DEBA优化加权D-S证据融合的煤矿瓦斯监测策略

针对煤矿瓦斯监测系统的非线性、时变性和多参数强耦合性问题,提出了一种差分进化改进蝙蝠算法(DEBA)优化加权D-S证据融合的煤矿安全监测策略。通过核独立主元分析算法(KICA)对煤矿井下多种传感器采集的原始数据初步处理,进行特征提取,再应用加权D-S证据理论进行数据融合处理,同时采用DEBA算法对加权平均D-S理论的权重进行优化,建立煤矿瓦斯监测模型,可对矿井下的瓦斯状态作出及时判断,并相应地采取决策。MATLAB仿真结果表明:该监测模型能够显著提高煤矿瓦斯监测的精确度和泛化能力以及全局决策的快速性与合理性。     

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。     

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。     

一种新的瓦斯监测证据合成方法

煤矿瓦斯监测中,利用Dempster-Shafer证据合成方法实现多传感器信息融合可以提高系统整体决策和预警能力。根据煤矿安全规范设定区域危险等级,使用云模型建立危险等级属性隶属度曲线簇,输入传感器检测量提取各属性隶属度作为D-S融合的基本概率赋值。为了实现高度冲突证据合成,提出D-S与加权平均法混合的分步证据合成算法。仿真结果表明提出的算法合成高度冲突证据时,具有令人满意的收敛效果。     

神经网络信息融合用于电梯故障诊断的研究

针对传统电梯故障诊断系统实时性有限、故障定位准确率低等问题,将多信息融合技术引入到电梯故障诊断中来,建立了基于模糊神经网络和D-S证据理论相结合的故障诊断模型。为了提高神经网络的训练速度和推广能力,采用了正则化算法对BP网络算法进行修改,并且利用D-S证据理论对神经网络的诊断结果进行决策融合,仿真结果表明了此方法有效地提高了故障诊断的准确率。     

基于神经网络和D-S证据理论的交通目标识别

研究智能交通监控系统中行人和轿车的识别.传统的单一分类器方法难以达到较高的识别率,为提高准确性和识别率,根据神经网络和D-S证据理论,采用信息融合方法对视频序列中的行人和轿车进行识别.证据理论是信息融合的一种重要依据.但是它的基本可信度分配一般不易确定.采用支持向量机(SVM)和反向传播(BP)网络进行基本可信度分配,形成2个证据体,用D-S证据理论对证据体进行融合之后,根据判决准则识别结果.通过仿真实验,结果表明,方法的识别率高于采用SVM或仅采用BP网络时的识别率,可以实现行人和轿车的准确识别.     

基于信息融合技术的某新型自行火炮发动机电控系统故障诊断

多传感器故障诊断过程中,由于多方面的原因,如测量噪声的存在、诊断知识的不完全等等,使得故障诊断存在着不确定性,影响到诊断结果的可靠性和准确度;通过分析某新型自行火炮发动机电控系统的故障特点,研究了一种基于BP神经网络及信息融合技术的多传感器故障诊断方法,将该自行火炮发动机电控系统的故障诊断过程分为子系统和系统级两级诊断,子系统采用BP神经网络实现故障模式分类,系统级运用D-S证据理论对整个系统故障进行综合决策评判;应用表明,在某个子神经网络识别存在差异的情况下,采用D-S证据理论进行融合可以有效地提高识别的准确性。     

结合信息融合和BP神经网络的决策算法

针对网络输入信息复杂多变,固定的 BP(Back-Propagation)网络结构难以发挥其优势的情况,提出了结合信息融合和BP神经网络的决策算法。即根据输入的变化情况,利用D-S证据理论(Dempster-Shafer,D-S)对BP神经网络的结构进行优选。同时使用粒子群(PSO, Particle Swarm Optimization)算法来确定BP神经网络的初值,以改善其收敛速度慢和容易陷入局部极小值的问题。仿真结果显示,结合信息融合和 BP 神经网络的决策算法和BP神经网络相比,有效提高了BP神经网络训练的时间及预测的准确率,在适应复杂多变的输入信息时具有一定的优势。     

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D-S证据理论的瓦斯突出预测方法研究

煤矿瓦斯突出是制约煤矿安全生产的严重的自然灾害之一,由于影响瓦斯突出的因素众多,仅依据单一因素来进行预测无法保证预测结果的准确性;同样,采用单一方法监测瓦斯灾害的相关参数并预测其变化趋势,也不能满足瓦斯突出预测需要的高精度。针对以上问题,提出了一种基于D-S证据理论的多信息融合模型。根据导致瓦斯突出各因素的重要程度,引入不同的权重因子,采用神经网络法和单指标法分别进行预测,并利用D-S证据理论将预测结果融合,在一定程度上可以消除采用单一因素或单一预测方法进行预测的不准确性。仿真结果表明,多信息融合模型预测准确度比采用单一预测方法得到的结果提高了20%,对于保证煤矿安全生产和矿工生命安全具有一定的实际意义。     

