CN108062567A - 一种证据合成方法、模块及多Agent诊断系统 - Google Patents
一种证据合成方法、模块及多Agent诊断系统 Download PDFInfo
- Publication number
- CN108062567A CN108062567A CN201711330102.XA CN201711330102A CN108062567A CN 108062567 A CN108062567 A CN 108062567A CN 201711330102 A CN201711330102 A CN 201711330102A CN 108062567 A CN108062567 A CN 108062567A
- Authority
- CN
- China
- Prior art keywords
- evidence
- module
- agent
- group leader
- mrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Debugging And Monitoring (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种证据合成方法、模块及多Agent诊断系统,所述证据合成方法包括,首先,计算证据集中每两个证据间的距离;根据所述每两个证据间的距离计算每两个证据间的相似度;根据每两个证据间的相似度计算每个证据的支持度;根据每个证据的支持度计算每个证据的可信度;然后,将每个证据的可信度作为权重,对证据集中的证据的基本概率指派进行加权平均,对所述证据集中的证据进行合成,以解决证据的冲突问题,实现多源证据的有效合成。
Description
技术领域
本发明涉及多Agent诊断领域,特别涉及一种证据合成方法、模块及多Agent诊断系统。
背景技术
Dempster合成规则一直是困扰证据理论的一个重点和难点问题,这直接关系到证据理论的实用性。在多Agent并行诊断过程中,冲突的存在是必然的。对于高度冲突和完全冲突证据的合成,单一地否定冲突证据或者单一地否定冲突证据中的某一个,所得的合成结果都可能是不正确的。因此,如何在证据高度冲突和完全冲突的情况下实现多源证据的有效合成是一个迫切需要解决的问题,很多学者为此提出了许多不同的改进思想和方法。总的来说,这些方法可以分为两类:一类是认为Dempster合成规则没有问题,给出的证据需要修改,如Murphy方法;另一类是认为Dempster合成规则有问题,需要修改合成规则,如Yager方法,但是这些方法没有从根本上解决证据冲突问题,在一定程度上解决证据冲突问题的同时又带来了新的问题,无法实现多源证据的有效合成。
发明内容
本发明目的是为了实现多源证据的有效合成,提供一种证据合成方法、模块及多Agent诊断系统。
为实现上述目的,本发明提供了如下方案:
一种证据合成方法,所述证据合成方法包括如下步骤:
获取证据集;
计算证据集中每两个证据间的距离;
根据每两个证据间的距离计算每两个证据间的相似度;
根据每两个证据间的相似度计算每个证据的支持度;
根据每个证据的支持度计算每个证据的可信度;
将每个证据的可信度作为权重,对证据集中的证据的基本概率指派进行加权平均,对所述证据集中的证据进行合成。
可选的,所述计算证据集中每两个证据间的距离,具体步骤包括:
利用公式(1),计算每两个证据间的距离:
其中,mi、mj为证据集中的两个证据,i,j=1,2,…,n,i≠j,n为证据集中证据的数量;为证据mi中的基本可信度分配函数组成的向量;为证据mj中的基本可信度分配函数值组成的向量。
可选的,所述根据每两个证据间的距离计算每两个证据间的相似度,具体步骤包括:
根据每两个证据间的距离,利用公式(2),计算每两个证据的相似度:
Sim(mi,mj)=1-d(mi,mj) (2)
其中,mi、mj为证据集中的两个证据i,j=1,2,…,n,i≠j,n为证据集中证据的数量,d(mi,mj)为证据mi和mj间的距离。
可选的,所述根据每两个证据间的相似度计算每个证据的支持度,具体步骤包括:
根据每两个证据间的相似度,利用公式(3)计算每个证据的支持度:
其中,mi、mj为证据集中的两个证据i,j=1,2,…,n,i≠j,n为证据集中证据的数量,Sim(mi,mj)为证据mi和mj间的相似度。
可选的,所述根据每个证据的支持度计算每个证据的可信度,具体步骤包括:根据每个证据的支持度,利用公式(4),计算每个证据的可信度:
其中,mi为证据集中的证据i=1,2,…,n,n为证据集中证据的数量,Sup(mi)为证据mi的支持度。
一种证据合成模块,所述证据合成模块应用于所述证据合成方法,所述证据合成模块包括:
证据集获取子模块,用于获取证据集;
距离计算子模块,用于计算证据集中每两个证据间的距离;
相似度计算子模块,用于根据所述每两个证据间的距离计算每两个证据间的相似度;
支持度计算子模块,用于根据每两个证据间的相似度计算每个证据的支持度;
