模糊数据融合范文

模糊数据融合范文（精选9篇）

模糊数据融合 第1篇

手杖作为盲人日常的必备辅助工具,是导盲设备外观设计的最佳选择。现有的导盲手杖在障碍物探测环节,大多采取超声波探测的方式,即利用传感器,实现单一方向上障碍物探测。由于超声波探测的方向性较差,单一传感器仅能实现对障碍物距离的探测,无法准确对障碍物方位进行判定;另外控制系统过于简单,致使探测精度不高[2,3,4]。

随着模糊控制理论研究的不断深入,将其引入到系统设计中可以使系统控制方案得到进一步优化、行进轨迹也会更加合理,因此将模糊控制应用在导盲仪器上是发展的必然趋势[5,6,7]。

本文所设计的智能导盲手杖,利用模糊逻辑以及数据融合的思想,组建了超声波障碍物探测网络,进行数据采集与分析,实现对障碍物所在方位与距离的综合探测。此外,手杖还设计实现了对使用者地理位置信息的实时定位与显示、紧急情况下的短信报警以及蓝牙语音提示等功能,以满足盲人在日常生活与出行中的多种需求。

1 设计思路

智能导盲手杖功能系统结构框图如图1所示,系统主要由手杖端和外部服务端两部分组成,手杖端集成了主控单元、超声波障碍物探测网络、数据辅助、语音提示、GPS卫星定位、GPRS通信等模块;外部服务端则是由在PC机上搭建的服务器以及百度地图服务器两部分构成,用于对GPS模块获取的经纬度信息进行收发以及其所代表的地理位置的解析。

手杖端与外部服务端的协同运行,将实现对障碍物方位及距离的综合探测、当前实际地理位置信息的实时获取,以及蓝牙语音提示和GPRS模块的短信发送功能,将使用者所在地理位置信息发送至家人手机,以便使用者可以在遇到突发情况时让家人得知其当前所在位置。

2 系统设计

2.1 主控单元

主控单元作为智能导盲手杖的控制核心,承担着整体系统中各模组间的数据融合、判断与控制。本设计采用STM32F103RDT6作为主控单元,利用USART串口通信实现主控单元与各模组之间的数据交互。在此基础上,为实现手杖各部分功能协调有序的运行,主控单元上还搭载了u C/OS-Ⅲ实时操作系统,实现对各个功能模组任务的调度,以保证系统稳定性与实时性[8]。

2.2 超声波障碍物探测网络

障碍物探测功能是手杖实现导盲功能的重要环节。由于超声波检测的方式能够实现非接触性测量,能量消耗缓慢,环境适应能力强,且测距技术较为成熟,被广泛用于距离的测量[9]。本设计在传统超声波测距方式的基础上,不仅要求系统具备较高精度的距离探测性能,还应具备良好的方位判别性能。为满足这一要求,手杖利用4个ST1428超声波探测器组建了超声波障碍物探测网络。利用模糊数学的理论,对网络的探测区域进行模糊子集的划分,并利用数据融合的思想,对各探测器所采集的不同空间区域中的障碍物距离信息进行综合、过滤、合成及分析,从而获得障碍物方位信息。图2所示为障碍物探测网络及方位划分示意图。

探测网络被划分成6个区域(俯视图中区域VI与III重叠),从I~VI分别代表左方、左前方、前方、右前方、右方以及下方等方位。探测器完成数据采集后,4个探头的数据会通过模糊逻辑算法进行数据融合,通过数据间相关性和隶属度关系的分析,实现障碍物与使用者相对方位的判定。

探测网络采用多次探测的方法进行数据采集。先令探测器0发出探测波,0、1、2探测器同时接收回波,获取距离信息;再依次令1和2先行探测,再令所有探测器同时接收回波,3次距离数据将会构成一个3×3的数据空间

其中,i为当前进行探测的探测器,i=0,1,2;dij为i探测时探测器j检测到的距离,j=0,1,2;每个传感器的测量数据会以不同的隶属关系隶属于各个探测器,这种隶属关系为隶属度。隶属度函数以传感器与障碍物距离为变量,距离越小,则隶属于某个传感器的程度越大。故定义数据的隶属度函数

式中,uij为i探测器探测时,障碍物对探测器j的隶属度;3次探测数据的隶属度空间为

其中,隶属度空间的每一列均表示障碍物隶属于探测器j探测区域的隶属度。对每一列隶属度进行求和可得

根据φ0、φ1、φ2的大小关系,设阈值为δ,则有:当|φi-φj|≤δ时,则障碍物位于探测器i与j(i≠j,i,j=0,1,2)探测区域的重叠部分,如Ⅰ和Ⅳ;当|φi-φj|>δ且φi>φj(φi<φj)或φi=1(φj=1)时,则障碍物位于探测器i(j)的独立探测区域(i≠j;i,j=0,1,2),如Ⅰ、Ⅲ、Ⅴ。

由此可判定障碍物位于图2中5个区域的其中之一,从而判断出其相对于使用者的方位。而区域Ⅵ(下方)可通过设置中断阈值实现判定。

探测器0、1、2构成上方探测网络,并以α=80 cm为探测阈值,当探测区域内的障碍物距离小于阈值时,系统会开启蓝牙语音提示功能,为使用者循环提示障碍物方位及距离信息的变化;下方探测器3的探测阈值β=40 cm。当探测距离小于下方阈值时,系统则利用主控芯片的中断服务机制,提示使用者障碍物位于下方,并告知距障碍物离。

2.3 地理位置信息实时获取

当使用者在户外时,手杖将作为客户端,其中GPS模块会实时获取当前位置的经纬度,并利用GPRS通信模块的GPRS流量通信的方式,将经纬度通过Socket通信的方式,发送至预先搭建的PC机服务器。PC机服务器调用百度地图应用程序编程接口(Application Programming Interface,API),实现经纬度信息到地理位置信息的转换。

此后,地理位置信息会被发送至家人所使用的Android智能手机上,并对使用者的位置进行可视化显示,方便家人通过手机应用程序对手杖使用者的位置进行实时了解。同时,地理位置信息会被发送至手杖端,从而完成了整个GPS经纬度信息获取与地理位置解析的过程,解析过程如图1所示。

当使用者迷路时,通过触发按键,在蓝牙语音模组生成的语音提示下,可得知当前所在地理位置信息[10,11,12,13];若使用者急需家人帮助,则可以通过触发按键,在GPRS模块与SIM卡的配合使用下,实现短信发送功能,将位置信息发送至家人预存在数据辅助模块内部的安全数码卡(Secure Digital Memory Card,SD卡)中的手机上。可在使用者遇到突发情况时,令家人快速得知其所在位置。

2.4 语音提示模块

语音提示模块是实现手杖与使用者之间良好交互的重要环节,其主要功能是将障碍物探测、地理位置信息以及系统提示信息以语音的方式告知使用者[14,15]。

设计采用SYN6288语音合成芯片将以上文本信息合成为相应的语音提示片段。在得到语音提示片段后,再利用蓝牙4.0模块实现语音提示片段的无线传输,使用者通过佩戴蓝牙耳机,即可接收到来自手杖的各种提示信息,并按照指示完成相关功能操作,使用方便快捷。

3 实验测试数据分析

障碍物探测网络作为智能导盲手杖的核心模块,也是实验测试的重点。如表1所示,为手杖上方3个探测器对依次放置在探测区域Ⅰ~Ⅴ,且与手杖相距50 cm的障碍物的探测数据。

注:“—”表示因设备探测范围限制未采集到数据

由表1可知,当障碍物位于Ⅱ区,即左前方时,经过3个探测器依次探测的数据如表中第二行所示。由此得到数据空间R中的d00,d01以及d10,d11,其他数据均置0。根据式(2)和式(3)得到隶属度空间u,再由式(4)得到φ0=0.974,φ1=1.026,φ2=0,由于|φ0-φ1|=0.052<δ(是根据多次实测数据而确定的阈值),因此障碍物位于区域Ⅱ,即左前方。

