模糊逻辑算法（精选9篇）
模糊逻辑算法 篇1
0 引言
近十年来,我国经济的快速发展对能源产生巨大的需求,目前的能源结构主要以煤碳、石油等化石能源为主,大量的开发和利用对环境产生严重影响,为保护人类生存环境,低碳经济越来越受到各国重视,发达国家投入大量资金开发绿色环保的能源技术。光伏电能转换技术由于无污染、零排放,近年来得到快速发展,光伏阵列输出的电能与输出电流之间呈非线性关系,如图1所示,输出功率随着输出电压的变化而变化,也就说光伏阵列输出功率存在最大功率点。另外,最大功率点也随太阳照度及光伏板温度而变化。因此能否最大效率地利用光伏电能转换,关键是如何控制光伏阵列始终运行在最大功率点上。目前对这一问题的解决出现多种方法,如观测干扰法[1,2]、增加电导法[3]、恒定电压法[4]、虚拟磁链法[5]、神经网络法[6,7,8]、模糊逻辑法[9,10]等,这些方法或多或少存在某些缺陷,如代价高、实现困难、复杂度高、容易不稳定等。
光伏电能转换最大功率点跟踪方法总体要求是简单、低价、在外部条件变化时(太阳照度和环境温度)能够快速响应跟踪、较小的控制能量消耗。因此有必要研究更有效的最大功率点跟踪算法,以使光伏电能转换高效运行。本文提出了基于模糊逻辑双环控制的光伏最大功率点跟踪算法,光伏阵列输在我国广大农村具有广阔应用市场,对于改善农村饮水质量及农作物抗旱将发挥积极的作用。
1 PV阵列特性
在恒定温度下,光伏电池板单元电压-电流特性曲线如图1所示,图中同时给出了光伏电池板单元输出功率曲线以及最大功率点与输出电压的关系,所使用光伏电池板单元为BP Solar BP SX 150S模块,最大功率(Pmax)为150 W,最大功率点输出电压(Vmp)为34.5 V,电流(Imp)为4.35 A,开路电压(Voc)为43.5 V,短路电流(Isc)为4.75 A,Isc温度系统为0.065±0.015%/℃,Voc温度系统为-160±20 m V/℃,功率温度系数为-0.5±0.05%/℃,共有8块光伏电池板单元串联,最大功率为1.2 k W。
从图1可看出光伏电池板单元特性受日光照度和环境温度的影响,当日光照度增加时,最大功率点沿圆点表示曲线上升,输出电流快速增长,而电压变化相对较小,为了使光伏电池板单元工作在最大功率点上,此时应增加光伏电池板单元输出电流;当环境温度增加时,光伏电池板单元输出电压有明显减小,而电流几乎保持不变,环境温度越高,电压减小越多,因此光伏电池板单元输出电压也是随着外部条件变化而变化。通常情况下,日光照度的变化快速而剧烈,温度变化较小而且缓慢。因此通过在小范围改变光伏电池板单元输出直流电压以及交流电机转速,完全可以实现最大功率跟踪。
2 系统结构
如图2所示为所研究系统结构框图,系统主要有光伏阵列、单相逆变桥、交流水泵机组、外环模糊控制MPPT算法、内环模糊控制器及PWM控制器组成,其中外环模糊MPPT算法、内环模糊控制器及PWM控制器可由DSP实现。水泵的功率输出Pout特性是转速ωn的函数,可用下式表示:
增加单相逆变器频率,交流电机转速升高,水泵的输出功率增大,从而通过调节交流电机转速来调节光伏阵列的输出功率。水泵正常工作转速对应于光伏阵列最大功率点上,如果偏离MPP点,则由外环模糊MPP算法计算出光伏阵列MPP点处的电压Vref,该电压作为内环模糊控制器的输入参考电压,内环模糊控制器输出电压Vf用于控制PWM输出频率,从而控制交流电机转速来调节水泵输出功率。内环模糊控制器反馈电压来自于光伏阵列的输出电压VPV,控制的结果使得VPV=Vref,光伏阵列工作在MPP点上。
3 最大功率跟踪算法
如图3所示为光伏模块P-V变化曲线,最大功率点跟踪的最终任务是用来控制交流感应电机运行频率,以使光伏阵工作在最大功率点上,光伏阵列输出功率通过测量光伏阵列输出电压和电流来计算,如下式所示:
由PPV与UPV关系曲线可知,光伏阵列输出功率对输出电压导数由式(3)表示:
S为功率点切线斜率,在不同的功率点上有不同的切线斜率。
从图3可以看出,当斜率S是负值或较大时,光伏阵列输出的功率较小,此时应控制△P向峰点移动;当斜率S为0时,光伏阵列运行在最大功率点上。
3.1 外环模糊控制最大功率跟踪
该模糊控制器输入变量是斜率S(△PPV/△VPV)和功率变化量△PPV,模糊控制器输出变量是光伏阵列最大功率点参考电压Vref增量。输入变量隶属函数如图4、图5所示,所使用的控制规则如表1所示。
为了提高最大功率点跟踪的鲁棒性,则模糊控制器输出的隶属函数限制在较窄响应范围内,如图6所示。
输出解模糊采用重心法,解模糊后输出变量对应于参考电压的增量△Vref,通过下式来计算得出。
新的参考电压值可由式(5)计算得到。
3.2 内环模糊控制变频
为了进一步提高最大功率跟踪控制精度,设置了内环模糊控制器,内环模糊控制器输入量来自于外环控制器输出参考电压Vref与光伏阵列输出电压VPV误差及误差的变化率,该模糊控制设计与常规模糊设计相似,模糊控制器的输出量用于控制PWM的输出频率,完成功率控制。经多次试验及参数选择,该控制器的控制误差可达到5%以内。
3.3 特殊情况下控制规则选择
由于光伏阵列受环境影响很大,有时变化非常剧烈,模糊控制在这种情况下很难输出满意的结果,甚至使系统不能正常工作。根据实验结果总结出了4种特殊情况,并给出了特殊的控制规则。
规则1:如果光伏阵列输出电压不是很小,而系统处于停止状态,则启动逆变系统,同时给出参考电压为光伏阵列输出电压的0.7倍。
规则2:如果光伏阵列输出电压很小,而且电流也很小,则参考电压为0,系统停止。
规则3:如果光伏阵列输出电压的变化很小,则给参考电压增加一个小的扰动量(δ)。
规则4:如果光伏阵列输出电压很小,而且电流也不是很小,则给参考电压减小一个小的扰动量(δ)。
3.4 仿真结果分析
仿真实验如图7所示,PWM设定为10 kHz,初始照度为1 000 W/m2,逆变器输出频率为48.5 Hz,在t=0.05 s时,照度从1 000 W/m2下降到800 W/m2,频率下降到45.3 Hz。由图8可知光伏阵输出电压275.3 V基本保持不变。
图9所示为传统单环模糊控制和双环模糊控制的光伏阵列运行在最大功率点比较,从图可以看出双环模糊控制光伏阵列运行工作点非常接近于理论的最大功率点,照度越高越接近;而传统单环模糊控制工作点远离理论最大功率,照度越低离开越远。因此双环控制的光伏阵列转换效率要大于传统单环模糊控制。表2计算出了几种不同控制作用同一光伏阵列输出能量及效率。
从表1可看出,如果光伏阵列没有最大功率跟踪控制,其转换效率非常低,大约只有一半电能转换;双环控制作用下光伏阵列转换效率可达99%(仿真输出),而传统单环模糊控制作用下光伏阵列转换效率可达95.15%(仿真输出),双环控制作用下光伏阵列转换效率提高了4%。
4 结论
光伏技术不断进步,对光伏电能转换需求将会大幅提高,同时对光伏阵列电能转换效率提出了更高的要求,本文提出了基于模糊逻辑双环控制的光伏阵列最大功率点跟踪算法,该算法使得光伏阵输出功率接近于理论最大值,仿真实验结果表明在不同的日光照强度下,该算法比传统单环模糊控制算法具有更高的最大功率点跟踪精度和更大的电能输出效率。
参考文献
[1]Hua C,Shen C.Comparative study of peak power tracking techniques for solar storage system[C].//IEEE Appl Power Electron Conf Exposition Proc.1998:679-683.
[2]Hussein K H,Muta I,Hoshino T,et al.Maximum photovoltaic power tracking:an algorithm for rapidly changing atmospheric conditions[J].IEEE Proc Generation,Transmission,and Distribution,1995,142(1):59-64.
[3]Brambilla A.New approach to photovoltaic arrays maximum power point tracking[C].//Proc30th IEEE Power Electron Specialists Conf.1998:632-637.
[4]Hohm D P,Ropp M E.Comparative study of maximum power point tracking algorithm using an experimental,programmable,maximum power point tracking test bed[C].//Proc28th IEEE Photovoltaic Specialist Conf2000:1699-1702.
[5]王继东,苏海滨,王玲花.基于虚拟磁链直接功率控制的光伏并网逆变器控制策略研究[J].电力系统保护与控制,2009,37(11):70-73.WANG Ji-dong,SU Hai-bin,WANG Ling-hua.Study of grid-connected inverter used in PV generation system based on virtual flux-linkage direct power control[J].Power System Protection and Control,2009,37(11):70-73.
[6]Hiyama T,Kitabayashi K.Neural network based estimation of maximum power generation from PV module using environment information[J].IEEE Trans on Energy Conversion,1997,12(3).
[7]Hiyama T,Kouzuma S,Imakubo T,et al.Evaluation of neural network based real time maximum power tracking controller for PV system[J].IEEE Trans on Energy Conversion,1995,10(3):543-548.
[8]Torres A M,Antunes FLM.An artificial neural network-based real time maximum power tracking controller for connecting a PV system to the grid[C].//Proc IEEE Annu Conf Ind Electron Soc.1998:554-558.
