结合新型模糊支持向量机和证据理论的多传感器水质数据融合

在多传感器水质数据融合领域,证据理论是有效的数据融合方法之一,但基本概率分配一般不易确定,从而使数据融合能力难以有效发挥。支持向量机是统计学习理论之上的高级分类算法,具有普适性和全局优化等特点,但输出的基本概率分配有待进一步提高。提出了一种基于证据理论和新型模糊支持向量机相结合的数据融合方法,通过建立基于分类超平面距离的模糊隶属度,训练模糊支持向量机提高传统支持向量机的基本概率分配,并结合证据理论进行海河水质数据融合。通过证据理论分别结合支持向量机和模糊综合评价法与上述方法进行对比实验,经精度、平均绝对百分误差、均方根误差等指标验证,精度提高10. 5%,表明所提方法是一种可靠的多传感器的水质融合方法,较其他方法具有更高的融合精度。     

基于SVM与改进D-S理论电路板故障诊断算法

为了解决传统电路板故障诊断方法耗时长、难度大、准确度不高的问题,该文充分利用不同检测设备提供的电路板故障特征信息,提出基于支持向量机(SVM)与改进D-S证据理论相结合的电路板故障诊断算法。首先,将各证据体提供的故障数据输入SVM诊断模块,获取该证据体对各个故障模式的可靠度与加权系数;其次,利用"一对一"SVM多分类方法构造证据体对各个故障模式的基本概率分配;最后,对基本概率分配进行加权处理,完成基于D-S理论的多信息融合,获得故障诊断结果。实验结果表明,所提算法可以有效降低各证据体对诊断结论的冲突,增强正确诊断结果的信度,显著提高故障诊断准确率。     

基于证据理论和支持向量机相融的烟雾图像检测算法

针对传统烟雾图像检测算法低检测率缺陷,提出一种证据理论和支持向量机相融合的烟雾图像检测算法(DS-SVM).首先分别提取主方向性状、高低频能量比、烟雾面积增长等3类烟雾特征,然后3类单特征的支持向量机检测结果作为D-S理论的独立证据,构造基本概率指派,最后根据决策规则和判决门限获得烟雾图像的最终检测结果.仿真结果表明,相对于传统检测算法,DS-SVM有效提高了烟雾图像检测率,可以满足不同环境下烟雾图像检测要求.     

SVM技术与ANN方法对旋转机械故障诊断性能的比较

论述了基于支持向量机故障诊断技术的基本原理;介绍了传统的基于人工神经网络的故障诊断方法;以旋转机械故障诊断为例对两种诊断方法进行了比较,实验结果表明,与神经网络相比,基于支持向量机的故障诊断方法在训练速度、诊断精度、可靠性等方面都表现出了优越的诊断性能。     

基于DGA支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在实际操作中存在的不足,提出两种解决方案:基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型,从而完成参数的优化,对得到的最优参数进行验证,获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验,结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低,全局寻优能力较好,相比于粒子群优化算法,差分进化支持向量机的优化精度更高。     

基于参数优化支持向量机的矿用变压器故障诊断

支持向量机（Support Vector Machines,SVM）理论在变压器故障诊断中得到了越来越多的应用,由于变压器故障数据有限,在参数的优化选择方面还存在理论支持问题。为及时监测矿用变压器潜伏性故障和提高故障诊断效率,根据支持向量机原理,采用变压器故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的浓度数据,本文提出了支持向量机的参数和参数的交叉验证算法,寻找最佳的参数和参数,利用优化后的参数对训练集进行训练,最终得到最佳的支持向量机模型,并对测试集进行分类,从而诊断出矿用变压器的故障类型。实例研究结果表明,该方法可行,具有较高的故障诊断准确率。     

基于红外热图的机载电路板故障模式诊断研究

作为一种新型的非接触式检测方法,基于红外热成像技术的机载电路板故障模式诊断方法受到越来越多的关注。本文针对传统基于红外热图的电路板故障检测算法中存在的缺陷,提出一种结合红外图像分割、热阻网络、支持向量机SVM(Support Vector Machine)与D-S证据理论的故障检测算法。首先,通过红外图像分割完成目标芯片区域温度提取,应用热阻网络模型对目标区域温度信息进行优化;其次,提取温度信息特征向量分别输入对应的初级SVM诊断模块,输出各故障模式的加权基本概率分配值BPA(Basic Probability Assignment);最后,应用D-S证据理论对各证据体加权BPA进行数据融合,输出融合后的故障诊断结果。实验结果表明,本文算法加强了有效证据体对诊断结果的正面影响,削弱了无效证据体的负面影响,大幅度提高了机载电路板故障模式诊断准确度。     

基于动态权值的多分类器故障诊断系统

 为提高动态系统故障诊断的精确性,以及减少系统运行环境对故障诊断带来的影响,本文提出了一种基于动态权值的多分类器故障诊断系统.该方法使用决策支持度来衡量当前诊断任务中各分类器的实时决策可信度,并将其联合分类器性能指标动态地为各分类器赋予融合权值,决策性能好且决策支持度高的分类器决策结果获得较大的融合权值,同时,使不可靠决策结果的融合权值趋近于零.在此基础上,将多分类器系统优化为实时性能较好的分类器组成的子系统进行故障诊断,减少了不可靠决策的干扰,进一步提高了融合决策的精确度.试验表明本文方法具有良好的诊断决策性能,能获得比单个分类器和常用的一些融合算法更高的分类准确度.     