区域Ⅳ判定方法同理,实现对左前方与右前方的判定;而区域Ⅰ、Ⅲ、Ⅴ则因其相应的φi=1(i=0,1,2),系统可直接判定障碍物位于探测器i的独立探测区域中,即I(左方)、III(前方)、IV(右方);区域VI(下方)障碍物的判定,是根据下方探测器4独立完成,当障碍物距离小于下方探测阈值β时,系统会判定障碍物位于下方。通过该实验可知系统能够对障碍物所在方位进行正确判定。

除对障碍物方位判别实验外,实验运用网络探测以及传统单一传感器探测两种方式,对匀速接近手杖的障碍物进行了探测,并对其结果进行对比,对比图如图3所示。

由图3数据曲线可知,超声波探测网路探测所得的数据,在经过模糊逻辑与数据融合算法的处理后,其数据与实际距离更加接近,并且拟合曲线趋于平缓,与单一传感器探测相比更为稳定,突变点位较少,在实际使用中能够对探测范围内的移动障碍物进行更为实时且精确的探测。

4 结束语

本文设计在传统超声波障碍物探测的基础上,通过引入模糊逻辑与数据融合算法以及传感器网络技术,实现了对障碍物所在方位的准确判断与距离探测,并采用多次探测的方法,使得手杖在对移动障碍物的探测时,令所得距离数据具有良好的稳定性、精度及实时性。

此外,本文还对智能导盲手杖的地理位置信息获取、短信发送以及无线语音提示等功能的实现进行了设计,使得手杖的功能更加智能化,以满足盲人使用者的日常需要。目前手杖各部分模块均已设计实现,且正常运行,但依然存在功能模块较多、功耗较大的问题需要进一步解决。

摘要：在分析国内外现有导盲设备的基础上,引入模糊逻辑与数据融合算法,对传统超声波探测方式进行改进。自行设计并组建超声波障碍物探测网络,进行数据采集、融合与分析,实现了对障碍物方位与距离的综合探测。此外,利用GPS模组、网络通信技术以及语音合成芯片设计,并实现了智能导盲手杖的GPS位置信息实时获取、GPRS短信提示、蓝牙语音提示等功能,以满足盲人日常生活的需求。

模糊数据融合 第2篇

提出一种新的基于随机模糊神经网络的多传感器状态信息融合方法,研究和比较了基于单值模糊神经网络和基于随机模糊神经网络的雷达与红外传感器状态信息融合.仿真结果表明,当输入被噪声污染时,基于随机模糊神经网络的`方法离线学习次数更少,能更有效地防止噪声的干扰,并且融合误差更小.

作 者：龙翔 敬忠良 金德琨 王安  作者单位：龙翔,金德琨,王安(西北工业大学,自动控制系,陕西,西安,710072)

敬忠良(上海交通大学,图像与信息处理研究所,上海,30)

刊 名：控制与决策  ISTIC EI PKU英文刊名：CONTROL AND DECISION 年，卷(期)： 17(4) 分类号：V243.2 关键词：随机动态系统   随机模糊神经网络   状态信息融合  

高温测量系统的模糊贴近度融合算法 第3篇

数据融合方法有很多种,例如自适应加权平均数据融合算法的基本思想是,以自适应的方式求得各个传感器的最优加权因子,使各传感器所提供的测量值总均方误差最小,同时融合后的结果达到最优。这种方法在实际应用中优于简单的算数均值法,因为均值方法是将测量过程中的采样数据按照等精度进行处理的。但在实际中, 存在各种不确定性因素,因此等精度条件一般是不可能达到的。但是经典集合论只能明确地限定一个元素是或者不是隶属于某一集合,而在客观世界中还普遍存在着大量模棱两可的现象,经典集合论无法解决这样复杂的问题。本文提出基于模糊集思想的模糊贴近度数据融合方法,即把各传感器的测量值和估计值的确定隶属关系扩大到[0,1] 区间的任一数值,并利用测量值与估计值之间的接近程度来决定相应传感器的权重,从而进行数据融合处理。

2模糊贴近度融合算法

2.1传感器测量数据的一致性检验

表征输出信息即测量值被融合的容许程度的函数称为容许函数又称一致性度量函数。例如,当所有传感器的输出信息较为集中时,说明传感器对真值的测量较为可信;当某个或几个传感器的输出信息偏离大多数传感器值较大时,说明该传感器出现故障或受外界干扰影响较大,不能再作为数据融合的输入数据使用。

传感器数据的一致性检验即是利用模糊集理论知识将某些与大多数传感器测量值不一致的数据检验出来并且删除掉。

设两个传感器数据间的一致性度量函数为二元模糊关系R :XX [0,1],满足以下条件:

1)R(x,x)=1 ;

2)R(x,y)=R(y,x) ;

3) 若D(x,y) D(x,y ′ ), 则R(x,y) ≥ R(x,y′ )。

式中:

D(x,y)x与y的距离 ;

X传感器的输出论域。

设容许函数为宜简单的阈值函数:

式中:

yi真值。

用测量数据的均值作为估计值,计算结果1表示容许传感器值使用,0表示不容许此值使用。

2.2测量值与估计值的模糊化

设第p个传感器(p组滤光片)k时刻对真值的n次测量值为xjp(k),其中j=1、2、 n,均值为xp,测量方差为σp,测量值的模糊量表示为:

目标真值的估计值用m个传感器的测量均值x0表示,估计方差为σ0,分别为:

则估计值的模糊量为

2.3基于模糊贴近度的数据融合算法

文中设计的模糊贴近度方法来衡量测量值与估计值之间的接近程度,从而决定传感器相应的权重,越接近权重分配的越大,从而进行数据融合处理。

设Ap、Aq分别是第p个和第q个传感器的模糊量,定义S=S(Ap,Aq),若S满足:

1)0 S 1 ;

2)S(Ap,Ap)=1,S(Ap,φ)=0;

4)当APAqAs时,有S(Ap, Aq)>S( Ap,As) 。

则称S为Ap和Aq的贴近度,也就是Ap和Aq的接近程度。

本文设第i个传感器的权重为ri,则令ri=S(Ai,A0),S(Ai,A0)采用格贴近度。

其中内积为:

外积为:

对其进行归一化处理,可以得到各个传感器之间的相对权重:

根据所得的各传感器权重,利用数据融合即可得到最终的结果:

3算法在高温测量中的应用

实验在熔融金属1800℃时进行,通过测温系统中的获取相邻两滤光片的辐射亮度经过比色测温算法计算的到的温度结果如表1。

根据上述数据融合算法及步骤,可将多组测量数据融合得到较准确的值作为测量值。

所有测量数据的均值为1786.47℃,由容许函数可知第3个和第4个传感器的输出是较大误差数据,将这两个传感器的数据删除,再利用余下的4组数据进行融合。 结果如表2所示。

由表(2)可见,误差范围在12℃以内, 满足系统的性能指标要求。

4小结

数据库管理系统中的模糊查询技术 第4篇

内容提要 主要介绍在数据库管理系统中实现模糊查询的方法与技巧，提供了能实现真正模糊查询的二个通用函数的源程序，特别是介绍了结构化查询语言SQL中鲜为人知的通配符的使用方法。

关键词 FoxPro 模糊查询 SELECT-SQL 通配符

在数据库管理系统中，查询是一个很重要的内容。然而，在多数情况下人们不能准确知道作为查询条件的字段内容，如：某字段内容为“涪陵师范高等专科学校”，查询者可能只知道其简称“涪陵师专”或“涪师专”，这时，为保证能查到满足条件的数据记录，只能进行模糊查询。下面从编程的角度谈谈在FoxPro 2.5b中，实现模糊查询的方法。

