前言：中文期刊網精心挑選了模糊神經網絡優缺點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。

模糊神經網絡優缺點范文1

關鍵詞：模擬電路；故障診斷；模糊數學；bp網絡；模糊bp網絡

0引言

電路故障是指在規定的條件下，電路工作時它的一個或幾個性能參數不能保持在要求的上、下限之間，其結構、組件、元器件等出現性能減退、老化、破損、斷裂、擊穿等現象，喪失了在規定條件和環境下完成所需功能的能力。

長期以來，學界對模擬電路工作特點的研究已相當深入，但對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）輸入激勵和輸出響應都是連續量，模擬電路中的故障模型復雜，量化難度大；2）模擬電路信號量程寬，不管電壓、電流的量程還是頻率都可達十幾個數量級，測量難度大；3）模擬電路中的元器件參數具有容差，導致電路的故障狀態的模糊性，而無法準確定位；4）模擬電路中存在廣泛的反饋回路和非線性問題，使計算的難度更加復雜。因此，學界提出了許多模型和方法來完成對某些符合特定條件的模擬電路的故障診斷。其中神經網絡法的使用就相當普遍，在硬和軟故障診斷中都有應用，因為神經網絡的技術優勢針對模擬電路故障診斷有較好的適用性，這主要體現在：1）神經網絡的大規模并行處理特點，大大提高了診斷效率；2）自適應與自組織能力使神經網絡在學習和訓練中改變權重值，發展出新的功能。同時，模糊數學也與神經網絡相結合，這是利用了模糊數學對待診斷模擬元器件的故障不確定性進行量化處理，能夠有效克服模擬電路元器件因為容差、非線性及噪聲造成的電路參數模糊性。

本文的研究目的就是分別利用單純bp神經網絡和模糊bp神經網絡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下的關鍵點電壓，代入診斷模型并得到診斷結果。根據各網絡的結果分析比較各診斷模型的優缺點，找出模糊數學對改進模擬電路故障診斷模型的具體表現。

1模糊神經網絡的故障診斷模型

1.1典型模糊神經網絡診斷模型介紹

圖1顯示的是一個典型的模糊神經網絡模型，該模型由原始知識獲?。╢undamental knowledge acquire,fka）、特征參數處理（characteristic parameter produce,cdp）、知識提取（knowledge extracted,ke）、經驗知識庫（experience knowledge base,ekb）、學習樣本集（learning sample set,lss）和模糊神經網絡（fuzzy neural networks,fnn）共6個模塊共同組成，其工作流程是：

圖1 典型模糊神經網絡診斷模型

1）原始知識獲取模塊通過對電路工作原理進行分析，模擬或仿真各類故障發生時輸入和輸出參數，從而獲取原始知識（x，y），將其傳入知識提取模塊中供系統學習，所得經驗集存入經驗知識庫中；

2）將原始知識和已經存放在經驗知識庫中的經驗知識（初始庫可為空）一起輸入學習樣本組織模塊中，進行學習樣本的構建，合成訓練樣本集為（x1，y1）；

3）將（x1，y1）輸入到模糊神經網絡模塊，學習訓練，并在達到指定精度后停止；

4）將從模擬電路中獲得的實測參數xc輸入至特征參數提取模塊中，完成數據分析和處理，輸出特征參數數據xc'；

5）將特征參數數據輸入到學習收斂后的模糊神經網絡中，進行診斷推理，得出診斷結果yc'；

6）將得到的實測數據集（xc'，yc'）輸入學習樣本組織模塊，動態增強模糊神經網絡的自適應能力；

7）將得到的實測數據集（xc'，yc'）輸入知識提取模塊，進行分析和處理，如能提取出經驗知識，則歸入經驗知識庫中[1]。

1.2模糊神經網絡結構

模糊神經網絡的結構應該包括4層，如圖2所示。

模糊層的作用是將輸入量進行模糊化。每一個模糊層節點對應一個該論域中的模糊子集和隸屬函數。該層接收精確數值輸入，經過模糊化計算得出對應的隸屬度并輸出。

圖2 模糊神經網絡結構圖

輸入層、隱含層和輸出層共同構成一個完整的神經網絡。輸入層不具有運算功能，它只是將所感知的輸入值精確傳遞到神經網絡中；隱含層的作用相當于特征檢測器，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，該層節點是模糊神經元，與輸入層間的連接權值是隨機設定的固定值；輸出層節點也是模糊神經元，與隱含層之間采用全連接方式，其連接權值是可調的，作用是輸出用模糊量表示的結果[2]。

