1 內容介紹

針對多傳感器信息融合的基本可信度分配在實際應用中難以解決的問題,提出了一種基于D-S證據理論與BP網絡相結合的多傳感器信息融合的改進方法.該方法充分發揮BP神經網絡自學習,自適應和容錯的能力,利用BP神經網絡處理證據理論的基本可信度問題,再利用D-S證據理論來處理不精確,模糊的信息.最后通過一個實例證明了該方法的有效性.?

2 部分代碼

%------------------齒輪箱故障診斷------------------%

%-------------------2015.12.09--------------------%

function [M2,M3,M4] = new(m1,m2,m3,m4,w)

%兩個證據的信息融合

%--------------------------------------------

n2=2;

m_w=m1*w(1)+m2*w(2);%第一個加權證據s

m_e=(m1+m2)/n2;%平均證據

d1=sqrt(sum((m1-m_e).^2));

d2=sqrt(sum((m2-m_e).^2));

S2=ones(1,n2)-[d1 d2];

crd2=S2/sum(S2);%可信度

m=[m1;m2];

m_crd=crd2*m;%第二個加權證據

%k2=1-sum(m_w.*m_crd);

M2=(m_w.*m_crd)/sum(m_w.*m_crd);

%--------------------------------------------

%三個證據的信息融合

%--------------------------------------------

n3=3;

m_w=m1*w(1)+m2*w(2)+m3*w(3);%第一個加權證據

m_e=(m1+m2+m3)/n3;%平均證據

d1=sqrt(sum((m1-m_e).^2));

d2=sqrt(sum((m2-m_e).^2));

d3=sqrt(sum((m3-m_e).^2));

S3=ones(1,n3)-[d1 d2 d3];

crd3=S3/sum(S3);%可信度

m=[m1;m2;m3];

m_crd=crd3*m;%第二個加權證據

%k2=1-sum(m_w.*m_crd);

M3=(m_w.*m_crd)/sum(m_w.*m_crd);

%--------------------------------------------

%四個證據的信息融合

%--------------------------------------------

n4=4;

m_w=m1*w(1)+m2*w(2)+m3*w(3)+m4*w(4);%第一個加權證據

m_e=(m1+m2+m3+m4)/n4;%平均證據

d1=sqrt(sum((m1-m_e).^2));

d2=sqrt(sum((m2-m_e).^2));

d3=sqrt(sum((m3-m_e).^2));

d4=sqrt(sum((m4-m_e).^2));

S4=ones(1,n4)-[d1 d2 d3 d4];

crd4=S4/sum(S4);%可信度

m=[m1;m2;m3;m4];

m_crd=crd4*m;%第二個加權證據

%k2=1-sum(m_w.*m_crd);

M4=(m_w.*m_crd)/sum(m_w.*m_crd);

%--------------------------------------------

end

3 運行結果

4 參考文獻

[1]付家才, 萬遂. 基于D-S證據理論和BP神經網絡的多傳感器信息融合[J]. 自動化與儀器儀表, 2011(1):3.

博主簡介：擅長智能優化算法、神經網絡預測、信號處理、元胞自動機、圖像處理、路徑規劃、無人機、雷達通信、無線傳感器等多種領域的Matlab仿真，相關matlab代碼問題可私信交流。

部分理論引用網絡文獻，若有侵權聯系博主刪除。

總結

以上是生活随笔為你收集整理的【信息融合】基于BP神经网络和DS 证据理论实现不确定性信息融合问题附matlab代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。