两级数据融合算法在木材干燥过程中的应用

本文提出了一种基于RBF神经网络和证据理论的两级数据融合方法。利用RBF神经网络实现特征层数据融合,建立基本信任分配函数,具有最佳一致逼近特性,同时解决了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的研究,可有效地判断工业现场传感器的工作状态。实验结果表明该方法可正确定位并准确分离出木材含水率检测系统中失效传感器。     

木材干燥窑内判断传感器有效状态方法的研究

为了判断传感器的有效工作状态,提出了基于D-S证据理论和CMAC神经网络的信息融合方法。利用传感器在空间和时间上的冗余或互补信息,依据D—S证据理论,消除故障检测、诊断中的不确定性。采用模块化的小脑模型识别网络建立基本信任分配函数,具有最佳一致逼近特性,同时解决了D—S证据理论确定基本信任分配函数的困难和因输入参数改变影响信任分配函数构建的问题。仿真结果表明：该方法可以对木材干燥过程中传感器工作状态进行有效诊断。     

基于主元分析和D-S证据理论的传感器故障诊断与应用*

针对井下传感器状态类型复杂多变,被测参量数据庞大等问题,采用主元分析法对数据进行降维处理。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,再以证据理论对非精确信息的表示和推理优势,有效实现了故障检测和分离能力。实例仿真表明利用主元分析和D-S理论能正确定位并准确分离出失效传感器。     

基于模糊集合的证据理论信息融合方法

针对证据理论应用中基本概率分配函数(mass函数)和多传感器信息融合中各传感器测量数据的可靠程度均难以确定的问题,提出了一种基于模糊集合的证据理论信息融合方法.该方法首先利用模糊理论中的相关性函数来计算多传感器的相互支持程度;然后由隶属函数得到每个传感器提供信息的可信度;再将各传感器的支持度和可信度转化成基本概率分配函数即mass函数;最后利用证据理论对多传感器信息进行融合.仿真结果表明,该方法获得的结果具有更高的精度和可靠性.     

基于D-S证据理论和BP神经网络的多传感器信息融合

针对多传感器信息融合的基本可信度分配在实际应用中难以解决的问题,提出了一种基于D-S证据理论与BP网络相结合的多传感器信息融合的改进方法。该方法充分发挥BP神经网络自学习、自适应和容错的能力,利用BP神经网络处理证据理论的基本可信度问题,再利用D-S证据理论来处理不精确、模糊的信息。最后通过一个实例证明了该方法的有效性。     

D-S融合RBFNN在传感器故障诊断中的应用

对传感器的状态检测和故障诊断是进行石油预警前的重要环节.本文提出了基于RBF网络的证据理论在不同识别框架下的传感器故障诊断的信息融合方法.利用多个传感器在空间或时间上的冗余或互补信息,为故障的检测和分离提供诊断依据.采用径向基函数状态识别网络采获得传感器状态信任分布函数,解决了因输入参数的改变而不可用的缺点.在不同识别框架下的证据组合规则,采用精细运算和粗化运算,以减少传感器状态的不确定性.实验室数据仿真表明,该方法可以对传感器进行及时、准确的状态检测和故障诊断,而且计算速度快,实时性强,具有实际应用价值.     

煤矿带式输送机健康诊断方法

针对基于多传感器信息融合的煤矿带式输送机健康诊断方法运用D-S证据理论在处理冲突证据时失效的问题,提出了一种基于模糊证据理论的带式输送机健康诊断方法。该方法首先利用多种传感器采集带式输送机信息,并根据隶属度函数获取基本概率赋值,从而提取信息特征;然后通过对冲突证据进行修正并应用D-S证据理论的合成规则,实现基于模糊证据理论的信息融合;最后根据决策规则判断带式输送机运行状态。通过实例验证了该方法的有效性。     

基于证据理论的多传感器加权融合

多传感器数据融合多基于证据理论进行加权,但识别框架确定和基本可信度分配是关键.本文简述了证据理论并分析了总均方误差最小意义下加权融合的缺点,在引入抽象传感器的基础上,根据M函数的区间覆盖次数进行基本可信度分配,确定对历史数据和各个传感器的支持度,然后进行加权融合.仿真表明,这种基于证据理论的多传感器加权融合方法只需要很少的先验信息,但具有较好的融合效果和鲁棒性.     

