前言
DS证据理论作为传感器融合方法,常被用于不确定性事件的结果融合,类似于集成算法模型,但两者核心算法不同。集成算法模型常用投票的方式来确定最终结果,DS证据理论则有单独的计算方法。本文则简单介绍DS证据理论经典算法,有需要的可参考学习。
一、DS证据理论介绍
1.1 基本概念
为方便大家能直观了解DS证据理论原理,现以某设备状态预测为例进行阐述。
背景:现需要对一台风电机组大部件进行状态识别,暂定机组状态分为:轴承故障、齿轮箱故障、发电机故障、机组正常。
传感器数据为:发电机功率、发电机转速、齿轮箱油温、齿轮箱油压、主轴承温度、偏航方向。
在建立DS证据理论模型前,先确定以下几个概念:
(1) X 全域(Universe)/识别框架/假设空间
对于X 全域,指的是一共可以有多少种假设, 表示就是我们要判断事件发生情况的范围。在上述例子中,指的是风电机组的四种状态。
(2)基本概率
X全域中某个状态概率。在上述例子中,指的是风电机组某个状态下的概率,其中同一传感器下的各状态概率和为1。
(3)基本概率分配(BPA)
由传感器得到X全域中每个状态下的概率过程,是DS证据理论中的核心部分。
(4)概率分配函数mass
基本概率分配的函数过程中用的方法或者函数。
(5)信度函数Bel
某个状态下的所有子集概率之和。比如风电机组轴承故障信度为所有包含轴承故障事件的概率之和。