1.3輸入層、輸出層和隱含層節點數確定

輸入層的個數代表了電路故障診斷的關鍵測試點的個數n1，輸出點為電路所具有的潛在故障模式種類數n3。

根據輸入層和輸出層的個數，隱含層節點數n2的確定有以下4種經驗公式[3]：

（1）

（為0～10之間的常數）（2）

（為0～10之間的常數）（3）

（4）

2模糊數學和神經網絡的算法介紹

2.1模糊數學和隸屬度函數

模糊數學的作用是對測試點測得的電壓信號進行特征提取——模糊化處理。因為在模擬電路測試中，參數值會隨著故障原因的不同和故障階段不同而發生變化，所以在進行數據處理時常用方法是使用精確事實規則。即用正態分布函數作為隸屬度函數表示“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，正態分布使用較多，其中的a是該測試點的理想狀態工作點，b為該測試點在各種可能狀態下的工作電壓均方差。

2.2bp神經網絡與算法

圖3bp神經網絡模型結構圖

反向傳播網絡（back-propagation network，簡稱bp網絡），是一種有隱含層的多層前饋網絡。每一層均有一個或多個神經元節點，信息從輸入層依次經各隱含層向輸出層傳遞，層間的連接關系強弱由連接權值w來表征。bp算法是一種監督的學習，基本原理是梯度最速下降法，中心思想是調整權值使網絡總誤差最小。通過連續不斷地在相對于誤差函數斜率下降的方向上計算網絡權值和偏差值的變化而逐漸逼近目標的。每一次權值和偏差的變化都與網絡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網絡模型結構如圖3所示。

以bp神經網絡模型結構圖為例進行bp算法推導，其輸入為p，輸入神經元有r個，隱含層內有s1個神經元，激活函數為f1，輸入層內有s2個神經元，對應的激活函數為f2，輸出為a，目標矢量為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：（7）

4）輸入層的權值變化量：（8）

其中：

同理可得：（9）

5）隱含層權值變化有： （10）

其中：

同理： （11）

bp網絡經常使用的是s型的對數、正切激活函數或線性函數[5]。

3電路故障診斷算法驗證

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，電阻的標稱值如圖中所注。利用multism軟件在直流狀態下進行多次monte carlo分析仿真該電路[6]，并考慮電阻的容差影響，取40個樣本作為模糊神經網絡的訓練樣本，另取5個樣本為測試樣本。設電阻r1～r5的容差值為-5%～5%。測試點選為a、b、c、d和e五點，所測電壓值為va、vb、vc、vd和ve。

表1 部分電路實驗樣本原始數據

表2 測試樣本原始數據

表1列舉了40組電路實驗樣本原始數據的11組，包含了該電路在11種工作狀態下的五個關鍵點電壓值，所以n1=5，n2=11，隱含層的節點數可以依據公式2.3確定為12個，其中a為5。

表2則列舉了5組測試樣本的原始數據。

步驟一：數據模糊化

根據用正態分布函數作為隸屬度函數表示“大約為a”模糊概念的思路，可以分別得到各測試點上電壓隸屬度函數的參數值。

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。

由各測試點的隸屬度函數可得到網絡的訓練樣本見表3。

表3 神經網絡部分輸入、輸出訓練樣本

步驟二：將訓練樣本輸入神經網絡進行訓練

將全部40個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入bp神經網絡中進行訓練。

步驟三：將測試樣本輸入神經網絡進行檢測

將全部5個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入已經訓練好的bp神經網絡中，輸出診斷結果見表4。

表4 輸出診斷結果

表4中的數據是經過故障診斷后得到的結果，在此只是各隨機選用了一組數據加以比較說明。通過對故障診斷的試驗觀察和結果的比較可以作出以下分析。

1）模糊化數據能夠有效減少神經網絡的收斂次數。如在bp網絡診斷中，使用模糊化數據的迭代次數由886減少到263次，收斂速度明顯加快；

2）模糊化數據能夠有效提高神經網絡訓練的效果。通過表4中數據的對比可以發現對于相同的神經網絡，經過模糊化數據的訓練，其準確性更高。這主要表現在電路所對應的狀態結果普遍高于未經模糊化數據訓練的網絡得出的結果；同時，其他狀態對應的機率更低，皆低于0.1，且更多值為0，說明數據模糊化能使神經網絡的診斷結果更集中，正確率更高，有效性更加明顯。

4結論

通過分別采用bp網絡和模糊bp網絡建立了電路故障診斷模型，對電路相同工作狀態參數的診斷結果進行比較，得出了模糊數學對提高電路故障診斷模型精度和有效性效果明顯的結論。模糊數學和神經網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，還提高了診斷的準確性，有效性得到了充分顯示。

參考文獻：

[1] 呂律,魏蛟龍.基于模糊神經網絡的板級電路故障診斷研究[j].計算機與數字工程,2003（3）:21-23.

[2] 李國勇.智能預測控制及其matlab實現[m].北京:電子工業出版社，2010.

[3] matlab中文論壇.matlab神經網絡30個案例分析[m].北京:北京航空航天大學出版社,2010.

[4] 朱大奇.電子設備故障診斷原理與實踐[m].北京:電子工業出版社，2004.

模糊神經網絡優缺點范文2

關鍵詞：電力系統；小電流；接地；選線

前言

小電流接地系統發生單相接地故障時其線電壓仍對稱，不影響對用戶供電，故不必立即分斷故障線路，提高了供電可靠性，所以，在我國中壓配電網一般都采用小電流接地方式。但小電流接地系統單相接地故障時電流小，故障選線困難，通過詳細分析現有單相接地故障選線方法的優缺點，可得出一些基于故障產生的穩態信號選線方法受故障電流微弱、電弧不穩定等影響，實際使用效果并不理想；一些基于故障暫態信號的選線方法，易受電流互感器采樣精度、不平衡電流以及電網運行方式影響大?？偨Y了當前選線方法和進一步研究的方向。

1各種選線方法優缺點分析

1.1基于穩態分量的選線方法

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值上等于所有非故障元件的對地電容電流之和，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、線路長度按、出線多少、系統運行方式及過渡

電阻大小的影響，不適用于經消弧線圈接地的系統。

1.1.2基波零序電流相對相位法

零序電流相對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方向相反的特點，找出故障線路。但是，此法在故障點離互感器較遠，零序電壓較小且線路較短，電流較小時，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及系統運行方式的影響，易誤判，并對中性點經消弧線圈接地系統失效。

1.1.3群體比幅比相法

其基本原理是：先進行故障線路零序電流幅值比較，排隊后去掉了幅值小的電流。然后在此基礎上進行相位比較，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系，不可避免出現誤判、漏判，同時還受到CT不平衡及過渡電阻大小的影響，以及存在相位判斷死區。

1.1.4五次諧波分量法

發生單相接地故障時，故障電流中存在的諧波信號以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5次諧波產生的補償效果，再利用5次諧波電容電流群體比幅比相法，就可以解決經消弧線圈接地系統的選線問題。但故障電流中5次諧波含量較小（小于故障電流10%），且受CT不平衡電流和過渡電阻的影響，選線的準確度也不是很穩定。

1.1.5有功分量法

其原理是利用自動補償電網中消弧線圈上并聯或串聯阻尼電阻的特點，在發生接地故障后，電阻產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，在數值上故障線路的有功電流比非故障線路的有功電流大，據此，只要以零序電壓作為

參考向量，將此有功電流取出，就可以方便地實現接地選線保護。該方法不僅受消弧線圈串聯或并聯的電阻的影響，同時也受接地電阻和CT不平衡的影響。

1.1.6基于負序電流的選線方法

當電網中發生單相接地故障時，基波負序電流分量與中性點接地方式無關，故障線路基波負序電流分量的有效值，與所有非故障線路者相比，前者不僅數值最大，而且比后者高出許多，同時故障與非故障線路的負序電流分量的相位相反據此可構成選線判據。但負序信號獲取困難且易受負荷變化的影響。

1.2基于暫態分量的選線方法

1.2.1首半波法

首半波法是基于接地故障發生在相電壓接近最大值瞬間這一假設。用故障線路中故障后暫態零序電流第一個周期的首半波與非故障線路相反的特點實現選線。但該原理不能反映相電壓較低時的接地故障，且受接地過渡電阻影響較大，同時也存在工作死區。

