模糊信息融合（共9篇）
模糊信息融合 篇1
近年来随着Internet的飞速发展, 计算机网络的资源共享进一步加强, 然而资源共享与信息安全历来都是一对矛盾, 网络的安全正面临着越来越严重的挑战。入侵检测技术的出现可以使网络管理员可以获知攻击的发生, 但传统入侵检测技术只能在一定的程度上得知攻击的发生信息, 网络管理员不能获知网络攻击的威胁程度, 不能获知相关的网络安全态势信息, 从而使网络管理员对现实的网络情况做出相应的决策具有很大的难度。
未来的网络应用需要更高的安全性, 这就要求网络管理员要及时地掌握网络安全态势信息, 并及时地做出相应的操作来消除攻击的威胁。网络安全态势评估技术就是解决上述问题的一种新型网络安全技术。
1 网络安全态势评估模型及基于模糊信息融合技术的攻击要素关联
根据waltz的网络安全态势评估总体框架, 文献[1]设计了网络化系统安全态势评估模型。系统分为两个子系统:攻击检测系统和安全态势量化评估系统 (见图1) 。
在对攻击进行评估时, 需要考虑攻击本身的强度和攻击获得成功的难易程度。单纯的入侵检测系统不能给网络管理员提供具体的态势信息, 而只是产生大量的系统信息和底层数据。系统必须将攻击数据提炼成为攻击信息, 进而提炼成为攻击知识后才能为网络管理员所理解、运用。但是由于上述三个攻击要素具有不确定性、非完整性、模糊性和多变性的特点, 因此很难对其进行界定和关联。本文主要探讨第一个子系统, 即基于模糊信息融合技术的攻击要素关联。
2 攻击要素的定义
2.1 攻击危害度C1
结合文献[2]中的不足, 本文对攻击危害度C1的定义:
网络攻击的危害度是指网络攻击对整个应用系统造成危害的程度。对于第k类网络, 第t类攻击的危害度Hkt可由公式 (1) 计算得出。
本文中假设当前有3种网络类型, 其网络类型影响因子Nk赋值如表1。
攻击类型的划分采用了以攻击侵入层次为依据的分类法, 该方法主要来自于普渡大学的Kumer S的博士论文[3]中的分类法, 将网络攻击分为如表2所示的7类, 以攻击侵入层次递增的顺序排序。At表示第t种攻击类型的影响因子, 见表2。
2.1.1 攻击源影响因子Ct1
攻击的来源。取值为“内部”和“外部”两种。来自内部的攻击一般比来自外部的攻击危害度大, 见表3。
2.1.2 攻击目标影响因子Ct2
攻击针对的目标。根据重要性分为“重要主机”和“一般主机”, 其中重要主机可以根据需要细分为各种服务器, 见表4。
2.1.3 受影响范围影响因子Ct3
表示攻击成功后目标系统受影响的范围。分为“单机单用户”、“单机所有用户”和“网段”3类。
2.1.4 可恢复程度影响因子Ct4
表示攻击成功后目标系统恢复的能力。分为“现场可恢复”、“离线可恢复”和“不可恢复”3类, 见表6。
2.2 攻击难易性
攻击难易性是指该实施某类攻击获得成功的难易程度, 也可以看成是某类攻击发动成功的概率。攻击难易性的计算是通过对被攻击系统是未免疫系统的可能性的计算来完成的。
结合文献[3]并针对其不足, 本文对攻击难易性进行了如下改进。定义如下变量:
HT—目标系统是未免疫系统的类型;
HVT—目标系统是未免疫系统类型的未免疫版本;
ST—目标系统上的服务是未免疫服务类型;
SVT—目标系统上的服务是未免疫服务类型的未免疫版本。
根据系统类型和服务类型的情况, 本文相应地给定一个0—10 之间的值 (如表7) 。将两个值相乘得到攻击难易性值。
2.3 攻击频率
攻击频率是指单位时间内, 网络化系统内某类型网络攻击A被检测出所发生的次数。
3 基于Mamdani模糊推理的攻击要素关联算法。
3.1 输入变量模糊化
本文中输入变量攻击危害度C1、攻击难易度C2、攻击频率C3模糊化均采用三角形隶属度函数[5]。
f (x;
3.2 应用模糊算子
由于攻击要素包含三个部分, 所以我们给定的规则前有三个命题。这三个命题存在“与”的关系, 本文使用的模糊算子取与算子min (模糊交) 。
3.3 模糊蕴含
在Mamdani算法中模糊蕴涵选取的是最小运算 (Mamdani) :
A→B=min (μA (x) , μB (y) ) 。
3.4 模糊合成
在Mamdani算法中模糊合成选取的是max (模糊并) 。
3.5 反模糊化
反模糊化把输出的模糊集化为确定数值的输出, 在Mamdani算法中反模糊化使用的是中心法 (Centroid) 。
4 仿真实验验证
仿真实验过程分为攻击要素关联和层次态势融合两部分, 其中攻击要素关联实验采用MATLAB 7.0模糊工具箱 (Fuzzy ToolBox) [6], 层次态势融合 (在本文中不做描述) [1]则使用MATLAB 7.0中数值计算功能和统计计算功能, 最终结果通过MATLAB 7.0中图形处理功能展现出来。在本文中采用了2000年11月的HoneyNet数据集[7], 所选用的实验环境变量如下:
4.1 攻击危害度指数C1
根据公式 (1) , 得出
C1=0.5×At×100× (0.7+1+0.7+0.5) /4=35At。
4.2 攻击难易性指数C2
在分析报警数据后, 没有发现一些不相关的无效攻击。本文得出难易性指数C2=系统类型值H×服务类型值V=10×10=100。
4.3 攻击频率指数C3
在本仿真实验中规定攻击频率指数C3=100×攻击次数/MAX。这样就可以解决在模糊推理过程中反复调整输入数据隶属度函数参数的问题。
4.4实验结果与分析
HoneyNet 系统服务级安全威胁态势 (以107主机为例) 直观地给出三个服务的安全态势, 见图2。给管理员提供以下直观信息:相对于其他两个服务, 系统中开通的rpc服务受到频繁攻击。这说明rpc服务可能存在较多或较容易攻破的漏洞, 值得管理员对这个服务的设置情况进行检查。另一方面, 这也可能说明针对rpc服务的攻击是当时网络攻击的主要目标。
5 结论
本文首先提出了网络化系统安全态势评估模型, 进而详细定义了三个攻击要素:攻击频率、攻击难易性和攻击危害度, 使之可以更加精确的表示攻击次数、攻击成功概率和攻击造成的严重后果。然后结合模糊信息融合技术, 针对攻击信息的不确定性、不完整性、模糊性和多变性的特点, 提出了使用Mamdani模糊推理算法来实现攻击要素的关联。通过仿真实验证明该算法可以有效地将IDS产生的海量数据融合为可供网络管理员方便使用的安全态势值。
摘要：主要针对当前网络安全态势知识不易获得的问题, 提出了自己的网络化系统安全态势评估模型并定义了攻击要素。继而使用动态的方法量化了攻击频率、攻击难易性和攻击危害度, 使之可以更加精确地表示攻击次数、攻击成功的概率和攻击造成的严重后果。同时针对攻击信息的不确定性、不完整性、模糊性和多变性的特点, 提出将一种模糊信息融合方法——基于Mamdani模糊推理的算法来实现攻击要素的关联。最后, 应用Matlab7.0仿真实验工具进行了仿真, 实验结果证明, 本文提出的算法可以真实地反映安全态势情况。
关键词：网络安全态势评估,模糊信息融合,攻击要素,关联
参考文献
[1]孙宁.网络化系统安全态势评估设计及态势融合模型研究.硕士学位论文, 兰州:兰州理工大学, 2007
[2]张怡, 张拥军, 陈海涛, 等.一种新的网络攻击危害度定义方法.计算机工程, 2002;28 (8) :33—34
[3]Kumer S.Classification and detection of computer intrusions.Ph.D.Thesis, Purdue University, WestLafayette, Indiana, 1995:08
[4]王磊, 于洪奎, 谢慧, 等.针对具体主机的网络攻击危害度评估模型.计算机工程与设计, 2005;26 (6) :1519—1521
[5]郑亚林, 黄德隆, 郭健, 等.Fuzzy推理的Mamdani算法.宝鸡文理学院学报 (自然科学版) , 2001;21 (3) :168—173
[6]楼顺天, 胡昌化, 张伟.基于MATLAB的系统分析与设计——模糊系统.西安:西安电子科技大学出版社, 2001
[7]Project H.Know your enemy:statistics.http://www.HoneyNet.org/papers/stats/, 2001—22
模糊信息融合 篇2
一种基于模糊贴近度的多站数据融合算贩
提出了一种基于模糊贴近度的多站数据融合算法.该算法利用模糊贴近度的概念和矩阵特征向量理论,确定多站数据融合算法的`各个测量设备的权重.能充分利用测量数据,提高目标跟踪精度.与传统方法相比,该方法计算简便,便于工程实现.
