排序方式: 共有12条查询结果,搜索用时 0 毫秒
1.
2.
3.
针对传感器信号不确定会产生冲突证据的问题,提出了一种基于改进证据理论的多传感器信息融合故障诊断方法。提出了基于遗传神经网络的原始证据生成方法,利用遗传算法优化神经网络参数,提高网络训练速度;定义了向量空间和方向相似度,利用分类准则函数区分冲突证据和相似证据,通过可信度修正冲突证据,降低了因不确定性产生的冲突对合成结果的影响。通过齿轮泵故障实验验证了改进方法的有效性,改进方法的诊断正确率明显高于单一传感器的诊断正确率,并通过设置适当的阈值提高了方法的灵活性和适用性。 相似文献
4.
针对D-S 证据理论中高度冲突证据合成时产生反直观结果的问题,从聚类分析的角度提出了一种新的冲突证据合成方法。首先建立余弦相似度空间,利用证据向量之间的夹角余弦定义冲突证据检测因子,进而提出冲突证据判据判定冲突证据,从而实现证据分类;其次引入冲突比例因子决定冲突证据的修正方式,通过绝对相似度对冲突证据进行局部修正,通过相对相似度对证据进行全局修正;最后将修正后的证据带入D-S 公式进行合成。应用实例证明:新方法能够判定并有效合成冲突证据,具有较好的分类精度、收敛速度和稳定性。 相似文献
5.
6.
针对传感器证据信息全局修正针对性不强及冲突证据无法判别等问题,提出基于改进证据理论的故障诊断方法。利用冲突证据判据判断可信证据与冲突证据,保留可信证据,通过可信度对冲突证据进行针对性修正。该判断及局部修正可降低传感器证据信息的不确定性,并减弱冲突信息对合成结果影响。结合神经网络建立特征空间到证据空间的映射,有效利用网络输出结果,通过信息熵构建原始证据。将所有证据用改进D-S公式合成。通过齿轮泵早期故障试验,与神经网络及其它证据合成方法对比表明,该方法诊断精度较高,从而验证了融合方法的有效性。 相似文献
7.
为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。 相似文献
8.
9.
为解决经典证据理论无法处理高度冲突证据的不足,提出了一种基于距离测度的证据合成方法。将证据视为空间向量,定义距离测度空间,计算空间中两两证据之间的距离,并通过距离测度矩阵确立证据之间的一致性测度,在此基础上求得辨识框架对各证据的支持度,通过归一化支持度得到证据一致性因子,以此作为冲突概率的分配权重,最后给出改进的证据合成公式。数值算例证明了改进公式既能处理冲突证据,又能合成非冲突证据,与其他合成方法的比较验证了改进合成公式的有效性。 相似文献
10.