[9]Simoes M G,Franceschetti N N.Fuzzy optimisation based control of a solar array system[J].IEEE Proc Electric Power Appl,1999,146(5):552-558.
[10]Mahmoud A M A,Mashaly H M,Kandil S A,et al.Fuzzy logic implementation for photovoltaic maximum power tracking[C].//Proc9th IEEE Int Workshop Robot Human Interactive Commun.2000:155-160.
模糊逻辑算法 篇2
电压、模糊控制、无功控制、模糊理论
电压是衡量电能质量的一个重要指标,保证用户电压接近额定值是电力系统运行调度的基本任务。而系统无功的平衡对电压的稳定影响极大,无功功率的不足或过大,将引起系统电压的下降或上升,极端情况下可导致某些枢纽变母线电压大幅度下降而出现电压崩溃。
国内现有的电压无功控制装置广泛采用九区划分控制方式[3]、 [4]。但仅以九区位置制定控制策略会使控制过于简单,容易过调或调节力度不够,以至于反复调节,不利于设备维护和系统稳定。考虑到模糊逻辑的优越性,本文以九区划分控制思想为基础,综合考虑运行点在区内的实际位置,电容器组与变压器的可调性比较,峰谷期和历史参考数据10等因素,提出了计及多因素的电压无功综合模糊逻辑控制策略。
1、对变电站电压无功综合控制策略的要求
在对变电站电压无功进行就地控制时,通常的方法是以九区划分运行状态图为依据来制订控制策略。图1给出了九区划分运行状态图。图中纵坐标是电压U,Umax是电压上限,Umin是电压下限,横坐标Q是变电站吸收无功,Qmin是变电站吸收无功下限,Qmax是变电站吸收无功上限,显然中间的0区是电压和无功合格区,其余8个区为不合格区。
图1 九区划分
电压和无功的调整是通过调节变压器的分接头和投切电容器组来实现的。调整变压器分接头不仅改变电压,也会改变无功需求;同样,投切电容器组不仅改变了无功,也影响了电压。
各个区的常规控制策略如下:
0区:电压、无功均合格。不控制。
1区:电压合格,无功越上限。发投电容器组指令,按间隔时间循环投入电容器组直至无功补偿合适为止。若电容投完,则停发投电容指令。
2区:电压越下限,无功越上限。先发投电容指令,待无功补偿合适后,若电压还越下限,自动转为升压指令,直至电压合格为止。
3区:电压越下限,无功补偿合适,发升压指令,待电压升至合格为止;
4区:电压越下限,,无功越下限。先发升压指令,待电压升到合格后,再发切电容指令,切至无功补偿合适为止,若电容已切完,无功仍越下限值,也自动停发切电容指令。
5区:电压合格,无功越下限。发切电容的指令,到无功补偿合适为止,若电容已切完,无功仍然越下限,停发切电容的指令。
6区:电压越上限,无功越下限。先发切电容的指令,待切至无功补偿合适时,若电压还高,转发降压指令。
7区:电压越上限,无功补偿合适。发降压指令,控制有载调压变压器分接头。
8区:电压越上限,无功越上限。应先发降压指令,待电压降至合格后,再发投电容器组指令,按循环规律投到电容器合适为止,若电容已投完,无功仍然越上限值,则停发投电容指令。
如果能判断出电压的变化是由于无功变化引起的,则可以在电压不越线或者即使越线了,也不必去调节变压器分接头而是提前投、切电容器,这样可以提高电压的合格率并减少变压器分接头的投、切次数。另外,电压进入7区或3区,即电压越限可能是由于无功迅速变化引起的,也可能是由于高压侧电压变化引起的,而且这一变化将有一个持续过程,若是由于高压侧电压变化引起的,而运行点刚好又处于无功边界上,则有可能错误地投、切电容器;反之,若电压的变化是由于无功的变化引导致的,而运行点又刚好处在电压边界上,则有可能错误地调节变压器的分接头,若在无功缺额较大的情况下调节变压器的分接头,则有可能会引发负调压效应,进一步导致电压不稳定。可见若能提前了解无功的变化趋势,认清电压变化的根本原因,适时地决定控制策略,则可减少控制的盲目性,获得满意的控制效果,保证电压的合格率。
在变电站,由于变压器的重要性,它历来就是重点保护对象。对于有载调压变压器,分接头的调节次数是有严格限制和要求的,对于电容器组的投切次数也有要求。因此,电压无功控制的控制策略不仅要满足对电压和无功的要求,还要满足保护设备的要求,即目标函数可归纳为:(1)电压合格率最高;(2)功率损耗最小。约束条件是:(1)档位上下限;(2)电容可用组数;(3)变压器分接头日调节次数上限;(4)电容器组日投切次数上限,控制变量有两个,一个是调档,另一个是电容投切,这两个控制变量都不是连续变化的。
2、计及多因素的变电站电压无功模糊控制策略
根据电压、无功变化的特点,在这里提出对无功边界进行模糊化的控制方法 ,利用模糊控制善于处理非线性、受多因素影响的复杂控制问题的优点,采用模糊集理论进行控制决策,从而充分确定引起电压变化的原因。
也就是:首先根据实时电压判断电压是否越限,若越限,再判断无功及无功变化的趋势,具体就是将无功的偏差和无功偏差的变化率作为输入变量,如:无功剧烈变化,运行点处于3区或7区,无功可能不越线,也应该提前通过投、切电容器来控制;若是高压侧电压的变化引起的电压越线,无功变化不大,则应首先调节变压器的分接头来加以控制。这样可以减少变压器分接头的调节次数。控制策略有两步:
(1)确定运行点所处区域。(2)综合各因素,通过隶属度计算,选择调节方式(调变压器分接头或投切电容器组)。
选择调节方式时需要考虑的因素有以下几个方面:
(1)考虑基于九区划分选择调节方式,把对于电压上、下限和对于无功上、下限的隶属度分别记μμl、μμh、μθl、μθh。(2)考虑电容器组与变压器分接头的进一步可调性选择调节方式,两种调节方式的隶属度分别记为μCadjust 、μTadjust 。(3)考虑峰谷期选择调节方式,其隶属度记为λpeak 。(4)结合历史参考数据选择调节方式,历史记录为投切电容器组的隶属度为λCon 、λCo(接164页)ff ,历史记录为调变压器分接头升压、降压的隶属度记为λTup 、λToff 。
3、结论
(1) 本文分析了现有控制方法的特点后,指出了其不足之处,并在此基础上提出了基于无功边界模糊化的控制方法;
(2) 基于无功边界模糊化的控制方法,能减少变压器分接头调节次数,消除盲目调节,提高电压合格率,使无功基本平衡,避免有载调压变压器产生“负调节效应”;
(3) 本文介绍的控制策略合理地使用了有载调压变压器和并联电容器组这两种调节设备,具有明显的调压效果,无功补偿合理,调节次数极少,不会出现反复调节的情况。
参考文献
[1]吕艳萍 变电所自动调压装置的专家系统[J]. 中国电力,1996(3)
[2]诸静 模糊控制原理与应用[M] 北京:机械工业出版社,1998
[3]施玉祥 陶晓农.中低压变电站电压无功调节的研究[J].电力系统自动化 1996,20(9):54-57
[4]严浩军 变电站电压无功综合控制策略的改进[J].电网技术,1997,20(10):47-49
模糊逻辑算法 篇3
在大多数无线传感器网络（Wireless Sensor Network,WSN）应用中，都利用聚类技术来减少能量消耗[1]。在分簇网络中，成员节点负责发送遥感数据到根节点，根节点负责收集、处理和发送数据到基站，所以根节点会比成员节点产生更多的能量消耗。当簇中的根节点能量消耗完，则无法处理数据使网络失效[2]。所以需要一种能够平衡能源消耗、提高簇和网络生命周期的算法。
本文提出一种基于模糊逻辑的WSN分布式分簇（Distributed Fuzzy-logic Clustering,DFLC）算法。采用分布式模糊逻辑推理系统，以能量大小、中心性、到基站的距离、跳数和节点密度等参数作为输入，来动态选择根节点。每个节点都分配分布式模糊逻辑引擎，防止消息在传输过程中产生高能耗。通过在中间节点上运行模糊逻辑推理，降低成员节点到根节点的消息传输量。仿真实验表明，DFLC算法的性能优于其他分簇算法。
1相关研究
文献[3]提出的低能耗自适应聚类层次算法（LEACH）是一种分布式自组织分簇算法，其过程分为簇建立和簇稳定2个阶段，通过随机选择机制选举簇头来平衡节点负载。然而，该算法没有考虑节点位置，不适合应用于较大的WSN环境。文献[4]对LEACH进行改进，通过构建双层簇来减小簇头与Sink节点的传输距离。然而其最多能够实现两跳传输，也不适合大型网络。文献[5]提出一种基于模糊逻辑簇头选举算法（CHEF），以节点能量、密度和中心性为输入，利用Mam dani模糊逻辑推理进行簇头的选举。然而其使用基站收集所有节点的信息，需要大量的节点间通信，消耗较多的能量。文献[6]提出一种集中化使用模糊逻辑引擎来选择生成簇头的算法，然而该方法没有考虑到需求情况，而是周期性运行。
不同于上述提到的算法，DFLC没有使用基站从所有传感器节点收集数据或集中化执行模糊逻辑，而是使用了一个完全分布式结构。避免了节点到基站、基站到节点的大量计算开销和消息传输开销，从而降低整个网络的能量消耗，提高网络寿命。模糊逻辑引擎只由根节点或者有较高概率被选择作为新根节点的父节点执行，进一步节约能耗。此外，DFLC还考虑了容错性、负载均衡、时效性和可扩展性等因素。
2提出的分簇算法
2.1网络模型
系统节点分为Sink节点、根节点、成员节点、父节点和子节点。Sink节点为基站，从根节点中收集数据。根节点为每个簇的领导者，从簇中成员节点收集数据，然后发送数据到Sink节点。父节点是具有叶节点的成员节点，转发或处理其子节点发送的数据。子节点是成员节点，通过父节点把数据发送给根节点。
2.2能量模型
传感器主要在分组传输、数据包接收、数据感知和处理过程中消耗能量。本文使用的能量模型[6]中，发送k字节数据包消耗的能量为：
式中：Eelec（单位：nJ/b）和εelec（单位：pJ/b/mα）是无线电路的能量系数；放大器α是路径损耗指数，数值在2～4之间；d是传输距离。接收器的能量消耗模型为：
传感能耗模型为：
式中：s为传感半径；Esensor为传感器能量系数。
用于数据处理的能耗模型为：
式中Ecpu为处理器能量系数。
2.3分布式模糊聚类分簇算法
分布式模糊聚类算法（DFLC）中，每个节点都使用模糊逻辑推理，根据该节点的信息和与之直接连接的子节点信息来判断哪个传感器节点最适合成为根节点。分布式模糊聚类算法（DFLC）中的有限状态机，如图1所示。若当前根节点的剩余能量低于阈值（初始能量的50%）或当前根节点出现故障，则根节点将会给所有树中成员节点广播报警信息。成员节点接收到报警信息后，它就通过它的父节点给当前根节点发送回复信息（ID，剩余能量，中心性，距基站的距离，跳数，节点密度）。收集完毕后，节点运行分布式模糊逻辑，避免把不必要的消息发送到根节点。通过分布式模糊逻辑，中间成员节点只需发送质量最高子节点的回复消息，大大减少了被发送到根节点的消息数量。
