一种信度马尔科夫模型及应用

马尔科夫链以其无后效性广泛应用于自然科学和工程技术领域. 经典的马尔科夫链并不能反映对象状态的不确定性, 并且当状态划分边界过于清晰时, 状态转移情况不稳定. 为了保持状态转移的稳定性以及能够有效地表示和处理对象状态的不确定性, 本文提出了一种信度马尔科夫模型. 新模型引入了Dempster-Shafer (DS) 证据理论来描述对象状态的不确定性, 将对象的所有状态归类为一个辨识框架, 建立基本概率指派函数, 然后生成一个命题转移概率矩阵, 最后根据对象当前的状态得到将来的状态. 本文提出的信度马尔科夫模型是对经典马尔科夫链的推广, 向下兼容了它的性质. 实例表明, 新模型克服了上述缺陷, 获得了较经典马尔科夫链更加合理、准确的结果, 具有更高的有效性和实用性.     

基于幂均算子和证据理论的故障诊断方法

将证据理论在处理不确定性信息方面的优势用于故障诊断，可提高诊断的精确度和准确性.从证据理论的角度来看，从每个发动机传感器获得的信息可以看作一条证据，基于多传感器信息的发动机故障诊断即是一个证据融合问题.本文使用证据理论作为描述发动机状态的多传感器信息建模方法.首先，在处理特征值样本数据时，引入幂均算子的方法以提高整个故障诊断系统的准确性；通过量化待测特征值和故障原型之间的距离生成基本概率分配函数；然后引入证据信息量的方法对融合后的结果进行性能评估；最后通过发动机故障案例对该方法进行验证，并与其它方法进行对比，结果充分证明了该方法的真确性与可靠性.     

基于区间数的基本概率指派生成方法及应用

应用证据理论的一个关键问题是生成基本概率指派 (BPA),目前如何生成BPA仍然是一个有待解决的问题.本文提出一种基于区间数的BPA生成方法,首先建立样本属性的区间数模型,然后用区间数的距离表示样本属性之间的差异性,在此基础上提出了一种相似度,最后对相似度进行归一化得到BPA.通过鸢尾花数据集 (Iris Data Set) 的分类实验验证了该方法的有效性,结论表明整体识别率为96%.本文方法简单实用,数据样本较少情况下也能有效确定BPA.     

一种新的区间直觉模糊集决策方法: 区间证据组合的角度

基于证据理论,提出一种新的区间直觉模糊集决策模型.首先采用区间直觉模糊集表示属性值,将区间直觉模糊数转换为区间BPA;然后利用基于区间数的组合规则进行融合;最后将融合后的区间BPA转换为经典BPA用于决策,可直接方便地实现多属性数据的融合.该模型的优点在于:简单直观,能更有效地反映原始信息的不确定度;通用性好,可以推广到其他区间直觉模糊集的应用领域.算例结果表明了所提出模型的有效性.