前言：中文期刊網(wǎng)精心挑選了模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文供你參考和學(xué)習(xí)，希望我們的參考范文能激發(fā)你的文章創(chuàng)作靈感，歡迎閱讀。
模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文1
關(guān)鍵詞：模擬電路；故障診斷；模糊數(shù)學(xué)；bp網(wǎng)絡(luò)；模糊bp網(wǎng)絡(luò)
0引言
電路故障是指在規(guī)定的條件下，電路工作時(shí)它的一個(gè)或幾個(gè)性能參數(shù)不能保持在要求的上、下限之間，其結(jié)構(gòu)、組件、元器件等出現(xiàn)性能減退、老化、破損、斷裂、擊穿等現(xiàn)象，喪失了在規(guī)定條件和環(huán)境下完成所需功能的能力。
長(zhǎng)期以來，學(xué)界對(duì)模擬電路工作特點(diǎn)的研究已相當(dāng)深入，但對(duì)于故障診斷方法的研究卻困難較大，這是由于模擬電路本身的特性決定的：1）輸入激勵(lì)和輸出響應(yīng)都是連續(xù)量，模擬電路中的故障模型復(fù)雜，量化難度大；2）模擬電路信號(hào)量程寬，不管電壓、電流的量程還是頻率都可達(dá)十幾個(gè)數(shù)量級(jí)，測(cè)量難度大；3）模擬電路中的元器件參數(shù)具有容差，導(dǎo)致電路的故障狀態(tài)的模糊性，而無法準(zhǔn)確定位；4）模擬電路中存在廣泛的反饋回路和非線性問題，使計(jì)算的難度更加復(fù)雜。因此，學(xué)界提出了許多模型和方法來完成對(duì)某些符合特定條件的模擬電路的故障診斷。其中神經(jīng)網(wǎng)絡(luò)法的使用就相當(dāng)普遍，在硬和軟故障診斷中都有應(yīng)用，因?yàn)樯窠?jīng)網(wǎng)絡(luò)的技術(shù)優(yōu)勢(shì)針對(duì)模擬電路故障診斷有較好的適用性，這主要體現(xiàn)在：1）神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行處理特點(diǎn)，大大提高了診斷效率；2）自適應(yīng)與自組織能力使神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)和訓(xùn)練中改變權(quán)重值，發(fā)展出新的功能。同時(shí)，模糊數(shù)學(xué)也與神經(jīng)網(wǎng)絡(luò)相結(jié)合，這是利用了模糊數(shù)學(xué)對(duì)待診斷模擬元器件的故障不確定性進(jìn)行量化處理，能夠有效克服模擬電路元器件因?yàn)槿莶?、非線性及噪聲造成的電路參數(shù)模糊性。
本文的研究目的就是分別利用單純bp神經(jīng)網(wǎng)絡(luò)和模糊bp神經(jīng)網(wǎng)絡(luò)的方法建立模擬電路故障診斷模型，利用電路仿真收集電路不同工作狀態(tài)下的關(guān)鍵點(diǎn)電壓，代入診斷模型并得到診斷結(jié)果。根據(jù)各網(wǎng)絡(luò)的結(jié)果分析比較各診斷模型的優(yōu)缺點(diǎn)，找出模糊數(shù)學(xué)對(duì)改進(jìn)模擬電路故障診斷模型的具體表現(xiàn)。
1模糊神經(jīng)網(wǎng)絡(luò)的故障診斷模型
1.1典型模糊神經(jīng)網(wǎng)絡(luò)診斷模型介紹
圖1顯示的是一個(gè)典型的模糊神經(jīng)網(wǎng)絡(luò)模型，該模型由原始知識(shí)獲?。╢undamental knowledge acquire,fka）、特征參數(shù)處理（characteristic parameter produce,cdp）、知識(shí)提取（knowledge extracted,ke）、經(jīng)驗(yàn)知識(shí)庫（experience knowledge base,ekb）、學(xué)習(xí)樣本集（learning sample set,lss）和模糊神經(jīng)網(wǎng)絡(luò)（fuzzy neural networks,fnn）共6個(gè)模塊共同組成，其工作流程是：
圖1 典型模糊神經(jīng)網(wǎng)絡(luò)診斷模型
1）原始知識(shí)獲取模塊通過對(duì)電路工作原理進(jìn)行分析，模擬或仿真各類故障發(fā)生時(shí)輸入和輸出參數(shù)，從而獲取原始知識(shí)（x，y），將其傳入知識(shí)提取模塊中供系統(tǒng)學(xué)習(xí)，所得經(jīng)驗(yàn)集存入經(jīng)驗(yàn)知識(shí)庫中；
2）將原始知識(shí)和已經(jīng)存放在經(jīng)驗(yàn)知識(shí)庫中的經(jīng)驗(yàn)知識(shí)（初始庫可為空）一起輸入學(xué)習(xí)樣本組織模塊中，進(jìn)行學(xué)習(xí)樣本的構(gòu)建，合成訓(xùn)練樣本集為（x1，y1）；
3）將（x1，y1）輸入到模糊神經(jīng)網(wǎng)絡(luò)模塊，學(xué)習(xí)訓(xùn)練，并在達(dá)到指定精度后停止；
4）將從模擬電路中獲得的實(shí)測(cè)參數(shù)xc輸入至特征參數(shù)提取模塊中，完成數(shù)據(jù)分析和處理，輸出特征參數(shù)數(shù)據(jù)xc'；
5）將特征參數(shù)數(shù)據(jù)輸入到學(xué)習(xí)收斂后的模糊神經(jīng)網(wǎng)絡(luò)中，進(jìn)行診斷推理，得出診斷結(jié)果yc'；
6）將得到的實(shí)測(cè)數(shù)據(jù)集（xc'，yc'）輸入學(xué)習(xí)樣本組織模塊，動(dòng)態(tài)增強(qiáng)模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力；
7）將得到的實(shí)測(cè)數(shù)據(jù)集（xc'，yc'）輸入知識(shí)提取模塊，進(jìn)行分析和處理，如能提取出經(jīng)驗(yàn)知識(shí)，則歸入經(jīng)驗(yàn)知識(shí)庫中[1]。
1.2模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)應(yīng)該包括4層，如圖2所示。
模糊層的作用是將輸入量進(jìn)行模糊化。每一個(gè)模糊層節(jié)點(diǎn)對(duì)應(yīng)一個(gè)該論域中的模糊子集和隸屬函數(shù)。該層接收精確數(shù)值輸入，經(jīng)過模糊化計(jì)算得出對(duì)應(yīng)的隸屬度并輸出。
圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
輸入層、隱含層和輸出層共同構(gòu)成一個(gè)完整的神經(jīng)網(wǎng)絡(luò)。輸入層不具有運(yùn)算功能，它只是將所感知的輸入值精確傳遞到神經(jīng)網(wǎng)絡(luò)中；隱含層的作用相當(dāng)于特征檢測(cè)器，提取輸入模式中包含的有效特征信息，使輸出層所處理的模式是線性可分的，該層節(jié)點(diǎn)是模糊神經(jīng)元，與輸入層間的連接權(quán)值是隨機(jī)設(shè)定的固定值；輸出層節(jié)點(diǎn)也是模糊神經(jīng)元，與隱含層之間采用全連接方式，其連接權(quán)值是可調(diào)的，作用是輸出用模糊量表示的結(jié)果[2]。
1.3輸入層、輸出層和隱含層節(jié)點(diǎn)數(shù)確定
輸入層的個(gè)數(shù)代表了電路故障診斷的關(guān)鍵測(cè)試點(diǎn)的個(gè)數(shù)n1，輸出點(diǎn)為電路所具有的潛在故障模式種類數(shù)n3。
根據(jù)輸入層和輸出層的個(gè)數(shù)，隱含層節(jié)點(diǎn)數(shù)n2的確定有以下4種經(jīng)驗(yàn)公式[3]：
（1）
（為0～10之間的常數(shù)）（2）
（為0～10之間的常數(shù)）（3）
（4）
2模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)的算法介紹
