CN106778883A - 一种基于模糊集合的证据理论智能巡检信息融合方法 - Google Patents
一种基于模糊集合的证据理论智能巡检信息融合方法 Download PDFInfo
- Publication number
- CN106778883A CN106778883A CN201611207528.1A CN201611207528A CN106778883A CN 106778883 A CN106778883 A CN 106778883A CN 201611207528 A CN201611207528 A CN 201611207528A CN 106778883 A CN106778883 A CN 106778883A
- Authority
- CN
- China
- Prior art keywords
- sensor
- fuzzy
- function
- degree
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于模糊集合的证据理论智能巡检信息融合方法,它包括:步骤1、采集智能巡检中机器人获取的各个传感器信息;步骤2、利用模糊相关函数计算多传感器的相互支持度;步骤3、根据各传感器的测量数据计算出每个传感器所得数据的模糊隶属度,并用隶属度来表征各传感器提供信息的可信度;步骤4、将各传感器的支持度和可信度转化成基本概率赋值即mass函数;步骤5、利用D‐S理论合成规则对各个传感器的信息进行融合;解决了现有技术中对智能巡检***传感器信息进行融合其数据来源比较主观,没有客观的反应各传感器的可靠度和各传感器之间的相互关系,导致最终的信息融合误差大,准确度低等技术问题。
Description
技术领域
本发明属于智能巡检技术领域,尤其涉及一种基于模糊集合的证据理论智能巡检信息融合方法。
背景技术
在变电站智能巡检领域存在一个信息融合的问题,智能巡检机器人采集到了多个传感器的信息,智能巡检***需要对这些信息进行融合,进而得出有用可靠的信息。
多传感器信息融合技术是对来自不同传感器(信息源)的数据信息进行分析与综合,以产生对被测对象统一的最佳估计,因而可以使信息在准确性、可靠性及完备性等方面比其中任何一个单个传感器有明显的提高.由于传感器所提供的信息都具有一定程度的不确定性,信息融合过程实质上是一个非确定性推理与决策的过程,
D-S证据理论很好地表示了“不确定性”及“无知”等认知学上的重要概念,是处理不确定性信息的一个有效手段,且推理形式简单,因而在信息融合方面起着重要的作用.证据理论的主要特点是可以通过证据的积累逐步缩小假设集,其基本策略是将证据集合划分为两个或多个不相关的部分,并利用它们分别对辨识框架独立进行判断;然后用D-S组合规划将它们组合起来.基于证据理论的信息融合方法是以基本概率分配函数(mass函数)为基础,mass函数表示人们对目标可信程度的一种推理,不同的思想会构成不同的mass函数,得到不同的融合结果。因而,如何合理构造mass函数一直是智能巡检***信息融合的关键问题;而现有技术中对智能巡检***传感器信息进行融合其数据来源比较主观,没有客观的反应各传感器的可靠度和各传感器之间的相互关系,导致最终的信息融合误差大,准确度低。
发明内容:
本发明要解决的技术问题是:提供一种基于模糊集合的证据理论智能巡检信息融合方法,以解决现有技术中对智能巡检***传感器信息进行融合其数据来源比较主观,没有客观的反应各传感器的可靠度和各传感器之间的相互关系,导致最终的信息融合误差大,准确度低等技术问题。
本发明技术方案:
一种基于模糊集合的证据理论智能巡检信息融合方法,它包括:
步骤1、采集智能巡检中机器人获取的各个传感器信息;
步骤2、利用模糊相关函数计算多传感器的相互支持度;
步骤3、根据各传感器的测量数据计算出每个传感器所得数据的模糊隶属度,并用隶属度来表征各传感器提供信息的可信度;
步骤4、将各传感器的支持度和可信度转化成基本概率赋值即mass函数;
步骤5、利用D-S理论合成规则对各个传感器的信息进行融合。
步骤2所述利用模糊相关函数计算多传感器的相互支持度的方法包括:
步骤2.1、设各个传感器测量同一参数,第i个传感器和第j个传感器测得的数据分别为Xi和Xj,且均服从高斯分布,以其pdf(概率分布函数)曲线作为传感器的特性函数,记为pi(x)和pj(x),xi和xj分别为xi和Xj的一次观测值;
步骤2.2、置信距离测度:为了反映xi和xj之间的偏差大小,引进置信距离测度.设
式中:
dij为第i个传感器观测值相对于第j个传感器观测值的置信距离测度,dij的值可借助误差函数er∫(0)直接求得,即pi(x/xi)表示第i个传感器取值为xi的置信水平,其中σi为第i个传感器数据分布的标准差。
步骤2.3、置信距离矩阵:设有n个传感器测量同一指标参数,则置信距离测度dij(i,j=1,2,...,n)构成n个传感器数据的置信距离矩阵Dn为
由dij的运算可知0≤dij≤1,且有其运算公式的统计意义可见,dij越小说明第i个传感器和第j个传感器支持的程度越高;
步骤2.4、相关性函数:令g(i/j)=1-dij,i,j=1,2,...,n;