一、简单的模糊查询方法

① 利用比较操作符“=”进行模糊查询。先把SET EXACT的设置置为OFF，这时，“=”用于两个字符表达式之间作比较，其规则是：“=”右边的字符逐个与“=”左边相同位置的字符进行比较，只要遇到其中一个字符不相等，或者“=”右边的字符表达式结束，比较操作就结束。所以，“abc”=“abc”，“abc”=“ab”，“ab_”=“ab”，“ab”=“”的比较结果均为逻辑真(.T.)。可见，这种方法的`模糊性是不能令人满意的。

② 利用“$”进行包含比较，其模糊查询的效果就比用“=”时好得多。这种方法是在“$”右边的字符表达式中查找“$”左边的字符表达式，若找到返回逻辑真(.T.)，否则返回逻辑假(.F.)。用这种方法只要“$”左边的字符表达式的每一个字符在“$”右边的字符表达式中存在且位置不间断，查找就能成功，然而对于诸如前面提到的“涪陵师专”或“涪师专”之类的简称，其查找结果为逻辑假(.F.)。

由此可见，直接利用“=”和“$”进行比较操作是不能太“模糊”的。

二、查询条件为缩略语或简称的模糊查询方法

缩略语或简称在地名、单位名称中使用非常广泛。通常，缩略语或简称是由全称中的某些排列位置不连续的字符组成的，因此，通过设置不同长度的字符串进行比较的规则，或者利用包含比较符“$”，是不能对缩略语或简称进行模糊查询的。这时可编写一通用的自定义函数，将用户输入的查询条件(<字符串2>)与字符型字段变量(<字符串1>)进行逐字比较，如果<字符串2>是<字符串1>的缩略语或简称，则返回逻辑真(.T.)否则返回逻辑假(.F.)，从而实现模糊查询。

下面将作者所编写的自定义函数介绍给读者，以供参考。

设计思想：此函数必须是一个通用函数。为此，执行时可先接受二个参数──<字符串1>和<字符串2>。从<字符串2>的左边开始取其第一、二个字符X1，用AT( )函数测试X1在<字符串1>中的位置S1，如果S1不为0，就将<字符串1>中包含X1以及左边部分的字符截掉，并取<字符串2>中的第三、四个字符X2，用AT( )函数测试X2在<字符串1>的剩余部分中的位置S2，若S2不为0，就将<字符串1>的剩余部分中包含X2以及左边部分的字符截掉，直到将<字符串2>中的字符取完并在<字符串1>中测试完为止，最后本函数返回逻辑真(.T.)。在这个过程中只要有一次测试不成功(即Sn=0)，则退出本函数并返回逻辑假(.F.)。因为一个汉字占二个ASCII字符，所以每次取二个相邻字符进行测试(让ZFBJ.PRG中的K=2)。这样做，一是可以减少测试比较的次数，提高程序运行速度。二是当<字符串2>中含有数字、字母等半角字符时，可以减少满足条件的记录数目，提高查询的命中率。然而，若查询条件中含有英文缩写，则每次只能取一个ASCII字符进行测试(让ZFBJ.PRG中的K=1)。

本函数的源程序如下：

*************************************************************

* 程序名称：ZF

模糊数据融合 第5篇

输油管道运输的安全运行和环境保护, 一直以来是我国管道系统研究中的一项重要课题, 输油管道的安全监控问题的解决仍是涉及环保的一项重要任务, 尤其是青岛东黄输油管线泄漏爆炸后引发的严重人员伤亡和环境灾难后, 输油管道的泄漏监测引起了人们的极大关注。在管道运行系统的整体监控领域, 输油管网的泄漏故障检测依然占据着重要的地位, 所以研究基于输油管网泄漏的智能诊断方法, 不但在科学理论研究方面具有较重要的意义, 而且在社会和经济方面均具有较高的价值。当前, 长输油管网的泄漏故障检测技术的研究已经引起了各界的广泛关注, 成为故障诊断领域的一个热门研究课题。

为了更快更准确的判断泄漏状态, 相关研究人员在检漏方法上做了很多有意义的工作。崔谦[1]提出了一种新方法, 该方法通过序贯概率比检验法来检验输油管道的泄漏, 并针对原始压力信号中噪声非高斯性的特点, 采用卡尔曼滤波器对原始信号进行预处理, 进而提高了该方法的准确性。杨红英[2]提出利用Hilbert边际谱的能量变化来研究远距离传播后管道泄漏声信号的频带特征, 首先分别对特征频带内信号和正常信号进行Hilbert变换, 然后通过实时监测二者的相对变化来判断信号中是否含有泄漏声波。夏海波[3]提出了一种利用多尺度小波变换, 把管道泄漏产生的负压波信号作为瞬态信号, 来识别管道的局部泄漏特征的方法。曲志刚[4]提出了一种基于支持向量机的泄漏检测方法和预警系统。同时, 也有研究管道压力时间序列的非线性特征[5], 声发射检测的试验研究[6], 研制长输油气管道泄漏检测的动态压力变送器[7]和开发在线泄漏检测系统[8]。

通过文献可见, 声波信号在泄漏检测中大量应用, 但声波大多研究集中在气体泄漏的检测[9]。同时, 虽然利用负压波和声波信号进行泄漏检测时具有方便、易实现的有点, 但负压波和声波的单一方法在检测精度和准确性上有待提高。为了解决检测精度的问题, 刘明哲[10]提出了一种多信号最优加权融合的算法, 然而该方法难以实现对泄漏工况的判断, 并且在一个检漏诊断系统中, 由于各种各样的扰动或测量误差的存在容易导致传感器采集到的信息往往是不精准、有缺失和模糊的, 这样将会大大降低故障诊断的精度。因此我们提出模糊决策融合方法检测管道泄漏状况。

一、模糊决策方法

模糊决策系统包含数据采集、模糊规则的离线学习、管道运行工况的在线模糊决策和基于音波的泄漏检测四个部分。模糊融合决策管道泄漏检测方法结构如图1所示。

管道泄漏检测与定位的研究中, 利用模糊决策方法时, 决策条件空间C={c1, c2, c3, c4}, 表示4类管道运行状态, 这些运行状态是由管道运行参数表示的。分别代表待测管道的输入压力值 (c1) 、输出压力值 (c2) 、输入音波 (c3) 、输出音波 (c4) 。其中, 四类运行状态中的每一类都被按照网格划分为3个程度模糊子集, E={e0, e1, e2}。它们分别代表偏离管道正常运行值的程度:不偏离 (e0) , 小偏离 (e1) , 偏离严重 (e2) 。决策后的结果空间D={d1, d2d3}, 包含3类备选推理结果。它们分别代表正常运行 (d1) , 泄漏发生 (d2) 和调节工况 (d3) 。其中, 对于每一类备选推理结果, 其决策空间划分为2个程度模糊子集, 即F={f1, f2}, 它们分别代表运行正常和运行异常。对于d1而言, 分别代表中正常运行情况和异常运行情况, 对d2而言, 代表发生小泄漏的情况和严重泄漏的情况, 对d3而言, 代表工况调节中的小幅度调节和大幅度调节。

模糊决策中最重要的部分是工况分析模糊决策表。首先, 由专家和运行人员根据自身的现场经验总结出关于管道运行的若干条工况评价规则, 再将粗糙集理论运用到上述规则中, 进而达到约减的目的, 去除不一致的规则和最小化规则总数, 最后形成一个较完备的决策规则表, 如表1所示。

根据以上模糊决策规则表, 模糊决策过程分以下4个步骤[11]:

Step1根据各类管道运行参数的实测值, 实时计算测度矩阵群μi (i=1, 2, ..., n) ;

Step2根据实测信息, 计算得到权重矩阵w;

Step3根据μii和w, 计算故障辨识矩阵 (置信度矩阵) ;

