基于模糊C均值聚类和D-S证据理论的多传感器信息融合技术研究

D—S证据理论能很好地表达“不确定”和“未知”等信息融合中的重要概念,在多传感器信息融合领域得到了广泛的应用。针对传感器数量较多时,D—S方法计算量很大的问题,提出了利用模糊C均值聚类来减少证据体数目,再结合D—S证据理论进行信息融合的办法。实验数据表明,该方法大大减少了计算量,保证了目标识别的准确度。     

D-S证据理论在多传感器信息融合中的改进

详细阐明了多传感器信息融合的一种方法——D-S证据理论，他是一种处理不确定性问题的有用方法，但是D-S证据理论组合规则的一些不足影响证据理论的应用，通过深入分析，针对该方法的不足提出了一种修正的组合方法，这样不仅能够用于组合冲突比较大的证据，而且能够根据各条证据所包含的不同信息量进行自适应加权组合，改进了基本D-S证据理论的组合准则，提高了其融合性能，并通过实例证明了该方法的有效性。     

基于D-S证据理论的多传感器数据融合

D-S证据理论可以有效地处理不确定信息,是有效的数据融合方法之一,但在证据高度冲突时,其归一化过程会产生有悖常理的结果。针对这个问题,国内外的学者提出了许多不同的改进方法,基本上可分为两类：修改组合规则和修改融合模型。在此总结分析了相关的国内外典型文献的改进思想,并进行系统条理的分析,为证据理论的发展和改进提供了有价值的参考。     

基于D-S证据理论多传感器信息融合的辐射源及平台识别

本文深入研究了基于D-S证据理论的多传感器信息融合方法,将其应用于单个辐射源识别,并在此基础上将其推广到辐射源平台识别,提出了一种应用于平台识别的可行方法,仿真结果表明,这种基于D-S证据理论信息融合识别方法是适用有效的.     

类模糊C均值聚类的关键帧提取算法

对比现有典型关键帧提取算法存在的缺陷,提出了一种类模糊C均值聚类的关键帧提取算法.该算法预先设定一个最初聚类中心,从而有效地减少了聚类算法的迭代次数;并使用视频帧序列的时序特征来对FCM算法进行限定,提高了聚类效率.实验结果表明,使用该算法提取的关键帧不仅可以充分表达出视频的主要内容,而且还可以根据内容的变化提取出适当数量的关键帧.     

基于模糊C均值聚类的作物病害图像分割方法研究

图像分割是指将人们感兴趣的目标从背景中分割出来,分割结果的好坏直接影响后期的图像分析和识别.基于作物病害图像的分割技术就是将病斑从病害图像中分割出来,以便于后期病害的诊断和识别.模糊C均值聚类是一种重要数据分析和建模的无监督方法,为提高作物病害图像的分割效果,根据作物病害图像的特点,提出一种基于模糊C均值聚类算法的作物病害图像自适应分割方法,并与K均值聚类算法进行比较,结果显示本文算法在进行图像分割方面表现出明显优势.     

基于D-S证据理论的信息融合技术在指控系统中的应用

本文针对靶场测试信息种类多、数据量大和实时性强的特点,提出了将数据融合技术应用于指控及数据处理系统的方案;重点分析了D-S证据理论多传感器识别、应用联合卡尔曼滤波的数据融合等目标识别方法,并通过仿真结果的分析,证明了方案的有效性,可以有效提高系统的综合处理能力。     

基于多属性模糊C均值聚类的属性约简算法

模糊C均值聚类算法在处理高维数据集时,存在计算复杂度高,算法泛化能力差,计算精度低等问题。考虑到特征属性对聚类的贡献程度的差异,在多属性模糊C均值聚类的思想上,提出一种基于属性重要性的约简算法。为验证有效性,在UCI数据集上,将新算法与因子分析法和粗糙集理论约简方法进行比较分析。实验结果表明,该方法具有更好的泛用性,在平均标准差大或类间中心距离较远的数据集上具有更好的性能。     

非局部模糊C均值聚类图像分割

改进的广义模糊C均值聚类分割算法(GIFP_FCM)是一种新型的模糊聚类算法。然而,GIFP_FCM对噪声很敏感,这是因为该算法忽略了图像的空间信息。为了解决这一问题,本文提出一种新算法,即非局部自适应空间约束聚类算法(FCA_NLASC)。在该方法中,一种新的非局部自适应空间信息被引入到改进的GIFP_FCM的目标函数。该算法的特点是控制每个像素在非局部空间信息图像中的噪声。对于合成图像和真实图像,与GIFP_FCM算法比较,实验结果表明,FCA_NLASC算法能够较好地保持图像细节特征,并且对噪声具有较强的鲁棒性。     

一种自适应的模糊C均值聚类算法

本文首先介绍了模糊C均值聚类算法及其不足。在模糊C均值聚类算法的基础上,结合有效性函数,提出了一种自动聚类算法——自适应的模糊C均值聚类算法,并建立了自适应的模糊C均值聚类算法的研究模型。最后,对改进算法用MATLAB进行编程实现,并通过多组数据集进行实验测试,对产生的多种实验结果进行分析,验证自适应的模糊C均值聚类算法可以实现自动类别数的判定。     

多传感器模糊D-S理论辐射源识别

研究了将D-S证据理论与模糊推理组合应用辐射源识别的方法,提出了基于模糊综合评估获取基本概率分配函数的方法;在此基础上研究了应用D-S证据理论进行多传感器信息融合,从而识别雷达辐射源的原理;仿真实验和对比实验表明本算法的有效性。     

