基于模糊聚类分析与SWRL的电解质失衡疾病诊断系统的设计研究
基于模糊理论和多智能体的水电机组在线故障诊断研究
ｏ ｕ ｔｍｏ ｉ ｒ ｇ ａ ｅｔ ｇ ａ ｎ ｒ ｌｓｇ ａ ｓｄ ｒ ｃｌ ｒ ｍ ｓ ｅ ｎ ｅ ｈ ｅ ｕ ｒ ｍｅ ｔ ｏ ｅ ｌ ｔ ｎ ｅ ｓｔ ｉ ｆ ｆｆ ｌ ａ ｎ ｔ ｉ ｓ ｇ ｔ ｎ ｂ ｏ ｍａ ｉ ｎ ｌ ｉ ｔ ｆｏ ｉ ，ａ ｄ ｍｅ ｔｔ ｅ ｒ ｑ ｉ ｏｎ ｉ ｅ ｙ ｔ ｅ ｎ ｎ ｒ ａ — ｉ ａ ｄ ｓ ｎ ｉ ｖｔ ｏ ｍｅ ｉ ｙ
ｆ ｌ ｍ ｎｔ ｉｇａ ｅ ｓ ｇａ ｍ ｌ － ｇ ｎ ｐ ｒｌ ｌ ｔ ｃｕｅ Ｔ ｅＪ Ｆ Ｓ ｓｆ ａｅ ｂ ｓｄ ｏ ｖ ａ ｓ ｄ ｔ ｂ ｉ ｌｔ ａ ｔ ｏ ｉ ｒ ｆ ｒ ｉ ｕｔ Ａ ｅ ｔ ａａ ｅ ｓ ｕ ｔｒ． ｈ Ａ ＭＡ ｏ ｗ ｒ ａｅ ｎ ｊ ａ ｗ ｓｕ ｅ ｕ ｄ ａｐａ ｕ ｏｎ ｔ ｕｎ ｉ ｌ ｒ ｔ ａ ｏ ｌ －
水 力 发 电
第３ 卷第３期 ６
２１ ０ ０年３月
基 于 模糊 理 论 和 罗 智 能 俸 的 水 电 机 组
在 线 故 障 诊 断 研 究
杨 志 荣 ．周 建 中
（ 中科 技 大 学 电 气 与 电子 工 程 学 院 ． 湖 北 武 汉 华 ４ ０６ ） ３ ０ ８
摘 要 ：针对 水 电机 组 现 有在 线 监 测 方 式 的缺 陷 ，设计 了一 种 基 于 多 智 能体 的故 障 诊 断 系统 模 型 。与 经 典 Ｍ Ｓ故 障 Ａ 诊 断 系 统 相 比 ，该 模 型将 任 务控 制 与 任 务 分 解 融 合 于 一 个 Ａ ｅｔ 系统 中 ，提 高 了 控 制 信 号 的传 输 率 并 简 化 系 统 ： ｇｎ 子 状 态 监 测 子 系 统 直 接 从 监 控 现 场 提 取 异 常 特 征 信 号 以提 高 故 障监 测 的灵 敏性 ：在 故 障 诊 断 子 系 统 中设 计 了多 Ａ ｅｔ ｇｎ
基于灰色关联分析和聚类云模型的变压器油纸绝缘状态评估
第51卷第21期电力系统保护与控制Vol.51 No.21 2023年11月1日Power System Protection and Control Nov. 1, 2023 DOI: 10.19783/ki.pspc.230312基于灰色关联分析和聚类云模型的变压器油纸绝缘状态评估邹 阳1，林锦茄1，李安娜2，张云霄1(1.福州大学电气工程与自动化学院，福建 福州 350108；2.国网福建省电力有限公司厦门供电公司，福建 厦门 361004)摘要：电力变压器复合油纸绝缘状态的准确诊断对电力系统安全稳定运行以及设备自身运维具有重要指导意义。
针对油纸绝缘介电响应少数特征量评估和未考虑系统随机性导致评估不准确的问题，提出基于灰色关联分析(grey relational analysis, GRA)与聚类云模型的评估方法。
首先，基于回复电压法和扩展德拜模型提取5个相关特征量，建立油纸绝缘状态评估体系。
然后，针对多特征量在反映绝缘状态的敏感性差异，采用组合赋权法综合GRA和改进层次分析法，避免了数据信息丢失，使权重分配更加合理。
最后，利用云模型雾化特性反映数据随机性，全面考虑评估指标等级分类边界的随机性和模糊性后构建了聚类云模型隶属度选择器。
通过多台不同糠醛含量变压器实测数据进行验证表明，该评估方法不仅能够准确反映变压器实际绝缘状态，而且能体现其劣化趋势，为检修策略的制定提供参考依据。
关键词：油纸绝缘；时域响应；模糊综合评估；聚类云模型；灰色关联分析；改进层次分析法Evaluation of transformer oil-paper insulation status based on grey relationalanalysis and a cluster cloud modelZOU Yang1, LIN Jinjia1, LI Anna2, ZHANG Yunxiao1(1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, China; 2. Xiamen PowerSupply Company, State Grid Fujian Electric Power Co., Ltd., Xiamen 361004, China) Abstract: Accurate diagnosis of the composite oil-paper insulation state of power transformers is of great guiding significance for the safe and stable operation of power systems and the operation and maintenance of equipment itself. In this paper, an evaluation method based on grey relational analysis (GRA) and a clustering cloud model is proposed to solve the problem of inaccurate evaluation caused by few characteristic quantities of the dielectric response of oil-paper insulation and failure to consider the randomness of the system. First, based on the recovery voltage method and the extended Debye model, five relevant features are extracted to establish the oil-paper insulation state evaluation system.Second, in view of the sensitivity differences of multiple feature quantities in the reactive insulation state, a combination weighting method combining GRA and an improved analytic hierarchy process is used to avoid data information loss and make the weight allocation more reasonable. Finally, it uses the atomization characteristics of the cloud model to reflect the randomness of the data, and comprehensively considers the randomness and fuzziness of the classification boundary of the evaluation index grade. After that a clustering cloud model membership selector is constructed. The validation of measured data from multiple transformers with different furfural content shows that the evaluation method can not only accurately reflect the actual insulation status of the transformer, but also reflect its deterioration trend, providing a reference basis for the formulation of maintenance strategies.This work is supported by the Major Research Program Cultivation Project of the National Natural Science Foundation of China (No. 92266110).Key words: oil-paper insulation; time domain response; fuzzy comprehensive evaluation; cluster cloud model; grey correlation analysis; improved analytic hierarchy process0 引言回复电压法(return voltage measurement, RVM)基金项目：国家自然科学基金重大研究计划培育项目资助(92266110)；福建省自然科学基金项目资助(2019J01248) 是一种以时域介电响应理论为基理的油纸绝缘系统测量方法，简便无损且携带绝缘状态信息丰富，已被广泛应用到变压器油纸绝缘状态的评估中[1-3]。
人工智能领域模糊逻辑和模糊系统方面88个课题名称
人工智能领域模糊逻辑和模糊系统方面88个课题名称以下是人工智能领域模糊逻辑和模糊系统方面的88个课题名称：1.模糊逻辑与人工智能的应用研究2.模糊逻辑在机器学习中的应用3.模糊推理与知识表达4.模糊控制系统的设计与优化5.模糊规则库的自动构建算法6.模糊神经网络的设计与训练7.模糊集合理论与人工智能的集成8.模糊集合在聚类分析中的应用9.模糊推理在决策支持系统中的应用10.模糊系统在智能交通系统中的应用11.模糊逻辑在自然语言处理中的应用12.模糊逻辑在机器视觉中的应用13.模糊逻辑在智能机器人中的应用14.模糊逻辑在医疗诊断中的应用15.模糊逻辑在金融风险评估中的应用16.模糊决策树的构建和优化17.模糊集合在数据挖掘中的应用18.模糊规划与模糊优化算法研究19.模糊逻辑在智能交互系统中的应用20.模糊集合在模式识别中的应用21.模糊神经网络模型的改进与优化22.模糊逻辑在智能音频处理中的应用23.模糊系统在能源管理中的应用24.模糊决策支持系统的设计与实现25.模糊逻辑在人机交互中的应用26.模糊决策在供应链管理中的应用27.模糊集合在智能传感器网络中的应用28.模糊神经网络在图像处理中的应用29.模糊逻辑在机器人导航中的应用30.模糊集成系统的建模与仿真31.模糊逻辑在风险评估中的应用32.模糊控制在工业自动化中的应用33.模糊决策在项目管理中的应用34.模糊逻辑在自动驾驶中的应用35.模糊规划在城市规划中的应用36.模糊系统在嵌入式系统中的应用37.模糊逻辑在智能家居中的应用38.模糊决策在医疗资源分配中的应用39.模糊集合在物联网中的应用40.模糊神经网络在语音识别中的应用41.模糊逻辑在电网管理中的应用42.模糊控制在飞行器导航中的应用43.模糊规划与模糊匹配的研究44.模糊逻辑在航空管制中的应用45.模糊决策支持系统在供应链管理中的应用46.模糊集合在智能视频监控中的应用47.模糊逻辑在电力系统中的应用48.模糊推理在网站推荐系统中的应用49.模糊控制在水资源管理中的应用50.模糊规划与时间序列分析的研究51.模糊逻辑在虚拟现实中的应用52.模糊决策在物流运输中的应用53.模糊集合在智能安防中的应用54.模糊神经网络在手写字符识别中的应用55.模糊逻辑在风电场管理中的应用56.模糊控制在石油化工过程中的应用57.模糊规划与智能匹配算法的研究58.模糊逻辑在智能仓储中的应用59.模糊决策支持系统在供应链协同中的应用60.模糊集合在智能交通信号控制中的应用61.模糊逻辑在飞机故障诊断中的应用62.模糊决策在电子商务中的应用63.模糊神经网络在航空器设计中的应用64.模糊逻辑在火电厂运行管理中的应用65.模糊控制在化工过程优化中的应用66.模糊规划与智能匹配在人力资源管理中的应用67.模糊逻辑在物联网安全中的应用68.模糊决策支持系统在供应链危机管理中的应用69.模糊集合在智能交通路线规划中的应用70.模糊逻辑在医疗器械设计中的应用71.模糊决策在电子支付中的应用72.模糊神经网络在智能电网中的应用73.模糊逻辑在钢铁冶炼过程中的应用74.模糊控制在交通拥堵优化中的应用75.模糊规划与智能匹配在企业战略决策中的应用76.模糊逻辑在自动化仓库中的应用77.模糊决策支持系统在供应链可持续发展中的应用78.模糊集合在智能交通违章识别中的应用79.模糊逻辑在汽车动力系统设计中的应用80.模糊决策在电子游戏中的应用81.模糊神经网络在智能能源领域中的应用82.模糊逻辑在能源消耗优化中的应用83.模糊控制在机器故障预测中的应用84.模糊规划与智能匹配在企业价值评估中的应用85.模糊逻辑在火车运行控制中的应用86.模糊决策支持系统在供应链风险管理中的应用87.模糊集合在智能交通车辆跟踪中的应用88.模糊逻辑在飞行器设计优化中的应用。
行为决策理论综述_吴鸽
所在。锚定效应描述了人们总是以当前所得的信 息作为预测的出发点，受到思维定势的禁锢。“一 朝被蛇咬，十年怕井绳”讲的就是由于锚定效应而 产生的判断偏差。
前 景 理 论 是 描 述 性 范 式 的 一 个 决 策 模 型，其 主要观点 认 为，决 策 主 体 依 照 一 个 参 照 点 进 行 决 策，在参照 点 的 左 右 产 生 不 同 的 决 策 偏 好。 它 假 设风险决 策 过 程 中，个 体 凭 借 框 架 和 参 照 点 等 采 集和处理 信 息，利 用 价 值 函 数 和 主 观 概 率 的 权 重 函数对信息予以判断。Kahneman 和 Tversky 发现 大多数人 在 面 临 获 得 时 是 风 险 规 避 的，但 在 面 临 损失时是 风 险 偏 爱 的，而 且 人 们 对 损 失 比 对 获 得 更敏感，损 失 时 的 痛 苦 感 要 大 大 超 过 获 得 时 的 快 乐感。因此，人们在面临获得时往往是小心谨慎， 不愿再冒风险，而在面对失去时会很不甘心，想再 搏一把。而 且 人 们 常 常 高 估 小 概 率 事 件，所 以 会 热衷于参 与 高 额 奖 金 的 抽 奖，即 使 已 知 得 奖 的 概 率很低。如图 1 所示，人们感知价值的函数是定义 在相对 于 某 个 参 考 点 为 拐 点 的 收 益 和 损 失 上 的 “S”型函数，小于参考点的损失部分是凸函数，大 于参考点的收益部分为凹函数。与参考点等距离 的损失点切线斜率的绝对值要大于收益点的切线 的斜率［5］。
1． 跨文化差异的行为决策研究 以李纾为代表的中国科学院心理研究所行为 决策课题组在跨文化的行为决策研究中做出了较 大贡献。他们用“齐当别”模型描述了人们的行为 决策过程，并用亚洲疾病问题、选择反转问题以及 偏爱反转问题对模型进行一次性与多次性博弈情 境的检验。 另 外，课 题 组 发 现 集 体 主 义 文 化 成 员 比个人主 义 文 化 成 员 可 能 更 容 易 追 求 竞 争、过 分 自信、追求 风 险 与 欺 骗。 他 们 通 过 实 验 发 现 背 景 音乐可在被支配文化里激活更多与文化相关的反 应； 不同的语言与种族文化对性骚扰线索的判断 存在差异； 集体主义文化国家成员对自己的隐私 有充分的认识，但对他人的隐私却照顾不足［7］。 2． 风险决策研究 张文慧等探讨了自我框架对风险决 策 的 影
基于模糊推理的故障诊断专家知识库设计
摘要 ：提出模糊 知识 的表示 方式 ， 并 以模糊知识建立故 障诊断专家 知识 库。设计 了基于模糊 推理 的规则竞争 的消除策 略 ， 诊 断出故 障原 因和与 之匹配 的动作代 码 ， 保 留推 理轨 迹 ， 实 时更新 知识
库， 用 于在线故障诊断和 自主学 习。 关键词 ：故障诊 断 ； 专家系统 ； 模糊知识库 ； 模糊推理
Ａｐ ｒ． ２ ０ Ｉ ３
—
文 章 编 号 ：２ ０ ９ ５—１ ２ ４ ８ （ ２ ０ １ ３ ） ０ ２—０ ０ ５ ４— ０ ６
基 于模 糊 推 理 的故 障诊 断专 家 知 识 库设 计
李 忠海 ， 刘 颖 ， 杨 燕
（ １ ． 沈阳航空航 天大学 自动化学院 ， 沈阳 １ １ ０ １ ３ ６ ； ２ ． 辽宁省交通高等专科学校 ， 沈阳 １ １ ０ １ ２ ２ ）
￣ ｇ３ ｏ ｇ 第２ 期
２ ０ １ ３年 ４月
沈 阳 航 空 航 天 大 学 学 报
ｅ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ Ａ ｅ ｒ ｏ ｓ ｐ ａ ｃ
—
Ｖ Ｏｌ Ｉ ３ ０ Ｎｏ． ２
ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｂａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｆ ｕ ｚ ｚ ｙ ｉ ｎ ｆ ｅ ｒ ｅ ｎｃ ｅ
ＬＩ Ｚｈ ｏ ｎ ｇ— ｈａ ｉ ， Ｙ ＡＮＧ Ｙａ ｎ
（ １ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｏ ｎ ， Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ Ａ ｅ ｒ ｏ ｓ ｐ ａ ｃ ｅ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ １ １ ０ １ ３ ６ ；
基于模糊聚类分析和D-S证据理论的磨煤机故障诊断
｛ ｍ（ ｝＜１则由式（） ｍ（ ｕ ） ， ３定义的函 数：
｛
） ∑ ：
“ｉ ０ ｌ１ ｋ ‘ 一
（） ３
当 ｌ ＝ 时， “） ０ 其 中， １２ …， ； Ｚ ｍ（ ＝ ， ｉ ＝ ， ， ｒ ， ｔ