1.2.2暫態能量法

暫態能量法是對系統故障后的全部過程均以能量的觀點來解釋的選線方法，定圈的零序能量函數，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總是小于零，并且其絕對值等于其它線路（包括消弧線圈）的能量的總和，根據能量函數的上

述特征可以構成選線方法。

1.2.3小波分析法

單相接地故障發生后，故障電壓和電流的暫態過程持續時間短，并含有豐富的特征信息，且比穩態值大，因此選擇合適的分析方法分析暫態信號，將有利于故障選線。小波變換具有時頻同時局部化的特點，能夠很好地提取故障暫態特征。利用小波變換的多分辨率分析將暫態信號分解到特定的頻率空間后，根據故障線路上暫態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構成選線判據。但此方法受過渡電阻、干擾信號對突變信號干擾影響較大，故離實際應用還有一定距離。

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到達，而非故障線路的反向電壓行波滯后正向電壓行波一定時間后到達，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，利用這兩個特征來選擇故障線路，此方法不受運行方式、過渡電阻以及故障初相角影響。但受線路長短和故障點遠近影響。

1.2.5基于粗集理論的選線方法

發生單相接地故障后，通過電流互感器采樣得到的暫態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確性，提出了一種基于粗集理論的改進故障選線方法。將提取的暫態零序電流故障特征作為條件屬性，信號增強倍數作為

決策屬性，構成一個決策系統。通過對決策表的約簡，得到決策系統的最小決策算法，從而實現信號增強。再利用小波包變換對增強的信

號分解，實現故障選線。該方法從一定程度上減小了CT不平衡對選線造成的影響，但仍然受接地電阻的影響，特別是小波分析對突變信號很敏感，抗干擾能力不太強，經過粗集理論將信號增強，無疑也增加了干擾信號的強度。

1.3.1模糊神經網絡法

模糊神經網絡具有模糊信息處理能力，采用相對成熟的零序電流群體比幅比相法和能量函數法的結合，對其作算法上的改進并取得樣本，通過模糊神經網絡中的極大一極小神經網絡進行訓練，利用多層訓練的收斂結果作為選線的判據。這種方法對電網結構和系統運行方式沒有依賴性，而且比較特征量明顯，選線準確率高。

1.3.2模式識別和多層前潰神經網絡法

采用統計模式識別中基于最小錯誤的貝葉斯決策方法和人工神經網絡方法進行選線。這種方法將故障后各線路零序電流看作某類故障的一個模式，通過人工神經網絡的訓練與學習來判斷故障模式，實現故障選線。

1.3.3基于D-S證據理論的選線方法

其采用D-S理論，針對故障選線的具體特點，合理構造了選線識別框架分配函數，將故障選線問題轉化為證據理論模型給出證據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信息來提高選線的準確性。

1.4其它選線方法

1.4.1電流信號注入法

借助電壓互感器空閑狀態的接地相，向電力系統注入一個特殊波形的電流信號，其頻率可取在各次諧波之間，由于系統發生單相接地故障時，被注入信號僅在接地相的線路中流通，非接地相的線路中沒有信號，故只要檢測各線路中有無注入信號電流，便可進行故障選線。對于注入法高阻接地時存在的問題，提出了注入變頻信號的方法，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還是向故障相電壓互感器副邊注入頻率為70Hz的恒流信號，然后監視各出線上注入信號產生的零序電流功角、阻尼率的大小，再計及線路受潮及絕緣老化等因素可得出選線判據。

1.4.2殘流增量法

在電網發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隨之改變，因此只要對失諧度變化前、后各條饋線的零序電流進行實時采集，對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，當差值的最大值大于零時，對應的線路為故障線路。這種方法的本質是尋求最大零序無功功率突變量的代數值，從理論上基本消除了不平衡的影響，但也有兩個缺陷，計算過程中需選取一個中間參考正弦信號。如果該信號出現問題，如發生斷線、交流電源失壓等，將造成該算法失效。此外，這種算法在計算過程中需求出有關向量的相位關系，計算量很大。

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、甚至轉換時間的影響，所以應加強互感器優化的研究，充分利用新材料，新工藝，利用新原理。盡可能地減小其對信號的影響。

2.2短路故障時存在過渡阻抗，并且過渡阻抗在不同短路情況下（長久性故障、瞬時性故障），過渡阻抗大小差別很大，因受其變動影響，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其的影響。

