D-S证据理论在火灾探测中的应用

将多传感器信息融合技术引用到火灾探测领域，介绍了基于D-S证据理论的多传感器多个测量周期的信息融合（时空信息融合）的方法，并将该方法应用于多个火灾探测器的信息融合。模拟实验结果表明，与单个传感器相比，基于D-S证据理论的多传感器时空信息融合的结果具有较高的准确度和可信度。     

基于多传感器融合信息的故障诊断

研究了多传感器信息融合技术应用于复杂设备系统状态监测和故障诊断的方法。简述了多传感器信息决策层融合及 Dempster- Shafer证据理论的基本内涵 ,研究了基于 Dem pster- Shafer证据理论的决策层信息融合进行状态监测和故障诊断的算法 ,利用这一方法对柴油机的工作过程多种故障进行了诊断识别应用 ,其分析结果表明 ,该方法可有效地提高柴油机故障诊断的准确性和可靠性。     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明:使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

多传感器信息融合及其在加工过程中的应用现状

为了提高机床的智能化水平,需使用多种类或多布点的传感器,如何合理使用多传感器来提高机床的智能化水平是关键问题,目前多传感器信息融合理论及技术是解决此问题的有效途径.对多传感器的信息融合原理和融合方法及其在加工过程中的典型应用情况进行了总结,明确智能信息融合技术在加工过程的监测与控制方面的应用具有广阔的前景.     

信息融合技术在刀具磨损监测中的应用

随着信息融合技术的不断发展,信息融合越来越多的被用于监测领域。本文把信息融合技术应用于刀具监测过程中,建立了多传感器信息融合刀具监测系统模型,并详细论述了基于神经网络、贝叶斯理论和D-S理论的信息融合方法。     

多传感器集成与信息融合及其应用研究

本文介绍了近年来十分活跃的研究领域——多传感器集成与信息融合的有关理论,给出了多传感器集成与信息融合的过程和方法.最后介绍了仿真实验样机.     

基于信息融合技术的加工过程监测系统研究

加工过程状态的监测与控制是提高机床智能化的重要研究内容,为实现加工过程的智能化监测与控制必须以多传感器及多传感器信息融合技术为基础.提出了一种基于粗糙集理论和神经网络的多传感器智能信息融合方法,该方法将粗糙集理论作为实现多传感器数据融合的方法,同时针对粗糙集理论只能处理离散数据的问题.提出了使用自组织特征映射网络对传感器采集数据进行离散化及聚类处理的方法,针对粗糙集理论在决策融合处理方面的不足,提出了使用BP神经网络来实现决策规则的有效融合,分析了该方法的原理、关键技术及实现方法,为后期的进一步的研究和应用打下基础.     

基于多传感器信息融合的AGV导航系统

介绍了多传感器信息融合及其在AGV导航系统中的应用，描述了该导航系统的详细功能，并利用仿真试验验证了所研究的多传感器信息融合的AGV导航系统的实用性与可靠性。     

信息融合的油液监测系统介绍

文章主要论述了多传感器信息融合的基本理论,给出了集中式、分布式和混合式三种模型结构,并比较它们的优缺点;融合层次对多传感器信息融合性能有重要的影响,给出数据层、特征层、决策层三种融合层次的性能对比结果;对融合系统算法进行了分析;最后给出了基于多传感器信息融合的油液监测系统,并对系统的融合过程和油液监测分布组件对象进行了剖析。     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

STUDY ON THE COAL-ROCK INTERFACE RECOGNITION METHOD BASED ON MULTI-SENSOR DATA FUSION TECHNIQUE

The coal-rock interface recognition method based on multi-sensor data fusion technique is put forward because of the localization of single type sensor recognition method. The measuring theory based on multi-sensor data fusion technique is analyzed, and hereby the test platform of recognition system is manufactured. The advantage of data fusion with the fuzzy neural network (FNN) technique has been probed. The two-level FNN is constructed and data fusion is carried out. The experiments show that in various conditions the method can always acquire a much higher recognition rate than normal ones.     

多传感器信息融合机器人工件识别

为了实现智能机器人对工件的自主识别,用遗传算法对模糊融合中多个参数进行优化,对多传感器信息在决策级进行模糊融合。仿真实验结果表明,该方法可以减少单一传感器的不确定性,增加结果的可分离性,从而提高系统对目标的识别能力。     

Multi-agent decision fusion for motor fault diagnosis

Improvement of recognition rate is ultimate aim for fault diagnosis researchers using pattern recognition techniques. However, the unique recognition method can only recognise a limited classification capability which is insufficient for real-life application. An ongoing strategy is the decision fusion techniques. In order to avoid the shortage of single information source coupled with unique decision method, a new approach is required to obtain better results. This paper proposes a decision fusion system for fault diagnosis, which integrates data sources from different types of sensors and decisions of multiple classifiers. First, non-commensurate sensor data sets are combined using an improved sensor fusion method at a decision level by using relativity theory. The generated decision vectors are then selected based on correlation measure of classifiers in order to find an optimal sequence of classifiers fusion, which can lead to the best fusion performance. Finally, multi-agent classifiers fusion algorithm is employed as the core of the whole fault diagnosis system. The efficiency of the proposed system was demonstrated through fault diagnosis of induction motors. The experimental results show that this system can lead to super performance when compared with the best individual classifier with single-source data.     