模式 的支持度。既考虑到磨煤机故障的模 糊性又 可得到待测样本对各 个 目标故 障模式 的支持度 ，
为模糊 矩 阵 的 Ａ一截矩 阵 ，其 中 ，当 ｒ≥ 类 ，Ａ 代 表 归 类 的 置 信 水 平 ； 当 ｒ ＜ Ａ 时 ，
ｒ ＝０。
．
。
４ ２
电 力
科
学
与
工
程
２ １ 仨 ０１
（ ）找出 ｔ（ ４ Ｒ）第一行 ，去掉第一个元素 １
２ 基 于 Ｄ－ 据理论 的模糊聚类分析方法 Ｓ证
２ １ 聚类 分析 理论 ．
组成 新 的 向量 ｔ ｔ ＇２…ｔ ，其 中 ｔ（ ＝１２， ＝（ｌ ｔ ， ） ｌ。 １ｉ ， …／ 即是在 聚类 时将 待 测样 本 与 目标模 式 Ａ 归为 ７ ， ）
１ 证 据 理 论
１ １ 识别框 架 ．
证 据理 论 的论 域 称 为 识 别 框 架 ］ ，记 为 ， 证据组合次序先后的影响。
收 稿 日期 ：２ １ 一ｏ ０ １ ４—１ 。 ３
作者简介 ：鲁雪艳 （９ ６一 ，女 ，硕士研究生 ，研究方 向为火力发 电厂设 备故障诊断 ，Ｅｍ ｉ：ｙｎｕ．ｕ ６ 。。ｍ １８ ） － ａｌ ａｘ ｅ１＠１３
．
第２ ７卷第 ７期
２ １ 年 ７月 ０１
电
力
科
学
与
工
程
Ｖｏ ７． ． Ｌ２ Ｎｏ ７
基于模糊推理的物流车辆故障诊断专家系统
基于模糊推理的物流车辆故障诊断专家系统辛海奎;李蜀瑜【摘要】物流车辆故障诊断专家系统可以对物流车辆的故障进行诊断和排除. 为了提高该系统快速、准确诊断的能力, 在分析物流车辆的故障模式和故障机理的基础上, 建立故障树, 采用改进的CLIPS可以进行正向、反向两种模糊推理机制, 同时建立知识库管理系统对模糊规则和事实进行管理. 研究结果表明: 改进的CLIPS与VC++的结合, 使物流车辆故障诊断专家系统拥有模糊诊断故障的能力, 提高了物流车辆故障诊断的智能化水平.%The fault diagnosis expert system for logistics vehicle could diagnose and troubleshoot logistics vehicle. In order to improve the performance of the system, the fault tree had been built based on the failure mode and failure mechanism of logistics vehicle. Then, the improved CLIPS which could carry out forward and backward reasoning was used, and the knowledge base management system was established to manage the fuzzy rules and facts. The results showed that the improved CLIPS coupled with VC++ was able to enhance the capability of the fault diagnosis expert system for diagnosing fault from the logistics vehicle fuzzily (i.e. fuzzy diagnosis) and improve the intelligence level of the system.【期刊名称】《计算机系统应用》【年(卷),期】2015(024)008【总页数】6页(P59-64)【关键词】物流车辆;故障诊断专家系统;CLIPS;模糊诊断【作者】辛海奎;李蜀瑜【作者单位】陕西师范大学计算机科学学院,西安 710062;陕西师范大学计算机科学学院,西安 710062【正文语种】中文物流车辆的内部结构复杂, 故障的发生呈现出多样性, 难于发现. 在这种情况下, 维修人员迫切希望能有一个方便检测物流车辆故障的工具[1]. 同时国家对车辆故障诊断的检查与整修制定了严格的标准, 标准显示: 要通过科技进步来管理车辆技术, 管理方法的现代化, 努力实现既能准确判断其技术情况及运行状态和查清隐患和故障的原因和部位, 同时车辆不被解体, 不断使用先进的技术来实现车辆管理的现代化[2]. 这样, 维修专家的经验的收集、整理和使用, 并利用计算机学习维修专家在维修物流车辆过程中的思考过程和决策流程, 从而有利于精确并及时的排除故障. 所以说, 模糊知识推理、机器学习、专家系统等新兴学科在汽车故障诊断技术中找到了新的用武之地.专家系统有能力解决很多领域复杂的专业技术问题, 因为它能通过推理和诊断学习出人类专家解决这类问题的思维过程, 其中推理和诊断过程需利用人类专家的知识. 专家系统利用模糊知识推理, 按照模糊子集的知识表示方式把具有不确定性的专家经验存放在规则知识库里, 并利用模糊规则匹配的模糊推理过程, 完成不确定性的快速的模糊推理, 从而实现排除故障的速度更快、准确性更高. 在物流车辆故障诊断过程中, 会存在不确定的诊断经验知识和模糊的故障发生, 从而只能得到不完整的信息[3]. 在这种情况下要得到物流车辆故障诊断的正确判断, 在本专家系统中, 将模糊数学和产生式规则相结合的模糊产生式来表示知识. 这种规则能够将启发性知识很好地表达出来, 可信度因子的提取来自数据的可靠性, 故障的原因的推理过程中, 使用了模糊推理策略, 即运用正反向混合推理策略. 先逐层搜索构造完成的故障树, 然后完成对所获取故障征兆的推理诊断[4]. 同时增加了一个工作数据库, 用于存储推理过程中的中间结论和最终结论, 避免了重复推理过程, 提高了推理的效率. 知识库是故障智能诊断专家系统的核心组成部分, 是推理机完成推理和诊断的基础和前提. 该系统性能的优劣取决于以下两方面: 推理的方法、知识库中规则的数量与质量和系统采用的控制策略; 组织和管理知识库中知识的方式.我们采用模块化的设计方案组织本专家系统的知识库, 模糊规则库和事实库共同构成知识库, 同时把模糊规则库按物流车辆故障诊断子系统分为电气设备系统规则库、机械设备系统规则库和其他设备系统规则库[5].物流车辆故障诊断专家系统主要依赖车辆维修人员经验性知识, 它们是在长期的维修实践中不断积累起来的, 而且这些经验性知识分为两类有确定性知识和模糊性知识[6], 因此在本专家系统中, 我们采用故障树结构和模糊产生式规则来表示. 在本专家系统, 工作数据库, 模糊知识库、人机界面和一定数量的辅助模块共同帮助推理机完成自主的诊断推理. 该系统的体系架构和必要的组织模块间的关系如图1所示.2.1 模糊知识库的设计2.1.1设计知识库的方法和原则.本专家系统最艰巨和最重要的任务就是知识库的设计和建立. 知识库的初始设计由问题的知识化、知识的概念化、概念的形式化、形式的规则化和规则的合法化组成.首先我们要分析故障, 确定故障单元, 并定义故障特征结构体表示故障, 故障单元表示为一个结构数组, 数组表之间的联系依靠表间索引号关联[7].struct Fault_feature{ int Fault_node; //fault numberchar* Fault_name; //fault namechar* Fault_reason; //fault causefloat Fault_reliable // fault confidence: used to represent the fault features that may lead to the failure probabilitychar* Main_method; //Expert maintenance advice }2.1.2建立故障树.故障树分析法(FAT) 是将相关车辆的故障按它们的因果关系和内在联系组织在一块, 进而构建一个完整的单向树状流程图, 它属于图形演绎方法. 在分析故障树时, 从总体至局部将故障树以树枝状逐层划分, 经过层层的向下搜索, 找出全部可能的造成故障的原因, 最终搜索到故障树的最底层, 最终找到造成故障的根本原因[8]. 在故障树分析时, 这棵树的顶层事件是我们分析的目标, 中间事件是造成顶层事件故障发生的所有因素, 底事件一般在故障树的最底层, 它是造成中间事件发生的全部因素, 即造成车辆发生故障的原因. 这样, 分析结果中的全部事件是连在一起, 它们之间的逻辑关系存在一些细微的差别, 最后通过与之相应的逻辑门将这些事件组织在一起构成故障树, 从这棵树中, 我们能够得到故障和原因的对应关系[9]. 物流车辆设备故障树如图2.故障树分析法既促进了故障诊断专家系统的知识库的构建, 又可帮助设计推理机的推理方法. 当物流车辆发生故障时, 专家系统会依照合适的推理策略, 并基于知识库中相应的事实, 最后推出产生故障的最终原因. 故障树能够产生知识库中的知识, 专家系统是根据该知识进行推理诊断的, 所以说专家系统推理诊断的依据是故障树的节点.同样在故障树分析过程中, 树的搜索流程和专家系统的规则推理流程基本相同. 在树的搜索阶段, 搜索的任务或目标事件是中间事件节点, 搜索目标和任务最终获取的结果是底事件节点, 故障树节点采取专家系统描述语言来描述专家系统知识库中的知识, 因此专家系统的决策流程与故障树的搜索流程基本相同[10].2.2 知识的模糊表示由物流车辆设备故障树可知, 在物流车辆的故障诊断知识库中将知识模糊化, 物流车辆故障诊断系统中规则的每个前提和结论都不可能完全是确定的, 因此需要对规则进行模糊化处理, 即对每条产生式规则都要进行模糊化描述.基于模糊化的产生式规则用模糊数学可表示为:: (=1,2,......,n)子前提的置信度, 表示由该前提可能导致结论发生的概率.: (=1,2,......,n)子前提在规则中所占的权重称为子前提的权值.: 规则的结论.: 规则的置信度, 表示该条规则由前提可以得出该结论的可信度. 通过前提隶属度和置信度可以计算出该条规则所对应的结论的置信度.: 为激活该规则的阈值.为前提的可信度, 当时, 则该规则就可以被激活. 激活完成后, 可推导出结论及其置信度.规则也可表示为: <条件1, 权值1, 可信度1> V<条件2, 权值2, 可信度2> ...... V<条件m, 权值m, 可信度m> <结论, 可信度>, <规则触发阀值>. 规则的触发条件为:前提中存在条件, 条件, ……, 条件; 并且前提的加权综合可信度大于或等于规则的阀值[11].该物流车辆故障诊断专家系统诊断知识产生式表示是基于加权模糊特征的, 故障诊断知识规则可表示为:<001=滑油压力过低(0.3,1.0) > AND <002=滑油压力波动(0.3 ,1.0) > AND<003=滑油压力突然下降(0.4,1.0)> <001=滑油管道破裂(0.8)><Value=0.6> 规则前提1、规则前提2和规则前提3的权值分别为0.3、0.3和0.4, 所有前提的可信度为1.0. 规则的触发阀值为0.6, 可信度为0.8.在本专家系统中表示故障树节点的模板定义为:(deftemplate node(slot code)//fault number(slot name)//fault name(slot type)//fault type(multislot featrue1)//fault cause 1(multislot featrue2) //fault cause 2(multislot .......)(slot reliable1)//the fault reliable to fault cause 1(slot reliable2))//the fault reliable to fault cause 2(slot weight1)//fault weight 1(slot weight2)//fault weight 2其中, name槽、type槽、node分别表示该故障的名称、节点故障的类型和故障的关系名; 我们将中间节点故障类型type的值为, 将底事件节点故障类型当type 的值为, 那么根据故障树其故障原因与故障置信度可为空; reliable槽为故障的置信度即用来表示这些故障原因可能导致该故障发生的概率.利用以上的描述方式来表示本专家系统知识库中的知识. 首先将表示出故障树中所有节点, 然后将数据存放在一个文件中, 系统调用该文件来完成推理过程.故障诊断的规则的结构的简单实例描述如下:defrule rule_01declare((CF 0.8))declare(( 0.7))assert((node1(type )(code 008)(name ?a1)(reliable ?) (weight ?)))assert((node2 (type )(code 016)(name ?a2)(reliable ?) (weight ?)))(have-answer ?c3)=>assert(node3 (type )(code ?c3)(name ?a3))(result compute_reliable())(dribble-on "out.txt")(printout t"故障可能是: ""?a3";"此结论的可信度为: ""compute_reliable()""!" crlf)(dribble-off)(halt)其中结论的可信度计算函数为外部函数compute_reliable() : T= (=1,2).2.3 知识的获取策略在目前的专家系统中, 获取知识的方法仍主要是非自动方式, 本故障诊断专家系统的知识获取方式具体可描述成如下形式: 首先物流车辆故障知识工程师把知识用模糊产生式表示方法表示出来, 再将模糊产生式规则用计算机的数据结构存储在磁盘中. 为了实现知识获取的功能, 为本系统设计出获取物流车辆故障诊断知识的流程如下图3所示.3.1构建模糊规则冲突消解策略解决冲突是冲突消解策略的主要任务, 在正向推理过程中, 它从已知故障事实中选取合适的一组来激活相应的模糊产生式规则, 实现后件规定的操作或得到后件规定的结论. 然后利用辅助故障事实来进行反向推理去证实该目标或提高其可信度[12]. 目前已存在多种用于冲突消解的策略, 譬如: 根据深度优先搜索策略、广度优先搜索策略、按不同领域问题的特征排序、按匹配度排序等方法; 其基本思想都是对知识先进行排序. 由于本系统的推理具有不确定性, 这决定本专家系统冲突消解的策略是采用按匹配度排序的方法来完成. 其根本依据是: 在不确定性匹配中, 要判断两个知识模式是否能够匹配, 首先计算这两个模式的相似程度, 它们若是可匹配的, 需满足其相似度大于或等于某一给定的值. 通过相似程度的计算我们可以得到两条规则的可信度, 该可信度既可作为确定两个知识模式是否可匹配的依据, 又可用于消解模糊规则的冲突[13]. 如果有多条匹配成功, 系统将按照它们的匹配度确定优先使哪一个模糊产生式规则, 即优先使用匹配度大的.3.2 专家系统推理机设计为了减少推理的步骤和保证推理的效率, 本专家系统的推理机制采用RETE匹配算法, 采用混合推理的方法, 同时利用工作数据库来存储由模糊规则推理得到的中间结论或推理结果. 如果推理过程中没有推理所需的中间结论时, 就借助反向推理来求解出所需的中间结论.该智能诊断系统的推理流程如图4、5所示.物流车辆故障诊断推理详细流程如下:(1) 根据前面故障特征事实的表示方法, 将故障特征事实存入事实库.(2) 规则匹配: 在知识库中采用RETE匹配算法对系统中的规则进行匹配, 判断在规则库中有无适用的知识, 若有则跳入下一步; 否则跳转到(4);(3) 冲突检查: 若多条规则匹配成功则按照冲突消解策略消除冲突; 否则跳转到(5);(4) 检查在工作数据库中是否存在解, 若有则退出并生成诊断结果, 否则进入反向分支推理.(5) 与知识进行匹配, 根据公式计算结论的置信度:若计算出的结论置信度大于或等于规则的阀值, 则检查该结论是否是中间结论, 若不是查找故障结论知识表, 得到故障原因、维修方案以及专家建议, 此次诊断结束. 否则将结论存入工作数据库中, 再跳转到(2), 若结论置信度小于规则的阀值, 则正向推理失败, 转向方向分支推理.反向分支推流流程:(1) 首先建立故障假设: 假设该故障已经发生.(2) 检验规则前件: 判断与假设成立有关的前提是否已知, 若规则前题已知则跳入下一步, 否则跳转到(4).(3) 已知事实与规则进行匹配, 匹配成功则根据公式: 计算结论的置信度, 置信度大于等于阀值, 则查找故障结论表, 输出故障原因及维修方案, 此次诊断成功; 若置信度小于阀值则判断是否还有假设, 还有假设就跳转到(2); 否则跳出此次诊断, 诊断失败.(4) 如果前提条件未知(表示该前提条件是一个中间条件)就需要对前提进行验证, 则将找出假设成立的所有前提条件, 并让所有条件都成为假设, 跳转到(2).该智能诊断专家系统使用了不同的推理方式使得推理的效率得到了提高, 正向推理方式失败的情况下, 再选择反向分支推理方式进行推理, 使该方式具有较强的针对性.3.3系统验证测试及效果首先进入物流车辆诊断专家系统人机界面如图6, 当一物流车辆在启动时出现柴油机动力不足和排气管冒黑烟等现象, 即车辆启动存在故障.故障诊断过程为: 将故障征兆和伴有现象事实写入事实库, 激活规则: if(柴油机动力不足 0.7, 1)then(喷油雾化不良)CF=0.8, =0.7. 通过计算我们发现阈值大于结论的置信度, 即0.7>0.7*1*0.8, 需要对导致该结论的另一前提, 检查排气管是否有黑烟, 于是进入反向推理, 激活规则if(排气管有黑烟 0.5 1)then(喷气管雾化不良)CF=0.9 =0.4计算结论的置信度为0.5*1*0.9>0.4; 激活排气管有黑烟和柴油动力不足的规则, 于是再计算喷油雾化不良的结论置信度为0.7*0.8+0.3*0.9>0.7, 推理得到柴油动力是由喷油器雾化不良引起的的可信度为0.83. 