可信度计算子模块,用于根据每个证据的支持度计算每个证据的可信度;
证据合成子模块,用于将每个证据的可信度作为权重,对证据集中的证据的基本概率指派进行加权平均,对所述证据集中的证据进行合成。
一种多Agent诊断系统,所述多Agent诊断系统包括多个诊断Agent子系统、组长Agent子系统和知识库,所述多个诊断Agent子系统分别与组长Agent子系统连接,所述知识库分别与多个所述诊断Agent子系统和组长Agent子系统连接;
所述知识库用于为多个所述诊断Agent子系统和组长Agent子系统提供证据和知识。
每个所述诊断Agent子系统包括一个证据合成模块,所述诊断Agent子系统用于,确定故障源,得到初步诊断结果,并将诊断结果发送给组长Agent结构;
所述组长Agent子系统包括证据合成模块,所述组长Agent子系统用于对多个Agent子系统发送的多个初步诊断结果进行融合,得到最终诊断结果。
可选的,所述诊断Agent子系统包括还包括命令监测模块、证据获取模块、控制器、故障判定模块、通信模块和Agent模块;
所述Agent模块分别与组长Agent子系统和所述通信模块连接,所述Agent模块用于接收所述组长Agent子系统发送的诊断命令,并将所述诊断命令发送给所述通信模块;
所述通信模块与所述命令监测模块连接,所述通信模块用于将所述诊断命令发送给所述命令监测模块;
所述命令监测模块与所述控制器连接,所述命令监测模块用于监测所述诊断命令,生成诊断任务,并将所述诊断任务发送给所述控制器;
所述控制器还与所述证据获取模块,所述控制器用于根据所述诊断任务确定诊断活动,并将所述诊断活动发送给所述证据获取模块;
所述证据获取模块还分别与知识库和诊断Agent子系统中的证据合成模块连接,所述证据获取模块用于根据所述诊断活动从所述知识库中提取证据集,并将所述证据集发送给所述诊断Agent子系统中的证据合成模块;
所述诊断Agent子系统中的证据合成模块还与所述故障判定模块连接,所述诊断Agent子系统中的证据合成模块用于对所述证据集进行合成,获得合成结果,并将所述合成结果发送给所述故障判定模块连接;
所述故障判定模块还分别与所述知识库和所述通信模块连接,所述故障判定模块用于根据所述合成结果和知识库知识定位故障源,获得最初诊断结果,并将所述最初诊断结果发送给所述通信模块;
所述通信模块还用于将所述最初诊断结果发送给所述Agent模块;
所述Agent模块还用于将所述最初诊断结果发送给所述组长Agent子系统。
可选的,所述组长Agent子系统还包括事件监测模块、选择模块、一致性判断模块、BPA化模块、组长通信模块和组长Agent模块;
所述组长Agent模块与所述组长通信模块连接,所述组长Agent模块用于产生主诊断任务,并将所述主诊断任务发送给组长通信模块;
所述组长通信模块与所述事件监测模块连接,所述组长通信模块用于将所述主诊断任务发送给所述事件监测模块;
所述事件监测模块与所述选择模块,所述事件监测模块用于根据所述主诊断任务生成主诊断活动,并将所述主诊断活动发送给所述选择模块;
所述选择模块分别与所述知识库和所述组长通信模块连接,所述选择模块用于根据所述主诊断活动和知识库知识选择进行诊断的诊断Agent子系统,生成诊断命令,并将所述诊断命令发送给组长通信模块;所述组长通信模块还用于将所述诊断命令发送给所述组长Agent模块;
所述组长Agent模块还分别与各诊断Agent子系统连接,所述组长Agent模块用于接收所述诊断命令,并将所述诊断命令发送给各诊断Agent子系统,所述组长Agent模块还用于接收各诊断Agent子系统发送的各最初诊断结果,并将各最初诊断结果发送给组长通信模块;
所述组长通信模块还与所述一致性判断模块连接,所述组长通信模块还用于接收所述最初诊断结果,并将所述最初诊断结果发送给所述一致性判断模块;
所述一致性判断模块与所述BPA化模块连接,所述一致性判断模块用于接收所述最初诊断结果,并判断各最初诊断结果的一致性,若一致,则将该最初诊断结果作为最终诊断结果,并将所述最终诊断结果发送给所述组长通信模块,若不一致,则将各最初诊断结果发送给所述BPA化模块;
所述BPA化模块还与组长Agent子系统中的证据合成模块连接,所述BPA化模块用于将各诊断结果进行基本可信度分配函数化,获得中间诊断结果,并将所述中间诊断结果发送给组长Agent子系统中的证据合成模块;
所述组长Agent子系统中的证据合成模块分别与所述知识库和所述组长通信模块连接,所述组长Agent子系统中的证据合成模块用于根据知识库中的知识对所述中间诊断结果进行合成,得到最终诊断结果,并将所述最终诊断结果发送给所述组长通信模块;
所述组长通信模块还用于将所述最终诊断结果发送给所述组长Agent模块。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种证据合成方法、模块及多Agent诊断系统,所述证据合成方法包括,首先,计算证据集中每两个证据间的距离;根据所述每两个证据间的距离计算每两个证据间的相似度;根据每两个证据间的相似度计算每个证据的支持度;根据每个证据的支持度计算每个证据的可信度;然后,将每个证据的可信度作为权重,对证据集中的证据的基本概率指派进行加权平均,对所述证据集中的证据进行合成,以解决证据的冲突问题,实现多源证据的有效合成。
