基于D-S证据理论的月球探测机器人的信息融合

为解决传统的D—S理论在判别传感器数据之间的相互关系时过于绝对化和经验化的问题，引入了互信因子的概念，用于表示不同证据间的相互支持程度，提高决策的可靠性．采用D—S证据理论实现了月球探测机器人的信息融合，并以障碍物检测为例进行了验证，实验结果表明了该方法的可行性和有效性。     

基于粗糙集和D-S证据理论的云网络风险评估

提出了一种基于粗糙集和D-S(Dempster-Shafer)证据理论的云网络风险评估方法。该方法把云网络中针对虚拟机的网络攻击行为作为安全要素,首先,构建云网络风险系统,根据属性依赖度对云网络风险系统进行分解;其次,利用属性重要度对这些子风险系统进行约简;再次,利用粗糙集与D-S证据理论之间的联系,计算各个子风险系统的基本信任分配函数;最后,通过D-S证据理论的合成规则对多个证据进行合成,得到云网络所处安全状态的概率,从而评估云网络的风险。通过实例验证量化网络攻击行为对虚拟机层和物理机层的影响,结果表明,所提出的方法可以实现云网络风险评估。     

基于D-S证据理论的多类支持向量机融合方法

多源信息决策级融合是一种高层次、直接针对具体决策目标的融合,融合结果直接影响决策水平．针对决策级融合问题,提出了一种基于D-S证据理论的多类支持向量机融合方法．首先构造多个多类支持向量机分类器,然后采用一种新的基于成对类别概率的基本概率赋值方法,应用D-S证据理论将它们融合．仿真结果验证了该方法可以得到更高、更稳定的识别率．     

基于改进的BP网络的D-S证据理论及其应用

目前,D-S证据理论凭借自身独特的处理不确定性问题能力,已在众多领域得到了广泛的应用。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,将改进的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。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。最后,仿真实验表明该模型可行。     

用D-S证据理论方法实现多传感器数据融合

对 Dempster- Shafer证据理论用于多传感器数据融合进行了分析 ,并将其应用于飞机目标识别的数据融合中。结果证明 ,多传感器融合后降低了识别结果的不确定性 ,较单一传感器的识别效果好。说明这一方法是一种有效的数据融合方法     

基于D-S证据理论的维修类型决策模型研究

设备维修决策是在获取设备监测信息的基础上,对设备维修内容和时机进行决策的过程。为了提高决策的正确性,必须准确掌握设备的技术状态。结合设备监测信息的特征,提出了一种基于D-S证据理论的设备维修决策模型,实例表明经过多信息融合后,维修决策结果的可信度得到了显著的提高,为维修时机的确定提供了依据。     

基于改进的D-S证据理论的栅格地图构建

针对非结构化环境地图构建问题,提出了一种基于改进的D-S证据理论的栅格地图构建方法。使用移动机器人多超声波传感器进行了环境探测;针对某些情况下不能应用D-S证据理论进行信息融合和D-S证据组合过程有时会产生有悖常理的无效结果的问题进行了讨论,提出了采用近似处理算法对D-S证据理论进行改进,并将其用于多传感器信息融合,构建了2维D-S栅格地图;运用D-S证据理论进行了判决,构建了2维0-1栅格地图;对D-S栅格地图进行了分析,提出了基于D-S栅格地图的环境评价与环境探测效果评价方法。仿真结果表明,基于改进的D-S证据理论的栅格地图构建方法适用于非结构化环境的地图构建。     

基于神经网络与D-S证据理论的目标识别

针对目标识别中基本可信度分配需要专家知识在实际中难以实现的问题,提出一种基于神经网络和D-S证据理论相结合的多传感器数据融合的方法.该方法利用D-S理论来表示和处理不精确的、模糊的信息,发挥神经网络的自学习、自适应和容错能力,提高了系统识别率.最后通过实验,利用神经网络来处理证据理论中的基本可信度分配问题,对几种空中目标进行身份估计数据融合,经计算机仿真证实了该方法的有效性.     