诊断结果报告如图7.专家系统基本能根据车辆出现的故障特征做出准确地诊断, 但也有不准确与不能诊断出结果的情况, 智能专家系统的构建是一个不断测试和完善的过程, 仍需要对系统进行改进和完善.本系统结合改进的CLIPS和Visual C++6.0各自在专家系统开发上的优点, 建立了物流车辆故障诊专家系统. 在对物流车辆维修保障中引入模糊故障诊断技术, 提高了物流车辆故障诊断技术保障水平. 目前, 我们要努力做到故障诊断需要更加智能化, 同时需要通过实现监测过程在线化使得监测更加及时, 同时亟需不断完善专家系统本身的功能. 各种设备的I/O接口和物流车辆设备底层传感器与该专家系统之间的通信技术需不断完善, 使得获得车辆的故障信息更加精确和迅速. 此外对于CLIPS拥有的网络应用方面的能力, 还有待进一步的去研究和应用.1 田明才.物流车辆监控平台中智能车辆调度的应用研究[学位论文].北京:中国科学院研究生院,2010.2 徐寅生.军用车辆故障诊断专家系统[学位论文].合肥:合肥工业大学,2008.3 薛寒,谢利理,叶留义.基于模糊推理的电机故障诊断专家系统研究.计算机测量与控制,2010,18(1):8–10.4 Wu JD, Wang Y, Mingsian R.B. Development of an expert system for fault diagnosis in scooter engine platform using fuzzy-logic inference. Expert Systems with Applications, 2007, 33: 1063–1075.5 余瑞.无人机飞行控制系统故障智能诊断专家系统的设计[学位论文].成都:电子科技大学,2011.6 张崇刚,郭旭辉,黄昭婷,黄智刚.模糊理论在故障诊断专家系统中的应用.中国测试技术,2008,34(5):122–125.7 温国谊,查光东,张翔.基于CLIPS的某型飞机故障诊断专家系统的设计与实现.中南大学学报(自然科学版),2013, 44(1): 157–161.8 苏建,陈玉强,陈军伟.基于故障树分析的火控系统故障诊断专家系统设计.计算机测量与控制,2013,21(11):3008–3011.9 杨家涛.基于CLIPS的船舶机舱设备故障诊断专家系统研究[学位论文].武汉:武汉理工大学,2012.10 叶伯生,黄增双,李斌.故障树分析法在数控机床故障诊断系统中的应用.机械设计与制造,2006(8):135–137.11 尹朝庆,尹浩.人工智能专家系统.北京:水利水电出版社,2002.12 Harry KH, Chow KLC, Lee WB. Design of a RFID case-base resource management system for warehouse operations. Expert Systems with Applications, 2006, 30: 561–576.13 田增华.汽轮机组振动故障诊断及专家系统研究[学位论文].北京:华北电力大学,2007.。
基于模糊聚类法的神经网络变压器故障诊断系统
ｔ ｅ ｓ ｍｐ ｅ ｓ ｔ ｒ ｗ ｅ ｈ ｉｔ ｂ ｔ ｎ ｏ ａ ｌ ｓ ｎ ｔ ｓ ｍｍｅ ｒ ａ ，ｉ ｍａ ａ ｓ ａ ｇ ｏ ｔ ｅ ｈ ａ ｌ ｅ ｈ ｎ ｔ ｅ ｄ ｓｒ ｕ ｉ ｆｓ ｍｐ ｅ ｉ ｏ ｙ ｏ ｉ ｏ ｔ ｃ ｌ ｔ ｙ ｃ ｕ ｅ ｄ ｍａ ｅ ｔ ｈ ｉ
Ｋｅ ｙ ｗｏｒ ｆ ｚ ｙ ｃ ｕ ｔｒｎ ｄｓ： ｕ ｚ ｌ ｓｅ ｇ；ｎ ｕ ａ ｅｗｏ ｋ ｉ ｅ ｒ ｌｎ ｔ ｒ ｓ；ｔａ ｆ ｒ ｒ ａ ｌ ｄ ａ ｎ ｓｓ ｒｎｓｏ ｍｅ ；ｆ ｕｔ ｉｇ ｏ ｉ
在现 有 的变压 器 故 障诊 断 方 法 中 ， 中溶 解 油
作中得到了广泛的应用 ， 但仍然存在许多不足 ， 如 故障编码 种类 有 限不 能 诊 断所 有 可能 的故 障 ， 难
以 同时诊 断多 种故 障 ， 断相 近 的故 障时 误 诊率 诊
高等．
为解 决传统 比值法 的不 足 ， 在变 压 器 的故 障
法 ； 是 Ｒ ｇｒ 三 ｏｅｓ比值 法 ． 管 这 些 方 法 在 实 际 工 尽
气体分析法 （ Ｇ ） Ｄ Ａ 是最为有效的方法之一． Ｇ ＤＡ 诊 断法通过 分析 变压器 发生 故障 时所 产生 各种气 体 的含量 和产气 的速 率 ， 就能 够 诊 断 出变 压 器 的
大部分 故障 ． ＩＥ 在 Ｅ Ｅ标准 … 中 ， 出 了 ３种 Ｄ Ａ 提 Ｇ 诊 断方 法 ： 是 主 气体 法 ； 一 二是 Ｄ ｅｎｎｕｇ比值 ｏｒｅｂｒ
ｍ ｅｈ ｄ ｉ ｆｅ ｔ ｅ ｉ ｏｖ ｎ ｈｅｐ ｏ ｌ ｍｓａ ｄ ｅ ｈ ｎ ｉ ｇ ｔｅ ｐｅｆ ｒ ａ ｃ ｆｆｕ ｔｄ ａ ｎ ｓｓｓ ｓｅ ． ｔ ｏ ｓ ｅｆｃ ｉ ｎ ｓ ｌ ｉ ｇ ｔ ｒ ｂ ｅ ｎ ｎ ａ ｃ ｎ ｈ ｒｏ ｖ ｍ ｎ ｅ ｏ ａ ｌ ｉ ｇ ｏ ｉ ｙ ｔｍ
基于Vague_集模糊熵和D-S_证据理论的多属性群决策方法邹 圆,_杨道理,_
第40卷第3期Vol.40㊀No.3重庆工商大学学报(自然科学版)J Chongqing Technol &Business Univ(Nat Sci Ed)2023年6月Jun.2023基于Vague 集模糊熵和D -S 证据理论的多属性群决策方法邹㊀圆1,杨道理2,王立威31.重庆工商大学经济学院,重庆4000672.重庆工商大学管理科学与工程学院,重庆4000673.六盘水师范学院物理与电气工程学院,贵州六盘水553004摘㊀要:针对方案属性值为Vague 值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague 集模糊熵和D -S 证据理论的多属性群决策分析方法㊂该方法充分考虑各专家给出的Vague 值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足㊂首先,基于各专家原始决策矩阵获得各属性下的Vague 集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague 集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague 评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案㊂利用证据理论在不确定信息融合方面的优势和Vague 集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观㊁合理,并通过一个具体算例验证了所提方法的可行性和有效性㊂关键词:Vague 集;模糊熵;证据理论;多属性群决策;记分函数中图分类号:C934㊀㊀文献标识码:A ㊀㊀doi:10.16055/j.issn.1672-058X.2023.0003.011㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-04-25㊀修回日期:2022-06-01㊀文章编号:1672-058X(2023)03-0078-07基金项目:重庆工商大学高层次人才科研启动项目(2153014);重庆市社会科学规划博士项目(2018BS80).作者简介:邹圆(1986 ),男,湖南常德人,讲师,博士,从事经济统计分析与预测研究.引用格式:邹圆,杨道理,王立威.基于Vague 集模糊熵和D -S 证据理论的多属性群决策方法[J].重庆工商大学学报(自然科学版),2023,40(3):78 84.ZOU Yuan YANG Daoli WANG Liwei.A multi-attribute group decision making method based on fuzzy entropy of vague sets and D-S evidence theory J .Journal of Chongqing Technology and Business University Natural Science Edition 2023 40 378 84.A Multi-attribute Group Decision Making Method Based on Fuzzy Entropy of Vague Sets and D-S Evidence TheoryZOU Yuan 1 YANG Daoli 2 WANG Liwei 31.School of Economics Chongqing Technology and Business University Chongqing 400067 China2.School of Management Science and Engineering Chongqing Technology and Business University Chongqing 400067 China3.School of Physics and Electrical Engineering Liupanshui Normal University Guizhou Liupanshui 553004 ChinaAbstract Aiming at the multi-attribute group decision-making problems with Vague value and considering the reliability of expert rating a multi-attribute group decision-making analysis method based on Vague set fuzzy entropy and D -S evidence theory was proposed.The method took into full account the fuzziness and uncertainty embedded in the Vague value evaluating information given by various experts and used fuzzy entropy to obtain the scoring credibility sequence matching experts opinions.It is completely data-driven which makes up for the deficiency of the traditional method in the subjective unified setting of credibility.Firstly based on the original decision matrix of each expert the fuzzy entropy of Vague set under each attribute was obtained to construct the scoring credibility matrix corresponding to the expert set.Secondly the information of each expert decision matrix adjusted by credibility was gathered through evidence synthesis第3期邹圆,等:基于Vague集模糊熵和D-S证据理论的多属性群决策方法and the attribute weight was obtained by using score function of Vague sets and credibility adjustment.Finally the final Vague evaluation value of each scheme was calculated by modifying the aggregation information of expert group by attribute weight and then the comprehensive score of each scheme was obtained by using the score function to screen the optimal scheme.By using the advantages of evidence theory in uncertain information fusion and the information transformation function of score function of Vague sets the evaluation information of expert group was gathered through evidence synthesis and score function of Vague sets the decision-making results were more objective and reasonable and the feasibility and effectiveness of the proposed method were verified by a specific numerical example.Keywords Vague sets fuzzy entropy evidence theory multi-attribute group decision making score function1㊀引㊀言多属性群决策指多人共同参与决策分析,在各属性下对方案进行评估,通过将不同决策者提供的带有各自偏好的决策信息进行集结,据此对备选方案排序并选优的过程[1]㊂由于经济社会等领域中现实决策问题的复杂性㊁人们自身知识的有限性及认识事物的局限性,专家们往往难以给出精确的评估值而使决策问题通常带有不确定特征㊂Gau等[2]于1993年首次提出Vague集概念,其特点在于同时包含了支持隶属度㊁反对隶属度和未知度3方面信息;Mishra等[3]认为相比于单一隶属度的Zadeh模糊集,Vague集对事物的刻画更为细腻,可视为Zadeh模糊集概念的推广㊂以Vague 值表征的专家评价信息可很好契合人类思维 亦此亦彼㊁非此非彼 的模糊特性,因而引起了研究者们的极大关注并在不确定多属性群决策问题中获得了广泛的应用[4-6]㊂对Vague多属性群决策的现有研究主要聚焦于两个方面:一是方案排序及选优㊂Liu[7]㊁Zhou[8]㊁Gao[9]等将TOPSIS方法引入Vague集,通过算出各备选方案与正负理想解之间的差距以对方案进行排序; Wang[10]㊁Guo[11]㊁Lin[12]㊁许昌林等[13]各自定义Vague集记分函数,将Vague值转化为精确数,从而计算各方案的得分,分数越高表示方案越优;Gui[14]提出了基于Vague集的灰色关联分析排序方法㊂二是个体决策信息集结到群体判断㊂一些学者通过定义Vague 集的基本运算诸如实数与Vague值乘积[15]㊁Vague值间的交并运算[16]㊁Vague值间的乘积[17]㊁Vague集间的相似度[18]等将评价信息集结,获得方案的最终评价值㊂上述操作均未涉及Vague集未知度的合理分配,融合结果存在不同程度的偏差㊂Wang[19]将Vague值转化为Fuzzy值后进行信息融合以筛选方案,但在转换时易造成信息损失㊂后续,Wang等[20]定义了Vague集的极小和极大信心度,并利用线性规划模型求出群体最优综合信心度,以此作为唯一依据进行决策,其缺陷在于未考虑其他影响因素㊂鉴于传统方法对Vague信息集结时未知度分配不合理以及将Vague信息转化为其他类型信息处理所导致的信息损失问题,崔春生等[21]提出了基于证据理论的Vague多属性群决策方法㊂证据理论作为一种被广泛运用的不确定信息处理方法,在信息融合中不需要先验概率[22],且在证据合成过程中可对未知度进行重新分配,在不确定信息的表达与融合上具有优势,有效地解决了Vague多属性群决策的信息集结难题㊂通过对现有文献的研究梳理发现,学者们往往关注Vague信息转化和信息集结,较少探讨Vague多属性群决策问题中的专家评分可信度获取规则,通常是直接先验给定可信度点值,这缺乏客观依据,也未考虑专家在不同属性下评分可信度的差异,影响评价结果的内在一致性㊂模糊熵是对Vague信息模糊不确定性的客观度量,熵值越大,表示模糊不确定性越高,专家评价信息的可信度越低,可用来客观反映专家在决策中的评分可信性㊂本文在前人工作的基础上,将模糊熵的思想引入Vague决策环境中,结合证据理论和Vague集记分函数,提出了一种新的完全由数据驱动的Vague多属性群决策方法㊂该方法基于专家群体的原始评价信息,利用模糊熵获取各专家在不同属性下的评分可信度,从而构建起专家评价信息与其可信度之间的一一映射关系,降低了由于可信度赋值的主观性对最终决策结果产生的影响㊂引入证据理论来解决Vague多属性群决策的信息集结问题,以及利用记分函数进行Vague值转化及排序,最后以一个决策实例验证了该方法的可行性和有效性㊂2㊀问题描述及方法基础2.1㊀问题描述假设决策方案集为A={A1,A2, ,A m};方案的属性集为C={C1,C2, ,C n};决策的专家集为E={e1, e2, ,e L};关于属性C j,专家e k对方案A i给出的Vague 评价值为d k ij,其中d k ij=[t k ij,1-f k ij];t k ij,f k ij,πk ij=(1-f k ij)-t k ij 分别表示支持度㊁反对度与未知度;专家评分可信度分别记为r1,r2, ,r L;集合所有专家的意见可构建原始决97重庆工商大学学报(自然科学版)第40卷策矩阵D