将本发明的证据合成方法应用于多Agent诊断系统中,解决了诊断过程中的冲突问题,提高了诊断的有效性。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要的附图作简单介绍。显而易见,下面描述的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这个附图获得其他附图。
图1为本发明提供的一种证据合成方法的流程图;
图2为本发明提供的一种证据合成模块的结构框图;
图3为本发明提供的一种多Agent诊断系统的结构框图;
图4为本发明提供的一种多Agent诊断系统的诊断Agent子系统的结构框图;
图5为本发明提供的一种多Agent诊断系统的组长Agent子系统的结构框图。
具体实施方式
本发明目的是提供一种证据合成方法、模块及多Agent诊断系统,以实现多源证据的有效合成。
为使本发明上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本技术发明作进一步详细说明。
如图1所示,本发明提供了一种证据合成方法,所述证据合成方法包括如下步骤:
步骤101,获取证据集;
步骤102,计算证据集中每两个证据间的距离;
步骤103,根据所述每两个证据间的距离计算每两个证据间的相似度;
步骤104,根据每两个证据间的相似度计算每个证据的支持度;
步骤105,根据每个证据的支持度计算每个证据的可信度;
步骤106,将每个证据的可信度作为权重,对证据集中的证据的基本概率指派进行加权平均,对所述证据集中的证据进行合成。
可选的,所述计算证据集中每两个证据间的距离,具体步骤包括:
利用公式(1),计算每两个证据间的距离:
其中,mi、mj为证据集中的两个证据,i,j=1,2,…,n,i≠j,n为证据集中证据的数量;为证据mi中的基本可信度分配函数组成的向量;为证据mj中的基本可信度分配函数值组成的向量。
具体的,基本可信度分配函数(BasicProbabilityassignment,BPA)为:设Θ为识别框架,若集函数m:2Θ→[0,1]满足
(1)∑m(A)=1
(2)则称m为框架Θ上的基本可信度分配;m(A)称为A的基本可信度分配函数。
m(A)表示在当前证据下对Θ的某一子集A的精确度信任程度,即确切的分配到A上的可信度大小。由m(A)只能得出问题在答案A中的可信度,无法知道对A中某个具体答案的可信度是多少。式(5)表示虽然可以给任意一个命题赋予任意大小的BPA,但要求给所有命题赋予的BPA的和等于1;式(6)表示对于空集不产生可信度。当m(Θ)≠0时,说明证据所提供的信息中包含了“不知道信息”,即由于对情况了解不充分而产生的“不知道”。
可选的,所述根据每两个证据间的距离计算每两个证据间的相似度,具体步骤包括:
根据每两个证据间的距离,利用公式(2),计算每两个证据的相似度:
Sim(mi,mj)=1-d(mi,mj) (2)
其中,mi、mj为证据集中的两个证据i,j=1,2,…,n,i≠j,n为证据集中证据的数量,d(mi,mj)为证据mi和mj间的距离。
可选的,所述根据每两个证据间的相似度计算每个证据的支持度,具体步骤包括:
根据每两个证据间的相似度,利用公式(3)计算每个证据的支持度:
其中,mi、mj为证据集中的两个证据i,j=1,2,…,n,i≠j,n为证据集中证据的数量,Sim(mi,mj)为证据mi和mj间的相似度。
可选的,所述根据每个证据的支持度计算每个证据的可信度,具体步骤包括:根据每个证据的支持度,利用公式(4),计算每个证据的可信度:
其中,mi为证据集中的证据i=1,2,…,n,n为证据集中证据的数量,Sup(mi)为证据mi的支持度。
如图2所示,本发明还提供了一种证据合成模块,所述证据合成模块应用于所述证据合成方法,所述证据合成模块包括:
证据集获取子模块201,用于获取证据集;
距离计算子模块202,用于计算证据集中每两个证据间的距离;
相似度计算子模块203,用于根据所述每两个证据间的距离计算每两个证据间的相似度;
支持度计算子模块204,用于根据每两个证据间的相似度计算每个证据的支持度;
可信度计算子模块205,用于根据每个证据的支持度计算每个证据的可信度;
证据合成子模块206,用于将每个证据的可信度作为权重,对证据集中的证据的基本概率指派进行加权平均,对所述证据集中的证据进行合成。
如图3所示本发明还提供了一种多Agent诊断系统,所述多Agent诊断系统包括多个诊断Agent子系统301、一个组长Agent子系统302和知识库303,所述多个诊断Agent子系统301分别与组长Agent子系统302连接,所述知识库303分别与多个所述诊断Agent子系统301和组长Agent子系统302连接;
