基于证据理论的多传感器数据融合水质检测研究

针对多传感器水质监测数据融合中测量数据存在误差的现象,论文提出一种基于DS证据融合理论的多源监测数据融合算法.该算法将影响水质的氨氮含量(NH3-N)、溶解氧(DO)、pH值、电导率(CD)等多环境因子变量作为证据,并赋予可靠性折扣,计算出水质等级的质量函数,然后通过DS方法将其与其他证据结合起来,最后使用融合质量函数值的决策规则确定水质类别.实验证明这种方法适用于具有多源监测数据的水质类别预测,可以从不确定性传感器数据中评估水质,并提高评估性能.

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.

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。

基于证据理论和区间分析的eVTOL热失控安全性分析

为保证eVTOL的安全性,需要对锂电池的热失控问题进行安全性分析。针对锂电池热失控失效数据不足这一问题,提出一种基于证据理论和区间分析的安全性评估方法:对系统进行故障树建模;针对故障树分析中存在的底事件失效率不精确的问题,使用证据理论计算底事件失效概率区间,并结合区间理论对故障树顶事件进行计算;通过重要度分析,找出对顶事件影响最大的底事件。利用所提方法,对eVTOL电池热失控进行安全性分析并计算各底事件的重要度,从而为降低系统失效概率、提升系统安全性水平提供依据。

基于支持向量机和证据理论的复杂系统可靠性分析方法

针对复杂系统中存在极限状态方程为隐式情况及参数为认知不确定性的问题,文中提出了一种基于支持向量机和证据理论的高效可靠性分析方法。首先,基于贝叶斯方法和最大熵原理将焦元上的基本概率分配平均分配到焦元中每一个元素以实现证据体精确化;其次,面对多学科系统中极限状态方程为隐式情况,采用支持向量机(SVM)进行显式化处理。在该方法中提出了SVM训练样本抽取策略,并对SVM通过引入马尔可夫蒙特卡洛模拟法(MCMC)进行改进,使其能适用于多学科系统的隐式极限状态方程小失效概率的求解;最后,通过算例分析,表明该方法的精度和计算效率具有较大优势,相比于MCS,该方法抽样2000个样本点精度相对误差仅为3.05%,为复杂系统的可靠性分析提供了一定的参考价值。

一种基于多分类器和证据理论融合的水质分类方法

针对单分类器对不同水质类别识别不均衡、水质分类准确率较低、适应性较差的问题,提出一种基于多分类器和证据理论融合的水质分类方法。选取深度神经网络分类器、改进支持向量机分类器和贝叶斯分类器3种分类器,通过全概率公式构建信度函数,基于证据理论对信度函数进行融合,获得多分类器融合模型。从国家地表水水质自动站发布的2022年3月1—22日水质数据中选取3 558条数据为样本集,采用DNN水质分类模型、PSO-SVM水质分类模型、贝叶斯水质分类模型和多分类器融合模型对待测样本进行测试。结果表明:多分类器融合模型对水质类别判定的平均准确率、精确率、召回率和F1值分别为94.2%、93.8%、94.2%和94.0%。相较于DNN水质分类模型、PSO-SVM水质分类模型、贝叶斯水质分类模型,多分类器融合模型准确率分别提高5.6%、9.8%和13.6%,精确率分别提高5.2%、10.0%和10.9%,召回率分别提高5.6%、9.8%和13.6%,F1值分别提高5.4%、10.2%和12.3%,多分类器融合模型在水质分类方面的准确性和适应性更高。

基于集对分析和证据理论的电能表运行状态评估

为及时准确地评估电能表的运行状态,提出一种基于集对分析和证据理论的电能表运行状态评估方法。首先根据电能表自身基础、在线监测及现场检测信息,建立电能表运行状态评估指标体系。然后运用模糊层次分析法和熵权法分别确定各指标的主客观权重,运用博弈论和变权理论确定各指标的组合权重与变权重。之后运用集对分析法确定各指标与各状态等级间的联系度,采用证据理论对各指标的联系度进行合成。最后利用最大隶属度原则与信度准则共同判定电能表的运行状态等级。实例分析结果表明,该方法与电能表的实际运行情况相符,且评估结果准确直观,与模糊综合评价法和集对分析法相比,该方法在状态等级区分度上达到了0.5256,明显高于模糊综合评价法的0.3024及集对分析法的0.1483,具有较好的区分度,为电能表的状态评估提供了一种新的思路。

基于D-S证据理论的无监督异常检测算法

在实际应用中,当数据集缺少真实标签或正常点数据量不足时,可能导致一分类支持向量机处于无监督情况。此外,当训练集中包含异常数据时,一分类支持向量机生成的决策边界将偏斜至异常数据区域。上述问题降低了异常数据的检测率,并导致分类器的性能变差。为了解决上述问题,基于K近邻算法将数据集分为可疑正常点数据集与可疑离群点数据集。其中,可疑正常点数据集用于一分类支持向量机训练与建模,对于可疑离群点数据集则采用D-S证据理论来识别其中的正常数据。实验结果表明:基于D-S理论的无监督异常检测算法可以有效地分离正常点与异常点,该算法在整体数据集上A_(uc)均值达到了0.83,且在可疑离群点数据集上A_(uc)均值达到了0.883。

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。

区间概率下基于证据理论的引信安全失效率评估方法

针对底事件基础数据匮乏给引信安全性评估带来的难题,采用证据理论对区间概率下的引信安全失效率进行分析和评估。通过构造基本信任分配函数来表征底事件区间概率的不确定性;在此基础上,利用累积似然函数和累计信任函数,基于故障树的结构函数将不确定性逐层传递,最终获得顶事件的概率包络。仿真结果表明,该方法不仅给出了引信安全失效率的上下界限,同时提供了其所有可能的累积分布函数,适用于对引信安全失效率进行评估和不确定性量化。

