基于Dempster-Shafer证据理论的信任评估模型

从网格的动态性、分布性、不确定性等特征出发,参考社会学的人际信任关系结构,提出了一种基于Dempster-Shafer证据理论(简称D-S理论)的信任评估模型.该模型根据网格节点间的历史交易记录,给出“直接信任”的形式化描述,建立网格节点信任推荐机制,并利用D-S理论对证据进行组合,从而得到“间接信任”.然后将直接信任和间接信任进一步组合为“综合信任”,从而有效实现信任信息的融合.将本文提出的信任度评估方法应用到调度算法中,结果证明了该信任模型的可行性和实用性.

数据融合中的Dempster-Shafer证据理论

虽然 D- S方法已广泛地应用于各种数据融合系统中 ,但在实际应用中依然存在着许多困难。总结了数据融合应用中的 Dempster- Shafer证据理论研究概况 ,从四个方面阐述和对比分析了一些有代表性的研究成果 ;

基于Dempster-Shafer证据理论的数据融合技术研究

系统地研究了 Dempster- Shafer(D- S)证据推理的数据融合技术 ,分析了传感器基本概率分配函数 (basic probability assignment- BPA)的构造方法 ,分别对双传感器随参数分布的几种情况进行了检测融合 ,利用红外场景生成器生成的 3～ 5μm和 8～ 1 2 μm双通道的红外背景及目标的序列图像 ,仿真了融合对探测操作特性 (receiver operatingcharacter- ROC)曲线的性能改进 ,对 AGEMA THV90 0型双通道红外热像仪的小目标图像也开展了实验处理 。

基于Dempster-Shafer证据理论的端口扫描检测方法

端口扫描是通过对目标系统端口试探性的访问来判断端口是否开放的行为.它往往是攻击者入侵行为的第一步.端口扫描检测是入侵监测系统不可缺少的一部分,而当前端口扫描的检测方法不多,并且准确性不高.为提高扫描检测的准确性,本文使用Dempster-Shafer证据理论对两种扫描检测方法产生的数据进行融合:一种是基于端口分布特征的扫描检测方法,该方法简单且具有较高的检测率;另一种是基于序列假设测试的扫描检测方法,该方法充分利用了端口扫描的本质特征.实验结果表明,同单独使用基于端口分布特征或序列假设测试的方法相比,这种基于Dempster-Shafer证据理论的扫描检测方法对端口扫描的检测准确得多.

基于Dempster-Shafer证据理论的信息融合在设备故障诊断中应用

给出了一种基于神经网络的基本概率分配构造方法和诊断决策规则,提出了一种基于Dempster-Shafer证据理论的多故障特征信息融合的故障诊断方法,并以旋转机械故障诊断为例,详细说明了该方法的具体实现步骤.结果表明,经过多故障特征信息融合,诊断结论的可信度明显提高,不确定性明显减小,因此充分显示了该诊断方法的有效性.

基于数据融合中Dempster—Shafer证据理论的入侵检测技术

本文先简要的介绍了入侵检测系统的组成和几个应用层次,接着讨论了数据融合技术中的Dempste-Shafer 证据理论,并尝试给出了其在入侵检测的身份识别的一个算法和实例。

利用Shafer证据理论进行决策的改进算法

针对《证据理论与决策、人工智能》一书中提出的决策算法，以其合理的“最少点”原则为基础，引入新的计算技巧和处理方法，克服了原算法中的ＮＰ问题，使决策过程更快捷、细腻、理性，从而得到一个面向工程。

基于Dempster-Shafer证据理论的协同频谱感知算法

认知无线电的首要任务是频谱感知,单个认知用户的频谱感知结果容易受到衰落和多径的影响,本文结合证据理论研究了多个认知用户的协同频谱感知问题。为了在融合中心未知先验信息的条件下实现对授权用户的有效检测,文章基于Dempster-Shafer证据理论,对认知用户的本地感知结果提取证据,然后在融合中心进行融合并判决,提出了一种基于Dempster-Shafer证据理论的协同频谱感知算法。仿真结果表明,该算法能够在融合中心未知先验信息情况下,获得较好的频谱感知性能。

Dempster-Shafer证据理论在空战态势评估方面的应用

为了准确分析空战态势,以达到辅助决策之目的,采用D-S证据理论对态势进行评估。首先提取出影响空战态势的战术条件,称之为态势因素,然后分析每个因素的影响效果。在此基础上建立态势评估的数学模型,利用D-S合成法则将所有因素的影响进行综合,并计算出态势发生的结果及可能性区间。最后,通过仿真实例验证了该方法在空战态势评估中的可行性和实用性。

基于Dempster-Shafer证据理论的虹膜图像分类方法

为了提高虹膜图像的分类率,提出了一种基于证据理论的虹膜图像分类方法.该方法利用虹膜图像的纹理变化信息来提取虹膜灰度信号的比率特征,并结合证据理论实现了虹膜图像的决策分类,降低了不确定性因素对图像分类的影响,提高了分类率.在相同的实验条件下,对不同数量的虹膜图像进行了实验验证,结果表明,该方法在保持了分类稳定性的同时,其分类率比直方图交叉分类方法和直方图比率特征分类方法分别提高了6.96%和4.44%.