当一个根节点从它的子节点接收到回复消息后，该根节点就运行分布式模糊逻辑算法来选择一个节点作为新的根节点，并且发送“你是新的根节点”的消息给被选定的根节点。成员节点接收“你是根节点”的消息后，检查本身是否是目的节点，若当前节点是目的节点，它就洪泛“我是根节点”的消息给当前簇中的所有节点；否则就把“你是根节点”的消息朝着目的节点继续转发。若一个目的成员节点接收了“我是根节点”的消息，它就开始更新自己存储空间中根节点ID和父节点的信息，同时给它的邻居节点发送“我是根节点”的消息。算法1给出了分布式模糊聚类算法的伪代码。基于模糊规则的模糊化和推理、集成输出和去模糊化是分布式模糊逻辑推理系统的主要步骤。该系统的隶属函数如图2所示。
模糊化：模糊化是利用隶属度函数，确定一个从清晰的输入到模糊集之间的映射。其中有五个输入，即节点的能量、中心性、到基站的距离、跳数、节点密度；一个输出，即概率。节点能量（NE）：每个节点的剩余能量。中心性（C）：树中一个节点到其他节点的距离。基站距离（DBS）：从节点到基站的距离。跳数（NoH）：在根节点和成员节点之间的中间节点数。节点密度（ND）：节点的邻居节点数。概率（P）：具有被选为根节点的最大概率的节点。
应用模糊规则：数据在进行模糊化输入时使用了模糊规则。计算概率输出参数度的公式如下：
式（5）考虑了剩余能量的增量、节点密度值对概率的正面影响和中心值、到基站的距离、跳数对概率的负面影响。输入参数度被设置为0,1,2，分别对应低、中、高三种情况。与之相类似，0,1,2的值分别对应了距离相近、距离相当、距离遥远三种情况。
输出集合：将所有输出规则汇总到统一的输出。模糊输出变量的概率可以从模糊规则中得到。概率越高意味着该节点有更多的机会成为一个根节点。
模糊化：把模糊输出的概率变量转变为清晰输出的过程。其中的反模糊化方法是面积中心算法（COA）。该算法中，模糊逻辑控制器首先计算隶属函数和输出变量范围内的面积，然后使用下面的公式计算几何中心的面积[7]。
式中x是语言变量的值。
2.4 系统性能分析
2.4.1容错
传感器节点可能会因为能源耗尽或中断等多种原因而失效，这些情况下，系统需要用另一条路径解决问题[8]。为了达到这个目的，在系统建立阶段，当一个节点接收到“发现”消息时，它就把发送节点的ID存储下来，并指定该节点是到Sink节点最近的一个邻居节点，作为备用路径。同时，一些节点被确定为根节点的备份，以防当前根节点失效[8]。根节点故障也会引发根节点的选举过程。为了检测根节点的状态，当前根节点周期性地广播“检查”消息，其中包含具有最大概率成为根节点的备份根节点的ID。若一段时间内成员节点没有收到任何“检查”消息，则就判定当前根节点出现故障，随后在簇内部把备份根节点作为目的地址，洪泛发送“新簇”的消息。当中间节点接收到“新簇”的消息后，它检查自己是否存储了该目的节点。若存储空间已有该目的节点，就发送含有从自身节点到目的节点距离的“回复新簇”的消息。否则，该成员节点就继续把“新簇”的消息广播给它的相邻节点。
2.4.2负载平衡
负载均衡对延长网络寿命是非常重要的。使用同一条路径传输和使用相同节点进行大量计算都会导致能量的快速消耗。为了避免这种情况，负载必须均衡分配给所有节点。本文通过循环担任根节点和使用多路径传输，有效平衡了网络负载。
2.4.3时效性
为了避免簇中节点与根节点之间的数据包传输发生冲突，本文利用TPIPE[9]调度模型调度聚集树拓扑结构中每个节点的传输。除此之外，在系统初始化阶段还使用了退避等待时间机制[8]。在退避等待时间中，传感器节点接收广播信息后，只以最小数量的跳数作为参数来评价消息。以此来减少设置信息的传输数量。
2.4.4可扩展性
由于较多的节点数量和较高的节点密度，WSN应用程序中聚类协议必须具有良好的可扩展性和对网络拓扑的适应性。同时，当网络规模越来越大时，负载不断增加，协议也必须能够良好的运行。本文模拟了不同节点数目和节点密度的场景并进行实验，结果表明本文提出的分布式模糊聚类系统能够良好运行。除此之外，利用多路径路由策略，使其能够自适应网络中拓扑结构的变化。
2.5参数计算
2.5.1消息复杂度
假设DCBTA(PF)消息复杂度为O(n)。在簇中，当一个根节点消耗了50%能量或发生故障时，它就给树中所有节点广播报警消息。成员节点收到报警信息后，把cs（簇中的节点的平均数）消息返回给根节点。根节点接收回复消息后，运行DFL算法，并把“你是根节点”的消息发送给目的节点。最坏的情况是新的根节点在距离根节点dt（簇中树的深度）距离处。这种情况下，为了把消息发到目的节点，“你是根节点”的消息可能被转发dt次。当新的根节点接收“你是根节点”的消息后，它就把“我是根节点”的消息广播给树中所有的节点。假设n是网络中簇的平均数，则整体的消息复杂度O(n)可计算如下：
消息总数为：
2.5.2能量消耗
传感器主要在分组传输、数据包接收、数据传感和处理中消耗能量。本文算法中能量消耗的步骤如下：
若n是网络中簇的平均数；d0是传输距离；用k表示平均消息长度。根节点给树中所有节点发送报警信息的能量消耗为：
成员节点收到报警信息的过程中也有一定的能量消耗。若cs是簇中节点的平均数目，则接收信息所消耗的能量为：
成员节点收到报警信息后，会把cs应答消息回复给根节点。发送该回复消息消耗的能量为：
根节点接收回复消息消耗的能量为：
根节点接收到回复消息后会运行分布式模糊逻辑来处理数据。该数据处理过程所消耗的能量为：
根节点运行分布式模糊逻辑之后，就发送“你是根节点”的消息给目的节点。这一过程中所消耗的能量为：
目的节点接收“你是根节点”所消耗的能量为：
新的根节点接收“你是根节点”的消息后，就把“我是根节点”的消息广播给树中所有节点。这一过程所消耗的能量为：
成员节点接收“我是根节点”所消耗的能量为：
3实验
利用NS2仿真器将提出的DFLC与低能耗自适应聚类层次算法（LEACH)[3]、等待定时自适应聚类算法（ACAWT)[10]、基于模糊逻辑簇头选举算法（CHEF)[4]和Gupta算法[11]，在消息负载、网络能耗、存活节点数、容错性和簇头能耗方面进行了实验对比。表1给出了相关的仿真参数。
不同运行时间下的信息传输数量比较情况，如图3所示。
从图3中可以看出，DFLC算法产生的消息传输量最少，LEACH算法产生的消息传输量最大。在ACAWT算法中，簇被分成了各个子簇，成员节点分为子簇头和子簇成员。基于分簇头之间的通信来选择新簇头，这样就降低了消息传输量。在Gupta算法中，基站统一收集来自节点的信息，然后运行聚类算法，这一过程产生了巨大的消息传输量。在CHEF算法中，基站不需要从所有节点收集信息，所以CHEF算法要优于Gupta算法。本文提出的DFLC算法通过筛选最有可能成为根节点的那个节点的信息，使中间节点减少了从叶节点发到根节点的信息量，所以产生的数据量最小。
不同算法的能量消耗，如图4所示。可以看出，随着仿真时间的增加，所有算法的能量消耗也都将会增加。其中，DFLC算法产生的能源消耗最低，LEACH算法产生的能源消耗最高。ACAWT算法中，在新簇头的选择阶段，分簇头向整个簇广播数据，这就导致产生高能耗，尤其在有大量簇头数的情况下。尽管Gupta算法考虑了能耗、节点浓度和中心参数等因素，收集节点和基站之间的数据，在基站集中运行模糊逻辑系统的过程仍然导致了较大的能源消耗。CHEF和Gupta算法类似，与之主要不同点是使用了局部簇头选举机制，从而使基站不需要从所有节点收集信息。LEACH算法完全取决于概率模型，导致簇头节点的能量被迅速消耗。
不同仿真时间下各算法中存活节点的数量，如图5所示。可以看出，随着时间的增加，存活节点数量不断减少。其中，本文DFLC算法中存活节点数最多，而LEACH算法最少。因为与LEACH,Gupta和CHEF算法不同的是，DFLC算法中传输消息的数量较少，能量消耗低，存活节点数也高于其他算法。
有限的能源是WSN的一个非常重要的约束。由于能源的消耗，节点可能会失效，这就导致不能及时完成正常任务，这就需要一个容错机制，当节点失效后，用另一个节点来代替它继续发挥作用，继而使整个过程能够继续进行。为此，本文DFLC算法中集成了容错机制。图6为各个算法中容错机制的性能。实验中，通过故意丢弃节点的数据包来制造一些故障节点。将传送的所有数据包记为“提供数据”，成功传输的数据包记为“投递数据”。从图6可以看出，和其他没有考虑系统故障情况的算法相比，本文提出的算法具有最好的性能。同时，DFLC算法还与文献[12]提出的具有簇头容错聚类技术的FTFC算法进行比较。结果表明，DFLC的容错性能优于FTFC。
为了延长系统寿命，需要均衡簇头负载。将本文算法同现有的2种WSN负载均衡分簇算法：EELBC[13]和LBC[14]进行比较，结果如图7所示。实验中计算了6组簇头的能耗平均值作为能量消耗率。可以看出，DFLC算法具有最低的簇头能量消耗率。
4结语
本文提出了一种基于模糊逻辑的WSN分布式聚类算法（DFLC）。通过仿真实验，将本文算法与LEACH,ACAWT,Gupta和CHEF算法在产生消息数量、能源消耗、存活节点数、容错性、负载平衡等方面进行比较。结果表明，DFLC算法优于其他分簇算法。
图像处理中模糊算法问题的分析 篇4
关键词：图像处理；模糊算法；应用；问题分析
中图分类号：TP317.4文献标识码：A文章编号：1007-9599 (2012) 02-0000-01
The Analysis of Fuzzy Algorithm Problem in Image Processing
Shan Wei
(School of Computer,Soochow University,Suzhou215008,China)
Abstract:Image processing is a commonly used computer technology,fuzzy algorithm are used to help to improve the image processing effect.The traditional image processing has many malpractices,affect the user access to information and convenience.This paper analyzes the basic operation of image processing,and describes the fuzzy algorithm in image processing application,to further enhance the original image processing effects.