2.3中性點運行方式和線路長短即電網參數變化，也會影響到一些選線方法的適用范圍，隨著我國配電網自動化水平的提高，中性點采用自適應接地方式也有可能，所以選線的原理和方法應能適應電網參數變化，提高選線正確率。

3 結束語

通過對現有單相故障選線方法的綜合分析，可得出單相基地故障復雜性與選線方法單一性，故障信號信息的多樣性與利用量低之間的矛盾，為解決這兩個矛盾，需要加強對小電流接地方式的穩態和暫態分析，充分利用其故障信號中的信息，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

模糊神經網絡優缺點范文3

關鍵詞：主成分分析法；農村生活飲用水；水質評價

中圖分類號：R123文獻標志碼：A文章編號：

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

農村飲水安全是廣大農村居民最關心現實的問題，同時也是農村居民生活狀況改善的重要標志。近年來農村集中式供水工程建設加快，為保障農村飲用水安全打下了很好的基礎[1]。然而農村飲用水監測顯示[2-3]，由于集中式供水工程存在處理工藝不夠完善、運行管理不夠規范等問題，同時對水源未實施有效的保護，水源水受到不同程度的污染，致使農村飲用水水質衛生仍存在較大安全隱患。目前針對農村生活飲用水水質評價常用單項水質指標的合格率來描述，該方法能了解主要污染物，但不能全面評價水質。同時水質是由多因子構成的復雜系統，這種方法不能反映多個指標的綜合作用，結論具有片面性[4]。主成分分析是從多個指標之間的相互關系著手，將多個指標化為少數幾個不相關的綜合指標的多元統計方法。本文通過主成分分析法探討農村飲水安全工程水質監測點水質質量的綜合評價，為監測點生活飲用水水質衛生質量改善提供依據。

1對象與方法

1.1對象

以貞豐縣2011 年農村飲用水監測點為研究對象，共有10個監測點，涉及6個鄉10個村。

1.2方法

1.2.1水質監測

監測點水質檢測指標包括感官性狀和一般化學指標（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）、毒理學指標（氟化物、砷、硝酸鹽）、細菌學指標（菌落總數、總大腸菌群）。按照《生活飲用水衛生標準》GB/T 5749-2006評價出渾濁度、錳、耗氧量、氨氮、硝酸鹽、菌落總數和總大腸菌群等7項指標有的超標情況，然后針對這7項指標應用主成分分析法進行監測點水質的綜合評價。

1.2.2主成分分析評價

主成分分析法是通過降維處理，把多指標轉化為少數幾個綜合指標的多元統計分析方法。假設有n個被評價的水樣，每個水樣有m個指標，原始數據為n×m階矩陣（Xij）n×m。評價的基本步驟如下。

（1）對原始數據矩陣進行標準化處理，消除量綱的影響。本文采用標準差標準化法，即各指標的原始數據減去該指標的均值再除以標準差。

X′ij=（xij-xj）sj（1）

xj=1n∑ni=1xij（2）

sj=1n-1∑ni=1（xij-xj）2（3）

式中：X′ij為標準化數據；xj和sj（j=1，2，…，m）分別為各指標的均值和標準差。

（2）根據標準化數據（X′ij）n×m 計算它的相關矩陣R=（rij）m×m。

（3）計算相關矩陣R的特征值和特征值所對應的特征向量。

（4）計算主成分的貢獻率，根據累計貢獻率選取主成分個數。一般取累計貢獻率>80%的前 k個主成分。

（5）選出k個特征值對應的單位特征向量，寫出主成分

計算公式Zj（j=1，2，…，k）。

（6）將各監測點的標準化數據分別代入監測點各主成分的表達式中，可計算監測點各主成分的得分，然后與其貢獻率乘積的和又可算出綜合主成分得分。

2結果

2.1原始數據標準化處理

本文以2011 年貞豐縣農村飲用水監測點水質監測上報數據為例進行分析，檢測18項常規水質指標，其中7項指標有超標情況，針對這7項指標的監測數據進行標準化處理，標準化數據見表1。