k (k =1,2, ,L )为D k =d kij []m ˑn =d k 11 d k1n ︙︙d k m 1 d k mn éëêêêêùûúúúú(1)考虑各属性对决策方案的重要性,假定专家e k 对属性C j 给出的Vague 权重值为w kj ,其中w kj =[t kj ,1-f kj ],t kj ,f kj ,πkj =(1-f kj )-t kj 分别表示重要度㊁不重要度与对属性影响的未知度,则可构建属性权重矩阵W 为W =w kj []L ˑn =w 11 w 1n ︙︙w L 1 w Ln éëêêêêùûúúúú(2)基于专家评分可信度㊁决策矩阵与属性权重矩阵对各方案进行集成评价,最终筛选出最优决策方案㊂本文主要解决的问题在于:传统方法一般事先给定专家评分可信度,往往带有一定的主观性,且对所有属性均相同,缺乏客观依据与针对性,并影响方案的最终评价结果㊂而本质上造成专家评分可信度不一的来源在于其在Vague 决策过程中的未知性㊁不确定性与模糊性㊂模糊熵作为上述特征的度量工具,可据此来计算评分可信度㊂首先,通过计算各专家Vague 决策矩阵中的模糊熵获得其在各属性上的评分可信度;其次,基于D -S 证据理论对各专家关于每一个方案的Vague 评价值进行信息集结;再次,确定各属性权重并计算决策方案的最终评价值;最后根据评价值进行方案的排序与择优㊂2.2㊀Vague 集模糊熵Vague 集的模糊熵通常被用来度量Vague 集的未知性㊁不确定性以及二者交叉时形成的模糊性㊂其公理化要求为[23]定义1㊀假设A 是论域U 上的一个Vague 集,记为A (x )=[t A (x ),1-f A (x )],其中t A (x ),f A (x )及πA (x )=1-t A (x )-f A (x )分别为x 在A 中的支持度㊁反对度和未知度㊂称函数VE :U ң[0,1]为Vague 集A 的模糊熵,若其满足如下条件:(1)VE (A )=0当且仅当对∀x ɪU ,A (x )=[0,0]或[1,1];(2)VE (A )=1当且仅当对∀x ɪU ,t A (x )=f A (x );(3)若B 是初始论域U 上的一个Vague 集,令B (x )=t B (x ),1-f B (x )[],πB =1-t B -f B ,当满足t A (x )-f A (x )2+πA (x )ɤt B (x )-f B (x )2+πB (x )(∀x ɪU )时,则有VE (A )ȡVE (B );(4)若A c 是A 的补集,A c (x )=f A (x ),1-t A (x )[],则VE (A )=VE (A c )㊂基于上述公理化定义,杨永伟[23]㊁范平[24]等分别独立提出了Vague 集上模糊熵的具体计算公式㊂定义2㊀设论域U =x 1,x 2, ,x n {},A 是U 上的一个Vague 集,A (x )=[t A (x ),1-f A (x )]㊂(1)假定未知度πA (x i )=1-t A (x i )-f A (x i ),且y A (x i )=t A (x i )-f A (x i )2+πA (x i ),则Vague 集A 的模糊熵定义为[23]VE (A )=-1n ðni =1y A (x i )log 2y A (x i )+[(1-y A (x i ))log 2(1-y A (x i ))](3)(2)令πA (x i )=1-t A (x i )-f A (x i ),Vague 集A 的模糊熵定义为[24]VE (A )=ðni =1πA (x i )+n -ðni =1t A (x i )-f A (x i )2n+ðni =1πA (x i )t A (x i )-f A (x i )2n(4)上述关于模糊熵的两个计算公式均体现了Vague 信息的未知度㊁不确定度及二者交叉的模糊度㊂当A 变成Fuzzy 集时,前者退化成Fuzzy 集上的模糊熵,因而与Fuzzy 集上的模糊熵定义相容;后者按照Vague 集模糊熵的度量来源直接表示,其测算过程符合人们直觉㊂2.3㊀D -S 证据理论D -S 证据理论通过定义信任函数,并以Dempster合成规则为核心来综合不同数据源或专家群体的数据或知识,勿需先验概率信息,在证据合成过程中可对未知度进行重新分配,表征和融合不确定性信息更为有效直观㊂在信息融合方面的突出优势使其在专家系统㊁情报分析㊁多属性决策分析等领域均获得了广泛应用㊂D -S 证据理论的相关基本概念定义如下:定义3㊀将不确定性问题的所有可能结果组成的集合记为识别框架Θ,在识别框架Θ上定义集函数m :2Θң[0,1],称为mass 函数,满足m (∅)=0且ðA ⊆Θm (A )=1,则称m (A )为A 的基本概率分配函数,使得m (A )>0的A 称为焦元,其中∅是空集,2Θ为Θ的幂集㊂定义4㊀在识别框架Θ上,假定基本概率分配函数m :2Θң[0,1],有(1)在Θ上基于m 的信任函数Bel :2Θң[0,1]定义为Bel (A )=ðB ⊆Am (B );(2)在Θ上基于m 的似然函数Pl :2Θң[0,1]定义为Pl (A )=ðB ɘA ʂ⌀m (B )㊂8第3期邹圆,等:基于Vague 集模糊熵和D -S 证据理论的多属性群决策方法定义5㊀对于∀A ⊆Θ,定义识别框架Θ上的有限个mass 函数m 1,m 2, ,m k ,焦元(证据)分别为A 1,A 2, ,A k ,则Dempster 证据合成规则为m (A )=m 1 m 2 m k ()(A )=11-K ðA 1ɘA 2ɘ ɘA k =A m 1(A 1)㊃m 2(A 2) m k (A k )(5)其中,K =ðA 1ɘA 2ɘ ɘA k =φm 1(A 1)㊃m 2(A 2) m k (A k )称作冲突系数,反映了证据间的冲突程度㊂3㊀模型设计3.1㊀评价信息处理专家评分可信度受制于其在对目标方案的Vague 决策中表现出来的未知性㊁不确定性及二者兼具时的模糊性影响,可由模糊熵来客观度量㊂(1)专家可信度确定㊂对于专家e k 的决策矩阵D k ,运用上述模糊熵公式计算各属性C j 对应的Vague集的模糊熵VE kj㊂由于熵是对系统状态不确定性的度量,模糊熵值越大,所表征的未知性㊁不确定性与模糊性越高,且VE 取值在[0,1]范围内㊂专家e k 在属性C j上的评分可信度记为r k j ,可设定为r kj =1-VE k j ,根据熵的性质可以判断,属性的模糊熵值越高,其在该属性下的评分可信度越低㊂专家e k 关于属性集C 的评分可信度序列r k =r k 1,r k2, ,r k n (),从而与专家集E 对应的评分可信度矩阵r 为r =r 11 r 1n ︙︙r L 1 r L n éëêêêêùûúúúú(6)(2)决策矩阵修正㊂根据专家决策矩阵D k (k =1,2, ,L )与评分可信度矩阵r ,对专家的评价信息进行修正后获得新的决策矩阵D ^k (k =1,2, ,L )为D ^k =d ^k ij []m ˑn=d ^k 11d ^k 1n ︙︙d ^k m 1d ^k mn éëêêêêêùûúúúúú(7)在上述矩阵中,元素d ^k ij=[t ^k ij ,1-f ^kij]是一个经专家e k 的评分可信度r k 修正后关于方案A i 的Vague 评价值,其中t ^k ij =r k j ˑt k ij ,f ^k ij =r k j ˑf k ij ㊂(3)属性权重计算㊂通常采用记分函数表示决策方案对决策者要求的满足程度㊂对于方案A i ,根据评价函数E ,获得A i 的Vague 评价值E (A i )=[t A i,1-f A i],将记分函数定义如下:S (E (A i ))=t A i +t A i ˑ(1-t A i -f A i )1-(t A i -f A i )(8)基于上述记分函数计算属性权重矩阵W 中Vague 权重的得分,获得属性权重得分矩阵:W ^=w ^kj []L ˑn =w ^11 w ^1n ︙w ^L 1 w ^Ln éëêêêêêùûúúúúú(9)结合考虑专家的评分可信度,在各个属性上将所有专家的意见进行加权综合,计算出各个属性的综合权重值,并构建属性综合权重序列W ∗:W ∗=w ∗j []1ˑn =[w ∗1, ,w ∗n ](10)其中,w ∗j =ðLk =1r k j w ^kj ðnj =1ðLk =1r k j w ^kj为属性C j (j =1,2, ,n )的权重值㊂3.2㊀决策矩阵证据信息集结在Vague 多属性群决策中,对于每个决策方案,在各属性下均有多位专家给出的Vague 值评价信息,利用证据理论将各专家经修正后的Vague 评价值进行信息集结,获得每个方案在各属性下的综合Vague 评价值㊂其流程如下:设定识别框架Θ={Support =支持,Opposite =反对,Unknown =未知},简记为Θ={S ,O ,U },对于专家e k ,其基本概率分配函数为m k ij (S )=t ^k ij ,m kij (O )=f ^k ij ,m k ij (U )=(1-f ^k ij )-t ^k ij ㊂其中m k ij (S )㊁m k ij (O )与m kij (U )分别表示在属性C j 下,专家e k 对决策方案A i 的支持度㊁反对度及未知度㊂基于上述证据合成式(5),将专家群体的评价信息集结,计算出决策方案A i 在属性C j 下的Vague 专家群体评价值,因此获得群体决策矩阵D :D =d ij []m ˑn =d 11d 1n ︙︙d m 1d mn éëêêêêùûúúúú(11)其中,d ij =[t ij ,1-f ij ],并满足:t ij =m ij (S )=11-K ðA 1ɘ ɘA L =Sm 1ij (A 1) m L ij (A L )(12)f ij =m ij (O )=11-K ðA 1ɘ ɘA L =Om 1ij (A 1) m Lij (A L )(13)K =ðA 1ɘ ɘA L=⌀m 1ij (A 1) m Lij (A L )(14)18重庆工商大学学报(自然科学版)第40卷3.3㊀确定最优决策方案在属性集C 下专家群体对方案A i 的综合评价值为Vague 值序列d i 1,d i 2, ,d in ;利用属性权重序列W ∗=[w ∗1, ,w ∗n],计算各个方案的Vague 加权平均评价值d -i =[t -i ,1-f -i ],其中t -i =ðnj =1w ∗j ㊃t ij ,f -i =ðnj =1w ∗j ㊃f ij ;再结合Vague 值的记分函数式(8),集成获得决策方案A i 的综合评价得分为S (d -i )㊂分数越高,表明方案越优,得分最高的方案即是最优决策方案㊂3.4㊀算法步骤根据上述分析,给出基于Vague 集模糊熵和D -S 证据理论的多属性群决策方法㊂具体步骤如下:步骤1㊀将各专家给出的方案的属性评价值以及属性权重值用Vague 值表示,构建决策矩阵与属性权重矩阵㊂步骤2㊀根据决策矩阵计算各专家在各属性下的Vague 集模糊熵,得到每位专家的评分可信度序列,并以此修正各专家的决策矩阵㊂步骤3㊀针对每个方案,利用证据合成式(12) 式(14),对各专家在各属性下经修正后的每一方案Vague 评价值进行信息集结,相应构建得到专家群体决策矩阵㊂步骤4㊀针对属性权重矩阵,使用记分函数式(8)计算属性权重得分矩阵,并利用各专家的评分可信度序列进行调整,获得属性综合权重序列㊂步骤5㊀基于专家群体决策矩阵与属性综合权重序列,计算各方案的加权平均Vague 评价值,再利用记分函数式(8)算出各方案的综合得分㊂其值越大,所对应的决策方案越优㊂综上所述,进行多属性群决策的具体流程如图1所示㊂图1㊀Vague 值多属性群决策算法流程图Fig.1㊀The algorithm flow chart of Vague valuedmulti-attribute group decision making4㊀算例分析为了解释上述算法,并与崔春生等[21]提出的基于证据理论与Vague 集的多属性群决策方法进行比较分析,本文继续沿用崔春生等[21]文中的案例,假设方案集为A ={A 1,A 2,A 3},方案评价的标准为属性集C ={C 1,C 2,C 3,C 4},3位专家记为e 1㊁e 2㊁e 3,基于各属性分别对各个方案进行评价㊂步骤1㊀专家e 1㊁e 2㊁e 3考虑各属性后对各决策方案进行Vague 评价,构建原始决策矩阵D 1㊁D 2㊁D 3分别为D 1=[0.2,0.3][0.2,0.6][0.4,0.5][0.6,0.8][0.1,0.7][0.5,0.6][0.2,0.4][0.7,0.8][0.4,0.5][0.6,0.7][0.5,0.6][0.3,0.5]éëêêêùûúúúD 2=[0.7,0.8][0.5,0.5][0.4,0.7][0.5,0.5][0.4,0.6][0.4,0.8][0.7,0.8][0.2,0.6][0.3,0.5][0.1,0.3][0.5,0.6][0.6,0.8]éëêêêùûúúúD 3=[0.1,0.6][0.4,0.6][0.5,0.5][0.6,0.8][0.6,0.9][0.3,0.7][0.5,0.8][0.2,0.4][0.5,0.5][0.7,0.9][0.4,0.7][0.4,0.8]éëêêêùûúúú专家e 1㊁e 2㊁e 3设定各属性的权重,构建属性权重矩阵W 为W =[0.5,0.9][0.3,0.6][0.7,0.8][0.3,0.8][0.6,0.7][0.5,0.5][0.3,0.4][0.5,0.7][0.5,0.5][0.6,0.8][0.5,0.7][0.4,0.5]éëêêêùûúúú步骤2㊀根据各专家决策矩阵,运用Vague 集模糊熵式(3),计算各专家的评分可信度序列,得到可信度矩阵r 为r =0.51360.57280.58790.36150.58950.58030.55800.63400.57180.71820.72780.4060éëêêêùûúúú经各专家的评分可信度序列修正后,新的决策矩阵D ^1㊁D ^2㊁D ^3如下:D ^1=[0.10,0.64][0.11,0.77][0.24,0.71][0.22,0.93][0.05,0.85][0.29,0.77][0.12,0.65][0.25,0.93][0.21,0.74][0.34,0.83][0.29,0.76][0.11,0.82]éëêêêùûúúúD ^2=[0.41,0.88][0.29,0.71][0.22,0.83][0.32,0.68][0.24,0.76][0.23,0.88][0.39,0.89][0.13,0.75][0.18,0.71][0.06,0.59][0.28,0.78][0.38,0.87]éëêêêùûúúúD ^3=[0.06,0.77][0.29,0.71][0.36,0.64][0.24,0.92][0.34,0.94][0.22,0.78][0.36,0.85][0.08,0.76][0.29,0.71][0.50,0.93][0.29,0.78][0.16,0.92]éëêêêùûúúú步骤3㊀将D ^1㊁D ^2㊁D ^3中的Vague 评价值转化为28第3期邹圆,等:基于Vague 集模糊熵和D -S 证据理论的多属性群决策方法基本概率分配后,采用式(12) 式(14)进行证据信息集结,得到专家群体决策矩阵D 为D =[0.3201,0.6765][0.2872,0.6883][0.2544,0.7315][0.2569,0.7572][0.4485,0.5676][0.4398,0.5758][0.3822,0.6222][0.3804,0.6078][0.2314,0.7559][0.2730,0.7359][0.3634,0.6463][0.3627,0.6350]éëêêêùûúúú㊀㊀步骤4㊀使用记分函数式(8)计算属性权重矩阵中各位专家对每个属性给出的权重分数,以此获得属性权重得分矩阵W ^为W ^=1.16670.35451.540.50.94290.50.25380.750.51.20.750.4éëêêêêùûúúúú对W ^经过专家评分可信度矩阵调整并归一化后,获得各属性综合权重值及综合权重序列W ∗为W ∗=[0.27670.26020.30590.1572]步骤5㊀根据专家群体决策矩阵D 与属性综合权重序列W ∗,算出各个方案的加权平均Vague 评价值:d -1=[0.2815,0.7090],d -2=[0.4152,0.5928],d -3=[0.3032,0.6982]㊂再由记分函数式(8)计算各个方案的最终综合得分㊂分别为S (d -1)=0.3981,S (d -2)=0.4929,S (d -3)=0.4236㊂由此可知方案A 2综合得分最高,A 3次之,最低的是方案A 1㊂基于方案评价规则和评分结果,待选方案由优至劣的排序为A 2≻A 3≻A 1,且A 2为最优方案,这与崔春生等[21]文中给出的结论一致㊂同理,若采用Vague 集模糊熵公式(4)并沿用上述决策流程,得出各方案综合得分分别为S (d -1)=0.4194,S (d -2)=0.4777,S (d -3)=0.4235,同样也获得了A 2是最优方案的结论㊂崔春生等给出的方法需要事先主观指定各专家评分可信度,评分可信度不同会影响最终评判结果㊂本文是以各专家在Vague 决策中的模糊熵值来确定其评分可信度,因而更具客观性㊁科学性,且决策结果的稳定性与一致性更好㊂5 结束语探讨了Vague 集信息下的多属性群决策问题,提出了一种基于Vague 集模糊熵和D -S 证据理论的多属性群决策方法㊂主要工作及特点包括:根据专家在考虑各属性下对各方案的Vague 