风险模糊识别范文

风险模糊识别范文（精选7篇）

风险模糊识别 第1篇

关键词：信贷风险,识别,模糊认识

风险识别是风险预警与控制的基本前提, 是银行信贷管理的重中之重。但在经营实践中, 信贷人员可能会被一些模糊认识所误导, 以致不能准确把握企业经营状况, 识别相关信用风险, 进而造成贷款损失。故择其一二, 剖析如下, 以期引起关注。

1 能从多家银行同时获得信贷支持的肯定是好客户

探究认识根源, 不外乎两点:一是大客户头上往往不乏眩目的光环甚至地方政府的支持, 行业优势或地方优势突出, 贷款担保容易落实;二是各家银行都看好的项目肯定是好, 别人能放我们也能放, 眼下无需为收息收贷发愁, 将来也不必担心贷款责任会追究到自己头上, 市场风云瞬息万变嘛!至于不良后果, 则主要体现在两个方面:一是贷款过度集中, 银行的生存直接依附于大客户的兴衰, 银行命运反被客户主宰!从客户角度而言, 因为获取贷款相对容易, 超常投资、盲目扩张、冒险经营的情况屡见不鲜, 银行在“垒大户”的同时, 也在不断积聚着自身风险。二是对大客户的资信审核和贷后监管相对“宽松”, 基本上是特事特办, 一路绿灯, 究其原因:或是因为面对大客户底气不足, 唯恐侍奉不周;或是因为面对大客户麻痹大意, 自认为可以高枕无忧。孰不知, 以上种种, 均会无一例外地埋下风险隐患。

2 上市公司筹资能力强, 贷款还款有后路

在资本市场尚不发达的中国, 能够通过证券监管机构的层层审查而上市募集资金的股份公司, 无疑是人们眼中的“明星”企业。为了争夺客户资源和市场份额, 有的银行便“自然而然”地放松了对上市公司的信用状况和投资项目深入调查, 贷后管理亦是走马观花。然而通过近年的信贷实践来看, 一些上市公司非但业绩差强人意, 还不乏投资冒进、做假账、炒股票等不良行为, 操纵报表利润、改变募集资金用途、大股东占用巨额资金的事件时有发生, 非但没能为银行落实还款资金来源, 反倒成为投资冒进或财务造假的动力与工具。

3 资产负债率低, 肯定债权保障程度高

换言之, 就是认为借款人资产规模大, 多加一笔贷款也无妨。其实不然, 细究起来, 此种观点失策之处有三:第一, 忽视了资产的有效性。第二, 忽视了资产与负债期限结构。试想, 如企业以部分短期负债支持了部分长期资产, 那么一旦面临短期债务偿还压力时, 势必会影响正常的经营活动, 进而影响到贷款偿债能力;第三, 忽视了或有负债问题。或有负债虽非现实负债, 但其对企业的影响至关重要, 例如对外担保、未决诉讼与纠纷等, 一旦转化为真正的负债, 无一例外地会波及企业的盈利能力、营运能力特别是偿债能力。可怕的是, 有些企业在财务报表中往往对此避重就轻、语焉不详甚至根本不加披露。因此, 在评估贷款风险时, 银行必须高度关注借款申请人的或有负债问题, 且不能仅仅满足于财务报告数据, 建议通过人民银行信贷登记咨询系统全面查询客户在他行的担保情况, 并将查询结果与财务报告数据核对, 以期发现披露不实问题, 将风险消除于萌芽状态。

4 流动 (速动) 比率高, 肯定支付能力强

流动 (速动) 比率即企业流动 (速动) 资产与流动负债的比率, 旨在说明企业每一元流动负债有多少流动 (速动) 资产可以用作支付保证, 其中:速动资产=流动资产-存货。从指标的财务内涵来看, 仅就还款保障而言, 高比率显然要优于低比率, 但现实并非绝对如此。这是因为, 即使指标计算所使用的基础数据真实, 但资产的变现能力也有可能名不副实甚至差之千里。典型的如:应收账款、其他应收款中的呆账, 存货中的积压滞销商品, 其变现能力都会大打折扣;至于在应收账款项下反映的高额预付账款, 正常情况下, 所对应的多是在途存货, 非正常情况下甚至是“空手道”高手们惯用的虚假概念存货, 变现能力无疑更为间接、更为“缥缈”。由此可见, 在进行比率分析时, 必须辅以账龄分析和流动资产结构分析, 只有将变现困难或变现无望的资产剔除后, 据以计算的流动 (速动) 比率才能够说明问题。再者, 在财务分析中, 任何一项指标都不是孤立的, 流动 (速动) 比率仅是判断企业短期偿债能力指标体系中的一项, 应结合应收账款周转率、存货周转率共同分析, 才能进一步修正短期偿债能力评价结论。

5 利润高的企业还款没问题

这种认识显然忽略了两个方面:一是忽略了高利润是否正常?是否主要源自健康的主营业务?是否历经“让我一次亏个够”之后的天文级数增长?是否得益于以前年度秘密准备?是否得益于关联企业间的并购、资产处置和非货币性交易等操纵手段?实践表明, 与“非正常”相关的必是虚假繁荣甚至财务造假无疑;二是忽略了与高利润相伴的现金流量是否亦有相应增加。企业的现金流量信息直接反映其经营状况和支付能力, 故在国际上素有“现金为王”一说。利润可以各种各样的资产形式存在, 有利润不一定有现金流。举一个最简单的例子:仅是由于应收账款的增加和应付款的提前集中支付, 都会使企业现金流不能随利润的增加而增加, 直至出现高利润企业无钱还贷的尴尬现象。至于前面所提到的种种操纵利润、粉饰财务指标的“大手笔”, 更是毋庸多言!

6 只要抵押充足, 银行贷款就保险

正所谓“跑得了和尚跑不了庙”, 持此观点者认为, 只要设定了抵押, 就有了退路和保障, 在此前提下, 放贷大可“有恃无恐”, 于是就有了资信审查环节的“速战速决”与贷款发放后的“泰然处之”。孰不知, 抵押物权的主张与实现谈何容易!漫说高估冒算、物理损耗和精神损耗导致的资不抵债, 也不说维权路上的旷日持久与代价付出, 单是法定优先权, 就足以让贷款抵押权相形见绌、退避三舍。这是因为, 贷款抵押权是基于商业银行与当事人之间的约定而产生的担保物权, 它的成立并非源于法律直接规定, 其受偿顺序只能屈居于法定优先权之后, 二者一旦遭遇, 极易使银行苦心设定的贷款抵押前功尽弃, 从而导致债权悬空。

7 能付息就是好贷款, 铺底流动资金很正常

表面看来, 按时付息能够从一个侧面说明企业信誉, 但却忽略了还款资金源自何处。如是靠主营业务收入付息, 企业的经营一般是乐观的;但如果靠投资收益或出售资产偿债, 甚至靠他行借款和上市圈钱来拆东墙补西墙, 那么, 财务窘状就可想而知。正是基于“能付息就是好贷款”的片面认识, 贷款银行可能会做出企业运作正常的错误判断, 从而放松贷后管理。而在“铺底流动资金很正常”的观念影响下, 一些贷款更是得以借助一次次的倒贷而“四平八稳”地短借长用, 且全然不受合同约定用途之约束:或流贷固用, 或转向他行还贷, 或用于交纳银行承兑汇票保证金, 还有的公然“调配”给集团内其他成员企业, 或干脆成为新设子公司的股份, 更有甚者, 一方面大量举债, 一方面在账户上搁置巨额头寸, 以备伺机扩张或进入股市。如此一来, 贷前调查时看好的资金使用效益自然成了过眼云烟。于是乎, 在“正常”还息行为的掩盖下, 在名义上的“收回再贷”之中, 贷款银行可能会满足于100%的收息率, 眩目于企业账户存款倏忽即来、倏忽即去的“大手笔”, 却忽略了最不该忽视的基础经营面与贷款用途监管, 从而眼睁睁地错过风险规避时机。

当然, 对于“信贷风险识别”这一重头课题而言, 以上仅是泛泛之谈, 难免有不尽之处, 而要切实提高风险识别能力, 更非只言片语、纸上谈兵所能够解决的。作为银行信贷人员, 不但需要高超的财务分析技术, 还应该掌握相关的行业背景及产业知识, 除此以外, 还有同样重要的一点, 那就是必须尽职尽责, 将资信调查与贷款监管不折不扣地落在实处, 唯如此, 才能真正做到“慧眼识风险, 防患于未然”。

参考文献

[1]夏乐书主编.《国际财务管理》, 中国财政经济出版社.2001年版.

振荡闭锁模糊识别 第2篇

并列运行的系统或发电厂失去同步的现象称为异步振荡 (简称振荡) , 电力系统振荡时两侧等效电动势间的夹角δ在0°～360°之间作周期性变化。电力系统振荡是重大事故之一, 因振荡时电压、电流大幅度变化, 对用户产生严重影响。振荡在必要时切除剩余侧的某些机组、功率缺额侧起动备用机组或切除负荷以尽快恢复同步运行, 或者将振荡的电力系统在预定点解列。根据保护规程规定, 在振荡过程中不允许继电保护装置发生误动作。因此, 正确识别振荡还是短路故障对保护装置而言是至关重要的。

设系统模型如图1所示, 若$\dot{E}{}_{{\rm M}}=\dot{E}{}_{{\rm N}}=E$, 则当正常运行时$\dot{E}$M与$\dot{E}$N间的夹角δ时, 系统振荡电流为${\rm I}{}_{swi}=\frac{2E}{{\rm Z}{}_{\Sigma 1}}\sin \frac{\delta }{2}=2{\rm I}{}_m\sin \frac{\omega {}_{s}t}{2}$变化。当δ=ωst=0°时, 振荡电流为零;当δ=180°时, 振荡电流幅值为2Im, 达最大值。因此, 振荡电流的最大幅值随δ角的变化作大幅度的变化。系统发生振荡时, 可作出M母线电压$\dot{U}$M、两侧电势$\dot{E}$M和$\dot{E}$N的相量如图2所示。显然, 当δ=0°～360°变化时, M母线电压也作大幅度变化。振荡过程中电压最低的一点称振荡中心, M侧测量UZ的表达式为UZ=UMcos (φ+90°-φΣ) , 其中$\phi =\arg \dot{U}{}_{{\rm M}}/\dot{{\rm I}}{}_{swi}‚\phi {}_{\Sigma }=\arg {\rm Z}{}_{\Sigma 1}$。若认为φΣ阻抗角与线路阻抗角相等, 而UM、Iswi可在保护安装处测得, 从而在保护安装处可测量到振荡中心电压UZ。

1电力系统振荡识别

1.1判别测量阻抗变化率来检测系统振荡

由分析表明[1], 系统振荡时, 下式成立

$\frac{\text{d}{\rm Z}{}_m}{\text{d}t}\ge \frac{\pi }{6}{\rm Z}{}_{\Sigma 1}(1)$

系统正常运行时, 测量阻抗Zm等于负荷阻抗, 为一定值, 其变化率等于零。设当前的测量阻抗为Rm2+jXm2, 上一点的测量阻抗为Rm1+jXm1, 两点间的时间间隔为Δt时, 则式 (1) 可写为

$\frac{\sqrt{(R{}_{m2}-R{}_{m1}){}^2+(X{}_{m2}-X{}_{m1}{}^2)}}{\Delta t}＞\frac{\pi }{6}{\rm Z}{}_{\Sigma 1}(2)$

由于系统正序阻抗ZΣ1随系统运行方式的变化而变化, 式 (2) 要受系统运行方式的影响, 考虑到系统最大运行方式的阻抗ZΣ1max与最小运行方式的阻抗ZΣ1min相差不会超出2倍, 所以选取大于$\frac{\pi }{3}{\rm Z}{}_{\Sigma 1\max }$作为识别条件, 这样即使系统运行方式改变, 也能保证判据的准确性。即判据条件为

$\frac{\sqrt{(R{}_{m2}-R{}_{m1}){}^2+(X{}_{m2}-X{}_{m1}){}^2}}{\Delta t}＞\frac{\pi }{3}{\rm Z}{}_{\Sigma 1\max }(3)$

显然, 式 (3) 满足时判为系统发生了振荡。式 (3) 可通过实时计算获得, 一旦式 (3) 条件满足, 将保护闭锁。

1.2判别Ucosφ变化

若在图3中K点发生相间短路故障时, 下式为保护安装处母线的电压方程

$\dot{U}=\dot{U}{}_{arc}+\dot{{\rm I}}{\rm Z}{}_L(4)$

式中:ZL为故障点K到保护安装处的线路正序阻抗;$\dot{U}$arc电弧压降, 其值一般小于6%UN。由图4的相量图可得

$U{}_{arc}＞U\text{c}\text{o}\text{s}(\phi +90°-\phi {}_L)(5)$

若不计线路阻抗的电阻分量, 则φL=90°, 式 (6) 变为

$U{}_{arc}＞U\text{c}\text{o}\text{s}\phi (6)$

式 (6) 表明, 在被保护线路发生对称短路故障时Ucosφ值不可能大于6%UN且基本不变。若电力系统振荡, 振中电压的表达式与 (5) 相似, 但是振荡中心电压是不断变化的, 所以可以利用Ucosφ判别电力系统振荡。

2振荡过程中不对称短路故障的识别

2.1利用序电流比值识别

电力系统振荡时, 正序电流作大幅度的变化, 即使有负序电流I2、零序电流I0不平衡输出, 也比正序电流I1小。因此, 若设比值为

$\gamma =\frac{{\rm I}{}_2+{\rm I}{}_0}{{\rm I}{}_1}(7)$

式中:I2、I0、I1分别为保护安装处的负序、零序、正序电流值。

经分析表明[1], 系统振荡时, γ≈0;当线路内部发生不对称短路时γ≈1。因此, 可采用γ>n构成振荡过程中不对称短路故障识别元件, 于是动作方程为

${\rm I}{}_2+{\rm I}{}_0＞0.66{\rm I}{}_1(8)$

上式表明, 振荡过程中发生不对称短路及线路内部发生不对称短路时, 识别元件动作, 开放保护。系统振荡时, 识别元件不动作。但是, 考虑到振荡过程中发生考虑到振荡角δ=180°附近发生不对称短路故障时, 识别元件不动作, 不能开放保护。当δ向360°时, 识别元件才会动作, 因此动作具有延迟性。

2.2利用三相电流大小、零序电流大小识别

振荡过程中发生不对称短路故障, 必然三相电流大小不等。如发生接地短路故障, 必然有零序分量电流。因此, 可利用三相电流大小不等、零序电流大小来识别振荡过程中的不对称短路故障, 其判据为

$\{\begin{array}{l}{\rm I}{}_{\phi \max }＞{\rm K}{}_{\phi }{\rm I}{}_{\phi \min }\\ 3{\rm I}{}_0＞{\rm K}{}_0{\rm I}{}_{\phi \max }\end{array}(9)$

分析表明[1], 当发生单相接地短路故障和两相短路故障时 (只要适当选择Kφ、K0系数) , Iφmax/Iφmin和3I0/Iφmax中总有一个条件满足。当发生两相接地短路故障时, 识别元件可能出现延时动作。

3振荡过程中对称短路故障识别

若在被保护线路发生三相短路时, 保护安装处测量到的振荡中心电压小于6%UN且不变。因此, Uφφcos (φ+90°-φL) (简称Ucosφ) 若是变化的, 可判定为系统发生振荡;若Ucosφ一直处于6%UN以下, 则可判为三相短路。

4模糊识别

由模糊理论可知, 以实数R作论域时, 实数R上模糊集 (F集) 的隶属函数称为F分布。若模糊识别中必须考虑的因素有m个, 则m个特性具有m个相同或不同的隶属度, 隶属度在[0, 1]区间内取值。

从上面分析可知, 当Ucosφ、dZm/dt作为电力系统振荡特征量时, 可以用半梯形分布函数表示, 其方程为

$A(x)=\{\begin{array}{cc}0& x＜a\\ \frac{x-a}{b-a}& a\le x\le b\\ 1& b＜x\end{array}$

对于Ucosφ判别, 若选取a=2%UN, b=10%UN, 其隶属度如表1或图5所示 (图5中为方便略去UN) 。

同理对于dZm/dt判别, 若选取$a=\frac{\pi }{8}{\rm Z}{}_{\Sigma 1}‚b=\frac{\pi }{2}{\rm Z}{}_{\Sigma 1}$, 其隶属度如表2或图6所示 (为方便略去πZΣ1) 。

4.1振荡识别

设Ucosφ (1) 、Ucosφ (2) 为相邻两采样值, 通过其数值可得到相应的隶属函数求出隶属度, 进行模糊交运算Ucosφ (1) ∧Ucosφ (2) 取小, 当隶属度大于0.5时, 满足振荡条件;同理, 设dZm/dt (1) 、dZm/dt (2) 为两相邻测量阻抗变化率, 进行模糊交运算dZm/dt (1) ∧dZm/dt (2) 取小, 当隶属度大于0.5时, 满足振荡条件。上述取两点的目的在于防止误动作, 因为Ucosφ (1) 、Ucosφ (2) 都满足条件, 说明Ucosφ是变化的, 符合振荡条件。dZm/dt (1) 、dZm/dt (2) 同时满足条件, 说明判别是正确的。因此振荡的条件是

$A{}_1(u)\wedge B{}_1(u)＞0.5(10)$

式中:A1 (u) =Ucosφ (1) ∧Ucosφ (2) ;B1 (u) =dZm/dt (1) ∧dZm/dt (2) 。

式 (6) 条件满足, 将保护闭锁。

也可以用下式判别

$a{}_{1}u{}_1+a{}_{2}u{}_2＞0.5$

式中:a1、a2分别为u1、u2隶属度的权重, 取0.5;u1、u2分别是A1 (u) 、B1 (u) 的隶属度。

4.2振荡时短路识别

从上面分析可得, 当γ>0.66时, 则说明在振荡期间发生不对称短路故障, 置u3=1;当Iφmax>KφIφmin成立, 置u4=1;当3I0>K0Iκmax成立置u5=1。对u4、u5作模糊并运算u4∨u5取大, 再对u3作模糊交运算u3∧ (u4∨u5) , 若为1, 则表明振荡过程中发生了不对称短路故障, 将保护开放。振荡过程中如果A1 (u) ∧B1 (u) <0.3, 则振荡过程中发生了三相短路故障, 将保护开放。

摘要：分析了电力系统振荡时振中电压变化、测量阻抗变化率, 振荡过程中发生不对称短路故障及三相短路故障的特征, 提出了用模糊识别电力系统振荡及振荡过程中发生不对称短路故障、三相短路故障的模糊别方法。该方法简明, 在微机保护中使用简单。

关键词：测量阻抗变化率,隶属函数,隶属度

参考文献

[1]许正亚.输电线路新型距离保护[M].北京:中国水利水电出版社, 2002:365-374.

多特征模糊推理的虹膜识别算法 第3篇

高度信息化的社会在诸多领域都需要信息的高度交互,这使身份认证的重要性越来越突出。生物特征识别技术[1]是利用人所固有的生理特征和行为特征进行识别的技术,依靠生物特征进行身份的鉴别无疑是更加可靠和方便的手段。虹膜作为重要的身份鉴别特征,具有唯一性、稳定性、可采集性、非侵犯性等优点。在生物特征识别中虹膜识别具有更高的准确性[2]。这使虹膜识别技术的发展有着广阔的空间和前景。

典型的虹膜识别过程包括:虹膜图像的采集、预处理(定位与归一化、图像增强)、特征提取、编码、匹配等环节。虹膜图像的预处理过程如图1所示,具体方法可参阅文献[3,4,5,6]。本文利用尽量不受噪声干扰的虹膜图像作为算法的输入,如图1(d)中所示已标出白色矩形的部分,分辨力为:32×304。

由于虹膜含有极其丰富的纹理信息,能否有效的将这些信息尽量准确的表征是至关重要的。目前已经提出了很多特征提取和分类方法[4,5,6,7,8,9,10,11,12,13,14],在特征提取上,大多数方法只提取单一的纹理特征,缺点是不能直接反映丰富、变化的纹理细节,也由于采集图像时很多因素(尤其光照变化)的影响,可能对所提取的某种特征产生很大的干扰,如果能提取多种特征,将其相互融合进行识别,则在很大程度上降低了噪声同时影响多种特征的几率,使识别性能得到提高;在模式的分类上,大多数方法采用通过距离的方式进行直接线性分类,这虽具有直接快速的优点,但缺点是分类能力不高,尤其是在样本特征线性不可分的情况下。

本文提出了一种新的特征提取和分类方法,提取局部特征点、局部纹理方向和局部纹理的亮暗变化三种特征,更全面的描述了纹理的特征空间,克服了之前的虹膜识别算法提取单一特征易受干扰影响的局限性。同时,设计了模糊推理规则进行分类识别,在一定程度上提高了算法通过线性分类器进行分类的能力。

1 特征提取

利用虹膜纹理的复杂性特点,将虹膜图像等分为若干个子图像,再将每个子图像等分为若干个子区域。子区域的划分是为了找出虹膜纹理阶跃变化最强烈的局部位置,并找出该局部位置处虹膜纹理的方向和纹理的亮暗变化;子图像的划分保证了选中的特征在空间上相对分散,并使纹理方向和纹理的亮暗变化在相对分散的空间尺度上便于统计,这样会减少噪声对特征的干扰程度,减少了误匹配的发生。具体步骤如下:

1)在虹膜图像I(x,y)中,分别计算每一像素点(x,y)在8邻域内与其相邻8个像素灰度的差分值Gd(d=1,2,…,8)(这里将圆周360°按照每隔45°等分成8个方向,用d表示),如图2所示。将式(1)∼(8)求得的八个值中绝对值最大的一个作为该点的灰度变化特征值,记作gd(x,y),如式(9),并记录此时d的值作为该处的纹理方向;同时记录该方向差分值Gd的符号正负,表示该处纹理亮暗变化,用s表示正负(s为正:表示纹理由亮到暗;s为负:表示纹理由暗到亮),s符号为正号则此处标记为1,否则标记为0。在虹膜图像每一像素点处,都会得到灰度变化特征值gd(x,y)、纹理方向d和亮暗变化的符号s三个特征。

2)按照8×8大小为一块的原则将图像I(x,y)等分成若干个互不重叠的子区域FPi,j,求每个8×8子区域内64个像素的灰度变化特征值gd(x,y)之和,得到此区域的灰度变化度,记作G(FPi,j)。灰度变化度越大,表明在该区域内,纹理的阶跃变化越强。

并把每8×8子区域内64个像素的纹理方向d做直方图统计,直方图的峰值代表该区域的主方向,把主方向值作为该子区域的方向特征码。

同时,统计子区域内符号s为正的个数,即统计计算此子区域纹理的亮暗变化是由亮到暗还是由暗到亮。如果s=1的个数,即符号为正的个数超过32,则表示此子区域纹理统计变化由亮到暗(标记flag为1),否则由暗到亮(标记flag为0),将flag的值作为该子区域的亮暗变化特征码。

3)将虹膜子区域FPi,j按照2×2大小的原则组成子图像,即4个子区域组成1个子图像。把子图像GPk,l中灰度变化度G(FPi,j)的值最大的子区域作为子图像的特征,并将此子区域标记为1,其余3个子区域标记为0,将此作为子区域的点特征码。

2 编码

每个子图像包含4个子区域,这样,每个子图像中都包含4个点特征码、4个纹理方向特征码和4个亮暗变化特征码,分别按照子图像和子区域行优先的顺序进行特征编码。编码顺序如图3所示。

编码顺序为:11(1)、11(2)、11(3)、11(4)、12(1)、12(2)、12(3)、12(4)、……、1n(1)、1n(2)、1n(3)、1n(4)、21(1)、21(2)、21(3)、21(4)、22(1)、22(2)、22(3)、22(4)、……、2n(1)、2n(2)、2n(3)、2n(4)、…………、m1(1)、m1(2)、m1(3)、m1(4)、m2(1)、m2(2)、m2(3)、m2(4)、……、mn(1)、mn(2)、mn(3)、mn(4)。按照此编码顺序,分别将点特征、方向特征和亮暗变化特征编成3组编码,并分别用p、d、v表示。

3 匹配

1)点特征匹配

其中:pk*和pk分别表示待匹配的两组一维点特征编码中的第k个码值,Np表示点特征码长,Dp表示两组点特征编码的海明距离。

2)方向特征匹配

其中:dk*和dk分别表示待匹配的两组一维方向特征编码中的第k个码值,Nd表示方向特征码长,Dd表示两组方向特征编码的距离。

3)亮暗变化特征匹配

其中:vk*和vk分别表示待匹配的两组一维亮暗变化特征编码中的第k个码值,Nv表示亮暗变化特征码长,Dv表示两组亮暗变化特征编码的海明距离。

4)融合三特征进行匹配

其中:λ1、λ2、λ3是加权系数。由于点特征和亮暗变化特征在编码时采用0、1编码,而方向特征采用的编码方式是如图2所示的八方向编码(即特征向量中的每个分量的编码值可能为数字1∼8中的某个值),这样所求得的Dp、Dv与Dd的数值便不在同一数量级。不同数量级的数据进行运算时,小数量级的数据容易被大数量级的数据吞没,因此为了避免不同特征之间的相互影响需要将不同数量级的数据调整到同一数量级。

4 模糊推理规则设计

为了有效的结合三种纹理特征,本文设计了一种模糊推理规则用于模式的分类,规则如下:

规则1:if融合三特征&&Df(k)

规则2:if融合三特征&&Df(k)≥TfHthen虹膜属于不同类;

规则3:if融合三特征&&TfH>Df(k)≥TfLthen用点特征进行分类;

规则4:if点特征&&Dp(k)

规则5:if点特征&&Dp(k)≥TpHthen虹膜属于不同类;

规则6:if点特征&&TpH>Dp(k)≥TpLthen用方向特征进行分类;

规则7:if方向特征&&Dd(k)

规则8:if方向特征&&Dd(K)≥TdHthen虹膜属于不同类;

规则9:if方向特征&&dTH>Dd(k)≥TdLthen用亮暗变化特征进行分类;

规则10:if亮暗变化特征&&Dv(k)

规则11:if亮暗变化特征&&Dv(k)≥Tvthen虹膜属于不同类。

上述11个规则中,Df、Dp、Nd、Dv分别为融合三特征加权和距离、点特征距离、方向特征距离、亮暗变化特征距离;Tf L、Tf H表示用三特征相融合进行分类的两个阈值;Tp L、Tp H表示用点特征进行分类的两个阈值;Td L、Td H表示用方向特征进行分类的两个阈值;Tv表示用亮暗变化特征进行分类的阈值。

5 实验

为了能充分验证本算法,本文分别采用了中国科学院自动化研究所的CASIA虹膜图像数据库(版本1.0)和本实验室自采集图库,从两图库中各选取60只眼睛分别进行实验,CASIA图库中每只眼睛7幅样本图像,共选取420幅图像;本实验室自采图库中每只眼睛10幅样本图像,共选取600幅图像。实验采用类内(相同模式)和类间(不同模式)图像分别两两匹配。在自动化研究所的CASIA图库中共进行匹配实验C2420=87990次,其中类内匹配60×C72=1 260次,类间匹配87 990-1 260=86 730次;在本实验室自采集图库中共进行匹配实验C2600=179 700次,其中类内匹配60×C210=2 700次,类间匹配179 700-2 700=177 000次。

正确识别率(CRR)的计算方法为:

首先,利用提取的三种特征((1)项点特征,(2)方向特征,(3)亮暗变化特征)及三种特征的融合特征(Fusion feature),针对两个图库,分别直接通过距离Dp、Nd、Dv、Df进行线性分类。实验的正确识别率(CRR),等错误率(EER)、错误拒绝次数(FR)、错误接受次数(FA)和总匹配次数(TM)共同列在表1中,在两个图库中的实验结果都以利用融合特征(Fusion feature)进行线性分类的效果最好,错误拒绝和错误接受的次数也最少,识别率分别为94.55%和96.11%,表明多种特征相结合能较全面的描述虹膜的纹理特征空间。

然后再利用本文设计的模糊推理规则进行分类识别,实验结果如图4(CASIA图库上的实验结果)和图5(本实验室自采集图库的实验结果)所示,分别为在两个图库上利用多特征进行分段线性分类的距离分布曲线。

本方法先利用融合特征(Fusion feature)进行分类,依据设计的模糊推理规则1、2、3,分别取得两个阈值Tf L和Tf H,其中将类间匹配距离的最小值设定为Tf L,将类内匹配距离的最大值设定为Tf H。例如图4(a)所示,靠左侧的曲线intra-class为融合特征的类内距离分布曲线,所有1 260次类内匹配的最大匹配距离为Tf H=4.123 6,靠右侧的曲线inter-class为融合特征的类间距离分布曲线,所有86 730次类间匹配的最小匹配距离为Tf L=3.055 3。在模式识别时,只要匹配距离Df>Tf H,则认为进行匹配的两种模式属于不同类,即两样本不属于同一只眼睛;当匹配距离Df

6 实验结果分析

从实验结果可以看出,尽管本算法具有很好的识别性能,但是,仍然存在错误识别的情况,通过对发生错误匹配的实验进行分析发现,主要有两个原因:

1)由于光照的强弱变化,会使瞳孔造成一定程度的缩放。光照强会使瞳孔收缩变小,光照暗则会使瞳孔扩张放大,这将使虹膜纹理受到瞳孔的缩放牵动和挤压而发生变化,如图6所示。在实验中,所有错误匹配的35.3%是由于这种情况造成的。

2)在空间域直接提取特征具有速度快、计算量小等优点,但受光照变化的影响却相对较大。由于光照的变化,使得局部纹理阶跃变化较弱的位置信息提取不够准确。在本实验中,所有错误匹配的64.7%是由于这种原因造成的,这也是目前在空间域提取特征所遇到的共同需要解决的问题和难点。本文方法也正是在这方面存在一定的弱势,特征的表征不稳定或容易出现错误。

因此,以后的工作将重点研究如何表征光照变化前后的稳定特征,使特征模板的提取更加准确。

7 结论

基于模糊集的军事图标识别 第4篇

关键词：模糊集,军事图标,图标识别

1 基于模糊集的军事图像识别概述

图标识别在军事领域具有重要的意义, 对军事图标进行正确的识别对军事图标中内容图像信息的检索起着非常重要作用。这主要是由于这些军事图标能够对其中的信息数据来源进行有效的反映。并且图标所携带的信息数据多, 其变化比较小, 对于文字而言, 检索起来要方便的多。纵观目前图标识别的算法, 普遍存在两个方面的问题:一个是现在所采取的图标识别方法基本上根据原图标图像的像素和形状特征进行识别, 这种方法不管是从局部或整体上来将, 都将像素点所处的位置信息忽略了。但是, 军事图标往往是人工所摄成和加工的图像, 其大多数都是由两个或者两个以上边界比较清晰的几何图像所组成, 如果这些成分图像在不同的位置出现或者组合起来的搭配位置不同, 其所形成的图标也完全不同。一个是从图像中分割出来的军事图标因为受到闪光灯、光照等作用, 其颜色将产生畸变。如果对这些图标直接进行灰度图像处理很可能会引起识别的误差, 甚至导致错误识别, 从而导致其进行二值化处理之后所形成的二值图像载有的有用数据信息非常少。

因此, 针对以上问题, 应该采取基于模糊集的军事图像识别算法, 此算法主要是将所提取的图标图像进行二值化转换, 以消除军事图标识别过程中颜色畸变的影响;接着对二值图标内部像素点的位置数据信息通过一定的算法进行定位和识别处理。该算法主要是通过形态学极限腐蚀的距离变换原理将图标中各像素点的位置数据信息进行转换, 将其转换为相对应的灰度信息, 从而使前面的二值化后的图像具有灰度特征, 最后对这些图标进行直方图特征分析, 以实现对军事图标的识别。

2 基于模糊集的军事图像识别的具体算法步骤

2.1 灰度归一化处理

在军事图标转变为灰度图像之后, 通过反梯度平均滤波法对数字化或者扫描过程中所产生的噪声进行消除, 此时再进行灰度归一化。此算法只有在对噪声进行有效消除的时候, 才能使目标边缘信息的得到比较好的保持。但是, 由于灰度归一化过程中, 容易对图标图像产生不连贯、不平滑现象, 以致于给其后续特征信息的提取产生影响。因此, 其图标的灰度归一化应该在灰度域而不是二值域进行, 其整个过程如下:第一, 采取迭代法对图标进行二值化处理, 再将这些进行二值化处理之后的图标分别在垂直、水平方面进行投影, 从而可以找到图标在之前的原图像中所对应的像素点位置;第二, 依据此像素点位置数据信息在原灰度图像之中对图标背景进行消除, 以得到灰度图标图像;第三, 对所得到的灰度图标图像进行归一化处理。

灰度归一化的具体算法:设归一化后的军事图标图像高度为H, 设归一化之前的图标图像f (x, y) 的大小为M×N, 从而得到归一化之后的点阵F (x, y) 的大小为 (MH/N) ×H。而为确保直方图柄数充足, 像素一般设为200, 其映射公式为x'= (H/N) x, y'= (H/N) Y。

2.2 主方向旋转处理

对军事图标图像在进行以上归一化之后而得到的灰度图像再进行二值化。设二值化之后的图表图像为T (x, y) , 则

为了使二值化后的军事图标的特性在旋转过程中不发生变化, 可以对其进行主方向旋转。在这个时候, 我们可以设置图像跟主方向间所形成的夹角为准:准=[atan2 (2u11, u20·u02) ]/2

在上式中:upq=∑x∑y (x-x0) p (y-y0) qT (x, y) 反映的是军事图标所在位置的中心矩 (p+q阶) ;其中x0, y0代表的是T (x, y) 所在的重心坐标。此时对军事图标按照主方向进行旋转之后, 所得到的最大外接黑色矩形, 我们就称之为目标区域, 之后的操作都是针对此目标区域所进行的, 主要是为了使二值化后的军事图标的特性在旋转过程中不发生变化。图1为二值化军事图标向方向进行旋转的前后形状。

2.3 距离变换处理

模糊集理论主要是以数学集合的形态存在, 而数学往往是以图像来表达的, 其主要是对图像的结构和基本特征进行描述, 即图像集中各部分与部分之间、元素与元素之间的关系的描述。对于大多数的二值军事图标图像, 其往往是由许多互不连通的彼此独立的几何图形所组成, 所以可将其归属为图形的集合体。可是对于二值化处理后的军事图标而言, 如果将其各个部分的像素点位置数据信息进行灰度信息转化, 于是就可以利用这个灰度信息将这些图像区别开来。其具体的转化距离函数为:

所以, 距离图表示二值化图标的各像素值和其目标相互接近的程度, 这就好比等高线图一样。如果对跟目标非常接近的像素进行最大赋值, 即对二值化图标进行背景消除处理, 所得到的图像清晰度一般跟距离成正比, 在每次操作之后, 对所有剩下的像素值进行加1处理, 从而可以得到一幅距离图。在形态学中, 也可以进行迭代地腐蚀二值图处理, 极限腐蚀就是指对图标图像通过结构元素进行不断的重复的腐蚀运算, 在不断地进行腐蚀运算的过程中, 可将那些彼此互不连通的图像区域凸现出来, 在此同时又会使一些其他的区域消失。其中, 最后一个消失的连通成分即“最终连通成分”。我们所要得到的并对其进行跟踪处理的就是这个“最终连通成分”。通过跟踪, 通过每一个最终连通成分的中心点来标识每个连通区域位置, 而所有最终连通成分的的集合, 我们就称之为极限腐蚀 (半径为r) 。图2就是极限腐蚀的一个例子;图3则是上述主方向旋转图1 (b) 在距离变化之后的形状。

2.4 相似性度量处理

军事图标发生镜面变换, 即对称变换, 其在镜面上所形成的直方图投影将发生非常大的变化。此时, 对直方图的相关距离进行求解可以对直方图归一化后形成的距离进行度量处理, 以致对这两个图形的整体相似性进行判别。首先, 我们要知道直方图的相似性一般是通过距离进行度量的, 这个距离如果大, 则表示其相似度就越小, 距离小则表示相似性越大。投影直方图的相关距离函数一般为:

其中, i大于等于零, 小于N;T (o) ———军事图标;h———直方图;T (s) ———集中图像。为了进一步消除对各种影响, 在这里直接通过直方图计算将那些特殊背景区域 (其灰度为零) 进行消除。通过此方法所求得的图标距离跟镜面变换相比并不是很敏感, 因此, 其可以对图像间的相似性进行较好地反映。最后所得到的那副距离最小的图像, 即为识别的结果。

图4对模糊识别算法的整个过程进行了生动描述。下图中, (a) 标识的是网络图像中所获取的军事图标图像; (b) 标识的是 (a) 在进行归一化 (其像素高度设置为200) 所产生的图像; (图c) 是图 (b) 在二值化处理后发生主方向旋转之后的图形, 主方向旋转之后的图 (c) 进行距离变换, 使其像素点位置数据信息进行灰度处理, 从而得到其灰度距离图 (d) 。从以下这些距离图我们能够发现, 跟边缘距离越大的点看起来越亮, 而跟边缘距离越近的点看起来则越暗, 这就表示, 距离图中像素点的灰度值能够对像素点的位置数据信息进行准确反映。从而可以对图标进行准确识别。

3 结束语

综上所述, 军事图标识别对于其想要得到的图像信息或者视频信息的检索有着极大的重要性。主要表现在军事图标图像能够反映其数据的来源, 并且还能简化其对一些信息数据的处理。本文采取基于模糊集的军事图像识别算法, 对军事图标进行识别。具体步骤主要为:灰度归一化处理-主方向旋转处理-距离变换处理-相似性度量处理, 通过这些步骤从而可对军事图标进行正确的识别。

参考文献

[1]谢谦礼, 程承旗, 马廷.一种基于模糊集理论的图像图标识别方法[J].计算机工程与应用, 2006, 42 (17) .

[2]郭丽, 孙兴华, 黄元元.距离分布直方图及其在商标图案检索中的应用[J].中国图象图形学报, 2009, 7 (10) .

[3]李弼程, 彭天强, 彭波等.智能图像处理技术[M].北京:电子工业出版社, 2009.

[4]高彦平.图像增强方法的研究与实现[M].济南:山东科技大学, 2010.

[5]李刚.数字图像的模糊增强方法[M].武汉:武汉理工大学出版社, 2009.

[6]李宏刚.基于模糊集的车辆图像增强方法研究[M].哈尔滨:哈尔滨工业大学出版社, 2009.

基于模糊算法的柴油机磨损模式识别 第5篇

关键词：模糊C-均值聚类,磨损模式,模糊聚类,贴近度,模式识别

0 引言

汇集多种油液分析方法的油液监测技术是磨损状态监测和评价的有效手段。在这些方法中,综合光谱和铁谱分析技术的油品监测,可获得磨粒的种类和数量等信息,并由此可推断出设备的磨损模式[1,2]。目前在利用磨粒信息判别磨损模式的方法中,主要有基于广义贴近度的模糊识别方法[3]、模糊逻辑方法[4]、基于证据理论的时域数据融合识别方法[5]等,但这些方法计算复杂且中间参数不易确定。为此,本文在大量柴油机光谱、铁谱监测数据处理的基础上,将模糊C-均值聚类算法应用到柴油机磨损状态评价体系中,将归一化的标准向量与模式识别相结合,较好地识别了柴油机磨损模式。

1 磨损模式识别原理

由摩擦磨损原理可知,柴油机设备的磨损模式可划分为轻微磨损、正常磨损、异常磨损和剧烈磨损4个基本模式[6]。润滑油是关键摩擦副磨损产物的主要载体,通过对其中磨损微粒数量、尺寸、分布和成分等特征的分析,就能够查明柴油机磨损状态级别。对柴油机润滑油油样的监测指标有:Fe、Pb、Cu、Sn、Cr、Bo、Si、Sb、Al、Ag等元素含量,定量铁谱参数磨损烈度指数(Is)、磨粒浓度(WPC)、大磨粒百分数(PLP)[6]。不同的磨损形式会产生不同种类的元素及磨粒,磨粒与磨损模式之间存在着一定的复杂关系,各磨损状态级别之间的界限也具有模糊性,模糊理论能够有效地处理各种不确定性的、模糊的知识,因此本文采用模糊C-均值聚类(fuzzy center-means clustering)的方法进行数据分析,通过数据挖掘,可以从样本数据中发现某些内涵信息,通过对信息的评价可以识别设备的磨损状态级别。

2 模糊C-均值聚类(FCM)[7]

假设对象集合为X{x1,x2,…,xn},每个对象为P维向量,即xi={xi1,xi2,…,xip}。将对象划分到C个簇,任意样本xi对第i类的隶属度为uik。第i个簇的质心也为一个p维向量,即vi={vi1,vi2,…,vip}。在FCM中,将n个p维数据向量分类到c个簇中的模糊划分方式组成的集合定义为模糊矩阵U,U=(Uik)∈Ρcn,并具有如下性质:

油液中元素量化指标可根据表2划分为无、少量、中量与大量4个等级,因此可对元素的隶属度规定为0、0.25、0.5、0.75四个离散值。但元素浓度等级无、少量、中量与大量本身存在模糊性,因此采用模糊隶属度函数。本文采用梯形分布隶属函数。结合表2可得如图1所示的连续的阶梯状元素浓度模糊隶属度函数。

建立的模糊隶属函数如下所示:

FCM算法的目标函数形如:

其中,U∈Rcn,V∈RPC。dik定义为对象xk与第i个簇的质心vi的距离。

在求满足必要条件的目标函数Jm(U,V)的最小化解时,若m和c是固定参数,Ik,是如下定义的集合:

在(1)式中,参数m为平滑因子,控制着模式在模糊类间的分享程度。当m=1,uik∈[0,1]时,模糊C-均值的解变成硬划分的情形;当m>1时,uik∈[0,1]时,可用加权最小二乘法找出一个恰当的模糊c组分类矩阵U=(uik)和恰当的聚类中心V={Vi,i=1,2,...,c},使得Jm(U,V)达到最小。通过Lagrange乘法可以证明,在FCM算法中应采用下列公式计算第j次迭代后的隶属度和簇的质心位置:

3 模糊C-均值聚类获取磨损模式实例

对大连柴油机厂生产的柴油机进行油液分析监测,提取20组测得的光谱和铁谱数据作为样本,得到样本集X{x1,x2,…,x20}。将样本归一化并进行聚类得到分类矩阵,根据聚类中心对同类样本平均可以得到各类的标准向量。将待识别样本与标准向量再聚类或计算样本与标准向量之间的模糊贴近度就能评判出样本磨损模式。

3.1 原始数据的标准化

由于原始数据的量纲和物理意义不同,为使它们能够进行比较,要对其进行归一化处理,即标准化。论域U={x1,x2,…,x20}为待分类的全体,其中xi={xi1,xi2,…,xic},xi1,…,xi4为各特征参量。

(1)平移、标准差变换:

(2)平移、级差变换:

3.2 选择特征参数

选取特征向量集X,柴油机磨损模式为4个级别,确定样本特征分类数c=4。根据Bezdek对平滑因子m的分析,给定模糊加权指数m=2。初始化V(0)∈Rpc,令迭代次数j=1,利用(2)式计算第j次迭代的模糊划分矩阵U(j)。利用(3)式及U(j)更新第j次迭代的质心,给定,若,则迭代过程结束,否则j←j+1,继续迭代。

对样本论域U={x1,x2,…,x20}进行聚类后得分类矩阵:

由聚类中心确定磨损状态分级标准,模糊向量中特征参量小则代表磨损状态级别低,因此根据聚类中心确定4组数据特征参量平均值,由小到大依次为1、2、3、4级。样本的磨损模式划分见表3所示。

再对样本中各状态级别的数据向量求平均,得到4个标准向量集:{c1,c2,c3,c4}。取6组数据作为验证数据,构成论域为:

对其进行再次聚类,得分类矩阵为:

聚类结果为:

将聚类分析的结果与模糊贴近度算法所得结果进行比较,比较结果见表4所示。

表4中1表示轻微磨损,2表示正常磨损,3表示异常磨损,4表示剧烈磨损。由表4可以发现,与模糊贴近度结果相比,模糊C-均值聚类分析计算结果更加准确,与专家评判结果几乎一致,因此可以应用在设备磨损模式识别中。

4 结论

本文选择光谱元素含量和铁谱参数作为特征向量,将模糊C-均值聚类算法应用到柴油机磨损模式识别中,通过与模糊贴近度算法所得结果进行比较,证明该方法能够比较准确、有效地对柴油机的磨损状态进行分类。由于模糊聚类中心与建立的磨损状态评判标准向量是通过样本数据计算所得,因此建议丰富样本空间以提高准确率。

参考文献

[1]金锡志.机器磨损及其对策[M].北京:机械工业出版社,1996.

[2]杨其明.磨粒分析[M].北京:中国铁道出版社,2002.

[3]严志军,朱新河,贾珊中.基于广义贴近度的船用柴油机磨损模式识别方法[J].润滑与密封,2002,137(1):5-8.

[4]李晓峰,严新平,史铁林,等.柴油机主要摩擦副磨损型式的识别[J].润滑与密封,1998,125(6):24-26.

[5]严志军,朱新河,程东,等.基于信息融合技术的柴油机磨损模式识别方法[J].大连海事大学学报,2002,28(2):53-55.

[6]雅克里格.柴油机的机油光谱分析检查[M].北京:中国铁道出版社,1980.

风险模糊识别 第6篇

随着模糊逻辑控制算法和人工神经网络算法的发展, 对于机器视觉识别人脸特征的算法也有了新的发展, 目前多数研究算法所采用的人脸识别从实现技术上来说, 主要可以分为以下几个类别:

1) 基于人脸几何特征进行的识别算法, 该算法运算量较小, 原理简单直观, 但是识别率较低, 适合应用于人群面部的分类, 而不适宜于每一个人脸的识别。

2) 基于人脸特征的匹配识别算法, 这种算法是预先构建常见的人脸特征以及人脸模板, 构成人脸特征库, 将被识别的人脸与特征库中的人脸进行逐一比对, 从而实现人脸识别, 该算法识别效率较高, 但是应用有一定局限性, 只能够识别预先设立的人脸特征库中的人脸模型, 因此人脸特征库就成为该算法实现的技术关键。

3) 基于统计的人脸识别算法, 该算法将人脸面部进行特征参数的划分, 如两眼距离大小, 五官之间距离等, 通过构建统计特征参数模型实现对人脸模型的识别, 该算法识别率较高, 但是算法实现起来运算量比较大, 且识别效率较低。

4) 基于模糊逻辑的人脸识别算法, 这一类算法主要结合了模糊逻辑和神经网络能够自我训练学习的机制实现对人脸的识别, 识别率较高, 且算法运算量适中, 但是算法的原理较难理解, 且模糊逻辑控制规则的建立存在一定技术难度。

本论文主要结合模糊人工神经网络方法, 将其应用于计算机人脸识别, 以期从中能够找到有效可靠的人脸识别方法及其算法应用, 并以此和广大同行分享。

1 模糊逻辑及人工神经网络在图像辨识中的应用可行性分析

1) 人脸识别的技术难点

由于计算机只能够认识0和1, 任何数据, 包括图像, 都必须要转化为0和1才能够被计算机识别, 这样就带来一个很复杂很棘手的问题:如何将成千上万的带有不同表情的人脸转变为数字信号并被计算机识别。由于人的面部带有表情, 不同的人具有不同的脸, 而不同的脸具有不同的表情, 不同的表情则具有不同的面部特征, 因此这些都成为了计算机识别人脸特征的技术难点, 具体来说, 人脸实现计算机识别的主要技术难度包括:

(1) 人脸表情:人有喜怒哀乐等不同表情, 不同的表情具有不同的面部特征, 因此如何分辨出不同表情下的人脸特征, 这是首要的技术难点;

(2) 光线阴影的变换:由于人脸在不同光线照射下会产生阴影, 而阴影敏感程度的不一也会增加计算机识别人脸特征的难度;

(3) 其他因素:如人随着年龄的增长面部特征会发生些微变化, 人脸部分因为装饰或者帽饰遮挡而增加识别难度, 以及人脸侧面不同姿态也会对计算机识别带来技术难度。

2) 模糊人工神经网络在人脸辨识中的应用可行性

如上分析所示, 计算机识别人脸, 需要考虑的因素太多, 并且每一种因素都不是线性化处理那么简单, 为此, 必须要引入新的处理技术及方法, 实现计算机对人脸的高效识别。根据前人的研究表明, 模糊人工神经网络算法是非常有效的识别算法。

模糊理论和神经网络技术是近年来人工智能研究较为活跃的两个领域。人工神经网络是模拟人脑结构的思维功能, 具有较强的自学习和联想功能, 人工干预少, 精度较高, 对专家知识的利用也较少。但缺点是它不能处理和描述模糊信息, 不能很好利用已有的经验知识, 特别是学习及问题的求解具有黑箱特性, 其工作不具有可解释性, 同时它对样本的要求较高;模糊系统相对于神经网络而言, 具有推理过程容易理解、专家知识利用较好、对样本的要求较低等优点, 但它同时又存在人工干预多、推理速度慢、精度较低等缺点, 很难实现自适应学习的功能, 而且如何自动生成和调整隶属度函数和模糊规则, 也是一个棘手的问题。如果将二者有机地结合起来, 可以起到互补的效果。

模糊逻辑控制的基本原理并非传统的是与不是的二维判断逻辑, 而是对被控对象进行阈值的设计与划分, 根据实际值在阈值领域内的变化相应的产生动态的判断逻辑, 并将逻辑判断规则进行神经网络的自我学习, 逐渐实现智能判断, 最终实现准确的逻辑判断。相较于传统的线性判断规则, 基于模糊规则的神经网络是高度复杂的非线性网络, 同时由于其广阔的神经元分布并行运算, 大大提高了复杂对象 (如人脸) 识别计算的效率, 因此, 将模糊神经网络算法应用于人脸的智能识别是完全可行的。

2 基于模糊人工神经网络的人脸识别方法研究

2.1 基于模糊神经网络的人脸识别分类器设计

1) 输入、输出层的设计:针对模糊神经网络层的输入层和输出层的特点, 需要对识别分类器的输入、输出层进行设计。由于使用BP神经网络作为识别分类器时, 数据源的维数决定输入层节点数量, 结合到人脸的计算机识别, 人脸识别分类器的输入输出层, 应当由人脸特征数据库的类别数决定, 如果人脸数据库的类别数为m, 那么输入、输出层节点数也为m, 由m个神经元进行分布式并行运算, 能够极大提高人脸识别的输入和输出速度。

2) 隐藏层结点数的选择:由于一般的BP神经网络都是由3层BP网络构成:输入层, 隐藏层和输出层, 隐层的数量越多, BP神经网络越复杂, 那么最终能够实现的运算精度就越高, 识别率也就越高;但是随着隐层数量的增加, 随之而来的一个突出的问题就是神经网络变的复杂了, 神经网络自我训练和学习的时间变长, 使得识别效率相对下降, 因此提高精度和提高效率是应用模糊神经网络的一个不可避免的矛盾。在这里面向人脸识别的分类器的设计中, 仍然采用传统的3层BP神经网络构建人脸识别分类器, 只设计一层隐层, 能够在保障识别精度的前提下有效的保障神经网络学习和训练的效率, 增加人脸识别的正确率。

3) 初始值的选取:在设计了3层BP神经网络的基础上, 需要确定神经网络的输入初始值。由于模糊神经网络是非线性的, 不但具有线性网络的全部优点, 同时还具有收敛速度快等特点, 而初始值的选取在很大程度上影响神经网络的学习训练时间的长短, 以及是否最终能够实现收敛输出得到最优值。如果初始值太大, 那么对于初始值加权运算后的输出变化率趋向于零, 从而使得神经网络自我学习训练趋向于停止, 最终无法得到收敛的最优值;相反, 我们总是希望初始值在经过每一次加权运算后的输出都接近于零, 从而能够保证每一个参与运算的神经元都能够进行调节, 最终实现快速的收敛。为此, 这里将人脸识别的初始值设定在[0, 0.2]之间, 初始运算的权值设定在[0, 0.1]之间, 这样都不太大的输入初始值和权值初始值能够有效的保证神经网络快速的收敛并得到最优值。

如果收敛速度太慢, 则需要重新设置权值和阈值。权值和阈值由单独文件保存, 再一次进行训练时, 直接从文件导出权值和阈值进行训练, 不需要进行初始化, 训练后的权值和阈值直接导入文件。

2.2 人脸识别的神经网络训练算法步骤

1) 神经网络的逐层设计步骤:神经网络需要按层进行设计, 构建信号输入层、模糊层以及输出层, 同时还要构建模糊化规则库, 以构建神经网络模糊算法的完整输入输出条件。具体构建人脸识别的神经网络层可以按照下述步骤执行:

Step 1, 构建信号输入层, 以视觉摄像头为坐标原点构建人脸识别坐标系统, 这里推荐采用极坐标系统构建识别坐标系, 以人脸平面所处的角度与距离作为信号的输入层, 按照坐标系的变换得到神经网络信号输入的距离差值和角度差值Δρ, Δθ, 作为完整的输入信号。

Step 2, 构建模糊化层, 将上一层信号输入层传输过来的系统人脸识别信号Δρ与Δθ进行向量传输, 将模糊化层中的每一个节点直接与输入信号向量的分量相连接, 并进行信号矢量化传输;同时在传输的过程中, 根据模糊化规则库的条件制约, 对每一个信号向量的传输都使用模糊规则, 具体可以采用如下的隶属度函数来进行模糊化处理:

其中cij和σij分别表示隶属函数的中心和宽度。

Step 3, 构建信号输出层, 将模糊化层经过模糊处理之后的信号进行清晰化运算, 并作为最终结果输出。

关于模糊规则库的建立, 目前所用的方法都是普遍所采用的匹配模糊规则, 即计算每一个传输节点在模糊规则上的适用度, 适用就进行模糊化规则匹配并进行模糊化处理, 不适用则忽略该模糊规则并依次向下行寻找合适的模糊规则。当所有的, 模糊规则构建好之后, 需要对每条规则的适用度进行归一化运算, 运算方法为:

2) 人脸的识别算法按如下步骤执行:

Step 1:一个样本向量被提交给网络中的每一个神经元;

Step 2:计算它们与输入样本的相似度di;

Step 3:由竞争函数计算出竞争获胜的神经元, 若获胜神经元的相似度小于等于相似度门限值ν, 则计算每个神经元的奖惩系数γi, 否则添加新的神经元;

Step 4:根据学习算法更新神经元或将新添加的神经元的突触权值置为x;

Step 5:学习结束后, 判断是否有错误聚类存在, 有则删除。

其中,

di是第i个神经元的相似度值, β为惩罚度系数, ν为相似度的门限值。γ的计算方法是对一个输入样本x, 若竞争获胜神经元k的相似度dk≤ν, 则获胜神经元的γk为1, 其它神经元的γi=-βdi/ν, i≠k;若dk>ν, 则添加新的神经元并将其突触权值置为x。

实际上, 网络训练的目的是为了提高本算法的权值实用域, 即更加精确的实现对人脸特征的识别, 从而提高算法的人脸识别率, 当训练结束后, 即可输出结果。

2.3 算法仿真测试

为了验证本论文所提出的人脸识别模糊神经网络算法的有效性和可靠性, 对该算法进行仿真测试, 同时为了凸显该算法的有效性, 将该算法与传统的BP神经网络算法进行对比仿真测试。

该测试采集样本500张人脸图片, 分辨率均为128×128, 测试计算机配置为双核处理器, 主频2.1GHz, 测试软件平台为Matlab, 分别构建BP神经网络分类器与本算法的神经网络分类器, 对500幅人脸图片进行算法识别测试。

如表1所示, 为传统BP神经网络算法和本论文算法的仿真测试结果对比表格。

从表1所示的算法检测对比结果可以发现:传统的算法也具有人脸特征的识别, 但是相较于本论文所提出的改进后的算法, 本论文提出的算法具有更高的人脸特征识别率, 这表明了本算法具有更好的鲁棒性, 神经网络模糊算法的执行上效率更高, 因而本算法是具有实用价值的, 是值得推广和借鉴的。

3 结束语

传统的图像识别技术, 很多是基于大规模计算的基础之上的, 在运算量和运算精度之间存在着不可调和的矛盾。因人工神经网络技术其分布式信息存储和大规模自适应并行处理满足了对大数据量目标图像的实时处理要求, 其高容错性又允许大量目标图像出现背景模糊和局部残缺。相对于其他方法而言, 利用神经网络来解决人脸图像识别问题, 神经网络对问题的先验知识要求较少, 可以实现对特征空间较为复杂的划分, 适用于高速并行处理系统来实现。正是这些优点决定了模糊神经网络被广泛应用于包括人脸在内的图像识别。本论文对模糊神经网络在人脸图像识别中的应用进行了算法优化设计, 对于进一步提高模糊神经网络的研究与应用具有一定借鉴意义。

参考文献

[1]石幸利.人工神经网络的发展及其应用[J].重庆科技学院学报:自然科学版, 2006 (2) :99-101.

[2]胡小锋, 赵辉.Visral C++/MATLAB图像处理与识别实用案例精选[M].北京:人民邮电出版社, 2004.

[3]战国科.基于人工神经网络的图像识别方法研究[D].北京:中国计量科学研究院, 2007.

[4]王丽华.基于神经网络的图像识别系统的研究[D].北京:中国石油大学, 2008.

[5]范立南, 韩晓微, 张广渊.图像处理与模式识别[M].北京:科学出版社, 2007.

[6]金忠.人脸图像特征抽取与维数研究[D].南京:南京理工大学, 1999.