2.1模糊數(shù)學(xué)和隸屬度函數(shù)
模糊數(shù)學(xué)的作用是對(duì)測(cè)試點(diǎn)測(cè)得的電壓信號(hào)進(jìn)行特征提取——模糊化處理。因?yàn)樵谀M電路測(cè)試中，參數(shù)值會(huì)隨著故障原因的不同和故障階段不同而發(fā)生變化，所以在進(jìn)行數(shù)據(jù)處理時(shí)常用方法是使用精確事實(shí)規(guī)則。即用正態(tài)分布函數(shù)作為隸屬度函數(shù)表示“大約為a”的模糊概念，此外還有如三角分布和梯形分布等[4]。在使用中，正態(tài)分布使用較多，其中的a是該測(cè)試點(diǎn)的理想狀態(tài)工作點(diǎn)，b為該測(cè)試點(diǎn)在各種可能狀態(tài)下的工作電壓均方差。
2.2bp神經(jīng)網(wǎng)絡(luò)與算法
圖3bp神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖
反向傳播網(wǎng)絡(luò)（back-propagation network，簡(jiǎn)稱bp網(wǎng)絡(luò)），是一種有隱含層的多層前饋網(wǎng)絡(luò)。每一層均有一個(gè)或多個(gè)神經(jīng)元節(jié)點(diǎn)，信息從輸入層依次經(jīng)各隱含層向輸出層傳遞，層間的連接關(guān)系強(qiáng)弱由連接權(quán)值w來表征。bp算法是一種監(jiān)督的學(xué)習(xí)，基本原理是梯度最速下降法，中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。通過連續(xù)不斷地在相對(duì)于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差值的變化而逐漸逼近目標(biāo)的。每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)的誤差的影響成正比，并以反向傳播的方式傳遞到每一層。bp網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。
以bp神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖為例進(jìn)行bp算法推導(dǎo)，其輸入為p，輸入神經(jīng)元有r個(gè)，隱含層內(nèi)有s1個(gè)神經(jīng)元，激活函數(shù)為f1，輸入層內(nèi)有s2個(gè)神經(jīng)元，對(duì)應(yīng)的激活函數(shù)為f2，輸出為a，目標(biāo)矢量為t。
1）隱含層輸出：（i=1,2,…,s1）（5）
2）輸出層輸出： （k=1,2,…,s2） （6）
3）定義誤差函數(shù)：（7）
4）輸入層的權(quán)值變化量：（8）
其中：
同理可得：（9）
5）隱含層權(quán)值變化有： （10）
其中：
同理： （11）
bp網(wǎng)絡(luò)經(jīng)常使用的是s型的對(duì)數(shù)、正切激活函數(shù)或線性函數(shù)[5]。
3電路故障診斷算法驗(yàn)證
圖4 共集-共射電路的直流通路圖
例：如圖4所示的直流通路圖，電阻的標(biāo)稱值如圖中所注。利用multism軟件在直流狀態(tài)下進(jìn)行多次monte carlo分析仿真該電路[6]，并考慮電阻的容差影響，取40個(gè)樣本作為模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，另取5個(gè)樣本為測(cè)試樣本。設(shè)電阻r1～r5的容差值為-5%～5%。測(cè)試點(diǎn)選為a、b、c、d和e五點(diǎn)，所測(cè)電壓值為va、vb、vc、vd和ve。
表1 部分電路實(shí)驗(yàn)樣本原始數(shù)據(jù)
表2 測(cè)試樣本原始數(shù)據(jù)
表1列舉了40組電路實(shí)驗(yàn)樣本原始數(shù)據(jù)的11組，包含了該電路在11種工作狀態(tài)下的五個(gè)關(guān)鍵點(diǎn)電壓值，所以n1=5，n2=11，隱含層的節(jié)點(diǎn)數(shù)可以依據(jù)公式2.3確定為12個(gè)，其中a為5。
表2則列舉了5組測(cè)試樣本的原始數(shù)據(jù)。
步驟一：數(shù)據(jù)模糊化
根據(jù)用正態(tài)分布函數(shù)作為隸屬度函數(shù)表示“大約為a”模糊概念的思路，可以分別得到各測(cè)試點(diǎn)上電壓隸屬度函數(shù)的參數(shù)值。
a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。
由各測(cè)試點(diǎn)的隸屬度函數(shù)可得到網(wǎng)絡(luò)的訓(xùn)練樣本見表3。
表3 神經(jīng)網(wǎng)絡(luò)部分輸入、輸出訓(xùn)練樣本
步驟二：將訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練
將全部40個(gè)原始值和模糊化值的輸入樣本和對(duì)應(yīng)的輸出樣本分別輸入bp神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。
步驟三：將測(cè)試樣本輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)
將全部5個(gè)原始值和模糊化值的輸入樣本和對(duì)應(yīng)的輸出樣本分別輸入已經(jīng)訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)中，輸出診斷結(jié)果見表4。
表4 輸出診斷結(jié)果
表4中的數(shù)據(jù)是經(jīng)過故障診斷后得到的結(jié)果，在此只是各隨機(jī)選用了一組數(shù)據(jù)加以比較說明。通過對(duì)故障診斷的試驗(yàn)觀察和結(jié)果的比較可以作出以下分析。
1）模糊化數(shù)據(jù)能夠有效減少神經(jīng)網(wǎng)絡(luò)的收斂次數(shù)。如在bp網(wǎng)絡(luò)診斷中，使用模糊化數(shù)據(jù)的迭代次數(shù)由886減少到263次，收斂速度明顯加快；
2）模糊化數(shù)據(jù)能夠有效提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。通過表4中數(shù)據(jù)的對(duì)比可以發(fā)現(xiàn)對(duì)于相同的神經(jīng)網(wǎng)絡(luò)，經(jīng)過模糊化數(shù)據(jù)的訓(xùn)練，其準(zhǔn)確性更高。這主要表現(xiàn)在電路所對(duì)應(yīng)的狀態(tài)結(jié)果普遍高于未經(jīng)模糊化數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)得出的結(jié)果；同時(shí)，其他狀態(tài)對(duì)應(yīng)的機(jī)率更低，皆低于0.1，且更多值為0，說明數(shù)據(jù)模糊化能使神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果更集中，正確率更高，有效性更加明顯。
4結(jié)論
通過分別采用bp網(wǎng)絡(luò)和模糊bp網(wǎng)絡(luò)建立了電路故障診斷模型，對(duì)電路相同工作狀態(tài)參數(shù)的診斷結(jié)果進(jìn)行比較，得出了模糊數(shù)學(xué)對(duì)提高電路故障診斷模型精度和有效性效果明顯的結(jié)論。模糊數(shù)學(xué)和神經(jīng)網(wǎng)路理論的組合有效地提高了模擬電路故障診斷模型的收斂速度，提高了故障診斷的工作效率，還提高了診斷的準(zhǔn)確性，有效性得到了充分顯示。
參考文獻(xiàn)：
[1] 呂律,魏蛟龍.基于模糊神經(jīng)網(wǎng)絡(luò)的板級(jí)電路故障診斷研究[j].計(jì)算機(jī)與數(shù)字工程,2003（3）:21-23.