作 者：潘昶 朱敏 PAN Chang ZHU Min 作者单位：92941部队,辽宁葫芦岛,125001刊 名：飞行器测控学报 ISTIC英文刊名：JOURNAL OF SPACECRAFT TT&C TECHNOLOGY年，卷(期)：27(6)分类号：V557关键词：实时数据处理 数据融合 模糊贴近度
模糊信息融合 篇3
贝叶斯网络(Bayesian Network,BN)对不确定性问题具有良好的推理能力[3],能够结合概率分析和图论处理不确定性信息,提供一种将知识直觉图解可视化的方法,在先前的研究中有效地完成不确定性表达与推理应用。贝叶斯网络解决复杂设备或多因素相关设备所引起故障的不确定性和关联性问题上有很大的优势[4,5,6],在处理不确定信息的智能化系统中如诊断、统计决策、专家系统、学习预测等领域已得到了广泛的应用。
1 多传感器融合系统
大数据是当前数据分析的前沿技术,传感器作为测量被控系统输出信号的主要装置,其种类繁多。当传感器出现故障后将会给后续的监测、控制等各个环节带来严重影响,给操控者带来错误的判断,做出错误的决定,甚至造成不可估量的损失。多传感器处理后的信息融合包括了优化数据结果、目标数据的提取、获得准确有效信息、针对不同传感器的数据综合处理、整合同类型的数据,转换不同类型的数据等。
传感器通常由敏感元件和转换元件组成,多传感器以及异地多传感器协同工作将反馈多源化、途径多样化的海量信息。多传感器融合技术将来自多个传感器的感知数据综合,产生更可靠、更准确、更精确的信息,提升多传感器系统容错性能、可靠性。成熟的多传感器信息融合方法主要包括经典推理法、专家系统法、贝叶斯估计法、参数模块法、物理建模法、品质因数法等,融合信息后逐步形成智能化操控。从诊断系统故障方法分析,信息融合方法以多级化、多方面处理监测系统中多源信息和数据,进行预处理、检测、关联、估计和综合等等,获取最大限度地利用系统知识经验和模糊推理出信息进行故障诊断。图1中“信息源”是各类不同及局部传感器间相关信息融合系统(如雷达、红外、光电、识别器及全球定位系统GPS等相关数据);“信息预处理”是获取多方信息后对信息源加工处理,使之成为有用信息进行发布;“数据关联”是利用计算机平台完成多源信息处理,给数据提取综合利用信息知识的理论和方法;“大数据云平台融合”提出相应的理论和方法完成高性能计算获取具有相关和集优特性的融合信息;“模糊贝叶斯网络推理”是加入多方观测证据信息比较分析具有相似或不同特征量模式的多源信息,最后得出输出决策结果。
2 模糊贝叶斯网络
贝叶斯网络理论源于贝叶斯统计和图论的发展[7,8],在人工智能、专家系统和机器学习等领域实践中广泛应用。Judea Pearl于1988年最早开始为有向无环图表示推理贝叶斯网络概率,每个随机变量用单一节点表示,所组成网络中所有节点的联合概率以其节点与其父节点为条件的条件概率乘积表示,贝叶斯网络能表示n个随机变量间概率依赖关系,包括有向无环图DAG(Di⁃rected Acyclic Graph)以及若干个条件概率表CPT(Con⁃ditional Probability table)组成有向无循环网络。网络图中的节点即为随机变量,节点间由父节点指向其子节即指向一个特殊的方向点的边弧线表示父节点与子节点的概率关系,不能存在回路,只能沿着一组有向边前进,没有双向或返回的路径。贝叶斯网络主要描述系统组成的关系,通过条件概率表示对节点间不确定的强度关系,网络中根节点是没有父节点的节点,叶节点(顶节点)是没有子节点的节点,其他节点为中间节点,如图2所示,{A,B,C}表示节点集合,{AB,AC}表示组成有向无环图的边弧集合。
图2中,已知根节点A的情况下,叶节点B和C相互独立,则P(B|A,C)=P(B|A)。变量贝叶斯网络的联合概率密度函数为:
根据链式准则(Chain Rule)贝叶斯网络的n个节点X={x1,x2,…,xn},其联合概率密度函数为:
式中:parent(Xi)是节点Xi的父节点的集合,该集合的联合概率P(X)可表示贝叶斯网络BN=<G,P>,G是一个有向无环图DAG。
2.1 简单的多态贝叶斯网络
模糊理论是模仿人类思维方式的一种算法,在计算机上采用模糊规则来实现融合信息的提取,贝叶斯网络中引入模糊集合理论,节点变量的故障状态用模糊数描述,故障率用模糊子集描述,模糊贝叶斯网络的DAG结构相似于传统贝叶斯网络。类似于采用分布式计算来更新信念的神经网络,转化构造模糊贝叶斯网络DAG结构特征,贝叶斯网络利用有向弧表示信息传输通道,概率知识表达条件独立性,通过改变子节点的CPT的赋值,表达多传感器间故障逻辑关系的不确定性和概率性。如图3所示为简单的二态贝叶斯网络,P(f=1 x1=0,x2=0)=0.1表示在节点x1故障状态和节点x2故障。变量存在多态性,在处理不同故障状态节点时,表示不同区间域值,结合实际模型调整相应节点的条件概率表CPT即可。
2.2 构建模糊贝叶斯网络
贝叶斯网络具有强大的不确定性问题处理能力,可利用模糊贝叶斯网络推理算法描述多传感器系统多态性,各部件故障率模糊性,完成系统可靠性分析,反馈系统的故障率,得出各部件间逻辑关系、非确定性以及根节点的重要度和后验概率。模型中多个根节点、中间节点和叶节点构成多态的DAG网络结构。模糊贝叶斯网络中的根节点表示底事件,中间节点表示中间事件,叶节点表示顶事件。贝叶斯网络将连续清晰节点变量拓展推广到模糊节点变量。为了处理其节点变理的模糊性,现构建不定性因果关联模型的模糊贝叶斯网络,用三元组表示为:
DAG由节点及连接这些节点的有向边构成,(X,T)表示一个具有n个节点的模糊贝叶斯特征数据集,X={x1,x2,…,xn}表示有限节点集DAG所有节点的集合。其中每个节点代表一个变量或抽象问题;Xi表示xi的所有可能状态集(xi∈X);T是DAG有向边的集合,有向边代表节点变量间存在关联关系,用有向弧表示变量因果信赖关系:
因果依赖概率性用条件概率P来表示每个节点上的CPT(CPT表示节点间的逻辑关系):
式中,μi表示模糊变量xi父节点集合。贝叶斯网络将多元知识图解可视化,包含了网络节点变量之间因果关系及条件相关的关系,模糊贝叶斯网络就是其变量模糊,运用模糊变量xi的模糊证据E(μi)进行概率知识表达与推理模型公式为:
应用模糊贝叶斯网络推理算法,使用式(5)中的模糊变量μi信任度B(μi)表示向量,有:
式中E表示模糊变量集证据的集合。
2.3 多态模糊贝叶斯网络节点重要度去模糊化方法
在有限的、不完整的、不确定的信息条件下有效地利用模糊贝叶斯网络表达多源信息并融合,深层地挖掘学习和推理各个信息要素间的影响关系,表达条件概率。根节点的模糊重要度是指定叶节点处于某种故障状态时重要度的综合评价,在推理之后节点μi被赋成对应所有可能的概率向量,决策结果推知最大可能状态对应该节点模糊μi的模糊变量xi。通过合成所有模糊状态能够确定惟一的模糊集合Ẍi去模糊化,结合模糊隶属度推理故障重要度为j,合成的模糊贝叶斯网络推理公式如下:
定位的模糊贝叶斯网络对连续模糊节点集合Ẍi通过质心化方法推导定位公式:
3 构建多传感器模糊贝叶斯网络模型
信息融合领域能够很好地运用模糊理论多学科交叉性,认知客观事物、提取抽象事物共同特点,深层次利用模糊理论有效概括总结且提高融合效果。贝叶斯方法具有坚实的数学理论基础及综合先验信息和数据样本信息的能力,本节将早期贝叶斯网络模型进行模糊化扩展,不同算法相互结合来解决不确定性的问题。
3.1 早期计算机平台可靠性分析
钱学森先生早在1954年《工程控制论》一书中指出“只要比较直观的讲法能够达到目的,我们就不用严密精巧的数学方法来讨论”[9],已深刻认识到工程实际对象具备复杂性、具体性,工程问题中基于特征模型的自适应控制方法在理论上取得了重要进展。多传感器控制系统的可靠性对已有的实际控制理论来说,各个物理环节组成是离散、连续控制组合、其故障方程不清楚,且存在诸多不确定因素,贝叶斯网络实质上就是一种基于概率的不确定性推理网络,在早期研究中贝叶斯网络又称为信度网络[10]。具体搜集多传感器航空系统以前故障发生的信息,按其相互间的关系统一进行分类,然后建立故障诊断模型,在故障发生前,形式上直观表示贝叶斯网络的可靠性分析,利用征兆的传感器故障模糊性和随机性,并根据不同征兆计算出故障原因的概率。贝叶斯网络还具有很强的学习能力,可根据实际情况的变化及时改进其网络结构和参数,并更新其原有概率,使贝叶斯网络不断完善提高诊断故障可靠性。
3.2 贝叶斯信息融合故障诊断决策
