改进时空DS证据理论在车辆识别中的应用

将证据理论作为数据融合方法,将多传感器多测量周期的数据进行融合,讨论了集中式,分布式无反馈,分布式有反馈三种融合方法,将其应用于车辆类型识别方面,并通过实验对这三种方法进行了比较,得出在传感器提供数据较准确时,分布式有反馈融合方法的分辨效果最明显,而在传感器提供数据不是非常准确(甚至错误)时,分布式无反馈方法得到正确结果的准确率最高.     

D-S证据理论在目标识别中的应用

分析了D-S证据理论用于多传感器数据融合的基本概念和理论,构造了融合结构,该结构通过预处理先对单一传感器在时域上融合,再对预处理后的数据进行多传感器数据融合,实验结果证明了目标识别的基本概率赋值有了明显提高,验证了这一结构的正确性和有效性。     

基于D-S证据理论的空区稳定性识别与工程应用

地下矿山开采时,受采矿方法和开采工艺的影响,产生大量采空区,它是影响井下矿山安全生产的主要因素。群空区稳定性的影响因素主要包括4个方面,即:采空区的结构形态参数、群空区的空间分布特征、群空区的应力环境和特征值、采空区的地质环境和矿岩体的物理力学参数,形成了群空区稳定性影响因素的多源信息数据库。为了识别矿山井下空区的稳定性,以CMS空区探测、数值模拟和岩体力学属性为多源信息来源,应用层次分析进行因素权值分析,建立了基于D-S证据理论多源信息融合的群空区稳定性分析模型。针对某矿山的工程现状,实现了采空区的4级稳定性分级。研究结果表明:群空区稳定性与结构参数、地质参数和应力环境参数有关,是一典型的多源信息融合系统,运用D-S证据理论实现了采空区的多源信息融合的稳定性分级,分级结果有利于矿山的安全处置和控制。     

基于神经网络D-S证据理论的汽轮机转子融合诊断系统研究

船用汽轮机转子作为汽轮机做功的主要部件，易发生故障．将数据融合技术应用到其故障诊断领域，采用神经网络与D-S证据理论相结合的理论方法，建立了汽轮机的融合诊断系统，对转子的几种常见故障进行诊断，在数据级上将特征量进行分类处理，能够从多方面反映系统状态，为准确诊断故障奠定了基础，特征级上采用多神经网络的方法克服了网络收敛速度慢的缺点，再经过决策级的融合计算，提高了诊断精度．通过诊断测试及对比试验证明该系统提高了汽轮机转子故障诊断的精度，并能满足诊断的实时性要求。     

基于二元树复数小波变换的特征融合算法

提出了一种利用二元树复数小波变换(DT-CWT)提取遥感图像纹理特征的方法，不仅使得纹理分析具备小波分析的多尺度特性，而且具备了6个方向的选择性、良好的重构性和近似的平移不变性．利用DT—CWT变换提取目标图像的纹理特征，构造目标概率密度函数，并采用基于D-S证据理论的特征层融合算法对目标进行识别处理，实验结果表明，采用基于DT-CWT纹理特征的特征层融合算法对多源低分辨率可见光遥感图像中小目标的识别是有效的．     

机场柴油发电机组故障检测中证据理论的应用研究

机场柴油发电机组由于其结构的复杂性、故障诊断的困难性以及保障的应急性,要求在保障时能够准确识别故障并加以排除,因此,基于信息融合技术的故障诊断就成为其发展的必然.本文根据柴油机的系统特点及故障特征,利用D-S证据理论并结合实例分析了信息融合技术在判断系统状态和故障识别方面的准确性和有效性.     

基于随机集的证据理论的改进在发电机故障诊断中的应用

在多传感器信息融合处理故障诊断问题过程中,传统证据理论对含有冲突证据的处理结果与实际相悖。文中运用随机集的方法对传统的证据理论进行改进,提出了一种新的基于证据本身的可信度权重和基于证据相似度的可信度权重的证据调整方法,并将改进后的方法应用于发电机系统的故障诊断中。结果表明,与传统证据理论相比改进后的方法更加精确地辨识出故障源,提高了诊断系统的性能。     

基于D-S证据理论的修正融合目标识别模型

在分析D-S证据理论中证据合成规则的局限性之后,根据合成证据中集合大小、相交程度以及证据间的相关性和互补性,引入一个合成因子λ,并给出了λ的经验值,这种新规则对于证据之间完全冲突的情况也能给出合乎直观的合成结果.应用于实际的红外/毫米波融合目标识别系统,也取得了满意的正确识别结果.     

