基于ANFIS和证据理论的信息融合研究

提出了一种基于自适应神经网络-模糊推理系统(ANFIS)和D-S证据理论相结合的信息融合方法.利用神经网络的学习功能提取模糊规则和调整隶属函数,然后用自适应神经网络-模糊推理系统的输出构造证据理论中的基本概率赋值,解决了证据理论中的基本概率赋值不易确定的问题.该方法实现了模糊推理、神经网络和证据理论的有效结合,使得证据理论具备智能信息处理的能力,并应用于雷达与红外复合制导的目标识别融合系统.仿真结果表明:该方法提高了目标识别的置信度,降低了系统虚警率,融合结果也更加合理.     

基于D-S理论的学生行为评价模型的研究

针对目前学生行为评价方法的可区分度较小、可信度低、方法单一的状况,综合运用了D-S信息融合技术,基于证据推理提出了一种新的学生行为评价模型。D-S理论是一种典型的不确定性推理和信息融合方法,它适用性强,应用广泛,能很好地表示和处理学生行为表现的不确定性信息。证据的基本可信度分配和不确定度的提取采用了函数映射的方法,在预先设定的门限条件下,采用基于基本可信度分配的决策方法进行评价结果的判定,使评价目标的不确定度大大下降,可区分度明显得到了提高,学生行为的评价结果明显得到了改善,从而增强了评价的可信度。     

基于改进的BP网络的D-S证据理论及其应用

目前,D-S证据理论凭借自身独特的处理不确定性问题能力,已在众多领域得到了广泛的应用。命题基本概率分配(BPA)的确定是D-S证据理论得以广泛应用的关键之一,将改进的BP网络运用到基本概率分配的确定过程中,使得BP网络和D-S证据理论两者有机地联合应用,这样既可利用D-S证据理论来表达和处理不确定信息,又可以充分发挥BP网络的自学习、自适应和容错能力。建立了基于BP网络的D-S证据理论的故障诊断模型,并给出了证据的融合算法。最后,仿真实验表明该模型可行。     

基于D-S理论的学生行为评价模型的研究

针对目前学生行为评价方法的可区分度较小、可信度低、方法单一的状况，综合运用了D-S信息融合技术，基于证据推理提出了一种新的学生行为评价模型。D-S理论是一种典型的不确定性推理和信息融合方法，它适用性强，应用广泛，能很好地表示和处理学生行为表现的不确定性信息。证据的基本可信度分配和不确定度的提取采用了函数映射的方法，在预先设定的门限条件下，采用基于基本可信度分配的决策方法进行评价结果的判定，使评价目标的不确定度大大下降，可区分度明显得到了提高，学生行为的评价结果明显得到了改善，从而增强了评价的可信度。     

基于数据融合和挖掘技术的航海避碰决策系统

介绍了数据融合和数据挖掘技术,并把该技术应用于航海避碰决策系统中.建立了航海避碰决策系统的数据融合和数据挖掘综合处理的模型,并将基于多知识库的数据挖掘与信息融合技术与模糊神经网络数据挖掘技术相结合,利用模糊推理、神经网络技术和D-S证据理论实现目标识别,从而得到对于各目标类型的最终认识.     

D-S证据理论中冲突证据的合成方法

针对高度冲突证据的合成问题,分析了D-S合成方法及其改进方法的不足,提出了一种新的改进方法。新方法仍利用D-S合成公式,但针对该公式要求参与合成的各证据需具有相同重要程度的要求,考虑到融合系统中各证据的重要程度可能不同,直接利用公式合成可能得到与实际相悖的结论,因而引入证据权的概念,给出了证据权的具体算法,通过证据权对已有的基本可信度分配函数进行修正得到了重要性相同的新的证据的基本可信度分配模型。最后通过算例比较表明新方法的合成结果更为理想。     

基于改进信度函数分配方法的煤种判别技术

针对电厂煤质不稳定的问题,提出基于D-S证据理论进行煤种判别的方法.提出一种根据以往的煤质分析数据建立可更新的典型样本库,然后根据典型样本库获得信度密度函数的方法.利用入炉煤元素分析结果和低位发热量作为证据,结合典型样本库计算出证据在各目标模式下的信度函数分配及不确定度,再利用D-S联合规则将数据进行融合,对目标煤种做...     