多传感器系统出现多种故障征兆发生故障时,单一的故障信息很难精确诊断故障原因,从理论方法分析判断经常出现高机率的状态辨识虚警、漏报等。模糊的、不确定的诊断信息在诊断过程中,任何诊断对象若只采用单一方面的信息来反映其状态行为均是不完整的,需将所获得诊断对象的多维信息融合,才能更可靠、更准确地诊断故障;决策环节中充分挖掘信息的相关性,获取诊断信息的增多进而需要引入和替换适用于故障诊断领域的信息融合技术。多传器系统中确定贝叶斯网络结构和参数,从数据集中构建贝叶斯网络数据集指域U的一组反馈观测值:D={X1,X2,…,Xn}。其中Xi={x1i,x2i,…,xni}为一个传感器观测实例,i=1,2,…,n,n为实例个数。根据传感器观测状况的数据可分为完备数据集和不完备数据集:完备数据集中每个实例都具备完整的分观测数据,不完备数据集只对某个实例的观察有部分缺值或者观测异常待辨析情况的数据。
3.3 模糊贝叶斯模型故障推理
实际研究中,在数据充分条件下通过最大似然估计算法等方法较好地完成定量分析,对于较难得到反馈完整数据时,模糊贝叶斯网络可将故障诊断与维修决策相关的各种信息纳入网络结构中,按节点概率值进行推理有效地按信息的相关关系进行融合。建模推理过程中网络结构表示贝叶斯网络所有变量间定性关系,参数是表示影响定性关系间的定量值,故障信息变量集合连接成概率图形模型,模糊贝叶斯网络推理模型中故障征兆每个节点fi,用fi=0表示为“运转正常”和fi=1表示为“出现故障”,E为模糊诊断矩阵,F=(fij)m×n,0≤fij≤1。模型中可增加最小故障源集根节点的先验概率和节点与其父节点之间的条件概率,由式(8)得出式(10):
下面在模糊贝叶斯网络推理实例研究中使用不同的算法模型:若节点数目少的情况下,采用贝叶斯网络的精确推理,针对实例事件进行选择恰当算法包含多树传播算法、团树传播算法、图约减算法,将故障实例节点信度网络描述成简单的有向图结构;若实例节点数目多则所画出节点图形结构复杂,研究者可采用近似模糊贝叶斯网络推理的算法,研究具体实施与精确推理相结合把复杂庞大的网络进行化简。
4 模糊贝叶斯网络分析诊断多传感器故障实例
由于实际作战环境和传感器的多样性,如今决策者面临大量的、动态的甚至有噪声等干扰信息,大数据服务器采集到传感器有离散也有连续的数据,运用多传感器信息融合技术决策分析信息建立关系模型函数,需基于知识的智能决策分析,即知识隐含在大量的原始数据中,从中挖掘出有用信息。为了有效评估融合模型的效能指标,并通过Matlab建模对记录数据分析诊断。
4.1 利用Matlab构建贝叶斯网络
贝叶斯网络用于不确定知识表达和推理领域最有效的理论模型研究,作为网络结构模型能够完成有向图解描述,包含人工智能、概率论、图论和决策分析。本模型采用Matlab语言编制的开源软件包,所提供的贝叶斯网络学习底层基础函数库、参数学习及结构学习、静态模型和动态模型,支持多种类型的节点(概率分布)、精确推理和近似推理。贝叶斯网络工具箱(Bayesian Net⁃works Toolbox,BNT)学习解压Full BNT⁃1.0.4编程包实现了贝叶斯网络结构学习、参数学习、推理和构建贝叶斯分类器。以某型飞行器系统为例,利用BNT工具箱构建其可靠性框图如图4所示,假设通过飞行器及其他探测设备得到故障信息,设定各节点的条件概率或先验概率建立贝叶斯网络模型,图4中①~⑤代表5个子系统,之后推理得出不确定证据条件下平台类型分布概率,然后输入贝叶斯网络模型进行状态更新,再逐步融合加入③~⑥特征证据信息后,不同概率条件下可得最终⑦的概率分布结果。
4.2 模型故障推理分析
飞行器发动机状态监控系统采用基于多传感器信息融合技术,如图4所示,假设系统故障情况,多传感器的多维信息来自转速传感器、应变传感器、温度传感器、振动加速度传感器等,可能产生故障的系统集合X={x1,x2,…,x7}。传感器检测系统根据先验概率和网络图得故障假设条件下的由式(2)联合概率密度函数得到决策后故障推理的概率如表1所示。从诊断的角度分析,监测所获得的信息越多,发生信息矛盾及信息增加的可能性越高,大数据服务器采集的诊断信息均是模糊不确定的,设定的诊断对象反映其状态和行为信息均是不完整的,充分利用信息融合技术推理扩大了故障信息分析测试的范围。从推理出现故障分析,计算其起因故障节点重要度概率,增加置信度和重要度便于去模糊化,充分挖掘信息的内涵,从而提高故障诊断的准确性、有效性和可靠性。
5 结语
本文介绍了采用模糊贝叶斯网络进行系统可靠性建模,研究了模糊情形下基于贝叶斯网络可靠性分析方法,以及不确定性情形下可靠性分析对系统在模糊情形下的故障模式。提出了基于模糊贝叶斯网络的可靠性分析方法,充分利用了数据服务器采集的多传感器故障信息,定性判断与定量计算相结合,描述BNT工具箱、构建网络可靠性结构图,通过模糊贝叶斯网络的推理功能更新网络节点信息,拓展利用大量的数据将多传感器信息融合技术应用于故障诊断,从中发现潜在而未知的新知识,推理模型中以故障征兆运行状态来修正系统掌握的原有的知识,更迅速、更准确、更全面地进行故障监测、报警和诊断,提高了系统可靠性建模和分析的以下能力:
(1)从信息融合的定义分析,多传感器信息融合技术提供优于任何独立输入数据单元的信息判断,推断出在不增加传感器个数的情况下获得准确监测、报警及更多的故障诊断系统信息。
(2)通过多传感器系统观测特定证据信息状态空间建立模糊贝叶斯网络模型,空间中多态的DAG网络结构一定程度上出现的特定信号故障诊断模糊节点变量,处理其节点变量的模糊性得出精确的状态估计,降低了模糊度,改善了检测性能。
摘要：传感器作为测量被控系统输出信号的主要装置,从多类型传感器的故障数据中提取有价值信息,综合不同传感器数据,整合同类型的数据,融合信息优化数据结果,以便准确获得有效信息。在此运用贝叶斯网络的条件概率描述了模糊信息,分析并提出模糊贝叶斯网络多传感系统,建立可靠性模型,该方法应用到飞行器不确定分析过程来处理多传感器模糊故障信息,实验证明可提升系统的分析效率。
关键词：多传感系统,模糊理论,贝叶斯网络模型,特征信息
参考文献
[1]武侠,宋汉强,江式伟,等.基于贝叶斯网络的末制导雷达模糊可靠性分析[J].航空计算技术,2011,41(2):64-66.
[2]ZHANG F,MA Z M,CHENG J,et al.Fuzzy semantic web ontology learning from fuzzy UML model[C]//Proceedings of the18th ACM Conference on Information and Knowledge Management.USA:ACM,2009:1007-1016.
[3]董豆豆,冯静,孙权,等.模糊情形下基于贝叶斯网络的可靠性分析方法[J].系统工程学报,2006,21(6):668-672.
[4]李彦锋,黄洪钟,刘宇,等.基于贝叶斯网络的卫星太阳翼驱动机构系统可靠性建模与评估[J].中国科技论文,2012,7(8):583-588.
[5]陈东宁,姚成玉.基于模糊贝叶斯网络的多态系统可靠性分析及在液压系统中的应用[J].机械工程学报,2012,48(16):175-183.
[6]SALTON G.The smart retrieval system:Experiments in automatic document processing[M].Upper Saddle River:PrenticeHall,Inc,1971.
[7]CAI Y,LEUNG H f.A formal model of fuzzy ontology with property hierarchy and object membership[C]//Proceedings of the 27th International Conference on Conceptual Modeling.[S.l.:s.n.],2008:69-82.
[8]张凌宇,马宗民,严丽.一种基于贝叶斯网络模型及多策略计算的本体映射方法[J].小型微型计算机系统,2012,33(11):2385-2391.
[9]吴宏鑫.工程实际中的控制理论和方法的研究与展望[J].控制理论与应用,2014,31(12):1626-1631.
模糊信息融合 篇4
基于模糊关系的信息检索系统设计方法
传统的信息检索方法只能在“检索语”与“索引语”完全一致时有效,而无法解决二者只有部分一致或意义相近时的信息检索.为此,利用模糊关系设计了信息检索系统,实验证明该方法可以把检索者所需要的`信息尽可能地查出;并给出每个信息的重要度,以便检索者对信息进行舍取.
作 者：韩生廉 葛万成 武晓今 作者单位：同济大学电子与信息工程学院,刊 名：控制与决策 ISTIC EI PKU英文刊名：CONTROL AND DECISION年，卷(期)：200116(z1)分类号：C934关键词：模糊关系 模糊索引 关联度
模糊信息融合 篇5
随着智能交通事业的发展,各停车场、收费站、交通等部门越来越需要一套完善的系统来进行管理,以便统筹安排,防止资金的流失和人员的冗余,实践证明,使用车型识别系统,能取得良好的效果。车型识别是智能交通系统中的一个重要组成部分,近年来,车型识别技术已成为国内外研究热点之一。
目前汽车种类繁多,数不胜数。如何从众多的车辆中准确地识别出车型,也给我们带来了一定的困难。实际上,车型识别是典型的目标识别问题,而与目标的检测和识别息息相关的是目标的特征,这就关系到一个特征提取和特征选择的问题。而现有的车型识别方法对使用何种特征缺乏有效的评价机制。如何寻找具有良好描述和分类性能的特征及如何提取这些特征就成为解决车型识别问题的关键[1,2]。为此,利用计算机视觉、模式识别等理论方法,本文提出了一种多特征融合的模糊聚类方法,通过调整各个特征的加权系数来调整特征对分类的贡献,达到快速识别车型的目的。
2 车型特征提取
一般来说,车型识别过程包含以下几个阶段:图像采集、图像处理、车辆分割、特征提取和车型识别。本文着重介绍后面两个步骤。
特征提取是目标识别中一个非常重要的环节,一个识别系统的识别能力与特征矢量的选取有直接关系。选取的特征要求具有高度的代表性、典型性及稳定性[3]。
按照国家标准把车型分为三类:轿车、客车、货车。通常各类汽车的车身侧视图可提供整个车长、顶蓬位置、顶蓬长度及车辆高度等信息。任何车型大致都可以抽象成一个“工”字,如图1所示是轿车、客车和货车三种车型。顶长A是汽车顶篷的长度。车高H是车身从最上到最下的距离。整个车辆长度以顶篷中垂线为界,分成前后两部分,即前底长D1和后底长D2。
由于拍摄图像时,镜头与车辆间的距离、角度都是随机的,因此造成同一车辆,在两次拍摄图像时,上述各参数的绝对大小不相等。这就限制了我们不能用绝对长度或绝对高度等绝对参数作为识别特征[4],而是用这些绝对参数来构成顶长比、顶高比和前后比等相对参数作为识别特征:
(1)顶长比T1。车篷的长度与整个车辆长度之比为T1=A/(D1+D2)
(2)顶高比T2。车辆的车篷长度与其高度之比为T2=A/H
(3)前后比T3。以车辆的顶篷中垂线为基准,车辆的前后部分之比为T3=D1/D2
通过统计大量车型数据可知,对于轿车、客车和货车三类车型大部分满足以下特点:
(1)轿车的特征(T1,T2,T3)
在设计轿车时,考虑到车内空间和舒适性,车篷一般是坐落在车体的中央或者是靠后的位置。轿车的顶长比T1约为0.2～0.5之间,在这个范围之外的轿车比较少见。轿车的顶高之比T2为中,一般为l左右。轿车的前后之比T3在1～2.5之间,低于1的比较少见。
(2)客车的特征(T1,T2,T3)
对于客车来说,车篷的长度所占整个车辆长度的比重较大。因为大部分的客车要尽可能地利用空间,一般会做成类似长方体的形状。例如城市中的公共客车,车篷与整个车身的长度之比T1近似为1。长途客车的车篷与整个车身的长度之比也几乎在0.85以上。客车的顶高之比较大,T2一般在1.5以上。客车的前后比T3为1左右。
(3)货车的特征(T1,T2,T3)
货车一般设计成驾驶室小,而后面的拖斗都比较大,以便能最大容量地装货物。相比之下,货车的车篷与整个车身的长度之比就小多了,T1约为0.1-0.3之间。货车的顶高比T2在0.5-1左右。而货车的前后比T3约为0.1-0.5。
3 多特征融合的模糊识别方法
由于目标实时特征存在着很大的不确定性,根据模式识别理论,聚类分析是用数学的方法,按事物之间的相似性进行区分和分类的过程。在这一过程中没有教师指导,是一种无监督分类[6]。对于车型的分类,所采用的样本不知其所属类别,而是根据样本间的相似度来自动地进行分类,所以适合采用聚类分析方法。经典的聚类算法是一种硬划分,将每一个辨识对象严格地划分为属于某一类。而实际使用中,某些目标并不具有这种严格的属性,它们可能位于两类之间,采用模糊聚类可以获得更好的效果。
3.1 模糊聚类方法
传统的模糊聚类方法都假定待分析样本的各维特征对分类的贡献相同。为了考虑样本矢量中各维特征对模式分类的不同影响,本文提出一种基于特征加权的模糊聚类算法,能够使样本的分类效果更好,而且还可以分析各维特征对分类的贡献程度。
设需要进行聚类分析的样本数据集合undefined,样本分为C个类别,每个类别的聚类中心集合undefined。定义X中的任意样本xi属于类别j的隶属度为uij,隶属度矩阵U为undefined。矩阵U中每一列的元素表示所对应的样本属于C个类别中各个类的隶属度。
为了在众多可能的分类中寻求合理的分类结果,需要确定合理的相似性或相异性聚类准则,这里定义一个含有模糊隶属度的聚类准则目标函数:
undefined
满足约束条件:undefined;undefined;0≤uij≤1;undefined;
undefined为模糊分类矩阵,undefined为C个聚类中心集合,W=(w1,w2,Kwm)是特征权重向量,d为第i个样本到第j类的距离,undefined为模糊加权指数。
3.2 特征权重的优化
最优化的类就是使目标函数取最小值的类,如果一类中的所有样本点都贴近于它们的类中心,则目标函数很小[6]。根据式(1)所定义的目标函数,可以将具有三组变量的目标函数分三个步骤进行优化。
(1)U,V确定时,优化W
目标函数改写为undefined,定义上述带约束的优化目标函数的L氏式为:undefined
令上式对各变量的偏导数式等于0,得
undefined,undefined
计算得到undefined
(2)W,V确定时,优化U
目标函数改写为undefined,定义上述带约束的优化目标函数的L氏式为:undefined
令上式对各变量的偏导数式等于0,得
undefined,undefined,
经计算得到undefined
(3)W,U确定时,优化V
W,U确定时,目标函数undefined。当第k个特征是有序属性时,则可以将目标函数改写为:undefined
令目标函数对各变量的偏导数式等于0,得
undefined
计算得到undefined
当第k个特征是无序类别属性时,由于计算聚类中心点的目的是将目标函数最优化(最小化),所以在这一步中也可以对无序类别属性的所有取值进行搜索,将这个无序类别属性的当前中心点值取为使目标函数取得最小值的那个值。
3.3 特征加权的模糊聚类算法
如果将聚类中心平均点的计算公式undefined代入到隶属度更新公式(3)和特征权重的更新公式(2)中,则可以将分步迭代优化算法扩展应用到同时具有有序属性类型和无序属性类型的数据点集中。具体的算法步骤如下。
(1)从样本数据集合undefined中选择C个初始中心点undefined。选取迭代中止参数ε,令迭代次数t=0,隶属度指数r设为2,特征权重指数q设为2,初始化特征权重向量W=(w1,w2,…wP)T(若无先验知识,则将特征权重全部为1);
(2)如果D(Xi,Vj(0))=0,则令uij(0)=1,否则,根据下式计算隶属度
undefined
其中j=1,2,…,C,i=1,2,…,n,这样可以得到当前的隶属度矩阵undefined
(3)令t=t+1,按照下式来更新隶属度
undefined
其中j=1,2,…,C,i=1,2,…,n。
如果undefined,则步骤(3)和步骤(4)的迭代更新结束,转到步骤(5),否则,继续执行步骤(4)。
(4)令t=t+1,采用下面的公式来更新计算特征权重向量W=(w1,w2,…wP)T
undefined
其中k=1,2,…,m,计算完毕后转到步骤(3)。
(5)根据最终得到的隶属度矩阵分配每个点所属聚类,得到聚类结果。
这种可变加权FCM优化算法只需在初始阶段利用初始中心点集计算特征权重向量和隶属度矩阵,然后就可以在步骤(3)和步骤(4)这两步交错优化特征权重向量和隶属度矩阵。由于这两个优化公式没有出现中心点,所以可以应用到具有有序属性类型和无序类别属性的样本点集聚类中来。
4 实验分析
对于轿车、货车和客车的分类,选取的特征为顶长比、顶高比和前后比(T1,T2,T3)。通过统计大量车型数据,计算不同车型的特征值(T1,T2,T3),其部分样本数据如表1所示。
注:表1是轿车、客车与货车的部分样本数据
设置特征类别数C=3,加权指数r=2(一般经验范围为1.1≤r≤5,取r=2最有意义)[5,6,7]。利用车型特征样本数据对目标分类的结果如图2所示。
由图中对目标进行分类的结果可以看出,根据顶长比、顶高比和前后比三个特征值,利用特征加权的模糊聚类方法可以将运动目标分为轿车、货车和客车三个类型。
为了说明多特征融合的模糊聚类算法的优越性,对实际采集到的150个车型样本数据进行分类识别,将本算法与固定加权的模糊聚类算法得到的结果进行比较,比较结果如表2所示。
5 结束语
本文在车型的有效特征提取与分类识别方面进行了深入的研究,为了考虑样本中各维特征对模式分类的不同影响,本文提出一种基于特征加权的模糊聚类算法,结果表明达到了较好的分类效果。
摘要：车型识别是智能交通系统中的一个重要组成部分。利用计算机视觉、模式识别等理论方法,对车型的有效特征提取与分类识别进行了深入的研究,提出了一种多特征融合的模糊聚类车型识别方法。通过自动调整各维特征的加权系数来调整特征对分类的贡献,结果表明达到了较好的分类效果。
关键词：特征选择,车型识别,特征融合,模糊识别
参考文献
[1]Chen Z X,Wang G Y,Small targets detection under complex background based on targets feature salience,Intemational Joumal ofadvances in Systems Science and applications,2006,9(1):95-100
[2]陈振学,刘成云,常发亮,基于生物视觉显著性的车辆车型识别,计算机科学,2010,37(2):207-208
[3]杨永,骆霞军,王莉利,基于神经网络的汽车车型图像自动识别系统的设计与实现,2010,31(2):56-60
[4]杜华英,基于神经网络的汽车车型识别方法的技术研究,长沙:中南大学,2006.
