D-S证据推理的应用

D-S证据推理的应用D-S证据推理方法的功能D-S证据推理作为不确信推理的有效方法,是一种决策理论,它能够很好地处理具有模糊和不确定信息的合成问题。与概率决策理论(如Bayes理论)相比,它不但能处理由知识不准确引起的不确信性,而且能处理由不知道引起的不确信性,也不用给出先验概率，而是基于从属关系值,使用命题演算作为在D-S框架下的推理过程。D-S证据推理的应用实例基于D-S证据推理的项目投资综合决策模型与应用D-S证据推理在机械故障诊断中的应用结合D-S证据推理的贝叶斯网络法在配电网可靠性评估中的应用基于D-S证据推理的项目投资综合决策模型与应用

项目投资综合决策要处理的信息大都是不精确的、不完备的、模糊的、甚至是相互矛盾的,具有不确信性。为了有效地进行投资分析和决策,需要用形式化的方法来描述这些不确信信息,并进一步探讨不确信推理的方法。不确信推理一般不强求逻辑上的完备性,只是对不确信信息在误差允许的范围内做出近似推理判断,虽然推理不一定能得到最佳的决策结果,但一般能给出专家级决策结果,基本上可以满足应用领域的要求。基于D-S证据推理的项目投资综合决策模型与应用我们将投资决策系统的指标体系视为一组证据信息,利用D-S合成推理规则显然是非常合理。D-S证据理论应用于投资项目综合决策时,由各独立指标所获得信息产生的特征度量构成了该理论的证据。通过构造相应的基本概率分布函数,对所有的证据(包括Θ)赋予一定的不确信度,利用这些证据合成新的证据。D-S证据推理的步骤(1)求出各个证据的基本概率赋值m(i);(2)求解证据的不确信度m(Θ);(3)利用D-S合成推理规则,形成新的信任函数Bel(A),并求解其基本概率赋值m(A);(4)解决具有相关性和冲突性证据的合成问题。实例研究实例研究实例结论由以上实例可看出,每种融合方法得出的结论基本一致。即:方案6最值得投资,方案1最不值得投资。也不难发现,采用D-S融合方法比不采用该方法进行决策更利于方案的集中,数据融合使得系统的不确定性下降,基本概率函数分布趋势更加明显,根据同样的决策规则进行方案比较,能够更加充分地利用系统的信息,提高系统辨识目标方案的准确性。D-S证据推理在机械故障诊断中的应用

在机械故障诊断中,无论传感器的种类和性质如何,最终用于故障诊断的总是一些数字诊断指标,一般说来,机械设备的这些诊断指标是具有不确定性的。而且即使对同一台机器同一种工况下,不同工作循环内测得的振动信号的特征参数也不完全相同,有时甚至相差很大。设备状态参数与诊断指标之间的这种不确定关系,决定了诊断问题本质上的不确定性。为了提高诊断的精确性和可靠性,最大限度地利用各种信息,解决靠单一传感器获得的单一指标进行诊断所带来的不确定性,本例从提高故障诊断精度出发,提出了基于多测点的D-S证据推理的数据融合方法,并利用优化后的神经网络诊断结果来建立证据推理的诊断模型,利用同源数据进行融合,既避免了建立质量函数的麻烦,又降低了诊断的不确定性。D-S证据推理在机械故障诊断中的应用在进行故障诊断时,可以用多传感器来对不同位置进行测量,对每个传感器的测量结果进行初步诊断,再用D-S证据推理对它们进行融合。用D-S证据推理进行决策层融合时,一般都要建立相应的质量函数,难度很大,为避免建立质量函数的麻烦,本文借助了成熟的BP网络技术,对每一测点先用BP网络进行局部诊断,各测点的诊断结果经过优化处理后建立证据推理模型,进行综合诊断。试验论证在转子试验台上进行试验验证,在其上选择三个不同的测点,表2是转子不对中时各测点BP网络的诊断结果。试验论证

对以上结果进行处理，计算出m(Ai)(基本概率值),Ai表示故障模式，i=1,2,3,4,5,6。计算结果m(Ai）即为每个样本中第i种故障模式的基本概率值。经归一化处理后得到的基本概率值如表3所示。试验论证试验论证

先用优化后的BP网络诊断来建立证据推理模型。设新人函数Bel1对应于第一册点的诊断结果，信任函数Bel2对应第二测点的诊断结果，这两个信任函数的焦点元素都是A1,A2,A3,A4,A5,A6,分别代表完好状态，不对中，碰摩，不平衡，油膜涡动，油膜震荡六种故障模式。它们构成了信任函数Bel1,Bel2的共同分边框。经D-S证据推理融合以后的诊断结果，再与测点3进行融合，最后得到三个测点的融合结果：m(Ai)={0.9962070.0002600.0000770.0013390.0014460.000654}m(θ)=0.000017.结合D-S

证据推理的贝叶斯网络法在配电网可靠性评估中的应用

配电系统处于电力系统末端，直接与用户相连，是电力系统向用户供应电能和分配电能的重要环节。近年来随着人们对配电系统在供电可靠性中地位认识的提高，配电系统可靠性的研究得到了迅速的发展。贝叶斯网络对配电网可靠性的估计加入D-S证据理