基于D-S证据理论的多传感器多特征目标识别

 传统多传感器环境下的目标识别方法主要有两种：利用多传感器获得的数据进行数据融合、利用每个传感器信号的特征向量进行特征融合。但这两种方法均存在目标识别精度不高的问题。针对这一问题,本文提出了一种基于D-S 证据理论两次组合规则的融合方法。该方法在提出多传感器目标识别系统模型的基础上,运用D-S 证据理论对单传感器的多特征信息进行数据融合;根据传感器接收信号信噪比来确定传感器可信度,将该可信度作为D-S 证据理论组合规则中的证据权值,以此来完成目标识别。本文提出的方法综合考虑了传感器的多特征信息和传感器的可信度,克服了传统的D-S 证据理论对证据冲突处理能力有限的缺陷。实验结果表明,该方法具有较高的正确性和有效性,提高了目标识别的精度。     

灰色关联和证据理论在故障识别中的应用和改进

针对复杂检测环境下传感器获得的特征信息具有不确定性和模糊性等问题,提出了利用熵权灰色关联算法获得基本可信度赋值函数(BPAF).根据基于证据理论的信息融合方法,设计了单传感器多量测周期时域融合和多传感器空域融合的二级证据融合算法,采用基于可信度的判决方法作为故障检测和识别依据.熵权方法解决了灰色关联算法中特征权重的选取问题,二级证据融合算法提高复杂环境下识别结果的准确率.仿真结果表明,这种方法比一般的故障识别算法具有更高的识别率、更强的鲁棒性和更广的适用性,是复杂环境下故障模式识别的一种正确可行的新方法.     

基于D-S 理论的目标识别

利用目标回波所提供的信息 ,在 D- S理论的基础上 ,综合利用各种目标识别方法进行目标识别 ,在很大程度上提高了目标识别率及识别结果的可信度 ,且有更好的目标分类效果。     

一种基于证据决策的航迹相关算法

基于证据决策的思想,对传统的最近领域法(NN)及K近领域法(K-NN)进行改造,设计新的航迹相关判决准则,提出一种新的分布式多传感器航迹关联算法(EK-NN). 通过仿真试验分析,并与最近领域法(NN)及K近领域法(K-NN)进行比较. 结果表明,在密集目标环境下,基于证据决策的(EK-NN)航迹关联算法明显优于最近领域法(NN),较K近领域法(K-NN)也有一定的改进.     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

基于D-S证据理论的不完全信息作战方案优选

针对带有不完全信息的作战方案优选问题,提出了一种基于D-S证据理论的多属性决策方法.首先由属性值构建残缺决策矩阵(矩阵中有某些未知元素),然后根据属性值的特征确定各属性对应的焦元.利用信任函数、似然函数和证据推理算法求得每个方案的效用区间和优先度,并根据优先度对所有方案进行排序,从而完成方案优选.该方法通过对作战方案优选过程中繁杂、不确定信息进行融合,可以较好地处理作战信息不完全对作战指挥决策的影响.以一类炮兵作战方案优选为应用算例,证明了该方法的有效性.     

基于D-S证据理论的金属薄壁罐焊缝缺陷检测

针对薄壁金属制罐焊缝的缺陷类型,提出两种基于机器视觉的焊缝缺陷检测方法,一种是累积灰度值波形分析法,另一种是帧差法。累积灰度值检测方法主要基于统计学原理,对焊缝部分所表现出来的统计学特征进行分析来判断焊缝是否存在缺陷;帧差法主要是根据连续两帧之差来检测是否存在焊缝缺陷。最后,通过使用Dempster-Shafer(D-S)证据理论来减少误判和漏判。实验结果表明,两种检测方法的结合使用,达到了90%以上的准确度。同时,由于算法计算量不高,对于检测的实时性要求也能得到满足。     

基于D-S证据理论的SAR图像边缘融合检测算法

针对含噪SAR图像的统计特性,提出了一种基于D-S证据理论的SAR图像边缘检测算法。该算法采用非下采样Contourle变换,结合Ratio算法良好的抗噪和恒虚警性能,构建基本置信指派函数。最后对实测的SAR图像进行仿真,仿真结果表明该算法具有良好的抑制斑点效果,并能完整和准确地检测直线边缘,对弱边缘检测也表现良好。     

基于时域模糊决策融合的雷达工作模式识别方法

在雷达工作模式识别中,侦察设备对雷达信号参数的测量误差严重影响了识别效果,针对这一问题文中提出时域模糊决策融合(TFDF)的雷达工作模式识别方法。首先分析了雷达脉冲组特征,在脉冲组层次提取雷达信号的脉冲组描述字(PGDW);然后基于联合隶属度函数改进传统的神经网络硬判决方式,实现雷达信号识别的模糊决策;最后运用DS证据理论将多个时刻的模糊决策融合,从而完成雷达工作模式的最终识别。基于时域模糊决策融合的识别方法可以有效改善参数测量误差对工作模式识别效果的影响。仿真结果以及对比实验表明,文中所提算法具有更好的抗噪性能,在雷达信号的参数测量误差为15%时仍具有90%以上的识别率。