f(i/j)=g(i/j)/max[g(i/j),g(j/i)],i,j=1,2,...,n;
相关性函数f(i/j)的大小表示传感器i被传感器j支持度。
步骤3所述表征可信度的方法包括:
步骤3.1、建立一个非空集合θ,θ称为辨识框架,由互斥且穷举
的元素组成.对于问题域中的任意命题A,都属于幂集2Θ.在2Θ上
定义BPAF(mass函数)m:2Θ→[0,1],m满足:m(Θ)=0,m称为辨识框架θ上的基本可信度分配;
步骤3.2、A为θ的子集,则m(A)称为A的概率分配函数,即mass函数,m(A)>0,则称为证据的焦元,所有焦元的集合称为核;
步骤3.3、通过m(A)来表征命题A的可信度。
步骤4所述mass函数表达式为:
式中Ci为第i个传感器被各个传感器支持的程度。
A1,A2,...,An表示n个模式(模糊集合),μ1,μ2,...,μm表示m个传感器,
表示第i个传感器隶属于模式Aj的隶属度,
mi(Aj)表示对象x隶属与各个模式的基本概率分配值
步骤5所述利用D-S理论合成规则对各个传感器的信息进行融合的方法包括:
步骤5.1、设m1和m2是2θ上的两个相互独立的基本概率分配值,Bel1的焦元是B1,B2,...,Bk,Bel2的焦元是C1,C2,...,Cn,则有m(Φ)=0.,
其中K是一个归一化常数;
步骤5.2、m(A)确定一个基本概率分配值,称为m1和m2的综合概率分配值,用此组合规则对证据进行两两融合,得到最终的融合结果。
本发明的有益效果:
本发明提出了一种基于模糊集合的证据理论的智能巡检信息融合方法。首先采集智能巡检机器人获取的多传感器信息,利用模糊理论中的相关性函数计算多传感器的相互支持程度;然后由模糊隶属函数得到各传感器提供信息的可信度;再利用上述两步的处理结果构造证据理论中的mass函数;最后利用D-S规则对多传感器信息进行融合。该方法具有更高的精度和可靠性;本发明客观地反应了各传感器的可靠程度及传感器测量的相互关系,避免了传感器支持程度计算的绝对化和主观化,能对不同类型的多传感器测量数据进行融合;解决了现有技术中对智能巡检***传感器信息进行融合其数据来源比较主观,没有客观的反应各传感器的可靠度和各传感器之间的相互关系,导致最终的信息融合误差大,准确度低等技术问题。
附图说明
图1为本发明的流程示意图;
图2为基于模糊理论的证据理论信息融合模型示意图。
具体实施方式:
现对本发明做进一步描述,本发明具体步骤如下(见图1和图2):
步骤一、智能巡检机器人采集多传感器信息;
步骤二、利用模糊相关函数计算多传感器的相互支持程度,根据测量数据计算出每个传感器所得数据的模糊隶属度,并用隶属度来表征各传感器提供信息的可信度,具体如下:
相关性函数:设多个传感器测量同一参数,第i个传感器和第j个传感器测得的数据分别为Xi和Xj,且均服从高斯分布,以其pdf(概率分布函数)曲线作为传感器的特性函数,记为pi(x)和pj(x),xi和xj分别为Xi和Xj的一次观测值。
(a)置信距离测度:为了反映xi和xj之间的偏差大小,引进置信距离测度.设其中
dij为第i个传感器观测值相对于第j个传感器观测值的置信距离测度,其值可借助误差函数er∫(0)直接求得,即
pi(x/xi)表示第i个传感器取值为xi的置信水平,其中σi为第i个传感器数据分布的标准差。
(b)置信距离矩阵:如果有n个传感器测量同一指标参数,则置信距离测度dij(i,j=1,2,...,n)构成多传感器数据的置信距离矩阵Dn为
由dij的运算可知0≤dij≤1,且有其运算公式的统计意义可见,dij越小说明第i个传感器和第j个传感器支持的程度越高。
(c)相关性函数:令g(i/j)=1-dij,i,j=1,2,...,n,,
f(i/j)=g(i/j)/max[g(i/j),g(j/i)],i,j=1,2...,n
相关性函数f(i/j)的大小表示传感器i被传感器j支持的程度。
构造f(i/j)的矩阵为方阵且秩为n,记为C,为了确定各传感器被其他传感器支持的程度,令C′i=min f(i/Λ),Λ=1,2,...,n,其中C′i为第i个传感器被其他传感器支持的程度。
可信度表征:证据理论是建立在一个非空集合Θ上的理论,Θ称为辨识框架,由一些互斥且穷举的元素组成.对于问题域中的任意命题A,都应属于幂集2Θ.在2Θ上定义BPAF(mass函数)m:2Θ→[0,1],m满足下列条件:m(Θ)=0,m称为辨识框架Θ上的基本可信度分配。
如果A为Θ的子集,则m(A)称为A的概率分配函数,即mass函数,反映了证据支持命题A发生的程度,但不支持任何A的真子集;如果m(A)>0,则称为证据的焦元,所有焦元的集合称为核。
证据是由证据体(A,m(A))组成的,利用证据体可以定义2Θ上的信任函数Bel与似真度函数Pl如下:
信任函数Bel(A)也称为下限函数,表示命题A为真的信任程度,Bel(φ)=0,Bel(Θ)=1;似真度函数Pl(A)也称为上限函数,表示对命题非假信任度成立的不确定性度量;[Bel(A),Pl(A)]构成证据的不确定区间,表示证据的不确定程度;[0,Bel(A)]表示命题A的完全可信的区间;[0,Pl(A)]表示命题A为真的不怀疑区间。