Keywords:Image processing;Fuzzy algorithm;Application;Problem analysis
随着计算机技术的推广应用，与其相关的操作技术也在变化发展。作为计算机应用技术的内容之一，图像处理能够为用户提供最直观的信息表达，形象地反应出需要呈现的信息内容。模糊算法运用于图像处理可建立数据模型，为用户的实际操作提供更多的方便。
一、图像处理中的模糊算法
近年来，计算机技术对各个行业经济发展起到了重要的推动作用，促进了计算机行业技术的改革发展。图像是一种直观性的信息表达，可以让用户捕捉到真实的数据信息，由此产生的操作处理技术称为“图像处理”。图像处理用计算机对图像进行分析，以达到所需结果的技术。基本内容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等，如图1。
图1 图像处理的内容
“模糊算法”是计算机操作运行的基本算法，其运用于图像处理可以为用户提供更多的方便，并且能把原始图像优化处理后呈现出具体的信息内容。通过对现实对象的分析，处理数据并构建模糊型数学模型。用隶属关系将数据元素集合灵活成模糊集合，确定隶属函数，进行模糊统计多依据经验和人的心理过程，它往往是通过心理测量来进行的，它研究的是事物本身的模糊性。模糊算法的推广为图像处理创造了有利的条件，满足了复杂图像处理的应用要求。
二、模糊算法应用的具体流程
盡管模糊算法具有相应的模糊特点，但其对于图像信息的处理可起到综合反应的作用，从多个角度把原始图像附带的信息资源表达出来。用户在操作时要设计一套完整的操作流程，弄清图像数字化、图像编码、图像增强、图像复原、图像分割等处理的主要任务。根据自身的工作经验，采用模糊算法的应用流程如下：
（一）图像录入。对将要处理的原始图像进行录入，把重要的信息集中存储起来，再利用计算机操作平台反映出图像的本质状态。如：接收某一图像之后，用户应从尺寸、像素、色彩等方面信息进行捕捉，找出模糊算法中需要用到的关键性数据，经过综合对比以掌握完整的图像录入流程。
（二）图像模型。数学模型是模糊算法执行操作的关键工具，操作时要结合数学模型表达的信息完成处理，这样才能确保处理结果的可靠性。模糊算法模型建立之前应对被处理对象深入分析，掌握数据元结构及函数关系，从不同的图像特征完成计算操作，以免模糊计算出现代码失误。
（三）图像处理。处理图像时应根据模糊算法提供的结果，尤其要参照具体的函数关系实施计算任务。结合图像隶属的函数关系，判断图像处理中相应算法的计算标准，筛选出重要的参数信息指导处理。如：图像编码、图像增强、图像复原等均要选用标准的代码，然后才能按照算法的要求进行处理。
三、结论
总之，图像已经成为计算机用户常用的信息表达方式，凭借图像的直观性特点及相关优势，图像处理操作将变得更加普遍。为了让图像处理操作更加便捷，把模糊算法运用于图像处理流程中是不可缺少的，用户可联用相关的操作软件共同完成处理任务。
参考文献：
[1]侯阿临,冯源,焦松林,郭云飞,王乐乐.基于游程编码的QR码图像识别[J].长春工业大学学报(自然科学版),2011,2
[2]凌建华.图像处理与主页设计软件标准化[J].中国标准化,1998,9
[3]曹其新,刘成良,殷跃红,付庄,永田雅辉.基于彩色图像处理的西红柿品质特征的提取研究[J].机器人,2001,S1
[4]胡隽,杨平,何辅云.一阶灰色系统模型在图像处理中的应用[J].上海电力学院学报,2004,1
[作者简介]单薇（1982-），女，江苏苏州，单位：苏州市轻工业学校，助讲，本科，研究方向：数字图像处理。
模糊逻辑算法 篇5
在交叉口信号的模糊控制方面,Pappis等在1977年首先提出城市单个交叉口的模糊控制方案,即所谓的Pappis法;陈森发等在其基础上进行进一步研究,考虑了非关键车流的影响,且对算法作了改进;朱茵、吴银凤等将模糊控制神经网络与多智能体技术应用在单个交叉口的交通控制中,丰富城市交通控制的研究成果。
然而,上述的这些系统或模型通常在正常情况下运作良好,但道路在异常状况时影响着交叉口车辆的运行效率。遇到异常情况时,采用仅考虑正常情况下控制系统,可能会导致延误时间更长、油耗增加、污染增加及使驾驶员产生压力感,只有迅速适应异常情况下信号控制才能达到控制交通流的最佳状态,因此,在建立信号模糊逻辑控制模型时,考虑交叉口异常情况时影响是十分必要的。
1 交叉口信号控制方法
管理交叉口交通流的方法很多,但各国的交通管理经验表明,信号灯控制是道路交叉口最普遍的管理形式。一个典型的交叉口可能有4个相位,如图1所示。完成一次所有的相位称为一个周期,一个周期的长短由完成周期的相位的长短决定。使用红、黄、绿信号灯标示一个周期的开始或结束,在每个周期中相位依次变化。
在交叉口进行信号控制时有两种基本的方法。①最简单的方法是定时控制法:1个相位的路灯持续时间等配时方案均是固定的,参照这个地方的历史交通状况进行研究获得确定值。1 d按不同时段的交通量采用几个配时方案,在高峰时间对关键车流分配较多的绿灯时间,在低峰时间分配较少绿灯时间。②适应交通流动态变化的方法是感应控制法:把车辆感应器放在距道路一定距离的位置统计交通信息。为每个相位分配最小的绿灯时间,当在延长时段探测到车辆到达时,逐渐延长绿灯时间,但不能超过预设的最大绿灯时间。一般来说,最小绿灯时间不能小于10 s,以免车辆来不及通过路口影响交通安全,最多不超过60 s,否则其他相位的红灯时间太长,驾驶员心理上不能接受。
应该注意的是,上述提到的两种方法尽管在一般交通状况时能有效运作,但是交通状况的突然改变会导致方法的失效。因为,两种方法都没有考虑道路异常情况,如车辆抛锚、交通事故、路面坑洼或修路等的影响,而这些异常情况在大多数道路上很常见,在车流量密度高的地区事故常常会发生。尽管多数因素是暂时性的,但如果没有在信号配时中考虑进去,仍然会恶化延误情况,使对交通流的控制无法达到最佳状态。因此,在交叉口信号控制中考虑异常情况是十分必要和有益的。在技术上,设置信号灯有据可依;在经济上,避免无谓的资源浪费;在交通上,避免不必要的运行时间损失和交通事故。
2 考虑异常情况下交叉口信号模糊逻辑控制模型
2.1 研究对象
研究的对象是一个典型的有4个相位的单个交叉口,或叫孤立交叉口,每个相位有3条道路进入,3条道路出来。模型中考虑直行和转弯的车辆,行人过街忽略不计。模型中的4个相位的车辆行进方向和方式见图2和表1。
2.2 模型结构
使用交叉口信号模糊逻辑控制器建立模型。模糊逻辑假设:如果“许多”车辆到达,而绿灯时间“很少”,则“延长绿灯时间”。
设定4个参数作为模糊逻辑控制器的输入变量。第1个参数红灯相位车辆排队长度(RVQL),以红灯开始为一个周期的开始,它是上个周期绿灯信号下剩余车辆加上这个周期红灯信号时到达的全部车辆的总和
式中:Qg为上个周期绿灯相位没有驶出交叉口的车辆,∑Qr(i)为红灯相位第i秒到达的车辆数之和。
第2个参数绿灯时间剩余率(GS),是本次绿灯相位剩余的绿灯时间与分配给绿灯相位的总时间的比率
式中:g(t)为从绿灯相位开始在时刻t的剩余绿灯时间,Tg为分配给绿灯相位的总时间。
第3个参数绿灯周期内的到达车辆数(GV),是绿灯相位第i秒到达的车辆数之和
第4个参数平均绿灯相位驶离时间(AGD),表明在绿灯相位一辆车平均花费多少时间驶离信号交叉口
