一种D-S证据理论的多传感器数据融合算法

针对多传感器网络中采集的数据存在的不确定性,提出了一种基于D-S证据理论的多传感器数据融合算法.该算法分同类数据融合和异类数据融合两步,首先对多传感器得到的数据取特征值,通过计算同种数据间的距离,得到信任函数并设置阈值剔除异常值,将得到的正常同类数据进行初步融合.其次,计算异类数据与各等级特征值间的距离,对得到的距离求...     

传感器网络中基于预处理证据理论的数据融合

在无线传感器网络中,多个传感器节点对于同一个目标的识别结果经常会发生冲突。使用基于D-S证据理论的数据融合方案可以较好地解决这一问题。然而,采用D-S证据组合公式计算融合结果,随着可能的目标身份的增加,计算量会迅速增长。针对传感器节点有限的处理能力和节点的决策数据具有高冗余性的特点,提出通过预处理来减少计算时需要处理的目标身份的个数,减少了计算量;并通过一致性检验排除了误差较大的数据,从而使得决策结果更准确。     

无线传感器网络中基于代理的D-S数据融合

提出了一种无线传感器网络中基于移动代理带证据权的D S融合算法。引入证据权对证据进行修正以降低冲突数据对融合结果的影响。采用三级D S组合规则进行融合决策：节点级融合计算单个节点时间域融合检测概率;簇内级融合计算簇内节点间空间域融合检测概率获取局部决策结果;簇间级融合计算簇间的融合检测概率获取最终的全局决策结果。仿真结果表明,本算法能以较小的能耗代价获取准确的融合结果并有效降低冲突数据对融合结果的影响。     

基于D-S证据理论的光电测量数据融合

当前测距装置易受到大气、噪声的干扰,导致测量数据不精准。大数据发展战略下,对数据精确度提出了新要求。针对光电测量仪器测量数据测量精度较低、可靠性较差等问题,提出了一种基于D-S证据理论的光电测量数据融合模型。模型采用决策层融合方法,实时融合传感器采集的数据。实验仿真数据表明,此模型具有较高的融合精度,有利于提高光电测量数据的精确性、实时性。     

基于最小二乘与D-S证据理论的WSN层次式数据融合算法

无线传感器网络中,数据融合技术是降低网络数据通信量、节省节点能耗和延长网络寿命的重要措施之一。为了在兼顾降低数据量的同时提高对事件的识别精度,提出了一种基于最小二乘法和D-S证据理论的层次式数据融合算法。算法在Sink节点上,以最小二乘算法融合从传感器节点上传的数据,降低了Sink节点与监控中心的通信量;在监控终端上采用D-S证据理论建立识别框架,通过证据的不断积累,提高了事件的识别精度。     

基于信息熵的D-S证据理论及其在传感器融合中的应用

从证据本身和证据之间的相互关系两个方面分析了证据的可信度及相应在融合过程中获得的权重.引入了证据信息熵的概念,并给出了从证据本身确定可信度的方法.为了从证据之间的相互关系考察证据的可信度,给出了描述证据间相互支持的模糊关系矩阵,并依此来影响各传感器对于融合数据的重要性.实验验证了所提方法的有效性和鲁棒性.     

关于D-S证据理论和模糊数学的数据融合算法探讨

介绍了D-S证据理论的基本原理,结合模糊数学和D-S证据理论,介绍一个多传感器数据融合技术的故障诊断系统。     

基于D-S证据理论的信息融合算法

针对现有D-S证据理论算法在信息融合应用中缺乏系统性的问题,提出了一种基于D-S证据理论的层次式融合算法。该算法模型采用多维属性信息的分域、层次融合方式,利用初始信息确定高层融合所需的概率分布的近似算法对数据进行融合处理,并对于可能存在的证据冲突问题,给出了算法的修正。仿真结果表明,该算法收敛速度快,准确度高,在低虚警率下具有较好的检测率。     

基于D-S证据理论的多平台协同数据融合

对D-S证据理论用于多平台协同数据融合进行了分析，提出了多平台协同数据融合的设计思想和结构，将其用于舰船类型的识别。通过MATLAB仿真，证明了多平台协同数据融合降低了识别结果的不确定性，比传统的单平台数据融合效果好，验证了这一理论在多平台协同数据融合中的有效性和正确性。     

基于D-S证据理论的数据融合井下监测方法分析

针对矿井单传感器监测系统监测数据单一、不确定性较高的缺陷,利用基于D-S证据理论的多传感器信息融合技术,在对原始数据分析处理的基础上,把多种参数通过数据融合模块实现对井下工作环境安全性的评估、决策。同时,可根据各参数间的相关性获得更多单传感器监测系统所无法获得的井下环境信息,极大地提高了数据采集的可靠性、全面性和矿井监测系统的有效性。     

用D-S证据理论实现多传感器信息融合的一种改进算法

阐述了基于D-S证据理论的多传感器信息融合算法,提供一种基于D-S理论的改进方法以解决融合信息的相关性问题.用滑觉和热觉传感器作实验,对该方法的有效性进行了验证.     

D-S证据理论的改进算法在时-空信息融合中的应用

研究基于D—S证据理论的时-空信息融合,即多传感器多测量周期的信息融合,给出了三种时-空信息融合的方法：集中式、分布式无反馈和有反馈的融合算法。采用这些传统的时-空信息融合方法时,最终的融合结果会产生概率分配过分集中的现象,而且证据冲突时还会产生有悖常理的结果。本文在传统证据理论的合成公式的基础上给出了一个有效的合成规则,并由此提出了改进的融合方法。证据冲突的概率按照各个命题的平均支持程度加权进行分配,从而提高了融合结果的可靠性与合理性。     

基于D-S理论的故障诊断融合算法及应用研究

针对工业现场传感器状态类型复杂多变、被测参量难以准确可靠获得等问题,提出了一种基于RBF神经网络和证据理论的两级信息融合方法。利用RBF神经网络实现特征层数据融合,并建立基本信任分配函数,解决了D-S证据理论确定基本信任分配函数困难的问题;基于D—S证据理论的传感器故障诊断方法,可用来判断出工业现场传感器的有效工作状态。木材含水率检测结果表明,基于RBF神经网络和证据理论的两级信息融合方法可正确定位并准确分离出失效传感器。     

基于D-S证据理论的管道安全监测数据融合技术的研究

管道安全监测技术能够对管道安全构成威胁的行为进行早期监测、定位和预警,对管道周围目标进行正确的分类识别是其中的关键.采用多个地震信号传感器对管道周围的人、车辆等目标发出的震动信号进行采集,为了解决目标识别问题并提高目标的识别率,针对多个传感器采集的数据,本文中提出了采用D-S证据理论方法对数据进行融合处理,实验结果证明基于融合后的识别结果较单个传感器的识别结果有了较好的改善.     

D-S证据理论在移动机器人信息融合中的应用

移动机器人的自动能力中实时避障和导航是一个很关键的技术,研究中主要的问题是：机器人在运动时需要充分的环境信息,而且处理这些信息的速度要快,同时也要满足实时性的要求。详细介绍了将D-S证据理论应用于移动机器人对未知环境的探索、感知过程,并通过仿真结果对D-S证据融合方法的性能进行研究与改进,确定了D-S证据融合方案的具体实现步骤,并完成了一个简化的仿真算例,得出了相关结论。