据相关文献证明了m(A),Bel(A)和Pl(A)之间是可以相互确定的,因而本发明只用m(A)来确定命题A的可信度。
步骤三、各传感器的支持度和可信度转化成基本概率赋值,即mass函数:
对论域U的n个模式(模糊集合)A1,A2,...,An,有m个传感器(或给出隶属度的领域专家)μ1,μ2,...,μm,则对于任意识别对象m个传感器分别给出它属于各个模式的隶属度为对象x隶属与
各个模式的基本概率分配值可由下式计算:其中Ci为第i个传感器被其他传感器支持的程度。
该函数式mi(Aj)是一个证据理论中的基本概率分配函数mass。
步骤四、利用D-S理论合成规则对多传感器的信息进行融合,合成规则如下:
设m1和m2是2θ上的两个相互独立的基本概率分配值,Bel1的焦元是B1,B2,...,Bk,Bel2的焦元是C1,C2,...,Cn,则有m(Φ)=0,其中K是一个归一化常数。
m(A)确定一个基本概率分配值,称为m1和m2的综合概率分配值,用此组合规则对证据进行两两融合,得到最终的结果。
本发明提出了一种基于模糊理论的证据理论智能巡检信息融合方法,客观地反应了各传感器的可靠程度及传感器测量的相互关系,避免了传感器支持程度计算的绝对化和主观化,能对不同类型的多传感器测量数据进行融合。
Claims (5)
1.一种基于模糊集合的证据理论智能巡检信息融合方法,它包括:
步骤1、采集智能巡检中机器人获取的各个传感器信息;
步骤2、利用模糊相关函数计算多传感器的相互支持度;
步骤3、根据各传感器的测量数据计算出每个传感器所得数据的模糊隶属度,并用隶属度来表征各传感器提供信息的可信度;
步骤4、将各传感器的支持度和可信度转化成基本概率赋值即mass函数;
步骤5、利用D-S理论合成规则对各个传感器的信息进行融合。
2.根据权利要求1所述的一种基于模糊集合的证据理论智能巡检信息融合方法,其特征在于:步骤2所述利用模糊相关函数计算多传感器的相互支持度的方法包括:
步骤2.1、设各个传感器测量同一参数,第i个传感器和第j个传感器测得的数据分别为Xi和Xj,且均服从高斯分布,以其pdf(概率分布函数)曲线作为传感器的特性函数,记为pi(x)和pj(x),xi和xj分别为Xi和Xj的一次观测值;
步骤2.2、置信距离测度:为了反映xi和xj之间的偏差大小,引进置信距离测度.设
式中:
dij为第i个传感器观测值相对于第j个传感器观测值的置信距离测度,dij的值可借助误差函数er∫(0)直接求得,即pi(x/xi)表示第i个传感器取值为xi的置信水平,其中σi为第i个传感器数据分布的标准差。
步骤2.3、置信距离矩阵:设有n个传感器测量同一指标参数,则置信距离测度dij(i,j=1,2,...,n)构成n个传感器数据的置信距离矩阵Dn为
由dij的运算可知0≤dij≤1,且有其运算公式的统计意义可见,dij越小说明第i个传感器和第j个传感器支持的程度越高;
步骤2.4、相关性函数:令g(i/j)=1-dij,i,j=1,2,...,n;
f(i/j)=g(i/j)/max[g(i/j),g(j/i)],i,j=1,2,…,n;
相关性函数f(i/j)的大小表示传感器i被传感器j支持度。
3.根据权利要求1所述的一种基于模糊集合的证据理论智能巡检信息融合方法,其特征在于:步骤3所述表征可信度的方法包括:步骤3.1、建立一个非空集合Θ,Θ称为辨识框架,由互斥且穷举的元素组成.对于问题域中的任意命题A,都属于幂集2Θ.在2Θ上定义BPAF(mass函数)m:2Θ→[0,1],m满足:m(Θ)=0,m称为辨识框架Θ上的基本可信度分配;
步骤3.2、A为Θ的子集,则m(A)称为A的概率分配函数,即mass函数,m(A)>0,则称为证据的焦元,所有焦元的集合称为核;
步骤3.3、通过m(A)来表征命题A的可信度。
4.根据权利要求1所述的一种基于模糊集合的证据理论智能巡检信息融合方法,其特征在于:步骤4所述mass函数表达式为:
式中Ci为第i个传感器被各个传感器支持的程度。
5.根据权利要求1所述的一种基于模糊集合的证据理论智能巡检信息融合方法,其特征在于:步骤5所述利用D-S理论合成规则对各个传感器的信息进行融合的方法包括:
步骤5.1、设m1和m2是2Θ上的两个相互独立的基本概率分配值,Bel1的焦元是B1,B2,...,Bk,Bel2的焦元是C1,C2,...,Cn,则有m(Φ)=0.,
其中K是一个归一化常数;
步骤5.2、m(A)确定一个基本概率分配值,称为m1和m2的综合概率分配值,用此组合规则对证据进行两两融合,得到最终的融合结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611207528.1A CN106778883A (zh) | 2016-12-23 | 2016-12-23 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611207528.1A CN106778883A (zh) | 2016-12-23 | 2016-12-23 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106778883A true CN106778883A (zh) | 2017-05-31 |