式中:CDT为欲驶离信号交叉口的车辆驶离时刻;AGD(n-1)为前一个周期计算的平均驶离时间;α为平滑系数,可以根据经验或调查总结确定,设定α=0.8。
模糊逻辑控制器的输出时绿灯时间的改变量(GT),即增加或减少绿灯时间。然后,利用式(5)求得延误时间
式中:DLT为延误时间;DPT为车辆驶出交叉口的时间,ART为车辆驶入交叉口的时间。整个系统的结构如图3所示。
模糊逻辑控制器有4个输入RVQL、GS、GV、AGD,一个输出GT。在一个特定的相位中可能有一条以上道路,所以RVQL和GV取各自最大值。
本文模型与正常情况下的控制模型区别在于,加入了衡量道路情况正常还是异常因子,即第4个输入参数:平均绿灯相位驶离时间(AGD),如果AGD长,在绿灯相位一辆车平均花费较长时间驶离交叉口,有可能浪费绿灯时间。如果AGD非常长甚至无穷大,这时车辆驶离率为0,但排队长度不断增加,则道路上很可能发生了严重的异常情况,如交通事故。
2.3 模糊化处理及模糊规则
模糊化处理需要确定各个参数的模糊集合和隶属函数[1]。根据研究地区的实际情况和经验数据,反复调试和仿真,输入参数RVQL论域为[0,20],取4个模糊集合:很短(VSD)、短(SD)、中等(MD)、长(LD);输入参数GS论域为[0,1],取4个模糊集合:很少(VSD)、少(SD)、中等(MD)、多(LD);输入参数GV论域为[0,20],取4个模糊集合:很少(VSD)、少(SD)、中等(MD)、多(LD);输入参数AGD论域为[0,10],取3个模糊集合:中等(M)、长(L)、很长(VL);输出参数GT论域为[-10,10],取5个模糊集合:减少很多(decrease many)、减少(decrease)、不变(no change)、增加(increase)、增加很多(increase many),各模糊集合和最终模型形式参见图4和图5。
根据控制经验,总结出一系列模糊规则,例如:如果红灯相位车辆排队长度“短”,绿灯时间剩余率“多”且绿灯周期内的到达车辆数“中等”,平均绿灯相位驶离时间“很长”,则绿灯时间应“减少”,模糊逻辑规则显示:If (RVQL is SD) and (GS is LD) and (GV is MD) and (AGD is VL) then (GT is decrease)。据此可总结出26条模糊规则,表2列出了部分模糊逻辑控制规则。
3 仿真研究
仿真工具使用Matlab的模糊逻辑工具箱,它能快速地建立模糊规则修改方案,并且在视图界面直观地反映不同输入变量的变化所引起的输出变量的变化,形成变量间关系的曲面。将建立的异常情况下信号交叉口模糊逻辑控制模型(AFL)、车辆感应控制器模型(VA)和一般(不考虑异常)情况模糊逻辑控制模型(NFL)比较,比较在3个模型下4个相位的平均延误时间。仿真需建立在一些基本假设下:
1) 交叉口有4个通路,每个通路有3条道路,一条直行两条转弯,如图2所示;
2) 只考虑车辆行为,不考虑行人过街;
3) 每条道路上车辆到达相互独立,车辆到达的间隔也相互独立,车辆到达使用泊松分布生成,车辆的到达间隔在5～25 s;
4) 车辆感应器放置在距离交叉口一段路程的地方,可探测最大车辆数为20,并且控制器能利用从感应器中接收到的信息做出最优决策,使交通延误最小;
5) 正常情况下车辆驶离交叉口的时间设定在2～4 s;
6) 最小绿灯时间设为10 s,最大绿灯时间设为60 s。
模型中考虑到可能出现的异常情况和预期后果,见表3。
分两种情况来比较3个模型AFL、NFL、VA。①第一相位从北向南的这条道路上无异常情况;②第一相位从北向南的这条道路有异常情况。所得结果见表4、表5,比较图见图6。
由表4知,无异常情况时,本文建立的模型与一般的交叉口模糊逻辑控制模型所得结果几乎相同,运作良好。而VA法的平均延误显著高于AFL与NFL,因为模糊控制法比感应法好。由表5知,异常情况发生时,车辆驶离率减少,车辆需花费更多的时间驶离信号交叉口。在NFL中,对于相位2、3、4,平均延误时间都有增长趋势,由于排队长度是决定相位变化和相位持续长度的重要因素之一。对于考虑异常情况影响的AFL,除了遭遇异常情况下相位平均延误时间比较高之外,其他相位的延误时间都比NFL小,且与正常情况时的延误时间相比也相差无几。说明AFL模型表现比较好,能有效适应交叉口的异常情况时交通流的正常运行。
4 结束语
在控制交叉口信号的方面,使用模糊逻辑已经十分普遍,优化后的模糊交通控制器使在特定环境下交通流最大、交通延误最小。但是,在异常情况如拥堵、修路和交通事故发生时并不能达到最优的交通控制。因此,提出一种即能在正常情况下最佳控制交通流的模糊交通控制方法,又能在考虑异常情况下优化控制信号交叉口流量的模型。此模型确定了合理的输入输出变量,并在仿真环境中进行验证,表明可有效适应交叉口异常情况发生。另外,还有两个关键的问题值得注意,有利于将来对模型的进一步改进。其一,变量隶属函数和模糊规则的建立可以先根据经验来定,然后用智能优化算法如神经网络算法对数据进行训练,反复调试,优化隶属函数和模糊规则,这比人工总结的规则要客观。其二,提出的模型还可在两方面进行拓展,一是可以从单个交叉口拓展到更普遍的、城市道路中常见的多个交叉口;二是可以放宽提出假设,考虑行人过街等行为的影响。
摘要：建立异常情况下信号模糊逻辑控制模型,并建立决策行为,保证在正常及异常情况下最佳地控制交通流,使达到流量最大、延误最小。针对不考虑异常情况时交叉口模糊逻辑控制模型、考虑异常情况时模型及1个一般控制模型三者输出的平均延误差别仿真比较,结果表明本文提出的模型能有效缩短平均延误时间,改进交通信号配时。
关键词：异常情况,交叉口,信号配时,模糊逻辑
参考文献
[1]孟祥海,郑来,秦观明.基于模糊逻辑的交通事故预测及影响因素分析[J].交通运输系统工程与信息,2009,4(9):87-92.
[2]PAPPIS C P,MAMDANI E H.Afuzzy logic controller for a traffic junction[J].IEEE Trans on systems.Man and Cybernetics.1997.SMC—7(10):707-717.
[3]Trabia Mohamed B,Kaseko Mohamed S,Ande Murali.Two stage fuzzy logic controller for traffic signal[J].Transportation Research Part C,1999,7(6):353-367.
[4]YANG Z Y.Multi-phase traffic signal control for isola-ted intersections based on genetic fuzzy logic[J].Pro-ceedings of the6th World Congress onIntelligent Control and Automation,2006:3391-3395.
[5]陈森发,陈洪,徐吉谦.城市单路日交通的两级模糊控制及其仿典[J].系统仿真学报,1998,10(2):35-40.
[6]朱茵.唐祯敏.钱大琳.基于多智能体的交通管理系统的研究[J].中国公路学报,2002,15(3):80-83.
