CN113283516A - 一种基于强化学习和d-s证据理论的多传感器数据融合方法 - Google Patents
一种基于强化学习和d-s证据理论的多传感器数据融合方法 Download PDFInfo
- Publication number
- CN113283516A CN113283516A CN202110605802.5A CN202110605802A CN113283516A CN 113283516 A CN113283516 A CN 113283516A CN 202110605802 A CN202110605802 A CN 202110605802A CN 113283516 A CN113283516 A CN 113283516A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor data
- fusion
- conflict
- state
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于强化学习和D‑S证据理论的多传感器数据融合方法,包括以下步骤:步骤一、多传感器数据输入;步骤二、马尔科夫决策模型构建;步骤三、Q‑learning算法实现冲突数据消解;步骤四、采用D‑S证据理论实现多传感器数据融合。本发明采用基于强化学习和D‑S证据理论相结合的方法快速高效地实现多传感器数据融合,通过采用强化学习对多传感器中的冲突数据、故障数据进行实时在线处理,得到冲突消解后的有效多传感器数据,解决了数据高冲突的问题;其次采用D‑S证据理论融合方法能很好的融合不确定多源数据,提升融合性能。
Description
技术领域
本发明涉及多传感器数据融合领域,是一种基于强化学习和D-S证据理论实现多传感器数据融合的方法,实现多传感器数据实时在线有效融合。
背景技术
随着现代科学技术在工业设备上的应用,使得设备复杂化,单一传感器信息已经无法准确体现设备的复杂运行情况。且由于其容易受到环境干扰,会导致获得的数据可能存在故障数据,无法实现对复杂设备的准确决策。而多传感器能将***的不同特征同时反应出来,将多源数据融合有利于提高***性能,使结果可信程度高。
多传感器数据融合技术是充分利用不同时间与空间的多传感器数据,对数据进行分析、排序和融合以提高***性能的重要数据处理技术,在实际生产和应用中起着关键作用。
在多传感器数据融合模型和方法中,D-S证据理论是最为有效的一种可处理不确定信息的方法之一。证据理论还提供了Dempster组合规则,可实现在无先验信息的情况下对证据进行融合。然而,当证据之间存在高度冲突时会产生违反直觉的判断。此外,在实际中,多传感器获得的数据可能存在时间不一致性,导致该方法无法实现对在线数据的实时融合。强化学习通过“试错”的方式进行学习,可实现与外界环境的自主实时交互而无需***先验信息。因此采用强化学习和D-S证据理论相结合的方法实现对多传感器数据的实时在线融合。
发明内容
为了实现多传感器实时在线数据融合,本发明基于强化学习和D-S证据理论,提供一种智能多传感器数据融合方法,解决了冲突证据和在线实时融合的问题。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤一:多传感器数据输入
将获得的多传感器数据表示为:{D1,D2,…,Di},其中,Di代表第i个传感器的数据,在该***中共有i个传感器。此外,传感器的数据表达形式为基本概率指派函数(BasicProbability Assignment,BPA)。若在测量过程中有新的传感器数据加入时,将其写入数据中,表示为:{D1,D2,…,Di,D新}。
步骤二:马尔科夫决策模型构建
采用强化学习对多传感器数据进行自适应冲突消解时,需进行马尔科夫决策(Markov decision process,MDP)模型构建。MDP模型包括***状态、动作、奖励函数,具体为:
(1)动作集合A:由于多源传感器的信息量不同,在不同的传感器信息下***应该做出不同的动作选择,使得当存在高冲突信息时,对高冲突信息进行冲突消解,以保证融合结果的准确性有效性,因此将动作集合定义为:A={a1,a2}={保留,删除},***可以根据实际情况采取保留或者删除的动作;
(2)状态集合S:当融合***在不同时刻不同传感器信息下采取了某一动作后,***的状态会发生转移,我们定义当前时刻的融合结果作为***的状态,即:其中mt和mt+1表示当前时刻采取不同动作的融合结果,at+1表示当前采取的动作。***状态集合表示为:S={s1,s2,…,st,…}。
(3)奖赏函数R:表示***在运行过程中在某一状态s以及某一动作a下,***给予的奖励值或者惩罚值。
在多传感器数据融合算法中,通过奖赏函数值的设定进行不同动作的选取,最终在相同的数据情况下得到更准确有效的融合结果。强化学习中通过最大化累积奖赏值得到最优动作,因此奖赏函数设定至关重要。本发明中通过某一状态下融合结果的质量好坏设定奖励函数,采用邓熵评价融合结果质量,邓熵是证据间的信度度量方式。***不同状态下的邓熵E(mt)定义为:
其中,Θ表示辨识框架,A是辨识框架中的子集,对应的t时刻下的BPA为mt(A),|A|表示A的势。
邓熵的值越大,BPA包含的信息量越大,表明当前状态下的融合结果较好。当E(mt+1)≥E(mt)时,说明新的状态st+1是有益的,此时应该给予一个积极的奖赏。反之,说明新的状态st+1是消极的,此时应该给予一个惩罚值。因此t+1时刻的奖赏函数定义为:
步骤三:Q-learning算法实现冲突数据消解
实现对多传感器数据融合中冲突消解的目的是找到一个最优策略π:π:S→A,即a=π(s),使得***在有冲突数据情况下做出最佳策略选择,实现有效冲突消解。策略的选择由环境和智能体经过反复探索试错,最终在某一策略下得到***立即奖励和未来奖励值加和最大的策略为最优策略。具体为:在t时刻,多传感器数据融合***接收到某一状态st和即时奖励Rt,根据奖励值确定当前要执行的动作(保留或者去除当前的证据),然后智能融合***转移至下一状态st+1并产生奖励Rt+1。此过程本发明采用Q-learning算法实现。
Q-learning算法通过最大化累积折扣奖励值获得最佳策略,Q值函数为在某一状态st和某一动作at下的累积奖赏值,表达式为:
其中,γ表示折扣因子。
采用ε-greedy算法进行最优动作(策略)选择,具体表示为:
其中,π*(a|s)表示最优策略;ε表示探索概率。
并采用下式进行Q值函数的更新:
其中,α∈(0,1]表示学习速率,st+1表示下一状态。
多传感器数据融合***通过和环境的反复更新交互,得到每一时刻的最优动作,最终将高冲突BPA予以剔除,实现自适应在线数据处理。
步骤四:采用证据理论实现多传感器数据融合
对传感器数据进行冲突消解处理后,采用证据理论中的Dempster组合规则实现对多源数据有效融合,具体为:
本发明的有益效果在于本发明采用证据理论与强化学习相结合的方法能高效快速实现对多传感器数据融合;本发明采用强化学习对多传感器中的冲突数据、故障数据进行实时在线处理,得到冲突消解后的有效多传感器数据,解决了数据高冲突的问题;本发明采用的D-S证据理论融合方法能很好的融合不确定多源数据,提升融合性能。
附图说明
图1是本发明实现的总体模型图;
图2是汽车故障数据;
图3是多传感器数据融合结果。
具体实施方式
下面结合附图和实例对本发明进一步说明。此处给出一个汽车***故障诊断的实例,实验数据来自[1]。[1]中显示,在汽车***中共有三种类型的故障(此处用F1,F2和F3表示),分别为低油压,进气***漏气,电磁阀卡死。此外,其通过五种传感器C1,C2,C3,C4,C5获取汽车故障数据。本发明中结合该汽车***故障数据说明所提出的方法的实施步骤。
步骤一:多传感器数据输入
将从汽车***获得的多传感器数据表示为:{D1,D2,D3,D4,D5},表明在该***中共有5个传感器。在该汽车***故障数据中,C5传感器处于失效状态,其余传感器皆正常工作。具体数据如图2中所示。其中,m(F1)代表故障类型为F1的信度值,m(F2)代表故障类型为F2的信度值,m(F3)代表故障类型为F3的信度值,m(Θ)代表故障类型无法确定的信度值,Θ={F1,F2,F3}。本发明的目的是根据多传感器数据判断汽车***发生了哪种类型的故障。
