基于加权证据理论的模糊信息融合目标识别

在异类多传感器信息融合目标识别中,不同传感器对系统提供的证据等级不同。为此,提出一种模糊信息融合目标识别方法。将各证据按证据权进行转化,用Dempster-Shafer(D-S)证据理论进行合成,利用模糊数学模型对传感器测量值和数据库中的数据进行建模,根据证据距离得到各证据的相互支持度,进而获得传感器对系统提供信息量的权重。分析结果表明,该方法具有较高的精度和可靠性。     

一种基于可信度矩阵的多传感器目标识别方法

为了解决多传感器目标识别中不同等级信息源数据的融合问题,在研究DSmT证据理论的基础上,引入证据可信度矩阵.依据可信度矩阵对证据进行转化,使之可以用传统的方法进行证据融合.将这种方法应用到等级不同的多传感器目标识别中,可以解决传统证据理论只能进行相同等级传感器目标识别的难题.仿真实验表明,该方法提高了目标识别的准确性和有效性.     

基于D-S证据理论的目标识别融合应用

基于D-S证据理论的目标识别融合系统,可以充分发挥多传感器信息的优势,提高目标识别结果的准确性.本文结合工程实践,分析地面目标融合识别过程中经典D-S证据理论方法处理数据出现的问题,发现使用D-S证据理论对于高冲突证据融合结果准确性较低.因此提出一种基于D-S证据理论的改进数据融合方法,将冲突因子与支持度标准偏差的相反数相乘,再与所有证据和乘积的正交相加,然后减去证据的基本概率的最大差.如果证据的冲突越大,这种方法的优势就越明显.如果证据中不存在冲突,则融合结果与原始D-S证据理论的项目一致.实验的比较数据表明,改进的信息融合方法对于改进解决冲突问题必不可少,并且是有效的.     

证据理论在汽轮机转子故障诊断中的应用

针对传统汽轮机转子故障诊断方法中存在精度不高的问题,引入了证据理论和灰色神经网络相结合的故障诊断方法.该方法首先根据所获取的故障特征向量,用灰色建模方法进行累加处理,以增强数据的规律性;然后经BP神经网络进行局部诊断,以获得彼此独立的证据;最后采用证据理论对各证据进行融合.试验结果表明,该方法具有较好的故障模式识别能力,适用于汽轮机转子的故障诊断,具有一定的应用价值.     

基于最小二乘支持向量机的自适应逆扰动消除控制系统

研究一种基于最小二乘支持向量机的自适应逆扰动消除控制器的设计问题,给出了基于最小二乘支持向量机的建模和逆建模方法,以及贝叶斯证据框架下高斯核支持向量机估计算法的参数选择方法.仿真结果验证了该方法的有效性.     

基于统计证据的mass函数和D-S证据理论的多传感器目标识别

mass函数表示对证据的精确信任程度,是信任函数的基本概率分配.文章在阐述Dempster-Shafer(D-S)证据理论和决策方法的基础上,较系统地论述了基于统计证据的mass函数和D-S证据理论的目标识别的数据融合方法,并给出了具体的识别实例.从计算结果可以看出,该方法有利于目标识别的实现,具有较好的实用性.     

面向目标的业务流程重组分析和建模策略

业务流程重组是企业绩效获得巨大改善的关键1,但重组没有固定的模式.面向目标的业务流程重组分析和建模策略通过结合现有的信息系统建模技术,定义企业流程的各类目标及其依赖关系,从而帮助企业发现关键问题之所在并成功实现重组,它可在现有信息系统模型的基础上直接实现,并解决了现有信息系统模型无法反映企业行为因果关系的缺点.     

一种改进的冲突证据融合方法

针对冲突证据融合问题,从证据对目标识别程度和其它证据对自己的支持度两个方面综合考虑证据权重,把信息熵引入证据权重确定,建立了证据之间的支持度,设计了综合权重的计算方法,最后通过综合权重采用基于折扣率方法进行证据融合.通过实例与传统改进方法比较分析说明该方法提高了收敛速度,降低了决策风险.     

结合SVM和DS 证据理论的多极化HRRP 分类研究

针对雷达目标一维距离像(HRRP)识别问题,结合支持向量机(SVM)和 DS 证据理论提出一种多极化HRRP 分类方法—–SDHRRP.该方法通过混淆矩阵获取基分类器之间的距离,从而根据基分类器对不同目标类的分类能力给其赋予不同的可信度.将该可信度值与 SVM 后验概率结合到 DS 证据理论的基本概率赋值(BPA)中,以实现 SVM 和 DS 证据理论在目标识别中的有效结合.对实测目标数据的实验结果表明,基于分类器可信度得到的 BPA 能够有效避免证据冲突, SDHRRP 方法可以有效降低融合分类的误差率.     

基于云模型和改进证据理论的电力监控系统风险评估

针对电力监控系统风险评估中存在的系统建模不完整、专家评价意见的模糊性和缺乏对系统整体风险的考虑的问题, 提出了基于云模型和改进证据理论的电力监控系统风险评估方法. 首先根据电力监控系统的结构和安全需求, 对电力监控系统的设备、安全目标和威胁进行分析, 建立系统整体风险评估模型; 然后结合FAHP和修正的熵权法, 使用最优化组合赋权的方法得到各元素的权重; 最后利用云模型和改进证据理论完成对电力监控系统的综合风险评估, 得到系统的风险等级. 仿真实验证明了该方法的适用性和有效性, 为电力监控系统的安全管理工作提供了新的思路.     