Family
ID=58919183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611207528.1A Pending CN106778883A (zh) | 2016-12-23 | 2016-12-23 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778883A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647567A (zh) * | 2018-03-29 | 2018-10-12 | 中国人民解放军61540部队 | 基于条件证据理论的场景可识别性分析方法 |
CN108680808A (zh) * | 2018-05-18 | 2018-10-19 | 浙江新能量科技股份有限公司 | 电气设备故障诊断方法及装置 |
CN109086470A (zh) * | 2018-04-08 | 2018-12-25 | 北京建筑大学 | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 |
CN109376486A (zh) * | 2018-12-04 | 2019-02-22 | 中国软件与技术服务股份有限公司 | 一种提升齿轮箱故障诊断准确性的方法 |
CN109471411A (zh) * | 2018-09-12 | 2019-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 综合能效监控方法 |
CN109800384A (zh) * | 2018-12-28 | 2019-05-24 | 西安交通大学 | 一种基于粗糙集信息决策表的基本概率赋值计算方法 |
CN109982287A (zh) * | 2019-03-13 | 2019-07-05 | 北京工业大学 | 基于zigbee无线传感器网络的林业多传感器火警告警*** |
CN110389971A (zh) * | 2019-06-28 | 2019-10-29 | 长春工程学院 | 一种基于云计算的多传感器数据融合方法 |
CN110987875A (zh) * | 2019-12-24 | 2020-04-10 | 上海蓝长自动化科技有限公司 | 一种基于支持度和信任度进行空间融合的水质浊度检测方法 |
CN111683429A (zh) * | 2020-06-10 | 2020-09-18 | 辽宁工程技术大学 | 一种基于物联网的综合管廊智能照明控制*** |
CN112382098A (zh) * | 2021-01-12 | 2021-02-19 | 中兴通讯股份有限公司 | 交通拥堵检测方法、装置、电子设备及存储介质 |
CN112903008A (zh) * | 2021-01-15 | 2021-06-04 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
CN113609440A (zh) * | 2021-07-26 | 2021-11-05 | 华智生物技术有限公司 | 传感器数据融合方法、装置及设备 |
CN114184367A (zh) * | 2021-11-29 | 2022-03-15 | 北京唐智科技发展有限公司 | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 |
CN114264784A (zh) * | 2021-12-03 | 2022-04-01 | 淮阴工学院 | 基于传感器风险区间模型的养殖水情判断方法及*** |
CN117523605A (zh) * | 2023-11-03 | 2024-02-06 | 广东工业大学 | 基于多传感器信息融合的变电站动物入侵检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN103810526A (zh) * | 2014-01-28 | 2014-05-21 | 北京仿真中心 | 一种基于d-s证据理论的知识融合方法 |
CN104408324A (zh) * | 2014-12-11 | 2015-03-11 | 云南师范大学 | 基于d-s证据理论的多传感器信息融合方法 |
US20150148997A1 (en) * | 2013-11-28 | 2015-05-28 | Airbus Operations (S.A.S.) | Method for fusing data from sensors using a consistency criterion |
-
2016
- 2016-12-23 CN CN201611207528.1A patent/CN106778883A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