[2] 李國(guó)勇.智能預(yù)測(cè)控制及其matlab實(shí)現(xiàn)[m].北京:電子工業(yè)出版社，2010.
[3] matlab中文論壇.matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[m].北京:北京航空航天大學(xué)出版社,2010.
[4] 朱大奇.電子設(shè)備故障診斷原理與實(shí)踐[m].北京:電子工業(yè)出版社，2004.
模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文2
關(guān)鍵詞：電力系統(tǒng)；小電流；接地；選線
前言
小電流接地系統(tǒng)發(fā)生單相接地故障時(shí)其線電壓仍對(duì)稱，不影響對(duì)用戶供電，故不必立即分?jǐn)喙收暇€路，提高了供電可靠性，所以，在我國(guó)中壓配電網(wǎng)一般都采用小電流接地方式。但小電流接地系統(tǒng)單相接地故障時(shí)電流小，故障選線困難，通過詳細(xì)分析現(xiàn)有單相接地故障選線方法的優(yōu)缺點(diǎn)，可得出一些基于故障產(chǎn)生的穩(wěn)態(tài)信號(hào)選線方法受故障電流微弱、電弧不穩(wěn)定等影響，實(shí)際使用效果并不理想；一些基于故障暫態(tài)信號(hào)的選線方法，易受電流互感器采樣精度、不平衡電流以及電網(wǎng)運(yùn)行方式影響大?？偨Y(jié)了當(dāng)前選線方法和進(jìn)一步研究的方向。
1各種選線方法優(yōu)缺點(diǎn)分析
1.1基于穩(wěn)態(tài)分量的選線方法
1.1.1基波零序電流比幅法
零序電流比幅法利用的是流過故障元件的零序電流在數(shù)值上等于所有非故障元件的對(duì)地電容電流之和，即故障線路上的零序電流最大，所以只要通過比較零序電流幅值大小就可以找出故障線路。但這種方法受CT不平衡、線路長(zhǎng)度按、出線多少、系統(tǒng)運(yùn)行方式及過渡
電阻大小的影響，不適用于經(jīng)消弧線圈接地的系統(tǒng)。
1.1.2基波零序電流相對(duì)相位法
零序電流相對(duì)相位法利用故障線路零序電流與非故障線路零序電流流動(dòng)方向相反的特點(diǎn)，找出故障線路。但是，此法在故障點(diǎn)離互感器較遠(yuǎn)，零序電壓較小且線路較短，電流較小時(shí)，相位判斷困難，且受CT不平衡電流、過渡電阻大小、繼電器工作電壓死區(qū)及系統(tǒng)運(yùn)行方式的影響，易誤判，并對(duì)中性點(diǎn)經(jīng)消弧線圈接地系統(tǒng)失效。
1.1.3群體比幅比相法
其基本原理是：先進(jìn)行故障線路零序電流幅值比較，排隊(duì)后去掉了幅值小的電流。然后在此基礎(chǔ)上進(jìn)行相位比較，選出方向與其他不同的，即為故障線路。但是由于噪聲、干擾等影響，所采集到的零序電流無論幅值還是相角均有可能不滿足上述關(guān)系，不可避免出現(xiàn)誤判、漏判，同時(shí)還受到CT不平衡及過渡電阻大小的影響，以及存在相位判斷死區(qū)。
1.1.4五次諧波分量法
發(fā)生單相接地故障時(shí)，故障電流中存在的諧波信號(hào)以5次諧波為主。由于消弧線圈是按照基波整定的，因此可忽略消弧線圈對(duì)5次諧波產(chǎn)生的補(bǔ)償效果，再利用5次諧波電容電流群體比幅比相法，就可以解決經(jīng)消弧線圈接地系統(tǒng)的選線問題。但故障電流中5次諧波含量較?。ㄐ∮诠收想娏?0%），且受CT不平衡電流和過渡電阻的影響，選線的準(zhǔn)確度也不是很穩(wěn)定。
1.1.5有功分量法
其原理是利用自動(dòng)補(bǔ)償電網(wǎng)中消弧線圈上并聯(lián)或串聯(lián)阻尼電阻的特點(diǎn)，在發(fā)生接地故障后，電阻產(chǎn)生的有功分量只流過故障線路，且其方向與非故障線路的零序有功漏電流方向相反，在數(shù)值上故障線路的有功電流比非故障線路的有功電流大，據(jù)此，只要以零序電壓作為
參考向量，將此有功電流取出，就可以方便地實(shí)現(xiàn)接地選線保護(hù)。該方法不僅受消弧線圈串聯(lián)或并聯(lián)的電阻的影響，同時(shí)也受接地電阻和CT不平衡的影響。
1.1.6基于負(fù)序電流的選線方法
當(dāng)電網(wǎng)中發(fā)生單相接地故障時(shí)，基波負(fù)序電流分量與中性點(diǎn)接地方式無關(guān)，故障線路基波負(fù)序電流分量的有效值，與所有非故障線路者相比，前者不僅數(shù)值最大，而且比后者高出許多，同時(shí)故障與非故障線路的負(fù)序電流分量的相位相反據(jù)此可構(gòu)成選線判據(jù)。但負(fù)序信號(hào)獲取困難且易受負(fù)荷變化的影響。
1.2基于暫態(tài)分量的選線方法
1.2.1首半波法
首半波法是基于接地故障發(fā)生在相電壓接近最大值瞬間這一假設(shè)。用故障線路中故障后暫態(tài)零序電流第一個(gè)周期的首半波與非故障線路相反的特點(diǎn)實(shí)現(xiàn)選線。但該原理不能反映相電壓較低時(shí)的接地故障，且受接地過渡電阻影響較大，同時(shí)也存在工作死區(qū)。
1.2.2暫態(tài)能量法
暫態(tài)能量法是對(duì)系統(tǒng)故障后的全部過程均以能量的觀點(diǎn)來解釋的選線方法，定圈的零序能量函數(shù)，考慮到電流的參考方向，非故障線路的能量總是大于零，故障線路的能量函數(shù)總是小于零，并且其絕對(duì)值等于其它線路（包括消弧線圈）的能量的總和，根據(jù)能量函數(shù)的上
述特征可以構(gòu)成選線方法。
1.2.3小波分析法
單相接地故障發(fā)生后，故障電壓和電流的暫態(tài)過程持續(xù)時(shí)間短，并含有豐富的特征信息，且比穩(wěn)態(tài)值大，因此選擇合適的分析方法分析暫態(tài)信號(hào)，將有利于故障選線。小波變換具有時(shí)頻同時(shí)局部化的特點(diǎn)，能夠很好地提取故障暫態(tài)特征。利用小波變換的多分辨率分析將暫態(tài)信號(hào)分解到特定的頻率空間后，根據(jù)故障線路上暫態(tài)零序電流特征分量的幅值高于非故障線路，且其特征分量的相位也與非故障線路相反的特點(diǎn)構(gòu)成選線判據(jù)。但此方法受過渡電阻、干擾信號(hào)對(duì)突變信號(hào)干擾影響較大，故離實(shí)際應(yīng)用還有一定距離。
1.2.4基于方向行波的選線方法
利用故障線路的方向電壓行波和正向電壓行波同時(shí)到達(dá)，而非故障線路的反向電壓行波滯后正向電壓行波一定時(shí)間后到達(dá)，并且故障線路和非故障線路正向電壓行波的初始極性相反，利用這兩個(gè)特征來選擇故障線路，此方法不受運(yùn)行方式、過渡電阻以及故障初相角影響。但受線路長(zhǎng)短和故障點(diǎn)遠(yuǎn)近影響。
1.2.5基于粗集理論的選線方法
發(fā)生單相接地故障后，通過電流互感器采樣得到的暫態(tài)零序電流能量損失較大，使基于小波包的選線方法可靠性大為降低，為了提高小波包選線的準(zhǔn)確性，提出了一種基于粗集理論的改進(jìn)故障選線方法。將提取的暫態(tài)零序電流故障特征作為條件屬性，信號(hào)增強(qiáng)倍數(shù)作為
決策屬性，構(gòu)成一個(gè)決策系統(tǒng)。通過對(duì)決策表的約簡(jiǎn)，得到?jīng)Q策系統(tǒng)的最小決策算法，從而實(shí)現(xiàn)信號(hào)增強(qiáng)。再利用小波包變換對(duì)增強(qiáng)的信
號(hào)分解，實(shí)現(xiàn)故障選線。該方法從一定程度上減小了CT不平衡對(duì)選線造成的影響，但仍然受接地電阻的影響，特別是小波分析對(duì)突變信號(hào)很敏感，抗干擾能力不太強(qiáng)，經(jīng)過粗集理論將信號(hào)增強(qiáng)，無疑也增加了干擾信號(hào)的強(qiáng)度。
1.3.1模糊神經(jīng)網(wǎng)絡(luò)法