2.2計算相關系數矩陣

采用SPSS11.5 軟件進行主成分分析，得到7個變量的相關系數矩陣（表2），由表2可知，變量間有較大的相關系數，

表1貞豐縣農村生活飲用水監測點水質標準化監測數據

表2標準化數據的相關系數矩陣

適于用主成分分析法來研究變量之間的關系。

2.3主成分的確定

主成分分析顯示，主成分的特征值、貢獻率和累積貢獻率見表3。 由表3可知，第1、2、3主成分的累計貢獻率達85%以上，表明它們代表了原始數據的大部分信息，因此取這3 個主成分對原始監測點水質進行綜合評價。本文采用因子正交旋轉法[5]，由表4的特征向量可得z1、z2和z3這3個主成分與各個變量線性關系表達式（4）、式（5）和式（6）。

Z1=-0085x1-0066x2+0775x3-0184x4+0136x5+0945x6+0951x7（4）

表3主成分的特征值、貢獻率和累積貢獻率

表4主成分的特征向量

由主成分的線性表達式可見，第1主成分與水質指標耗氧量（x3）、菌落總數 （x6）和總大腸菌群（x7） 關系密切，第2主成分與水質指標錳（x2） 和氨氮（x4） 關系密切；第3主成分與水質指標渾濁度（x1） 和硝酸鹽（x5） 關系密切；其中第一主成分占的比例最大，主要反映飲用水的有機污染和微生物污染狀況。將原始指標的標準化數據分別代入方程（4）、（5） 和（6），求得監測點各個主成分的得分，然后以貢獻率為權數，得到各監測點的綜合得分，見表5。

表5監測點水質綜合評價結果

從表5可見，各監測點水質綜合得分由高到低依次為北盤江鄉新屯村、長田鄉大地村、珉谷鄉白蠟村、平街鄉李家屯村、珉谷鄉旗上村、小屯鄉半坡村、小屯鄉小屯村、魯貢鄉魯貢村、小屯鄉分水嶺村和小屯鄉仁朝村。綜合分值低的監測點，水質好于分值高的監測點。

3討論

水質綜合評價有指數評價法、模糊數學法、人工神經網絡評價法、灰色評價法和主成分分析法等多種方法[6]，從不同的角度對水質進行評價，各具優缺點。如翟敏等[7]應用綜合指數法評價農村小型集中式供水水質，能對整體水質做出定量描述，反映水體污染的性質和程度；劉濤等[8]應用基于模糊理論和神經網絡方法構建混合型模糊神經網絡模型對農村水源地水質進行評價，可對水質評價系統中的模糊信息進行學習，又可對模型信息進行處理和決策，得到的結果更加科學、可靠。目前主成分分析方法已應用于江河、湖泊等水體的水質評價，并開始在農村飲用水水質評價中得到逐步應用；趙艷玲等[4]采用主成分分析方法對三種處理方式（完全處理、部分處理和未處理）的農村自來水進行水質評價；該分析方法能夠在保證原始數據信息損失最小的情況下，效地減少了分析指標的數量。

本文利用主成分分析法對農村飲水安全工程水質監測點水質質量進行綜合評價，結果顯示貞豐縣農村飲用水監測點水質問題主要是微生物和有機物污染；從各監測點綜合得分來看，北盤江鄉新屯村監測點水質較差，小屯鄉分水嶺村監測點水質較好。綜合評價結果與監測實際情況相一致，說明主成分分析法能客觀地綜合評價農村生活飲用水水質質量。分析結果還提示應加強水質較差監測點水源的保護，防止人畜糞便或生活污水污染導致的微生物和有機物污染綜合指標超標；同時，應強化飲用水的消毒處理工藝等措施，來提高監測點水質衛生質量，保障農村居民的飲水安全。參考文獻：

[1]張琦，魏海春，李洪興，等.農村飲用水水質衛生管理現狀及發展[J].環境與健康雜志，2013，30（3）：263-265.

[2]金立堅，劉祖陽，張成云，等.四川省2008年農村飲水安全工程水質調查分析[J].中國衛生工程學，2009，8（6）：341-344.

[3]蔡建民，樓嘵明，王嘵峰，等.浙江省農村水廠出廠水水質調查監測情況分析[J].中國衛生檢驗雜志，2010，20（11）：2929-2930.

[4]趙艷玲，陶勇，付彥芬.主成分分析在農村飲用水水質評價中的應用[J].現代預防醫學，2008，35（1）：50-52.