结合新型模糊支持向量机和证据理论的多传感器水质数据融合

在多传感器水质数据融合领域,证据理论是有效的数据融合方法之一,但基本概率分配一般不易确定,从而使数据融合能力难以有效发挥。支持向量机是统计学习理论之上的高级分类算法,具有普适性和全局优化等特点,但输出的基本概率分配有待进一步提高。提出了一种基于证据理论和新型模糊支持向量机相结合的数据融合方法,通过建立基于分类超平面距离的模糊隶属度,训练模糊支持向量机提高传统支持向量机的基本概率分配,并结合证据理论进行海河水质数据融合。通过证据理论分别结合支持向量机和模糊综合评价法与上述方法进行对比实验,经精度、平均绝对百分误差、均方根误差等指标验证,精度提高10. 5%,表明所提方法是一种可靠的多传感器的水质融合方法,较其他方法具有更高的融合精度。     

改进的D-S证据理论算法

针对DS证据理论存在的诸如一票否决、证据冲突过大的问题,提出了一种改进方法。该方法利用指数函数对证据进行重新定义,有效避免了零焦元元素对融合结果的影响,引入关联系数的概念解决冲突系数不能够有效反映证据之间冲突关系的情况。利用关联系数矩阵对焦元元素的关联程度作为权重对原证据进行加权,并利用DS证据理论合成公式对加权后的数据进行融合。通过仿真分析了调节因子的取值范围,并通过与其他算法进行比较,得出新算法在解决一票否决问题方面的优越性。     

基于改进D-S证据理论的认知无线电频谱感知算法

在把D-S证据理论应用于多节点的频谱感知数据融合时,如果数据冲突较大则融合结果并不理想.为了解决上述问题,对D-S证据理论的证据组合规则进行了改进,给出了一个在数据冲突大时也适用的数据融合公式,并把这种改进的数据融合算法应用到多节点协作频谱感知中.MAT-LAB仿真测试与结果分析表明改进算法提高了频谱感知性能.     

基于SVM与改进D-S理论电路板故障诊断算法

为了解决传统电路板故障诊断方法耗时长、难度大、准确度不高的问题,该文充分利用不同检测设备提供的电路板故障特征信息,提出基于支持向量机(SVM)与改进D-S证据理论相结合的电路板故障诊断算法。首先,将各证据体提供的故障数据输入SVM诊断模块,获取该证据体对各个故障模式的可靠度与加权系数;其次,利用"一对一"SVM多分类方法构造证据体对各个故障模式的基本概率分配;最后,对基本概率分配进行加权处理,完成基于D-S理论的多信息融合,获得故障诊断结果。实验结果表明,所提算法可以有效降低各证据体对诊断结论的冲突,增强正确诊断结果的信度,显著提高故障诊断准确率。     

基于D-S理论的模糊图像智能识别方法研究

针对传统图像识别方法在对模糊图像进行识别处理时,存在识别精度低,识别结果与实际存在差异等问题,为了提高模糊图像的高清识别能力,结合D-S理论,开展模糊图像智能识别方法研究.在明确D-S理论的基础上,基于D-S推理过程描述模糊图像结构,基于融合行为智能识别图像模糊化特征,实现基于D-S理论的模糊图像智能识别方法设计.通过对比实验进一步证明,本文设计的图像智能识别方法在实际应用中,识别精度明显高于传统图像识别方法,并且针对不同类型的模糊图像具有更高的针对性.     

一种基于模糊聚类理论的文本水印算法

基于模糊聚类理论,建立了以文本文档中汉字特征为变量的聚类模型。根据人类视觉系统特性,将文本文档中汉字按照汉字笔画数、出现频率及分布均匀度作了分类,选择文本文档中汉字笔画数相对较少、使用频率较高、分布均匀度高的类别嵌入水印。实验结果表明,该算法对于内容的部分删除、添加、格式调整等攻击具有较好的鲁棒性,水印的不可见性好。     

基于模糊聚类特征化软件零水印算法研究

为了得到软件的关键特征,提出把模糊集理论和数据挖掘中的聚类方法用于软件水印的研究中,用来分类软件碎片集,基于其＂最大化内部相似性,最小化类之间的相似性＂对特征码进行聚类或分组,以提高软件特征的可信度和鲁棒性,进而提高零水印的鲁棒性。     

D-S证据理论数据融合算法在某系统故障诊断中的应用

介绍了Dempster-Shafer(D-S)证据理论数据融合算法的基本原理,在此基础上以电压-码转换电路板为被诊断对象,探索了基于D-S证据理论多传感器数据融合算法的某系统电路故障元器件诊断方法.诊断结果表明D-S证据理论多传感器信息融合算法可有效地提高故障模式的识别能力,使故障元器件得以有效定位.     

基于FCM的无监督最优模糊聚类算法

基于模糊c-均值算法的无监督最优模糊聚类算法集合了模糊c均值算法与无监督最优聚类算法的优点,它通过逐渐改变聚类数c,依据一些有效性衡量尺度,能无监督搜索出最优聚类数c.通过对距离测量尺度的改进,使聚类不受类形状的影响,以达到具备更高准确率的聚类效果.仿真实验结果表明,新算法不仅能准确找出聚类数,而且跟单纯的模糊c均值算法比,具有更好的聚类效果.