基于BP神经网络和证据理论的超声检测缺陷识别

针对超声检测缺陷性质识别中准确率较低的问题,研究了一种基于BP神经网络和证据理论进行超声检测缺陷识别的方法。首先,提出了一种基于BP神经网络和证据理论的融合模型,利用BP神经网络进行特征层融合,将其输出作为证据源的概率分布函数。其次,在决策层融合中针对传统D-S证据理论易出现证据冲突的情况,考虑到不同传感器获取数据的可靠性差异,给出获取证据源可靠性因子的方法。通过引入可靠性因子λ衡量不同证据源的可靠性,使得所有证据源经过可靠性评估后再进行数据融合。最后,通过超声检测手段获取某航空材料的缺陷数据,并对提出的方法进行了验证。研究结果显示,该方法能够更加准确地进行缺陷识别,与传统D-S证据理论相比提高了缺陷识别的准确性。     

一种基于证据推理的装备保障资源评估方法

为解决目前多属性决策分析在处理不确定性问题上存在的不足,提出一种基于证据推理的装备保障资源评估方法,该方法通过融合多种不确定信息得到装备保障资源水平.首先,构建装备保障资源评估指标体系,根据专家知识获取指标权重;然后,基于规则的输入信息转化法,将指标数据转换到统一的置信框架下,并建立基于证据推理的评估模型.针对模型参数难以精确主观确定的困难,建立非线性优化模型,基于投影协方差矩阵自适应进化策略算法求解得到最优参数.对某单位装备保障资源实例进行评估,并通过对比分析验证所提出方法的有效性.     

基于证据推理的航天继电器故障预测方法

针对航天继电器失效比例高、故障预测存在强不确定性等问题,以JRC-7M航天继电器为研究对象,选取吸合时间和超程时间为故障特征变量,提出一种基于证据推理(evidential reasoning, ER)融合多故障特征信息的航天继电器故障预测方法。该方法利用基于三阶Volterra滤波器的在线预测模型预测故障特征未来信息,采用变异系数法自适应求取融合权重,建立基于证据推理的融合框架融合多故障特征信息得到继电器的故障状态,并通过融合其历史、当前和未来状态信息得到继电器综合故障预测结果。利用STS2104A电磁继电器测试系统测试并采集数据,验证了所提方法的有效性。     

基于证据推理的动态系统安全性在线评估方法

综合考虑动态系统历史记录、当前状态以及未来退化趋势信息来对其安全性进行在线评估是极其重要的.本文提出了一种基于证据推理（Evidential reasoning,ER）的安全性在线评估方法.该方法先融合多个安全性指标获得各个时刻的安全性状态,而后融合系统"历史"、"当前"、"未来"时刻的安全性状态,评估得到系统的综合安全性水平.首先,建立了基于三阶Volterra滤波器的在线预测模型,预测指标未来信息;然后,建立了指标最优自适应权重求取模型,计算并更新指标实时权重;最后,提出了基于证据推理方法的融合框架,对"历史"、"当前"、"未来"时刻的信息进行融合,得到系统当前时刻的综合安全性评估结果.通过对某惯性平台系统的安全性评估实例验证了所提方法的有效性.