基于神经网络与证据理论的入侵检测系统

针对基于神经网络(ANN)的入侵检测系统(IDS)难以得到足够丰富的实测样本这一问题,引入信息融合的观点,提出了一个基于神经网络与证据理论相结合的入侵检测系统模型。模型的神经网络模块是由自组织映射网络(SOM)和反向误差传播网络(BP)合成的,并将BP网络的输出作为证据,输入到证据理论模块。通过证据理论模块的信息融合,降低了虚警率,提高了检测率。     

基于神经网络和证据理论的离线签名识别

论文提出了一种有效的基于神经网络和证据理论的离线签名识别方法.利用从签名图象中提取的三种特征分别构造BP神经网络分类器对签名图象进行初步识别,然后将各分类器的输出作为证据,利用证据理论融合来自不同分类器的输出得到最终识别结果.实验表明,该识别方法能有效提高离线签名的识别率.     

D-S理论与神经网络相结合的信息融合模型研究

针对大噪声环境下信息融合效果差的问题,提出了一种基于D-S证据理论与神经网络技术的信息融合方法,该方法综合了证据理论在处理不确定信息方面的优点和神经网络在数值逼近上的长处,一方面利用神经网络和冲突证据处理算法获取基本概率赋值,另一方面通过证据理论使神经网络的结构变得透明.初步仿真结果表明,该方法有效地解决了不确定性信息的误识别问题.     

基于神经网络和证据理论的离线签名识别

论文提出了一种有效的基于神经网络和证据理论的离线签名识别方法。利用从签名图象中提取的三种特征分别构造BP神经网络分类器对签名图象进行初步识别,然后将各分类器的输出作为证据,利用证据理论融合来自不同分类器的输出得到最终识别结果。实验表明,该识别方法能有效提高离线签名的识别率。     

基于神经网络的带式输送机火灾预警算法

针对传统的带式输送机火灾预警算法大多仅根据单一特征信号进行火灾预警而导致误报率较高的问题,提出了一种传统火灾预警算法与神经网络相结合的带式输送机火灾预警算法。该算法将多种传统火灾预警算法提取的单一特征变量作为神经网络的输入量,利用实验室所测得的样本数据来训练神经网络,并将神经网络的输出作为火灾预警算法的最终输出。实验结果表明,该算法能够有效识别出样本数据中的火灾预警状态,误报率低。     

基于异类信息融合的模拟电路故障诊断方法

针对模拟电路故障诊断中存在的可测节点电压信息不足、单一信息不能表征所有故障状态等问题,提出了一种基于神经网络和D-S证据理论的模拟电路异类信息融合故障诊断方法.该方法首先提取两类故障信息并分别将其输入不同的神经网络对其进行初步诊断,并得到各自的诊断结果,然后根据初步诊断结果,运用D-S证据理论对其进行融合,做出最终决策.     

基于信息融合的电机音频故障诊断

针对目前电机音频故障诊断单传感器信号分析可靠性不足的缺点,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用D-S证据理论合成算法对各证据理论进行决策级融合,构建了电机故障音频多源信息诊断系统模型,并对此模型进行了验证,取得了良好的诊断效果。     

一种基于ESM和红外传感器决策层信息融合的目标识别方法

针对异类传感器目标识别的问题,提出了一种融合ESM和红外传感器的互补信息进行目标识别的方法.该方法首先利用了神经网络在目标识别中的优越性,完成目标初步分类;其中对于ESM的输出结果,运用粗集理论的方法实现辐射源类型向目标类型的转化;最后将网络每次的输出作为一条证据,在决策层上利用改进的D-S理论方法实现数据的融合.最后飞机目标识别的仿真实验,验证了该方法可以获得较高的识别效率.     

基于D-S证据理论的电机声频故障诊断

采用小波分析技术对电机噪声进行能量分布特征提取,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用Dempster-Shafer证据理论合成算法对各证据理论进行决策级融合。实验表明,此系统诊断结果与实际相符,提高了故障诊断的精度,并满足了诊断的在线实时性要求。     

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。