[5]胡步发,一种基于模糊聚类的自动目标识别算法,福州大学学报,2001,29(3):50-53
[6]李彦鹏,黎湘,王宏强,等,基于模糊聚类分析的目标识别效果评估,现代雷达,2005,27(8):14-17
模糊信息融合 篇6
针对基于传统模糊理论进行医学图像融合具有的局限性[4], 文中提出了一种基于直觉模糊推理的医学图像融合新方法。将待融合图像的像素值分别用一对隶属度函数值和非隶属度函数值来表示, 当两个输入像素值隶属于相同集合时, 将充分考虑非隶属度对其隶属程度的影响, 帮助更加全面准确的制定出直觉模糊推理规则。通过合适的推理规则得到相应的医学图像融合规则, 融合得到的医学图像具有较高的质量和医学诊断价值[5,6,7]。
1 直觉模糊集
定义1 设P是一个给定论域, 则P上的一个直觉模糊集A为
其中, 0≤μA (p) ≤1, 0≤vA (p) ≤1, 分别称为直觉模糊集A的隶属度函数μA (A) 和非隶属度函数vA (A) , 同时满足对于A上的所有p∈P, 0≤μA (p) +vA (p) ≤1成立。
对于直觉模糊集A, 定义πA (p) =1-μA (p) -vA (p) 为其直觉指数, 用于衡量p对直觉模糊集A的犹豫程度, 由上述定义可知0≤πA (p) ≤1[8,9,10]。
将直觉模糊理论应用于选举模型中, 可使P代表某一候选人“张三”, p代表投票给该候选人的人数, 则有相应的直觉模糊集A={<张三, 0.7, 0.2>}, 其中隶属度函数μA (A) =0.7表示支持张三的程度, 非隶属度函数vA (A) =0.2表示反对张三的程度, 直觉指数πA (p) =1-0.7-0.2=0.1表示既不支持也不反对张三的程度, 即中立的程度。由此可见, IFS有效地扩展了模糊集描述客观对象的能力。
2 直觉模糊推理融合方法
2.1 图像像素点直觉模糊化
对一个命题运用直觉模糊逻辑处理, 采用隶属度函数和非隶属度函数来描述其属于某个集合的模糊不确定性的程度。语言变量可以被定义为那些不能被精确划分的事件, 例如, “像素点”可以被看作一个语言变量, 取值可为“暗”, “一般”, “亮”, 这些值可以看成是论域P=[0, 1]上的直觉模糊子集标名, 而每一个具体的像素值p称为基变量。将论域中的全部基变量通过隶属度函数和非隶属函数的映射, 即可将图像的全部像素点直觉模糊化。
文中采用的隶属度函数为三角函数, 如图1所示。将像素值论域[0, 1]划分为3个直觉模糊集, 分别用“暗”, “一般”, “亮”表示。文中采用语言变量、语言值、直觉模糊集和直觉模糊关系合成的方法进行推理。
2.2 直觉模糊推理规则
将像素值通过隶属度函数与非隶属度函数直觉模糊化后, 就得到一个从像素集P到评判集Y的直觉模糊关系R∈IFR (P×Y) , 即
同时规定各评判因素的权重用P上的一个直觉模糊集X来表示
X={ (μx1, vx1) /μ1, (μx2, vx2) /μ2, …, (μxn, vxn) /μn}, vxi=1-μxi, i=1, 2, …
同时满足
将对融合图像产生影响的各个因素按权重大小均衡考虑, 构造出直觉模糊推理模型M=F (X, R) =X×R, 即
2.3 图像融合算法
文中的目的是将医学CT图像与MRI图像进行融合, 得到一幅骨骼与软组织均清晰的图像。把图像的灰度区间划分为3个级别分别用“暗D”, “一般N”, “亮B”表示, 其中3个灰度级别的优先级从高到低依次为:“亮”, “一般”, “暗”, 高优先级的灰度可以遮盖低优先级的灰度。将上述直觉模糊推理模型中n取2, m取3, 模型简化为
首先, 将输入图像的对应像素点直觉模糊化, 用矩阵R来表示。然后通过直觉模糊数排序判断出两个输入像素点的最大隶属灰度级别, 直觉模糊数排序规则为: (1) 在隶属度数中进行比较, 得到最大的隶属度值max (μRij) 。 (2) 判断该max (μRij) 是否大于等于与其对应的vRij, 若成立则该直觉模糊数在最大的支持度下属于某级别, 若不成立则该直觉模糊数在最大的质疑度下“属于”某级别, 此种情况的属于我们有可能对其进行怀疑。通过排序后得到两个输入像素点在最大支持度下的灰度级别, 结合灰度级别的优先级遮盖性, 判断出融合图像在该对应像素点处所属的灰度级别, 其共有9种可能的情况: (1) if x1∈D, x2∈D then y∈D; (2) if x1∈D, x2∈N then y∈N; (3) if x1∈D, x2∈B then y∈B; (4) if x1∈N, x2∈D then y∈N; (5) if x1∈N, x2∈N then y∈N; (6) if x1∈N, x2∈B then y∈B; (7) if x1∈B, x2∈D then y∈B; (8) if x1∈N, x2∈B then y∈B; (9) if x1∈B, x2∈B then y∈B;算法流程如图2所示。
当两个输入像素点的灰度级不同时, 融合像素值所属的灰度级别总是取两个输入像素点所属灰度区间中优先级较高的一个, 并令评判权重矩阵X= (1, 0) , 1作为优先级较高的灰度区间系数, 这样就可以充分保留该像素点处的有用信息。
3 仿真实验及分析
3.1 算法结果分析
文中进行的医学图像融合的实验图像为4组CT图像与MRI图像, 如下所示。其中第一、二组为未经处理的源医学图像。第三组是第二组医学图像经模糊化产生的图像, 它可以验证当医学图像质量下降时, 文中算法依旧有效。3组待融合图像如图3～图5所示。
待融合的两幅图像从数据结构上来看, 必须是相同分辨率的经过严格配准的图像。此处将8位灰度图像的[0, 255]灰度区间映射至[0, 1]的双精度区间再对其进行直觉模糊化处理, 然后按照上述融合规则进行输出。图6是利用直觉模糊推理融合出的3组医学图像。
3.2 与模糊推理的对比实验结果分析
利用传统的模糊推理进行图像融合, 得到的实验结果如图7所示。与基于直觉模糊推理的融合方法相比, 其在图像的纹理清晰度上表现较差, 大量的细节信息流失。
融合图像的质量还可以通过一些融合图像评价参数来进行定量评价。文中采用的指标有信息熵E和平均梯度
其中, pi为灰度值等于i的像素数与图像总像素数之比。平均梯度
表1给出了两组医学源图像的相关融合参数, 可以看到文中提出的方法评价参数明显优于基于模糊推理的图像融合方法。
4 结束语
模糊信息融合 篇7
车辆转向控制的研究主要涉及车辆跟随、车辆换道等内容[1]。无人车转向控制即根据车载传感器获取车体运行状态信息以及道路信息产生控制指令, 自动实现车体转向。但由于车辆和道路的参数变化, 以及转向运动系统固有的非线性特性, 使得转向控制器的设计是一个复杂问题。
目前对于无人车转向控制问题的研究受到国内外许多科研机构的重视。文献[2]针对车辆的非线性结构和参数不确定性等特性, 采用模糊-滑模变结构方法设计了纵向控制器;文献[3-4]采用自适应滑模变结构控制算法设计了车的转向控制器, 并通过仿真试验验证了该方法的有效性。文献[5]根据换道轨迹确定期望的横摆角和横摆角速度, 利用检测到的车辆横摆角速度信息, 设计控制规律, 使车辆跟踪期望横摆角和横摆角速度, 间接实现对换道轨迹的跟踪控制。文献[6]采用滑模变结构控制方法设计了耦合控制器, 控制器要求系统参数的不确定性和外界扰动满足匹配条件, 但车辆系统是非匹配不确定性非线性系统。文献[7]以车辆纵向速度、转向速度和摆角速度为状态变量建立车辆转向耦合动力学模型, 采用滑模控制、动态表面控制方法研究车辆跟随和车道保持耦合控制。文献[8]是利用直接的横摆力矩控制, 导致车辆横摆角速度稳态值降低。
众多学者对车体转向控制研究, 基本采用PID控制, 并以理论仿真进行分析, 在实际应用中需要不断改进控制算法进一步提高控制效果。本文在分析自主巡逻车车体转向动力学模型的基础上, 推导出方向盘转角与速度之间的约束关系。结合车体行进时不同阶段的控制要求, 综合车体转向相关各参数变化特点, 选择应用模糊控制以及PID控制算法, 协调控制车体的车速、方向盘转角和方向盘转速, 实现自主巡逻车协调转向控制。
2 自主巡逻车转向模型分析
2.1 自主巡逻车转向动力学模型
自主巡逻车系统存在严重的参数不确定性、强耦合性。根据对车体动力学模型的分析, 综合考虑各个子系统之间的相互联系, 作以下简化:研究内容仅考虑车辆的纵向、转向及横摆运动, 忽略车辆的侧倾、垂直方向运动以及左右轮胎侧偏特性的差异, 车体左右对称。假设车轮始终与地面接触, 忽略轮胎刚度和阻尼特性, 其非线性特性由轮胎模型描述。最后, 不考虑转向系统力学特性, 方向盘转角与前轮转角只存在传动比关系, 左右轮转角相同。车体动力模型简化如图1所示。
模型中CG为车辆质心, β为质心侧偏角, 即车辆行驶速度和纵轴夹角, vx为车体纵向速度;vy为横向速度;γ为横摆角速度;模型的动力学关系可描述为