D-S证据理论在决策支持系统中的应用

D-S证据理论提供了一种解决多数据源不确定信息推理和融合的有效方法。证据理论能够对各自独立的证据加以综合给出一致性结果,并能处理具有模糊和不确定信息的合成问题,最终达到信息互补。与其他推理方法相比更符合人类思维决策过程。为此,提出一种基于D-S证据理论的灾害决策支持方法,并根据试验结果验证了该方法的有效性和可行性。     

基于粗集理论的知识系统证据推理研究

证据推理是处理不确定问题的重要方法，但灾用中存在许多问题，如假设的基本概率指派（bpa)往往由专家事先确定，带有较强的主观性，基于证据推理和粗集理论的基本关系，利用粗集约简，决策表确定基本概率指派等方法解决上述问题，并在此基础上，提出了一种决策表的证据推理方法，用于决策表的预测，实例表明，证据推理和粗集理论的结合可提高并对不确定问题的求解能力。     

基于零级N/T泛数完整簇的概率逻辑算子的研究

在人工智能中不确定性理论、主观Bayes方法、证据理论等都是基于概率论的.但是,这些不确定性推理方法仅仅是基于概率,而不能真正实现逻辑框架内的概率逻辑不确定推理,产生这种现象的主要原因是概率逻辑自身存在着缺陷.按照泛逻辑学的生成规则,基于零级N/T/S范数完整簇从泛逻辑学的角度来构造概率逻辑算子.结果表明概率逻辑是能够在泛逻辑学的框架内进行柔性化的,是命题泛逻辑在h=0.75时的一种特例.     

Generalized Jeffrey’s rule of conditioning and evidence combining rule for a priori probabilistic knowledge in conditional evidence theory

In Bayesian probabilistic approach for uncertain reasoning, one basic assumption is that a priori knowledge about the uncertain variable is modeled by a probability distribution. When new evidence representable by a constant set is available, the Bayesian conditioning is used to update a priori knowledge. In the conventional D-S evidence theory, all bodies of evidence about the uncertain variable are imprecise and uncertain. All bodies of evidence are combined by so-called Dempster’s rule of combination to achieve a combined body of evidence without considering a priori knowledge. From our point of view, when identifying the true value of an uncertain variable, Bayesian approach and evidence theory can cooperate to deal with uncertain reasoning. Firstly all imprecise and uncertain bodies of evidence about the uncertain variable are fused to achieve a combined evidence based on a priori knowledge, then the a posteriori probability distribution is achieved from a priori probability distribution by conditioning on the combined evidence. In this paper we firstly deal with the knowledge updating problem where a priori knowledge is represented by a probability distribution and new evidence is represented by a random set. Then we review the conditional evidence theory which resolves the knowledge combining problem based on a priori probabilistic knowledge. Finally we discuss the close relationship between knowledge updating procedure and knowledge combining procedure presented in this paper. We show that a posteriori probability conditioned on fused body of evidence satisfies the Bayesian parallel combination rule.     

Information and probabilistic reasoning

In this paper, the relationship between information and reasoning is investigated and a parallel reasoning method is proposed based on information theory, in particular the principle of minimum cross entropy. Some technical issues, such as multiple uncertain evidence, complicated constraints, small directed cycles and decomposition of underlying networks, are discussed. Some simple examples are also given to compare the method proposed here with other methods.     

用证据累积的方法识别不完整图象

本文将专家系统中处理不精确信息时所采用的基于确定性理论的推理模型引入到对不完整图象的目标识别中来，提出了利用证据累积的方法对目标进行识别的观点，强调所有信息的综合作用和正反两方面证据对可信度的影响，减少了由于个别特征的不精确性对分类决策的影响     

FKAOS中目标冲突探测*

在目标表示中,应用Fuzzy理论来表示目标中的不确定性概念,从而将KAOS方法扩展成FKAOS方法。FKAOS更便于表示需求获取阶段的目标分析的实际情况,但这给目标间的冲突探测、冲突解决带来了新的问题。提出了当通过使用模糊概念来建模不确定性的目标时,使用模糊推理来对潜在的冲突目标进行探测的概念,进而将层次理论用于冲突问题。     

D-S证据理论在目标特征数据分析中的应用

为解决空中目标识别问题,引入特征值这一概念。Dempster-Shafer证据理论是不确定推理的重要方法,通过Dempster合成规则将不确定性信息进行重新分布,将来自测量分系统的目标特征值,通过D-S证据理论进行融合,应用于目标识别。实验结果表明该方法误判率低、分类精度高,能较好地实现空中目标的分类。     

D—S证据理论在目标特征数据分析中的应用

为解决空中目标识别问题．引入特征值这一概念。Dempster—Shafer证据理论是不确定推理的重要方法．通过Dempster合成规则将不确定性信息进行重新分布,将来自测量分系统的目标特征值．通过D—S证据理论进行融合,应用于目标识别。实验结果表明该方法误判率低、分类精度高,能较好地实现空中目标的分类。