Step4根据置信度矩阵评价管道当前运行状况。

二、实验与分析

实验数据采集来自于自制实验台, 实验台用压力泵将箱体中的液体打入管道, 液体从管道的另一端流出, 以此来模拟输油管路的基本特征。为了适应现场的工况调节情况, 在管道的出口处连接一个三通, 在三通的侧面和下面两部分分别安装两个开关阀门, 通过调节三通侧面的开关阀门可以达到一定范围内调节管道内的压力的幅度的效果, 通过调节三通下面的开关阀门可以将防腐蚀水箱中的液体排掉。管道中间分别设置了五个泄漏点阀门, 并且能通过调节阀门开度大小来达到调节泄漏量, 最后经另外一个通向循环水箱的管道流回水箱, 实验装置如图2所示。

在管道的首末端各安装一个0~1MPa的压力传感器, 其自身经过信号处理输出工业标准4-20m A电流信号。为了提高泄漏报警准确度, 实验台对信号进行时域和频域的分析后得出, 泄漏点所反映出的信息通过泄漏信号中所含的低频信号体现出来, 在试验台加装谐振响应频率比较低的压电陶瓷能够更好的采集泄漏信号, 从泄漏信号的频域特征出发, 在管道首末端各加装一个音波传感器。下位机采集和数据处理通过研华板卡完成。

数据信号处理使用美国NI公司的Lab VIEW, 对板卡进行循环模式、通道数目、采样数、采样频率、缓冲区设置以及DMA设置等相关参数配置后, 对四路信号采集滤波后进行决策分析, 确定泄漏状态及运行状态, 其顺序结构的第2帧数据处理分析程序如图3所示。

采集得到的负压力波和音波典型泄漏信号如图4和5所示。数据采集后, 分别在压力诊断方法和音波诊断方法中得到相关的泄漏判决。相比于压力和音波的单一检漏方法, 检漏精度分别提高了5%和3%, 泄漏的漏报率分别降低了10%和5%。

结论

本文主要针对管道泄漏检测中单一方法的不足, 提出了一种基于模糊决策融合的泄漏检测方法。通过在首末两端加装压力和音波传感器, 利用压力和音波信号的模糊决策融合得到一个泄漏判决, 从而提高泄漏检测的准确性。数据采集和算法流程采用Lab VIEW实现, 实验结果表明相比于单一检漏方法, 文中提出的方法提高了检漏精度, 同时降低了漏报率。

参考文献

[1]崔谦, 靳世久, 王立坤, 等.基于序贯检验的管道泄漏检测方法[J].石油学报, 2005, 26 (4) :123-126.CUI Qian, JIN Shi-jiu, WANG Li-kun, et al.Detection method for pipeline leakage based on sequential probability ratio test[J].ACTA PETROLEI SINICA, 2005, 26 (4) :123-126.

[2]杨红英, 华科, 叶昊, 等.基于Hilbert-Huang变换的输气管道泄漏诊断方法[J].化工学报, 2011, 62 (8) :2095-2010.YANG Hongying, HUA Ke, YE Hao, et al.Leak diagnosis of gastransport pipelines based on Hilbert-Huang transform[J].CIESCJOURNA, 2011, 62 (8) :2095-2010.

[3]夏海波, 张来斌, 王朝辉, 等.小波分析在管道泄漏信号识别中的应用[J].石油大学学报 (自然科学版) , 2003, 27 (2) :78-86.Xia Hai-bo, Zhang Lai-bin, Wang Zhao-hui, et al.Applicationof wavelet analysis in pipeline leakage signal recognition[J].Journal ofUniversity ofPetroleum, 2003, 27 (2) :78-86.

[4]Zhigang Qu, Hao Feng, Zhoumo Zeng, et al.A SVM-basedpipeline leakage detection and pre-warning system[J].Measurement, 2010, 43:513-519.

[5]刘金海, 张化光, 冯健.输油管道压力时间序列混沌特性研究[J].物理学报, 2008, 57 (11) :6868-6876.Liu Jin-Hai, Zhang Hua-Guang, Feng Jian.Investigation of cha-otic behavior for press time series of oil pipeline[J].ACTA PHYSICASINICA, 2008, 57 (11) :6868-6876.

[6]李善春, 郭福平, 王为松.压力管道泄漏声发射监测试验研究[J].无损检测, 2007, 29 (2) :74-79.LI Shan-chun, GUO Fu-ping, WANG Wei-song.Test Researchon leakage monitoring of Pressure Pipe by Acoustic Emission Tech-nique[J].NondestructiveTesting, 2007, 29 (2) :74-79.

[7]张宇, 靳世久, 何静菁, 等.基于动态压力信号的管道泄漏特征提取方法研究[J].石油学报, 2010, 31 (2) :338-342.ZHANG Yu, JIN Shijiu, He Jingjing, et al.Extraction method forpipeline leakage feature based on dynamic pressure signal.ACTAPETROLEISINICA, 2010, 31 (2) :338-342.

[8]冯健, 张化光.管道泄漏计算机在线检测系统及其算法实现[J].控制与决策, 2004, 19 (4) :377-382.FENG Jian, ZHANG Hua-guang.On-line computer detectingsystem of pipeline leak and itsalgorithm[J].Control and Decision, 2004, 19 (4) :377-382.

[9]Liang Wei, Zhang Laibin, Xu Qingqing, et al.Gas pipelineleakage detection based on acoustic technology[J].Engineering Fail-ureAnalysis, 2013, 31:1-7.

[10]刘明哲.一种供水管道泄漏检测及定位的新方法[J].河北工业科技, 2008, 25 (1) :43-46.LIU Ming-zhe.A new method for water supply pipeline leakagedetection andlocalization[J].2008, 25 (1) :43-46.

模糊数据融合 第6篇

传统的PID控制由于具有原理简单、适应性强和鲁棒性强等特点, 是迄今为止最通用的控制方法。但是对于具有惯性大、滞后严重、参数非线性及结构复杂处理过程, 常规PID控制的缺陷逐渐暴露出来, 而智能控制具有不依赖系统精确数学模型和对参数的变化具有良好鲁棒性等优点。因此, 随着工业控制品质要求的提高、对象复杂程度的增加, 智能控制算法的研究成为适于现代复杂过程控制研究的热点。本文将结合钢厂脱硫塔脱硫工艺, 阐述基于T-S模糊神经网络的信息融合自适应控制算法的网络结构和自学习过程, 并将控制算法应用于脱硫的生产实践, 克服了脱硫工艺中的结构复杂、参数整定困难等控制难题, 在控制中取得良好的控制效果, 并对T-S模糊神经网络今后的发展提出一些看法。

二、信息融合及其方法

信息融合是指多传感器信息融合, 又称多源信息融合, 是用于包含多个或多类传感器或信息源的系统的一种处理方法。其基本原理是充分利用多源系统中的各信息源提供的信息不同特征, 按照某种优化准则, 将这些互补冗余的信息进行重组、关联, 从而产生对观察目标或环境的一致性解释和描述。

目前, 能够应用于多传感器数据融合的方法可以分为随机类方法和工智能方法两大类。随机类方法主要有统计决策理论、D-S证据推理、产生式规则、多贝叶斯估计法、Kalman滤波等;而人工智能类方法主要有加权平均法、人工神经网络、模糊逻辑理论、粗糙集理论等。

三、基于模糊神经网络的信息融合结构

模糊系统和神经网络控制均可视为智能控制领域内的分支, 各有自己的优势。模糊控制是利用领域专家的先验知识进行近似推理, 在描述高层知识方面有其长处, 容易进行高阶的信息处理, 但在工程实际应用中对于时变参数非线性系统, 却缺乏在线自学习或自调整的能力;而神经网络在学习和自动模式识别方面有很强的优势, 采用神经网络技术来进行模糊信息处理, 则使得模糊规则的自动提取及隶属函数的自动生成有可能得以解决, 使模糊系统成为一种自适应模糊系统, 而且, 将模糊技术引入神经网络, 可大大地拓宽神经网络处理的范围和能力。由此, 将模糊技术和神经网络技术有效融合, 可发挥各自的优势并弥补各自的不足, 这是模糊神经网络 (FNN) 的一大优势。模糊神经网络控制系统结构如图1所示。