US20150148997A1 (en) * | 2013-11-28 | 2015-05-28 | Airbus Operations (S.A.S.) | Method for fusing data from sensors using a consistency criterion |
CN103810526A (zh) * | 2014-01-28 | 2014-05-21 | 北京仿真中心 | 一种基于d-s证据理论的知识融合方法 |
CN104408324A (zh) * | 2014-12-11 | 2015-03-11 | 云南师范大学 | 基于d-s证据理论的多传感器信息融合方法 |
Non-Patent Citations (1)
Title |
---|
韩峰 等: ""基于模糊集合的证据理论信息融合方法"", 《控制与决策》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647567A (zh) * | 2018-03-29 | 2018-10-12 | 中国人民解放军61540部队 | 基于条件证据理论的场景可识别性分析方法 |
CN109086470A (zh) * | 2018-04-08 | 2018-12-25 | 北京建筑大学 | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 |
CN108680808A (zh) * | 2018-05-18 | 2018-10-19 | 浙江新能量科技股份有限公司 | 电气设备故障诊断方法及装置 |
CN109471411A (zh) * | 2018-09-12 | 2019-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 综合能效监控方法 |
CN109471411B (zh) * | 2018-09-12 | 2022-03-18 | 国网浙江省电力有限公司嘉兴供电公司 | 综合能效监控方法 |
CN109376486A (zh) * | 2018-12-04 | 2019-02-22 | 中国软件与技术服务股份有限公司 | 一种提升齿轮箱故障诊断准确性的方法 |
CN109376486B (zh) * | 2018-12-04 | 2023-04-18 | 中国软件与技术服务股份有限公司 | 一种提升齿轮箱故障诊断准确性的方法 |
CN109800384A (zh) * | 2018-12-28 | 2019-05-24 | 西安交通大学 | 一种基于粗糙集信息决策表的基本概率赋值计算方法 |
CN109800384B (zh) * | 2018-12-28 | 2020-07-28 | 西安交通大学 | 一种基于粗糙集信息决策表的基本概率赋值计算方法 |
CN109982287B (zh) * | 2019-03-13 | 2021-10-15 | 北京工业大学 | 基于zigbee无线传感器网络的林业多传感器火警告警*** |
CN109982287A (zh) * | 2019-03-13 | 2019-07-05 | 北京工业大学 | 基于zigbee无线传感器网络的林业多传感器火警告警*** |
CN110389971A (zh) * | 2019-06-28 | 2019-10-29 | 长春工程学院 | 一种基于云计算的多传感器数据融合方法 |
CN110987875A (zh) * | 2019-12-24 | 2020-04-10 | 上海蓝长自动化科技有限公司 | 一种基于支持度和信任度进行空间融合的水质浊度检测方法 |
CN110987875B (zh) * | 2019-12-24 | 2022-08-12 | 上海蓝长自动化科技有限公司 | 一种基于支持度和信任度进行空间融合的水质浊度检测方法 |
CN111683429A (zh) * | 2020-06-10 | 2020-09-18 | 辽宁工程技术大学 | 一种基于物联网的综合管廊智能照明控制*** |
CN111683429B (zh) * | 2020-06-10 | 2022-08-05 | 辽宁工程技术大学 | 一种基于物联网的综合管廊智能照明控制*** |
CN112382098B (zh) * | 2021-01-12 | 2021-07-06 | 中兴通讯股份有限公司 | 交通拥堵检测方法、装置、电子设备及存储介质 |
CN112382098A (zh) * | 2021-01-12 | 2021-02-19 | 中兴通讯股份有限公司 | 交通拥堵检测方法、装置、电子设备及存储介质 |
CN112903008A (zh) * | 2021-01-15 | 2021-06-04 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
CN112903008B (zh) * | 2021-01-15 | 2023-01-10 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
CN113609440A (zh) * | 2021-07-26 | 2021-11-05 | 华智生物技术有限公司 | 传感器数据融合方法、装置及设备 |
CN114184367A (zh) * | 2021-11-29 | 2022-03-15 | 北京唐智科技发展有限公司 | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 |
CN114264784A (zh) * | 2021-12-03 | 2022-04-01 | 淮阴工学院 | 基于传感器风险区间模型的养殖水情判断方法及*** |
CN114264784B (zh) * | 2021-12-03 | 2023-08-22 | 淮阴工学院 | 基于传感器风险区间模型的养殖水情判断方法及*** |
CN117523605A (zh) * | 2023-11-03 | 2024-02-06 | 广东工业大学 | 基于多传感器信息融合的变电站动物入侵检测方法 |
CN117523605B (zh) * | 2023-11-03 | 2024-06-11 | 广东工业大学 | 基于多传感器信息融合的变电站动物入侵检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778883A (zh) | 一种基于模糊集合的证据理论智能巡检信息融合方法 | |
CN106779296A (zh) | 一种基于多传感器的隧道施工周围建筑物安全预警方法 | |
CN109086470A (zh) | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 | |
CN102881162A (zh) | 大规模交通信息的数据处理及融合方法 | |
CN107784394A (zh) | 考虑前景理论的高速公路路线方案不确定多属性优选方法 | |
CN104460654B (zh) | 一种基于量化特征关系的齿轮不完备故障诊断规则提取方法 | |
CN105975744A (zh) | 一种基于d-s证据理论的纺织过程数据融合*** | |
Zhao et al. | The application of BP neural networks to analysis the national vulnerability. | |
CN109240274A (zh) | 一种基于高阶相关性的工业过程故障诊断方法 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警***及方法 | |
CN109039882A (zh) | 一种满堂扣件式钢管脚手架安全监测***及方法 | |
CN117574321A (zh) | 基于海量监测巡检信息融合模型的大坝安全评估方法 | |
CN112241844A (zh) | 饮用水水源地环境风险源本底清单确定及更新方法和装置 | |
CN113295421B (zh) | 基于改进冲突系数和信度熵的发动机故障诊断方法 | |
Jia et al. | A novel fault detection model based on atanassov’s interval-valued intuitionistic fuzzy sets, belief rule base and evidential reasoning | |
Ren et al. | Improved shape-based distance method for correlation analysis of multi-radar data fusion in self-driving vehicle | |
CN114417981A (zh) | 一种智能河长巡测*** | |
CN109215821A (zh) | 核电站蒸发器主给水流量冗余测量通道比较方法及*** | |
CN111210085B (zh) | 一种基于多视图集成学习的煤矿瓦斯浓度预警方法 | |
CN115144548B (zh) | 有害气体成分实时监测***及其监测方法 | |
AU2021101951A4 (en) | Method of real-time safety warning of tunnel approaching construction based on data fusion | |
Wang | A new multi-Sensor target recognition framework based on Dempster-Shafer evidence theory | |
CN109101759A (zh) | 一种基于正逆响应面法的参数识别方法 | |
Estoque et al. | Introducing new measures of accuracy for land-use/cover change modeling | |
CN104834972A (zh) | 一种基于证据理论的小区安防状态评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |