【信息融合】DS证据理论不确定性信息融合【含Matlab源码 3597期】

最新推荐文章于 2024-02-20 16:58:06 发布

Matlab武动乾坤

最新推荐文章于 2024-02-20 16:58:06 发布

阅读量54

点赞数

分类专栏： Matlab信号处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135123526

版权

Matlab信号处理（进阶版）专栏收录该内容

528 篇文章 46 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、 DS证据理论不确定性信息融合

1 数据融合（信息融合）
将经过集成处理的多传感器信息进行合成，形成一种对外部环境或被测对象某一特征的表达方式称为信息融合。常见由以下几种信息融合方法。
（1）综合平均法，即把各传感器数据求平均，乘上权重系数；
（2）贝叶斯估计法，通过先验信息和样本信息得到后验分布，再对目标进行预测；
（3）D-S法，采用概率区间和不确定区间判定多证据体下假设的似然函数进行推理；
（4）神经网络法，以测量目标的各种参数集为神经网络的输入，输出推荐的目标特征或权重；
（5）kalman法、专家系统法等。。。

2 案例
根据文献[1]给出的题目：假设机器故障空间：Θ={F1,F2,F3}，证据空间为E={E1,E2,E3}，基于给出证据的基本信任度指派值BPA如表1所示：
表 1 例子中的BPA值
在这里插入图片描述
已知给定冲突因素：k1,2=0.52，k1,3=0.26，k2,3=0.605，重要性指数矩阵W*：

试利用传统的证据理论融合方法与文章中给出的修正的方法分别计算证据的融合结果，计算{F1}、{F2}、{F2,F3}的信任值Bel()和似然值Pl()，并对比作业中的结果与文献中的结果。

解：具体解题过程请参考文献[1]中的方法与程序，图1所示为使用不同方法的融合结果汇总：
在这里插入图片描述
可以看出使用传统的证据理论融合方法，并不能很好的确定最终的判定结果。但使用文中的方法修正后，融合结果显示使用F1的重要性指数加权后修正的BPA值融合后F1的信任度大大增加。图2(a) (b) © (d)分别计算了使用不同方法融合后每一条证据的信任值与似然值，以及分别的信任区间。
图3为使用柱状图表示的融合结果。与文献[1]对比可知，计算结果完全相同，说明程序中所用算法与文献提供的方法一致，计算结果没有错误。

⛄二、部分源代码

function z=DS_fusion(x,y)

%融合两组可信度分配值

[nx,mx]=size(x);
if 1~=nx
disp(‘x应为行向量’);
return;
end

[ny,my]=size(y);
if 1~=ny
disp(‘y应为行向量’);
return;
end

if mx~=my
disp(‘x,y列数应相等’);
return;
end

k = x(1,1)(y(1,2)+y(1,3))+y(1,1)(x(1,2)+x(1,3));

for i =1:mx
z(1,i) = x(1,i)*y(1,i)+x(1,i)*y(1,mx)+y(1,i)*x(1,mx);
if i == 2
z(1,i) = z(1,i)+x(1,i)*y(1,i+1)+y(1,i)*x(1,1+i);
elseif i == mx
z(1,i) = z(1,i)/3;
end
z(1,i) = z(1,i)/(1-k);
end
% z(1,mx) = x(1,mx)*y(1,mx)/(1-k);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]陈寅,林良明,颜国正.D-S证据推理在信息融合应用中的存在问题及改进[J].系统工程与电子技术. 2000,(11)

[2]邓肯·麦克尼尔.多传感器数据融合：基于卡尔曼滤波和神经网络的方法[M].机械工业出版社, 2005

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合