多传感器数据融合技术在火灾报警中的应用

针对目前火灾报警中存在的问题,提出了一种基于神经网络和D-S证据理论的多传感器数据融合技术,并通过模拟实际输入信号的仿真结果进行了证明.这种采用神经网络BP算法和D-S证据理论的多传感器数据融合技术,能够显著提高火灾的识别能力,有效降低火灾误报率.     

基于D-S证据理论的信息安全风险评估

采用Dempster-Shafer(D-S)证据理论处理信息安全风险评估中的不确定性问题,提出了基于D-S证据理论的风险评估模型。用改进的Dempster合成法则即对基本可信度分配使用"折扣率"的方法,对信息系统中存在的各种风险因素进行合成,处理风险因素中的不确定性,并通过仿真证明了该算法的正确性。最后,通过与模糊综合评判法进行比较验证了证据理论具有更高的准确性。     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S（Dempster-Shafer）证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

基于多级信息融合的转台故障诊断系统研究

根据转台系统复杂的结构特点,提出了一种多级信息融合的故障诊断方法.首先针对来自各子系统的多传感器信息,应用神经网络进行局部故障模式分类;然后,将多个子系统诊断结果应用D-S证据理论加以综合,给出系统级的故障诊断决策.实验表明,该方法在复杂系统故障模式分类和不确定性推理具有较强的处理能力,能有效地提高故障诊断的可靠性和准确度.     

一种具专家能力的模糊神经网络自组织控制器

随着现代科学技术的迅猛发展,人们所面临的问题日益复杂多变。传统的控制技术与信息处理技术对这些复杂问题时常无能为力,因而产生了智能控制技术。近年来智能控制的研究主要集中在模糊系统、神经网络以及二者结合的模糊神经网络技术方面,特别是模糊神经网络已成为研究者们倾注的焦点。因此提出了一种具有专家调整策略的模糊神经网络自组织控制器的设计方案。其特点是：用神经网络代替传统模糊控制器的隶属函数和权值,实现了模糊规则的自动更新;采用一种对量化、比例因子进行专家调整的策略。仿真结果表明,这种智能控制器具有良好的控制性能。     

基于耦合人工神经网络的工业材料选择与决策方法研究

为了实现工业材料的快速选择和决策,提出利用以往工业产品设计方案实例来训练神经网络.通过目标产品的编码信息和索引模式实现知识推理,从而获得所需的信息.文中首先研究了工业材料选择与决策方法的耦合神经体系结构,通过ART1网络的学习规则和工作规则,解决工业材料的选择和决策问题,并给出了ART1神经网络模式的链式32位二进制工业材料编码方法.通过实例推理、神经元网络、面向对象等技术,使得基于耦合神经网络的工业材料和决策系统能够有效地实现产品的方案设计,达到了预期目的.     

基于加权模糊推理网络的文本自动分类方法

针对数据挖掘中的文本自动分类问题,提出了一种基于加权模糊推理网络的分类方法．网络的基本信息处理单元为模糊推理神经元,融合了模糊逻辑能够较完整的表达领域规则和先验知识以及神经网络自适应环境的优点．根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出网络一种新的学习算法．该算法以文本特征谓词的真度作为分类依据,体现了模糊分类的思想以旅游站点网页分类为例验证了该方法的有效性。     

基于决策树与脉冲神经膜系统的输电网故障诊断方法

为有效处理电网故障诊断过程的不确定和不完备信息,提出一种基于决策树与模糊推理脉冲神经膜系统的输电网故障诊断方法:首先采用权重网络分割法将电网分割为若干小型子网,再利用决策树算法对原始故障决策表进行训练,并约减故障信息,提取输电网故障产生式规则;然后利用模糊推理脉冲神经膜系统的强大知识并行推理和模糊信息处理能力,建立基于 FRSNPS 的故障诊断模型,实现输电网故障诊断;最后,以 IEEE14 节点标准系统为对象进行仿真实验和分析。实验结果表明,该方法在单类型和多类型故障信息丢失时,依然能够诊断出正确故障元件。     

基于模糊加权论证方法的模糊神经网络

在‘Mamdani'论证方法的基础上提出改进的模糊加权推理方法.模糊神经网络是以改进模糊加权论证方法为基础发展起来的.网络加权和成员函数最优化的相互匹配在应用发展规则系统的条件下进行.模糊规则可根据网络加权而获得,网络模型的有效性和最优化程度可以由仿真实验检验.     

基于BAM神经网络的推理研究

推理作为人工智能领域中的一个重要课题,是人类求解问题的主要思维方法.人们在处理问题或人工智能领域中进行推理机设计时,往往根据问题及所处环境不同,考虑不同的推理策略以提高其效果或效率.正向推理、反向推理及双向推理为三种基本的推理策略.双向联想记忆(BAM)神经网络是一类具有双向稳定性的反馈系统,具有简单、可靠、易于实现的特点.将双向联想记忆(BAM)神经网络用于推理是人工智能领域中进行推理机设计的新途径.在分析了BAM网络用于推理,尤其是双向推理的理论依据上,研究了BAM网络在不同推理策略下的运行方法,通过实例说明了该方法的运作方式,最后就存在的网络容量等问题进行了讨论,指出了进一步研究的方向.     

基于动态贝叶斯网络的气化炉烧嘴系统可靠性分析

为解决在分析系统可靠性时获取的动态贝叶斯网络（DBN）的先验数据主观性强的问题,以气化炉烧嘴系统为研究对象,利用BP神经网络优化DBN的先验数据。依据隐含层神经元数量经验公式,将气化炉烧嘴系统DBN模型划分为3个子系统,并分别转化为BP神经网络。将DBN的先验分布分别对应BP神经网络的输入函数与输出函数,再利用BP神经网络信息向前传、误差向后传的特性,对系统进行性能学习,实现对DBN的先验数据优化。对优化后气化炉烧嘴系统的DBN进行双向推理,实现对气化炉烧嘴系统动态可靠性分析。结果表明,对气化炉烧嘴系统DBN进行正向推理,可得到优化后的系统可靠性变化趋势;进行反向推理,可得到优化前后的关键事件及薄弱环节,其中薄弱环节为高氧煤比氧煤比的波动。     

神经网络的企业能力集扩张模型研究

如何借助于不确定性推理技术和原理(概率推理、证据推理、模糊推理、信息推理、包含度推理等)研究不确定情形下的能力集扩张问题,仍是能力集扩张理论中很值得研究的内容之一。关于不确定情况下的能力集扩张问题,目前的文章主要是研究企业已有能力集或实需能力集是不确定的情形,没有解决两者都是不确定的情况,正是基于此目的,采用模糊粗集神经网络方法研究此种情况下的企业能力集扩张过程,解决模糊的市场需求、粗糙的已有能力集等不确定性影响因素,帮助决策者将企业能力集扩张到企业管理决策问题满意解所需的能力集。     

基于模糊RBF神经网络的双电机驱动伺服系统研究

双电机驱动伺服系统中存在齿隙和摩擦等非线性,常规PID控制不能满足其控制要求.针对常规PID控制器参数固定而导致在控制中效果差的缺陷,提出一种基于模糊RBF神经网络整定的PID控制方法.该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,可以在线调整得到一组适合于控制对象的PID控制参数.最后在双电机驱动伺服系统中进行仿真试验结果表明所提出的控制策略是有效的.