模糊神經(jīng)網(wǎng)絡(luò)具有模糊信息處理能力，采用相對(duì)成熟的零序電流群體比幅比相法和能量函數(shù)法的結(jié)合，對(duì)其作算法上的改進(jìn)并取得樣本，通過模糊神經(jīng)網(wǎng)絡(luò)中的極大一極小神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用多層訓(xùn)練的收斂結(jié)果作為選線的判據(jù)。這種方法對(duì)電網(wǎng)結(jié)構(gòu)和系統(tǒng)運(yùn)行方式?jīng)]有依賴性，而且比較特征量明顯，選線準(zhǔn)確率高。
1.3.2模式識(shí)別和多層前潰神經(jīng)網(wǎng)絡(luò)法
采用統(tǒng)計(jì)模式識(shí)別中基于最小錯(cuò)誤的貝葉斯決策方法和人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行選線。這種方法將故障后各線路零序電流看作某類故障的一個(gè)模式，通過人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)來判斷故障模式，實(shí)現(xiàn)故障選線。
1.3.3基于D-S證據(jù)理論的選線方法
其采用D-S理論，針對(duì)故障選線的具體特點(diǎn)，合理構(gòu)造了選線識(shí)別框架分配函數(shù)，將故障選線問題轉(zhuǎn)化為證據(jù)理論模型給出證據(jù)組合的選線判定原則，制定基于信息融合的綜合選線策略，其充分利用單相接地故障的互補(bǔ)信息來提高選線的準(zhǔn)確性。
1.4其它選線方法
1.4.1電流信號(hào)注入法
借助電壓互感器空閑狀態(tài)的接地相，向電力系統(tǒng)注入一個(gè)特殊波形的電流信號(hào)，其頻率可取在各次諧波之間，由于系統(tǒng)發(fā)生單相接地故障時(shí)，被注入信號(hào)僅在接地相的線路中流通，非接地相的線路中沒有信號(hào)，故只要檢測(cè)各線路中有無注入信號(hào)電流，便可進(jìn)行故障選線。對(duì)于注入法高阻接地時(shí)存在的問題，提出了注入變頻信號(hào)的方法，其原理是考慮故障后位移電壓大小的不同，而選擇向消弧線圈電壓互感器注入諧振頻率恒流信號(hào)還是向故障相電壓互感器副邊注入頻率為70Hz的恒流信號(hào)，然后監(jiān)視各出線上注入信號(hào)產(chǎn)生的零序電流功角、阻尼率的大小，再計(jì)及線路受潮及絕緣老化等因素可得出選線判據(jù)。
1.4.2殘流增量法
在電網(wǎng)發(fā)生單相永久接地故障的情況下，若增大消弧線圈的失諧度（或改變限壓電阻的阻值），則只有故障線路中的零序電流會(huì)隨之改變，因此只要對(duì)失諧度變化前、后各條饋線的零序電流進(jìn)行實(shí)時(shí)采集，對(duì)比找出殘余電流明顯變化的饋線，便可確定為故障線路。
1.4.3基于最大原理的選線方法
最大初原理是把所有線路故障前、后的零序電流都投影到故障線路零序電流方向上，計(jì)算出各線路故障前、后的投影值之差，然后找出差值的最大值，即最大。顯然，當(dāng)差值的最大值大于零時(shí)，對(duì)應(yīng)的線路為故障線路。這種方法的本質(zhì)是尋求最大零序無功功率突變量的代數(shù)值，從理論上基本消除了不平衡的影響，但也有兩個(gè)缺陷，計(jì)算過程中需選取一個(gè)中間參考正弦信號(hào)。如果該信號(hào)出現(xiàn)問題，如發(fā)生斷線、交流電源失壓等，將造成該算法失效。此外，這種算法在計(jì)算過程中需求出有關(guān)向量的相位關(guān)系，計(jì)算量很大。
2尚需解決的問題
2.1選線方法大部分都受到電流互感器不平衡、采樣精度低、甚至轉(zhuǎn)換時(shí)間的影響，所以應(yīng)加強(qiáng)互感器優(yōu)化的研究，充分利用新材料，新工藝，利用新原理。盡可能地減小其對(duì)信號(hào)的影響。
2.2短路故障時(shí)存在過渡阻抗，并且過渡阻抗在不同短路情況下（長(zhǎng)久性故障、瞬時(shí)性故障），過渡阻抗大小差別很大，因受其變動(dòng)影響，一些選線方法的可靠性變換很大，所以需要我們的選線方法能夠較小或避免過渡阻抗對(duì)其的影響。
2.3中性點(diǎn)運(yùn)行方式和線路長(zhǎng)短即電網(wǎng)參數(shù)變化，也會(huì)影響到一些選線方法的適用范圍，隨著我國(guó)配電網(wǎng)自動(dòng)化水平的提高，中性點(diǎn)采用自適應(yīng)接地方式也有可能，所以選線的原理和方法應(yīng)能適應(yīng)電網(wǎng)參數(shù)變化，提高選線正確率。
3 結(jié)束語
通過對(duì)現(xiàn)有單相故障選線方法的綜合分析，可得出單相基地故障復(fù)雜性與選線方法單一性，故障信號(hào)信息的多樣性與利用量低之間的矛盾，為解決這兩個(gè)矛盾，需要加強(qiáng)對(duì)小電流接地方式的穩(wěn)態(tài)和暫態(tài)分析，充分利用其故障信號(hào)中的信息，采用綜合的選線原理或選線方法，提取其有效的特征量，提高其故障選線的可靠性。由電力系統(tǒng)本身的特性所決定，每一種方法都有其自身的局限性，不能夠通用于各種運(yùn)
模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文3
關(guān)鍵詞：主成分分析法；農(nóng)村生活飲用水；水質(zhì)評(píng)價(jià)
中圖分類號(hào)：R123文獻(xiàn)標(biāo)志碼：A文章編號(hào)：
1672-1683（2015）001-0047-03
Application of principal component analysis in evaluating water quality in rural area
XIANG Hong1，CHEN Gang1，KAI Jin-xiang2.MO Kui3
（1.Guizhou Provincial Center for Disease Control and Prevention，Guiyang 550004，China；2.Qianxian Center for Disease Control and Prevention，Xingyi 562400，China；3.Zhenfeng Center for Disease Control and Prevention，Zhenfeng 562200，China）
Abstract：Taking the monitoring county （Zhenfeng） of rural drinking water quality as an example，principal component analysis was used to have a comprehensive evaluation on drinking water quality of the monitoring points.The results that the primary problems of water quality in the monitoring points were microbial and organic pollution.The water quality of Xintun village was the poorer than the others.However，the water quality of Fenshuiling village was better than the others.The analysis results were consistent with actual situations.The principal component analysis reflects the main information of the original indicators by less aggregative indicators and is suitable for comprehensive evaluation of the rural drinking water quality.