模糊逻辑算法 篇6
机器人路径规划是指在存有障碍物的环境中, 机器人寻找一条实现从起始点到目标点安全运行的路线[1,2]。基于滚动窗口的路径规划方法是令机器人周期性地更新窗口信息及时滚动规划, 将规划问题压缩到滚动窗口内, 与全局规划相比其运算量大大降低[3]。
本文在借鉴文献[4,5,6]的基础上, 从移动机器人与障碍物之间的距离、动态障碍物运动速度、移动机器人与障碍物和目标点的位置关系三者入手, 结合模糊逻辑, 提出基于模糊逻辑的滚动窗口路径规划方法。
1 基于滚动窗口算法路径规划的原理
基于滚动窗口算法的路径规划是在预测控制滚动优化原理的基础上提出的。预测控制中的优化是一种有限时段的滚动优化, 在每个采样时刻t, 优化性能指标只涉及到从该时刻起到以后的有限的单位时间段, 而下一个时刻采样时刻t+1, 优化时段以t+1为起点向前延伸单位时间段。在预测控制中, 优化不是一次离线进行, 而是反复在线进行的, 是不断滚动优化的过程[7,8]。
基于滚动窗口算法的机器人路径规划利用机器人实时测得的局部环境信息, 以滚动方式进行在线规划[4]。基于滚动窗口的路径规划方法原理可以表述如下:
(1) 场景预测:在每个采样时间点t, 机器人根据传感器检测的局部环境信息, 判断滚动窗口内是否存在障碍物, 预测障碍物的运动情况。
(2) 滚动窗口优化:根据t时刻滚动窗口内对障碍物的判断信息和预测信息, 规划移动机器人的局部行驶路径, 机器人向子目标前进一步, 滚动窗口对应向前。
(3) 反馈初始化:当新的滚动窗口形成后, 对移动机器人的当前位置、局部环境信息、障碍物情况重新更新。
根据文献[4,6,9]对滚动窗口算法的路径规划问题进行如下描述和定义。
令WS为机器人运动的二维平面有限区域, 该区域中点的集合记为W, 其中存在有限个静态障碍物SObs1, SObs2, …, SObsn, 以及有限个动态障碍物DObs1, DObs2, …, DObsm。静态障碍物集合记为SOb, 动态障碍物集合记为DOb。t时刻, 机器人R的位置表示为PR (t) , 则PR (t) ∈W, 规划起始时间为t=0。
定义1 ∀P∈W, 若P∉ (SOb∪DOb) , 则P称为可行点。t时刻所有可行点的集合称为可行域FD (t) 。
有:FD
定义2T=[t0, tf], ∀P0=FD (t0) , ∀Pf=FD (tf) , 若连续映射FS (·) :T→W, 使得FS (t0) =P0, FS (tf) =Pf, FS (t) ∈FD (t) , t∈ (t0, tf) , 则映射FS (·) 是W中从P0到Pf的一个可行路径。
由于机器人没有全局环境信息, 任一时刻t, 只能实时探测到以其当前位置为中心、r为半径区域内的环境信息。
定义3 机器人在点PR (t) 处的视野域Win (PR (t) ) ={P|P∈W, d (P, PR (t) ) ≤r}, Win (PR (t) ) 即为该点的滚动窗口。
2 基于模糊逻辑的滚动窗口路径规划实现方案
该滚动窗口路径规划方法包括3个过程:建立环境地图、滚动窗口局部目标优化和信息更新。
建立环境地图:采用二维平面坐标, 包含存在的静态障碍物和动态障碍物, 以及机器人的起始点和目标点等环境信息。
滚动窗口局部目标优化:在每个时刻中, 以机器人为中心, 在机器人有效的传感检测范围内, 根据机器人与障碍物间的距离、动态障碍物的运动速度大小和方向以及机器人与障碍物和目标点间的位置关系, 通过一定的推理启发, 确定机器人在该滚动窗口区域内的局部目标, 机器人向此局部目标运动, 直至下一时刻。
信息更新:在每个时刻的滚动窗口局部目标优化前, 根据传感系统获取周围环境实时信息, 为新的滚动窗口下局部目标优化提供新的信息, 也起到对先前时刻局部目标优化结果修正作用。这些信息包括新时刻中机器人与障碍物间的距离, 动态障碍物的运动速度大小和方向以及机器人、障碍物和目标点间新的位置关系。
2.1 滚动窗口中的机器人运动轨迹确定
由于移动机器人R没有先验的环境知识, 只能通过传感器, 在t时刻探测到以R当前位置为中心, 探测范围r为半径的圆形区域的环境信息, 因此, 本文将该圆形的探测区域视为滚动窗口Win (PR (t) ) 。
当移动机器人在通往目标点的运动中, 若滚动窗口内没有遇到障碍物, 运动路径为一直线。若是滚动窗口内遇到障碍物, 移动机器人将避开障碍物。在下一时刻, 机器人再次检索该时刻滚动窗口内是否存有障碍物, 进行避障行为。机器人由起始点S向目标点G运动。设t时刻, 移动机器人在点PR (t) 的坐标为Rt (xt, yt) , 目标点坐标为G (xG, yG) , 令
式中:l为单位时刻间距中移动机器人R运动的步长, 也即是在滚动窗口中机器人的运动距离。移动机器人的运动轨迹可以看作由R0 (x0, y0) , R1 (x1, y1) , …, Rt (xt, yt) 等一系列点连成的曲线。
2.2 基于模糊逻辑的滚动窗口路径规划步骤
步骤1:确定移动机器人运动的起始点和目标点, 转向步骤2;
步骤2:更新滚动窗口Win (PR (t) ) 信息, 若移动机器人检测不到障碍物, 向目标点做直线运动, 转向步骤4;若检测到存在障碍物, 转向步骤3;
步骤3:启动模糊控制器, 得到偏转角α, 机器人在该位置的基础上偏转α并向目标前进, 转向步骤2;
步骤4:更新滚动窗口Win (PR (t) ) 信息, 若移动机器人到达目标点, 停止路径规划, 否则转向步骤2。
2.3 模糊控制器的设计
在实际的机器人工作环境中, 工作环境是会变化的, 因而路径规划是一个不确定性推理的过程。模糊逻辑[10]提供了模仿人的思维方式的真实规则, 可以利用人类专家控制经验来弥补机器人动态特性中的不确定因素带来的不利影响。本文在滚动窗口中采用模糊控制器启发机器人在滚动窗口中对局部目标的确定, 实现避障。
在t时刻, 以过移动机器人R和目标点G的直线与过R和障碍物O的直线相交的夹角记为β, β可以反映移动机器人R、障碍物O和机器人目标点G的三者间位置关系。以该时刻移动机器人R感知与障碍物O之间的距离d (Rt, Ot) 、障碍物的运动速度VOb以及夹角β作为模糊控制器的输入变量。以移动机器人R遇到障碍物时改变运动方向的偏转角α为输出变量。当移动机器人R即将遇到障碍物时, 通过启动模糊控制器, 调整式 (1) 中的α改变移动机器人的运动轨迹, 使之避开障碍物。
对于输入变量d (Rt, Ot) , 定义了两个隶属度, 隶属度函数如图1所示。其论域划分为{Near, Far}。
障碍物运动速度VOb采用的隶属度函数如图2所示。障碍物相对于机器人向右运动时, VOb为正; 障碍物相对于机器人向左运动时, VOb为负。其论域划分为{NL, NS, Z, PS, PL}。
夹角β采用的隶属度函数如图3所示。障碍物位于过移动机器人和目标点直线右侧, 夹角β为正; 障碍物位于过移动机器人和目标点直线左侧, 夹角β为负。其论域划分为{NL, NS, Z, PS, PL}。
输出变量偏转角α采用的隶属度函数如图4所示。机器人向右偏转, α为正;机器人向左偏转, α为负。其论域划分为{NL, NS, Z, PS, PL}。根据人们驾驶避障的习惯, 生成模糊规则。模糊规则的一般形式如下:
IF d (Rt, Ot) =Ai, AND VOb=Bj, AND β=Ck, THEN α=Dijk, (i, j, k∈N)
其中:Ai, Bj, Ck, Dijk分别是对应于变量d (Rt, Ot) , VOb, β, α论域的模糊集。
模糊系统采用最小推理机, 将各输入变量代入各自的隶属度函数得出相应的隶属度值, 在同一规则Rule中, 若规则条件为“与 (AND) ”, 取各输入变量隶属度值的最小值。该最小值为本规则对应的输出变量隶属度值。采用重心法去模糊化, 得到需要的偏转角α。
3 基于模糊控制的滚动窗口路径规划仿真及分析
设动态障碍物由A点向右做水平的匀速运动, 设障碍物和机器人每秒行进的直线距离均为1 m。机器人由起始位置S (0, 0) 向目标点G (50, 50) 运动。
设机器人t时刻到达点B (29, 29) , 障碍物此时则在B′ (29, 30) 。根据它们的运动趋势, 在t+1时刻机器人即将在点C (30, 30) 附近与膨化后的障碍物相撞。若在t时刻启动模糊控制器, 采用如表1所示的模糊规则, 得到需要的偏转角α, 使机器人运动路径发生变化, 则在t+1时刻, 机器人位于B′ (29, 30) , 而障碍物位于C (30, 30) 点, 实现了避障。表2为t时刻及其之后机器人与动态障碍物的位置坐标。
由表2可知, 本文提出的基于模糊控制的滚动窗口路径规划方法具有避障的功能。
4 结 语
在动态环境中, 若是包含动态障碍物的信息越丰富, 越有利于机器人路径规划。本文在考虑移动机器人与障碍物之间的距离, 动态障碍物的运动速度, 以及移动机器人、障碍物和目标点的位置关系基础上, 结合模糊逻辑推理, 提出的滚动窗口路径规划方法能实时根据环境信息的变化, 找出局部优化路径, 避开障碍物。
摘要：在原有滚动窗口路径规划方法基础上, 结合移动机器人与障碍物之间的距离、动态障碍物运动速度、移动机器人与障碍物和目标点的位置关系, 提出基于模糊逻辑的滚动窗口路径规划方法。通过对算法的仿真, 证明该算法的有效性。
关键词：移动机器人,路径规划,滚动窗口,模糊逻辑
参考文献
[1]梁毓明, 徐立鸿.移动机器人路径规划技术的研究现状与发展趋势[J].机电一体化, 2009 (3) :35-38, 68.
[2]鲍庆勇, 李舜酩, 沈峘, 等.自主移动机器人局部路径规划综述[J].传感器与微系统, 2009, 28 (9) :1-4, 11.
[3]康亮, 赵春霞, 郭剑辉.未知环境下改进的基于RRT算法的移动机器人路径规划[J].模式识别与人工智能, 2009, 22 (3) :337-343.
[4]张纯刚, 席裕庚.动态未知环境中移动机器人的滚动路径规划及安全性分析[J].控制理论与应用, 2003, 20 (1) :37-44.
[5]孙斌, 韩大鹏, 韦庆.基于滚动窗口算法的机器人路径规划应用研究[J].计算机仿真, 2006, 23 (6) :159-162.
[6]席裕庚, 张纯刚.一类动态不确定环境下机器人的滚动路径规划[J].自动化学报, 2002, 28 (2) :161-175.
[7]席裕庚.预测控制[M].北京:国防工业出版社, 1993.
[8]刘祚时, 罗爱华, 沈哲.以滚动优化策略的粒子群算法为基础的机器人路径规划研究[J].信息化纵横, 2009 (8) :17-19.
[9]傅卫平, 张鹏飞, 杨世强.利用机器人行为动力学与滚动窗口路径规划[J].计算机工程与应用, 2009, 45 (2) :212-215, 236.