评价,运用模糊熵值确定各专家的评分可信度序列,弥补了传统方法对可信度主观统一设定上的不足,其由具体数据驱动,并随具体决策问题不同而不同,因而更具客观性与灵活性,其评价结果也能保持内在一致性;利用专家可信度序列修正原始评价信息,分别运用Vague 记分函数与专家可信度序列计算出各属性的综合权重值,使之更贴合实际;结合Vague 集模糊熵在刻画模糊不确定性上的优势以及D -S 证据理论在信息融合上的优势,运用证据合成公式将各位专家在属性集下每个方案的Vague 评价值进行信息集结,并经属性综合权重的加权与记分函数计算得分后,获得各个方案的最终评分㊂本文提出的多属性群决策方法可以进行程式化设计,具有较强的可操作性,易于实践㊂本文是基于崔春生等[21]一文基础上的后续研究,所提出的方法在该文基础上有两个改进:一是以Vague 集模糊熵为依据来获得专家的评分可信度,摒弃了主观设定的传统思路;二是仅对专家评价证据进行信息集结,减少了对属性集证据信息的二次集结,原因在于证据合成次数较多,尤其是存在高冲突的证据时,易造成信息失真,产生与直觉相悖的结果㊂通过算例验证了提出的多属性群决策方法的合理性和实用性㊂如何降低Vague 证据信息合成中可能存在的高冲突性以拓宽应用场景,以及如何在专家的方案评价信息或属性权重信息存在部分缺失情况下进行群决策有待后续进一步的研究㊂参考文献 References1 ㊀GUPTA P MEHLAWAT M K GROVER N et al.Multi-attributegroup decision making based on extended TOPSIS method underinterval-valued intuitionistic fuzzy environment J .Applied SoftComputing 2018 69 554 567.2 ㊀GAU W L BUEHRER D J.Vague sets J .IEEE Transactionson Systems Man and Cybernetics 1993 23 2 610 614.3 ㊀MISHRA J GHOSH S.Uncertain query processing usingvague set or fuzzy set which one is better J .International Journal of Computers Communications and Control 20149 6 730 740.4 ㊀ZHANG D ZHANG J LAI K K et al.An novel approach tosupplier selection based on vague sets group decision J .Expert Systems with Applications 2009 36 5 9557 9563.38重庆工商大学学报(自然科学版)第40卷5 ㊀陈岩张宁陈侠.基于Vague集信息的多属性群决策专家水平评判方法J .数学的实践与认识2013 43 1 167 176.CHEN Yan ZHANG Ning CHEN Xia.Method to the assessment level of experts in multi-attribute group decision making based on vague set information J .Mathematics in Practice and Theory 2013 43 1 167 176.6 ㊀JUE W WEI X MA J et al.A vague set based decision support approach for evaluating research funding programs J . European Journal of Operational Research 2013 2303 656 665.7 ㊀LIU P.Multi-attribute decision-making method research based on interval vague sets and TOPSIS method J .Technological and Economic Development of Economy 2009 3 453 463.8 ㊀ZHOU S H LIU W CHANG W B.An improved TOPSIS with weighted hesitant vague information J .Chaos Solitons& Fractals 2016 89 47 53.9 ㊀GAO M SUN T DAI H.A multi-attribute fuzzy decision making with TOPSIS method based on vague set theory J . International Journal of Information and Communication Technology 2017 11 1 12 24.10 WANG W WU X.Analysis on the score function in vague set theory J .Transactions of Beijing Institute of Technology 2008 28 4 372 376.11 GUO R GUO J SU Y et al.Ranking limitation and improvement strategy of vague sets based on score function J . Systems Engineering and Electronics 2014 36 1 105 110.12 LIN K S.A novel vague set based score function for multi-criteria fuzzy decision making J .WSEAS Transactions on Mathematics 2016 15 1 12.13 许昌林魏立力.多准则模糊决策的Vague集方法J .系统工程理论与实践2010 30 11 2019 2025.XU Chang-lin WEI Li-li.Vague set method of multi-criteria fuzzy decision making J .System Engineering-Theory& Practice 2010 30 11 2019 2025.14 GUI W.GRA method for multiple attribute decision making with incomplete weight information in intuitionistic fuzzy setting J .Knowledge-Based Systems 2010 23 3 243 247.15 ELZARKA H M YAN H CHAKRABORTY D.A vague set fuzzy multi-attribute group decision-making model for selectingonsite renewable energy technologies for institutional owners of constructed facilities J .Sustainable Cities and Society 2017 35 430 439.16 LIN K S.Efficient and rational multi-criteria group decision making method based on vague set theory J .Journal of Computers Taiwan 2019 30 3 192 203.17 ROBINSON J AMIRTHARAJ H.Efficient multiple attribute group decision making models with correlation coefficient of vague sets J .International Journal of Operations Research and Information Systems 2014 5 3 27 49.18 YU J SHEN X.Direct clustering method based on vague sets J .Computer Engineering and Applications 2010 46 31 143 147.19 WANG H.Considerations on transforming method from vague value to fuzzy value J .Computer Engineering and Applications 2009 45 19 43 44.20 WANG J ZHANG H.Fuzzy multi-criteria decision-making method based on decision maker s vague confidence J . Journal of Systems Engineering 2011 26 1 17 22.21 崔春生曹艳丽邱闯闯等.基于证据理论和Vague集的多属性群决策方法研究J .运筹与管理2021 30 11 1 5.CUI Chun-sheng CAO Yan-li QIU Chuang-chuang et al. Research on multi-attribute group decision-making method based on evidence theory and vague sets J .Operations Research and Management Science 2021 30 11 1 5.22 XIAO F.Multi-sensor data fusion based on the belief divergence measure of evidences and the belief entropy J . Information Fusion 2018 46 3 23 32.23 杨永伟辛小龙.Vague集信息熵测量及其应用J .模糊系统与数学2012 26 1 161 165.YANG Yong-wei XIN rmation entropy measures for vague sets and its application J .Fuzzy Systems and Mathematics 2012 26 1 161 165.24 范平.关于Vague集模糊熵的度量分析J .计算机工程与应用2012 48 1 57 59.FAN Ping.Measurement analysis for fuzzy entropy of vague sets J .Computer Engineering and Applications 2012 48 1 57 59.责任编辑:李翠薇48。
基于模糊推理的智能医疗诊断系统
基于模糊推理的智能医疗诊断系统智能医疗诊断系统是一种跨领域交叉的技术，其应用范围包括但不限于医疗领域。
近年来，基于模糊推理的智能医疗诊断系统备受关注。
本文旨在探讨该技术发展和应用的现状及未来。
一、基于模糊推理的智能医疗诊断系统简介模糊推理技术是继经典逻辑推理之后，发展起来的一种新的推理手段。
它能够在不确定、不精确、模糊的环境中进行推理，有效地解决了传统方法所无法解决的问题。
基于模糊推理的智能医疗诊断系统，通过对医学知识进行模糊化处理，采用模糊逻辑推理方法判断疾病的发生与否，是一种智能化的新型医疗诊断手段。
二、基于模糊推理的智能医疗诊断系统的发展历程随着人工智能技术和模糊推理技术的发展，基于模糊推理的智能医疗诊断系统得到了迅速发展。
早在上个世纪九十年代，就有学者开始探索模糊推理在医学领域的应用。
经过多年的研究和实践，基于模糊推理的智能医疗诊断系统技术逐渐成熟，并开始逐步应用到实际临床中。
三、基于模糊推理的智能医疗诊断系统的优势基于模糊推理的智能医疗诊断系统与传统医疗诊断方法相比，具有很多优势。
首先，基于模糊推理的智能医疗诊断系统可以有效地解决医学中存在的不确定性和模糊性问题。
其次，该系统可以利用先进的人工智能技术对海量医学数据进行处理和分析，提高医疗诊断的准确性和效率。
另外，基于模糊推理的智能医疗诊断系统还可以快速地进行远程医疗诊断和治疗。
四、基于模糊推理的智能医疗诊断系统的应用前景基于模糊推理的智能医疗诊断系统已经在临床应用中得到了广泛的应用。
未来，该技术还将在医疗图像识别、心电图自动分析、远程医疗和健康管理等方面得到进一步的应用。
同时，随着人工智能和大数据技术的快速发展，基于模糊推理的智能医疗诊断系统的应用前景也将变得更加广阔。
五、结论基于模糊推理的智能医疗诊断系统是一种前沿的医疗技术，其应用前景广阔。
今后的发展方向主要是在数据挖掘及机器学习技术等方面开展深入研究，进一步提高医疗诊断的准确性和效率，推动智能医疗诊断系统的发展。
中医证候学等运用模糊聚类分析在医学智能诊断上的运用
临床研究3依据中医疾病诊断的模糊特征和模块化思维，运用模糊聚类分析法，依据医学临床路径标准化诊断决策的标准，进行疾病诊断的决策分析。
设计出简易的可测评探究成果的模型，推动中医临床、教学及科研发展。
1智能诊断模型设计1.1智能决策支持系统[1]提及讨论分析智能诊断不得不先分析专家系统（Expert Systems,ES ）,医学专家系统。
以计算机做为工具的专家系统是一种知识系统，并且是通过运用知识推理、专家知识等相关技术方法来理解和求解问题的。
1.2智能决策支持系统结构如图1-1所示。
1.3智能诊断系统的建立（1）建立适用于疾病智能诊断的优化的模糊聚类模型。
（2）建立知识库，即专家知识库，该库由该疾病的专家知识和专家多年的临床经验，以及权威书籍、刊物中获取、加工提炼而成。
（3）专家知识归类整理，把从人机接口获取的信息，便于模糊聚类和信息输入。
（4）模糊聚类的计算，输出聚类结果。
2中西医相结合初诊进而中医的辨证论治（1）首先列出可以引起某一症状或者体征的可能疾病。
从分析研究可知，疾病诊断和医学知识的记忆通常是相互的逆向思维。
（2）其次进行初诊的设计，我们采用中西医相结合进行初诊。
列出症状和体征后，找到关键典型的症状体征是关键点。
（3）接下来根据疾病的发病情况、严重程度等因素，排列出各种疾病病症在诊断决策中的权重。
3模糊聚类方法的选用重中之重是如何确定中医四诊信息指标映射证候诊断的比例权重，由于中医四诊信息具有时间延续性和空间扩张性，我们不能简单地以主症加次症方式表述，而且更不能中医证候学等运用模糊聚类分析在医学智能诊断上的运用李 群 刘冰倩辽宁中医药大学 辽宁省沈阳市 110032【摘 要】医学智能诊断系统是根据专家系统设计的原理与方法，模拟医生诊断疾病思维的过程，在中医证候标准化研究基础之上进行计算机模糊聚类统计分析，建立起真正能够反映中医辨证论治的、全病域中医智能诊断信息系统的诊断方法模型，从而提高中医疾病诊断的科学性、客观性。
一种基于模糊决策的变压器故障诊断方法及系统[发明专利]
![一种基于模糊决策的变压器故障诊断方法及系统[发明专利]](https://img.taocdn.com/s3/m/223ad553dcccda38376baf1ffc4ffe473368fd1c.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010361325.8(22)申请日 2020.04.30(71)申请人 常州大学地址 213164 江苏省常州市武进区湖塘镇滆湖中路21号(72)发明人 张琳 唐瑞 毛国勇 单杰 (74)专利代理机构 常州市英诺创信专利代理事务所(普通合伙) 32258代理人 郑云(51)Int.Cl.G06K 9/62(2006.01)G01R 31/62(2020.01)(54)发明名称一种基于模糊决策的变压器故障诊断方法及系统(57)摘要本发明涉及一种基于模糊决策的变压器故障诊断方法及系统，诊断方法具体包括：获取基于变压器溶解气体比值的三个特征属性；根据特征属性利用决策树法对变压器故障分类；利用模糊数学法对分类的变压器故障建立模糊隶属函数，从而得到变压器故障诊断分析模型；将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。
本发明引入决策树算法将传统的三比值法中的编码组合去除，直接把比值所对应的数值进行分类，不仅去编码化而且将原本的三比值法从两步诊断变为一步诊断；同时利用模糊数学的方法来建立模糊隶属函数，处理在决策树算法运算过程中所出现的比值范围的边界归属问题，实现对数据的刚性化处理转换为柔性化处理。
权利要求书1页 说明书7页 附图6页CN 111476318 A 2020.07.31C N 111476318A1.一种基于模糊决策的变压器故障诊断方法，其特征在于，包括以下步骤：获取基于变压器溶解气体比值的三个特征属性；根据特征属性利用决策树法对变压器故障分类；利用模糊数学法对分类的变压器故障建立模糊隶属函数，从而得到变压器故障诊断分析模型；将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。
2.如权利要求1所述的一种基于模糊决策的变压器故障诊断方法，其特征在于，所述基于变压器溶解气体比值的三个特征属性具体包括：C 2H 2/C 2H 4、CH 4/H 2及C 2H 4/C 2H 6。
基于模糊聚类分析的电能质量扰动模式识别方法