贝斯方法与Dempster-Shafer证据理论的讨论

目前 ,实时C3 I系统中主要应用的判决级属性估计方法有贝斯方法和Dempster Shafer证据理论。在获得目标参数数据之后 ,通过对多个参数数据的融合获得所要识别的属性。文中介绍了贝斯方法和Dempster Shafer证据理论的基本原理和融合过程 ,将两者进行比较并给出一个实例。最后展望了属性估计方法的发展。

基于Dempster-Shafer证据理论的航空发动机磨损状况融合诊断

本文利用Dempster-Shafer证据理论对滑油光谱分析得到的铜、铁、银3种元素含量进行融合诊断,从而达到对航空发动机磨损状况更为准确的判断,同时也提高了发动机工作的可靠性。通过对实测的两组样本数据进行融合诊断分析,发现3种元素的融合诊断结果比单一元素诊断结果更准确、可信度更高。第一组样本数据诊断正确的概率从37.05%提高到76.52%,第二组样本数据诊断正确的概率从69.59%提高到96.26%。

Dempster-Shafer证据理论在水利工程良性运行评价中的应用

要改善水利工程不良运行现状,只有在正确评价水利工程良性运行与否的前提下,才能有针对性地讨论和研究其适用的运行管理措施。然而,针对水利工程运行管理这一涉及社会、经济、管理等多个学科的特殊对象,其评价最大的难点就在于对其评价中定性指标的定量化问题,对此,给出了一种基于Dempster-Shafer证据理论的定性指标无量纲化方法,较好地解决了水利工程良性运行评价中的难点问题,具有较强的可操作性和实际意义。

Dempster-Shafer证据理论在目标意图预测中的应用

为了准确对目标意图进行预测,以便我方及时合理地作出战术决策,采用D-S证据理论对目标意图进行预测。首先提取出影响目标意图预测的各个态势因素,然后分析每个因素的影响效果。在此基础上建立目标意图预测的数学模型,利用D-S合成法则将所有因素的影响进行综合,并计算出各个可能命题的概率赋值并给出相应决策。最后,通过仿真实例验证了该方法在目标意图预测中的可行性和实用性。

基于Dempster-Shafer证据理论的柴油机故障诊断

在简述多传感器信息决策层融合暨Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论的基础上，研究了决策层信息融合 的实现方法和算法，利用柴油机表面振动信号与高压油路压力信号所提供的特征信息进行融合处理，使 用决策规则对柴油机供油系统工作过程多种故障进行了诊断识别。通过分析、比较基于融合信息进行诊 断识别的结果与单传感器信息诊断识别的结果，说明了多传感器信息融合的诊断识别方法具有良好的 稳定性、精确性和容错性，能够有效地提高柴油机故障诊断的准确性和可靠性。

基于Dempster-Shafer证据理论的流域不透水表面扩张特性研究

[目的]揭示驱动盘龙江流域不透水表面扩张的影响因子,以及影响因子各属性值对不透水表面扩张的影响程度,并在分析驱动机制的基础上,模拟预测盘龙江流域的扩张趋势,为流域生态建设合理规划提供依据。[方法]采用Dempster—Shafer(D—S)证据理论来描述和融合多种空间数据,在已有的不透水表面(impervious surfaces,IS)信息与多种空间数据的量关系的基础上,采用数据驱动方法分配基本概率函数(basic probability assignment,BPA)。经过定义多种空间数据的BPA函数,然后采用D—S证据理论的融合规则融合多个BPA函数以获取研究区域IS的信任函数、不信任函数、不确定函数、似真函数。[结果]距道路距离,距居民点距离,距水系距离,人口密度,GDP,IS邻域单元数,坡度,高程驱动因子对盘龙江流域不透水表面的扩张影响比较大,而坡向对不透水表面扩张的影响程度变化不明显。不透水表面扩张模拟的精度达到78.04%。[结论]采用D—S证据理论方法来描述空间数据和融合多种空间数据具有比传统逻辑回归模型更好的分析和预测功能。

基于Dempster-Shafer证据理论的网络安全推断方法

电力物联网边缘层的网络环境复杂,处于开放环境中,安全威胁多样且动态变化.传统的基于防火墙的网络安全体系难以有效应对电力物联网层出不穷的安全问题.本文使用了数据驱动的思想对边缘设备的网络行为进行动态地判断.基于电力物联网的特点,采用网络日志、域名生成算法以及网络流量三个维度作为判据,给出了基于混淆矩阵的基本概率指派方法.通过Dempster-Shafer证据理论进行多源信息融合,对电力物联网的网络安全进行判别.

基于Dempster-Shafer证据理论的组合基因预测

使用Dempster-Shafer证据推理理论组合多个基因预测程序可以组合来自多个信息源的基因预测信息,多个基因预测程序组合后的预测效果明显好于单个基因预测程序的效果.

Dempster-Shafer证据理论及其解释

Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论是一种不确定推理理论，它力图克服Ｂａｙｅｓｉａｎ理论的一些困难。目前该理论的解释主要有上下概率解释，随机译码器范例和可迁移信念模型。然而，这些解释与该理论均不完全相配。

结合Dempster-Shafer证据理论与循环神经网络的网络安全态势预测

针对传统的模糊评价系统存在评价冲突和主观偏差,造成网络安全态势预测出现精度和鲁棒性较低等问题,提出一种结合Dempster-Shafer(D-S)证据理论与循环神经网络的网络安全态势预测算法;首先以专家评价为基础构建网络安全的系统角色,由三角模糊函数获取专家评估指标;然后引入D-S证据理论进行评估指标的筛选、推理和校正,构建网络安全态势损失矩阵和可能性矩阵;最后,以损失矩阵和可能性矩阵为特征输入至循环神经网络中,获取网络安全态势预测结果。仿真实验结果表明,D-S证据理论有效地解决了评价冲突和主观偏差问题,循环神经网络使得网络安全态势预测结果的精度和鲁棒性都得到了提升。