基于决策级融合的无线传感器网络感知目标分类研究
发布时间：2023-04-27 02:24
无线传感器网络作为物联网的重要组成部分,在工业、商业、医疗和军事等领域都得到了广泛的应用。随着网络内感知数据的不断增加,无线传感器网络能量供应和通信带宽受限的问题已成为其面临的最大挑战。决策级数据融合技术能够合理地降低网络内的数据传输量,减少数据通信的带宽需求和能耗开销,提升数据处理的准确度,并延长网络的工作寿命,是无线传感器网络中的研究热点之一。在复杂的应用场景中,受各种干扰和传感器性能的影响,传感器节点的感知数据内往往包含有一定的不确定信息。通常认为,不确定信息主要来源于传感器对目标的不充分观测所获取的不精确数据,以及对目标的局部观测所得到的不完整数据。不精确数据和不完整数据都会使感知目标分类问题变得十分复杂,且极易造成错误的分类结果。传统的基于概率框架的决策级融合技术很难对数据中的不确定信息进行有效地刻画,而证据理论则通过将识别框架推广到幂集,能够对多种不确定信息进行合理地建模。针对不精确数据和不完整数据的分类问题,本论文将研究基于证据理论框架的决策级融合技术,重点对决策级融合过程中的节点本地决策和多传感器决策融合问题,进行了以下研究:1.对于部分属性缺失的不完整数据,如果根据缺...
【文章页数】：127 页
【学位级别】：博士
【文章目录】：
致谢
中文摘要
ABSTRACT
1 引言
1.1 研究背景和意义
1.2 主要研究方法和研究现状
1.2.1 证据理论在分类识别中的应用
1.2.2 证据理论在多源信息融合中的应用
1.3 主要研究内容和创新点
1.4 论文的总体结构
2 相关理论综述
2.1 无线传感器网络
2.1.1 无线传感器网络体系结构
2.1.2 无线传感器网络面临的挑战
2.2 无线传感器网络数据融合技术
2.2.1 多传感器数据融合
2.2.2 决策级融合的常用理论
2.3 证据理论
2.3.1 证据的表示和基本函数
2.3.2 证据的组合
2.3.3 证据的决策规则
2.3.4 基于证据理论的目标分类
2.3.5 基于证据理论的决策融合模型
2.4 本章小结
3 不完整数据填补及分类方法
3.1 引言
3.2 缺失数据的类型
3.3 基于极限学习机的数据填充
3.3.1 极限学习机原理
3.3.2 一种新的基于ELM的缺失数据填充方法
3.4 填充后的数据分类
3.4.1 填充后数据的子分类
3.4.2 子分类结果的融合
3.5 仿真分析
3.5.1 变压器故障识别实例分析
3.5.2 基于标准数据集的仿真分析
3.6 本章小结
4 不精确数据证据k近邻分类方法
4.1 引言
4.2 新的证据kNN分类算法
4.2.1 训练样本预处理
4.2.2 基于预处理后训练样本的目标分类
4.3 仿真分析
4.3.1 仿真生成数据集比较分析
4.3.2 基于标准数据集的仿真分析
4.4 本章小结
5 基于证据理论的高冲突软决策融合方法
5.1 引言
5.2 冲突证据的分析及其融合方法
5.2.1 证据组合规则改进方法
5.2.2 证据修正方法
5.3 基于不一致性度量的证据加权组合方法
5.3.1 典型的冲突衡量方法
5.3.2 证据的不一致性度量
5.3.3 基于证据不一致性的权重度量
5.3.4 基于不一致性度量的证据加权组合
5.4 仿真分析
5.4.1 合成悖论问题的验证分析
5.4.2 目标识别实例对比分析
5.5 本章小结
6 基于证据推理的硬决策融合方法
6.1 引言
6.2 可靠度-概率融合规则
6.2.1 决策级融合系统模型
6.2.2 本地mass函数构建
6.2.3 多传感器决策级融合
6.3 DFDR融合规则
6.3.1 基于可靠度向量的本地mass函数
6.3.2 基于证据相对可靠性的全局融合
6.4 仿真分析
6.4.1 仿真生成数据集比较分析
6.4.2 车辆识别实例对比分析
6.5 本章小结
7 结论
7.1 论文的主要工作
7.2 研究工作展望
参考文献
作者简历
学位论文数据集
本文编号：3802674
【文章页数】：127 页
【学位级别】：博士
【文章目录】：
致谢
中文摘要
ABSTRACT
1 引言
1.1 研究背景和意义
1.2 主要研究方法和研究现状
1.2.1 证据理论在分类识别中的应用
1.2.2 证据理论在多源信息融合中的应用
1.3 主要研究内容和创新点
1.4 论文的总体结构
2 相关理论综述
2.1 无线传感器网络
2.1.1 无线传感器网络体系结构
2.1.2 无线传感器网络面临的挑战
2.2 无线传感器网络数据融合技术
2.2.1 多传感器数据融合
2.2.2 决策级融合的常用理论
2.3 证据理论
2.3.1 证据的表示和基本函数
2.3.2 证据的组合
2.3.3 证据的决策规则
2.3.4 基于证据理论的目标分类
2.3.5 基于证据理论的决策融合模型
2.4 本章小结
3 不完整数据填补及分类方法
3.1 引言
3.2 缺失数据的类型
3.3 基于极限学习机的数据填充
3.3.1 极限学习机原理
3.3.2 一种新的基于ELM的缺失数据填充方法
3.4 填充后的数据分类
3.4.1 填充后数据的子分类
3.4.2 子分类结果的融合
3.5 仿真分析
3.5.1 变压器故障识别实例分析
3.5.2 基于标准数据集的仿真分析
3.6 本章小结
4 不精确数据证据k近邻分类方法
4.1 引言
4.2 新的证据kNN分类算法
4.2.1 训练样本预处理
4.2.2 基于预处理后训练样本的目标分类
4.3 仿真分析
4.3.1 仿真生成数据集比较分析
4.3.2 基于标准数据集的仿真分析
4.4 本章小结
5 基于证据理论的高冲突软决策融合方法
5.1 引言
5.2 冲突证据的分析及其融合方法
5.2.1 证据组合规则改进方法
5.2.2 证据修正方法
5.3 基于不一致性度量的证据加权组合方法
5.3.1 典型的冲突衡量方法
5.3.2 证据的不一致性度量
5.3.3 基于证据不一致性的权重度量
5.3.4 基于不一致性度量的证据加权组合
5.4 仿真分析
5.4.1 合成悖论问题的验证分析
5.4.2 目标识别实例对比分析
5.5 本章小结
6 基于证据推理的硬决策融合方法
6.1 引言
6.2 可靠度-概率融合规则
6.2.1 决策级融合系统模型
6.2.2 本地mass函数构建
6.2.3 多传感器决策级融合
6.3 DFDR融合规则
6.3.1 基于可靠度向量的本地mass函数
6.3.2 基于证据相对可靠性的全局融合
6.4 仿真分析
6.4.1 仿真生成数据集比较分析
6.4.2 车辆识别实例对比分析
6.5 本章小结
7 结论
7.1 论文的主要工作
7.2 研究工作展望
参考文献
作者简历
学位论文数据集
本文编号：3802674
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3802674.html
