前言：中文期刊網精心挑選了模糊算法基本原理范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。

模糊算法基本原理范文1

【關鍵詞】視頻圖像 車輛跟蹤 GVF-Snake模型

1 目標輪廓的獲取

1.1 初始輪廓的獲取

初始輪廓的選取，將直接影響到試驗數據最終的效果。考慮到初始輪廓選取的重要性，算法需要結合繁多交通視頻圖像的特點，利用幀差法獲取目標初始輪廓.利用前后兩幀的圖像差得到差圖像，將每個像素點的值與閾值比較得到二值圖像。

1.2 GVF―Snake模型的改進型

獲取初始輪廓，我們應用GVF―Snake模型使其收斂得到車輛目標的收斂輪廓。為準確快速地進行收斂，在傳統的GVF―Snake模型的基礎上結合交通監控圖像的特點。

d是各控制點間的平均距離。外部能量（圖像能量）函數的形式有多種，為克服基本Snake模型捕獲范圍小的問題，我們采用GVF能量。

1.3 GVF-Snake模型

活動輪廓模型就是一條可變形的參數曲線及其相應的能量函數，以最小化能量函數為目標，控制參數曲線變形，具有最小能量的曲線就是目標輪廓.在基本的Snake離散模型[121中，設活動輪廓曲線控制點為vi一（zi，Y。），1≤i≤N，N為控制點數2.2.3 貪心算法與自適應的增刪點算法為提高收斂速度，本文算法采用willams等人提出的貪心算法。

1.4 目標跟蹤模型

目標跟蹤等價于在連續的視頻流中對目標的區域、特征、模型、輪廓進行對應匹配的問題。常用的數學工具有卡爾曼（KalmanFiltering）、粒子濾波口1（Particle Filtering）、短程線法（GeodesicMethod）、預測算法[17]（Forecast Algorithm）等.本文采用預測算法對目標進行跟蹤（預測目標在下一幀的初始輪廓），并結合交通視頻的特點，對其做必要改進。由于初始輪廓與真實輪廓相差不遠，GVF―Snake模型只需要保證在較近的范圍內有良好的搜索能力，就能達到既快速又可靠跟蹤的目的。

2 關鍵技術及解決方案

基于變換的視頻處理過程如圖2，日前，變換的視頻處理技術主要是：一維子帶編碼和分級運動補償，二維子帶編碼利用分析的多分辨率特性，準確估計運動、清除運動模糊信息；分級運動補償針對兩幀圖像之間的差值信號進行變換，并在域內進行消噪、編碼等，由圖像之間的變化很小，使差值信號系數很少，這樣提高了變換的速度。但是，視頻處理速度在很大程度上取決于逆變換所需時間，視頻處理的關鍵問題在于處理速度。

2.1采用多變換

多變換足單的推廣，普通的單能同時具有對稱、正交、有限支持等性質；而多放松了對單函數的限制，擁有這些特性，它對圖像壓縮有廣闊的應用前景。

3 視頻車輛檢測系統的分析與設計

前面章節介紹了視頻圖像車輛檢測的算法及基本原理，對圖像處理過程中的圖像預處理，邊緣提取，車輛檢測及分割的基本原理、算法做了介紹，對各種算法做了分析比較，提出了新的算法。

4 結語

下一步將考慮引入模糊理論，使每個閾值根據已知的參量自適應變化，進一步提高算法的可靠性。本文提出一種基于改進的視頻模型的車輛跟蹤算法。經實驗驗證該算法是有效的，能夠較好地提取車輛目標的邊緣，完成對車輛的跟蹤。算法中引入一些閾值，盡管分別在黑夜、白晝2種模式下取值，一定程度上提高算法的可靠性，但仍然不具有自適應能力。

參考文獻：

[1]張玲，陳麗敏，何偉 等.基于視頻的改進幀差法在車流量檢測中的應用.重慶大學學報（自然科學版），2004，27（5）：31―33.

