一种基于 Dempster-Shafer 理论的新颖多分类器信息融合：在基于振动的故障检测中的应用
机器学习
2021-10-15 v2
摘要
获得高预测率是故障检测中的一项关键任务。尽管存在多种分类方法，但它们都无法在所有应用中给出高准确率。因此，本文提出了一种新颖的多分类器融合方法来提升各独立分类器的性能。这是通过使用 Dempster-Shafer 理论（DST）实现的。然而，在证据冲突的情况下，DST 可能给出反直觉的结果。为此，设计了一种基于新度量的预处理技术，以度量并减轻证据间的冲突。为评估和验证所提方法的有效性，该方法被应用于来自 UCI 和 KEEL 的 15 个基准数据集。此外，它被用于基于宽带振动响应分类多晶镍合金一级涡轮叶片。通过在不同噪声水平下的统计分析，并与四种最先进的融合技术比较，表明所提方法提高了分类准确率并优于独立分类器。
引用
@article{arxiv.2012.02481,
title = {A novel multi-classifier information fusion based on Dempster-Shafer theory: application to vibration-based fault detection},
author = {Vahid Yaghoubi and Liangliang Cheng and Wim Van Paepegem and Mathias Kersemans},
journal= {arXiv preprint arXiv:2012.02481},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2007.08789