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Dempster-Shafer理论的查询扩展模型(英文)

查询扩展是提高信息检索召回率的有效方法,已有许多研究者提出了诸多扩展方法,但大多数方法均是简单地把扩展的词添加到查询中.这样如若不加区分原查询词和扩充词,则扩展后的查询就可能偏离原查询的语义.该文基于Dempster-Shafer证据理论,提出了一个查询扩展的计算模型,该模型把原始查询项看作主证据,扩展项为原始查询项的辅助证据,为了能组合这两类证据,该文给出了两个带权重的Dempster-Shafer组合规则,实验表明该方法能有效地提高检索效率.

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.

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.

权重提取与Dempster多重融合的凝汽器真空预测

为了解决单一网络预测结果不准确的问题,提出一种由BP、Elman及RBF三网络组合的预测模型,并引入模糊软集理论进行"判断证据"的权重提取以及D-S的多证据融合.以某电厂连续4天实测的现场参数构成样本空间,经主成分分析降维及权重提取后,采用Dempster组合规则下置信函数三重融合结果对随后一天的真空值进行预测.结果表明,与单一网络预测模型相比,组合预测模型的平均绝对误差和均方根误差均显著减小,融合精度更高.

Dempster组合规则适用性分析

针对传统冲突系数识别证据冲突存在漏识、误识和冲突系数值会累加增大等问题,采用pignistic变换后得到的概率赋值函数之间的距离,结合传统冲突量化标准,研究了Dempster组合规则适用性判断方法。通过与Liu判断Dempster组合规则适用性方法的对比结果表明,本方法对Dempster组合规则适用判断有较好的适用性与合理性。

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 ;

Dempster证据合成法则的通用实现方法

证据推理是不确定性推理的一种重要方法,而Dempster合成法则是进行证据推理的核心。针对目前Demp-ster证据合成法则的算法实现不能处理合成结果的焦元为多个假设或命题的集合、近似算法的计算不够精确等问题,提出通过位向量表示识别框架子集,并利用线性表、平衡树等数据结构实现证据合成的3种精确、通用算法。理论分析与仿真实验表明,所实现的算法是有效的。

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理论的GHSOM入侵检测方法

结合证据推理DS理论,提出了基于Dempster-Shafer理论的GHSOM神经网络入侵检测方法,一方面处理数据不确定性中的随机性和模糊性问题,可以在噪音环境下保持良好的检测率,此外通过证据融合理论缩小数据集,有效控制网络的动态增长。实验结果表明,基于Dempster-Shafer理论的GHSOM入侵检测方法实现了对子网拓展规模在检测中的动态控制,提升了在网络规模不断扩展时的动态适应性,在噪音环境下具有良好的检测准确率,提升了GHSOM入侵检测方法的扩展性。

基于Dempster组合规则的电子目标识别算法研究

在军事目标识别中,必须综合考虑目标的电磁辐射信息和红外图像信息,并采用有效的识别算法,才能准确识别电子目标。提出了基于Dempster组合规则的电子目标综合识别方法,完成了基于Dempster组合规则的电子目标自动识别综合处理算法研究,并进行了仿真实验,试验结果表明,该算法是可行的。

论Dempster-Shafer理论的一个悖论

Kyburg指出,在Dempster-Shafer(D-S)理论中应用 Dempster组合规则组合某些基本概率指派将导致悖论。基于Shafer的D-S理论解释,我们可以利用概率函数来表达该理论的基本概念和组合规则。在此基础上,本文分析这一悖论产生的原因。

Dempster规则的有效性和限制

1 引言 Dempster-Shafer证据理论(以下简称证据理论)是在A.P.Dempster提出的“上、下概率”及其合成规则的基础上由G.Shafer在其1976年出版的专著《证据的数学理论》中建立起来的。80年代初,SRI的J.Lowrance等人将证据理论引入人工智能;J.Gordon和E.Shortliffe在专家系统的框架中研究了证据推理。此后,证据理论逐渐发展成为一类重要的不确定性推理方法。现在,基于证据理论的不确定性处理方法已是设计专家系统及其它智能系统的标准工具之一。