模糊算法基本原理范文2

關鍵詞：模糊控制；PID控制器；恒壓供水；Matlab

中圖分類號： TP312 文獻標識碼：A

1 引 言

目前恒壓供水技術在農業、工業和民用供水系統中已廣泛使用，由于系統的負荷變化的不確定性，采用傳統的PID算法實現壓力控制的動態特性指標很難收到理想的效果。在大多數恒壓供水系統中采用傳統意義的PID調節器，系統的動態特性指標總是不穩定，通過實際應用中的對比發現應用模糊控制理論形成的控制方案在恒壓供水系統中有較好的效果。本方案在常規PID控制器基礎上引入模糊控制器，實現被控制對象參數變化在一定范圍內模糊PID控制，使恒壓供水系統動態靜態性能指標保持最優。

2 模糊控制的結構與原理

模糊控制系統是以模糊集理論，模糊語言變量和模糊邏輯推理為理論基礎，采用計算機控制技術構成的一種具有閉環結構的數字控制系統，它從行為上模仿人的模糊推理和決策過程，它的組成核心是具有智能性的模糊控制器［1］。模糊邏輯控制的實質是利用模糊邏輯建立一種“自由模型”的非線性控制算法，在那些采用傳統定量技術分析過程過于復雜的過程，或者提供的信息是定性的、非精確的、非確定的系統中，其控制效果是相當明顯的。

模糊控制的基本原理框圖如圖1所示［3］。它的核心部分為模糊控制器，如圖1中點劃線框中所示，模糊控制器的控制規律由計算機的程序實現。實現一步模糊控制算法的過程描述如下：微機經中斷采樣獲取被控制量的精確值，然后將此量與給定值比較得到誤差信號E，一般選誤差信號作為模糊控制器的一個輸入量。把誤差信號的精確量進行模糊化變成模糊量。誤差E的模糊量可用相應的模糊語言表示，得到模糊語言集合的一個子集e（e是一個模糊矢量），再由e和模糊關系R根據推理的合成規則進行模糊決策，得到模糊控制量u。模糊控制器通常由模糊化接口、推理機、知識庫和解模糊等四部分組成。

由圖1可知，模糊控制系統與通常的計算機數字控制系統的主要差別是采用了模糊控制器。模糊控制器是模糊可控制的核心，一個模糊控制系統性能的優劣，主要取決于模糊控制器的結構、所采用的模糊規則、合成推理算法及模糊決策的方法等因素。

3 模糊自適應PID控制器的結構與原理

在工業生產過程中，許多被控對象受負載變化或干擾因素影響，其對象特性參數或結構易發生改變。自適應控制運用現代控制理論在線辨識對象特性參數，實時改變其控制策略，使控制系統品質指標保持在最佳范圍內，但其控制效果的好壞取決于辨識模型的精確度，這對于復雜系統是非常困難的。因此，在工業生產過程中，大量采用的仍然是PID算法。PID參數的整定方法很多，但大多數都以對象特性為基礎。

隨著計算機技術的發展，人們利用人工智能的方法將操作人員的調整經驗作為知識存入計算機中，根據現場實際情況，計算機能自動調整PID參數，這樣就出現了專家PID控制器。該控制器把古典的PID控制與先進的專家系統相結合，實現系統的最佳控制。這種控制方法必須精確地確定對象模型，將操作人員(專家)長期實踐積累的經驗知識用控制規則模型化，并運用推理對PID參數實現最佳調整。

模糊算法基本原理范文3

【關鍵詞】：空間負荷預測；地理信息系統；電力系統規劃；

引言

電力系統規劃的基礎是空間電路負荷預測，伴隨著近幾年電力系統在精益化管理過程中，空間電力負荷已經成為電力行業最為關注的問題。空間電力負荷預測也被稱之為空間負荷預測，主要是對于某范圍內的電力負荷數值及方位進行判斷。空間電路負荷預測是電力系統重點工作之一，按照預測結果對于某范圍內電力負荷安裝位置及容量進行確定，能夠有效提高電路系統經濟效益及穩定性能。傳統負荷預測方法主要是對未來負荷數值進行確定，但不能夠給出合理范圍設定。伴隨著電力系統精益化管理，傳統負荷預測方法已經不能夠滿足電力規劃實際需求，因此空間電力負荷預測就成為電力行業重點研究的課題。

