_计算机应用_2011年选题方向和重点组稿内容.

择了 400个训练样本对网络训练 , 由于篇幅有限 , 列举部分训练样本如表 5所示 , 其中平稳温度状态 T
s
、平稳上升温度状
态 T r 、突然上升温度状态 T
sr
、突然下降温度状态 T
sd
、突然上
升后平稳状态 T srs 、突然下降后的平稳状态 T sds 。

表 5各个温度状态的典型样本
样本序列温度
状态
输入特征向量
x k (t 1 x k (t 2 x k (t 3 x k (t 4 x k (t 5 x k (t 6 x k (t 7 x k (t 8
1T s 76．377．177．578．478．578．578．878．9 2T s 75．475．276．176．176．277．577．778．0 3T sds 92．364．365．866．467．867．969．372．4 4T r 40．746．851．959．264．770．673．477．7 5T r 52．558．365．777．678．978．979．380．4 6T srs
64．380．480．680．981．381．681．481．9 7T sr 43．258．761．665．773．978．479．681．5
2 识别检验。

网络训练完成后 , 记住了各输出神经元节点与输入神经元节点的联接权重 , 建立了基于时间的温度测值序列与温度状态相对应的非线性映射关系。

为验证该模型建立的有效性 , 利用 100个未参加训练的样本作为“ 未知” 样本 , 运用该模型已掌握的知识信息识别 , 按其输出节点 (即最大的内积值的节点的类别判别其待识别样本的类别 , 识别正确率 89%。

表 6所列举的 3个样本是针对表 3中右部测点 2在 t 2时刻一个周期可能会出现的样本序列 , 利用 SOFM 对其识别
结果。

其中 , 样本 1预测是平稳状态 , 则需要报警 , 因其平稳
状态是保持 t
2
时刻异常升高的温度。

样本 2识别结果是在突
然下降后的平稳状态 , t
2
时刻后一个周期内温度又回到突变之前的状态 , 即正常状态 , 即不需要报警。

样本 3除个别点外 , 保持上升的趋势 , 即异常变温度之后的温度继续上升 , 因此也需要报警。

由此可见 , 引入 SOFM 对关键测点进行一段时间的识别提高了温度判别的可靠性。

表 6待测样本识别结果与实际相比较
样本序列
输入特征向量
x k (t 1 x k (t 2 x k (t 3 x k (t 4 x k (t 5 x k (t 6 x k (t 7 x k (t 8
预测状态实际状态
191．291．891．992．092．092．192．793．2T s T s 291．267．267．267．367．267．267．567．9T sds T sds 391．268．569．294．382．596．3100．2104．5T sr T sr 4结语
以牵引电机外壳多测点的温度监测为例 , 为减少因过多测点带来的繁琐复杂性引入 AHP 方法对各个测点进行动态时刻选择 , 挑选能反映当前设备温度的关键测点 , 同时引入 T Kohonen 人工自组织神经网络对选择的测点的温度进行一段时间
的跟踪识与温度判别 , 提高了识别的可靠性并能准确地找到关键测点。

本文的方法中体现了 3个比较新颖的方面。

1 AHP 方法的成功引入 , 不是孤立地研究设备
的某一测点 , 而是设备外壳很多的测点及内部相关测点。

当外壳某测点出现异常 , 可以关联地判知是否是内部相关测点的温度变化而引起的 , 避免了孤立地研究一个测点的信息单一化 , 增加了表达设备温度状态知识信息的丰富性。

2 Kohonen 人工自组织输入参数的确定 , 当某测点某时刻的温度被 AHP 排序
选中 , Kohonen 对此点的温度进行一个周期的跟踪识别 , 而不是孤立地研究某时刻的温度值进行判别 , 提高了温度状态判别的可靠性。

3 由于表达温度状态的温度序列值的多样性 , 利用了 Kohonen 人工自组织的优点 , 将高维映射到低维 , 将相近或相似的温度序列映射到二维空间相近或相同的区域 , 保持了其拓朴结构的不变性 , 同时也提高了分类能力。

参考文献 :
［1］张甲敏，陈军龙，邹朝军，等．温度对密封镉镍蓄电池容量的影响［J］．电源技术，2007，31(3 :225－227．
［2］杨丽伟，张奕黄．异步牵引电机的温度场分析［J］．防爆电机，2008，43(2 :18－21．
［3］张舟云，徐国卿，沈祥林．牵引逆变器散热系统的分析与设计［J］．同济大学学报 :自然科学版，2004，32(6 :775－778．［4］于建国，叶庆泰，吕晨亮．地铁用制动电阻弹性热力耦合仿真分析［J］．计算机仿真，2004，21(10 :167－169．
［5］ZHANG YAN，ZHANG HONG; ZHONG ZHENYU，et al．Objec-tively evaluating environmental comprehensive quality by improved AHP method［C］//The 2nd International Conference on Bioinfor-matics and Biomedical Engineering．Washington，DC:IEEE Com-puter Society，2008:4645－4649．
［6］高隽．人工神经网络原理及仿真实例［M］．北京 :机械工业出版社，2003:146－152．
［7］刘新宪，朱道立．选择与判断——— AHP(层次分析法决策［M］．上海 :上海科学普及出版社，1990:45－55．
《计算机应用》 2011年选题方向和重点组稿内容
网络与通信物联网技术 (RFID 应用、嵌入式技术、无线传感网、通信技术、互联网体系结构、网络协议、下一代网络 (未来网络技术、社交网络。

信息安全密码技术、数据安全、计算机病毒与防治、网络安全、水印技术。

先进计算社会计算、云计算、海计算、绿色计算、粒计算、网格计算、普适计算、可信计算、可视计算、智能计算、移动计算、仿生计算、生物医学计算、分布式计算。

人工智能机器学习、模式识别、智能感知、神经网络、专家系统、自然语言处理、认知科学、认知技术。

图形图像技术图形学、图像处理、机器视觉、虚拟现实 (虚拟仿真、建模技术、识别与合成技术、虚拟平台 /应用、交互技术、增强现实与视觉合成、人机交互。

数据库技术 XML 数据管理、数据仓库、数据流管理、 Web 数据库、数据集成、数据挖掘、特种数据库、海量数据存储与处理、语义 Web 。

计算机软件技术操作系统、编译系统、软件开发环境与开发技术、软件工程。

现代服务业信息技术电子商务、电子政务、数字金融、数字医疗、数字教育、数字旅游、数字媒体、数字娱乐、现代物流。

典型应用计算机控制 (智能控制技术、模糊控制、现场总线技术、嵌入式控制、先进制造、智能交通、节能环保、现代农业、电子技术应用、监控系统。

2011年将特别关注物联网、云计算、绿色计算、下一代网络 (未来网络技术等方面的文章。

《计算机应用》编辑部
2011年 1月
774
第 2期朱春鸯等 :基于动态测点选择的温度状态识别。