㊀㊀㊀㊀收稿日期:2021-03-06;修回日期:2021-06-18基金项目:国家重点研发计划(2018Y F F 0212900)通信作者:刘谋海(1990-),男,硕士,工程师,主要从事智能电能计量技术及互动技术研究;E -m a i l :1059850080@q q.c o m 第37卷第2期电力科学与技术学报V o l .37N o .22022年3月J O U R N A LO FE I E C T R I CP O W E RS C I E N C EA N DT E C H N O L O G YM a r .2022㊀基于模糊聚类分析的电能质量扰动模式识别方法陈向群1,2,杨茂涛1,2,刘谋海1,2,黄㊀瑞1,2,余敏琪1,2,王㊀智1,2(1.国网湖南省电力有限公司供电服务中心(计量中心),湖南长沙410004;2.智能电气量测与应用技术湖南省重点实验室,湖南长沙410004)摘㊀要:为了提高电能质量扰动识别的准确性,弥补基于传统单一特征量模式识别方法易受干扰㊁精度低的缺陷,提出基于模糊聚类分析的电能质量扰动模式识别方法㊂该方法利用HH T 变换从多种不同类型的电能质量扰动信号中提取出相应的扰动特征量,再将提取的特征量进行模糊聚类分析,准确地把这些电能质量扰动信号一一归类至光伏扰动与公共电网扰动两大类别,同时建立基于模糊聚类分析的电能质量扰动识别流程㊂仿真结果表明,该方法克服了传统单一特征量模式识别方法的局限性,优化了扰动信号的识别效果,提高了识别效率,识别精度高,抗噪能力强㊂关㊀键㊀词:电能质量扰动;希尔伯特 黄变换;模糊聚类;模式识别;电压突变量D O I :10.19781/j .i s s n .1673-9140.2022.02.010㊀㊀中图分类号:TM 76㊀㊀文章编号:1673-9140(2022)02-0079-07D i s t u r b a n c e p a t t e r n r e c o g n i t i o nm e t h o d o f p o w e r q u a l i t yb a s e d o n t h e f u z z yc l u s t e r i n g a n a l ys i s C H E N X i a n g qu n 1,2,Y A N G M a o t a o 1,2,L I U M o u h a i 1,2,HU A N G R u i 1,2,Y U M i n qi 1,2,WA N GZ h i 1,2(1.P o w e r S u p p l y S e r v i c eC e n t e r (M e t r o l o g y C e n t e r ),S t a t eG r i dH u n a nE l e c t r i cP o w e rC o .,L t d .,C h a n g s h a 410004,C h i n a ;2.P r o v i n c eK e y L a b o r a t o r y o f I n t e l l i g e n tE l e c t r i c a lM e a s u r e m e n t a n dA p p l i c a t i o nT e c h n o l o g y ,C h a n gs h a 410004,C h i n a )A b s t r a c t :I no r d e r t o i m p r o v e t h e a c c u r a c y o f p o w e r q u a l i t y d i s t u r b a n c e r e c o g n i t i o n a n dm a k e u p f o r t h e s h o r t c o m i n gs o f t r a d i t i o n a l s i n g l e f e a t u r e q u a n t i t yp a t t e r nr e c o g n i t i o n m e t h o d s t h a t a r ee a s i l y di s t u r b e da n dh a v e l o w p r e c i s i o n ,a p o w e r q u a l i t y d i s t u r b a n c e p a t t e r nr e c o g n i t i o n m e t h o db a s e do nf u z z y c l u s t e r a n a l y s i s i s p r o p o s e d .T h em e t h o du s e s H i l b e r t -H u a n g t r a n s f o r m a t i o n (HH T )t oe x t r a c t c o r r e s p o n d i n g d i s t u r b a n c e f e a t u r e q u a n t i t i e s f r o mv a r i o u s t y pe sof p o w e r q u a l i t y d i s t u r b a n c e s ig n a l s ,a n dth e n p e r f o r m s f u z z y c l u s t e ri n g a n a l ys i so nt h ee x t r a c t e df e a t u r e q u a n t i t i e s t o a c c u r a t e l y c l a s s i f y t h e s e p o w e r q u a l i t y d i s t u r b a n c e s i g n a l s i n t o p h o t o v o l t a i c d i s t u r b a n c e s a n d p u b l i c g r i dd i s t u r b a n c e s o n e b y o n e .A t t h e s a m e t i m e ,a p o w e r q u a l i t y d i s t u r b a n c e i d e n t i f i c a t i o n p r o c e s s b a s e d o n f u z z y c l u s t e r a n a l ys i s i s e s -t a b l i s h e d .S i m u l a t i o n r e s u l t s s h o wt h a t t h i sm e t h o do v e r c o m e s t h e l i m i t a t i o n s o f t h e t r a d i t i o n a l s i n gl e -f e a t u r e p a t t e r n Copyright ©博看网. All Rights Reserved.电㊀㊀力㊀㊀科㊀㊀学㊀㊀与㊀㊀技㊀㊀术㊀㊀学㊀㊀报2022年3月r e c o g n i t i o nm e t h o d,o p t i m i z e s t h e r e c o g n i t i o ne f f e c t o f d i s t u r b a n c e s i g n a l s,i m p r o v e s t h e r e c o g n i t i o ne f f i c i e n c y,a n d h a sh i g h r e c o g n i t i o na c c u r a c y a n d s t r o n g a n t i-n o i s e a b i l i t y.K e y w o r d s:p o w e r q u a l i t y d i s t u r b a n c e;HH T;f u z z y c l u s t e r i n g;p a t t e r n r e c o g n i t i o n;v o l t a g em u t a t i o n㊀㊀社会工业的不断发展使得电力系统中非线性负载㊁冲击性和不平衡负载大批量投入电力网络中,这些负荷中含有大量的非平稳信号,极易引发系统出现电能质量扰动问题,如:设备过热㊁电动机失速㊁保护不灵敏以及测量精度不准确等都会导致严重后果,这较大程度影响了广大居民的生活品质,甚至将造成巨大的经济财产损失㊂如今全球大力推行发展绿色节能电力,光伏和风力发电等绿色能源在发电领域所占的比例逐年上升,使得电网中更多地利用到了电力电子设备,导致非平稳信号的产生出现更加多元性,因此,要求更高质量电能的供应㊂由此可见,对电能质量扰动准确识别的研究具有重要意义,是优化改善电能质量的一大基础[1]㊂电能质量扰动识别主要分为两步㊂首先,因电能质量扰动信号多半为非平稳信号,需要对这些扰动信号进行处理,去噪后再提取其特征值,目前有小波变换[1]㊁快速傅里叶变换(f a s t f o u r i e r t r a n s f o r m a t i o n,F F T)[2]㊁时频原子变换[3]㊁S变换[4-5]以及希尔伯特 黄(H I L B E R T HU A N G t R A N S F O R M,HH T)变换[6-7]等特征提取方法㊂小波变换方法的时频分辨率虽然是变化的,但分辨信号特征的能力不强,且分类器设计较为困难;F F T 变换方法的数据窗口宽度恒定,因而其时频分辨率也随之保持不变,因此仅适于平稳信号的处理;S变换方法在分析处理扰动信号方面运用较为广泛,其时频分辨率随时间发生变化,且不敏感于噪声,但对信号频率的追踪效果要求较高,暂态信号的检测结果并不理想;HH T变换方法作为一种适用于非平稳电能扰动信号的时频分析方法,具有优越的信号处理及分析能力,其自适应以及抗噪声能力强,非常适合高频扰动信号的特征提取㊂然后,将选取到的特征信息放入模式识别器中对其所表征的电能质量扰动信号进行自主识别㊂常用模式识别方法有聚类[8]㊁神经网络[9]㊁支持向量机(s u p p o r t v e c t o rm a c h i n e,S VM)[10]㊁专家系统[11]以及决策树方法[12-13]等㊂神经网络分析的成效有赖于提供的样本数量;存在的扰动类型较少时S VM分类效果优秀,但在扰动过多的情况下,其数据在高维空间的映射可能发生混叠现象,识别的准确率会大幅下降;决策树方法依靠阈值的选择进行扰动识别,受噪声影响大㊂上述方法虽采用了海量的样本进行数据分析,排除了特殊情况对模式识别的干扰,但皆只采用单一扰动特征量的变化进行判断,未考虑到不同特征量的适用范围在不同电网结构下可能出现失效的情况,模式识别效果不佳,应用存在较大限制㊂而聚类方法综合多种扰动特征量进行模式识别,不受单一特征量的局限,识别准确率较高㊂为了解决传统的电能质量扰动模式识别方法中仅使用单独一个变量进行识别使得识别错误率较高的难题,提高识别的准确性,本文采取基于模糊聚类分析的电能质量扰动模式识别方法,利用HH T变换从多种不同类型的电能质量扰动信号中提取相应的扰动特征量,再将其进行模糊聚类分析,把这些电能质量扰动信号准确归类至光伏与公共电网扰动两大类别中,并在M a t l a b仿真环境中搭建模型进行分析㊂1㊀基于模糊聚类分析的电能质量扰动模式识别原理1.1㊀H H T算法HH T变换常用于选取电能质量扰动信号的各个特征量,能对系统受到的非线性㊁非平稳扰动信号进行降噪处理,并提取所需要的扰动特征量,该方法是E M D㊁H i l b e r t变换2个分析方法的统称,先将采集到的各种扰动信号分解成许多固有模态分量(i n-t r i n s i cm o d e f u n c t i o n s,I M F)之和,获得各信号的局部特征,再变换获得各个I M F所对应的瞬时特征量[14]㊂HH T变换具备较高的时频分辨率,改善了S变换方法较难检测暂态信号的问题,且计算简单㊁快速准确,对各种类型的电能质量扰动信号的特征提取都适用,不受噪声的影响㊂E M D算法:从采集到的电能质量扰动信号中提取出若干固有模态函数(I M F),包含大量的信号局08Copyright©博看网. All Rights Reserved.第37卷第2期陈向群,等:基于模糊聚类分析的电能质量扰动模式识别方法部特征信息㊂假设扰动信号为s(t),对E M D进行求解的步骤如下㊂1)采集扰动信号s(t)的局部极大与极小值,分别绘制该信号的上㊁下包络线v1(t)㊁v2(t),并求出两线的平均值:a(t)=12[v1(t)+v2(t)](1)㊀㊀2)将扰动信号s(t)与平均值a(t)作差,得到:b(t)=s(t)-a(t)(2)㊀㊀3)判断b(t)是否满足作为I M F所需的条件:①b(t)函数极值点数目和过零点数相等或者最多相差1;②作b(t)的上㊁下包络线的平均值,其在任一点处为零㊂若不满足终止条件,则将b(t)作为新的信号s(t)重复上述步骤;若满足,则继续步骤4㊂4)设定c=b(t),c即为分解得到的一个I M F 分量,继续作差得到:h(t)=s(t)-c(3)㊀㊀5)判断h(t)是否满足终止条件,若不满足,则将h(t)作为新的扰动信号s(t)重复上述步骤,直到满足条件,此时得到第2个I M F分量㊂6)相同地,可以得到更多的I M F分量,直到h(t)作为残余分量成单调趋势或含量极小,可以忽略不计,则E M D求解完毕㊂可得扰动信号s(t)的E M D分解为s(t)=ðn i=1c i+h(t)(4)㊀㊀H i l b e r t变换:对经E M D算法分解得到的各I M F进行分析,精确刻画出各个时刻的瞬时频率和幅值㊂定义分解得到的某一I M F分量信号为x(t),通过H i l b e r t变换可得:y(t)=1πʏɕ-ɕx(τ)t-τdτ=x(t)㊃1πt(5)由此可得x(t)的复分解信号:z(t)=x(t)+j y(t)=u(t)e jθ(t)(6)其中,u(t)对应为瞬时幅值,θ(t)为瞬时相位㊂u(t)=x2(t)+y2(t)(7)θ(t)=a r c t a n y(t)x(t)(8)易知x(t)瞬时频率表示为f(t)=12πω(t)=12π㊃dθ(t)d t(9)㊀㊀基于H i l be r t变换原理,将经过E M D分解得到各个I M F分量的扰动信号s(t)进行变换得:s(t)=R eðn i=1u i(t)e jʏ2πf i(t)d t+h(t)(10)其中,因h(t)极小,可以忽略不计,取信号s(t)的实部,定义为H i l b e r t谱,以H(ω,t)表示,并对时间进行积分,可得H i l b e r t边际谱h(ω),其通过概率来表示各频率上的总振幅㊂h(ω)=ʏɕ-ɕH(ω,t)d t(11) 1.2㊀基于H H T变换的电能质量扰动特征提取电能质量扰动信号主要分为光伏和公共电网扰动两大类别㊂因为光伏信号受外界自然环境的影响较大,其波形存在间歇性㊁不稳定的特征,因此,对电能质量的干扰也是间歇与不稳定的,不可避免地在电网中引起谐波[15],且谐波的干扰会导致电网电压出现变化,发生电压骤升+谐波或电压骤降+谐波等负荷扰动类型;公共电网扰动主要是电网自身变化导致其节点电压发生骤变引起的电能质量扰动,主要为电压骤升或骤降㊁电压中断等单一扰动类型㊂这些扰动信号皆为非平稳信号,利用HH T变换从原始扰动信号中得到其瞬时幅值u(t)㊁瞬时相位θ(t)㊁H i l b e r t谱H(ω,t)以及h(ω),可以提取出扰动信号的频率分布㊁持续时间㊁电压幅值有效值以及各频段谐波电压4种扰动特征量的数据㊂1)扰动信号的频率分布xᶄm1㊂H i l b e r t边际谱h(ω)的波峰值可以清晰地判断系统中的电能质量扰动信号中是否含有谐波成分,系统电压在正常㊁骤升㊁骤降㊁中断以及发生瞬时脉冲的情况下,H i l b e r t 边际谱显示的波峰值对应频率不大于50H z;而扰动信号中存在谐波时其对应频率大于50H z,可以判断出谐波的存在,从而良好辨识出光伏扰动类型㊂2)扰动信号的持续时间xᶄm2㊂H i l b e r t谱H(ω,t)中可知系统受到扰动的初始以及结束时刻,由此得到扰动持续时间,以判断该扰动是瞬时性或持续性信号,光伏扰动信号的持续时间大于0.5m s,而公共电网扰动持续时间一般较短,由此特征可以一定程度区分出光伏扰动和公共电网扰动㊂3)负荷节点电压幅值变化有效值xᶄm3㊂以瞬时18Copyright©博看网. All Rights Reserved.