1、空間電力負荷預測技術發展歷程

根據有關記載發現，空間電力負荷預測主要是在20世紀30年代提出的，初期被稱之為小區負荷預測，直到1983年，有關科研人員才真正為空間電力負荷預測技術進行定義，也就是為某一點范圍內未來電荷進行判斷，主要是根據電壓水平上的差異，通過有關注釋判斷用戶負荷數量及生產時間。從這以后，空間電力負荷預測逐漸被廣泛應用。我國對于空間電力負荷預測技術研究時間較短，有關文獻記錄空間電力負荷預測信息是在1989年，近幾年我國對于空間電力負荷預測技術不斷深入研究，充分發揮有關平臺的優勢，得到了良好的發展。

2、用地仿真類空間電力負荷預測方法

2.1用地仿真法的基本原理

用地仿真類空間電力負荷預測方法主要是根據土地特點及發展規律，對于未來土地類型及面積構成進行分析研究，并將其作為基礎將土地使用情況轉變為空間負荷。這種方法在實際應用中，主要是將其劃分為大小一致的網格，對于網格內信息數據進行分析，保證用地情況與空間屬性相吻合，通過評分形式對土地類型發展水平進行客觀評價。

2.2基于模糊邏輯技術的空間電力預測方法

傳統用地仿真方法在土地使用決策方面，都是根據專業人員的意見對于土地類型進行評價，并通過分值大小對用地面積情況進行判斷。這種評價結果受到人為影響因素較高，進而容易造成土地使用分配上面的差異。模糊邏輯技術是在1996年開始應用到用地仿真方法決策中，實際做法就是：在原有元胞空間屬性分析之后，進行模糊集確定，讓元胞的空間屬性模糊化，在按照專業人員的建議創建模糊數據庫，最后得到模糊分析結果。模糊邏輯技術的空間電力負荷預測方法最開始應用到單人決策上面，造成函數結果受到人為因素影較為嚴重。

2.3基于粗糙集理論的空間電力負荷預測方法

模糊邏輯技術雖然在元胞決策內應用，但是由于受到地理及社會等因素的限制，在需要提高空間預測精準度的時候，模糊規則就需要增加，造成整個決策過程十分繁瑣，難以真正實現。因此，將粗糙集理論應用到空間電力負荷預測方法中，通過簡約元胞決策中的有關因素，去除冗余性，讓整個決策過程更加簡便，提高了空間電力負荷預測方式效率質量。粗糙集理論與模糊邏輯技術在結合應用過程中，能夠形成以一種綜合數據挖掘方式。

3、空間電力負荷預測方法研究的展望

我國對于空間電力負荷方法雖然已經進行了大量研究，并且取得了良好的成果，但是主要還是對于預測方法方面的研究，預測方法在實際應用中一定會受到各種因素的影響與限制，因此空間電力負荷方法還是擁有良好的發展前景。

3.1空間電力負荷方法所需基礎信息和數據的優化整合

空間電力負荷方法在實際應用中所需要的基礎數據與信息較多，不同數據與信息來源存在較大差異，屬性不同，對于空間電力負荷方法目標及模型建立方面會造成不同程度的影響。所以，如何真正解決空間電力負荷方法所需基礎信息與數據整合問題是空間電力負荷方法主要發展方向，進而滿足空間電力負荷方法應用需求。

3.2確定空間電力負荷方法所需的電力負荷空間分辨率

根據電力負荷空間分辨率有關概念，獲得最佳電力負荷空間分辨率，為空間電力負荷提供良好的條件及基礎，但是電力負荷在空間分辨率方面還面臨較多問題。

4、負荷密度指標法

4.1負荷密度指標法的基本原理

規劃部門要真正地將土地利用計劃落到實處，也就是土地未來使用屬性已經得到明確劃分，才能夠有效保證土地決策與實際情況相吻合，但若負荷密度指標設定不合理，則會對仿真類空間電力預測方法實際應用造成嚴重的影響。所以，負荷密度指標法在空間電力預測中應用，得到了廣泛關注。負荷密度指標法需要先將負荷類別進行劃分，其次在每一個區域內按照功能形成元胞，根據有關數據信息，對于元胞負荷值進行計算評價，進而落實空間電力負荷方法。正是由于負荷密度指標法在實際應用中需先對于負荷進行劃分，然后再形成元胞，因此也被稱之為分類分區法。