模糊逻辑算法 篇7
非接触电能传输是利用初级与次级线圈之间的磁场耦合进行能量传输, 已成功应用于各种工业设备中。随着研究的深入和实际工作的需要, 在某些环境中, 需要实现对不同负载供电, 这种工作模式下随着负载的变化, 整个系统的总体等效负载电阻也是实时变化的, 这种负载的变化容易造成系统的失谐和输出电压的不稳定[1,2], 导致输出电压质量下降, 在需要输出恒定电压的场合会产生不期望的特性。
已经提出的控制拾取端电压稳恒性的方法中参考文献[3]的短路控制原则类似于升压控制器, 通过PWM控制输出电压并作为反馈信号控制半导体开关器件, 流入负载的平均电流能够保证负载电压的恒定, 但是这种方法开关损耗大, 使得整个系统的效率降低。参考文献[4]的原边主动控制方法通过控制初级线圈输入电压的幅值大小来控制输出电压, 此种控制方法在单负载情况下可以实现, 但对于多负载接收端的系统, 无法实现一对一的控制。基于此本文提出了一种基于电容阵列[5]的输出电压控制方法。通过投切电容实现拾取系统的谐振, 当电路参数发生变化时, 比较设定值与反馈值, 将差值与差值变化率作为输入, 运用模糊控制输出投切电容值。本文通过仿真发现负载变化时拾取端仍能保持输出稳压, 可以在一些精度要求不高的场合及小功率设备中使用。
1 电路工作原理
图1中根据初、次级回路电容补偿方式的不同[6], 本文以串并拓扑结构为研究对象。在原边部分逆变网络采用频率倍增电路[7], S1~S8顺序开通, 开关频率为逆变的输出波形频率的1/4, 减少了单管的开关损耗。次级端为一电容阵列, 将负载电压与给定的差值进行模糊处理转换成开关序列, 通过切换等效电容使系统达到谐振状态, 为负载提供一个稳定的输出电压。
2 负载端电压与补偿电容值关系
为得出负载端电压与等效补偿电容值之间的关系, 使用戴维宁等效电路模型, 如图2所示。
图2中Vs为初级线圈电流在次级线圈的感应电动势, Uoc为戴维宁等效电路的开路电压, Zequ为将RL支路断开后的等效阻抗, 对于全桥整流滤波网络, 其交流等效电阻为R=8/ (π2RL) 。
感应电动势可表示为:
式中Ip为系统原边电流。
等效导纳为:
开路电压为:
根据式 (3) 可得等效电路的回路电流I1:
负载RL上的电压为:
从式 (5) 可以看出, 拾取端电压的恒定与等效电容值和频率有关, 当系统因环境或负载扰动而导致失谐时, 通过改变等效电容Cequ的值调整输出电压为恒定的谐振电压值。从而达到调谐与恒压控制的目的。
3 基于电容阵列的稳压调谐控制
3.1 电容阵列工作原理
图3为电容阵列结构示意图, 电容阵列由两个相同的单元构成, 且每个单元分别有5个大小相同的电容及4个开关管组成。由于系统工作频率较高, 且开关管的开关损耗与频率成正比, 电容阵列的控制原则是每时刻只允许一个或两个开关管导通, 且开关对 (S1、S2) 与 (S5、S6) 不能同时导通。电容阵列可输出29组不同的等效电容值, 定义为Cequ。不同的等效电容值及对应的开关序列在表1中给出。
设第一单元的电容值为C1, 单元2的电容值为C2, 且满足关系式 (6) :
为确定C2与C1的倍数关系, 提高Cequ的调节精度, 定义:
通过如图4所示的α、β及组数x的三维关系, 可以清晰、直观地得到其变化规律。
从图4中可以看出当α值增大时对应的β值的线性度越低, 且Cequ的调节精度也降低。当α=3时, 图形的平滑性最好, 即α值的线性度最高, 对应的变化范围为0.33~9.15, 可变范围满足工程需要。
3.2 基于模糊控制的电容阵列控制方法
图5中将给定电压值与反馈电压值的误差及其误差变化率作为模糊控制的输入语言变量, 将等效电容值作为模糊控制的输出语言变量, 通过模糊控制算法得到ΔCp, 根据等效电容值确定开关管的开关。
(1) 隶属函数的建立
首先将输入输出语言变量进行模糊化, 如表2所示, 设定误差e与误差变化率de的论域均为[-6, -4, -2, 0, 2, 4, 6], 控制输出的ΔCp的论域为[-0.99, 0.99], 分别将e、de、ΔCp量化为7级, 即[-3-2-1 0 1 2 3]。将输入输出语言变量论域内的模糊子集确定为5个:NB、NS、ZE、PS、PB, 分别表示负大、负小、零、正小、正大。各语言变量模糊子集通过隶属度函数来定义。
(2) 模糊控制决策方法
实际控制系统需要的是一个确切的等效电容值, 采用重心法的反模糊化运算就可得到输出等效电容值与隶属度函数的关系, 如式:
其中, u表示反模糊化输出结果, 即控制输出量等效电容值Cequ, Δuk表示每一控制量Uk的量化值, μ (uk) 为相应的隶属函数值。由等效电容值根据表1即可查询对应的开关序列, 进而控制电容阵列中的开关管。
4 Simulink仿真及参数的调整
4.1 稳压控制仿真模型搭建
在Simulink模块中构建次级线圈的稳压控制模型如图6所示, 图7为模糊控制仿真模型。
4.2 仿真结果分析
图8为基于次级线圈的稳压控制仿真图。
由仿真波形可以看出图8 (b) 中R=3.5Ω时负载输出电压不足, 为7 V左右, 图8 (a) 中R=5Ω时负载电压值超过设定值8 V, 模糊控制根据电压误差与变化率确定输出投切电容值, 最终使得负载电压稳定在恒定值8 V。图8 (c) 中, 在阻抗匹配下负载为最佳负载, 此时输出电压稳定在8 V, 当t=0.2 s时负载发生变化经投切电容调节, 在t=0.5 s时电压重新回到系统稳定值8 V。图8 (d) 中, 与图 (c) 相同, 初始状态为最佳阻抗匹配时的负载值, 电压稳定在8 V, 在t=0.1 s时负载发生变化, 经电容调节至设定值8 V, t=0.3 s时负载再次发生变化, 经模糊控制的电容阵列进行调节, 系统经0.2 s重新进入稳定状态, 达到电压设定值。
5 结论
本文使用模糊控制算法, 通过对电容阵列的控制来实现无线电能传输拾取端输出电压的控制。通过对负载切换进行仿真, 结果很好的表明了运用模糊控制可以有效的将输出电压控制在设定值, 有一定的理论意义与实用价值。
参考文献
[1]KARALIS A, JOANNOPOULOS J, SOLJACIC M.Efficient wireless non-radiative mid-range energy transfer[J].January Special Issue 2008, Ann.Phys., 2008, 323 (1) :34-48.
[2]李阳, 杨庆新, 闫卓, 等.无线电能有效传输距离及其影响因素分析[J].电工技术学报, 2013, 28 (1) :106-112.
[3]ELLIOTT G A J, BOYS J T, GREEN A W.Magnetically coupled systems for power transfer to electric vehicles[C].Proc.Int.Conf.Power Electron.Drive Syst., 1995:797-801.
[4]戴欣, 余奎, 孙跃.CLC谐振型感应电能传输系统的H∞控制[J].中国电机工程学报, 2010 (30) :47-54.
[5]戴欣, 周继昆, 孙跃.基于谐振电容阵列的CPT系统输出控制方法[J].电子科技大学学报, 2012 (9) :729-734.
[6]孙跃, 吴静, 王智慧, 等.ICPT系统基于电容阵列的稳频控制策略[J].电子科技大学学报, 2014, 43 (1) :54-59.