电㊀㊀力㊀㊀科㊀㊀学㊀㊀与㊀㊀技㊀㊀术㊀㊀学㊀㊀报2022年3月幅值u(t)计算扰动持续时间段内电压的有效值,通过系统所受扰动信号的电压幅值变化情况判断扰动类型,光伏扰动信号的电压变化情况小于1V,而公共电网扰动的电压变化远大于1V,可以良好区分2种电能质量扰动类型㊂4)各频段谐波电压xᶄm4㊂H i l b e r t边际谱h(ω)提供了各频段谐波的振幅,即各频段谐波电压,可以清晰地区分电能质量扰动信号中各频段幅值大小,光伏与公共电网扰动信号谐波电压大小往往相差数10倍,易进行区分判断㊂这些扰动特征量较好地描述了光伏和公共电网扰动类的特征,各特征量都能在一定范围内对扰动信号类别进行识别,但存在较大的局限性,直接使用HH T变换后提取的单一扰动特征量进行扰动的辨识易造成错误甚至无法识别的情况㊂1.3㊀基于模糊聚类的扰动类别数学模型搭建为了提高电能质量扰动模式识别准确率,改善当前电能质量扰动模式识别技术仅依靠单独一个扰动特征量判别而导致识别准确率较低的问题,本文提出基于模糊聚类分析的电能质量扰动模式识别方法㊂首先进行数据的采集及标准化处理,通过现有的配电线路测量设备采集n种存在扰动的运行状态下被监测线路的数据,并基于HH T变换分析提取s种扰动特征量,这n个历史特征样本组成一个历史特征样本集,其中第m个样本表示为xᶄm=(xᶄm1,xᶄm2, ,xᶄm s)T(12)其中m为整数,取值区间为[1,n],xᶄm1㊁xᶄm2㊁ ㊁xᶄm s表示第m种扰动情况下的数据所提取出的s个扰动特征量的实际值㊂标准化处理该样本集可得:x m j=xᶄm j-1nðn m=1xᶄm j1n-1ðn m=1(xᶄm j-1nðn m=1xᶄm j)2(13)其中j的取值范围为[1,s]㊂经标准化处理后,第m 个样本可表示为x m=(x m1,x m2, ,x m s)T㊂通过式(13)可以同时得到系统实时运行状态下受到扰动信号干扰时被监测线路所提取出的实时特征样本x g=(x g1, ,x g j, ,x g s)T,其中x g1,x g2, ,x g s 表示被监测线路实时提取出的s个扰动特征量标准化后的值㊂将标准化处理后的样本x1,x2, ,x n代入模糊聚类中进行处理,根据各个样本特征相似程度将样本划分为光伏与公共电网扰动类两大类别㊂设目标函数为J=ðn m=1ð2i=1(μi m)2 x m-A i 2(14)其中i的取值范围为[1,2]且为整数,A1㊁A2分别表示光伏㊁公共电网扰动类的聚类中心,μi m表示标准化处理后的样本x m从属于第i种聚类类别的隶属度,其满足条件:ði m=1μi m=1㊂同时,计算出光伏㊁公共电网扰动类各自的聚类中心以及隶属度:A i=ðnm=1(μi m)2㊃x mðn m=1(μi m)2(15)μi m=1x m-A i 2ð2j=11x m-A j 2æèöø(16)㊀㊀设定聚类中心A i的初始值,并通过μi m与A i 的相互迭代不断更新各类别的聚类中心数据,当其满足目标函数时停止迭代,此时将得到光伏㊁公共电网扰动类各自最终的聚类中心,由此构建出电能质量扰动信号历史特征模型㊂1.4㊀电能质量扰动模式识别判据的选取在配电网中被监测线路出发生电能质量异常情况时,为了能够实时判断其受到的扰动模式,需计算实时特征样本x g与各聚类中心的相似度,本文提出全频段电压突变值相似性度量判据,即通过2个样本电网电压突变量情况进行电能质量扰动模式的识别㊂实时特征样本x g与第i类聚类中心A i之间的全频段电压幅值变化量表示为ΔU g i=ðs k=1x g k A i kðs k=1x2g kðs k=1A2i k(17)其中,ΔU g1表示实时特征样本x g与光伏扰动类聚类中心A1的变化量;ΔU g2表示实时特征样本x g 与公共电网扰动类聚类中心A2的变化量㊂28Copyright©博看网. All Rights Reserved.第37卷第2期陈向群,等:基于模糊聚类分析的电能质量扰动模式识别方法定义光伏扰动测度为λg1=ΔU g 1+1ΔU g 1+ΔU g 2+2(18)公共电网扰动测度为λg2=ΔU g 2+1ΔU g 1+ΔU g 2+2(19)㊀㊀若λg 1<λg 2,则表示被监测线路所采集的数据样本x g 被归类于公共电网扰动类,线路中包含有公共电网扰动;若λg 1>λg 2,则线路中包含光伏扰动㊂如图1所示,当配电网的电能质量存在异常时,可能存在各条线路受到不同类别的扰动情况,提取出各条线路的实时特征样本,并计算与各类别聚类中心的扰动测度,将所有信息进行综合分析,即可实现对电能质量扰动的精确识别,并为后续电能质量的有效治理提供方向㊂公共电网扰动样本聚类中心1.00.50.01.00.50.00.5 1.0x m 2x m 1x m 3待测样本公共电网扰动样本光伏扰动样本聚类中心图1㊀三判据扰动特征量不同扰动模式聚类F i gu r e 1㊀S c h e m a t i c d i a g r a mo f t h r e e c r i t e r i o n p e r t u r b a t i o n c h a r a c t e r i s t i c q u a n t i t i e sw i t hd i f f e r e n t p e r t u r b a t i o n p a t t e r n s2㊀配电网电能质量扰动模式识别流程设计㊀㊀基于模糊聚类分析的电能质量扰动模式识别原理,提出配网线路电能质量扰动模式识别流程,如图2所示,线路扰动判断步骤如下:1)采集电能质量异常状态下的配电网各线路上的数据,并通过HH T 变换进行各线路扰动特征量的提取,之后将选取出的s 种各样本扰动特征量定义为一个历史特征样本x ᶄm ,对其进行标准化处理,得到x m ;2)运用模糊聚类算法对全部历史特征样本数据不断迭代,最终分类为光伏㊁公共电网扰动两大类别,并计算得到各类别的聚类中心A i ;3)实时监测该配电系统中各个节点的电压变化,一旦系统中出现电能质量扰动信号,导致电压长时间的偏移额定电压值,立刻启动扰动模式识别方案;4)从配电网被监测线路中采集扰动发生后的数据,同样基于HH T 变换方法选取出s 种扰动特征量,作为实时特征样本x ᶄg ;5)标准化处理特征样本x ᶄg 得到x g ,分别求取x g 与光伏扰动类聚类中心A 1㊁公共电网扰动类聚类中心A 2的扰动测度λg 1㊁λg 2;6)若λg 1>λg 2,则表示被监测线路发生光伏扰动,将x g 归类至光伏扰动类样本集,然后返回步骤3;若λg 1<λg 2,则表示线路发生公共电网扰动,将x g 归类至公共电网扰动类样本集㊂按照上述流程运行模式识别方案可以准确进行电能质量扰动模式的识别㊂历史特征样本集x ′m数据采集扰动信号?开始是提取实时特征样本x ′g实时特征样本标准化处理x g模糊聚类分析计算聚类中心A i 计算λg 1和λg 2λg 1>λg 2是否电网内部扰动光伏扰动新历史特征样本集x ′m结束图2㊀电能质量各类扰动识别流程F i gu r e 2㊀I d e n t i f i c a t i o n p r o c e s s o f v a r i o u s d i s t u r b a n c e s i n p o w e r q u a l i t y3㊀仿真分析为了对本文电能质量扰动模式识别新方法有效性进行验证,在M a t l a b 仿真环境中搭建典型的配电网模型,其中包含有3条架空线路和1条电缆线路,馈线具体参数如表1所示㊂在每条线路始端处设置测量元件,并在各线路的末端施加不同类型的扰动,广泛采集各扰动信号所包含的数据,并基于HH T 变换提取其中包含的各类扰动特征量,依次定义为x ᶄm 1㊁x ᶄm 2㊁x ᶄm 3㊁x ᶄm 4㊂38Copyright ©博看网. All Rights Reserved.电㊀㊀力㊀㊀科㊀㊀学㊀㊀与㊀㊀技㊀㊀术㊀㊀学㊀㊀报2022年3月以表1配电网的参数设置模拟光伏㊁公共电网扰动这2种不同类型的电能质量扰动情况,采集50组数据样本(仅具体列出表征光伏㊁线路发生公共电网扰动的历史特征样本中的典型8组样本的扰动信号识别情况并进行分析)㊂16个样本中各自的4个扰动特征量数值如表2所示㊂利用50个历史特征样本中的扰动特征量数据,通过式(15)计算得出光伏㊁公共电网扰动类各自的聚类中心(具体坐标数据如表3所示),得到电能质量扰动模式历史模型㊂表1㊀配网系统参数T a b l e1㊀D i s t r i b u t i o n s y s t e m p a r a m e t e r s线路长度/k m每相对地电容/m F相间电容/m F负荷/(103k V㊃A)功率因数1300.150.03820.8 21000.500.125100.8 3301.800.72020.8 4200.100.02510.8表2㊀系统历史特征样本集T a b l e2㊀S y s t e mh i s t o r y f e a t u r e s a m p l e s e t扰动类型历史特征样本模式特征量xᶄm1/H z xᶄm2/s xᶄm3/V xᶄm4/V xᶄ12530.5940.6820.878 xᶄ22500.5930.7350.601 xᶄ32500.5860.6370.583光伏xᶄ42520.6590.6940.448 xᶄ52470.5130.6110.442 xᶄ62500.6040.4740.276 xᶄ72560.7110.4200.285 xᶄ82520.5740.3270.147 xᶄ9500.20114.5415.77 xᶄ10490.19010.6911.25 xᶄ11500.4679.6710.55公共电网xᶄ12500.2006.358.87 xᶄ13520.3528.018.34 xᶄ14560.2754.524.76 xᶄ15470.1983.964.72 xᶄ16500.2132.432.93表3㊀历史数据的聚类中心坐标T a b l e3㊀C l u s t e r c e n t e r c o o r d i n a t e s o f h i s t o r i c a l d a t a 聚类中心坐标值A1-0.879-0.796-0.7580.804 A20.9660.9170.903-0.870㊀㊀运用该配电网模型模拟2组光伏和2种公共电网扰动情况,分别采集并利用HH T变换提取各自的扰动特征量作为实时特征样本中的数据记录,如表4所示㊂根据式(18)㊁(19)计算各实时特征样本相对于两大扰动类型的扰动测度,如表5所示为被监测线路的扰动模式判断结果,当λg1>λg2时,该线路发生光伏扰动;当λg1<λg2时,线路发生公共电网扰动,该结果与表4的扰动假设样本形式一致,验证了该模式识别方案可以精确别线路中发生的扰动类型,具有可行性㊂表4㊀实时特征样本识别数据T a b l e4㊀R e a l t i m e f e a t u r e s a m p l e r e c o g n i t i o nd a t a扰动类型样本模式判别特征量xᶄg1/H z xᶄg2/s xᶄg3/V xᶄg4/V 光伏xᶄ12430.5781.7350.992xᶄ22520.5090.8350.433公共扰动xᶄ3510.2303.7804.310xᶄ4500.3431.4500.940表5㊀被监测线路扰动识别情况T a b l e5㊀D i s t u r b a n c e i d e n t i f i c a t i o no fm o n i t o r e d l i n e s样本λg1λg2模式判断结果xᶄ10.3980.602λg1>λg2光伏扰动xᶄ20.4300.570λg1>λg2光伏扰动xᶄ30.7010.299λg1<λg2公共电网扰动xᶄ40.5980.402λg1<λg2公共电网扰动4㊀结语本文提出了基于模糊聚类分析的电能质量扰动模式识别方法,通过分析电压幅值变化量的相似度,判断待测实时特征样本与历史特征样本之间的相似程度,将待测样本分类至光伏扰动类或公共电网扰动类,从而进行精确电能质量扰动模式识别㊂通过M a t l a b仿真验证了该识别方法能够有效识别扰动类型,具有较高的精确度,并得出如下结论: 1)基于HH T变换的电能质量扰动特征量提取方法,可以较简便地提取出电能质量扰动特征量,所提取的特征量可有效描述不同类型的电能质量扰动特征,为模糊聚类分析提供便利;2)为解决传统的电能质量模式扰动识别方法中仅使用单独一种特征量进行模式识别的局限,设计了基于模糊聚类的电能质量扰动模式识别的方法,48Copyright©博看网. All Rights Reserved.第37卷第2期陈向群,等:基于模糊聚类分析的电能质量扰动模式识别方法使用多个扰动特征量多维判断识别电能质量扰动,大幅度提高其准确性㊂仿真分析结果表明,该电能质量扰动模式识别方法可有效提取多种扰动特征量,且对扰动类型识别的精度高,增大了该方法的普适性,也可以考虑将该扰动模式识别方法与电能质量治理相结合,具有工程应用价值㊂参考文献:[1]陈珍萍,欧阳名三,刘淮霞.小波能量差分布和S VM结合的P Q D识别[J].计算机工程与应用,2011,47(20): 241-244.C H E N Z h e n p i n g,O U Y A N G M i n g s a n,L I U H u a i x i a.I-d e n t i f i c a t i o no fP Q Db a s e do nw a v e l e t e n e r g y d i f f e r e n c e d i s t r i b u t i o na n d S VM[J].C o m p u t e r E n g i n e e r i n g a n dA p p l i c a t i o n s,2011,47(20):241-244.[2]汪飞,全晓庆,任林涛.电能质量扰动检测与识别方法研究综述[J].中国电机工程学报,2021,41(12):4104-4121. WA N GF e i,Q U A N X i a o q i n g,R E NL i n t a o.S u mm a r y o f r e s e a r c ho n p o w e r q u a l i t y d i s t u r b a n c e d e t e c t i o n a n d r e c-o g n i t i o nm e t h o d s[J].P r o c e e d i n g s o f t h eC S E E,2021,41 (12):4104-4121.[3]王宁,李林川,贾清泉,等.应用原子分解的电能质量扰动信号分类方法[J].中国电机工程学报,2011,31(4): 51-58.WA N GN i n g,L I L i n c h u a n,J I A Q i n g q u a n,e t a l.C l a s s i f i-c a t i o no f p o w e r q u a l i t yd i s t u r b a n ce s i g n a l su s i n g a t o m i cd e c o m p o s i t i o n m e t h o d[J].P r o c e e d i n g s o ft h e C S E E, 2011,31(4):51-58.[4]S A L E M M E,MOHAM E D A,S AMA D S A.R u l eb a s e ds y s t e mf o r p o w e r q u a l i t y d i s t u r b a nc ec l a s s i f i c a-t i o n i n c o r p o r a t i n g S-t r a n s f o r mf e a t u r e s[J].E x p e r t S y s-t e m sw i t hA p p l i c a t i o n s,2010,37(4):3229-3235. [5]刘云鹏,步雅楠,贺鹏,等.基于S变换和E L M的变压器绕组应变检测识别[J].高压电器,2020,56(1):9-17. L I U Y u n p e n g,B U Y a n a n,H EP e n g,e t a l.T r a n s f o r m e r w i nd i n g s t r a i nde t e c t i o n i d e n t if i c a t i o nb a s e do nS-t r a n s-f o r ma n d E L M[J].H igh V o l t a g e A p p a r a t u s,2020,56(1):9-17.[6]杨桢,马钰超,李丽,等.基于HH T和G A-B P的电压暂降源定位方法[J].中国电力,2022,55(3):97-104.Y A N GZ h e n,MA Y u c h a o,L IL i,e t a l.An o v e lm e t h o d f o r v o l t a g e s a g s o u r c e l o c a t i o nb a s e do n HH Ta n dG A-B P[J].E l e c t r i cP o w e r,2022,55(3):97-104.[7]李天云,赵妍,韩永强,等.H i l b e r t-H u a n g变换方法在谐波和电压闪变检测中的应用[J].电网技术,2005,29(2):73-77.L IT i a n y u n,Z HA O Y a n,HA N Y o n g q i a n g,e t a l.A p p l i-c a t i o no fH i l b e r t-H u a n g t r a n s f o r m m e t h o d i nd e t e c t i o n o f h a r m o n i c a n d v o l t a g e f l i c k e r[J].P o w e r S y s t e m T e c h-n o l o g y,2005,29(2):73-77.[8]B I S WA LB,P A N I G R A H IB K.P o w e r q u a l i t y d i s t u r b-a n c e c l a s s i f i c a t i o nu s i n g f u z z y c-m e a n s a l g o r i t h ma n d a-d a p t i v e p a r t i c l e s w a r mo p t i m i z a t i o n[J].I E E E T r a n s a c-t i o n s o n I n d u s t r i a l E l e c t r o n i c s,2009,56(1):212-220.[9]M I S H R AS,B H E N D EC N,P A N I G R A H IB K.D e t e c t i o na n dc l a s s i f i c a t i o no f p o w e r q u a l i t y d i s t u rb a nc e su s i n g S-t r a n s f o r ma nd p r o b a b i l i s t i c ne u r a l n e t w o r k[J].I E E ET r a n s-a c t i o n so nP o w e rD e l i v e r y,2008,23(1):280-287.[10]M O R A V E JZ,A B D O O SA A,P A Z O K IM.D e t e c t i o n a n dc l a s s i f i c a t i o no f p o w e r q u a l i t yd i s t u r b a n ce su s i n g w a v e l e tt r a n s f o r ma n d s u p p o r t v e c t o rm a c h i n e s[J].E l e c t r i cP o w e rC o m p o n e n t s a n dS y s t e m s,2010,38(2):182-196.[11]赵伟哲,崔成,严干贵,等.用于次同步振荡分析的直驱风电场等值模型[J].智慧电力,2022,50(2):22-28+68.Z HA O W e i z h e,C U IC h e n g,Y A N G a n g u i,e t a l.E q u i v-a l e n tm o d e l o fD-P M S G-b a s e d w i n df a r mf o rs u b s y n-c h r o n o u s o s c i l l a t i o n a n a l y s i s[J].S m a r t P o w e r,2022,50(2):22-28+68.[12]甄超,张健,季坤,等.电能质量治理设备运行状态识别及其治理效果评价[J].电测与仪表,2020,57(3):60-65.Z H E B C h a o,Z HA N G J i a n,J I K u n,e ta l.O p e r a t i o n s t a t u s i d e n t i f i c a t i o no f p o w e r q u a l i t y c o m p e n s a t i o ne-q u i p m e n t a n d i t s e f f e c t e v a l u a t i o n[J].E l e c t r i c a lM e a s-u r e m e n t&I n s t r u m e n t a t i o n,2020,57(3):60-65. [13]Z HA N G M,L IKC,HU YS.Ar e a l-t i m e c l a s s i f i c a t i o nm e t h o d o f p o w e r q u a l i t y d i s t u r b a n c e s[J].E l e c t r i c P o w e r S y s t e m sR e s e a r c h,2011,81(2):660-666.[14]赵洪山,李静璇,米增强,等.基于C R I T I C和改进G r e y-T O P S I S的电能质量分级评估方法[J].电力系统保护与控制,2022,50(3):1-8.Z HA O H o n g s h a n,L IJ i n g x u a n,M IZ e n g q i a n g,e ta l.G r a d i n g e v a l u a t i o no f p o w e r q u a l i t y b a s e do nC R I T I Ca n d i m p r o v e dG r e y-T O P S I S[J].P o w e r S y s t e mP r o t e c-t i o na n dC o n t r o l,2022,50(3):1-8.[15]王鸣阳,刘昌嘉,刘仁和.并网型光伏发电站储能功率波动平滑控制研究[J].电网与清洁能源,2022,38(1): 115-120+134.W A N G M i n g y a n g,L I UC h a n g j i a,L I U R e n h e.As t u d y o n t h e s m o o t h c o n t r o l o f e n e r g y s t o r a g e p o w e r f l u c t u a t i o no fg r i d-c o n n e c t e d p h o t o v o l t a i c p o w e r s t a t i o n[J].P o w e rS y s-t e ma n dC l e a nE n e r g y,2022,38(1):115-120+134.58Copyright©博看网. All Rights Reserved.。
基于谱聚类下采样失衡数据下SVM故障检测
基于谱聚类下采样失衡数据下SVM故障检测陶新民;张冬雪;郝思媛;徐鹏【摘要】在故障诊断领域中,对传统支持向量机(SVM)算法在数据失衡情况下无法有效实现故障检测的不足,提出一种基于谱聚类下采样失衡数据下SVM故障检测算法.该算法在核空间中对多数类进行谱聚类,然后选择具有代表意义的信息点,最终实现样本均衡.将该算法应用在轴承故障检测领域,并同其他算法进行比较,试验结果表明所建议的算法在失衡数据情况下较其他算法具有较强的故障检测性能.%In fault diagnosis application,the performance of traditional support vector machine (SVM)drops significantly when it is applied to the problem of learning from imbalanced datasets where the fault instances heavily outnumbers the normal instances.To address this problem,a novel fault detection SVM approach was proposed based on spectral clustering combined with SVM under unbalanced samples.In order to classify the unbalanced samples correctly,majority of instances was clustered using spectrum clustering in kernel space for resampling reprentative samples,so as to balance the training samples and enhance the classification performance.The proposed algorithm was applied in fault detection of bearings and the results were compared with those by other methods.The experimental results show that our approach achieves better detection performance than other methods.【期刊名称】《振动与冲击》【年(卷),期】2013(032)016【总页数】7页(P30-36)【关键词】故障检测;谱聚类;下采样;失衡数据【作者】陶新民;张冬雪;郝思媛;徐鹏【作者单位】哈尔滨工程大学信息与通信工程学院,哈尔滨150001;哈尔滨工程大学信息与通信工程学院,哈尔滨150001;哈尔滨工程大学信息与通信工程学院,哈尔滨150001;哈尔滨工程大学信息与通信工程学院,哈尔滨150001【正文语种】中文【中图分类】TP391机械设备的状态监测和故障诊断本质上是一个模式识别的过程，其包括故障特征信息提取和状态识别两部分［1］。
基于模糊C均值聚类和概率神经网络的PEMFC故障诊断方法研究
基于模糊C均值聚类和概率神经网络的PEMFC故障诊断方
法研究
黄赵军;苏建徽;解宝;施永;黄诚;瞿晓丽
【期刊名称】《太阳能学报》
【年(卷),期】2024(45)1
【摘要】为解决质子交换膜燃料电池电堆的故障分类问题,提出一种基于模糊C均值聚类和概率神经网络的故障诊断新方法。
首先基于修正后的燃料电池电堆Fouquet等效电路模型,并结合电堆阻抗谱实验数据,得到电堆的正常、水淹、膜干和氧饥饿4种工作状态与电路模型参数的对应关系,进而提取合适的故障特征量作为聚类算法的特征输入。
然后,利用模糊C均值聚类算法对故障样本进行聚类,形成标准聚类中心,并在此基础上,采用概率神经网络算法对故障样本实现多故障分类,有效剔除奇异数据并提高模型分类的正确率。
最后,对200组实验数据进行实例分析,并与支持向量机和K最邻近方法进行对比,结果表明所提方法能对4种电堆工作状态进行快速识别,分类准确率达98.33%,验证了所提算法的有效性。
【总页数】9页(P475-483)
【作者】黄赵军;苏建徽;解宝;施永;黄诚;瞿晓丽
【作者单位】合肥工业大学光伏系统教育部工程研究中心;合肥综合性国家科学中心能源研究院
【正文语种】中文
【中图分类】TM911.4
【相关文献】
1.一种基于模糊神经网络–模糊C均值聚类的双偏振气象雷达降水粒子分类方法
2.基于模糊C-均值聚类的时序概率潮流快速计算方法
3.基于自适应局部迭代滤波和模糊C均值聚类的滚动轴承故障诊断方法
4.基于模糊C均值聚类和神经网络的短时交通流预测方法
5.基于模糊C均值聚类的光伏阵列故障诊断方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于模糊聚类的医学图像检索系统
基于模糊聚类的医学图像检索系统范渊;郭华峰【摘要】面对海量的医学图像集合,如何快速、准确地找到需要的图像,提取有用的病理信息,以帮助医生和教师更好地开展医疗和教学工作,已经成为近些年医学图像处理的研究热点.为此,引入FCM聚类算法对医学图像检索方法进行了优化,并使用开发技术实现了一个基于模糊聚类的医学图像检索系统,为辅助医疗做了一次有益的尝试.【期刊名称】《浙江工贸职业技术学院学报》【年(卷),期】2018(018)004【总页数】5页(P72-75,80)【关键词】模糊聚类;图像检索;检索系统;【作者】范渊;郭华峰【作者单位】浙江工贸职业技术学院,浙江温州325003;浙江工贸职业技术学院,浙江温州325003【正文语种】中文【中图分类】TP317.40 引言近年来，随着医学成像技术的不断发展，医学图像数据越来越多，CT计算机断层成像、MRI核磁共振成像、PET正电子发射断层成像和DSA数字减影血管造影等设备每天可产生几十G的医学图像数据，且数据量在急剧扩大。
面对这海量的医学图像集合，如何快速、准确地找到需要的图像，提取有用的病理信息，以帮助医生和教师更好地医疗和教学工作，已经成为近些年医学图像处理的研究热点。
传统的医学图像检索方法是基于文本的，其检索所需的关键信息都存在DICOM 头文件中，但由于其信息错误率高且人工标注主观性大，所以现阶段研究更多的是基于内容的图像检索方法（Content-based Medical Image Retrieval，CBMIR）。
基于内容的图像检索方法是以图像本身的灰度、形状、纹理、拓扑等底层视觉特征和高层语义特征，构成描述图像内容的特征向量，并以特征向量作为建立索引和匹配准则的客观依据检索所需图像。
很明显，基于内容的图像检索方法更客观，且检索准确率在不断提高。
基于以上情况，本文采用基于内容的图像检索方法，结合模糊聚类理论，提出了基于模糊聚类的医学图像检索系统，这必将会为医院和医学工作者医疗决策带来帮助。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｇｉ ｖ ｅ ｎ ｍｕ ｌ ｔ ｉ ｐ ｌ ｅ ｆ ａ ｃ ｔ ｏ ｒ ｓ ｔ ｏ ｂ ｅ ｔ ａ ｋ ｅ ｎ ｉ ｎ ｔ ｏ ｃ ｏ ｎ ｓ ｉ ｄ ｅ ｒ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｔ ｈ ｅ ｅ ｘ ｔ ｒ ｅ ｍｅ ｃ ｏ ｍｐ ｌ ｅ ｘ ｉ ｔ ｙ ｉ ｎ ｔ ｈ ｅ ｃ ｏ ｕ ｒ ｓ ｅ ｏ ｆ ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｌ ｙ ｔ ｅ ｉ ｍｂ ａ ｌ ａ ｎ ｃ ｅ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ，ｐ ｒ ｏ ｔ ６ ｇ ６ ｓ ｏ ｆ ｔ ｗ ａ ｒ ｅ ｗ ａ ｓ ａ ｄ ｏ ｐ ｔ ｅ ｄ ｔ ｏ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｔ ｙ ｐ ｉ ｃ ａ ｌ ｃ ａ ｓ ｅ ｓ ａ ｎ ｄ ｍａ ｉ ｎ ｂ ｏ ｄ ｉ ｅ ｓ ｏ ｆ ｐ ａ ｔ ｉ ｅ ｎ ｔ ｓ ，ａ ｎ ｄ Ｓ ＷＲＬ ｗａ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｒ ｅ ｌ ｅ ｖ ａ ｎ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｎ ｇ ｒ ｕ ｌ ｅ ｓ ｕ ｎ ｄ ｅ ｒ ｔ ｈ ｅ ｇ ｕ ｉ ｄ ａ ｎ ｃ ｅ ｏ ｆ ｔ ｈ ｅ ｃ ｌ ｉ ｎ ｉ ｃ ａ ｌ ｅ ｘ ｐ ｅ ｒ ｔ ｓ ．Ｄｕ ｅ ｔ ｏ ｔ ｈ ｅ ｌ ｉ ｍｉ ｔ ａ ｔ ｉ ｏ ｎ ｓ ｏ ｆ ｔ ｈ ｅ ｕｌ ｒ ｅ ｓ ， ｆ ｕ ｚ ｚ ｙ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ｗ ａ ｓ ａ ｄ ｏ ｐ ｔ ｅ ｄ ｔ ｏ ｉ ｆ ｎ ｄ ｔ ｈ ｅ ｔ ｙ ｐ ｉ ｃ ａ ｌ ｃ ａ ｓ ｅ ｓ ｃ ｏ ｒ ｒ ｅ ｓ ｐ ｏ ｎ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ ｐ ｌ ａ ｓ ｍａ ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｌ ｙ ｔ ｅ ｃ ｏ ｎ ｃ ｅ ｎ ｔ ｒ ａ ｔ ｉ ｏ ｎ ｖ ａ ｌ ｕ ｅ ，
ｔ ｈ ｅ ｒ ｅ ｂ ｙ ｏ ｂ ｔ ａ ｉ ｎ ｉ ｎ ｇ ｔ ｈ ｅ ｉ ｆ ｎ ａ ｌ ｋ ｎ ｏ ｗ ｌ ｅ ｄ ｇ ｅ ｂ ａ ｓ ｅ ｏ ｆ ｍａ ｉ ｎ ｂ ｏ ｄ ｉ ｅ ｓ ．Ｗ ｉ ｔ ｈ ｔ ｈ ｅ ｕ ｔ ｉ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｊ ＥＳ Ｓ，ｔ ｙ ｐ ｉ ｃ ａ ｌ ｃ ａ ｓ ｅ ｓ ｗｉ ｔ ｈ ｔ ｈ ｅ ｍａ ｘ ｉ ｍｕ ｍ
ห้องสมุดไป่ตู้
２ ． Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｊ ｉ ａ ｎ ｇ ｓ ｕ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｚ ｈ ｅ ｎ ｊ ｉ ａ ｎ ｇ ２ １ ２ ０ ０ ３ Ｃ ｈ ｉ ｎ ａ ）
Ｆ Ｕ Ｈ ａ ｉ ｙ ａ ｎ ，Ｄ Ｕ Ｈ ｏ ｎ ｇ ｙ ａ ｎ ｇ ，Ｐ Ｕ Ｙ ｉ ｊ ｉ ａ ， Ｄ Ｕ Ｈ ｏ ｎ ｇ ｗ ｅ ｉ
（ １ ． Ｆ ｉ ｒ ｓ ｔ Ａ ｉｌ ｆ ｉ ａ ｔ ｅ ｄ Ｈ ｏ ｓ ｐ ｉ ｔ ａ ｌ ｏ ｆ Ｌ ｉ ａ ｏ ｎ ｉ ｎ ｇ Ｍｅ ｄ ｉ ｃ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｊ ｉ ｎ ｚ ｈ ｏ ｕ １ ２ １ ０ ０ ０ Ｃ ｈ ｉ ｎ ａ ；
付海 燕 ，杜 红 阳 ，濮 逸佳 ，杜 宏伟
（ １ ． 辽 宁医学 院附属第一医院 ，辽宁 锦州 １ ２ １ ０ ０ ０；２ ．江苏科技大学计算机科学与工程学院 ，江苏 镇汀 ２ １ ２ ０ ０ ３ ）
摘要 ：针 对电解质 失衡 疾病诊 断 过程所需要考虑的 多方面 因素及其复杂性等特 点，运 用 ｐ ｒ ｏ ｔ ６ ｇ ６软件构造 了
Ｄｅ ｓ ｉ ｇ ｎ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｎ Ｅｌ ｅ ｃ ｔ ｒ ｏ ｌ ｙ ｔ ｅ Ｉ ｍｂ ａ ｌ ａ ｎ ｃ ｅ Ｄｉ ａ ｇ ｎｏ ｓ ｉ ｓ Ｓｙ ｓ ｔ ｅ ｍ Ｂａ ｓ ｅ ｄ
ｏ ｎ Ｆｕｚ ｚ ｙ Ｃｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ Ａｎ ａ ｌ ｙ ｓ ｉ ｓ ａ ｎ ｄ Ｓ Ｗ ＲＬ
５６
Ｊ Ｌ ｉ 辽孝压亏嚆亏报 ２ ０ １ ３ Ｆ ｅ ｂ ． ３ ４ （ １ ） ａ ｏ ｎ ｉ ｎ ｇ Ｍｅ ｄ ｉ ｃ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ 一
基 于模 糊 聚 类 分 析 与 Ｓ ＷＲ Ｌ的 电 解 质 失衡 疾 病 诊 断 系统 的设 计 研 究