[5]胡艷玲，齊學斌，黃仲冬，等.主成分分析法在農村生活飲用水水質評價中的應用[J].中國農村水利水電，2011（11）：139-141.

[6]甘霖，張強，李大斌，等.基于熵權的尼梅羅指數法在農村生活飲用水評價中的應用[J].現代預防醫學，2010，37（20）：3821-3823.

模糊神經網絡優缺點范文4

遙感圖像分類一直是遙感研究領域的重要內容，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關鍵問題，具有十分重要的意義。

本文應用最大似然法及ISODATA算法對西安城區長安區典型地物的SPOT5遙感圖像進行分類，提取地物覆蓋/土地利用的專題信息，重點闡述對研究區域樣本的確定和特征選擇，并對分類結果進行精度評價。

關鍵詞 ：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：P407文獻標識碼： A

1引言

在遙感技術的研究中，通過遙感影像判讀識別各種目標是遙感技術發展的一個重要環節，無論是專業信息提取，動態變化預測，還是專題地圖制作和遙感數據庫的建立，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，二是計算機信息提取。

通常將計算機自動分類分為非監督(Unsupervised)和監督(Supervised)兩種。非監督分類按照特征矢量在特征空間中類別集群的特點進行分類，分類結果只是對不同類別達到了區分，而類別屬性則是通過事后對各類的光譜響應曲線進行分析，或通過實地調查后確定的，常見的非監督分類法有K-均值、迭代自組織數據分析等。監督分類是在有先驗知識的條件下進行的，先選擇訓練樣區，根據已知像元數據求出參數，確定各類判別函數的形式，然后利用判別函數對未知像元進行分類，經典的監督分類法有最大似然、最小距離法、光譜角分類法等。

2研究內容

本文使用西安市2005年SPOT5多光譜遙感圖像作為主要數據源，裁剪長安區作為研究區域影像進行處理計算。應用監督及非監督分類法對有研究區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用，并對分類結果進行了詳細的精度評價，重點闡述對研究區域樣本的確定和特征選擇及其在遙感圖像處理軟件ERDAS中分類實現的操作流程。

3遙感圖像分類實驗流程

本文采用SPOT5數據進行分類實驗，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 遙感圖像分類實現流程圖

本文旨在研究圖像分類，因此下面將對圖像分類過程中的樣本確定和分類實現流程做具體闡述。

3.1 研究區典型地物類型樣本的確定

3.1.1樣本確定的原則和方法

根據已掌握的典型地類的地面情況，在圖像上選擇訓練樣本。現有研究表明，訓練樣本選擇不正確便無法得到正確的分類結果，訓練樣本的選擇要注意準確性、代表性和統計性三個問題[2]。因此本文確定樣本的方法是結合目視解譯標志與實地調查，并與現有地圖比對，直接在遙感圖像上選取樣本。

3.1.2研究區地物類型的確定

從已有的城市地物分類研究中參考，研究地物分類的文獻中提出了一些建議的分類方案。徐麗華對上海2002年6月地面分辨率為5米的SPOT5遙感圖像進行的模糊神經網絡分類，認為城市地物類型可以分為：植被、水體、其他城市地表三個大類，其下則可以分為30個亞類[3]。研究認為三個大類（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，根據國家土地利用分類的標準和已有的城市地類研究的結果，結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各個地物類型的樣本的選取方法

采取室內判讀和野外實地調查及參閱地圖、高分辨率衛星圖片結合的方法建立相對準確的目視解譯標志。

1)初步判讀。根據SPOT遙感圖像波段組合分析，SPOT5數據缺少藍色波段，因此對于該研究區域，采用B321波段的組合方式，并分別賦予紅色、綠色、藍色，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別。

2)地面實地調查采集。驅車沿太白南路至西灃路，沿路采集調查，并攜帶西安市地圖進行地面實地考察調查判讀，記錄調查結果。

3）利用高分辨率遙感圖像作為參考選擇樣本點 。為了更清晰的識別各類地物，確定樣本選擇的準確性，選擇Google earth 中的高分辨率衛星圖像作為參考，選擇本研究區域對應的樣本點。