改进的D—S数据融合方法在车辆目标识别中的应用研究

为了解决车辆目标识别的数据融合问题,本文引入了Dempsgter-Shafer证据理论方法作为数据融合方法,并提出了时空数据融合的思想,把D－S方法与时空数据融合的思想相结合,得到了时间域、空间域和时空域D－S数据融合的方法,并用于目标识别中,通过实验得以经过融合后的识别结果比单传感器的识别结果要好,证明了上述方法的有效性。     

基于OWA算子的加权属性信息融合

为了解决多传感器信息融合中不同等重要信息源的数据融合问题，在OWA算子基本概念的基础上，引入基于该算子的加权属性信息融合算法。依据属性权对各属性值进行转化，使之可以用传统的OWA算子进行合成。将这种方法应用到等级不同的多传感器目标识别中，使各传感器信息源的相对可靠性信息也融入到最后的判决结果中，解决了传统OWA算子只能用于等级相同传感器目标识别的难题。识别实例表明了该方法的有效性和实用性。     

汽车主减速器轴承失效征兆早期识别的评价法

对汽车主减速器主齿轴承进行寿命预估,开展了主齿轴承失效的试验研究.为了对轴承失效征兆早期识别进行评价和判断,提出了运用模糊理论和Dempster-Shafer证据理论相结合的信息融合的评估方法,以处理信息的不确定性.试验中模拟汽车的运行状态,使用振动加速度传感器、噪声传感器和红外温度传感器,对同一测试区内的多传感器进行分析融合.试验结果表明,从冗余的信息中可以得到轴承的运行状态隶属于单一的征兆之内,产生比单一信息源更精确、更完全的识别和判断,同时避免了未知先验概率的缺乏,又达到了失效征兆识别的目的.这说明证据理论与模糊推理相结合的信息融合方法在进行轴承失效试验时,对征兆早期识别具有更高的可信度和良好的早期故障识别能力.     

基于模糊信息融合的气固流化床流型及其转换的识别研究

本文在模糊集理论的基础上介绍了多传感器、多参数识别气固流化床流型的信息融合模型。将压力脉动信号的算法复杂性Cn、涨落复杂性Cf和香农熵En作为融合的特征参数，进行特征层的多参数融合；根据特征参数建立了过渡流型的隶属度函数；对多个传感器的特征层识别结果进行决策层融合，得到了多传感器对不同流化状态的最终识别结果。实验结果表明，采用香农熵特征参数能较好地解决鼓泡与湍动2种流化状态转换的识别；应用多传感器、多参数数据融合对流态化不同流型及其转换的识别能得到较好的效果。     

基于可加性模糊系统的多传感器数据融合诊断

基于可加性模糊集系统理论,提出一种多传感器模糊融合诊断方法,采用补块覆盖法逼近函数和可加性模糊融合算法进行信号的特征融合。实验证明该诊断模型提高了诊断的准确性。     

模糊神经网络数据融合在移动机器人导航中的应用

提出一种基于模糊神经网络的多传感器数据融合方法，并将其用于自主移动机器人的导航避障。采用BP神经网络作为基体，将模糊技术和神经网络有机结合组成模糊神经网络控制系统，实现了模糊规则自动提取及模糊隶属度函数的自动生成。实验表明该方法可实现机器人的安全避障。     

颤振征兆早期识别的模糊信息融合法

基于切削试验探讨颤振征兆早期识别的模糊信息融合方法。试验中在同一个测量区内使用了功率传感器和加速度传感器,利用模糊数学与Dempster-Shafer证据论相结合的方法对两种传感器信息进行了分析融合,对切削状态进行了描述。试验证实:利用证据理论与模糊推理相结合的信息融合方法进行颤振征兆的早期模糊识别得出的目标切削状态的隶属度介于单一征兆隶属度之间,对过于敏感的传感器,会考虑其他传感器的信息予以修正,降低其评价隶属度;对于不敏感传感器,会考虑其他传感器的信息予以补偿。这种方法弥补了最大隶属度原则的缺陷,即在模糊推理中,系统对某一状态的隶属程度实际上是由模式特征集中贡献最大的那个特征决定的,而没有用到其他特征提供的信息,这说明证据理论与模糊推理相结合的信息融合方法在进行颤振征兆早期识别时具有更高的可靠度。