基于小波包与支持向量机结合的滤波器故障诊断研究

首先介绍了小波包分解与重构算法和支持向量机的分类算法,然后以一个带通滤波器故障诊断为实例,利用小波包提取特征响应向量建立样本集,并利用支持向量机完成滤波器电路的故障诊断,诊断效果良好。     

基于决策树SVM的某型无人机发射机故障诊断

为能够准确地对无人机数据链发射机进行故障诊断,通过对某型无人机数据链发射机工作原理和故障模型分析,结合长期的维护、保障经验,提出了一种基于故障优先级的决策树支持向量机故障诊断方法,避免了现有的多类分类支持向量机在多类故障诊断方面存在不足,优化了多类分类支持向量机组合策略。经试验,与几种常用的多类分类支持向量机方法对比,该诊断策略有效得提高了故障诊断正确率,能够准确地定位发射机内部故障功能模块,具有一定的实际意义。     

电子装备单点多征兆故障D-S理论诊断方法研究

为了提高新型电子装备单点多征兆故障定位的准确性,构建了一种基于D-S证据理论的故障诊断模型和信息融合算法,提出了把故障诊断过程分为3步、构成3个识别框架、3次使用D-S证据推理、选取不同的决策规则实现故障定位的方法。实例证明,该方法较好地解决了电子装备单点多征兆故障诊断中的不确定性问题。     

基于D-S证据理论的数据链故障诊断方法

针对无人机数据链结构复杂而导致的故障诊断难题,提出了一种基于D-S证据理论的无人机数据链路故障诊断方法。将无人机数据链诊断划分为系统级和电路板级2层,给出了故障诊断的总体框架。运用模版匹配法进行基本概率分配函数获取,基于冲突度和重要度进行冲突证据合成,采用基本概率分配函数进行决策,在此基础上实现了基于D-S证据理论的诊断方法。实验结果表明该方法正确有效,为无人机数据链故障诊断提供了新的途径。     

基于数据融合的开关磁阻发电机故障诊断研究

研究了一种基于D-S证据理论的多证据数据融合决策的开关磁阻发电机(SRG)故障诊断方法。根据SRG电流、电压、转矩三个证据信号进行融合处理,提高了其故障诊断的精确性和可靠性。文章对D-S证据理论在开关磁阻发电机故障诊断中的应用进行了实例分析,结果表明该方法能够有效提高故障诊断精度。     

D-S故障诊断中证据冲突衡量研究

在基于D-S证据理论的故障诊断中,由于干扰或可靠性等原因,各传感器用来判断故障原因可能性的基本置信分配会出现相互冲突的现象.在冲突证据下,进行D-S诊断的前提条件是解决各传感器基本置信分配间矛盾性的衡量问题.虽然人们已对此做了一些探讨,但都没有反映D-S故障诊断的需要,研究成果无法得到应用.文中首先介绍了D-S故障诊断;然后分析了已有证据矛盾性衡量方法的不足;最后提出了一种新的衡量各传感器基本置信分配间矛盾性的方法,并进行了详细证明,实验结果表明了所提方法的正确性.     

关于用DSP预警卫星识别弹道目标的研究

研究弹道目标识别技术具有十分重要的意义。本文在简要介绍了D-S证据理论后，研究了DSP预警系统的预警原理及其探测器的工作机制，提出了一种基于改进的D-S证据理论的对弹道目标进行识别的方法。     

基于D-S证据理论的数据融合算法及其在电路故障诊断中的应用

本文在D-S证据理论的基础上,结合模糊集合论,给出了电子电路故障定位的多传感器数据融合方法.通过测试电路中的被诊断元件的工作温度和工作电压两个物理量,得出D-S证据理论中两传感器对各待诊断元件的信度函数分配,再利用D-S联合规则得到融合后的信度函数分配,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性.     

Neural network-based real-time malfunction diagnosis of reactive ion etching using in situ metrology data

To mitigate capital equipment investments and enhance product quality, semiconductor manufactures are turning to advanced process control (APC) methods. With the objective of facilitating APC, this paper investigates a methodology for real-time malfunction diagnosis of reactive ion etching (RIE) employing two types of in situ metrology: optical emission spectroscopy (OES) and residual gas analysis (RGA). Based on metrology data, time series neural networks (TSNNs) are trained to generate evidential belief for potential malfunctions in real time, and Dempster-Shafer (D-S) theory is adopted for evidential reasoning. Successful malfunction diagnosis is achieved, with only a single missed alarm and a single false alarm occurring out of 21 test runs when both sensors are used in tandem. From the results, we conclude that the OES and RGA sensors, in conjunction with the TSNN models, can be effectively used for RIE monitoring and diagnosis. Furthermore, D-S theory is shown to be an appropriate inference methodology.     

D-S证据理论数据融合算法在某系统故障诊断中的应用

介绍了Dempster-Shafer(D-S)证据理论数据融合算法的基本原理,在此基础上以电压-码转换电路板为被诊断对象,探索了基于D-S证据理论多传感器数据融合算法的某系统电路故障元器件诊断方法.诊断结果表明D-S证据理论多传感器信息融合算法可有效地提高故障模式的识别能力,使故障元器件得以有效定位.