4.2基于智能算法的負荷密度指標法

智能算法的負荷密度指標法在實際應用中需要經過大量前期調研，盡量收集有關數據，在對于負荷類別進行劃分，形成樣本數據庫，再按照有關影響因素，構建標準樣本數據庫，在每一個預測區域形成元胞，最后獲得有關負荷密度指標。

5、多元變量法

5.1多元變量法的基本原理

多元變量法也稱之為多變量法，該方法基于負荷峰值數據和有關影響峰值變量，對元胞負荷峰值進行預測。元胞負荷發展影響因素較多，如人口水平、氣候環境等因素，對于負荷變化都會造成影響。多元變量法能夠對于有關變量進行控制，并以此作為基礎，創建外推模型，對于元胞未來負荷進行預測。

5.2多元變量法面臨的問題

對數據質量和量的要求都比較高。元胞負荷變化受到較多因素的影響，所需要使用到的數據較多。在元胞面積較大的情況下，空間分辨率較低，造成數據在統計方面精準性難以保證，并且不同空間特點之下的數據與變量難以相互應用。

結語

空間電力負荷預測方法在時空上面的特點，并指出若按照傳統負荷預測方式，預測結果精準度將難以得到保證，同時也無法給出科學合理的空間電力負荷預測方法結果，對于電力系統規劃也會造成一定影響。

模糊算法基本原理范文4

【關鍵詞】故障診斷;基本原理;神經網絡;實際應用

引言

電梯在實際生活中出現不正常運行、停運等故障是在所難免的，而作為高層建筑中主要的垂直交通工具如果不能及時準確的查明故障原因并維修往往會給乘客帶來巨大的生命威脅。只有保證電梯的安全運行，及時的發現故障并解決故障，才能夠為乘坐電梯的乘客提供合格的安全保證。目前，國內在用的電梯缺乏完善的故障診斷系統，僅僅依靠維修技術人員的經驗以及簡單的診斷儀器已經不能夠及時的解決復雜的電梯故障問題。神經網絡技術可以應用于復雜多模式的故障診斷并且既可以用于實時監測也可以進行離線診斷，在系統模式非常復雜或者根本不知道系統模式的情況都可以應用，這些特點恰恰解決了傳統方法中最最難以解決的問題。因此必須加快神經網絡技術應用于診斷電梯故障的步伐，形成完善的故障診斷系統，才能更及時準確的查明故障原因進一步及時的解決問題，保證乘客的人身安全。

一、電梯的運行原理和電梯故障的特點

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理，每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段;第二、電梯門關閉或者電梯按照系統指令停運階段;第三、啟動階段;第四、在到達信號記錄的樓層前進行減速制動;第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）;隱含層、對接收到了大量數據進行相應的分析處理;輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化;b、確定輸入值數值大小，計算出預期輸出量;c、用實際輸出的值減去上一步得到的數值;d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差;e、修正輸出層的權值和閾值，修正隱含層的權值;f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

遺傳算法運用了生物界的優勝劣汰、適者生存的思想對復雜問題進行優化，適用于復雜的故障，起到了優化簡化問題的作用。對局部數據進行詳細的分析是小波法最大的特點，所以它被譽為“數字顯微鏡”。遺傳算法小波神經網絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數據進行歸一化，將歸一化后的數值輸入到神經網絡模型中。它融合了神經網絡、小波分析和遺傳算法三者所有的優點。基于遺傳小波神經網絡的電梯故障診斷的一般步驟為：測試節點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優化、得到故障類型。遺傳小波神經網絡模型在故障原因復雜、數據信息量巨大的電梯系統的應用中能夠發揮更大的作用。

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。

結語

綜上所述，神經網絡技術可以應用于復雜多模式的故障診斷并且既可以用于實時監測也可以進行離線診斷，在系統模式非常復雜或者根本不知道系統模式的情況都可以應用，這些特點恰恰解決了傳統方法中最最難以解決的問題，它的應用提高了電梯故障的診斷速度和準確度，保證了電梯運行的安全性。雖然神經網絡技術的優點很多，但是在實際生活中的應用還很少，因此還需要不斷的進行改進完善。同時還要注意將集中診斷方法融合到一起，例如穩重提到的模糊神經網絡模型和遺傳小波神經網絡模型都是集成應用的典型代表。