Key words：principal component analysis；rural drinking water；evaluation of water quality
農(nóng)村飲水安全是廣大農(nóng)村居民最關(guān)心現(xiàn)實(shí)的問題，同時(shí)也是農(nóng)村居民生活狀況改善的重要標(biāo)志。近年來農(nóng)村集中式供水工程建設(shè)加快，為保障農(nóng)村飲用水安全打下了很好的基礎(chǔ)[1]。然而農(nóng)村飲用水監(jiān)測(cè)顯示[2-3]，由于集中式供水工程存在處理工藝不夠完善、運(yùn)行管理不夠規(guī)范等問題，同時(shí)對(duì)水源未實(shí)施有效的保護(hù)，水源水受到不同程度的污染，致使農(nóng)村飲用水水質(zhì)衛(wèi)生仍存在較大安全隱患。目前針對(duì)農(nóng)村生活飲用水水質(zhì)評(píng)價(jià)常用單項(xiàng)水質(zhì)指標(biāo)的合格率來描述，該方法能了解主要污染物，但不能全面評(píng)價(jià)水質(zhì)。同時(shí)水質(zhì)是由多因子構(gòu)成的復(fù)雜系統(tǒng)，這種方法不能反映多個(gè)指標(biāo)的綜合作用，結(jié)論具有片面性[4]。主成分分析是從多個(gè)指標(biāo)之間的相互關(guān)系著手，將多個(gè)指標(biāo)化為少數(shù)幾個(gè)不相關(guān)的綜合指標(biāo)的多元統(tǒng)計(jì)方法。本文通過主成分分析法探討農(nóng)村飲水安全工程水質(zhì)監(jiān)測(cè)點(diǎn)水質(zhì)質(zhì)量的綜合評(píng)價(jià)，為監(jiān)測(cè)點(diǎn)生活飲用水水質(zhì)衛(wèi)生質(zhì)量改善提供依據(jù)。
1對(duì)象與方法
1.1對(duì)象
以貞豐縣2011 年農(nóng)村飲用水監(jiān)測(cè)點(diǎn)為研究對(duì)象，共有10個(gè)監(jiān)測(cè)點(diǎn)，涉及6個(gè)鄉(xiāng)10個(gè)村。
1.2方法
1.2.1水質(zhì)監(jiān)測(cè)
監(jiān)測(cè)點(diǎn)水質(zhì)檢測(cè)指標(biāo)包括感官性狀和一般化學(xué)指標(biāo)（色度、渾濁度、臭和味、肉眼可見物、pH、鐵、錳、氯化物、硫酸鹽、溶解性總固物、總硬度、耗氧量、氨氮）、毒理學(xué)指標(biāo)（氟化物、砷、硝酸鹽）、細(xì)菌學(xué)指標(biāo)（菌落總數(shù)、總大腸菌群）。按照《生活飲用水衛(wèi)生標(biāo)準(zhǔn)》GB/T 5749-2006評(píng)價(jià)出渾濁度、錳、耗氧量、氨氮、硝酸鹽、菌落總數(shù)和總大腸菌群等7項(xiàng)指標(biāo)有的超標(biāo)情況，然后針對(duì)這7項(xiàng)指標(biāo)應(yīng)用主成分分析法進(jìn)行監(jiān)測(cè)點(diǎn)水質(zhì)的綜合評(píng)價(jià)。
1.2.2主成分分析評(píng)價(jià)
主成分分析法是通過降維處理，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)的多元統(tǒng)計(jì)分析方法。假設(shè)有n個(gè)被評(píng)價(jià)的水樣，每個(gè)水樣有m個(gè)指標(biāo)，原始數(shù)據(jù)為n×m階矩陣（Xij）n×m。評(píng)價(jià)的基本步驟如下。
（1）對(duì)原始數(shù)據(jù)矩陣進(jìn)行標(biāo)準(zhǔn)化處理，消除量綱的影響。本文采用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化法，即各指標(biāo)的原始數(shù)據(jù)減去該指標(biāo)的均值再除以標(biāo)準(zhǔn)差。
X′ij=（xij-xj）sj（1）
xj=1n∑ni=1xij（2）
sj=1n-1∑ni=1（xij-xj）2（3）
式中：X′ij為標(biāo)準(zhǔn)化數(shù)據(jù)；xj和sj（j=1，2，…，m）分別為各指標(biāo)的均值和標(biāo)準(zhǔn)差。
（2）根據(jù)標(biāo)準(zhǔn)化數(shù)據(jù)（X′ij）n×m 計(jì)算它的相關(guān)矩陣R=（rij）m×m。
（3）計(jì)算相關(guān)矩陣R的特征值和特征值所對(duì)應(yīng)的特征向量。
（4）計(jì)算主成分的貢獻(xiàn)率，根據(jù)累計(jì)貢獻(xiàn)率選取主成分個(gè)數(shù)。一般取累計(jì)貢獻(xiàn)率>80%的前 k個(gè)主成分。
（5）選出k個(gè)特征值對(duì)應(yīng)的單位特征向量，寫出主成分
計(jì)算公式Zj（j=1，2，…，k）。
（6）將各監(jiān)測(cè)點(diǎn)的標(biāo)準(zhǔn)化數(shù)據(jù)分別代入監(jiān)測(cè)點(diǎn)各主成分的表達(dá)式中，可計(jì)算監(jiān)測(cè)點(diǎn)各主成分的得分，然后與其貢獻(xiàn)率乘積的和又可算出綜合主成分得分。
2結(jié)果
2.1原始數(shù)據(jù)標(biāo)準(zhǔn)化處理
本文以2011 年貞豐縣農(nóng)村飲用水監(jiān)測(cè)點(diǎn)水質(zhì)監(jiān)測(cè)上報(bào)數(shù)據(jù)為例進(jìn)行分析，檢測(cè)18項(xiàng)常規(guī)水質(zhì)指標(biāo)，其中7項(xiàng)指標(biāo)有超標(biāo)情況，針對(duì)這7項(xiàng)指標(biāo)的監(jiān)測(cè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化數(shù)據(jù)見表1。
2.2計(jì)算相關(guān)系數(shù)矩陣
采用SPSS11.5 軟件進(jìn)行主成分分析，得到7個(gè)變量的相關(guān)系數(shù)矩陣（表2），由表2可知，變量間有較大的相關(guān)系數(shù)，
表1貞豐縣農(nóng)村生活飲用水監(jiān)測(cè)點(diǎn)水質(zhì)標(biāo)準(zhǔn)化監(jiān)測(cè)數(shù)據(jù)