基于D-S理论的智能故障诊断关键技术研究与实现

以智能检测和故障诊断技术作为研究对象,分析了在智能故障诊断系统中用到的特征提取、模式识别和故障预测等关键技术,探讨了用于实现上述关键技术中的小波变换和人工神经网络算法。鉴于人工神经网络算法容易出现系统故障定位不准确性的不足,引入了D-S(Dempster Shafer)证据理论。首先用BP神经网络对故障信息进行局部诊断,然后利用D-S证据理论对局部诊断结果进行融合,进行全局诊断,得到最终的故障结果。D-S证据理论的引入,增大了诊断结果的可靠性和准确性,提高了诊断算法的适应性。在LabWindows/CVI的平台下,实现了智能故障诊断算法。     

神经网络和卡尔曼滤波融合的航空发动机传感器故障诊断

为提高航空发动机传感器故障诊断的准确率和可靠性,使用改良的D-S证据理论,对基于神经网络和卡尔曼滤波的2个诊断子系统的诊断结果进行决策融合;仿真结果显示,在发动机稳定状态下,经过融合,整个系统降低了误诊率,改善了诊断性能;文章还针对加强噪声强度的情况下,通过调整2个子系统的权重,在保证准确率的同时提高了系统的抗噪声性能;研究表明D-S理论可以比单独应用单一诊断算法的子系统更具好的诊断效能。     

数据融合技术在智能建筑火灾探测中的应用研究

针对目前智能建筑火灾探测的复杂性,采用离子感烟探测器、光电感烟探测器、温度探测器、火焰探测器来探测复杂的火灾场地,使用BP神经网络和基于D-S证据理论的多传感器数据融合技术对探测到的数据进行处理和仿真。从仿真结果可以看出,数据融合技术能提高火灾识别率,降低火灾误报率     

基于粗糙集和D-S证据理论的井下风险评估方法

针对以单传感器监测数据作为井下安全性评估依据存在难以获得丰富、全面、准确的环境信息的问题,提出一种基于粗糙集和D-S证据理论的井下风险评估方法,并进行了具体的实例分析。该方法对多传感器采集的参数进行基于粗糙集的一级数据融合及基于D-S证据理论的二级数据融合,实现了对井下多种信息的整合,优化了现有的风险评估方法。测试表明,该方法可保证预测信息的完备性和独立性,实现了对矿井安全性变化趋势的动态预测。     

多传感器数据融合技术在故障诊断中的应用

利用多传感器数据融合的方法进行故障诊断,建立融合故障诊断系统.将故障诊断系统按数据融合的方法分为数据级融合模块、特征级融合模块和决策级融合模块.数据级融合模块主要对多传感器的测量信号进行处理,提取出故障诊断的特征信息.特征级融合模块采用3个结构相同的并行神经网络,一是进行局部诊断;二是获得决策级D-S证据理论的基本概率赋值.决策级采用D-S证据理论的方法对特征级局部诊断的结果加以融合,得到最终的诊断结果.利用此系统在汽轮机转子试验台架上进行了故障诊断,得到了令人满意的结果.     

基于信息融合技术的电梯控制系统故障诊断*

针对电梯控制系统故障诊断困难及诊断准确率不高的问题提出一种基于信息融合技术的故障诊断方法。同时通过优化网络学习率与激活函数的倾斜度,对BP 神经网络进行改进,使得网络非线性分类能力更强,收敛效率更高。并利用电梯控制开关量信号和电梯运行模拟量参数作为神经网络分类器的特征,应用D-S证据理论合成法则将多个分类器的结果进行融合判决。使证据理论的基本可信度分配不再完全依赖专家进行主观化赋值,从而实现了赋值的客观化。该方法具有较高的稳健性和精确度。最后给出的实验结果验证了算法的有效性。     

基于集成神经网络的智能决策入侵检测系统

针对传统入侵检测系统存在误报率、漏检率较高的问题,提出了一种将误用入侵检测和异常入侵检测相结合的智能决策入侵检测系统,该系统基于集成神经网络技术,通过D—S证据理论可以将两种技术很好地结合起来,提高入侵检测系统的效率。阐述了该入侵检测系统的总体结构部署以及各组成模块的相应结构设计。