风险模糊识别 第7篇

在电力系统中, 架空输电线路最容易发生故障。近年来电力系统继电保护与安全自动装置运行情况表明, 在220 kV及以上电压等级的输电线路接地故障中, 单相接地故障所占的比例为87.07%～92.68%[1]。发生单相接地故障时, 为保证电力系统安全稳定地运行, 一般采用切除故障相并进行再次重合的措施, 若重合于暂时性故障时, 可以大大提高供电的可靠性。目前, 对于重合闸故障性质的判断一般采用电压判据法[2], 但该方法存在一定的误动作区域, 若再次重合于永久性故障, 那么对系统将产生严重的冲击, 甚至可能失稳。因此, 本文提出一种基于模糊神经网络的自适应重合闸方法, 将神经网络与模糊控制理论结合, 使之具备处理模糊信息的功能, 为隶属函数的生成和模糊规则的提取提供了有效途径。它能够依据单相接地故障时电容耦合电压有效值与电感耦合电压有效值的比值m的隶属度, 以及故障相端电压的工频分量有效值与电感耦合电压有效值的比值CV作出模糊推理, 判断是否需要重合闸。笔者采用Matlab进行仿真分析, 验证了该方法的可行性和准确性。

1 单相重合闸电压判据及其存在的缺陷

在输电线路发生单相接地故障时, 高压架空输电线路在各相之间有相互耦合的作用, 因此, 发生故障时, 线路两端的断路器断开后, 故障相的两端仍有残余电压。如图1所示, 设A相发生接地故障, 故障相线路两侧断路器断开, 线路为两相运行状态。

Cm-线路相间电容;C0-线路对地电容;L1、Ln1、L2、Ln2-并联电抗器参数

由于健全相与故障相之间电磁与静电耦合的作用, 因此, 故障相电压的工频分量为电磁耦合电压$\dot{U}{}_{\text{x}\text{L}}$与电容耦合电压$\dot{U}{}_{\text{y}}$的矢量和。

$\begin{array}{l}\dot{U}{}_{\text{x}\text{L}}=(\dot{{\rm I}}{}_{\text{B}}+\dot{{\rm I}}{}_{\text{C}}){\rm Z}{}_{\text{m}}L(1)\\ \dot{U}{}_{\text{y}}=(\dot{U}{}_{\text{B}}+\dot{U}{}_{\text{C}})\frac{\text{j}X{}_0}{\text{j}X{}_{\text{m}}+2\text{j}X{}_0}(2)\end{array}$

式中:$\dot{U}{}_{\text{B}}$、$\dot{U}{}_{\text{C}}$为健全相电压;$\dot{{\rm I}}{}_{\text{B}}$、$\dot{{\rm I}}{}_{\text{C}}$为健全相电流。Zm为输电线路单位长度阻抗;L为线路长度;Xm、X0分别为相对地电抗和相间容性电抗。

采用T型等效电路分析, 可得到发生瞬时故障时A相端电压有效值的表达式[3]:

$|U{}_{\text{m}}|=\sqrt{U{}_{\text{y}}+\left(\frac{1}{2}U{}_{\text{x}\text{L}}\right){}^2}(3)$

由于单相永久性故障的故障点始终存在, 线路发生对地电容放电, 因此, 故障相端电压由电磁耦合电压$\dot{U}{}_{\text{x}\text{L}}$与故障点位置决定, 即

$\dot{U}{}_{\text{x}\text{L}}=(\dot{{\rm I}}{}_{\text{B}}+\dot{{\rm I}}{}_{\text{C}}){\rm Z}{}_{\text{m}}l(4)$

式中:l为故障点到线路首端的距离。

瞬时性故障由于电容耦合电压的存在, 所以端电压要大于永久性故障的端电压, 重合闸的电压判据就是基于故障相端电压的这一特性提出的。对于上述判据, 没有考虑Uy与UxL的大小, 因此, 可能造成误判, 设|Uy|/|UxL|=m, 对于瞬时性故障, 由式 (3) 得:

$|U{}_{\text{m}}|=\sqrt{U{}^2+\left(\frac{1}{2}U{}_{\text{x}\text{L}}\right){}^2}=U{}_{\text{x}\text{L}}\sqrt{m{}^2+\frac{1}{4}}(5)$

当$0\le m\le \frac{\sqrt{3}}{2}$时, |Um|<UxL, 判断电路发生的是永久性故障。由于Uy和UxL的独立性, 以及线路参数、电网结构和运行方式等各方面因素的影响, m值为$\left[0‚\frac{\sqrt{3}}{2}\right]$的可能性是存在的, 因此, 可能将瞬时性故障判断为永久性故障。

2 基于模糊神经网络的自适应单相自动重合闸

2.1 网络模型的确定

针对电压判据法存在的缺陷, 可采用模糊推理的方法修正电压判据[4]。发生单相接地故障时, 设$m=\frac{|U{}_{\text{y}}|}{|U{}_{\text{x}\text{L}}|}‚CV=\frac{|U{}_{\text{m}}|}{|U{}_{\text{x}\text{L}}|}$。m的基本论域为[0, 1], 当m>1时, 按上述电压判据判断;当0≤m≤1时, 运用模糊推理进行判断。CV的基本论域为[0.5, 1.1], 当CV<0.5时, 判定为永久性故障;CV>1时, 判定为瞬时性故障;在[0.5, 1.1]之内的值则运用模糊推理判断。考虑给定参数测量值和计算值之间存在一定误差, 致使永久性故障和瞬时性故障的边界模糊, 建立模糊神经网络 (FNN) , 如图2所示。

由于故障相断路器断开后, 故障相的端电压中有衰减的直流分量、工频分量和许多高频分量, 因此, 用滤波器滤去直流分量与高频分量, 只提取工频分量。将CV与m作为模糊神经网络的输入, 输出层节点数取为1, 瞬时性故障时输出值为1, 永久性故障时输出值为0。模糊化层采用高斯型隶属度函数f (x) =exp[- (x-a) 2/b2], 其中a为中心, b为宽度, 每个输入量用“大”、“中”、“小”3个语言值表示, 2个相邻语言变量的隶属度函数曲线交点不低于0.5。模糊推理层是整个网络的核心部分, 输入N组样本数据, 根据初始隶属度函数值计算模糊化层中“大”、“中”、“小”3个语言值的隶属度, 分别记为“L”、“M”、“S”, 取值最大的那个为隶属度值。例如一个由2个输入、1个输出构成的模糊神经网络, 其中的一条规则为M、L、S、0.3, 代表If x1 is middle, x2 is big, then y is small, CF=0.3, 可以得到m (m≤N) 条规则作为模糊推理层的模糊映射。

2.2 网络学习算法

为提高网络训练速度、抑制网络陷入局部极小, 本文采用自适应学习速率动量梯度下降反向传播算法, 将动量项引入到负梯度算法中, 并采用变化的学习率。设误差函数为$e=\frac{1}{2}(y{}_{\text{d}}-y)$, yd为理想输出, y为网络实际输出。分别对变量求偏导, 模糊推理层中的取大取小运算, 按照乘积与求和运算后求偏导, 各参数的修正量定义为

$\text{Δ}x(k)=\alpha \cdot \text{Δ}x(k-1)+(1-\alpha )\cdot l(k)\cdot g{}_x(k)(6)$

式中:α为动量因子;l (k) 为网络的学习率;gx (k) 为误差函数对权值的梯度;Δx (k) 为各参数的修正量;Δx (k-1) 为前一时刻各参数的修正量。

将得到的新参数再次输入网络, 通过不断修正网络权值, 达到迭代次数及误差精度的要求。

3 仿真及结果

本文选取单机无穷大系统作为研究对象, 利用Matlab7.0/Simulink构建一个500 kV的电力系统仿真模型, 如图3所示。线路参数:正序电阻R1=0.013 Ω/km, 电感L1=0.86 mH/km, 电容C1=0.012 μF/km, 零序电阻R0=0.267 Ω/km, 电感L0=3.0 mH/km, 电容是C0=0.006 μF/km。

为了体现各种可能的因素对判别结果造成的影响, 对系统两侧的不同故障地点、不同相对阻抗角以及经过渡电阻g (取g=200 Ω) 接地的永久性故障和瞬时性故障进行仿真分析, 滤波后得到250组训练样本数据以及50组检验样本数据, 经归一化处理后输入到模糊神经网络中。表1列出了部分检验样本及其结果。从表1可以看出, 理论值与网络实际输出非常接近。因此, 在线路发生单相接地故障时, 将模糊神经网络用于自适应重合闸电压判据中能够区分出瞬时性故障和永久性故障。

4 结语

针对在线路一端出口的附近发生永久性故障时对端的自适应重合闸有可能出现误判的情况, 本文将模糊神经网络应用于单相重合闸电压判据中, 仿真分析验证了该方法能准确有效地识别瞬时性故障与永久性故障, 在一定程度上克服了现有的重合闸电压判据在高压输电线路中应用的缺点, 证实了其在单相自适应重合闸应用中的可行性。

参考文献

[1]周玉兰, 王玉玲, 赵曼勇.2004年全国继电保护与安全自动装置运行情况[J].电网技术, 2005, 29 (16) :42~48.

[2]刘凤霞, 刘前进.基于模糊神经网络的故障类型识别[J].继电器, 2006, 34 (3) :12~14.

[3]聂宏展, 董爽, 李天云, 等.基于模糊神经网络的单相自适应重合闸[J].电网技术, 2005, 29 (10) :75~79.