模糊理论与D-S理论在指控系统目标识别融合中的应用

多传感器信息融合技术已获得了普遍的关注和广泛的应用,其理论和方法已成为智能信息处理的一个重要领域,模糊理论与证据理论(D-S)是主要的技术之一.在某试飞指控系统中,为了获得可靠的识别结果需要目标识别的融合问题.系统的从实际出发提出了基于模糊理论与D-S理论的目标识别融合方法.仿真计算结果表明,该模型和方法具有方法简单、运算量小和识别结果可靠等优点,具有一定的理论意义和使用价值.     

基于改进D-S证据理论的滚动轴承故障诊断

针对单一分类器进行故障诊断时诊断精度不高、随机性强的问题,提出一种基于改进D-S证据理论的滚动轴承故障诊断方法,构建了信息融合诊断框架。首先,利用BP神经网络、支持向量机、径向基神经网络构建初步诊断层,将提取的特征信息进行初步诊断;然后,利用改进的D-S证据理论构建融合诊断层,将初步诊断层的诊断结果进行融合,并根据诊断规则得到最终的诊断结果;最后,采用不同的信息融合方法对滚动轴承故障数据进行对比研究。试验结果表明:使用改进D-S证据理论的滚动轴承故障诊断方法能够有效提高证据可信度,降低不确定性,提高故障诊断精度和故障诊断模型的鲁棒性。     

基于D-S证据理论的多特征数据融合算法

Dempster-Shafer证据理论是不确定推理的一种重要方法,提供了一定程度的不确定性,可以指定给相互重叠或互不相容的命题,然后通过Dempster组合规则将不确定性信息在新证据中进行重新分布,该理论在许多方面都得到了广泛的应用.将来自图像传感器的多种图像特征,通过D-S证据理论将这些特征信息进行融合,并应用于目标的识别.实验结果表明D-S证据理论用于多特征数据融合的目标识别算法是有效的,基于该理论的多特征数据融合具有广阔的应用前景.     

应用D-S证据理论进行多传感器雷达体制识别

在阐述Dempster-Shafer(D-S)证据理论的基础上,较系统地论述了基于D-S证据理论的多传感器雷达体制识别的数据融合方法,并给出了具体的识别实例。实验结果证明了基于多传感器融合后的识别结果明显优于单传感器的识别结果,说明了D-S证据理论的有效性和先进性。     

证据理论与模糊神经网络相结合的身份估计方法

重点研究了在数据融合身份估计领域中D-S证据理论与模糊神经网络相结合的多传感器数据融合方法。Demp-ster-Shafer证据理论方法是对Beyes决策检验法的推广,证据理论比概率论满足更弱的公理系统,并且在区分不确定与不知道等方面显示了很大的灵活性,但是在基于证据理论的身份估计融合中,基本可信度的分配是一个与应用密切相关的问题,也是实际应用中最难的一步。利用模糊神经网络来处理证据理论中的基本可信度分配问题,并对几种空中目标进行了身份估计数据融合,经计算机仿真实验证实了该方法的有效性。     

基于D-S证据推理的多传感器信息融合技术在战场目标识别中的应用

近年来,多传感器信息融合技术已经在许多领域得到了广泛的应用,该技术也可以用于战场目标识别.在简单介绍了多传感器信息融合技术的概念和方法之后,详细阐明了D-S证据推理的原理及其应用于战场目标识别的方法,并进行了仿真处理.仿真结果说明,基于D-S证据推理的多传感器信息融合技术,是解决目标识别问题的一种有效方法.     

基于BP神经网络的D-S证据理论及其应用

命题基本概率分配(BPA)的确定是D-S证据理论得以广泛应用的关键之一.目前,大部分确定方法受专家知识偏好影响较大,难以反映客观情况.将BP网络运用到基本概率分配的确定过程中,使得BP网络和D-S证据理论两者有机地联合应用,这样既可利用D-S证据理论来表达和处理不确定信息,又可以充分发挥BP网络的自学习、自适应和容错能力.文中建立了基于BP网络的D-S证据理论的故障诊断模型,并给出了证据的融合算法.仿真实验表明,该模型可行.     

基于D-S证据理论和AHP的故障诊断方法研究

提出了一种基于D-S证据理论和AHP的故障诊断方法,给出了基于AHP法的基本概率分配构造方法.最后,结合故障诊断实例,详细阐述了该诊断方法的应用过程,在对多个传感器提供的证据进行合成后,诊断结论的可信度明显提高,不确定性明显降低,证明该诊断方法合理有效.     

