIT数据集上进行了仿真实验,实验分别分析了特征是否能够应对多专家冲突,以及评估算法的正确率,鲁棒性和时间效率等指标。实验结果表明,本文提出的算法拥有更强的模糊评价能力,对专家间的冲突意见处理能力更强,在时序上的信息安全评估更准确,鲁棒性更高,但是算法效率却得到了保持。