步骤二:马尔科夫决策模型构建
对汽车***数据采用强化学习进行自适应冲突消解,首先进行马尔科夫(Markovdecision process,MDP)模型构建。MDP模型包括***状态、动作、奖励函数,具体为:
(1)动作集合A:由于5个传感器的信息量不同,在不同的传感器信息下***应该做出不同的动作选择,使得当存在高冲突信息时,对高冲突信息进行冲突消解,以保证融合结果的准确性有效性,因此动作集合为:A={a1,a2}={保留,删除}。
(2)状态集合S:当融合***采取了某一动作后,***的状态会发生转移,本发明定义当前时刻的融合结果作为***的状态,即:其中mt和mt+1表示当前时刻采取不同动作的融合结果,at+1表示当前采取的动作。***状态集合表示为:S={s1,s2,…,st,…}。
(3)奖赏函数R:表示***在运行过程中在某一状态s以及某一动作a下,***给予的奖励值或者惩罚值。本发明中通过某一状态下融合结果的质量好坏设定奖励函数,采用邓熵评价融合结果质量,邓熵是证据间的信度度量方式。***不同状态下的邓熵E(mt)定义为:
其中,Θ表示辨识框架,A是辨识框架中的子集,对应的t时刻下的BPA为mt(A),|A|表示A的势。
邓熵的值越大,BPA包含的信息量越大,表明当前状态下的融合结果较好。当E(mt+1)≥E(mt)时,说明新的状态st+1是有益的,此时应该给予一个积极的奖赏。反之,说明新的状态st+1是消极的,此时应该给予一个惩罚值。因此t+1时刻的奖赏函数定义为:
步骤三:Q-learning算法实现冲突数据消解
实现对多传感器数据融合中冲突消解的目的是找到一个最优策略π:π:S→A,即a=π(s),使得***在有冲突数据情况下做出最佳策略选择,实现有效冲突消解。策略的选择由环境和智能体经过反复探索试错,最终在某一策略下得到***立即奖励和未来奖励值加和最大的策略为最优策略。具体为:在t时刻,多传感器数据融合***接收到某一状态st和即时奖励Rt,根据奖励值确定当前要执行的动作(保留或者去除当前的证据),然后智能融合***转移至下一状态st+1并产生奖励Rt+1。此过程本发明采用Q-learning算法实现。
Q-learning算法通过最大化累积折扣奖励值获得最佳策略,Q值函数为在某一状态st和某一动作at下的累积奖赏值,表达式为:
其中,γ表示折扣因子。
采用ε-greedy算法进行最优动作(策略)选择,具体表示为:
其中,π*(a|s)表示最优策略;ε表示探索概率。
并采用下式进行Q值函数的更新:
其中,α∈(0,1]表示学习速率,st+1表示下一状态。
多传感器数据融合***通过和环境的反复更新交互,得到每一时刻的最优动作,最终将高冲突BPA予以剔除,实现自适应在线数据处理。
步骤四:采用D-S证据理论实现多传感器数据融合
对传感器数据进行冲突消解处理后,采用证据理论中的Dempster组合规则实现对多源数据有效融合,具体为:
最后采用本发明的基于强化学习和D-S证据理论的多传感器数据融合方法,按照图2中数据进行仿真分析,并和传统的Dempster组合规则、Yager组合规则进行仿真对比,融合结果如图3。由图3可以看出,本发明提出的融合方法具有相对较高的融合精度,能实现在多传感器数据下的高效准确智能融合。主要原因是:强化学习消除了多传感器数据中的冲突数据、故障数据,避免此类数据对融合结果造成负面影响。除此之外,该方法的优点是不需要考虑数据到达时间是否一致,可以有效实现数据的在线融合。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
参考文献
[1]Yan X H,Zhu J H,Kuang M C,et al.Missile aerodynamic design usingreinforcement learning and transfer learning.Sci China Inf Sci,2018,61:119204.