基于粗糙集和D-S证据理论的信息融合技术应用研究

针对井下信息量大、噪声多、参数多、动态等特征,提出了一种基于粗糙集数据挖掘和D-S证据理论优化信息融合技术的矿井环境监测方法。采用粗糙集对井下信息进行预处理;利用径向基函数(RBF)神经网络建立了井下环境识别模型;利用D-S证据理论进行两级融合决策,并对井下安全状况进行判断。仿真结果表明:该方法提高了井下信息的识别和决策效果,极大地降低了不确定性。     

一种基于证据理论和模糊集合的信息融合方法

针对证据理论应用中基本概率分配函数难以确定和多传感器之间相互支持程度计算绝对化的问题,提出了一种基于证据理论和模糊集合(FSB-DS)的信息融合方法。该方法首先利用相关性函数定义不确定信息的模糊支持区间和模糊支持概率,然后由隶属函数得到各个传感器提供信息的可信度,再将支持度和可信度转化为基本概率分配函数,最后进行D-S证据合成。仿真实验表明,该方法获得的结果具有更高的精度和可信度。     

基于改进证据理论和神经网络的故障诊断模型*

针对单一故障诊断方法精度低的问题,提出了一种基于D-S证据理论和神经网络相融合的决策层融合故障诊断模型。该方法利用证据理论来处理不精确的、模糊的信息,用神经网络来处理证据理论中的基本可信度分配问题。由于证据理论合成公式无法处理高冲突的证据,提出了一种改进的基于冲突焦元的证据合成规则。该模型在降低决策不确定性的同时大大提高了诊断的精度。最后通过发动机故障诊断实例验证了该模型的有效性。     

一种基本概率指派的模糊生成及其在数据融合中的应用

DS证据组合规则可以在没有先验信息的情况下进行融合,这一优点使得DS证据理论在多传感器融合系统中应用非常广泛.但是各个证据的基本概率指派如何生成仍然是一个有待解决的问题.本文基于模糊匹配,提出了一种基本概率指派生成方法,并应用到多传感器目标识别中.用一个多传感器目标识别的实验表明:所提出的方法可以合理地生成基本概率指派,能够准确的识别目标.     

基于D-S融合的电子电路故障诊断研究

根据电子电路故障元件诊断的不确定性问题,给出了多传感器D-S信息融合实现电路故障诊断的方法。通过检测电路工作时电子元件的温度和关键点电压两方面数据信息,得出两传感器对各待诊断元件的信度函数分配。再利用D-S联合规则结合模糊逻辑理论,得到融合后的信度函数分配,从而确定故障元件。实验结果说明:多传感器融合算法具有较高的准确率。     

改进D-S证据理论在电动汽车锂电池故障诊断中的应用

针对电动汽车电池系统的故障采用基于神经网络的改进D-S证据理论组合规则完成诊断过程。为了避免单一途径的诊断可能造成故障漏检误检的状况,决策层采用D-S证据理论组合规则来确定基于BP网络和RBF网络两种故障诊断算法结果。然而为了克服D-S证据理论处理高度冲突证据的缺陷,本文提出了一种基于神经网络改进的D-S证据理论组合规则。首先,采用神经网络对电池故障进行初步诊断,结合网络诊断准确率来分配不确定信息并构造证据体,又引入了证据间的支持矩阵来确定新的加权证据体。然后,把各个焦元的信任度融入D-S证据理论组合规则,从而融合神经网络证据体及新加权证据体。最后,依据决策准则确定锂电池系统的故障状态。通过仿真实验验证了本文提出的改进D-S证据理论融合诊断方法在电动汽车锂电池故障诊断中的有效性。     

一种新的证据组合规则应用于序列图像目标识别

提出了一种新的证据理论组合规则,并结合BP神经网络和证据推理对序列图像目标识别问题进行应用.以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理.由BP神经网络对目标的初步识别结果构造基本置信指派函数,用该组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明,新的组合规则结合BP神经网络的融合方法提高了三维飞机目标识别的准确性.