所述知识库303用于为多个所述诊断Agent子系统301和组长Agent子系统302提供证据和知识。
每个所述诊断Agent子系统包括一个证据合成模块401,所述诊断Agent子系统用于,确定故障源,得到初步诊断结果,并将诊断结果发送给组长Agent结构;
所述组长Agent子系统包括证据合成模块501,所述组长Agent子系统用于对多个Agent子系统发送的多个初步诊断结果进行融合,得到最终诊断结果;
可选的,如图4所示,所述诊断Agent子系统包括还包括命令监测模块402、证据获取模块403、控制器404、故障判定模块405、通信模块406和Agent模块407;
所述Agent模块407分别与组长Agent子系统302和所述通信模块406连接,所述Agent模块407用于接收所述组长Agent子系统302发送的诊断命令,并将所述诊断命令发送给所述通信模块406;
所述通信模块406与所述命令监测模块402连接,所述通信模块406用于将所述诊断命令发送给所述命令监测模块402;
所述命令监测模块402与所述控制器405连接,所述命令监测模块402用于监测所述诊断命令,生成诊断任务,并将所述诊断任务发送给所述控制器405;
所述控制器405还与所述证据获取模块403,所述控制器405用于根据所述诊断任务确定诊断活动,并将所述诊断活动发送给所述证据获取模块403;
所述证据获取模块403还分别与知识库303和诊断Agent子系统中的证据合成模块401连接,所述证据获取模块403用于根据所述诊断活动从所述知识库中提取证据,并将所述证据发送给所述诊断Agent子系统中的证据合成模块401;
所述诊断Agent子系统中的证据合成模块401还与所述故障判定模块404连接,所述诊断Agent子系统中的证据合成模块401用于接收所述证据,组成证据集,对所述证据集进行合成,获得合成结果,并将所述合成结果发送给所述故障判定模块404连接;
所述故障判定模块404还分别与所述知识库303和所述通信模块406连接,所述故障判定模块用于根据所述合成结果和知识库知识定位故障源,获得最初诊断结果,并将所述最初诊断结果发送给所述通信模块406;
所述通信模块406还用于将所述最初诊断结果发送给所述Agent模块407;
所述Agent模块407还用于将所述最初诊断结果发送给所述组长Agent子系统302。
可选的,如图5所示,所述组长Agent子系统还包括事件监测模块502、选择模块503、一致性判断模块504、BPA((BasicProbabilityassignment)化模块505、组长通信模块506和组长Agent模块507;
所述组长Agent模块507与所述组长通信模块506连接,所述组长Agent模块507用于产生主诊断任务,并将所述主诊断任务发送给组长通信模块506;
所述组长通信模块506与所述事件监测模块502连接,所述组长通信模块506用于将所述主诊断任务发送给所述事件监测模块502;
所述事件监测模块502与所述选择模块503,所述事件监测模块502用于根据所述主诊断任务生成主诊断活动,并将所述主诊断活动发送给所述选择模块503;
所述选择模块503分别与所述知识库303和所述组长通信模块506连接,所述选择模块503用于根据所述主诊断活动和知识库知识选择进行诊断的诊断Agent子系统301,生成诊断命令,并将所述诊断命令发送给组长通信模块506;所述组长通信模块506还用于将所述诊断命令发送给所述组长Agent模块507;
所述组长Agent模块507还分别与各诊断Agent子系统301连接,所述组长Agent模块507用于接收所述诊断命令,并将所述诊断命令发送给各诊断Agent子系统301,所述组长Agent模块507还用于接收各诊断Agent子系统301发送的各最初诊断结果,并将各最初诊断结果发送给组长通信模块506;
所述组长通信模块506还与所述一致性判断模块504连接,所述组长通信模块506还用于接收所述最初诊断结果,并将所述最初诊断结果发送给所述一致性判断模块504;
所述一致性判断模块504与所述BPA化模块505连接,所述一致性判断模块504用于接收所述最初诊断结果,并判断各最初诊断结果的一致性,若一致,则将该最初诊断结果作为最终诊断结果,并将所述最终诊断结果发送给所述组长通信模块506,若不一致,则将各最初诊断结果发送给所述BPA化模块505;
所述BPA化模块505还与组长Agent子系统中的证据合成模块501连接,所述BPA化模块用于将各诊断结果进行基本可信度分配函数化,获得中间诊断结果,并将所述中间诊断结果发送给组长Agent子系统中的证据合成模块501;
所述组长Agent子系统中的证据合成模块501分别与所述知识库303和所述组长通信模块506连接,所述组长Agent子系统中的证据合成模块用于根据知识库中的知识对所述中间诊断结果进行合成,得到最终诊断结果,并将所述最终诊断结果发送给所述组长通信模块506;
所述组长通信模块506还用于将所述最终诊断结果发送给所述组长Agent模块507。
作为一个具体的实施方式,多个诊断Agent对同一问题进行并行求解时,决策Agent收集到4个证据如下,其中m(A)、m(B)和m(C)分别为故障原因A、B和C的基本可信度分配函数:
m1:m1(A)=0.5,m1(B)=0.2,m1(C)=0.3;
m2:m2(A)=0,m2(B)=0.9,m2(C)=0.1;
m3:m3(A)=0.55,m3(B)=0.1,m3(C)=0.35;
m4:m4(A)=0.55,m4(B)=0.1,m4(C)=0.35。
本发明所提出的方法,使得冲突信息的分配更加合理,与Dempster合成规则和Yager合成规则的比较如表1所示。
表1三种证据合成方法的比较
对表1中三种合成规则的计算过程和结果进行分析,比较它们的优劣:Dempster和Yager合成方法无法有效地对冲突证据进行合成,尽管证据m3和m4都是支持A的,由于证据m2否定了A,m(A)始终为0,因而合成过程不认为被识别的目标A,存在证据对命题的“一票否决权”现象;本发明提出的证据合成方法可以有效地克服这两种方法的不足,能正确的识别目标A,由于考虑了各个证据的有效性和证据之间的关联性,有效的降低了“坏值”对最终融合结果的影响,使得在比较少的证据下就能使结果收敛为正确的目标。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种证据合成方法、模块及多Agent诊断系统,所述证据合成方法包括,首先,计算证据集中每两个证据间的距离;根据所述每两个证据间的距离计算每两个证据间的相似度;根据每两个证据间的相似度计算每个证据的支持度;根据每个证据的支持度计算每个证据的可信度;然后,将每个证据的可信度作为权重,对证据集中的证据的基本概率指派进行加权平均,对所述证据集中的证据进行合成,以解决证据的冲突问题,实现多源证据的有效合成。
将本发明的证据合成方法应用于多Agent诊断系统中,解决了诊断过程中的冲突问题,提高了诊断的有效性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用具体个例对技术原理、实施方式进行了阐述,以上实施例的说明只是为了帮助理解本发明技术方法及核心思想,描述的实施例仅仅是本发明的个例,不是全部实施例。基于本发明实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护范围。
Claims (9)
1.一种证据合成方法,其特征在于,所述证据合成方法包括如下步骤:
获取证据集;
计算证据集中每两个证据间的距离;
根据每两个证据间的距离计算每两个证据间的相似度;
根据每两个证据间的相似度计算每个证据的支持度;
根据每个证据的支持度计算每个证据的可信度;
将每个证据的可信度作为权重,对证据集中的证据的基本概率指派进行加权平均,对所述证据集中的证据进行合成。
2.根据权利要求1所述的证据合成方法,其特征在于,所述计算证据集中每两个证据间的距离,具体步骤包括:利用公式(1),计算每两个证据间的距离d(mi,mj):
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>m</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>m</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>m</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>m</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,mi、mj为证据集中的两个证据,i,j=1,2,…,n,i≠j,n为证据集中证据的数量;为证据mi中的基本可信度分配函数组成的向量;为证据mj中的基本可信度分配函数值组成的向量。
3.根据权利要求1所述的证据合成方法,其特征在于,所述根据每两个证据间的距离计算每两个证据间的相似度,具体步骤包括:
根据每两个证据间的距离,利用公式(2),计算每两个证据的相似度Sim(mi,mj):
Sim(mi,mj)=1-d(mi,mj) (2)
其中,mi、mj为证据集中的两个证据i,j=1,2,…,n,i≠j,n为证据集中证据的数量,d(mi,mj)为证据mi和mj间的距离。
4.根据权利要求1所述的证据合成方法,其特征在于,所述根据每两个证据间的相似度计算每个证据的支持度,具体步骤包括:根据每两个证据间的相似度,利用公式(3),计算每个证据的支持度Sup(mi):
<mrow>
<mi>S</mi>
<mi>u</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>n</mi>
</munderover>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,mi、mj为证据集中的两个证据i,j=1,2,…,n,i≠j,n为证据集中证据的数量,Sim(mi,mj)为证据mi和mj间的相似度。
5.根据权利要求1所述的证据合成方法,其特征在于,所述根据每个证据的支持度计算每个证据的可信度,具体步骤包括:根据每个证据的支持度,利用公式(4),计算每个证据的可信度:
<mrow>
<mi>C</mi>
<mi>r</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>u</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>S</mi>
<mi>u</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,mi为证据集中的证据i=1,2,…,n,n为证据集中证据的数量,Sup(mi)为证据mi的支持度。
6.一种证据合成模块,其特征在于,所述证据合成模块应用于权利要求1-5任意一项所述的证据合成方法,所述证据合成模块包括:
证据集获取子模块,用于获取证据集;
距离计算子模块,用于计算证据集中每两个证据间的距离;
相似度计算子模块,用于根据所述每两个证据间的距离计算每两个证据间的相似度;
支持度计算子模块,用于根据每两个证据间的相似度计算每个证据的支持度;
可信度计算子模块,用于根据每个证据的支持度计算每个证据的可信度;
证据合成子模块,用于将每个证据的可信度作为权重,对证据集中的证据的基本概率指派进行加权平均,对所述证据集中的证据进行合成。
7.一种多Agent诊断系统,其特征在于,所述多Agent诊断系统包括多个诊断Agent子系统、组长Agent子系统和知识库,所述多个诊断Agent子系统分别与组长Agent子系统连接,所述知识库分别与多个所述诊断Agent子系统和组长Agent子系统连接;
所述知识库用于为多个所述诊断Agent子系统和组长Agent子系统提供证据和知识;
每个所述诊断Agent子系统包括一个权利要求6所述的证据合成模块,所述诊断Agent子系统用于,确定故障源,得到初步诊断结果,并将诊断结果发送给组长Agent结构;
所述组长Agent子系统包括一个权利要求6所述的证据合成模块,所述组长Agent子系统用于对多个Agent子系统发送的多个初步诊断结果进行融合,得到最终诊断结果。
8.根据权利要求7所述的多Agent诊断系统,其特征在于,所述诊断Agent子系统包括还包括命令监测模块、证据获取模块、控制器、故障判定模块、通信模块和Agent模块;
所述Agent模块分别与组长Agent子系统和所述通信模块连接,所述Agent模块用于接收所述组长Agent子系统发送的诊断命令,并将所述诊断命令发送给所述通信模块;
所述通信模块与所述命令监测模块连接,所述通信模块用于将所述诊断命令发送给所述命令监测模块;
所述命令监测模块与所述控制器连接,所述命令监测模块用于监测所述诊断命令,生成诊断任务,并将所述诊断任务发送给所述控制器;
所述控制器还与所述证据获取模块,所述控制器用于根据所述诊断任务确定诊断活动,并将所述诊断活动发送给所述证据获取模块;
所述证据获取模块还分别与知识库和诊断Agent子系统中的证据合成模块连接,所述证据获取模块用于根据所述诊断活动从所述知识库中提取证据集,并将所述证据集发送给所述诊断Agent子系统中的证据合成模块;
所述诊断Agent子系统中的证据合成模块还与所述故障判定模块连接,所述诊断Agent子系统中的证据合成模块用于对所述证据集进行合成,获得合成结果,并将所述合成结果发送给所述故障判定模块连接;
所述故障判定模块还分别与所述知识库和所述通信模块连接,所述故障判定模块用于根据所述合成结果和知识库知识定位故障源,获得最初诊断结果,并将所述最初诊断结果发送给所述通信模块;
所述通信模块还用于将所述最初诊断结果发送给所述Agent模块;
所述Agent模块还用于将所述最初诊断结果发送给所述组长Agent子系统。
9.根据权利要求7所述的多Agent诊断系统,其特征在于,所述组长Agent子系统还包括事件监测模块、选择模块、一致性判断模块、BPA化模块、组长通信模块和组长Agent模块;
所述组长Agent模块与所述组长通信模块连接,所述组长Agent模块用于产生主诊断任务,并将所述主诊断任务发送给组长通信模块;
所述组长通信模块与所述事件监测模块连接,所述组长通信模块用于将所述主诊断任务发送给所述事件监测模块;
所述事件监测模块与所述选择模块,所述事件监测模块用于根据所述主诊断任务生成主诊断活动,并将所述主诊断活动发送给所述选择模块;
所述选择模块分别与所述知识库和所述组长通信模块连接,所述选择模块用于根据所述主诊断活动和知识库知识选择进行诊断的诊断Agent子系统,生成诊断命令,并将所述诊断命令发送给组长通信模块;所述组长通信模块还用于将所述诊断命令发送给所述组长Agent模块;
