PDF《基于 K 近邻证据融合的故障诊断方法》

2 基于RFV的K 近邻证据融合方法 由以上分析可见,文献[8]中的方法虽然引入证 据融合思想来改进K 近邻算法,但是生成证据的过 程并没有充分度量近邻样本与其他故障类别样本之 间的相似性关系,也没有对各故障类别样本边界之间 的模糊性给予必要的建模与处理,不太适用于解决复 杂的故障诊断问题. 因此,本节给出一种新的K 近邻 证据融合方法,根据实际故障监测数据中存在的 随 机噪声干扰 和 系统性误差 ,利用RFV对各故障的 历史样本进行建模,生成故障样板模式,然后用K 近 邻算法获取测试样本的近邻样本,并定义近邻样本的 RFV型待检模式. 计算待检模式和各个样板模式的 匹配度从而获取近邻诊断证据,然后将它们融合并作 出故障决策. 这里首先给出RFV的概念,然后给出所 提方法的实施步骤. 2.1 随机模糊变量(RFV)的定义 RFV是一种特殊的II型模糊变量[6] ,如图1所示, 对应α截集是II型置信区间,即B=[[xα a , xα b ], [xα c , xα d ]], α ∈ [0, 1]. (5) 可见,通过组合内、 外部两个隶属度函数可以得到相 应的RFV,这种组合是通过α截集来截取内、 外部隶 属度函数两个I型置信区间的组合. 使用RFV来对不 确定性信息建模时,........