利用输入输出样本对网络进行学习训练之后, 就构造了一个模糊神经网络控制器 (FNNC) 。将模糊控制器加入到被控系统中, 便构成了一个模糊神经网络控制系统, 如图1所示。其中, kl, k2, k3分别表示模糊控制器的两个量化因子和比例因子。

四、基于T-S模型模糊神经网络

T-S模型 (Takagi-Sugeno模型) 是基于对模糊神经网络的改进而出现的, 它的实质是非线性的, 主要用在多维模糊推理方法, 能够比较容易地描绘复杂系统的动态特性。这个在T-S模型的基础上形成的模糊神经网络具有强大的局部逼近功能, 不仅能够使对模糊与定性知识的描绘更简便, 而且具备较强的学习能力。

T-S模型的模糊神经网络共由七层组成, 主要包括前件网络与后件网络。前件网络的主要作用是匹配模糊规则的前提, 而后件网络的主要功能是获得模糊规则的结论。现以一个五输入两输出的控制系统为例, 来建立T-S模型的模糊神经网络。此控制系统为脱硫塔脱硫控制系统, 主要控制量有入口SO2浓度 (X1) 、出口SO2浓度 (X2) 、吸收塔浆液p H值 (X3) 、吸收塔内液气比 (X4) 、进风含氧量 (X5) ;控制输出为需要加入的石灰石浆液的量 (Y1) 和需要加入的水的量 (Y2) 。设计如图2所示网络的结构图, 其中, 一、二、三、四层是前件网络, 五、六、七层是后件网络。

输入X=[x1, x2, x3, x4, x5]T, 输出为Y=[y1, y2]T, 定义每个输入变量的模糊量的模糊子集均为{NB, NM, NS, ZE, PS, PM, PB}, 分别表示负大、负中、负小、零、正小、正中和正大。文中隶属函数采用高斯型函数, 模糊控制器的输出U由35条模糊控制规则决定, 其形式通常由一系列的关系词, 如if-then, and, or等连接而成, 其中第j条模糊规则的形式为:

其中Aij (j=1, 2, …, 5) 是xi的第j个语言变量, 相应的隶属度函数为uAi (xi) (i=1, 2, …, 5;j=1, 2, …, 7) 。

第一层:是整个前提网络的输入层。它们是直接相连的。该层的主要功能是将输入向量x送入下一层。故有fi (1) =x (0) i=xi。

第二层每个节点代表一个语言变量值。它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度函数, 其中μisi=μAsi (xi) , 若隶属度函数采用高斯函数, 则:

, cij和δij分别为第i个输入语言变量xi的第j个术语的高斯型隶属函数的中心和宽度。

第三层 (推理层) :该层每个节点代表一条模糊规则, 规则推理采用AND运算。

fj (3) =min (x1 (i3) , x2 (j3) , 1) ;Xi (j3) =αj=fj (2) , 其中αj是每条规则的适用度;j=0, 1…7。

第四层 (归一化层) :该层对应每条规则推理结果的归一化处理。

其中为归一化的每条规则的使用度;j=0, 1, …, 7。

第五层:f0 (5) =1, fi (5) =xi (0) =xi, i=1, 2, …5;

第六层:

其中, pjki是网络的连接权值, 代表该条规则输出隶属函数的中心值, yki是每条规则的输出值。

第七层:

第五、六、七层完成解模糊过程, 第七层输出有两个, 为需要加入的石灰石浆液的量 (Y1) 和需要加入的水的量 (Y2) 。

五、网络的自学习过程

T-S模糊模型的前件模糊划分是预先确定的, 那么需要学习的参数主要是后件网络的连接权值pkij (i=1, 2, …7;j=1, 2…, 7;k=1, 2) 和前件网络层隶属度函数的中心值cij及宽度δij。

模糊神经网络结构模型采用两个阶段的学习方法:第一阶段采用自组织学习方法用来确定初始隶属函数和发现规则的存在, 即网络的结构辨识阶段;第二阶段采用监督学习方法, 为获得理想的输出而优化调整网络的参数, 即网络的参数辨识阶段。整个学习过程可如图3所示的流程图。

取误差函数, yd和y (7) 分别表示期望输出和实际输出, 最后参数的学习算法为:

其中i=1, 2, …, 5;j=1, 2, …, 7, β>0为学习率。

六、在钢厂脱硫塔中的应用实例

在脱硫塔中采用的T-S神经网络模型自适应控制, 通过离线学习, 确定了T-S神经网络的参数, 提高了控制算法的实时性, 应用控制效果对比如表1所示。

七、结语

在脱硫塔脱硫控制应用中, 改进的T-S模糊神经网络可提高系统辨识精度, 取得了较好的效果, 不仅对烟气变化适应性强, 而且在脱硫工艺不改变的条件下, 提高了脱硫率, 达到了国家环保部规定的排放标准。

T-S模糊神经网络预测控制中仍然有许多问题需要解决, 主要有:一是进一步研究基于模糊语言规则模型和T-S模型相结合的新型模糊模型的预测控制是一个可行的方向。二是模糊预测控制的理论研究中, 如稳定性、鲁棒性等, 难度很大, 这方面的研究工作有待进一步展开。

摘要：信息融合技术是近年来发展起来的新型控制算法。本文介绍基于T-S模糊神经的信息融合自适应控制算法的网络结构, 分析了网络七层结构的主要作用和网络的自学习过程, 在实践中应用于钢厂脱硫塔脱硫工艺中并取得较好控制效果。

关键词：模糊决策优化,信息融合,模糊神经网络,自学习

参考文献

[1] .王浩, 谭琳.多传感器信息融合研究概述[J].硅谷, 2012, 3

[2] .王睿洁.一种改进的-TS型模糊神经网络控制在平面一级倒立摆中的应用[D].太原理工大学, 2002, 7

[3] .常依斌.模糊神经网络自组织控制在自动舵中的应用[D].上海海运学院, 2003, 2

模糊数据融合 第7篇

关键词：直觉模糊集,医学图像融合,灰度特征,平均梯度

文中在直接模糊理论的基础上, 介绍了直觉模糊推理的提出和概念, 以及在医学图像融合中的应用。并给出了具体的图像融合推理步骤, 分析了直觉模糊推理的优势与不足, 同时在此基础上, 提出了一种改进的直觉模糊推图像融合方法, 将图像的特征参数作为融合参数进行推理, 并介绍了特征参数的提取方法, 且给出了实验与对比, 证明了该方法的有效性。

1 直觉模糊的概念

直觉模糊是从模糊集理论发展而来, 初是目前应用最为广泛的是Zadeh的模糊集理论, 直觉模糊集 (Intuitionistic Fuzzy Sets, IFS) 概念最早由保加利亚学者Atanasov提出的, 该理论是对Zadeh模糊集理论的扩展和补充[1]。定义:设Q是一个给定论域, 则Q上的一个直觉模糊集A为:A={<q, μA (q) , vA (p) >q∈Q}, 其中0≤μA (q) ≤1, 分别是直觉模糊集A的隶属度函数μA (q) 和非隶属度函数vA (q) , 同时满足对于A上的所有q∈Q, 0≤μA (q) +vA (q) ≤1成立。令πA (q) =1-μA (q) -vA (q) 为直觉模糊集A的直觉指数, 用以衡量q对集合A的犹豫程度。由以上定义可知0≤πA (q) [2,3]。

2 引入图像特征的直觉模糊图像融

2.1 未引入图像特征的医学图像融合算法

医学图像融合属于信息融合的一部分, 将多元图像经配准和关联, 按照一定的准则, 在不同层次上进行合成的过程, 称为信息融合。其中医学图像融合则是近些年的研究热点[1]。