基于权值改进D-S理论的对空目标识别融合

针对传统证据理论证据高冲突性问题,提出了一种基于权值改进型Dempster-Shafer(DS)理论的对空目标识别方法。在研究D-S证据理论数学模型基础上,依据泛函距离空间理论,更新计算各个传感器的信度函数可靠性权值,对各个传感器的基本概率赋值函数进行修正,最后利用D-S合成公式对各个传感器进行融合判决。仿真结果证明了该方法的有效性。     

两级信息融合技术在柴油机故障诊断中的应用

针对传统神经网络在故障诊断中因测点信息多而导致的网络庞大、收敛困难等问题,引入集成神经网络,提高了融合诊断效率;同时引入基于D-S证据理论,这种决策融合方法解决了集成神经网络各个子网诊断结果不一致的问题。在应用于柴油机故障诊断时,首先对测取的正常和故障样本进行小波包AR谱分析,同时提取各个特征频带的能量分别作为集成神经网络对应子网的输入进行诊断,当其无法确定诊断结果时,再运用证据理论进行决策融合输出最终诊断结果。试验证明:基于集成神经网络和D-S证据理论的两级综合诊断模型提高了诊断的准确性和可靠性。     

一种修正的冲突证据融合方法

对于冲突证据,D-S证据理论无法使用甚至无法得出正确的结果,进而引发了专家学者的研究。针对该问题,提出了一种新的冲突证据融合方法,建立了多传感器综合可信度的计算模型,根据综合可信度得到多传感器的合成结果,采用D-S证据理论对合成结果进行组合,既解决了高冲突问题,又解决了低冲突问题。最后通过仿真验证了该方法的有效性。     

组合网络与证据理论相结合的电路故障诊断

针对神经网络中两种常用的网络类型BP和Elman,在模拟电路故障诊断中的应用过程的特点——各自网络都有自身缺陷,提出基于BP-Elman神经网络与证据理论相结合的故障诊断方法.首先BP-Elman网络得出其各自的初步诊断结果,经过必要的转换将其转换成证据理论的概率赋值,作为证据组合的依据;证据理论组合规则将初步诊断结果融合得出决策级诊断结果.通过对某装备位置调节器板的故障诊断过程表明,该模型经过尽可能融合有效故障信息,大大提高了系统的诊断精度和诊断正确率,而且有效降低了系统不确定性.     

一种多传感器雷达辐射源识别的组合方法

针对复杂电磁环境下多传感器获得的雷达辐射源信息具有不确定性的情况,提出了一种雷达辐射源识别的组合方法.首先利用灰色定权聚类法对大量的传感器数据进行处理,以简化雷达辐射源特征数据,在此基础上通过灰色关联分析法确定证据理论中的基本概率赋值函数,并应用修正的D-S证据理论实现多时刻条件下目标识别.通过仿真算例可知,该方法能够有效减小雷达辐射源所受的噪声干扰,具有一定的可行性.     

ANN-FRIFS在多传感器信息融合故障诊断中的应用

对于多传感器故障诊断系统,必须根据环境的变化和传感器的状态等合理地运用各传感器的信息。文中设计了一种基于经验规则和模糊推理功能的ANFIS置信度判别器,此判别器能自适应地对各传感器数据综合判别,得到它们相应的故障置信度,进而对多传感器的信息进行融合,提高了诊断的准确度。     

基于模糊证据理论的船舶安全评估

针对船舶安全评估过程中的诸多不确定因素,提出了一种基于模糊证据理论的安全评估方法.将证据体空间中的事件视为模糊子集,并引入模糊概率,更好地描述了专家意见(或知识),给出了质量分配函数的表示.最后,结合某船舶系统,给出了其安全评估的具体实现过程.结果表明,该方法可靠、有效.     

改进D-S理论的某型高炮武器系统作战效能评估

鉴于某型高炮武器系统的复杂性,考虑采用多数据信息融合的方式来实现其效能评估。针对传统D-S理论在融合冲突信息时的局限性,提出一种基于数据信息确定证据权重的改进D-S理论,并将其用于某型高炮武器系统的作战效能评估。应用示例表明改进D-S理论相比其他算法更加优越。     

D-S 证据理论应用中的一种图解方法

D-S证据理论是对概率论的进一步扩充,在多传感器数据融合中,有着广泛的应用.当利用D-S合成公式进行融合时,由于需计算的项数较多且不易直接判定具体该有哪些项,容易造成漏项或错项,引起计算错误.提出了一种直观、简单的图解法,可使需计算的项一目了然.