模糊算法基本原理范文5

【關鍵詞】最小割集；FTA法；變壓器

1.引言

電力變壓器是用來改變電壓和電流、傳輸電能的一種靜止電器，是電力系統中最重要的電氣主設備，是電網安全運行的基礎。隨著現代社會工業化程度不斷提高，對能源的巨大需求促進電力工業飛速發展，電力設備朝著大容量、超高壓的方向發展。電力網絡也是日趨發展為龐大的區域性甚至地區性大電網。

同時隨著電力設備容量的增大和電網規模的擴大，電力設備的故障給人們的生產和生活所帶來的影響也越來越大，因而對變壓器發生故障原因進行研究，能找出變壓器的故障特性，給變壓器的檢修工作提供一定的數據支持和事實依據，同時也能在一定程度上有效降低檢修維護工作的復雜程度。

本文提出了一種基于FTA法的變壓器的運行狀態評估分析方法。該方法應用最小割集建立故障樹，給出了變壓器運行狀態可靠性評估的計算公式。

2.基本原理

2.1 故障樹分析法的定義

故障樹分析法，簡稱(FTA Fault Tree Analysis)，是一種評價復雜系統可靠性與安全性的分析方法。故障樹分析把系統不希望發生的失效狀態作為失效分析的目標，這一目標在故障樹分析中定義為“頂事件”。在分析中要求尋找出導致這一失效發生的所有可能的直接原因和間接原因，這些原因在故障樹分析中稱之為“中間事件”。然后再跟蹤找出導致每一個中間事件發生的所有可能的原因，順序漸進，直至追蹤到對被分析對象來說是一種基本原因為止。這種基本原因，故障樹分析中定義為“底事件”[2]。

2.2 故障樹最小割集的評估方法

本文采用最小割集分析法[1]對變壓器的運行狀態進行定量分析評估。FTA法評定故障樹就是找出導致頂事件發生的所有可能的故障模式，即求出故障樹的所有最小割集。一棵故障樹往往有幾個最小割集，或至少有一個最小割集(對應一種基本故障事件的組合)的事件發生，則頂事件必然發生。通過分析最小割集可以告訴運行人員，哪些元件是系統可靠性最薄弱的環節。

2.3 最小割集分析法概率的求解

設系統的最小割集有n個，分別為：{}，{}…{}…{}，割集{}發生的狀態概率為{}，則系統失效的概率可以按下式求得[2]：

={∪∪…∪} (1)

一般Cj(j=1，2，3，…，l)是相互包含的，則系統狀態概率可以按照下式求得：

={∪∪…∪}-+…{∩…∩}(2)

并有如下的關系：

{-}≤≤ (3)

我們稱為系統的狀態概率的上界，而-為系統狀態概率的下界。

以上的精確計算，顯然是非常費時和煩瑣的，以至對于復雜網絡的計算將變的非常困難。為了克服這一困難，在工程設計中通常采用狀態概率的上界算法來求解[3]，這樣會大大提高計算速度。對于高可靠度的系統，帶來的誤差在允許范圍之內可忽略不計。這樣既保證了工程要求，又節省了大量計算時間，這種方法就是最小割集狀態概率的上界算法[3]。在對配電變壓器運行狀態的評估計算中，本文采用上界算法計算配電變壓器運行的狀態概率。系統的故障概率Ps可以簡化成各個最小割集故障概率的總和，即：

= (4)

3.變壓器故障樹的建立

在對變壓器運行狀態進行評估時，首先根據現場記錄收集整理被評估變壓器的基本事件信息，統計各基本事件運行狀態的基本數據；接著設頂事件為變壓器運行狀態，二級事件為能導致變壓器故障的主要部件故障，也稱為故障樹的中間事件。中間事件是導致變壓器故障的直接因素和原因，這里的中間事件為：繞組故障、鐵芯故障、分接頭故障、套管故障、油道故障和引線故障；然后再逐步深入分析，找出故障的基本原因，即故障樹的底事件，底事件又稱為基本事件，這些基本事件的數據是已知的，通過現場采集到的變壓器部件故障數據，可以確定基本事件由以下狀態組成[5]：

