的各命题对应关系的基础上，采用适当的方法如专家打分法、概率统计法等，计算出各证据对识别框架中各命题的支持程度，即基本可信度分配；
(6) 分别计算各证据的信度函数和似真度函数：利用各证据体的基本可信度分配，计算出各命题的信度区间；
(7) 信度函数的合成：利用D-S合成法则，计算所有证据体联合作用下的识别框架中各命题的信度区间；
(8) 制定诊断决策规则：根据特定故障诊断问题的特点，制定诊断决策规则；
(9) 得出诊断结论：利用诊断决策规则对各命题的融合信度区间进行决策分析，最终得出诊断结论。
2.4 算例分析
假定用3个独立的传感器来检测某一模拟电路的两种可能的故障 A和故障 B ，其识别框架为{故障 A，故障 B }，幂集元素有{故障 A}，{故障 B }，{故障 A，故障 B }3个元素，其中元素{故障 A，故障 B }表示既可以是故障 A也可以是故障 B ，实际上就是无法区分是哪种，因此用不确定代替。假定3个传感器某次检测后得到的关于 A、 B 两种故障的可信度分配如表2.1所示。
表2.1 不同传感器的可信度
19
求出传感器1和传感器2融合后的各故障可信度分配。
传感器1和传感器2的融合结果如表2所示：
表2.2 传感器1和传感器2的融合结果
对比表2.1和表2.2，可知融合后故障 A的可信度提高了，而故障 B 的可信度降低，融合后的不确定度比原来两个传感器的不确定度低了许多，可见，经过融合，故障诊断的精度提高了。
将融合后的表2.2结果再与传感器3判定的结果进行融合，可得：
表2.3 3个传感器的融合结果
20
从表2.3可以分析出，故障 A的可信度分配为0.9279，而故障 B 的可信度分配小于0.1，不确定度为0.0054，从融合的结果来看，可以判断对象发生的故障为 A。可见每多进行一次融合，故障诊断的可靠性就越高。运用D-S证据理论对故障诊断结果进行融合处理可以提高故障诊断的精度和可靠性。在故障诊断领域，随着系统复杂程度的大幅度提高，对其进行监测时，往往存在信号的信噪比低和诊断的可信度低等问题，靠单一传感器采集信息已明显不能满足要求。因而采用信息融合技术对多信息源进行综合处理，为解决这些问题提供了一种有效的方法。经过多故障信息的融合后，能够有效的提高诊断结论的可信度，减少诊断的不确定性。因此，D-S证据理论不失为一种有效的信息融合故障诊断手段。
21
3 基于神经网络信息融合的电路诊断
3.1 神经网络结构原理与算法
3.1.1 神经网络结构原理
神经网络由排列成层的处理单元组成，接受输入信号的单元层称输入层，输出信号的单元层称输出层，不直接与输入输出发生联系的单元层称为隐层。如果输入网络一组数据，在输入层的每个单元都接受到输入模式的一部分；然后输入层通过连接传递给隐层。隐层接受到整个输入模式，由于传递函数的作用，隐层单元的输出就与输入层大不相同。输出单元从隐层单元接受输出活动的全部模式，但隐层单元往输出层的信号传递要经过权重的连接，所以输出层单元有的激发，有的抑制，产生相应的输出信号。输出层单元输出的模式就是网络对输入模式激励的总响应。
图3.1 神经元结构
图3.1是一个完整的神经元结构图，每个处理单元有多个输入量，对每一个输入量都相应有一个相关联的权重。处理单元将经过权重的输入量相加，而且计算出唯一的输出量。这个输出量是权重和的函数。一般称函数 F ( X )为传递函数。对于大多数神经网络，传递函数一旦选定，就保持不变。而权
22
相关推荐：
loading