Claims (1)
1.一种基于强化学习和D-S证据理论的多传感器数据融合方法,其特征在于,包括下述步骤:
步骤一:多传感器数据输入
将获得的多传感器数据表示为:{D1,D2,…,Di},其中,Di代表第i个传感器的数据,且在该***中共有i个传感器。此外,传感器的数据表达形式为基本概率指派函数(BasicProbability Assignment,BPA);若在测量过程中有新的传感器数据加入时,将其写入数据中,表示为:{D1,D2,…,Di,D新};
步骤二:马尔科夫决策模型构建
采用强化学习对多传感器数据进行自适应冲突消解时,首先进行马尔科夫决策(Markov decision process,MDP)模型构建,MDP模型包括***状态、动作、奖励函数,具体为:
(1)动作集合A:将动作集合定义为:A={a1,a2}={保留,删除},***可以根据实际情况采取保留或者删除的动作;
(2)状态集合S:本发明定义当前时刻的融合结果作为***的状态,即:其中mt和mt+1表示当前时刻采取不同动作的融合结果,at+1表示当前采取的动作,***状态集合表示为:S={s1,s2,…,st,st+1,…};
(3)奖赏函数R:本发明通过某一状态下融合结果的质量好坏设定奖励函数,采用邓熵评价融合结果质量,***不同状态下的邓熵E(mt)定义为:
其中,Θ表示辨识框架,A是辨识框架中的子集,对应的t时刻下的BPA为mt(A),|A|表示A的势;
邓熵的值越大,BPA包含的信息量越大,表明当前状态下的融合结果较好;当E(mt+1)≥E(mt)时,说明新的状态st+1是有益的,此时应该给予一个积极的奖赏;反之,应该给予一个惩罚值;因此t+1时刻的奖赏函数定义为:
步骤三:Q-learning算法实现冲突数据消解
Q-learning算法通过最大化累积折扣奖励值获得最佳策略,Q值函数为在某一状态st和某一动作at下的累积奖赏值,表达式为:
其中,γ表示折扣因子;
采用ε-greedy算法进行最优动作(策略)选择,具体表示为:
其中,π*(a|s)表示最优策略;ε表示探索概率;
并采用下式进行Q值函数的更新:
其中,α∈(0,1]表示学习速率,st+1表示下一状态;
多传感器数据融合***通过和环境的反复更新交互,得到每一时刻的最优动作,最终将高冲突BPA予以剔除,实现自适应在线数据处理;
步骤四:采用D-S证据理论实现多传感器数据融合
对传感器数据进行冲突消解处理后,采用证据理论中的Dempster组合规则实现对多源数据有效融合,具体为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605802.5A CN113283516B (zh) | 2021-06-01 | 2021-06-01 | 一种基于强化学习和d-s证据理论的多传感器数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605802.5A CN113283516B (zh) | 2021-06-01 | 2021-06-01 | 一种基于强化学习和d-s证据理论的多传感器数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283516A true CN113283516A (zh) | 2021-08-20 |
CN113283516B CN113283516B (zh) | 2023-02-28 |
Family
ID=77282908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110605802.5A Active CN113283516B (zh) | 2021-06-01 | 2021-06-01 | 一种基于强化学习和d-s证据理论的多传感器数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283516B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997341A (zh) * | 2022-08-01 | 2022-09-02 | 白杨时代(北京)科技有限公司 | 一种信息融合处理方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
CN103942554A (zh) * | 2014-05-07 | 2014-07-23 | 苏州搜客信息技术有限公司 | 一种图像识别方法及装置 |
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 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN104679991A (zh) * | 2015-01-27 | 2015-06-03 | 吉林大学 | 一种面向有序命题的信息融合新方法 |
CN105516164A (zh) * | 2015-12-22 | 2016-04-20 | 中国科学院长春光学精密机械与物理研究所 | 基于分形与自适应融合的P2P botnet检测方法 |
CN107967487A (zh) * | 2017-11-27 | 2018-04-27 | 重庆邮电大学 | 一种基于证据距离和不确定度的冲突数据融合方法 |
CN108804741A (zh) * | 2018-04-04 | 2018-11-13 | 西北工业大学 | 效能最大条件下的d-s证据理论炮弹结合火力分配方法 |
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 |
CN109532719A (zh) * | 2018-11-23 | 2019-03-29 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于多传感器信息融合的电动汽车 |
CN110188882A (zh) * | 2018-12-28 | 2019-08-30 | 湖南大学 | 一种基于模糊推理的高冲突证据融合方法 |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
CN111065089A (zh) * | 2019-11-05 | 2020-04-24 | 东华大学 | 一种基于群智感知的车联网双向认证方法及装置 |
CN111582399A (zh) * | 2020-05-15 | 2020-08-25 | 吉林省森祥科技有限公司 | 一种面向杀菌机器人的多传感器信息融合方法 |
CN111931806A (zh) * | 2020-06-23 | 2020-11-13 | 广州杰赛科技股份有限公司 | 一种多传感器数据融合的设备故障诊断方法及装置 |
US20200394409A1 (en) * | 2019-01-03 | 2020-12-17 | Lucomm Technologies, Inc. | System for physical-virtual environment fusion |
CN112435275A (zh) * | 2020-12-07 | 2021-03-02 | 中国电子科技集团公司第二十研究所 | 一种融合卡尔曼滤波和ddqn算法的无人机机动目标追踪方法 |
-
2021
- 2021-06-01 CN CN202110605802.5A patent/CN113283516B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
CN103942554A (zh) * | 2014-05-07 | 2014-07-23 | 苏州搜客信息技术有限公司 | 一种图像识别方法及装置 |
