區(qū)間二型模糊系統(tǒng)及其在受電弓滑板檢測中的應用研究.pdf

1、為了彌補一型模糊集合在處理不確定性時具有局限性的缺陷，Zadeh于1975年將一型模糊集合的隸屬度值再次進行模糊化，提出二型模糊集合的概念。由于采用了三維隸屬度函數(shù)，比一型模糊集合多了一維處理不確定性的自由度，二型模糊集合更適合解決現(xiàn)實環(huán)境中具有高度不確定性的問題。特別是區(qū)間二型模糊集合具有結構簡單、計算效率高的優(yōu)點，成為了目前模糊理論研究與應用的熱點。本論文以區(qū)間二型模糊系統(tǒng)理論為基礎，著重研究其在系統(tǒng)辨識與圖像處理領域的理論和應用。

2、
　　針對區(qū)間二型模糊模型建模中因規(guī)則冗余而引起的復雜性問題，進行了區(qū)間二型模糊模型規(guī)則精簡方法的研究?；诹兄髟猄VD-QR的規(guī)則精簡方法是一種有效的模糊模型規(guī)則精簡方法，但該方法沒有解決有效秩選取的問題，為此，提出了奇異值歸一化差值的概念，通過放大相鄰奇異值的差異來更加清楚地描述奇異值的突變特性，實現(xiàn)有效秩的優(yōu)選。與現(xiàn)有方法的比較結果表明:該方法獲得的規(guī)則集保證了模型的精度，實現(xiàn)了模糊模型的結構簡化。此外，與統(tǒng)計信息準則相結合

3、，提出了基于列主元QR分解的區(qū)間二型模糊模型規(guī)則精簡方法。仿真結果驗證了該方法的有效性，且與基于列主元SVD-QR方法的比較實驗結果表明，該方法提高了模型的泛化能力。
　　模糊神經(jīng)網(wǎng)絡融合了模糊推理能力和神經(jīng)網(wǎng)絡的自學習能力而被廣泛應用于系統(tǒng)辨識，其研究重點在于結構辨識和參數(shù)辨識兩方面。為此，提出一種基于聚類的自組織區(qū)間二型模糊神經(jīng)網(wǎng)絡學習算法。采用具有兩個不同加權參數(shù)的FCM算法對輸入數(shù)據(jù)進行劃分，利用聚類有效性標準確定規(guī)則數(shù)目

4、，自動完成了結構辨識和規(guī)則前件參數(shù)辨識。在此基礎上，基于梯度下降法和Lyapunov函數(shù)提出了規(guī)則后件權向量學習速率的自適應學習算法。通過非線性系統(tǒng)辨識實例，驗證了該算法具有較快的收斂速度和良好的泛化性能;并且采用該算法建立了某市電力短期負荷預測模型，仿真結果表明該模型的誤差較小、預測精度較高。
　　基于模糊熵的圖像閾值分割方法是圖像處理領域中的一種重要方法，但其面臨著如何設計有效的模糊熵測度和隸屬度函數(shù)及減少運行時間的問題。為了

5、解決這些問題，利用嚴格等價函數(shù)提出了一種區(qū)間二型模糊集距離測度和模糊熵的構建方法，由此獲得了一系列新的模糊熵計算表達式。同時，利用嚴格等價函數(shù)構造圖像的區(qū)間二型模糊隸屬函數(shù)，并通過理論分析，給出了利用最小熵準則選取最優(yōu)閾值的方法。仿真結果表明，該方法獲得了準確的分割結果，且與現(xiàn)有的其它模糊閾值分割法和改進的2維Otsu法等相比，該方法的分割結果更加準確，運行時間更少，具有廣泛的適應性。
　　受電弓滑板故障檢測對于保障電力機車安全與

6、穩(wěn)定運行非常重要。為此，提出一種基于區(qū)間二型模糊熵和Hough變換的受電弓滑板裂紋檢測方法。該方法依據(jù)像素鄰域內的灰度分布，提出一種基于區(qū)間二型模糊熵的邊緣檢測方法，獲得主體特征增強的滑板邊緣圖像;然后，采用連通域方法去除孤立噪聲點，獲得了主要包含邊界線、接縫、螺釘和裂紋四類圖形元素的滑板邊緣圖像;在此基礎上，采用Hough變換分析各類圖形元素在參數(shù)空間的特征分布，由此提出一種基于極角約束Hough變換的裂紋提取方法，通過有效地排除非裂