1）繞組故障（X）：X1為變壓器電流激增；X2為大氣（雷擊）過電壓；X3為操作過電壓；X4為制造工藝不良；X5為絕緣受潮。

2）鐵芯故障（Y）：Y1為鐵芯多點接地；Y2為鐵芯局部過熱；Y3為對地電阻降低。

3）分接頭故障（Z）：Z1為分接開關受潮；Z2為高溫過熱；Z3為接觸點壓力不夠；Z4為接觸點污穢。

4）套管故障（A）：A1為套管的機械損傷；A2為套管密封不良；A3為套管過熱導致的熱應力損傷。

5）其他故障包括油道故障(B)和引線故障(C)。

由此建立的配電變壓器故障樹如圖1所示：

圖1 配電變壓器故障樹圖

4.變壓器運行狀態評估

根據以上提出的基本原理，變壓器的FTA法計算過程如下：

(1)各二級事件運行狀態概率的計算公式為：

P(N)=，(N=X，Y，Z，A，B，C) (5)

在以上的公式中P(N)為各二級事件的故障狀態概率；為各個基本事件整體設備元件的總數；為各基本事件設備元件處于不良狀態個數；為各基本事件的權系數；n為基本事件的個數。

(2)變壓器的運行狀態的概率計算公式為：

=P(X)·+P(Y)·+P(Z)·+P(A)·+P(B)·+P(C)· (6)

在以上的公式中：P(X)，P(Y)，P(Z)，P(A)，P(B)，P(C)分別為繞組、鐵芯、分接頭、套管、油道和引線的故障狀態概率，為各二級事件的權系數。

(3)故障概率和可靠度的關系：

5.實例分析

本文通過對某變電工區配電網同電壓等級配電變壓器的故障數據進行的收集整理和統計計算，得到的基本事件原始數據如表1所示，由此可計算得出配電變壓器各基本事件故障概率如表2所示：

根據公式（6），得出該城區電網變壓器的故障狀態概率：

=P(X)·+P(Y)·+P(Z)·+P(A)·+P(B)·+P(C)·

=0.0950425%+0.053765%+0.025912%+0.0259130%+0.1193810%+0.075178%+0.0623320%

=0.0652

由以上的計算可知，通過公式（7）可得出該城區變壓器無故障運行的概率為：

==1-0.0652=0.9348

根據變壓器各部件的故障概率可知，該城區變壓器套管的故障概率較高，因而可以確定變壓器繞組是該運行工區變壓器檢修的薄弱環節，需要加強檢修和維護。

6.結論

(1)本文根據故障樹分析法的原理，結合最小割集算法，對傳統的故障樹分析法計算方法進行改進，提出了加權分析的FTA算法，使該算法在工程中的應用中更貼近實際。

(2)結合具體算例對變壓器故障狀態進行定量分析計算，找出了某地區變壓器檢修工作的薄弱環節，給出了相應的維修建議。

參考文獻

[1]王巍,崔海英,黃文虎.基于故障樹最小割集的診斷方法研究[J].數據采集處理,1999,14(1),26-29.

[2]魏選平,卞樹檀.故障樹分析法及其應用[A].計算機科學與技術,2004.

[3]陳文高.配電系統可靠性實用基礎[M].北京:中國電力出版社,1998.

[4]張余慶,吳桂濤,崔文彬,璣大志.基于FTA方法降低渦輪增壓器失效風險的研究[OL]中國科技論文在線.

[5]鄒杰慧,彥運昌.電力變壓器故障診斷模糊專家系統的研究開發,1994.

作者簡介：

模糊算法基本原理范文6

關鍵詞：圖像 銳化 拉普拉斯算法

一、圖像銳化的算法原理

圖像在經過平滑處理后，往往會造成圖像的邊緣和輪廓模糊，對此可以采用銳化處理來使圖像清晰化。銳化處理是為了突出感興趣的細節信息，并不一定在實際觀察效果上逼近原始圖像。銳化處理算法分為兩大類，即微分法和高通濾波。其中微分法屬于空域處理算法，適宜于在硬件上實現，常用的有梯度算法和拉普拉斯算法。