表2標(biāo)準(zhǔn)化數(shù)據(jù)的相關(guān)系數(shù)矩陣
適于用主成分分析法來研究變量之間的關(guān)系。
2.3主成分的確定
主成分分析顯示，主成分的特征值、貢獻(xiàn)率和累積貢獻(xiàn)率見表3。 由表3可知，第1、2、3主成分的累計(jì)貢獻(xiàn)率達(dá)85%以上，表明它們代表了原始數(shù)據(jù)的大部分信息，因此取這3 個(gè)主成分對(duì)原始監(jiān)測(cè)點(diǎn)水質(zhì)進(jìn)行綜合評(píng)價(jià)。本文采用因子正交旋轉(zhuǎn)法[5]，由表4的特征向量可得z1、z2和z3這3個(gè)主成分與各個(gè)變量線性關(guān)系表達(dá)式（4）、式（5）和式（6）。
Z1=-0085x1-0066x2+0775x3-0184x4+0136x5+0945x6+0951x7（4）
表3主成分的特征值、貢獻(xiàn)率和累積貢獻(xiàn)率
表4主成分的特征向量
由主成分的線性表達(dá)式可見，第1主成分與水質(zhì)指標(biāo)耗氧量（x3）、菌落總數(shù) （x6）和總大腸菌群（x7） 關(guān)系密切，第2主成分與水質(zhì)指標(biāo)錳（x2） 和氨氮（x4） 關(guān)系密切；第3主成分與水質(zhì)指標(biāo)渾濁度（x1） 和硝酸鹽（x5） 關(guān)系密切；其中第一主成分占的比例最大，主要反映飲用水的有機(jī)污染和微生物污染狀況。將原始指標(biāo)的標(biāo)準(zhǔn)化數(shù)據(jù)分別代入方程（4）、（5） 和（6），求得監(jiān)測(cè)點(diǎn)各個(gè)主成分的得分，然后以貢獻(xiàn)率為權(quán)數(shù)，得到各監(jiān)測(cè)點(diǎn)的綜合得分，見表5。
表5監(jiān)測(cè)點(diǎn)水質(zhì)綜合評(píng)價(jià)結(jié)果
從表5可見，各監(jiān)測(cè)點(diǎn)水質(zhì)綜合得分由高到低依次為北盤江鄉(xiāng)新屯村、長(zhǎng)田鄉(xiāng)大地村、珉谷鄉(xiāng)白蠟村、平街鄉(xiāng)李家屯村、珉谷鄉(xiāng)旗上村、小屯鄉(xiāng)半坡村、小屯鄉(xiāng)小屯村、魯貢鄉(xiāng)魯貢村、小屯鄉(xiāng)分水嶺村和小屯鄉(xiāng)仁朝村。綜合分值低的監(jiān)測(cè)點(diǎn)，水質(zhì)好于分值高的監(jiān)測(cè)點(diǎn)。
3討論
水質(zhì)綜合評(píng)價(jià)有指數(shù)評(píng)價(jià)法、模糊數(shù)學(xué)法、人工神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)法、灰色評(píng)價(jià)法和主成分分析法等多種方法[6]，從不同的角度對(duì)水質(zhì)進(jìn)行評(píng)價(jià)，各具優(yōu)缺點(diǎn)。如翟敏等[7]應(yīng)用綜合指數(shù)法評(píng)價(jià)農(nóng)村小型集中式供水水質(zhì)，能對(duì)整體水質(zhì)做出定量描述，反映水體污染的性質(zhì)和程度；劉濤等[8]應(yīng)用基于模糊理論和神經(jīng)網(wǎng)絡(luò)方法構(gòu)建混合型模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)農(nóng)村水源地水質(zhì)進(jìn)行評(píng)價(jià)，可對(duì)水質(zhì)評(píng)價(jià)系統(tǒng)中的模糊信息進(jìn)行學(xué)習(xí)，又可對(duì)模型信息進(jìn)行處理和決策，得到的結(jié)果更加科學(xué)、可靠。目前主成分分析方法已應(yīng)用于江河、湖泊等水體的水質(zhì)評(píng)價(jià)，并開始在農(nóng)村飲用水水質(zhì)評(píng)價(jià)中得到逐步應(yīng)用；趙艷玲等[4]采用主成分分析方法對(duì)三種處理方式（完全處理、部分處理和未處理）的農(nóng)村自來水進(jìn)行水質(zhì)評(píng)價(jià)；該分析方法能夠在保證原始數(shù)據(jù)信息損失最小的情況下，效地減少了分析指標(biāo)的數(shù)量。
本文利用主成分分析法對(duì)農(nóng)村飲水安全工程水質(zhì)監(jiān)測(cè)點(diǎn)水質(zhì)質(zhì)量進(jìn)行綜合評(píng)價(jià)，結(jié)果顯示貞豐縣農(nóng)村飲用水監(jiān)測(cè)點(diǎn)水質(zhì)問題主要是微生物和有機(jī)物污染；從各監(jiān)測(cè)點(diǎn)綜合得分來看，北盤江鄉(xiāng)新屯村監(jiān)測(cè)點(diǎn)水質(zhì)較差，小屯鄉(xiāng)分水嶺村監(jiān)測(cè)點(diǎn)水質(zhì)較好。綜合評(píng)價(jià)結(jié)果與監(jiān)測(cè)實(shí)際情況相一致，說明主成分分析法能客觀地綜合評(píng)價(jià)農(nóng)村生活飲用水水質(zhì)質(zhì)量。分析結(jié)果還提示應(yīng)加強(qiáng)水質(zhì)較差監(jiān)測(cè)點(diǎn)水源的保護(hù)，防止人畜糞便或生活污水污染導(dǎo)致的微生物和有機(jī)物污染綜合指標(biāo)超標(biāo)；同時(shí)，應(yīng)強(qiáng)化飲用水的消毒處理工藝等措施，來提高監(jiān)測(cè)點(diǎn)水質(zhì)衛(wèi)生質(zhì)量，保障農(nóng)村居民的飲水安全。參考文獻(xiàn)：
[1]張琦，魏海春，李洪興，等.農(nóng)村飲用水水質(zhì)衛(wèi)生管理現(xiàn)狀及發(fā)展[J].環(huán)境與健康雜志，2013，30（3）：263-265.
[2]金立堅(jiān)，劉祖陽，張成云，等.四川省2008年農(nóng)村飲水安全工程水質(zhì)調(diào)查分析[J].中國(guó)衛(wèi)生工程學(xué)，2009，8（6）：341-344.
[3]蔡建民，樓嘵明，王嘵峰，等.浙江省農(nóng)村水廠出廠水水質(zhì)調(diào)查監(jiān)測(cè)情況分析[J].中國(guó)衛(wèi)生檢驗(yàn)雜志，2010，20（11）：2929-2930.