式中:m为整车质量;IZ为车辆绕Z轴的转动惯量;Fx1, Fx2, Fx3, Fx4为轮胎纵向力;Fy1, Fy2, Fy3, Fy4为轮胎侧偏力;lf为前轴与车辆质心的距离;lr为后轴与车辆质心的距离;δ为前轮转角。
同时由图1的几何关系可得到前后轮侧偏角分别为
式中:ki为各个轮胎侧偏刚度, i=1, 2, 3, 4;θi为轮胎的侧偏角, i=1, 2, 3, 4;β为质心侧偏角。
这里仅考虑小转角工况, 则sinδ=δ, cosδ=1, Fx1δ为二阶微分项。
整理式 (1) ~式 (5) 并写成车辆动力学模型状态的空间方程:
2.2 自主巡逻车转向控制策略分析
影响自主巡逻车车体稳定性转向的参量有3个:路面附着系数, 转向输入角度和车速[13]。在转向过程中, 路面附着系数和转向输入角度不是可控变量。在转向半径一定情况下, 当转角相等时, 随车速的升高, 转向力矩逐渐增大, 在回正的情况下, 随车速的增加, 回正残留角减小[14]。由式 (6) 得车体速度v与转向半径R关系为
稳定性系数K=m (k3lr-k1lf) /k1k3l2, 由理想的线性车辆模型可知, 车体的转动角度为质心侧偏角与横摆角之和, 即:
当质心侧偏角较小忽略不计, 则横摆角速度决定了车体的运动状态。即
由于路面附着系数不足以提供足够轮胎力, 期望横摆角速度受到地面附着系数的限制。考虑到地面附着能力的限制, 设置横摆角速度的上限为
式中:μ为轮胎和路面间的滑动系数。
同时不考虑车轮转向后倾、内倾及转向梯形的影响, 方向盘转角与车轮前轮转角近似成线性关系:
式中:μ为方向盘角速度;θi为方向盘转角;λ为方向盘转角到车轮前轮转角的机械等效传动比。为保持车体稳定性, 防止出现侧滑现象, 由式 (9) ~式 (11) 得到车速与方向盘转角之间约束关系:
综上所述, 在车体转向控制策略中, 根据车速与方向盘转角之间的约束关系, 要求在车体转向过程中, 协调控制车体速度、前轮转角、方向盘转角3个变量, 保证自主巡逻车稳定地转过期望角度。
3 自主巡逻车转向控制器设计
根据现有的车体控制理论和方法, 利用控制前轮转角来改变作用在车轮上的侧偏力和纵向力的大小及方向, 达到控制车体横摆角速度及质心侧偏角的目的, 进而控制车体转角。车体转向控制系统 (见图2) 输入量为车体期望角度, 转向过程中通过控制前轮转角、方向盘转角、车速等变量, 以实现车体稳定转向, 转过期望角度。
车体控制系统图2中θi=f (δ) 为式 (11) , θmax=f (v x) 为式 (12) , θ=f (θi, θmax) 为式 (13) 。
自主巡逻车车体转向协调控制中, 由于模糊控制能够较好适应工况非线性系统的控制, 设计的模糊控制器根据目标转动角度差值和差值变化率, 对前轮转角进行控制。方向盘转角控制中, 结合方向盘转角与车速的约束关系, 根据PID控制的特点, 利用增量式PID控制算法。
3.1 模糊化接口
系统模糊控制器中输入量为E1=φ-φT:实际车体转角φ与期望转动角度φT之间差值, 。前轮转角δ作为输出量U, 对车体状态进行控制。
自主巡逻车实验中转动角度范围为 (-180°, 180°) , 车体的前轮转角的最大角度为30°, 由于试验中在短时间内罗盘角度有跳跃, 数值采用在上1 min中转过的角度与现1 min中转过的角度之间差值的平均值, 其最大值为50 (°) /s。在车体转动控制中, 规定顺时针转动, 转角增大, 逆时针转动, 转角减小。为了进行模糊化处理, 必须将输入变量从基本论域转换到相应的模糊集论域。
设输入变量E1的基本论域为[-180°, 180°], 输入变量的模糊集论域为{-6, -5, …, 0, …, 5, 6}, 即可以给出精确量模糊化的量化因子:ke1=6/180=1/30。E2的基本论域为[-50 (°) /s, 50 (°) /s], 为了使计算方便, 模糊集论域同上, 其量化因子ke2=6/50=0.12。把输入变量乘以量化因子, 就能实现输入变量从基本论域到模糊集论域的转换。
根据输入变量的模糊集论域设定为{-6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6}, 把在这区间的连续量模糊化为:{NB, NM, NS, ZO, PS, PB, PM}, 分别表示负大, 负中, 负小, 零, 正小, 正中, 正大, 对应着7个模糊子集, 如表1所示。表1中的数值表示[-6, +6]之间13个元素在模糊集中的隶属度。
3.2 模糊规则库
根据模糊控制器的控制规则, E1, E2各有7个模糊变量, 可给出一组模糊规则:
这样就产生了49条模糊规则, 如表2所示。
3.3 模糊推理
推理机在模糊控制器中的功能是:根据输入的模糊量和规则库完成模糊推理, 并求解模糊关系方程, 从而获得模糊控制量。控制量的模糊集U由模糊推理综合算法获得:
式中:R为模糊关系矩阵。
3.4 解模糊化接口
通过推理机进行模糊决策所得到的输出是模糊量, 被控对象前轮转角只能接受一个清晰控制量, 因此要进行控制必须经过清晰化接口将模糊量转换为精确量。其中U为[-30, -25, -20, -15, -10, -5, 0, 5, 10, 15, 20, 25, 30], 比例因子为5, 其隶属度对应表1, 本文采用系数加权平均法进行解模糊化运算:
式中:u为解模糊化后的控制量输出值;Ui为控制变量;μi为相应控制变量的隶属度, 。
3.5 方向盘转角PID控制
在方向盘转角的控制中, 为了提高控制精度, 避免超调, 采用数字增量式PID控制。数字增量式PID方程如下:
式中:Kp为PI调节时的比例系数;Ki为调节时的积分系数;Kd为调节时的微分系数;e (k) 为给定值与反馈值的偏差, e (k) =δT-δ;e (k-1) , e (k-2) 分别为上次偏差和上上次偏差。
模糊控制器输出前轮转角后, 根据前轮转角与方向盘转角之间传动比, 以及方向盘转角与车体速度的约束关系, 结合方向盘转角反馈值, 得到方向盘转角控制器的输入量, 进而控制方向盘转速。系统通过实时检测方向盘角位移控制器的输出, 当转向角度偏差较大时, 加大P参数。当转向角度转角差值较小时, 方向盘角位移的控制量较小, 此时方向盘已经到达某个位置, 改变方向盘转速方向, 开始回正。则重新给定角位移环的PID参数, 具体的做法为增大P参数, 加快方向盘回正速度, 适当的调节I参数, 减小稳态误差使方向盘精确回正。
由方向盘转角控制器输出方向盘转速控制量, 在转向电机的控制板集成了LM629运动控制芯片, 该芯片内置一个PID控制器, 通过选择速度模式, 对方向盘转速进行精确的伺服控制。
4 实验分析
论文提出的控制算法在装有电子罗盘, 激光等传感器的自主巡逻车上进行实验。实验时初始化启动速度, 车体原地静止启动, 待速度稳定, 给定转向角度。实际转向控制中自主巡逻车最大车速为3 m/s, 方向盘最大转速为0.5 r/s, 方向盘最大转角为1.5 r, 因此试验中对车速1 m/s与2m/s进行试验对比。实验中对不同的转向角度以及不同车速进行试验验证。
4.1 自主巡逻车60°转向实验
设定初始车速为1 m/s, 稳定后, 输入转向指令:转向角度60°。其车体车速、车体转向角度、期望方向盘转角和方向盘转角的变化曲线如图3所示。
由图3所示开始阶段, 角度差值较大, 由模糊控制器计算得到的前轮转角值较大, 经过计算得到期望方向盘转角值的大小, 并通过方向盘转角控制器, 通过计算得到期望方向盘转速, 进而控制转向电机, 改变方向盘角速度大小。所以开始阶段, 方向盘转速保持最大, 方向盘转角不断增加。当转过角度30°, 而且转角角度方向为正向, 此时方向盘角速度减小, 并开始回正, 角速度开始反向增大, 减小方向盘转角。当转向角度达到48°时, 转角角度差值变小, 此时方向盘角速度开始减小, 同时由模糊控制不断修正, 最终完成转向, 转向用时2 300 ms, 实际转向角度为59.88°, 实验表明, 当进行小角度转向时, 转向时间相对较短, 转向精度较高。
4.2 自主巡逻车90°转向实验
1) 设定初始车速为1 m/s, 稳定后, 输入转向指令:转向角度90°。其车体车速、车体转向角度、期望方向盘转角和方向盘转角的变化曲线如图4所示。
图4过程与转向角度60°的实验过程相似, 较方向盘转角60°时实验回正时间较早, 转向用时2 800 ms, 实际转过角度为90.78°。
2) 设定初始车速为2.0 m/s, 稳定后, 输入转向指令:转向角度90°。其车体车速、车体转向角度、期望方向盘转角和方向盘转角的变化曲线如图5所示。