基于证据理论的机场应急预案评价研究

为解决应急预案评价中不确定性带来的影响,提出一种基于证据理论的机场应急预案评价方法。首先,基于全过程视角构建机场应急预案评价指标体系;然后,基于证据理论建立机场应急预案评价模型,采用层次分析法确定指标权重,将专家模糊评语转化为Mass函数,利用改进证据理论对Mass函数进行修正并合成;最后,结合各指标权重进行综合评价确定评价等级。将该方法成功运用于深圳宝安机场应急预案评价,验证了其有效性和可行性。

基于改进DS证据理论和贝叶斯网络的海运供应链风险评估

作为一个复杂的网络组织,海运供应链为全球产业链提供运输服务,在全球化大背景下,海运供应链面临众多风险与挑战,影响供应链的安全平稳运行。因此,研究其风险至关重要。针对海运供应链风险评估体系中影响因素的不确定性和专家知识推断中存在的主观性,文章提出了基于改进DS证据理论和贝叶斯网络的海运供应链风险评估模型。结果表明,海运供应链处于较高风险等级状态,其中“信息系统风险”和“外部环境风险”概率较高,需要重点关注。该模型可以从系统的角度评估海运供应链风险,切实增强风险评估工作的科学性、准确性;评估结果可为供应链上的参与者进行风险管理提供有效参考。

基于D-S证据理论的网络安全风险评估模型

本文指出网络信息安全风险评估是有效降低安全事件影响的一个途径,本文以D-S证据理论结合最新信息安全风险评估标准对网络安全风险评估模型进行阐述,结合专家意见和可信概率计算,为网络安全风险评估提供了一个可借鉴的评估方法,积极响应网络安全风险事件并进行风险值确定,降低了网络安全风险事件的发生。

基于RF与D-S证据理论融合的多通道齿轮箱复合故障诊断

针对齿轮箱复合故障特征难于提取,诊断缺乏自动识别性,且单通道往往无法全面表征故障信息等问题,提出一种基于随机森林与证据理论相融合的多通道齿轮箱复合故障诊断方法。首先通过小波包变换对各通道复合故障信号进行分解,得到故障信号的特征向量;之后引入一种新的特征集组合框架构建针对不同故障的特征数据集,通过随机森林算法划分单个分类模型;接着综合考虑各分类模型,合成每个通道下的集成分类器,并提出一种新的迭代自更新策略不断完善分类器的性能;最后设计一种基于Lance距离的改进D-S证据理论算法,该算法采用Lance距离来度量各空间证据间的证据距离,并构造Lance矩阵,由此获得相似度矩阵来衡量各证据体间的相似程度和支持度,通过计算各通道的敏感度权重系数进行BPA修正,获得最终的诊断融合结果。通过齿轮箱试验平台进行算法验证,结果表明该方法能有效识别出复合故障中包含的每类故障,并能全面融合不同通道的故障冗余信息,实现齿轮箱复合故障的精确诊断。

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。

基于DSmT证据折扣理论的短波多通道信息融合方法

针对由于短波信道复杂恶劣、通道信息间冲突突出,经典合并方式对短波多通道信息合并效果不佳问题,提出基于DSmT证据折扣理论的短波多通道信息融合方法。以DSmT证据折扣理论作为融合框架,实现对短波多通道信息融合推理判决。首先,归一化OFDM帧的相对包络标准差,并通过相对包络标准差与折扣因子计算得到折扣权重。然后,通过比特软信息提取函数获得比特概率,以比特概率对基本信任分配函数定量赋值来作为证据。最后,以PCR6融合规则对多通道软信息进行融合推理判决。在多种信道条件、多种调制方式下与经典合并方式的对比仿真实验表明,所提方法可以获得明显的误码率增益和误包增益。

基于深度学习和改进证据理论的海上多源舰船信息融合识别方法

为了解决复杂环境下基于单一舰船信息进行目标识别准确率较低,以及多源舰船信息高冲突时无法有效融合识别的问题,提出一种基于深度学习和改进证据理论的海上多源舰船信息融合识别方法。主要从两方面入手:首先利用深度学习高效特征学习能力实现更加准确的分类识别;然后通过改进的证据理论实现多证据体的高效正确融合。高悖论证据融合实验结果表明,相比于其他融合方法,文中方法融合结果具有更高的概率分配值。同时,在不同信噪比条件下对单模式识别以及文中融合识别方法进行测试,文中方法在噪声情况下仍能比单模式平均水平高出6.53%的识别性能。因此,利用文中融合识别方法能够提高舰船目标识别系统的识别准确率和鲁棒性。

证据理论框架下主动学习代理模型驱动的CFD模拟不确定性量化方法

计算流体力学(CFD)模拟中存在模型参数、数值离散和边界条件等诸多形式各异的不确定因素。鉴于证据理论具有灵活的建模框架,且能同时量化CFD模拟中的随机和认知不确定性,基于其提出了一种证据理论框架下主动学习代理模型驱动的CFD模拟不确定性量化方法,以较少的CFD仿真模型调用次数实现对CFD模拟结果的不确定性量化。该方法采用最优最大最小距离策略生成空间分布良好的候选样本点,通过动态熵权-TOPSIS主动学习策略平衡了代理模型的全局探索、局部开发和鲁棒性。此外,提出基于Hartley测度和Jousselme距离的复合收敛准则以判断终止代理模型训练的时间并量化输出响应的不确定性。最后,以采用NASA SC(2)0410翼型剖面的超临界机翼流场CFD模拟为例,分析来流参数和湍流模型参数的不确定性对机翼输出响应升阻比的不确定性量化结果。