在使用直觉模糊推理进行融合的过程中, 非隶属度的加入可帮助更加准确的判定, 例如采用正态隶属度函数, 将隶属度级别划分为3级, 分别是‘Dark’, ‘Normal’, ‘Bright’, 对两幅源图像进行直觉模糊化, 得出每个像素点在3个隶属级别上的隶属度与非隶属度[3,4]。如图1所示, 假设a、b两点在‘Normal’隶属度级别上的隶属度不等, 则融合时取隶属度最大的一个像素点为融合结果;若a、b两点的隶属度均为0.8, 此时则比较两点的非隶属度大小, 可看出, a点处的非隶属度属于‘Dark’级别, 而b点处的非隶属度属于‘Bright’级别, 这便能够判断出b点相比a点的优先级高, 从而得出融合结果[3,4,5]。

2.2 引入图像特征的医学图像融合算法

直觉模糊推理方法对模糊方法进行了补充和改进, 通过实验也可验证该方法在各项指标中均有一定的提升。若当输入的两幅图像同一点的隶属度和非隶属度均相同的时, 应如何处理。针对此问题, 文中提出了引入图像特征的基于直觉模糊推理医学图像融合方法。

图3描述了从模糊发展到直觉模糊推理, 再至新的引入图像特征的直觉模糊推理方法之间的关系[2,3,4,5,6]。图2中清晰地显示出模糊推理、直觉模糊推理以及引入图像特征的融合算法之间的联系与差别。可看出此3种方法之间是层层递进, 后一种方法在前一种方法的基础上, 进行改进和创新, 目的是为了使融合效果更佳, 且融合图像质量更高。

在本次研究中, 采用了灰度特征和平均梯度两种图像特征参数, 引入到直觉模糊推理融合算法中, 以下介绍这两种特征的提取和引入方法。

(1) 灰度特征的提取和引入。对于灰度特征的分析, 从灰度直方图中可知, 灰度直方图的实质是灰度的函数, 其表征是图像中在某一灰度级的像素个数或像素出现频率。将不同灰度值范围的图像像素点个数进行提取, 作为考核该灰度区间的特征值。不同的隶属度区间划分相对不同的灰度区间划分方法, 设隶属度区间个数为n, 灰度区间个数为m, 其之间的关系为

例如当隶属度区间划分为3个时, 其灰度特征区间的划分方式便如图3所示。

(2) 平均梯度特征的提取和引入。另一种方法为平均梯度特征的提取和引入, 提取的方法分几个步骤, 首先是窗口化处理, 以图像中每个点为中心进行3×3的窗口提取, 以每个窗口为单位, 按式 (2) 求出平均梯度值, 并以此作为平均梯度特征引入融合算法。当采用直觉模糊推理算法, 隶属度和非隶属度均相同无法做出判断时, 则引入平均梯度特征值, 再作判断。

3 仿真实验及分析

3.1 算法结果分析

文中实验采用1组CT与MRI医学图像, 待融合图像如下图所示。

待融合的每组图像必须经过配准, 在转换前需进行预处理, 即将8位灰度图像转换为[0, 1]的单位值, 再按照上述方法进行融合处理。下图为3种方法推理融合后的图像。

3.2 实验对比及结果分析

针对融合的图像, 文中采用信息熵 (E) , 峰值信噪比 (PSNR) 以及平均梯度作为图像质量的评价参数, 计算方法如下

信息熵E

峰值信噪比PSNR

平均梯度

表1给出了该组图像分别采用3种不同方法融合后的图像质量参数对比。通过比较, 文中提出的方法明显优于其余2种。

4 结束语

由以上实验和分析可看出, 文中方法对融合结果图像具有一定的改进和提高作用, 新的方法更加详细考虑了图像自身的特征, 为最终的推理提供了依据, 从质量参数的比较中也能看出改进方法更加优越。同时, 该方法也为后续的研究留有空间, 可根据需要采用不同的特征, 从而满足更多针对性的要求。

参考文献

[1]那彦, 焦李成.基于多分辨分析理论的图像融合方法[M].西安:西安电子科技大学出版社, 2007.

[2]ATANASSOV K T.Intuiitionstic fuzzy sets[J].Fuzzy Sets and Systems, 1986, 20 (1) :87-96.

[3]田野, 陈东锋, 雷英杰.基于直觉模糊相似度量的近似推理方法[J].空军工程大学学报:自然科学版, 2007, 8 (6) :50-52.

[4]TENG Jionghua, WANG Suhuan, ZHANG Jingzhou, et al.Fusion algorithm of medical images based on fuzzy logic[C].2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery, 2010:546-550.

[5]张弛, 雷英杰, 蔡茹.基于三角模的直觉模糊综合评判模型[J].计算机工程与应用, 2008, 44 (26) :133-134.

模糊数据融合 第8篇

最早将模糊理论引入图像融合的是加拿大的A Nejatali和IR Ciric[3],随着近年来的发展,基于模糊理论的图像融合算法得到了广泛的研究[4,5],也出现了少量基于直觉模糊理论的图像融合算法[6]。但这些算法只引入了直觉模糊逻辑,算法复杂、不灵活,针对这些问题本文提出一种基于Mamdani型直觉模糊推理的图像融合算法,通过制定合理的融合规则确定直觉模糊推理系统,将待融合图像作为系统输入即可得到融合图像,操作简便、效果良好,通过改变推理规则可完成不同的融合目标。由于直觉模糊集较模糊集更加细腻地描述了客观事物的不确定性,因此基于直觉模糊集的推理系统较传统的模糊推理系统更具优势,推理结果也较好。

1 直觉模糊推理系统

1. 1 直觉模糊集

直觉模糊子集A定义为[2]

其中,μA(x)∶ X→[0,1]和vA(x)∶ X→[0,1]分别代表A的隶属度函数 μA(x)和非隶属度函数vA(x),且对于A上所有x∈X,0≤μA(x) + vA(x)≤1 成立。X上的全体直觉模糊子集记作IF(X)。在不引起混淆的情况下,直觉模糊子集也称为直觉模糊集。

由定义可知,论域X上的直觉模糊子集A由隶属度函数 μA(x)和非隶属度函数vA(x)来表征,μA(x)的大小反映了x对于直觉模糊子集A的隶属程度,而vA(x)反映了x对于直觉模糊子集A的非隶属度程度,二者之和<1。

1. 2 直觉模糊推理系统

直觉模糊推理本质上是一个从输入到输出的映射,并且该映射可以是复杂的非线性映射。实现这一映射的主要机制是一组被称为规则的“if - then”语句,也称为“if - then”规则库,它是整个推理系统的核心。一个简单的“if - then”规则具有如下形式[7]

它表示“如果输入(x)是A,那么输出(y)是B”,它是一种用自然语言描述的输入和输出之间的映射关系。其中A和B是自然语言描述的概念,具有一定的模糊性,在推理时用论域X和论域Y上的直觉模糊集来表示,也可以认为A和B就是直觉模糊集。例如图像灰度“暗”、“正常”、“亮”这3 个模糊概念就可分别用3 个直觉模糊集表示。“if - then”规则描述的输入输出间的关系,称为直觉模糊蕴含关系,记为A→B,用直觉模糊蕴含矩阵R(A→B)(x,y)或R表示,使用直觉模糊蕴含算子计算[8]。

直觉模糊推理的基本原理是已知输入输出间的映射关系(“if - then”规则)和现在的输入“A”,然后计算直觉模糊蕴含矩阵R,再将R与A'做合成运算,即可得到输入A'对应的输出B'。其计算公式表示为

其中,A、A'、B和B'均为由直觉模糊集表示的模糊概念;“·”为合成算子。A'和A虽不同,但却并非完全不同,其之间也较为相似,且系统输出的B'和B也相似,因此直觉模糊推理是一种近似推理。

不难发现,以上介绍的直觉模糊推理其输入输出均为直觉模糊集表示的模糊概念,当系统的输入输出需要为精确值时,就要对系统的精确输入进行直觉模糊化,系统的模糊输出进行解模糊运算。这种输入输出均为精确值的推理系统即为Mamdani型推理系统。

