基于D-S证据理论的多准则特征集优选方法.pdf

《基于D-S证据理论的多准则特征集优选方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕±学论文＿■ｆ＿麵ＭＡＳＴＥＲＤＩＳＳＥＲＴＡＴＩＯＮ：＿，：：＿题目－Ｓ证：基于Ｄ据理论的多准则特征集优选方法＿“：袋工学顼士；議学位类别：学科专业：控制科学与工程研究生：蔡斌斌指导老师：金许东教授国内图书分类号：ＴＰ３９１密级：公开国际图书分类号：６２１．３西南交通大学研究生学位论文基于Ｄ－Ｓ证据理论的多准则特征集优选方法二—二年级０姓名蔡斌斌申请学位级别工学硕士专业控制科学与工程指导老师金讳东教授“二零一五年五月ＣｌａｓｓｉｆｉｅｄＩｎｄｅｘ：ＴＰ

2、３９１Ｕ．Ｄ．Ｃ：６２１．３ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙＭａｓｔｅｒＤｅｒｅｅＴｈｅｓｉｓｇＭＵＬＴＩ－ＣＲＩＴＥＲＩＯＮＦＥＡＴＵＲＥＳＥＴＯＰＴＩＭＡＬＳＥＬＥＣＴＩＯＮＭＥＴＨＯＤＢＡＳＥＤＯＮＤ－ＳＥＶＩＤＥＮＣＥＴＨＥＯＲＹＧｒａｄｅ；２０１２Ｃａｎｄｉｄａｔｅ：ＢｉｎｂｉｎＣａｉＡｃａｄｅｍｉｃＤｅｒｅｅＡｌｉｅｄｆｏｒ：ＭａｓｔｅｒＤｅｇｒｅｅｇｐｐＳｅｃｉａｌｉｔ：ＣｏｎｔｒｏｌＳｃｉｅｎｃｅａｎｄＥｎｉｎｅｅｒｉｎｇｐｙｇＳｕｐｅｒｖｉｓｏｒ：

3、ＷｅｉｄｏｎｇＪｉｎＭａ２０１５ｙ，西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留，同意学校保留并、使用学位论文的规定向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于１．保密□，在年解密后适用本授权书；２．不保密ｙ使用本授权书。“’（请在以上方框内打十）学位论文作者签名：：指导老师签纟＾－日期：力Ｉ日期：．ｔ：．］ＩＩ西南交通大学硕

4、士学位论文主要工作（贡献）声明本人在学位论文中所做的主要工作或贡献如下－１、对于特征集的优选，本文采用的思路是：先用特定的排序准则根据每个特征对分类作用的大小对特征进行排序，，根据特征排序向量去掉冗余特征得到更优的特征一’子集，ｅｒｓ。因此在特征集的优选过程中特征排序方法至关重要。本文提出种基于Ｆｉｓｈ“”ｒａｔｉｏ和模糊熵方法的并行动态特征集优选方法。首先采用标准数据特征集将该方法一与单，验证其有效性特征集优选方法对比。然后将该方法应用于高速列车走行部故障状态识别中，依据各个特征对决策问题的重要程度，去掉冗余特征选择合适的特征子集，降低特征维数，提

5、高故障识别率。一一－２、ＤＳ－ＤＳＥＣ提出种基于证据理论的多准则特征集优选方法ＭＣＦＲ，该方法一应用Ｄ－Ｓ融合规则将由单特征排序方法得到的排序结果融合，得到特征的综合排序进而对特征集进行优选。为了验证该方法的有效性，针对三个标准数据特征集本文将一ＭＣＦＲ－ＤＳＥＣ与已有的单排序准则和多准则方法对比，，根据特征排序去掉冗余特征求得相应的分类准确率－，验证ＭＣＦＲＤＳＥＣ方法的有效性。稳定性是特征排序准则另一个重要特性，因此本文同时对各个排序准则的稳定性做了测试。３ＦＲ－、ＭＣＤＳＥＣ方法虽然能够更准确的分析每个特征对分类作用，但是该方法计一一算复杂、参

6、数较多。为了改进这缺点，本文又提出种新的多准则特征集优选方法一－ＭＵＲＰＨＹ。－ＭＵＲＰＨＹ方法ＭＣＦＲ基于同样的三个标准数据特征集，验证了ＭＣＦＲＭＣＦＲ－ＭＵＲＰＨＹ的有效性，。最后本文将方法应用于高速列车走行部故障状态识别一中，先对故障数据特征集中的特征进行排序，每次去掉个冗余特征，求得对应特征一集的分类准确率－ＭＵＲＰＨＹ，并与其它多准则方法和单方法对比，结果证明ＭＣＦＲ方法对特征的排序更准确、普适性更好。本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外本论文不包含任何其他个人或集体己经发表或

7、撰，写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确说明。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。学位论文作者签名：日期：Ｊ２０＇上．（Ｉ＿西南交通大学硕士研究生学位论文第丨页摘要一特征集优选是模式识别中个重要的研究内容，因为在模式识别中往往会提取到多个特征，然而并不是所有的特征都有助于提高分类准确率，有些特征甚至会降低分一类率。因此如何去掉冗余特征，选择较优的特征集是个研究的重点和难点。