[4]趙艷玲，陶勇，付彥芬.主成分分析在農(nóng)村飲用水水質(zhì)評(píng)價(jià)中的應(yīng)用[J].現(xiàn)代預(yù)防醫(yī)學(xué)，2008，35（1）：50-52.
[5]胡艷玲，齊學(xué)斌，黃仲冬，等.主成分分析法在農(nóng)村生活飲用水水質(zhì)評(píng)價(jià)中的應(yīng)用[J].中國(guó)農(nóng)村水利水電，2011（11）：139-141.
[6]甘霖，張強(qiáng)，李大斌，等.基于熵權(quán)的尼梅羅指數(shù)法在農(nóng)村生活飲用水評(píng)價(jià)中的應(yīng)用[J].現(xiàn)代預(yù)防醫(yī)學(xué)，2010，37（20）：3821-3823.
模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文4
遙感圖像分類一直是遙感研究領(lǐng)域的重要內(nèi)容，如何提取感興趣的專題信息并滿足一定的精度，是遙感圖像研究中的一個(gè)關(guān)鍵問題，具有十分重要的意義。
本文應(yīng)用最大似然法及ISODATA算法對(duì)西安城區(qū)長(zhǎng)安區(qū)典型地物的SPOT5遙感圖像進(jìn)行分類，提取地物覆蓋/土地利用的專題信息，重點(diǎn)闡述對(duì)研究區(qū)域樣本的確定和特征選擇，并對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。
關(guān)鍵詞 ：遙感，圖像分類，專題信息提取，最大似然法分類，分類精度
中圖分類號(hào)：P407文獻(xiàn)標(biāo)識(shí)碼： A
1引言
在遙感技術(shù)的研究中，通過遙感影像判讀識(shí)別各種目標(biāo)是遙感技術(shù)發(fā)展的一個(gè)重要環(huán)節(jié)，無論是專業(yè)信息提取，動(dòng)態(tài)變化預(yù)測(cè)，還是專題地圖制作和遙感數(shù)據(jù)庫的建立，都離不開分類[1]。常用的遙感信息提取的方法有兩大類：一是目視解譯，二是計(jì)算機(jī)信息提取。
通常將計(jì)算機(jī)自動(dòng)分類分為非監(jiān)督(Unsupervised)和監(jiān)督(Supervised)兩種。非監(jiān)督分類按照特征矢量在特征空間中類別集群的特點(diǎn)進(jìn)行分類，分類結(jié)果只是對(duì)不同類別達(dá)到了區(qū)分，而類別屬性則是通過事后對(duì)各類的光譜響應(yīng)曲線進(jìn)行分析，或通過實(shí)地調(diào)查后確定的，常見的非監(jiān)督分類法有K-均值、迭代自組織數(shù)據(jù)分析等。監(jiān)督分類是在有先驗(yàn)知識(shí)的條件下進(jìn)行的，先選擇訓(xùn)練樣區(qū)，根據(jù)已知像元數(shù)據(jù)求出參數(shù)，確定各類判別函數(shù)的形式，然后利用判別函數(shù)對(duì)未知像元進(jìn)行分類，經(jīng)典的監(jiān)督分類法有最大似然、最小距離法、光譜角分類法等。
2研究?jī)?nèi)容
本文使用西安市2005年SPOT5多光譜遙感圖像作為主要數(shù)據(jù)源，裁剪長(zhǎng)安區(qū)作為研究區(qū)域影像進(jìn)行處理計(jì)算。應(yīng)用監(jiān)督及非監(jiān)督分類法對(duì)有研究區(qū)域典型地物的遙感圖像分類，提取地物覆蓋/土地利用的專題信息。主要討論了最大似然法和ISODATA算法在遙感圖像分類中的具體應(yīng)用，并對(duì)分類結(jié)果進(jìn)行了詳細(xì)的精度評(píng)價(jià)，重點(diǎn)闡述對(duì)研究區(qū)域樣本的確定和特征選擇及其在遙感圖像處理軟件ERDAS中分類實(shí)現(xiàn)的操作流程。
3遙感圖像分類實(shí)驗(yàn)流程
本文采用SPOT5數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn)，提取土地覆蓋/土地利用專題信息，主要過程是在ERDAS imagine8.7中完成的，具體流程圖如下：
圖1 遙感圖像分類實(shí)現(xiàn)流程圖
本文旨在研究圖像分類，因此下面將對(duì)圖像分類過程中的樣本確定和分類實(shí)現(xiàn)流程做具體闡述。
3.1 研究區(qū)典型地物類型樣本的確定
3.1.1樣本確定的原則和方法
根據(jù)已掌握的典型地類的地面情況，在圖像上選擇訓(xùn)練樣本?，F(xiàn)有研究表明，訓(xùn)練樣本選擇不正確便無法得到正確的分類結(jié)果，訓(xùn)練樣本的選擇要注意準(zhǔn)確性、代表性和統(tǒng)計(jì)性三個(gè)問題[2]。因此本文確定樣本的方法是結(jié)合目視解譯標(biāo)志與實(shí)地調(diào)查，并與現(xiàn)有地圖比對(duì)，直接在遙感圖像上選取樣本。
3.1.2研究區(qū)地物類型的確定
從已有的城市地物分類研究中參考，研究地物分類的文獻(xiàn)中提出了一些建議的分類方案。徐麗華對(duì)上海2002年6月地面分辨率為5米的SPOT5遙感圖像進(jìn)行的模糊神經(jīng)網(wǎng)絡(luò)分類，認(rèn)為城市地物類型可以分為：植被、水體、其他城市地表三個(gè)大類，其下則可以分為30個(gè)亞類[3]。研究認(rèn)為三個(gè)大類（植被、水體、其他城市地表）可以包括全部的城市地物類型。
因此，根據(jù)國(guó)家土地利用分類的標(biāo)準(zhǔn)和已有的城市地類研究的結(jié)果，結(jié)合專家得出的遙感圖像上地物類別的解譯原理，本研究確定其主要的地物類型有4類：植被、水體、建筑、道路。
3.1.3各個(gè)地物類型的樣本的選取方法
采取室內(nèi)判讀和野外實(shí)地調(diào)查及參閱地圖、高分辨率衛(wèi)星圖片結(jié)合的方法建立相對(duì)準(zhǔn)確的目視解譯標(biāo)志。
1)初步判讀。根據(jù)SPOT遙感圖像波段組合分析，SPOT5數(shù)據(jù)缺少藍(lán)色波段，因此對(duì)于該研究區(qū)域，采用B321波段的組合方式，并分別賦予紅色、綠色、藍(lán)色，生成假彩色合成圖像近似真彩色圖像，有利于地物類型的目視識(shí)別。
2)地面實(shí)地調(diào)查采集。驅(qū)車沿太白南路至西灃路，沿路采集調(diào)查，并攜帶西安市地圖進(jìn)行地面實(shí)地考察調(diào)查判讀，記錄調(diào)查結(jié)果。
3）利用高分辨率遙感圖像作為參考選擇樣本點(diǎn) 。為了更清晰的識(shí)別各類地物，確定樣本選擇的準(zhǔn)確性，選擇Google earth 中的高分辨率衛(wèi)星圖像作為參考，選擇本研究區(qū)域?qū)?yīng)的樣本點(diǎn)。