在90°转向实验中1 m/s与2.0 m/s两者实验相比较, 其中2.0 m/s的实验中, 由于速度的限制, 方向盘最大转角为1.2 r/s, 进而致使方向盘转速的最大值持续时间比较短, 转向耗时较长。转向用时3 300 ms, 最终车体转角88.78°。
4.3 自主巡逻车120°转向实验
设定初始车速为1 m/s, 稳定后, 输入转向指令:转向角度120°。其车体车速、车体转向角度、期望方向盘转角和方向盘转角的变化曲线如图6所示。
图6实验表明, 随着转向角度的增大, 方向盘转角逐渐达到最大值, 以及在最大值的保持时间也会增大, 这样就可以保证转向的快速性, 待方向盘达到回正条件时, 方向盘开始反方向运行进行迅速回正, 且在将要达到给定转角时, 方向盘运行速度稳定, 符合人工驾驶经验模型, 转向用时4 200 ms, 罗盘测得的实际转向角度为119.87°。
由实验图3~图6所示数据表明, 在自主巡逻车转向过程中, 方向盘转角以及方向盘转速根据转动角度差值的变化, 随时改变;另一方面表明在车速较大时, 由于车速与方向盘转角之间的约束关系, 控制方向盘转角的大小。实验结果表明所设计的控制器能根据转向过程随时调整车速、方向盘转速等, 有效控制自主巡逻车车体转向, 使之稳定、精确转过期望的角度。
5 结论
模糊信息融合 篇8
环境监测的显著特点是它所监测的对象具有高度的复杂性和综合性[1]。要想达到一定的监测精度,要求了解被检测环境的综合信息及某些内在特征信息,因此,在环境监测中安装的传感器无论在数量上还是种类上都越来越多。多传感器信息融合是现代信息处理领域新近崛起的一个前沿性的研究方向,是针对一个系统中使用多个传感器这一问题而展开的一种信息处理方法。它通过对多类同构或异构传感器的冗余信息和互补信息进行综合(集成或融合),得到被观测对象更加精确的评估,以便对事物进行正确的判断和决策[2,3,4]。在环境监测领域,单一传感器只能获得环境的部分信息段,而多传感器信息经过融合后能够完善地、准确地反映环境的特征。对于环境质量评估,尽管人们已经建立了一些有关识别、评价和预测预报的经典数学模型与方法[5,6],但是所有这些描述都是用确切的数学概念去描述本质上具有不确切性的对象。因此,在环境监测中想要达到绝对的精确是不可能的,也是不必要的,在更多的情况下,使用一定程度的模糊是不可避免的。
笔者将数据融合的方法应用于环境监测系统中,基于模糊综合评判技术和多传感器信息融合技术,提出一种基于模糊控制的多传感器信息融合方法。该方法通过合成运算和决策融合来自多传感器的局部判决,从而获取所处理对象的综合决策,在一定程度上增加了系统监测的置信程度,改善了监测系统的性能。
1 基于模糊评判的数据融合方法
信息融合是指为完成决策和估计任务而对多元信息在一定准则下进行自动分析、综合处理的过程,其根本目标是将传感器检测到的数据、人的输入信息以及已有的原始信息转化成关于被测环境的某种状态知识,从而产生一个更可靠、更准确的控制或者决策信息,作为整个监测系统的最优估计量。由此可见,信息融合的硬件基础是多传感器系统,融合的加工对象是多元信息,信息融合系统的核心是融合算法。因此,对于多传感器信息融合的环境监测系统,融合算法是整个系统的核心。在环境监测领域,目前许多文献中提出基于神经网络的数据融合方法,虽然神经网络具有分类精度高、鲁棒性强等优点,然而其方法本身固有的缺陷,如有限样本学习、黑箱结构及初始化参数权值的选取等问题均没有得到很好的解决。由模糊集理论发展起来的模糊信息处理技术能给不确定性探索和模拟人类识别机理提供一种简单有效的手段[5]。模糊系统将人类经验知识加以结构化,其每一个参数均有着明确的物理意义,允许将多传感器信息融合过程中的不确定性直接表示在推理过程中。基于以上理论的特点,本文提出了采用模糊理论进行多传感器信息融合。
1.1 基于多传感器信息融合的环境监测系统结构
被测环境监测信息的融合属于决策级融合。决策级数据融合的对象通常是各个传感器的局部决策结果,在这种方法中每个传感器为了获得一个独立的属性判决需要完成一个变换,然后顺序融合来自各个传感器的属性判决,即在各传感器独立判决的基础上,作出融合中心的全局判决过程。环境监测系统的信息融合结构如图1所示。在该结构中,首先要对每个传感器的检测结果进行局部预处理,各局部处理器分别处理各个传感器提供的检测信息(即对信息进行放大、模数转换以及特征提取等简单处理),并给出一个关于目标的局部处理信息,然后将局部处理信息结果送到融合中心;融合中心的主要任务就是按照一定的融合算法综合处理所有局部信息处理结果,并给出一个具有指导性的全局状态估算值,即结果。
1.2 基于模糊综合评判的多传感器信息融合方法
模糊综合评判是利用模糊集理论对多种因素影响的事物作出综合评判的方法[5,6,7,8]。在进行综合决策时,除具备因素集之外,还必须定义评价集和单因素判决。模糊集的基本思想是把普通集合中的隶属关系灵活化,使元素对集合的隶属度从原来只能取{0,1}2个值扩充到可以取[0,1]区间的任一数值,因此,很适合于对不确定性信息进行描述和处理。
假设某环境监测系统有m个传感器,在融合系统中,取监测的所有传感器集合为因素集,即因素集V={传感器1,传感器2,…,传感器m}={v1,v2,…,vm};环境监测系统的决策结果分为n等级,作为融合系统中的评价集又称为决策集,记为U,即决策集U={等级1,等级2,…,等级n}={u1,u2,…,un}。在模糊控制理论中,对因素集中的每一个因素根据决策集(或评语集)的等级指标进行评判,可构造出模糊关系矩阵R=(rij)m×n。式中:rij表示由单因素i(i∈[1,m])推断出决策集中j(j∈[1,n])状态的可能程度,即v对u的隶属程度。而在软决策的融合结构下,每个传感器的判决结果是决策集上各等级的可信度度量,即对第i个传感器vi而言,其决策结果记为ri=(ri1,ri2,ri3,…,rin),经归一化处理后,可得到融合中心的输入向量,从而组成m×n的矩阵R,称为决策矩阵(即模糊控制理论中的模糊关系矩阵)。
对融合系统中的每个传感器而言,其作用程度各不相同,称之为传感器权重,它是V上的模糊子集,即传感器权重向量A=(a1,a2,…,am)(A是
一个模糊向量),其中,ai=u(vi),i=(1,2,3,…,m)并且满足
在融合中心的合成运算中,传感器权重向量A与决策矩阵R的合成结果为评语集上的模糊子集。若合成结果记为B,则有
在融合中心的全局判决中,可以采用最大隶属度、重心法等确定最终的全局判决。如采用最大隶属度的方法,即
若存在i0使得
最后,对各可能判决按照一定的权重(比如最大隶属度原则方法、中心法等)进行选择,得出最优结果。根据B值,采用一定的规则进行判决,如:判决结果应有最大的隶属度;判决结果的隶属度必须大于某一阈值(一般取0.5);判决结果的隶属度与其它判决的隶属度的差值必须大于某一阈值(一般取0.1)。
2 实验分析
以某煤矿瓦斯监测系统为例进行实验数据分析[7]。瓦斯监测系统需要大量传感器检测煤矿环境现场参数。常见的被测参数有CH4浓度、温度、CO浓度、O2浓度、压力等,这里仅以前3种检测信号为例进行实验分析。在该瓦斯监测系统中,传感器集合V={v1,v2,v3}={CH4传感器,温度传感器,CO传感器},状态集取U={u1,u2}={安全,危险},根据经验取权值分配策略:A=(a1,a2,a3)=(0.6,0.3,0.1)。实验中的融合结果是取模糊集并交运算作为融合中心合成运算的算子。表1给出了融合结果以及单一传感器的评判结果。
对于表1中的状态1,无论是利用单个传感器的评判结果还是融合结果都可以判断当前环境状态等级为安全。对于状态2,由单个的传感器就很难给出当前环境的状态等级,但是利用融合结果根据判决规则很容易得出结果。由此可见,在基于模糊综合评判的数据融合算法中,对来自多个传感器的信息进行多级别、多方面、多层次的融合处理,可大
大减少由于单一传感器受信息量局限引起的误报和错报,达到增加状态监测的置信程度、提高并改善监测系统性能的目的。
3 结语
本文提出将模糊推理数据融合方法应用到具有多传感器的环境监测系统中,充分利用多源信息的冗余性和互补性,从而使系统具有更高的准确性和可信度。但是这种方法尚有不完善之处,如传感器的权重和每一个传感器对判决的隶属度值的分配方面还没有形成统一的理论,需要根据经验进行设置。
摘要：文章提出了一种应用多传感器模糊数据融合技术的信息检测方法。该方法采用多传感器监测被测环境的温度、湿度和通风量等参量,将多个传感器所获取的多元信息模糊化后,经过融合中心的合成运算和决策规则的运用,获取被监测环境状态参数的精确估计,最终用于信息决策。实验结果表明,该方法能有效地提高环境状态监测的准确率,增加状态监测的置信度,提高监测系统的性能。
关键词：环境监测,多传感器,模糊数据融合
参考文献
[1]吴邦灿,费龙.现代环境监测技术[M].北京:中国环境科学出版社,2005.