2 基于Mamdani型模糊推理图像融合算法

在图像融合中,图像的研究对象、背景、轮廓、边缘等都是一些模糊信息,对于一个像素点,很难对其进行准确的分类。对于图像中这种不确定信息,直觉模糊集合提供了较好的解决方法,它为每一个像素点提供一对隶属度、非隶属度值来描述其和某一个集合的关系,这样每个像素点可以同时属于多个不同的集合,但它们对集合的隶属程度不同。直觉模糊推理系统针对不同的直觉模糊集合提供不同的融合规则,并根据推理算子和决策算子给出最终的融合结果,使得融合图像更加符合人类的视觉感知,获得更好的融合效果。

2. 1 直觉模糊规则库的设计

本文针对CT、MRI医学灰度图像进行融合,推理系统输出为output,即融合图像。输入输出图像像素点灰度值的取值范围为(0 ~255),按照灰度值由小到大的顺序将其划分为3 个灰度级别:暗(Dark),正常(Normal),亮(Bright)。由于CT、MRI图像的背景灰度值较小,而表示信息的部分灰度值相对较大,为了获得更多的图像信息,本文设定“灰度级别取大”为融合目标(灰度级别Dark < Normal < Bright),并根据融合目标设计推理规则库如下:

规则1If CT is Bright or MRI is Bright,then output is Bright;

规则2If CT is Normal and MRI is Normal,then output is Normal;

规则3 If CT is Normal and MRI is Dark,then output is Normal;

规则4 If CT is Dark and MRI is Normal,then output is Normal;

规则5 If CT is Dark and MRI is Dark,then output is Dark;

将自然语言描述的输入输出映射关系用直觉模糊蕴含矩组[R1,R2,…,R5]阵表示,其计算步骤如下:

第1 步确定输入输出直觉模糊集。本文直觉模糊集的隶属度函数 μ(x)、非隶属度函数v(x)均取三角型函数,即

对于输入图像,3 个灰度级别分别用论域X上的直觉模糊集D、N、B表示,其隶属度函数对应参数a、b、c的值分别为[-0. 4 0 0. 4]、[0. 2 0. 5 0. 8]和[0. 6 1 1. 4];非隶属度函数对应参数a、b、c的值分别为[-0. 4 0 0. 4]、[0. 1 0. 5 1]和[0. 6 1 1. 4]。对于输出图像,3 个灰度级别分别用论域Y上的直觉模糊集D'、N'、B'表示,其隶属度函数对应参数a、b、c的值分别为[- 0. 3 0 0. 3]、[0. 3 0. 5 0. 7]、[0. 7 1 1. 3];非隶属度函数对应参数同隶属度函数。

第2 步规则前件合成运算。本文的推理系统有两个输入,在推理规则中使用连接词“or”或“and”进行连接,逻辑上分别表示两个输入之间“或”和“与”的关系,在推理时为直觉模糊集合间的一种运算,可将两个输入合并为一个输入。设规则i的两个输入合成直觉模糊集Mi,则Mi为

其中,直觉模糊集Ii1=(〈μi1(x),vi1(x)〉| x∈X)为规则i第一个输入对应的直觉模糊集,Ii2=(〈μi2(x),vi2(x)〉| x∈X)为规则i第二个输入对应的直觉模糊集。例如对应规则3,I31= N,I32= D。

第3 步计算直觉模糊蕴含矩阵组。本文选择Mamdani型直觉模糊蕴含算子,则规则i的Mamdani型直觉模糊蕴含矩阵Ri为

其中,“∧”表示取小,“∨”表示取大;Oi=(〈μi(y),vi(y)〉| y∈Y)为规则i输出部分对应的直觉模糊集。例如规则1,O1= B'。

2. 2 图像融合算法的实现

基于Mamdani型直觉模糊推理的图像融合算法流程如图1 所示,将输入的待融合图像中的每个像素点(i,j)作为系统输入,其融合方法步骤为:

第1步根据上一节的步骤确定“if-then”融合规则并计算直觉模糊蕴含矩阵组。

第2步输入CT和MRI图像,进行预处理。

第3步直觉模糊化,本文采用单点直觉模糊化的方法,灰度值为x0的像素点可直觉模糊化为

其中,L取值为直觉模糊集D、N、B。

第4步输入合成运算,将CT、MRI位于(i,j)处的像素对应的直觉模糊集做合成运算,得到一个直觉模糊集作为推理系统的输入,为下一步与蕴含矩阵组的合成运算做准备。

第5步将第4步得到的直觉模糊集与表示规则库的模糊蕴含矩阵组做合成运算,根据式(3)进行推理,得到每条规则的推理结果。本文采用最大-最小合成算法,设已知输入直觉模糊集合A'和直觉模糊蕴含矩阵R,推理输出为直觉模糊集,则的隶属度、非隶属度函数为

第6步综合第5步各条规则的推理结果,得到一个直觉模糊集作为最终输出。

第7步将第6步得到的融合图像中每个像素点(i,j)对应的直觉模糊集进行解模糊计算,得到融合图像中每个像素点(i,j)的灰度值,并最后合成融合图像。

3 仿真实验及分析

使用Matlab2010 对本文提出的算法进行仿真实验,同时对文献[6]中的直觉模糊推理融合算法以及基于Mamdani型模糊推理系统的融合算法进行仿真实验并作为对比方法。待融合医学图像如图2 所示,3种算法的融合结果如图3 所示。使用Matlab计算各融合图像的标准差、均方差、峰值信噪比和信息熵等,作为客观分析融合图像质量及评价融合算法的重要依据。根据文献[9],融合图像的标准差越大,图像像素点的灰度相对于其平均值越离散;均方差越小,融合图像与原图像越接近,融合效果越好;峰值信噪比越大,融合图像的失真越小;信息熵越大,融合图像所包含的信息越丰富。3 种算法融合图像的评价参数如表1所示。

观察图3 中的融合图像可以看到,3 种方法都取得了良好的融合效果,但M型直觉模糊推理算法优于另外两种算法,其融合图片能够看到更多的细节信息,对比度明显,边缘轮廓清晰。

分析表1 中的数据,可知本文提出的算法,除标准差外,融合图像的其他评价参数较另外两种方法均有所提高,说明由本文算法得到的融合图像效果较好,包含了更多的图像信息。由本文算法得到的图像优于基于M模糊推理算法得到的图像,说明直觉模糊集在推理系统中发挥了更大的作用,在处理图像不确定信息时具有更多的优势。基于推理系统的两种融合算法,其融合图像的标准差都有所下降,这是因为推理系统在处理图像的不确定信息时会同时激活每条规则,对同一个输入,对应每条规则都有一个输出,而系统的最终输出是各规则输出的综合。这一过程类似于对输入进行加权平均,必然会降低图像的灰度离散程度。因此,如何减轻推理系统这一缺点对融合图像造成的影响也是未来的研究目标。

4 结束语

模糊数据融合 第9篇

1 模糊多级故障诊断融合结构

模糊集思想是将普通集合中的隶属关系从原来只能取0和1扩充到[0, 1]区间中的任一数值, 因此适合对诊断信息不确定性、片面性进行描述和处理。在化工故障诊断系统中常会同时存在多种诊断资源对同一类或不同类的故障进行诊断。当不同诊断资源各自反馈诊断结果时, 多诊断结果多级模糊故障诊断融合结构如图1所示。

模糊多级融合中心接收多个诊断结果, 首先对不同结果进行特征提取, 每个结果包含2个值, 即PR E_RESULT[i]={result, DA}。Result指在诊断结果中应用常量值, DA指诊断资源的信息集合, DA集合包括如诊断资源ID、诊断资源权重值等。诊断结果特征被提取后, 将所有结果特征值进行模糊多级融合算法处理, 然后将全局融合结果输出, 输出结果也应包含的内容为POS_RESULT[i]={result, p, k}, 其中result是全局融合结果代表特征值, p是融合结果可信度百分比, k指全局融合结果与局部诊断结果相似值。

1.1 融合原理

模糊理论[6]不仅考虑诊断资源各自重要程度, 而且强调各诊断资源间会相互关系、相互制约从而对整个融合结果的影响。模糊理论为多诊断资源结果融合提供一个新途径。具体融合原理如下。

在模糊多级诊断中, 设A={A1, A2, …, Ai}为诊断资源所组成集合, i为故障诊断系统中诊断资源个数, 也就是智能诊断资源和专家诊断资源参与该次诊断个数。各诊断资源对第n种故障的隶属度诊断结果可以记为:Sj (A) ={Sj (A1) , Sj (A2) , …, Sj (Ai) }, 1≤i≤m, 1≤j≤n, 则:

每一行Sj (Ai) 满足归一化条件:

i=1, 2, 3, …, m, 由于各诊断资源诊断能力不同, 所以它们对不同故障诊断都对应一个权重值, 表示该诊断方法在决策时其诊断结果对全局结果影响程度。在这权重主要包括两部分:各诊断资源可信度值R和各诊断资源能力等级G。R={r1, r2, …, rn}T, 0≤ri≤1。它根据以往诊断经验得到, 以后可以根据实际任务诊断准确率来进行相对应变化。设G={g1, g2, …, gm}, 各元素取值范围为{1, 2, 3}, 表示三个诊断等级。则权重集合为:

每行w (Ai) 满足归一化条件:

则模糊诊断融合决策表达式为:

Y中对角元素为融合计算的诊断结果, 对角线以外元素对故障决策不起作用。提取Y中对角线元素作为一级融合诊断结果:

在合成运算中简单采用一种模糊运算, 运算方式不同诊断结果也不同。这会丢失其他因素一些有用信息, 为克服这问题, 将不同模糊运算结果再进行二级模糊融合。通常有以下几种模糊运算模型[7]:

(1) M (∧, ∨) 模型。

(2) M (·, +) 模型。

(3) M (乘幂, ∧) 模型。

(4) M (∧, ⊕) 模型。

按照不同运算模型可得到不同诊断结果为:

用构造全局诊断融合矩阵O:

k为选取的不同运算模型个数。k个不同运算模型比重因子C=[c1, c2, …, ck], 与全局诊断融合矩阵O进行二次模糊变换得到最终多级融合诊断信息D:

为保留各不同运算模型的全部诊断信息, 上式模糊算子“°”采用模型M (·, +) 进行计算。

1.2 权重设计

上文已叙述如何实现模糊多级诊断融合, 在融合需求下, 首要解决问题是如何设计不同诊断资源在诊断中权重问题。诊断资源权重值在系统运行中被不断优化, 权重值大小决定于诊断结果与用户评价共同作用结果。诊断资源特别是专家诊断往往在诊断过程中加入一些主观因素, 权重值设计正好可有效消除主观因素带来的不良影响。设计时, 令所有诊断资源权重值初始化为0.5, 每次诊断结果融合完毕后, 系统会根据输出结果可信度p值和融合结果与诊断资源的局部诊断结果相似度k的大小, 提高或降低诊断资源在该诊断中权重值。为使诊断方法权重值更符合实际使用需求, 在设计对权重值不断修正环节上, 提出评价系统方法。

化工用户根据诊断结果是否能解决化工故障问题, 在客户端上对诊断结果评价, 评价等级分为: (1) 有效解决故障; (2) 部分解决故障; (3) 未能解决故障3个等级。系统根据用户评价等级, 并结合p, k值, 通过推理共同作用于诊断资源权重值。另外, 专家同样可通过查阅历史诊断案例, 对诊断结果进行评价。权重值具体修正过程如图2所示。注意, 权重修正过程增量a, b, u, v, z值大小均由用户在系统中自定义, 对于不同诊断对象, 增量值大小可能会存在一定差异。

1.3 模糊决策

求出最终诊断信息D后, 可按最大隶属、阀值和择近原则等方法进行模糊判决。为提高全局诊断精度, 将最大隶属与阀值原则结合使用的方法:

(1) 诊断故障应具有最大隶属度;2) 诊断故障隶属度应大于设定阀值, 且设定阀值α∈[0, 1], 记d0=max (di) , i=1, 2, …, n。若d0<α, 则“拒绝识别”判决, 说明提供的故障诊断信息不足, 在诊断人员补足信息之后再重新判断;若d0≥α, 则按最大隶属原则判决目标类别。 (2) 目标类别与其它类别隶属度之差必须大于设定阀值γ, 即:

阀值α, γ的确定目前没有统一理论方法, 应用最多的是对系统进行多次实际试验后结合专家经验, 通常是人为参考多次试验结果后进行比较取得。

2 诊断实例

本文对化工过程的油缸模拟故障诊断进行试验研究, 以验证所提方法正确性。设油缸有活塞杆与导套拉伤 (S1) 、液压油含有气泡造成油缸爬行 (S2) 、缸内异物堵塞 (S3) 、密封件损坏变形 (S4) 、油缸上盖开裂 (S5) 、油缸阀座漏油 (S6) 6种故障状态。将这些故障作为故障诊断集S:S={S1, S2, S3, S4, S5, S6}。实验过程中有诊断资源A1, A2, A3参与诊断:A={A1, A2, A3}。各诊断资源可信度权重为:

通过对诊断资源原始数据进行分析计算, 得到六种模拟故障与3个诊断资源间的隶属度值如表1所示。

分别用上述4种运算模型进行模糊一级融合, 根据式 (12) 得出模糊一级融合输出为:

由式 (13) 得全局诊断融合矩阵O为:

设4种运算模型的比重因子为:C=[0.10 0.15 0.350.4 0]。根据式 (14) 进行二次模糊融合诊断信息为:D=C○O=[0.2554 0.4934 0.2597 0.3022 0.2192 0.3969]。根据模糊决策原则, 根据多次试验, 结合专家经验, 设定阈值α=0.45, γ=0.05, 则d0=max (di) =d2=0.4934>0.4500 (i=1, 2, …, 6) ;d2-di>0.0500 (i≠2) 。由此得出最终诊断结果为故障S2, 液压油含有气泡造成的油缸爬行故障。

3 结语

传统模糊诊断融合常用模型M (·, +) 运算。分析局部诊断信息, 若以最大隶属度原则决策, 则误判为故障S6;若以阈值α=0.45, γ=0.05与最大隶属度结合原则决策, 则无法判断故障类型。本文提出的模糊多级诊断融合的方法得出的诊断信息D, 无论采用最大隶属度原则还是阈值α=0.45, γ=0.05与最大隶属度结合原则决策融合, 均能准确判断出实际故障S2, 使诊断鲁棒可靠性得到提高, 同时根据模糊融合方法需求提出评价系统对权重值进行修正。

摘要：为提高化工故障诊断的可靠性, 文章提出一种基于模糊多级融合的故障诊断方法, 在传统模糊信息融合故障诊断的基础上, 将各诊断方法的局部诊断结果重新融合后再进行系统的全局故障诊断, 同时根据模糊融合方法的实现需求提出评价系统, 对权重值进行修正, 从而提高故障诊断的快速性与准确性。通过实例分析表明该诊断模型的可行性。

关键词：化工故障,模糊融合,故障诊断

参考文献

[1]CHANG S Y, CHANG C T.A fuzzy-logic based fault diagnosis strategy for process control loops[J].Chemical Engineering Science, 2003 (15) :3395-3411.

[2]朱大奇, 刘永安.故障诊断的信息融合方法[J].控制与决策, 2007 (12) :1321-1328.

[3]朱大奇, 于盛林, 田裕鹏.应用模糊数据融合实现电子电路的故障诊断[J].小型微型计算机系统, 2002 (5) :633-635.

[4]刘莉, 任文举.模糊信息融合在无损检测技术中的应用研究[J].机械工程与自动化, 2006 (3) :73-77.

[5]杨广, 吴晓平.基于模糊信息融合的船舶动力装置综合故障诊断方法研究[J].船舶工程, 2007 (6) :5-8.

[6]Keller JM, Osbom J.T raining the Fuzzy Integral[J].International Journal of Approximation Reasoning, 1996 (1) :1-24.