綜上得到研究區(qū)域典型地物類型的目視解譯標(biāo)志，如表1示。
表1 西安市城區(qū)典型地物類型的SPOT5遙感影像目視解譯標(biāo)志
3.1.4利用ERDAS遙感圖像處理軟件選取樣本點(diǎn)
計(jì)算機(jī)自動(dòng)分類必須有一定熟練的地物樣本，實(shí)地調(diào)查只獲得少量的樣本量，因此結(jié)合實(shí)地調(diào)查與目視解譯方法，借助ERDAS軟件在遙感圖像上隨機(jī)選取所需的樣本。
3.2ISODATA法分類
初始分類，一般設(shè)置為最終分類的兩倍以上，本次試驗(yàn)經(jīng)過分析確定的地物類別為水系、植被、道路、建筑四類，故此處設(shè)置為10類，迭代次數(shù)為6次。.2打開上步結(jié)果圖與原圖對(duì)比，編輯類別顏色和名稱；分類重編碼和色彩重定義，輸出ISODATA分類結(jié)果圖。
3.3最大似然法分類
3.3.1分類模板的建立與評(píng)價(jià)
ERDAS imagine 8.7在監(jiān)督分類過程中，首先選擇可以識(shí)別或者借助于其它信息可以斷定其類型的像元建立模板，然后基于模板使計(jì)算機(jī)系統(tǒng)自動(dòng)識(shí)別具有相同特征的像元。多次反復(fù)后建立一個(gè)比較準(zhǔn)確的模板，并在此基礎(chǔ)上最終進(jìn)行分類[4]。應(yīng)用AOI繪圖工具獲取分類模板信息，利用Raster工具面板多邊形工具在原圖像上繪制多邊形，在signature editor對(duì)話框中將其加載到signature editor分類模板中。根據(jù)多次試驗(yàn)，每次變換不同的位置和大小來選擇訓(xùn)練樣本，添加到分類模板中進(jìn)行評(píng)價(jià)。在ERDAS中選擇分類模塊下的supervised分類方法，依據(jù)上步所建立的分類模板執(zhí)行分類，輸出最大似然法分類分類結(jié)果圖。
4分類結(jié)果及分類精度評(píng)價(jià)
由于“同物異譜”或“異物同譜”現(xiàn)象在遙感圖像中的普遍存在，以及樣本選擇過程中的人為誤差等因素的影響，每一種分類器的分類結(jié)果都會(huì)存在不同程度的偶然性，即分類的結(jié)果不可能達(dá)到與地物的真實(shí)分布完全對(duì)應(yīng)。因此對(duì)分類的結(jié)果進(jìn)行分析與評(píng)價(jià)是整個(gè)分類過程中的一個(gè)重要的、必不可少的環(huán)節(jié)[5]。本論文中進(jìn)行分類精度評(píng)價(jià)的目的包括兩方面的內(nèi)容：一是比較相同特征下不同分類器的分類能力；二是比較相同分類器不同特征的分類能力。本文也采用誤差矩陣和Kappa分析來進(jìn)行[2][6][7]。
4.1誤差矩陣
進(jìn)行精度評(píng)估，首先建立精度評(píng)估誤差矩陣，該誤差矩陣采用像元抽樣產(chǎn)生，本實(shí)驗(yàn)中抽取256個(gè)隨機(jī)點(diǎn)。誤差矩陣值如下表所示：
表3 最大似然監(jiān)督分類誤差矩陣 表4 ISODATA非監(jiān)督分類誤差矩陣
4.2 Kappa 系數(shù)
Kappa 系數(shù)能全面衡量分類誤差，克服其它評(píng)價(jià)指標(biāo)的缺點(diǎn)，因此，kappa 系數(shù)可作為分類精度評(píng)估的綜合指標(biāo)。
表5 最大似然監(jiān)督分類Kappa分析
總體精度 = 92.58% ，Kappa 系數(shù) = 0.8644
表6ISODATA非監(jiān)督分類Kappa系數(shù)分析
總體精度= 83.20% ，Kappa系數(shù)= 0.7254
由此可看出ISODATA分類方法處理的結(jié)果，水體和道路的分類精度較差，但植被的分類精度較高，生產(chǎn)精度達(dá)到90.72%，總體分類精度達(dá)到要求。 但采用最大似然監(jiān)督分類法Kappa系數(shù)在0.8以上，達(dá)到最低允許判別精度0.7的要求。這些表明采用最大似然法進(jìn)行影像分類的結(jié)果較理想，分類精度也較高。本次試驗(yàn)中，采用監(jiān)督分類最大似然法的分類精度明顯比采用非監(jiān)督分類的ISODATA法分類精度高。
5結(jié)語
由于遙感圖像分類的研究涉及到眾多的科學(xué)研究領(lǐng)域，內(nèi)容繁多，同時(shí)也由于時(shí)間和研究水平的限制，使得論文存在一些不完善之處，還有許多問題有待進(jìn)一步研究：
1）在樣本的確定上，由于缺乏足夠的參考信息和足夠多的實(shí)地調(diào)查信息，參考的高分辨率影像與所研究區(qū)的影像不是一個(gè)時(shí)間段的，加上目視解譯的判斷，因而對(duì)研究區(qū)地物類型判斷上出現(xiàn)偏差，進(jìn)而影響分類樣本。
2）分類中使用分類特征只是基于光譜特征，過于單一，有待進(jìn)一步研究。
3）不同地物波譜相似性，使得結(jié)果還是具有一定的誤差，尤其是誤分現(xiàn)象較為明顯，植被中不同類型的劃分，尚沒有有效的方法。道路和居民地建筑的劃分也不明顯，出現(xiàn)較多的錯(cuò)分現(xiàn)象。
鑒于以上幾個(gè)方面不足，今后可以繼續(xù)進(jìn)行以下幾個(gè)方面的研究工作：
1）對(duì)于分類特征的選擇除了考慮光譜特征外，還可進(jìn)一步研究其他特征如地物的幾何形狀、紋理特征，以及非光譜特征等，并對(duì)所有特征綜合選擇。
2）如何研究更好的算法，突出不同地物的光譜特征差異，從而選擇有效的閾值進(jìn)行區(qū)分，則是進(jìn)一步努力的方向。
遙感專題信息提取的精度很大程度上取決于信息源和提取方法的選擇，隨著遙感技術(shù)不斷發(fā)展，遙感圖像分類應(yīng)用要求不斷提高，遙感圖像分類方法也在不斷發(fā)展，各種分類新方法新工具不斷引入分類系統(tǒng)中。但是各種方法各有其優(yōu)缺點(diǎn)和使用條件，因此需要對(duì)這些方法不斷的深入研究。
參考文獻(xiàn)：
[1]吳學(xué)軍．城市TM遙感影像分類方法研究[D]，廣西：廣西師范大學(xué)．2007．
[2]冉有華，李文君，陳賢章．TM 圖像土地利用分類精度驗(yàn)證與評(píng)估― 以定西縣為例[J]．遙感技術(shù)與應(yīng)用．2003．18(2)：8l- 86．
[3]M ．Lillesand ， Ralph W ．Kiefer ．遙感與圖像解譯（彭望碌，余先川，譯者）[M]，第4 版．北京：電子工業(yè)出版社，2003．
[4]張京紅，劉安麟，李登科等。ERDAS IMAGINE監(jiān)督分類模板評(píng)價(jià)的研究[J]．山西氣象，2004(3)：37-39．
[5]吳健平，楊星衛(wèi)．遙感數(shù)據(jù)分類結(jié)果的精度分析[J]．遙感技術(shù)與應(yīng)用．1995，10(1)：17-24．