D-S证据理论合成规则的一些修正

在多传感器数据融合中,D-S证据理论对于处理不确定性问题是一种有用的方法。但是,D-S证据组合规则的一些不足影响了证据理论的应用。虽然Yager对此做了改进,但改进后的组合公式仍然存在问题。通过分析证据理论中关于冲突证据置信度分配中存在的问题,针对时域冲突的特点提出一种新的合成规则改进方法,由此弥补了D-S理论和Yager合成公式的不足,对于在时域上高度冲突甚至完全冲突的证据,能够取得理想的结果。     

基于信息熵与判断矩阵的D-S证据理论改进方法在故障诊断中的应用

针对凭借单一的证据很难进行科学故障诊断的实际情况,提出基于Dempster-Shafer证据理论进行多源信息融合的故障诊断方法.由于D-S证据理论合成公式存在不足,针对各证据的重要性不同,提出了一种将信息熵与判断矩阵一致性相结合对各证据进行加权赋值,并对其进行加权调整的方法,应用D-S证据理论合成公式对加权调整后的证据进行决策级融合.此种方法将主观因素与客观因素相结合.实例分析结果表明:融合结果提高了置信度,降低了不确定性,显著提高了故障诊断的科学性,具有理论与应用价值.     

基于信息挖掘的高校网络舆情监测系统开发

受网上各种信息的影响,高校大学生对社会诸多现象、现实和问题等反应敏感,易受到错误言论的蒙蔽和误导。针对高校网络舆情监测与预警手段方面的严重不足,开发了一个基于网络信息挖掘技术的高校网络舆情监测系统,系统利用网络蜘蛛技术、中文分词技术和文本聚类技术,通过对互联网信息进行采集、处理,舆情识别分析,实现了舆情热点与话题信息的推送与跟踪功能,可进一步分析舆情内容的观点与态度问题,筛选并判定各级别网络舆情的发生,从而进行公共危机和热点事件的监测和预警。     

基于SNA的网络舆情演变分析方法

为研判网络舆论发展态势与趋势,对网络整体及网民个体(Agent)的SNA属性参数——网络密度、中心度、网络中心势等及其动态变化的含义进行分析,揭示出网络舆论态势的演变过程、特征和规律,为网络舆论提供态势研判与引导决策支持.通过天涯论坛上的网络舆情事件的SNA属性参数的定量分析验证该方法具有一定的实际应用价值.     

基于SNA的网络舆情演变分析方法

通过对网络整体及网民个体(Agent)的SNA属性参数动态变化的量化研究,挖掘出网络舆论演化特征并对其进行了定量分析,揭示了网络舆情事件的一般演化规律,为后续的舆论趋势研判和舆论引导工作提供决策依据。以天涯论坛上一个网络事件为实验数据,对该分析方法进行了验证,显示该方法在网络舆情特征研究中具有一定的实际应用价值。     

基于Single-Pass的网络舆情热点发现算法

考虑网络事件的时间距离,基于半结构化网页中不同位置特征项重要程度的不同,提出改进的single-pass文本聚类算法single-pass*,优势在于对Web文本不同位置特征项的加权处理,仅需计算新文档与同类别种子文档间的相似度。实验结果表明,相比single-pass,改进算法极大减少了漏检率和错检率,降低了由于新文本流内文档进行相似度计算导致系统性能的下降,平均提高Web文本聚类效率40%。将聚类后的Web文本应用于网络舆情分析,进行主题关注度分析和话题热度特性分析。     

基于ANFIS和证据理论的信息融合研究

提出了一种基于自适应神经网络-模糊推理系统(ANFIS)和D-S证据理论相结合的信息融合方法.利用神经网络的学习功能提取模糊规则和调整隶属函数,然后用自适应神经网络-模糊推理系统的输出构造证据理论中的基本概率赋值,解决了证据理论中的基本概率赋值不易确定的问题.该方法实现了模糊推理、神经网络和证据理论的有效结合,使得证据理论具备智能信息处理的能力,并应用于雷达与红外复合制导的目标识别融合系统.仿真结果表明:该方法提高了目标识别的置信度,降低了系统虚警率,融合结果也更加合理.     

互联网大数据的多维度网络舆情有效融合分析

近年来,基于大数据技术对多维度的网络舆情进行融合与分析的技术已经进入到各方的事业当中来。在这一背景下,通过对于互联网大数据的多维度网络舆情的全面剖析,找出其中最有效的融合途径与方法,并通过这一有效途径,为今后多维度网络舆情的有效融合及其相关管理与融合体系的建立提供必要的理论基础与实践指导。此种有效融合途径的实现不仅改变了网络信息的传播途径,极大的增加了传播数据,更是能够从数据底层获取其数据传播的节点信息,无论是对自身信息的融合还是舆情的管理与预判均具有积极意义。     

基于改进K-MEANS算法的舆情热点自动发现

目前的网络舆情分析系统一般采用输入的关键词进行检索,无法及时发现未知的热点事件。针对这一问题,设计实现了一个具有实用意义的舆情信息分析系统,并将改进的K-MEANS算法应用于文本聚类来自动发现当前的热点主题。运行结果表明,系统可以及时发现热点话题并对事件实时追踪。