基于Dempster规则的Ad hoc网络故障诊断方法

通过对Ad hoc网络状态和故障指标的研究,提出一种基于Dempster规则的故障诊断方法(DRNFD)。应用DRNFD诊断故障能有效降低漏报率和误报率,使实时故障诊断成为可能。通过仿真实验进行可行性论证,获得了实时诊断的技术效果,证实了该方法的可行性。

基于Dempster组合规则适用条件的冲突证据组合

针对D-S证据理论中Dempster组合规则出现的反直观结果问题,提出了一种新的基于Dempster组合规则适用条件的冲突证据组合方法。首先分析了Dempster组合规则出现悖论的原因及其适用条件;其次发现了基于数据模型修正的冲突证据组合方法不满足结合律的不足,最后依据适用条件对证据模型进行修正并利用Dempster组合规则进行融合,真正满足证据组合的结合律。实验分析表明,所提方法是合理有效的。

一种新的Dempster组合规则适用条件

针对传统方法中利用冲突衡量系数来判别Dempster组合规则适用性存在的指标意义不明确、阈值设定过于主观等问题,提出了一种新的Dempster组合规则适用条件。首先,提出了证据冲突不能用于判断Dempster组合规则的适用性;其次,分析了Dempster组合规则合成证据出现不合理结果的原因;最后,提出了适用条件。通过与同类Dempster适用性判断方法对比的结果表明,文中提出的Dempster组合规则适用条件意义明确、简单易行,并有较好的适用性与合理性。

一种新的基于Dempster-Shafer理论的自适应遥感分类融合方法

提出了一种基于Dempster-Shafer’s理论和模糊Kohonen神经网络分类融合的方法。该方法融合了非监督神经网络模型和在Dempster-Shafer证据理论框架中使用邻域信息的思想 ,即当一个待识别模式的每个邻域被划分为支持识别框架中某一类的一个证据体时 ,该证据体支持关于该模式隶属关系的某一假设。SPOT遥感数据的分类实验证明 ,该方法同已有的神经网络技术分类方法相比较 。

时空LBP矩和Dempster-Shafer证据融合的双模态情感识别

针对视频情感识别中存在运算复杂度高的缺点,提出一种基于时空局部二值模式矩(Temporal-Spatial Local Binary Pattern Moment,TSLBPM)的双模态情感识别方法。首先对视频进行预处理获得表情和姿态序列;然后对表情和姿态序列分别提取TSLBPM特征,计算测试序列与已标记的情感训练集特征间的最小欧氏距离,并将其作为独立证据来构造基本概率分配(Basic Probability Assignment,BPA);最后使用Dempster-Shafer证据理论联合规则得到情感识别结果。在双模态表情和姿态情感数据库上的实验结果表明,本文提出的时空局部二值模式矩可以快速提取视频图像的时空特征,能有效识别情感状态。与其他方法的对比实验也验证了本文融合方法的优越性。

时态Dempster-Shafer理论

In this paper,we propose temporal Dempster-Shafer theory to handle the combination of uncertainty andtime. In temporal Dempster-Shafer theory,the element of the temporal frame of discernment is defined as an eventthat associates a hypothesis with corresponding time interval. And the assignment of belief to subset of the temporalframe of discernment is performed by the mass function. It is a representation and reasoning mechanism that combinesuncertainty and time by the basic frame of Dempster-Shafer theory.

定性Dempster-Shafer理论

采用一个全序的符号值集合来代替数值信任度集合[0,1],提出定性Dempster-Shafer理论来处理既有不确定性又有不精确性的推理问题·首先,定义了适合对不确定性进行定性表达和推理的定性mass函数、定性信任函数等概念,并且研究了这些概念之间的基本关系;其次,详细讨论了定性证据合成问题,提出了基于平均策略的证据合成规则·这种定性Dempster-Shafer理论与其他相关理论相比,既通过在定性领域重新定义Dempster-Shafer理论的基本概念,继承了Dempster-Shafer理论在不确定推理方面的主要特点,同时又具有适合对不精确性操作的既有严格定义又符合直观特性的定性算子,因此更适合基于Dempster-Shafer理论框架不精确表示和处理不确定性·