綜上得到研究區域典型地物類型的目視解譯標志，如表1示。

表1 西安市城區典型地物類型的SPOT5遙感影像目視解譯標志

3.1.4利用ERDAS遙感圖像處理軟件選取樣本點

計算機自動分類必須有一定熟練的地物樣本，實地調查只獲得少量的樣本量，因此結合實地調查與目視解譯方法，借助ERDAS軟件在遙感圖像上隨機選取所需的樣本。

3.2ISODATA法分類

初始分類，一般設置為最終分類的兩倍以上，本次試驗經過分析確定的地物類別為水系、植被、道路、建筑四類，故此處設置為10類，迭代次數為6次。.2打開上步結果圖與原圖對比，編輯類別顏色和名稱；分類重編碼和色彩重定義，輸出ISODATA分類結果圖。

3.3最大似然法分類

3.3.1分類模板的建立與評價

ERDAS imagine 8.7在監督分類過程中，首先選擇可以識別或者借助于其它信息可以斷定其類型的像元建立模板，然后基于模板使計算機系統自動識別具有相同特征的像元。多次反復后建立一個比較準確的模板，并在此基礎上最終進行分類[4]。應用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對話框中將其加載到signature editor分類模板中。根據多次試驗，每次變換不同的位置和大小來選擇訓練樣本，添加到分類模板中進行評價。在ERDAS中選擇分類模塊下的supervised分類方法，依據上步所建立的分類模板執行分類，輸出最大似然法分類分類結果圖。

4分類結果及分類精度評價

由于“同物異譜”或“異物同譜”現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果都會存在不同程度的偶然性，即分類的結果不可能達到與地物的真實分布完全對應。因此對分類的結果進行分析與評價是整個分類過程中的一個重要的、必不可少的環節[5]。本論文中進行分類精度評價的目的包括兩方面的內容：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分析來進行[2][6][7]。

4.1誤差矩陣

進行精度評估，首先建立精度評估誤差矩陣，該誤差矩陣采用像元抽樣產生，本實驗中抽取256個隨機點。誤差矩陣值如下表所示：

表3 最大似然監督分類誤差矩陣 表4 ISODATA非監督分類誤差矩陣

4.2 Kappa 系數

Kappa 系數能全面衡量分類誤差，克服其它評價指標的缺點，因此，kappa 系數可作為分類精度評估的綜合指標。

表5 最大似然監督分類Kappa分析

總體精度 = 92.58% ，Kappa 系數 = 0.8644

表6ISODATA非監督分類Kappa系數分析

總體精度= 83.20% ，Kappa系數= 0.7254

由此可看出ISODATA分類方法處理的結果，水體和道路的分類精度較差，但植被的分類精度較高，生產精度達到90.72%，總體分類精度達到要求。 但采用最大似然監督分類法Kappa系數在0.8以上，達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行影像分類的結果較理想，分類精度也較高。本次試驗中，采用監督分類最大似然法的分類精度明顯比采用非監督分類的ISODATA法分類精度高。

5結語

由于遙感圖像分類的研究涉及到眾多的科學研究領域，內容繁多，同時也由于時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地調查信息，參考的高分辨率影像與所研究區的影像不是一個時間段的，加上目視解譯的判斷，因而對研究區地物類型判斷上出現偏差，進而影響分類樣本。

2）分類中使用分類特征只是基于光譜特征，過于單一，有待進一步研究。

3）不同地物波譜相似性，使得結果還是具有一定的誤差，尤其是誤分現象較為明顯，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，出現較多的錯分現象。

鑒于以上幾個方面不足，今后可以繼續進行以下幾個方面的研究工作：

1）對于分類特征的選擇除了考慮光譜特征外，還可進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行區分，則是進一步努力的方向。

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，隨著遙感技術不斷發展，遙感圖像分類應用要求不斷提高，遙感圖像分類方法也在不斷發展，各種分類新方法新工具不斷引入分類系統中。但是各種方法各有其優缺點和使用條件，因此需要對這些方法不斷的深入研究。

參考文獻：

[1]吳學軍．城市TM遙感影像分類方法研究[D]，廣西：廣西師范大學．2007．

[2]冉有華，李文君，陳賢章．TM 圖像土地利用分類精度驗證與評估― 以定西縣為例[J]．遙感技術與應用．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：電子工業出版社，2003．

[4]張京紅，劉安麟，李登科等。ERDAS IMAGINE監督分類模板評價的研究[J]．山西氣象，2004(3)：37-39．

[5]吳健平，楊星衛．遙感數據分類結果的精度分析[J]．遙感技術與應用．1995，10(1)：17-24．