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 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN104679991A (zh) * | 2015-01-27 | 2015-06-03 | 吉林大学 | 一种面向有序命题的信息融合新方法 |
CN105516164A (zh) * | 2015-12-22 | 2016-04-20 | 中国科学院长春光学精密机械与物理研究所 | 基于分形与自适应融合的P2P botnet检测方法 |
CN107967487A (zh) * | 2017-11-27 | 2018-04-27 | 重庆邮电大学 | 一种基于证据距离和不确定度的冲突数据融合方法 |
CN108804741A (zh) * | 2018-04-04 | 2018-11-13 | 西北工业大学 | 效能最大条件下的d-s证据理论炮弹结合火力分配方法 |
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 |
CN109532719A (zh) * | 2018-11-23 | 2019-03-29 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于多传感器信息融合的电动汽车 |
CN110188882A (zh) * | 2018-12-28 | 2019-08-30 | 湖南大学 | 一种基于模糊推理的高冲突证据融合方法 |
US20200394409A1 (en) * | 2019-01-03 | 2020-12-17 | Lucomm Technologies, Inc. | System for physical-virtual environment fusion |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
CN111065089A (zh) * | 2019-11-05 | 2020-04-24 | 东华大学 | 一种基于群智感知的车联网双向认证方法及装置 |
CN111582399A (zh) * | 2020-05-15 | 2020-08-25 | 吉林省森祥科技有限公司 | 一种面向杀菌机器人的多传感器信息融合方法 |
CN111931806A (zh) * | 2020-06-23 | 2020-11-13 | 广州杰赛科技股份有限公司 | 一种多传感器数据融合的设备故障诊断方法及装置 |
CN112435275A (zh) * | 2020-12-07 | 2021-03-02 | 中国电子科技集团公司第二十研究所 | 一种融合卡尔曼滤波和ddqn算法的无人机机动目标追踪方法 |
Non-Patent Citations (5)
Title |
---|
FUYUAN XIAO: "Multi-sensor data fusion based on the belief divergence measure of evidences and the belief entropy", 《INFORMATION FUSION》 * |
YONG-WEI LI等: "Application of multi-sensor information fusion technology in the power transformer fault diagnosis", 《2009 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
冯凯等: "异构数据融合的CNC刀具磨损状态在线识别方法", 《现代制造工程》 * |
刘斌: "基于本体的多源信息融合空间目标识别方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
车晓雅: "多源信息***的信息融合及其数值特征", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997341A (zh) * | 2022-08-01 | 2022-09-02 | 白杨时代(北京)科技有限公司 | 一种信息融合处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113283516B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
CN113935406B (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
CN102208028B (zh) | 一种适用于动态复杂***的故障预测和诊断方法 | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业***结构安全性评估方法 | |
CN106886660A (zh) | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 | |
CN113310689B (zh) | 基于域自适应图卷积网络的航发传动***故障诊断方法 | |
Jia et al. | A novel transfer learning method for fault diagnosis using maximum classifier discrepancy with marginal probability distribution adaptation | |
CN110778714B (zh) | 一种燃油车挡位识别方法和*** | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN112082639A (zh) | 发动机状态的诊断方法及其诊断建模方法 | |
CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
CN113283516B (zh) | 一种基于强化学习和d-s证据理论的多传感器数据融合方法 | |
CN112985830A (zh) | 一种abs结果自动判定算法 | |
CN115659782A (zh) | 一种基于pgdnn在移动车辆荷载作用下的桥梁损伤识别方法 | |
CN117877256A (zh) | 基于数字孪生的车辆故障预测方法及*** | |
CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
CN113858566A (zh) | 一种基于机器学习的注塑机能耗预测方法及*** | |
CN112329337A (zh) | 基于深度强化学习的航空发动机剩余使用寿命估计方法 | |
Sun | Sensor fusion for vehicle health monitoring and degradation detection | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN113094996B (zh) | 基于dda域自适应机制的智能故障迁移诊断方法 | |
CN113723592A (zh) | 一种基于风电齿轮箱监测***的故障诊断方法 | |
CN117829821B (zh) | 一种基于云平台的复合材料设备维护管理方法 | |
CN115472040B (zh) | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 | |
CN113988400B (zh) | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |