D-S证据理论和粗集理论在数据融合中的应用

提出了一种由粗集理论和D S证据理论结合的多传感器数据融合方法 ,并将其应用于目标识别中。在目标识别的数据融合中 ,利用粗集理论对大量的传感器数据进行处理 ,判断出冗余传感器 ,得到传感器的最简组合 ,从而简化特征数据。然后利用D S理论实现目标的分类 ,改进分类的效果。因此 ,将两种方法结合起来应用于数据融合技术中来进行目标识别 ,为解决传感器数据超载以及不完整传感器信息融合提供了一种方法 ,且提高了识别的速度和效果     

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证据理论的传感器网络数据融合算法

传感器网络对于多个传感器在不同目标的识别过程中,各种技术冲突便随之接踵而至,并对传感器网络的科学体制产生了能动性的影响,使得系统的实时性和同步性的效能受到很大的负面影响。基于此,文章以D-S证据理论为核心要素,通过矩阵分析在融合算法中的理论地位,辅之以数学归纳法的精要,力求得到与融合结果与D-S证据组合公式相同的结果。     

基于D-S证据理论的数据融合算法及其在电路故障诊断中的应用

本文在D-S证据理论的基础上,结合模糊集合论,给出了电子电路故障定位的多传感器数据融合方法.通过测试电路中的被诊断元件的工作温度和工作电压两个物理量,得出D-S证据理论中两传感器对各待诊断元件的信度函数分配,再利用D-S联合规则得到融合后的信度函数分配,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性.     

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。     

基于改进D-S 证据理论的多雷达自适应数据融合

针对多雷达数据融合时融合结果精度较低问题,提出一种基于改进D-S 证据理论的自适应融合算法。该算法将单传感器多时刻时域融合和多传感器空域融合相结合。首先,利用盒状图对单传感器测量值分类优化,进行单传感器时域融合;再根据文中提出的改进证据冲突程度判据,对高冲突的局部证据进行修正,并选择相应的多传感器空域数据融合算法。仿真分析表明,文中算法具有较好的可行性与有效性,同现有的多雷达数据融合算法相比,文中算法能够有效降低融合过程中产生的系统误差,且融合结果更加可靠、精确。     

D-S证据理论在雷达体制识别中的应用

本文在详细阐述了Dempster-Shafer证据理论的基础上,介绍了基于D-S证据理论的雷达体制识别的信息融合算法.识别实例和对比实验表明,这种信息融合识别方法是非常有效的.     

基于改进D-S证据理论的数据融合目标分类

首先采用分类算法对MSTAR数据集进行十类目标分类识别、三类目标的变体分类识别,然后根据分类调参过程中的先验知识修正证据即分类器输出,构造基本置信函数,并采用改进的合成规则即基于冲突系数K和Pignistic概率距离相结合的冲突度量方法,对冲突证据采用按比例分配冲突度的合成规则进行合成。未融合时,三类目标的变体分类准确率最高为93.553%,融合后三类目标变体分类识别率为95.092%,提升幅度约是理想状态的37%。     

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。     

D-S证据理论在雷达体制识别中的应用

本文在详细阐述了Dempster-Shafer证据理论的基础上,介绍了基于D-S证据理论的雷达体制识别的信息融合算法。识别实例和对比实验表明,这种信息融合识别方法是非常有效的。     

基于D-S证据理论的协作频谱感知算法

在无线传播过程中,主用户信号经常会受到路径损耗、阴影衰落等影响,导致无线通信环境中单个认知用户对主用户的感知结果存在不确定性。因此,结合D-S证据理论方法,提出了一种新的协作频谱感知算法。以能量检测作为基础,将证据间冲突变化程度平均性的概念结合其中,根据这一方式设计了一种新的证据理论合成法则,将多个D-S融合结果送到融合中心进行数据融合,得出最终判决。仿真实验结果表明,该算法能够很好地解决证据间的高度冲突并较为合理地减轻不确定性因素的影响,在信噪比比较低的情况下,获得较好的检测性能。     

基于D-S证据理论的多模态医学影像融合方法

针对多模态医学影像融合后存在边缘模糊、纹理不清晰的问题,提出了一种基于D-S证据理论的影像融合方法。首先对待融合的医学影像进行小波分解,在高频域,取纹理属性和边缘属性作为证据,根据Dempster证据合成和判决规则,得到高频域各点属性,从而确定融合规则;在小波分解的低频域,采用基于区域梯度的融合规则。实验结果表明,融合后医学影像较为完整地保留了源医学影像的边缘和纹理细节信息,有效提高了融合性能,优于同类方法。     

基于D-S证据理论的网络表示融合方法

随着网络表示学习技术的发展,在网络结构信息的基础上,越来越多的研究者考虑融入额外辅助信息来提升网络表示效果.针对现有网络表示学习方法中对于多属性特征融合缺乏冲突判别与评价指标的问题,本文在已有研究基础上,提出一种基于D-S证据理论的网络表示融合方法.本方法首先通过SVM算法给出不同属性信息对融合表示结果的支持度,然后利用证据组合规则计算网络表示学习中的融合评价指标,并依据混淆矩阵考虑各类别在节点分类中的局部可信度.在3类数据集上的仿真实验表明：本方法对于检测网络表示融合中的冲突,提高表示融合效果具有一定的指导意义.     

基于D-S证据理论的数据链故障诊断方法

针对无人机数据链结构复杂而导致的故障诊断难题,提出了一种基于D-S证据理论的无人机数据链路故障诊断方法。将无人机数据链诊断划分为系统级和电路板级2层,给出了故障诊断的总体框架。运用模版匹配法进行基本概率分配函数获取,基于冲突度和重要度进行冲突证据合成,采用基本概率分配函数进行决策,在此基础上实现了基于D-S证据理论的诊断方法。实验结果表明该方法正确有效,为无人机数据链故障诊断提供了新的途径。