模糊逻辑算法 篇8
传统的控制图使用单变量或多变量质量属性指标来监测的产品或过程的质量,在质量改进计划中发挥着至关重要的作用。在复杂的过程工业生产活动中使用多元控制图来监测一个产品或工艺的几个相关的质量指标,如Hotelling-X2和Hotelling-T2控制图,通过探索质量指标之间的相关性尝试改善控制。在某些情况下,产品的质量或过程难以有效地用精确地数值来描述,而模糊集理论以其对于抽象语言数据的数学表述,为主观语言变量的描述质量特征提供了一种建模方法。MEWMA控制图和MCUSUM控制图使用当前和过去的样本数据,比Hotelling-T2控制图,仅使用当前样本中提供的信息对小工艺变化敏感。文献中提出MEWMA控制图的性能类似于MCUSUM控制图,但它的性能在实际的使用是相对容易,因此选用MEWMA控制图来设计模糊多元控制图F-MEW-MA,并对所提出的控制图的性能使用平均运行长度ARL准则进行性能评估。
二、模糊多元控制图
假设每个模糊数由三角模糊数表示为(a1j,a2j,a3j),利用模糊中位数法,该值为:
质量指标的语言变量Cj术语集表示为Cjh(h=1,2,…,qi),让每个模糊统计量Fjh的隶属度用隶属函数μjh描述。因此n个样本的观测量被表示为:
利用模糊算法,每个质量指标Cj有且只有一个模糊子集以下方式的相关联:
然后,每个质量指标模糊子集模糊统计量Fj使用模糊中位数法可以转化为隶属度Rij。m个样本的各个质量指标模糊子集模糊统计量Fj的隶属度可以表示为:
式中的Rij是第i个样本的第j个质量指标模糊子集模糊统计量Fj的隶属度。假设Ri~Np(μi,ΣF),其中μi是向量均值,ΣF是已知的模糊统计量Fj协方差矩阵。不失一般性,当过程是在控制中,我们假设向量期望μi是(0,0,…,0)′。得到F-MEWMA统计量Zi:
三、实证分析
本节中依据文献的数据,实证分析F-MEWMA控制图的性能。文献提到appearance,color,taste是速冻食品三个重要的品质特性且必须同时监测。该产品外观上划分为good,medium,or oor;颜色划分为standard,acceptable,or rejected;产品的味道划分为per fect,good,mediump,or poor。因此有三个语言变量术语集:
外观术语集1定义为:T(c1)={c11,c12,c13}={good,medium,poor};
色彩术语集2定义为:T(c2)={c21,c22,c23}={standar d,acceptable,r ejected};
味道术语集3定义为:T(c3)={c31,c32,c33}={per fect,good,medium,poor}。
根据模糊集理论,语言变量Cjh用隶属函数μjh(x)描述,隶属函数如图1所示。模糊子集的模糊统计量Fj的隶属度Rij由式2计算,其隶属度Rij由式2计算,F-MEWMA统计量Zi由式3计算,取λ=0.5,计算结果如表1。样本协方差矩阵S是ΣF的估计,用式4计算。
3个质量指标的F-MEWMA控制图的如图2所示,说明错误地使用三个独立模糊变量的EWMA控制图,则过程将一直分布在统计控制均值之下。据文献[4]样本11到14处于失控状态,用bootstrap重采样方法[3]确定阈值h F=2566,重新输出修正后的F-MEWMA控制图如图3所示,在MATALB仿真平台10000次模拟运行F-MEWMA控制图和H otelling-T2控制图的平均运行长度AR L如图4所示,表明F-MEWMA均匀优于Hotelling-T2控制图。
四、结论
模糊多元控制图是一种替代控制图处理语言描述的表达,该控制图使用当前和过去的样本的累积信息,相比仅使用在最近一次采样信息的控制图有更好的表现。使用平均运行长度ARL准则进行实证评估结果表明,基于模糊逻辑改进后基于模糊逻辑的MEWMA控制图的性能优于Hotelling-T2控制图。
摘要：传统的多元控制图,如Hotelling-X2和Hotelling-T2的目的是监测质量特征向量的变化,然而在语言变量描述质量特征情况下,传统的多元控制图是不能很好的实现质量控制目标的。针对在实际生产生活中由于语言描述质量特征带来的不确定问题,结合多元统计质量控制和模糊集理论,对多元指数加权移动平均控制图MEWMA的方法进行了改进,以实现对于语言变量描述质量特征的监控。通过算例表明,对基于模糊逻辑改进后的控制图和Hotelling-T2控制图的效果通过计算平均链长ARL准则进行性能评估。
关键词：模糊集理论,模糊多元控制图,多元指数加权移动平均
参考文献
[1]韩亚利.常规控制图技术及应用研究[J].装备制造技术,2013,10:175-177.
[2]黄云云,杨晓翔,黄剑平.MCUSUM、MEWMA及Hotelling T2控制图的比较分析[J].现代制造技术与装备,2010,03:64-68.
[3]王海宇.过程质量控制的性能评价与改进方法研究[D].西北工业大学,2006.
模糊逻辑算法 篇9
一、基于模糊逻辑的外环功率控制路径研究的现状
模糊逻辑是建立在多值逻辑基础上, 运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。外环功率控制 ( Outer Loop Power Control) 是在RNC侧基于业务传送质量 ( BER/BLER) 的功率控制方法, 即通过一定的机制和算法控制发射机的发射功率, 使发射机以合适的功率大小发射信号。近年来外环功率控制技术在计算机通讯领域得到了广泛的推广与应用, 有力地促进了我国计算机通讯行业的飞速发展。进入21 世纪以来, 科学技术发展迅速, 基于模糊逻辑的外环功率控制路径也在不断地创新发展, 使得我国通讯设备的标准也不断地推陈出新。但是我国的基于模糊逻辑的外环功率控制路径依然存在一定的问题, 在模型理论、控制技术、信号传递等方面有待进一步完善, 以下以某一基于模糊逻辑的外环功率控制路径研究为例, 对第三代移动通信标准TD - SCDMA进行分析。
二、移动通信标准TD - SCDMA的工作原理及优缺点
TD - SCDMA作为我国第三代移动通讯的标准, 不仅采用了软件无线电、智能天线、联合检测等先进技术, 而且对频率的TDD进行了改进, 具有良好的系统性能。但是由于TD- SCDMA以CDMA技术为核心, 因此难免会出现信号干扰的现象。为了避免这一现象的产生, 我国采用了严格的功率控制技术, 提高了通讯质量, 保障了信息的安全。
( 一) TD - SCDMA系统中的功率控制流程。TD - SCDMA系统中的功率控制过程包括三部分, 分别是开环功率控制、外环功率控制和内环功率控制。开环功率控制即根据主要公共控制物理信道P - CCPCH对功率的接收情况来确定其路径损耗程度, 从而得出上行或下行的初始发射功率。但是由于其在测量接受特殊信道信号功率大小和相关信息的同时没有反馈程序, 因此精确度不够高。内环功率控制根据接受数据质量的参数 ( BLER/BER/FER等) 对接受的目标进行比较, 进而得出功率发射时调整的步长, 保证信号接收的质量。外环功率控制即根据接收到的信息进行比较, 为内环功率控制提供更为精准的目标值, 产生功率控制命令TPC来对发射端的功率进行调整, 同时也避免了移动或多径引起的快衰落。
( 二) 外环功率控制系统详细的工作流程。外环功率控制包括上行外环功率控制与下行外环功率控制, 上行/反向链路功率控制通过移动台的发射功率来克服“远近效应”, 达到降低发射功率, 节省电流量的目标。下行/前向链路功率控制, 通过控制基站的发射功率, 克服“角效应”, 从而减小基站的平均发射功率, 降低信号之间的干扰, 同时也有利于减轻使用设备的损耗。例如在抗信号干扰过程中需要对SIR目标值进行调整, SIR目标值调整量公式: △SIRtar = { SIR调整系数 × SIR调整步长 × ( BLER测量值—BLER目标值) /BLER目标值} , 但是由于干扰信号或其他因素, 就需要对调整量进行设置, 从而达到用户BER要求。目前STR的功控算法如下: 以误帧率和误帧率的改变为基础来调整每一个用户的Eb/Io的目标设定值, 用户i第n + 1 次的Eb/Io目标设定值按照 ( Eb/Io) * ( Eb/Io) = ( Eb/Io) i + △ ( Eb/Io) FC ( e ( n) , △e ( n) ) 调整, 然后对其产生的误差△e ( n) 进行判断, 通过e ( n) = FER ( n) - FERtar, △e ( n) = e ( n) - e ( n - 1) 得出误帧率, 但是其调整过程中STR的功控算法比较繁琐, 有待进一步完善。
( 三) 功率控制在不同标准下的利与弊。功率控制在工作过程中存在三种准则, 分别是: 信号强度、误码率、信噪比。基于信号强度, 功率控制系统可以保障接受端所接收到的信号相同, 其程序相对简单, 但是不能反映用户真正的业务质量; 基于信噪比, 功率控制系统可以保障接收端的信噪比一致, 从而更好地反映系统性能, 但是其程序中基于STR的功控算法比较复杂, 还有待进一步改进; 基于误码率, 功率控制系统可以保障所有用户的BER达到要求, 并且其与质量关联的程序比较简单, 可以直联, 但是程序中的算法复杂且不成熟, 在一定程度上影响了误码率。
( 四) 外环功率控制在工作中存在的问题。外环功率控制系统作为对传输功率中的控制器, 在进一步精确传输功率、提高TD - SCDMA系统性能上都起着至关重要的作用。外环功率控制系统通过决定对内环功率系统决定的目标值, 有力降低了误码率。但是不能否认, 我国的外环功率控制系统依然存在一定的问题亟待解决, 比如其系统性能较低, 在解决TD -SCDMA系统的干扰和容量问题上还有待进一步提高。
三、创新基于模糊逻辑的外环功率控制路径的对策
( 一) 逐步完善功率的控制过程。基于模糊逻辑的外环功率控制路径主要包括测量数据保存、测量数据平均处理、功率控制决策、功率控制命令发送、测量数据修正几个环节。但是目前我国在测量数据平均处理、功率控制决策以及测量数据修三个环节中依然存在漏洞。因此我国应该进一步完善功率的控制过程, 在提高其系统性能的同时引入智能天线和良好的联合检测算法从而提高其测量数据修正的准确性, 有利于提高其抗干扰能力和传输信息容量。
( 二) 推广先进的功率控制技术。基于模糊逻辑的外环功率控制路径的核心在于功率控制的技术, 在克服“远近效应”、减小小区间干扰、增加系统容量及提高系统性能方面起至关重要的作用。因此我国应该加大对通讯事业的支持力度, 推广先进的功率控制技术, 进一步提高我国的通讯质量。
四、结语
综上所述, 近年来随着通讯事业的迅速发展, 我国在基于模糊逻辑的外环功率控制路径研究方面取得了显著成就, 但是在其核心技术功率控制技术上依然存在严重的问题有待进一步解决。因此我国应该积极借鉴国外先进的功率控制技术, 不断地发展创新, 逐步完善我国的功率控制过程, 从而促进通讯事业的进一步发展。
参考文献
[1]孙毅, 李芹, 唐良瑞.TD-SCDMA中基于连续型模糊控制的外环功率控制算法[J].电子与信息学报, 2010, 7
[2]靳玉涵.EVDO无数据态外环功率控制[A].2014信息通信网技术业务发展研讨会[C].2014
[3]范晖.TD-SCDMA系统中基于门限报告的外环功率控制研究[J].移动通信, 2014, 10
【模糊逻辑算法】推荐阅读：
模糊逻辑系统05-16
动态模糊逻辑08-16
自适应模糊逻辑控制器09-02
模糊自适应PID算法06-06
模糊自整定PID算法09-14
逻辑思维的分手逻辑07-02
逻辑平台07-14
生活逻辑07-15
逻辑分析07-18
思维逻辑07-19