[2]何友,王国宏.多传感器信息融合及应用[M].北京:电子工业出版社,2000.
[3]XIONG N,SVENSSON P.Multi-sensor Managementfor Information Fusion:Issues and Approaches[J].Information Fusion,2002(3).
[4]付华,沈中和,孙红鸽.矿井瓦斯监测多传感器信息融合模型[J].辽宁工程技术大学学报,2005(2).
[5]李士勇,夏承光.模糊控制和智能控制理论与应用[M].哈尔滨:哈尔滨工业大学出版社,1990.
[6]童树鸿,沈毅,刘志言.数据融合的模糊模型和算法研究[J].哈尔滨工业大学学报,2002,34(1).
[7]徐耀松,郭磊,王丹丹.多传感器模糊信息融合算法在煤矿瓦斯监测中的应用[J].矿业安全与环保,2008,35(3).
口译中模糊信息的处理 篇9
1965年, 美国数学家逻辑家查德 (L.A.Zadeh) 提出了著名的模糊集合论 (Fuzzy Sets) 。模糊信息的存在及应用不仅限于数学和自然科学领域, 在社会科学中也是广为存在的。模糊语言学 (Fuzzy Linguistics) 就是模糊理论在社会科学中运用的一个典型的例子。模糊理论向我们揭示了客观事物类别之间经常没有精确规定的界限这一事实。耶格尔汀曾给模糊性下了一个直观的定义:模糊性就是指一个命题与其否定命题之间缺乏明确的区别。具体地说, 一个概念离它的否定面愈远, 它就愈不模糊, 相反, 如果一个概念离它的否定面愈近, 这个概念就愈模糊”。我国的语言学家对模糊语也作了很多的研究。赵元任曾指出:“一个符号, 如果它运用于边缘的场合比运用于清晰的场合还突出, 它就是模糊的。”张乔明确指出:“模糊是指表达本身的意思有多于一种的含义, 而且这些含义在语义上是相关的。”
2. 语言的模糊性
在语言学中, 语言的模糊性已被认为是人类自然语言的种基本属性, 是复杂的语言体系中客观存在且难以避免的。其具体体现在具有模糊性的语言单位———模糊词及模糊结构———那些外延难以明确确定或精确确定的词和由这些词构成的词组。如英语中的修饰词very, more or less, about, sort of, approximately都属于模糊限制语。而一些量词few, severa1, lots of, plenty of, hundreds of也并没有表明明确的数目。在汉语中。模糊语言也是广泛存在的。如表示时间的“过去”、“现在”、“尽早”。表示性质状态的“完善”、“满意”。特殊的限制词“基本上”、“几乎”、“相对地”、“严格地”、“适当的”、“必要的”、“正当的”、“合理的”。情态动词“可以”、“应该”、“必须”等在语义上都具有模糊性。客观事物从一种状态到另一种状态往往很难划出一个明确的界限。反映在人类语言中, 许多词语所表达的概念就是没有明确外延的概念。
3. 模糊语言的可译性限度
在人类语言中也存在不少模糊现象, 诸如词义朦胧而含混、结构松散而依稀、寓意深邃而委婉等。尽管模糊语言为人类社会所共有, 但由于任何一种语言本身所具有的历史性、民族性、地域性、独特文化的继承性, 因而又表现为差异性, 即语言模糊性的个性。这种个性使得模糊语言自然难以理解, 而要从语义到语体, 在译语中用最切近而自然的对等语再现源语信息———翻译, 难度之大可想而知。就英汉翻译而言, 由于缺乏内涵和外延的等值关系, 英汉两种文字之间无法实现内容和形式在字面和功能上的相互转换。更有两个民族意念感受的差别、修辞表达的互异、文化体验的相悖、心理联想的不同、时间地域的距离及事物称谓的空缺等, 因而造成双语翻译中不可避免的失落、错讹与无奈。所有这一切归咎到一点, 就是模糊语言的可译性存在这样或那样的限度。
4. 口译中模糊信息的处理
既然语言的模糊性是人类自然语言的一种基本属性。模糊表达在口语中普遍存在, 而且在英汉语中的模糊信息存在着不对称性, 那么在口译中对模糊信息的正确处理就极为重要了。根据表达者所要表达的意思, 译者可以根据具体情况灵活处理。具体说来, 可以有几种处理方法。
4.1 直译
即用一种语言的模糊语去翻译另一种语言中的模糊语, 从而保留模糊信息。
The approximate number of demonstrators in front of the mu nicipal office building was 900.在市政办公大楼前示威的人数约有九百人。
当英语中的模糊信息存在不对称性时, 就需要用另一种语言中的非对等词来表达语义相同的模糊信息。
I could give you a hundred and one reasons for not going.我可以给你说出许多不去的理由。
4.2 意译
对于一些模糊表达, 可以不必拘泥于其字面上表达的意思。而是将其蕴涵的意思进行具体的延伸, 便于接受者理解。
Every life has its roses and thorns.每个人的生活都有甜有苦。本句中的“roses and thorns”如果直译的话为“玫瑰和荆棘”, 但这里译为“有甜有苦”, 更恰当地表达了句中的含义。
4.3 省略
对于在一些在口语表达中并不具有具体的实际意义的模糊信息, 在翻译中可以省略。
True greatness has little, if anything, to do with rank or pow-er.真正的伟大是几乎与地位和权力无关的。
在经贸谈判中, 有些模糊信息的运用仅仅是为了不留下漏洞, 起到防患于未然的作用。这种情况下, 译者可以在不扭曲原文的情况下, 进行适当的省略, 避免句子显得过于冗长繁杂。
The parties undertake to act in good faith with respect to each other’s rights under this contract and to adapt all reasonable measures to ensure the realization of the objectives of this contract.双方将公平地对待相互所享有的合同赋予的权利, 并采取一切合理的措施保证本合同的实施。
4.4 补充
英语中的某些模糊表达在译成中文时, 需要译者进行适当的添加。使之通顺, 更易于理解。
The education of the young is seen to be of primary impor-tance.人们认识到, 青年的教育占头等重要的地位。
在本句中, 原文的“is seen to”仅仅是“被看作”的意思, 并未说明是“在谁看来”, 但根据英语的约定俗成性, 译者知道其指的是“人们认识到”, 因此翻译时补充一下, 接受者就容易理解了。
We’d like to quote our new customers the most reasonable price to start our business relationship for the future, even at the cost of a substantial loss on our part.为了推动我们将来业务关系的发展, 我们愿意给新客户以最公道的价格, 即使这样做会令我方蒙受相当大的损失, 我们也在所不惜。
本句中出现了相当多的模糊信息, 译者逐一对应进行了翻译。并且注意到“the most reasonable price”, “a substantia loss”这些信息都是买方在强调他们提供的条件之优惠, 因此在翻译even时除了“即使……”, 补充了一句“我们也在所不惜”, 更进一步强调了其优惠的程度。
4.5 汉语化
作为不同的语言体系, 英汉两国语言在遣词造句、句法结构上都存在着差异性。这就需要译者根据汉语的语言习惯进行适当的调整, 使译文既保留了原意, 又听来通顺, 达到“通达”的标准。
A book may be compared to your neighbor, if it be good, i cannot last too long, if bad, you cannot get rid of it too early.一本书可以比作邻居。如果是好的.结识愈久愈好;如果是坏的.分手愈早愈好。
本句中“can not last too long”, “cannot get rid of it too early”如果译为“维持再长时间都不算多, 摆脱得再早也不算过分”则在中国人听来感觉别扭, 而适当地调整一下, 效果就好多了。
5. 结语
【模糊信息融合】推荐阅读：
基于模糊逻辑的高性能融合制导研究09-26
信息融合传输05-14
图像信息融合07-04
智能信息融合09-23
信息通信融合11-05
边信息融合11-10
多源遥感信息融合11-20
信息技术融合数学10-28
信息物理融合系统概述05-19
信息与物理融合系统07-25