1.1梯度銳化：圖像為f ( x,y)，定義f ( x,y)在點 ( x ,y)處的梯度矢量 G[ f(x,y)]為：

梯度有兩個重要的性質：梯度的方向在函數 f ( x,y)最大變化率方向上；梯度的幅度用 G[ f(x,y)]表示，其值為：

由此式可以得出這樣的結論，梯度的數值就是f(x,y)在其最大變化率方向上的單位距離所增加的量。

由上面的公式可見：在圖像變化緩慢的地方其值很小，對應于圖像較暗；而在線條輪廓的變化較快的地方的值很大。這就是圖像在經過梯度運算后使其清晰從而達到銳化的依據。

由于圖像在變化緩慢的地方梯度很小，所以圖像會顯得很暗，通常的做法是給一個閾值Δ，如果G[f(x,y)]小于該閾值Δ，則保持原灰度值不變；如果大于或等于閾值Δ，則賦值為 G[f(x,y)]。

1.2拉普拉斯銳化：拉氏算子是一個刻畫圖像灰度的二階商算子，它是點、線、邊界提取算子，，亦成為邊界提取算子。通常圖像和對他實施拉氏算子后的結果組合后產生一個銳化圖像。

拉氏算子 （1.3）

為了更適合于數字圖像處理，將其表示為離散形式:

（1.4）

對于擴散現象引起的圖像模糊，可以用下式來進行銳化：

(1.5)

這里k 是與擴散效應有關的系數，該系數要取值合理，如果k過大，圖像輪廓邊緣會產生過沖；反之，如果k過小，銳化效果就不明顯。

如果令k =1，則公式變換為：

(1.6)

二、圖像銳化算法的C語言實現

2.1銳化的總流程圖

根據銳化模版，用C語言來實現這個算法。

利用不同參數調用構造圖像的函數產生圖像， 對產生的圖像調用銳化子程序完成銳化，完成圖像的銳化。其中銳化子程序主要是對產生的圖像數據中每一個象素用拉普拉斯算子進行運算，得出一組新的圖像數據。這樣循環構造圖像和調用圖像銳化3 次，對圖像數據進行銳化，觀察圖像銳化后的效果。

2.2銳化程序的實現

在這里設計了一個主函數和3個子函數，子函數分別問為Readimage、InitImage 和Laplace， InitImage.c 用于初始化圖像，Laplace.c 用于對圖像銳化的計算。Readimage 用于讀取圖像。其具體實現方法如下。

2．2.1程序主函數

主程序中運用了InitImage 和Laplace 子函數完成了圖像的讀取和銳化過程。首先用不同參數調用圖像函數產生圖像。然后調用銳化子程序來對圖像中每個像素進行拉普拉斯運算生成檢測圖。

2.2.2圖像讀取的程序實現

在初始化圖像子函數中，先進行初始化變量，然后使用多分支選擇語句，接著構建一個16級灰度欄信息，16 個灰度不同的圓重疊在一起的圖像圖像，以及初始化2個實物圖。其中運用了函數ReadImage 對文檔中已有的圖像進行載入，實行檢測。在讀取圖像子函數中，先進行初始化變量，然后打開文件，將圖像的指針變量定位在1078L 處，對1078L 指針值以下的數據進行讀取，讀取圖像后，將文件關閉。

該程序先進行變量初始化，定義指針變量，使用判斷語句打開文件。打開文件后，先對圖像的存儲地址進行定位，然后對指針變量進行賦值，使用循環語句讀取圖像信息，讀取完畢后關閉文件。

2.2.3對像素進行拉普拉斯算法運算的流程圖及程序

初始化工作變量，然后定位像素。對像素進行拉普拉斯運算。然后移位針對其他像素進行拉普拉斯運算。該程序初始化工作變量，然后定位相似并且賦予初值。并且對像素進行拉普拉斯運算。語句中用來兩個for 語句和一個移位來實現像素運算初值轉換。從而實現針對圖像中每個像素進行拉普拉斯運算。

三、結語

本文主要就圖像銳化處理的關鍵算法進行了論述，分析和研究了常用圖像銳化處理算法的實現原理，選擇了適合的空域處理算法。對銳化算法的幾種實現方案進行了分析比較，并做了一些改進，提高了銳化算法的執行速度。

參考文獻：

[1]Kenneth R. Castleman. Digital Image Processing[M]. 北京：電子工業出版社，2002.