所述组长Agent模块还分别与各诊断Agent子系统连接,所述组长Agent模块用于接收所述诊断命令,并将所述诊断命令发送给各诊断Agent子系统,所述组长Agent模块还用于接收各诊断Agent子系统发送的各最初诊断结果,并将各最初诊断结果发送给组长通信模块;
所述组长通信模块还与所述一致性判断模块连接,所述组长通信模块还用于接收所述最初诊断结果,并将所述最初诊断结果发送给所述一致性判断模块;
所述一致性判断模块与所述BPA化模块连接,所述一致性判断模块用于接收所述最初诊断结果,并判断各最初诊断结果的一致性,若一致,则将该最初诊断结果作为最终诊断结果,并将所述最终诊断结果发送给所述组长通信模块,若不一致,则将各最初诊断结果发送给所述BPA化模块;
所述BPA化模块还与组长Agent子系统中的证据合成模块连接,所述BPA化模块用于将各诊断结果进行基本可信度分配函数化,获得中间诊断结果,并将所述中间诊断结果发送给组长Agent子系统中的证据合成模块;
所述组长Agent子系统中的证据合成模块分别与所述知识库和所述组长通信模块连接,所述组长Agent子系统中的证据合成模块用于根据知识库中的知识对所述中间诊断结果进行合成,得到最终诊断结果,并将所述最终诊断结果发送给所述组长通信模块;
所述组长通信模块还用于将所述最终诊断结果发送给所述组长Agent模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711330102.XA CN108062567B (zh) | 2017-12-13 | 2017-12-13 | 一种证据合成方法、模块及多Agent诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711330102.XA CN108062567B (zh) | 2017-12-13 | 2017-12-13 | 一种证据合成方法、模块及多Agent诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108062567A true CN108062567A (zh) | 2018-05-22 |
CN108062567B CN108062567B (zh) | 2020-11-10 |
Family
ID=62138610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711330102.XA Active CN108062567B (zh) | 2017-12-13 | 2017-12-13 | 一种证据合成方法、模块及多Agent诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062567B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108966210A (zh) * | 2018-06-22 | 2018-12-07 | 西京学院 | 一种无线网络信任评估模型的设计方法 |
CN109861859A (zh) * | 2019-01-28 | 2019-06-07 | 中南大学 | 基于边检验综合判定的多Agent系统故障检测方法 |
CN111325277A (zh) * | 2020-02-26 | 2020-06-23 | 中国人民解放军军事科学院评估论证研究中心 | 目标识别中基于协商策略的信息融合方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576604A (zh) * | 2009-01-04 | 2009-11-11 | 湖南大学 | 基于异类信息融合的模拟电路故障诊断方法 |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN102721941A (zh) * | 2012-06-20 | 2012-10-10 | 北京航空航天大学 | 一种基于som和d-s理论的电表电路故障信息融合和诊断方法 |
CN103810526A (zh) * | 2014-01-28 | 2014-05-21 | 北京仿真中心 | 一种基于d-s证据理论的知识融合方法 |
-
2017
- 2017-12-13 CN CN201711330102.XA patent/CN108062567B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576604A (zh) * | 2009-01-04 | 2009-11-11 | 湖南大学 | 基于异类信息融合的模拟电路故障诊断方法 |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN102721941A (zh) * | 2012-06-20 | 2012-10-10 | 北京航空航天大学 | 一种基于som和d-s理论的电表电路故障信息融合和诊断方法 |
CN103810526A (zh) * | 2014-01-28 | 2014-05-21 | 北京仿真中心 | 一种基于d-s证据理论的知识融合方法 |
Non-Patent Citations (2)
Title |
---|
张兵等: "多传感器自动目标识别中的冲突证据组合方法", 《系统工程与电子技术》 * |
王其军: "瓦斯监测系统故障智能诊断技术研究", 《中国博士学位论文全文数据库 工程科技I辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108966210A (zh) * | 2018-06-22 | 2018-12-07 | 西京学院 | 一种无线网络信任评估模型的设计方法 |
CN109861859A (zh) * | 2019-01-28 | 2019-06-07 | 中南大学 | 基于边检验综合判定的多Agent系统故障检测方法 |
CN109861859B (zh) * | 2019-01-28 | 2021-08-27 | 中南大学 | 基于边检验综合判定的多Agent系统故障检测方法 |
CN111325277A (zh) * | 2020-02-26 | 2020-06-23 | 中国人民解放军军事科学院评估论证研究中心 | 目标识别中基于协商策略的信息融合方法 |
CN111325277B (zh) * | 2020-02-26 | 2020-11-17 | 中国人民解放军军事科学院评估论证研究中心 | 目标识别中基于协商策略的信息融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108062567B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062567A (zh) | 一种证据合成方法、模块及多Agent诊断系统 | |
DE102012102770B4 (de) | System und Verfahren zur Fehlereingrenzung und Fehlerabschwächung basierend auf einer Netzwerkmodellierung | |
CN101576604B (zh) | 基于异类信息融合的模拟电路故障诊断方法 | |
DE102007060417B4 (de) | Rohchip- und Wafer-Fehlerklassifikationssystem und Verfahren dazu | |
CN106271881A (zh) | 一种基于SAEs和K‑means的刀具破损监测方法 | |
CN109656820A (zh) | 基于cbtc的智能自动化测试系统 | |
CN110866775A (zh) | 一种基于机器学习的用户空铁联程城际出行信息处理方法 | |
CN102830626A (zh) | 基于故障树的多层次电力系统故障诊断系统 | |
CN107004234A (zh) | 用于组件故障模式监测的系统和方法 | |
CN104181912A (zh) | 一种车辆诊断仪对车辆故障码的自适应翻译方法 | |
CN108304831A (zh) | 一种监测工人安全帽佩戴的方法及装置 | |
CN104036112A (zh) | 一种基于支持向量机与专家系统的故障诊断方法 | |
CN114330439B (zh) | 一种基于卷积神经网络的轴承诊断方法 | |
CN114489766A (zh) | 一种校验车载控制器版本信息的方法、装置、介质及设备 | |
CN105868115A (zh) | 软件密集型系统软件测试模型的构建方法和系统 | |
CN107222322A (zh) | 一种通信故障诊断方法及装置 | |
CN104991864B (zh) | 一种面向外联系统的测试方法及装置 | |
CN115967730B (zh) | 一种基于物联网的数据采集方法及系统 | |
CN110059413A (zh) | 一种故障诊断方法 | |
DE102013209953A1 (de) | Verfahren und Systeme für das Überwachen eines Fahrzeugs bezüglich Fehlern | |
CN112684300B (zh) | 一种利用双向监测信息的主动配电网故障诊断方法及装置 | |
CN109784629A (zh) | 一种基于神经网络的变电站工控网络故障定位方法 | |
CN112819180B (zh) | 一种基于联邦生成模型的多业务数据生成方法和装置 | |
CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
CN105302957B (zh) | 一种高速列车设计方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |