前言：中文期刊网精心挑选了模糊神经网络优缺点范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
模糊神经网络优缺点范文1
关键词：模拟电路；故障诊断；模糊数学；bp网络；模糊bp网络
0引言
电路故障是指在规定的条件下，电路工作时它的一个或几个性能参数不能保持在要求的上、下限之间，其结构、组件、元器件等出现性能减退、老化、破损、断裂、击穿等现象，丧失了在规定条件和环境下完成所需功能的能力。
长期以来，学界对模拟电路工作特点的研究已相当深入，但对于故障诊断方法的研究却困难较大，这是由于模拟电路本身的特性决定的：1）输入激励和输出响应都是连续量，模拟电路中的故障模型复杂，量化难度大；2）模拟电路信号量程宽，不管电压、电流的量程还是频率都可达十几个数量级，测量难度大；3）模拟电路中的元器件参数具有容差，导致电路的故障状态的模糊性，而无法准确定位；4）模拟电路中存在广泛的反馈回路和非线性问题，使计算的难度更加复杂。因此，学界提出了许多模型和方法来完成对某些符合特定条件的模拟电路的故障诊断。其中神经网络法的使用就相当普遍，在硬和软故障诊断中都有应用，因为神经网络的技术优势针对模拟电路故障诊断有较好的适用性，这主要体现在：1）神经网络的大规模并行处理特点，大大提高了诊断效率；2）自适应与自组织能力使神经网络在学习和训练中改变权重值，发展出新的功能。同时，模糊数学也与神经网络相结合，这是利用了模糊数学对待诊断模拟元器件的故障不确定性进行量化处理，能够有效克服模拟电路元器件因为容差、非线性及噪声造成的电路参数模糊性。
本文的研究目的就是分别利用单纯bp神经网络和模糊bp神经网络的方法建立模拟电路故障诊断模型，利用电路仿真收集电路不同工作状态下的关键点电压，代入诊断模型并得到诊断结果。根据各网络的结果分析比较各诊断模型的优缺点，找出模糊数学对改进模拟电路故障诊断模型的具体表现。
1模糊神经网络的故障诊断模型
1.1典型模糊神经网络诊断模型介绍
图1显示的是一个典型的模糊神经网络模型，该模型由原始知识获取（fundamental knowledge acquire,fka）、特征参数处理（characteristic parameter produce,cdp）、知识提取（knowledge extracted,ke）、经验知识库（experience knowledge base,ekb）、学习样本集（learning sample set,lss）和模糊神经网络（fuzzy neural networks,fnn）共6个模块共同组成，其工作流程是：
图1 典型模糊神经网络诊断模型
1）原始知识获取模块通过对电路工作原理进行分析，模拟或仿真各类故障发生时输入和输出参数，从而获取原始知识（x，y），将其传入知识提取模块中供系统学习，所得经验集存入经验知识库中；
2）将原始知识和已经存放在经验知识库中的经验知识（初始库可为空）一起输入学习样本组织模块中，进行学习样本的构建，合成训练样本集为（x1，y1）；
3）将（x1，y1）输入到模糊神经网络模块，学习训练，并在达到指定精度后停止；
4）将从模拟电路中获得的实测参数xc输入至特征参数提取模块中，完成数据分析和处理，输出特征参数数据xc'；
5）将特征参数数据输入到学习收敛后的模糊神经网络中，进行诊断推理，得出诊断结果yc'；
6）将得到的实测数据集（xc'，yc'）输入学习样本组织模块，动态增强模糊神经网络的自适应能力；
7）将得到的实测数据集（xc'，yc'）输入知识提取模块，进行分析和处理，如能提取出经验知识，则归入经验知识库中[1]。
1.2模糊神经网络结构
模糊神经网络的结构应该包括4层，如图2所示。
模糊层的作用是将输入量进行模糊化。每一个模糊层节点对应一个该论域中的模糊子集和隶属函数。该层接收精确数值输入，经过模糊化计算得出对应的隶属度并输出。
图2 模糊神经网络结构图
输入层、隐含层和输出层共同构成一个完整的神经网络。输入层不具有运算功能，它只是将所感知的输入值精确传递到神经网络中；隐含层的作用相当于特征检测器，提取输入模式中包含的有效特征信息，使输出层所处理的模式是线性可分的，该层节点是模糊神经元，与输入层间的连接权值是随机设定的固定值；输出层节点也是模糊神经元，与隐含层之间采用全连接方式，其连接权值是可调的，作用是输出用模糊量表示的结果[2]。
1.3输入层、输出层和隐含层节点数确定
输入层的个数代表了电路故障诊断的关键测试点的个数n1，输出点为电路所具有的潜在故障模式种类数n3。
根据输入层和输出层的个数，隐含层节点数n2的确定有以下4种经验公式[3]：
（1）
（为0～10之间的常数）（2）
（为0～10之间的常数）（3）
（4）
2模糊数学和神经网络的算法介绍
2.1模糊数学和隶属度函数
模糊数学的作用是对测试点测得的电压信号进行特征提取——模糊化处理。因为在模拟电路测试中，参数值会随着故障原因的不同和故障阶段不同而发生变化，所以在进行数据处理时常用方法是使用精确事实规则。即用正态分布函数作为隶属度函数表示“大约为a”的模糊概念，此外还有如三角分布和梯形分布等[4]。在使用中，正态分布使用较多，其中的a是该测试点的理想状态工作点，b为该测试点在各种可能状态下的工作电压均方差。
2.2bp神经网络与算法
图3bp神经网络模型结构图
反向传播网络（back-propagation network，简称bp网络），是一种有隐含层的多层前馈网络。每一层均有一个或多个神经元节点，信息从输入层依次经各隐含层向输出层传递，层间的连接关系强弱由连接权值w来表征。bp算法是一种监督的学习，基本原理是梯度最速下降法，中心思想是调整权值使网络总误差最小。通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差值的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络的误差的影响成正比，并以反向传播的方式传递到每一层。bp网络模型结构如图3所示。
以bp神经网络模型结构图为例进行bp算法推导，其输入为p，输入神经元有r个，隐含层内有s1个神经元，激活函数为f1，输入层内有s2个神经元，对应的激活函数为f2，输出为a，目标矢量为t。
1）隐含层输出：（i=1,2,…,s1）（5）
2）输出层输出： （k=1,2,…,s2） （6）
3）定义误差函数：（7）
4）输入层的权值变化量：（8）
其中：
同理可得：（9）
5）隐含层权值变化有： （10）
其中：
同理： （11）
bp网络经常使用的是s型的对数、正切激活函数或线性函数[5]。
3电路故障诊断算法验证
图4 共集-共射电路的直流通路图
例：如图4所示的直流通路图，电阻的标称值如图中所注。利用multism软件在直流状态下进行多次monte carlo分析仿真该电路[6]，并考虑电阻的容差影响，取40个样本作为模糊神经网络的训练样本，另取5个样本为测试样本。设电阻r1～r5的容差值为-5%～5%。测试点选为a、b、c、d和e五点，所测电压值为va、vb、vc、vd和ve。
表1 部分电路实验样本原始数据
表2 测试样本原始数据
表1列举了40组电路实验样本原始数据的11组，包含了该电路在11种工作状态下的五个关键点电压值，所以n1=5，n2=11，隐含层的节点数可以依据公式2.3确定为12个，其中a为5。
表2则列举了5组测试样本的原始数据。
步骤一：数据模糊化
根据用正态分布函数作为隶属度函数表示“大约为a”模糊概念的思路，可以分别得到各测试点上电压隶属度函数的参数值。
a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。
由各测试点的隶属度函数可得到网络的训练样本见表3。
表3 神经网络部分输入、输出训练样本
步骤二：将训练样本输入神经网络进行训练
将全部40个原始值和模糊化值的输入样本和对应的输出样本分别输入bp神经网络中进行训练。
步骤三：将测试样本输入神经网络进行检测
将全部5个原始值和模糊化值的输入样本和对应的输出样本分别输入已经训练好的bp神经网络中，输出诊断结果见表4。
表4 输出诊断结果
表4中的数据是经过故障诊断后得到的结果，在此只是各随机选用了一组数据加以比较说明。通过对故障诊断的试验观察和结果的比较可以作出以下分析。
1）模糊化数据能够有效减少神经网络的收敛次数。如在bp网络诊断中，使用模糊化数据的迭代次数由886减少到263次，收敛速度明显加快；
2）模糊化数据能够有效提高神经网络训练的效果。通过表4中数据的对比可以发现对于相同的神经网络，经过模糊化数据的训练，其准确性更高。这主要表现在电路所对应的状态结果普遍高于未经模糊化数据训练的网络得出的结果；同时，其他状态对应的机率更低，皆低于0.1，且更多值为0，说明数据模糊化能使神经网络的诊断结果更集中，正确率更高，有效性更加明显。
4结论
通过分别采用bp网络和模糊bp网络建立了电路故障诊断模型，对电路相同工作状态参数的诊断结果进行比较，得出了模糊数学对提高电路故障诊断模型精度和有效性效果明显的结论。模糊数学和神经网路理论的组合有效地提高了模拟电路故障诊断模型的收敛速度，提高了故障诊断的工作效率，还提高了诊断的准确性，有效性得到了充分显示。
参考文献：
[1] 吕律,魏蛟龙.基于模糊神经网络的板级电路故障诊断研究[j].计算机与数字工程,2003（3）:21-23.
[2] 李国勇.智能预测控制及其matlab实现[m].北京:电子工业出版社，2010.
[3] matlab中文论坛.matlab神经网络30个案例分析[m].北京:北京航空航天大学出版社,2010.
[4] 朱大奇.电子设备故障诊断原理与实践[m].北京:电子工业出版社，2004.
模糊神经网络优缺点范文2
关键词：电力系统；小电流；接地；选线
前言
小电流接地系统发生单相接地故障时其线电压仍对称，不影响对用户供电，故不必立即分断故障线路，提高了供电可靠性，所以，在我国中压配电网一般都采用小电流接地方式。但小电流接地系统单相接地故障时电流小，故障选线困难，通过详细分析现有单相接地故障选线方法的优缺点，可得出一些基于故障产生的稳态信号选线方法受故障电流微弱、电弧不稳定等影响，实际使用效果并不理想；一些基于故障暂态信号的选线方法，易受电流互感器采样精度、不平衡电流以及电网运行方式影响大。总结了当前选线方法和进一步研究的方向。
1各种选线方法优缺点分析
1.1基于稳态分量的选线方法
1.1.1基波零序电流比幅法
零序电流比幅法利用的是流过故障元件的零序电流在数值上等于所有非故障元件的对地电容电流之和，即故障线路上的零序电流最大，所以只要通过比较零序电流幅值大小就可以找出故障线路。但这种方法受CT不平衡、线路长度按、出线多少、系统运行方式及过渡
电阻大小的影响，不适用于经消弧线圈接地的系统。
1.1.2基波零序电流相对相位法
零序电流相对相位法利用故障线路零序电流与非故障线路零序电流流动方向相反的特点，找出故障线路。但是，此法在故障点离互感器较远，零序电压较小且线路较短，电流较小时，相位判断困难，且受CT不平衡电流、过渡电阻大小、继电器工作电压死区及系统运行方式的影响，易误判，并对中性点经消弧线圈接地系统失效。
1.1.3群体比幅比相法
其基本原理是：先进行故障线路零序电流幅值比较，排队后去掉了幅值小的电流。然后在此基础上进行相位比较，选出方向与其他不同的，即为故障线路。但是由于噪声、干扰等影响，所采集到的零序电流无论幅值还是相角均有可能不满足上述关系，不可避免出现误判、漏判，同时还受到CT不平衡及过渡电阻大小的影响，以及存在相位判断死区。
1.1.4五次谐波分量法
发生单相接地故障时，故障电流中存在的谐波信号以5次谐波为主。由于消弧线圈是按照基波整定的，因此可忽略消弧线圈对5次谐波产生的补偿效果，再利用5次谐波电容电流群体比幅比相法，就可以解决经消弧线圈接地系统的选线问题。但故障电流中5次谐波含量较小（小于故障电流10%），且受CT不平衡电流和过渡电阻的影响，选线的准确度也不是很稳定。
1.1.5有功分量法
其原理是利用自动补偿电网中消弧线圈上并联或串联阻尼电阻的特点，在发生接地故障后，电阻产生的有功分量只流过故障线路，且其方向与非故障线路的零序有功漏电流方向相反，在数值上故障线路的有功电流比非故障线路的有功电流大，据此，只要以零序电压作为
参考向量，将此有功电流取出，就可以方便地实现接地选线保护。该方法不仅受消弧线圈串联或并联的电阻的影响，同时也受接地电阻和CT不平衡的影响。
1.1.6基于负序电流的选线方法
当电网中发生单相接地故障时，基波负序电流分量与中性点接地方式无关，故障线路基波负序电流分量的有效值，与所有非故障线路者相比，前者不仅数值最大，而且比后者高出许多，同时故障与非故障线路的负序电流分量的相位相反据此可构成选线判据。但负序信号获取困难且易受负荷变化的影响。
1.2基于暂态分量的选线方法
1.2.1首半波法
首半波法是基于接地故障发生在相电压接近最大值瞬间这一假设。用故障线路中故障后暂态零序电流第一个周期的首半波与非故障线路相反的特点实现选线。但该原理不能反映相电压较低时的接地故障，且受接地过渡电阻影响较大，同时也存在工作死区。
1.2.2暂态能量法
暂态能量法是对系统故障后的全部过程均以能量的观点来解释的选线方法，定圈的零序能量函数，考虑到电流的参考方向，非故障线路的能量总是大于零，故障线路的能量函数总是小于零，并且其绝对值等于其它线路（包括消弧线圈）的能量的总和，根据能量函数的上
述特征可以构成选线方法。
1.2.3小波分析法
单相接地故障发生后，故障电压和电流的暂态过程持续时间短，并含有丰富的特征信息，且比稳态值大，因此选择合适的分析方法分析暂态信号，将有利于故障选线。小波变换具有时频同时局部化的特点，能够很好地提取故障暂态特征。利用小波变换的多分辨率分析将暂态信号分解到特定的频率空间后，根据故障线路上暂态零序电流特征分量的幅值高于非故障线路，且其特征分量的相位也与非故障线路相反的特点构成选线判据。但此方法受过渡电阻、干扰信号对突变信号干扰影响较大，故离实际应用还有一定距离。
1.2.4基于方向行波的选线方法
利用故障线路的方向电压行波和正向电压行波同时到达，而非故障线路的反向电压行波滞后正向电压行波一定时间后到达，并且故障线路和非故障线路正向电压行波的初始极性相反，利用这两个特征来选择故障线路，此方法不受运行方式、过渡电阻以及故障初相角影响。但受线路长短和故障点远近影响。
1.2.5基于粗集理论的选线方法
发生单相接地故障后，通过电流互感器采样得到的暂态零序电流能量损失较大，使基于小波包的选线方法可靠性大为降低，为了提高小波包选线的准确性，提出了一种基于粗集理论的改进故障选线方法。将提取的暂态零序电流故障特征作为条件属性，信号增强倍数作为
决策属性，构成一个决策系统。通过对决策表的约简，得到决策系统的最小决策算法，从而实现信号增强。再利用小波包变换对增强的信
号分解，实现故障选线。该方法从一定程度上减小了CT不平衡对选线造成的影响，但仍然受接地电阻的影响，特别是小波分析对突变信号很敏感，抗干扰能力不太强，经过粗集理论将信号增强，无疑也增加了干扰信号的强度。
1.3.1模糊神经网络法
模糊神经网络具有模糊信息处理能力，采用相对成熟的零序电流群体比幅比相法和能量函数法的结合，对其作算法上的改进并取得样本，通过模糊神经网络中的极大一极小神经网络进行训练，利用多层训练的收敛结果作为选线的判据。这种方法对电网结构和系统运行方式没有依赖性，而且比较特征量明显，选线准确率高。
1.3.2模式识别和多层前溃神经网络法
采用统计模式识别中基于最小错误的贝叶斯决策方法和人工神经网络方法进行选线。这种方法将故障后各线路零序电流看作某类故障的一个模式，通过人工神经网络的训练与学习来判断故障模式，实现故障选线。
1.3.3基于D-S证据理论的选线方法
其采用D-S理论，针对故障选线的具体特点，合理构造了选线识别框架分配函数，将故障选线问题转化为证据理论模型给出证据组合的选线判定原则，制定基于信息融合的综合选线策略，其充分利用单相接地故障的互补信息来提高选线的准确性。
1.4其它选线方法
1.4.1电流信号注入法
借助电压互感器空闲状态的接地相，向电力系统注入一个特殊波形的电流信号，其频率可取在各次谐波之间，由于系统发生单相接地故障时，被注入信号仅在接地相的线路中流通，非接地相的线路中没有信号，故只要检测各线路中有无注入信号电流，便可进行故障选线。对于注入法高阻接地时存在的问题，提出了注入变频信号的方法，其原理是考虑故障后位移电压大小的不同，而选择向消弧线圈电压互感器注入谐振频率恒流信号还是向故障相电压互感器副边注入频率为70Hz的恒流信号，然后监视各出线上注入信号产生的零序电流功角、阻尼率的大小，再计及线路受潮及绝缘老化等因素可得出选线判据。
1.4.2残流增量法
在电网发生单相永久接地故障的情况下，若增大消弧线圈的失谐度（或改变限压电阻的阻值），则只有故障线路中的零序电流会随之改变，因此只要对失谐度变化前、后各条馈线的零序电流进行实时采集，对比找出残余电流明显变化的馈线，便可确定为故障线路。
1.4.3基于最大原理的选线方法
最大初原理是把所有线路故障前、后的零序电流都投影到故障线路零序电流方向上，计算出各线路故障前、后的投影值之差，然后找出差值的最大值，即最大。显然，当差值的最大值大于零时，对应的线路为故障线路。这种方法的本质是寻求最大零序无功功率突变量的代数值，从理论上基本消除了不平衡的影响，但也有两个缺陷，计算过程中需选取一个中间参考正弦信号。如果该信号出现问题，如发生断线、交流电源失压等，将造成该算法失效。此外，这种算法在计算过程中需求出有关向量的相位关系，计算量很大。
2尚需解决的问题
2.1选线方法大部分都受到电流互感器不平衡、采样精度低、甚至转换时间的影响，所以应加强互感器优化的研究，充分利用新材料，新工艺，利用新原理。尽可能地减小其对信号的影响。
2.2短路故障时存在过渡阻抗，并且过渡阻抗在不同短路情况下（长久性故障、瞬时性故障），过渡阻抗大小差别很大，因受其变动影响，一些选线方法的可靠性变换很大，所以需要我们的选线方法能够较小或避免过渡阻抗对其的影响。
2.3中性点运行方式和线路长短即电网参数变化，也会影响到一些选线方法的适用范围，随着我国配电网自动化水平的提高，中性点采用自适应接地方式也有可能，所以选线的原理和方法应能适应电网参数变化，提高选线正确率。
3 结束语
通过对现有单相故障选线方法的综合分析，可得出单相基地故障复杂性与选线方法单一性，故障信号信息的多样性与利用量低之间的矛盾，为解决这两个矛盾，需要加强对小电流接地方式的稳态和暂态分析，充分利用其故障信号中的信息，采用综合的选线原理或选线方法，提取其有效的特征量，提高其故障选线的可靠性。由电力系统本身的特性所决定，每一种方法都有其自身的局限性，不能够通用于各种运
模糊神经网络优缺点范文3
关键词：主成分分析法；农村生活饮用水；水质评价
中图分类号：R123文献标志码：A文章编号：
1672-1683（2015）001-0047-03
Application of principal component analysis in evaluating water quality in rural area
XIANG Hong1，CHEN Gang1，KAI Jin-xiang2.MO Kui3
（1.Guizhou Provincial Center for Disease Control and Prevention，Guiyang 550004，China；2.Qianxian Center for Disease Control and Prevention，Xingyi 562400，China；3.Zhenfeng Center for Disease Control and Prevention，Zhenfeng 562200，China）
Abstract：Taking the monitoring county （Zhenfeng） of rural drinking water quality as an example，principal component analysis was used to have a comprehensive evaluation on drinking water quality of the monitoring points.The results that the primary problems of water quality in the monitoring points were microbial and organic pollution.The water quality of Xintun village was the poorer than the others.However，the water quality of Fenshuiling village was better than the others.The analysis results were consistent with actual situations.The principal component analysis reflects the main information of the original indicators by less aggregative indicators and is suitable for comprehensive evaluation of the rural drinking water quality.
Key words：principal component analysis；rural drinking water；evaluation of water quality
农村饮水安全是广大农村居民最关心现实的问题，同时也是农村居民生活状况改善的重要标志。近年来农村集中式供水工程建设加快，为保障农村饮用水安全打下了很好的基础[1]。然而农村饮用水监测显示[2-3]，由于集中式供水工程存在处理工艺不够完善、运行管理不够规范等问题，同时对水源未实施有效的保护，水源水受到不同程度的污染，致使农村饮用水水质卫生仍存在较大安全隐患。目前针对农村生活饮用水水质评价常用单项水质指标的合格率来描述，该方法能了解主要污染物，但不能全面评价水质。同时水质是由多因子构成的复杂系统，这种方法不能反映多个指标的综合作用，结论具有片面性[4]。主成分分析是从多个指标之间的相互关系着手，将多个指标化为少数几个不相关的综合指标的多元统计方法。本文通过主成分分析法探讨农村饮水安全工程水质监测点水质质量的综合评价，为监测点生活饮用水水质卫生质量改善提供依据。
1对象与方法
1.1对象
以贞丰县2011 年农村饮用水监测点为研究对象，共有10个监测点，涉及6个乡10个村。
1.2方法
1.2.1水质监测
监测点水质检测指标包括感官性状和一般化学指标（色度、浑浊度、臭和味、肉眼可见物、pH、铁、锰、氯化物、硫酸盐、溶解性总固物、总硬度、耗氧量、氨氮）、毒理学指标（氟化物、砷、硝酸盐）、细菌学指标（菌落总数、总大肠菌群）。按照《生活饮用水卫生标准》GB/T 5749-2006评价出浑浊度、锰、耗氧量、氨氮、硝酸盐、菌落总数和总大肠菌群等7项指标有的超标情况，然后针对这7项指标应用主成分分析法进行监测点水质的综合评价。
1.2.2主成分分析评价
主成分分析法是通过降维处理，把多指标转化为少数几个综合指标的多元统计分析方法。假设有n个被评价的水样，每个水样有m个指标，原始数据为n×m阶矩阵（Xij）n×m。评价的基本步骤如下。
（1）对原始数据矩阵进行标准化处理，消除量纲的影响。本文采用标准差标准化法，即各指标的原始数据减去该指标的均值再除以标准差。
X′ij=（xij-xj）sj（1）
xj=1n∑ni=1xij（2）
sj=1n-1∑ni=1（xij-xj）2（3）
式中：X′ij为标准化数据；xj和sj（j=1，2，…，m）分别为各指标的均值和标准差。
（2）根据标准化数据（X′ij）n×m 计算它的相关矩阵R=（rij）m×m。
（3）计算相关矩阵R的特征值和特征值所对应的特征向量。
（4）计算主成分的贡献率，根据累计贡献率选取主成分个数。一般取累计贡献率>80%的前 k个主成分。
（5）选出k个特征值对应的单位特征向量，写出主成分
计算公式Zj（j=1，2，…，k）。
（6）将各监测点的标准化数据分别代入监测点各主成分的表达式中，可计算监测点各主成分的得分，然后与其贡献率乘积的和又可算出综合主成分得分。
2结果
2.1原始数据标准化处理
本文以2011 年贞丰县农村饮用水监测点水质监测上报数据为例进行分析，检测18项常规水质指标，其中7项指标有超标情况，针对这7项指标的监测数据进行标准化处理，标准化数据见表1。
2.2计算相关系数矩阵
采用SPSS11.5 软件进行主成分分析，得到7个变量的相关系数矩阵（表2），由表2可知，变量间有较大的相关系数，
表1贞丰县农村生活饮用水监测点水质标准化监测数据
表2标准化数据的相关系数矩阵
适于用主成分分析法来研究变量之间的关系。
2.3主成分的确定
主成分分析显示，主成分的特征值、贡献率和累积贡献率见表3。 由表3可知，第1、2、3主成分的累计贡献率达85%以上，表明它们代表了原始数据的大部分信息，因此取这3 个主成分对原始监测点水质进行综合评价。本文采用因子正交旋转法[5]，由表4的特征向量可得z1、z2和z3这3个主成分与各个变量线性关系表达式（4）、式（5）和式（6）。
Z1=-0085x1-0066x2+0775x3-0184x4+0136x5+0945x6+0951x7（4）
表3主成分的特征值、贡献率和累积贡献率
表4主成分的特征向量
由主成分的线性表达式可见，第1主成分与水质指标耗氧量（x3）、菌落总数 （x6）和总大肠菌群（x7） 关系密切，第2主成分与水质指标锰（x2） 和氨氮（x4） 关系密切；第3主成分与水质指标浑浊度（x1） 和硝酸盐（x5） 关系密切；其中第一主成分占的比例最大，主要反映饮用水的有机污染和微生物污染状况。将原始指标的标准化数据分别代入方程（4）、（5） 和（6），求得监测点各个主成分的得分，然后以贡献率为权数，得到各监测点的综合得分，见表5。
表5监测点水质综合评价结果
从表5可见，各监测点水质综合得分由高到低依次为北盘江乡新屯村、长田乡大地村、珉谷乡白蜡村、平街乡李家屯村、珉谷乡旗上村、小屯乡半坡村、小屯乡小屯村、鲁贡乡鲁贡村、小屯乡分水岭村和小屯乡仁朝村。综合分值低的监测点，水质好于分值高的监测点。
3讨论
水质综合评价有指数评价法、模糊数学法、人工神经网络评价法、灰色评价法和主成分分析法等多种方法[6]，从不同的角度对水质进行评价，各具优缺点。如翟敏等[7]应用综合指数法评价农村小型集中式供水水质，能对整体水质做出定量描述，反映水体污染的性质和程度；刘涛等[8]应用基于模糊理论和神经网络方法构建混合型模糊神经网络模型对农村水源地水质进行评价，可对水质评价系统中的模糊信息进行学习，又可对模型信息进行处理和决策，得到的结果更加科学、可靠。目前主成分分析方法已应用于江河、湖泊等水体的水质评价，并开始在农村饮用水水质评价中得到逐步应用；赵艳玲等[4]采用主成分分析方法对三种处理方式（完全处理、部分处理和未处理）的农村自来水进行水质评价；该分析方法能够在保证原始数据信息损失最小的情况下，效地减少了分析指标的数量。
本文利用主成分分析法对农村饮水安全工程水质监测点水质质量进行综合评价，结果显示贞丰县农村饮用水监测点水质问题主要是微生物和有机物污染；从各监测点综合得分来看，北盘江乡新屯村监测点水质较差，小屯乡分水岭村监测点水质较好。综合评价结果与监测实际情况相一致，说明主成分分析法能客观地综合评价农村生活饮用水水质质量。分析结果还提示应加强水质较差监测点水源的保护，防止人畜粪便或生活污水污染导致的微生物和有机物污染综合指标超标；同时，应强化饮用水的消毒处理工艺等措施，来提高监测点水质卫生质量，保障农村居民的饮水安全。参考文献：
[1]张琦，魏海春，李洪兴，等.农村饮用水水质卫生管理现状及发展[J].环境与健康杂志，2013，30（3）：263-265.
[2]金立坚，刘祖阳，张成云，等.四川省2008年农村饮水安全工程水质调查分析[J].中国卫生工程学，2009，8（6）：341-344.
[3]蔡建民，楼哓明，王哓峰，等.浙江省农村水厂出厂水水质调查监测情况分析[J].中国卫生检验杂志，2010，20（11）：2929-2930.
[4]赵艳玲，陶勇，付彦芬.主成分分析在农村饮用水水质评价中的应用[J].现代预防医学，2008，35（1）：50-52.
[5]胡艳玲，齐学斌，黄仲冬，等.主成分分析法在农村生活饮用水水质评价中的应用[J].中国农村水利水电，2011（11）：139-141.
[6]甘霖，张强，李大斌，等.基于熵权的尼梅罗指数法在农村生活饮用水评价中的应用[J].现代预防医学，2010，37（20）：3821-3823.
模糊神经网络优缺点范文4
遥感图像分类一直是遥感研究领域的重要内容，如何提取感兴趣的专题信息并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。
本文应用最大似然法及ISODATA算法对西安城区长安区典型地物的SPOT5遥感图像进行分类，提取地物覆盖/土地利用的专题信息，重点阐述对研究区域样本的确定和特征选择，并对分类结果进行精度评价。
关键词 ：遥感，图像分类，专题信息提取，最大似然法分类，分类精度
中图分类号：P407文献标识码： A
1引言
在遥感技术的研究中，通过遥感影像判读识别各种目标是遥感技术发展的一个重要环节，无论是专业信息提取，动态变化预测，还是专题地图制作和遥感数据库的建立，都离不开分类[1]。常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。
通常将计算机自动分类分为非监督(Unsupervised)和监督(Supervised)两种。非监督分类按照特征矢量在特征空间中类别集群的特点进行分类，分类结果只是对不同类别达到了区分，而类别属性则是通过事后对各类的光谱响应曲线进行分析，或通过实地调查后确定的，常见的非监督分类法有K-均值、迭代自组织数据分析等。监督分类是在有先验知识的条件下进行的，先选择训练样区，根据已知像元数据求出参数，确定各类判别函数的形式，然后利用判别函数对未知像元进行分类，经典的监督分类法有最大似然、最小距离法、光谱角分类法等。
2研究内容
本文使用西安市2005年SPOT5多光谱遥感图像作为主要数据源，裁剪长安区作为研究区域影像进行处理计算。应用监督及非监督分类法对有研究区域典型地物的遥感图像分类，提取地物覆盖/土地利用的专题信息。主要讨论了最大似然法和ISODATA算法在遥感图像分类中的具体应用，并对分类结果进行了详细的精度评价，重点阐述对研究区域样本的确定和特征选择及其在遥感图像处理软件ERDAS中分类实现的操作流程。
3遥感图像分类实验流程
本文采用SPOT5数据进行分类实验，提取土地覆盖/土地利用专题信息，主要过程是在ERDAS imagine8.7中完成的，具体流程图如下：
图1 遥感图像分类实现流程图
本文旨在研究图像分类，因此下面将对图像分类过程中的样本确定和分类实现流程做具体阐述。
3.1 研究区典型地物类型样本的确定
3.1.1样本确定的原则和方法
根据已掌握的典型地类的地面情况，在图像上选择训练样本。现有研究表明，训练样本选择不正确便无法得到正确的分类结果，训练样本的选择要注意准确性、代表性和统计性三个问题[2]。因此本文确定样本的方法是结合目视解译标志与实地调查，并与现有地图比对，直接在遥感图像上选取样本。
3.1.2研究区地物类型的确定
从已有的城市地物分类研究中参考，研究地物分类的文献中提出了一些建议的分类方案。徐丽华对上海2002年6月地面分辨率为5米的SPOT5遥感图像进行的模糊神经网络分类，认为城市地物类型可以分为：植被、水体、其他城市地表三个大类，其下则可以分为30个亚类[3]。研究认为三个大类（植被、水体、其他城市地表）可以包括全部的城市地物类型。
因此，根据国家土地利用分类的标准和已有的城市地类研究的结果，结合专家得出的遥感图像上地物类别的解译原理，本研究确定其主要的地物类型有4类：植被、水体、建筑、道路。
3.1.3各个地物类型的样本的选取方法
采取室内判读和野外实地调查及参阅地图、高分辨率卫星图片结合的方法建立相对准确的目视解译标志。
1)初步判读。根据SPOT遥感图像波段组合分析，SPOT5数据缺少蓝色波段，因此对于该研究区域，采用B321波段的组合方式，并分别赋予红色、绿色、蓝色，生成假彩色合成图像近似真彩色图像，有利于地物类型的目视识别。
2)地面实地调查采集。驱车沿太白南路至西沣路，沿路采集调查，并携带西安市地图进行地面实地考察调查判读，记录调查结果。
3）利用高分辨率遥感图像作为参考选择样本点 。为了更清晰的识别各类地物，确定样本选择的准确性，选择Google earth 中的高分辨率卫星图像作为参考，选择本研究区域对应的样本点。
综上得到研究区域典型地物类型的目视解译标志，如表1示。
表1 西安市城区典型地物类型的SPOT5遥感影像目视解译标志
3.1.4利用ERDAS遥感图像处理软件选取样本点
计算机自动分类必须有一定熟练的地物样本，实地调查只获得少量的样本量，因此结合实地调查与目视解译方法，借助ERDAS软件在遥感图像上随机选取所需的样本。
3.2ISODATA法分类
初始分类，一般设置为最终分类的两倍以上，本次试验经过分析确定的地物类别为水系、植被、道路、建筑四类，故此处设置为10类，迭代次数为6次。.2打开上步结果图与原图对比，编辑类别颜色和名称；分类重编码和色彩重定义，输出ISODATA分类结果图。
3.3最大似然法分类
3.3.1分类模板的建立与评价
ERDAS imagine 8.7在监督分类过程中，首先选择可以识别或者借助于其它信息可以断定其类型的像元建立模板，然后基于模板使计算机系统自动识别具有相同特征的像元。多次反复后建立一个比较准确的模板，并在此基础上最终进行分类[4]。应用AOI绘图工具获取分类模板信息，利用Raster工具面板多边形工具在原图像上绘制多边形，在signature editor对话框中将其加载到signature editor分类模板中。根据多次试验，每次变换不同的位置和大小来选择训练样本，添加到分类模板中进行评价。在ERDAS中选择分类模块下的supervised分类方法，依据上步所建立的分类模板执行分类，输出最大似然法分类分类结果图。
4分类结果及分类精度评价
由于“同物异谱”或“异物同谱”现象在遥感图像中的普遍存在，以及样本选择过程中的人为误差等因素的影响，每一种分类器的分类结果都会存在不同程度的偶然性，即分类的结果不可能达到与地物的真实分布完全对应。因此对分类的结果进行分析与评价是整个分类过程中的一个重要的、必不可少的环节[5]。本论文中进行分类精度评价的目的包括两方面的内容：一是比较相同特征下不同分类器的分类能力；二是比较相同分类器不同特征的分类能力。本文也采用误差矩阵和Kappa分析来进行[2][6][7]。
4.1误差矩阵
进行精度评估，首先建立精度评估误差矩阵，该误差矩阵采用像元抽样产生，本实验中抽取256个随机点。误差矩阵值如下表所示：
表3 最大似然监督分类误差矩阵 表4 ISODATA非监督分类误差矩阵
4.2 Kappa 系数
Kappa 系数能全面衡量分类误差，克服其它评价指标的缺点，因此，kappa 系数可作为分类精度评估的综合指标。
表5 最大似然监督分类Kappa分析
总体精度 = 92.58% ，Kappa 系数 = 0.8644
表6ISODATA非监督分类Kappa系数分析
总体精度= 83.20% ，Kappa系数= 0.7254
由此可看出ISODATA分类方法处理的结果，水体和道路的分类精度较差，但植被的分类精度较高，生产精度达到90.72%，总体分类精度达到要求。 但采用最大似然监督分类法Kappa系数在0.8以上，达到最低允许判别精度0.7的要求。这些表明采用最大似然法进行影像分类的结果较理想，分类精度也较高。本次试验中，采用监督分类最大似然法的分类精度明显比采用非监督分类的ISODATA法分类精度高。
5结语
由于遥感图像分类的研究涉及到众多的科学研究领域，内容繁多，同时也由于时间和研究水平的限制，使得论文存在一些不完善之处，还有许多问题有待进一步研究：
1）在样本的确定上，由于缺乏足够的参考信息和足够多的实地调查信息，参考的高分辨率影像与所研究区的影像不是一个时间段的，加上目视解译的判断，因而对研究区地物类型判断上出现偏差，进而影响分类样本。
2）分类中使用分类特征只是基于光谱特征，过于单一，有待进一步研究。
3）不同地物波谱相似性，使得结果还是具有一定的误差，尤其是误分现象较为明显，植被中不同类型的划分，尚没有有效的方法。道路和居民地建筑的划分也不明显，出现较多的错分现象。
鉴于以上几个方面不足，今后可以继续进行以下几个方面的研究工作：
1）对于分类特征的选择除了考虑光谱特征外，还可进一步研究其他特征如地物的几何形状、纹理特征，以及非光谱特征等，并对所有特征综合选择。
2）如何研究更好的算法，突出不同地物的光谱特征差异，从而选择有效的阈值进行区分，则是进一步努力的方向。
遥感专题信息提取的精度很大程度上取决于信息源和提取方法的选择，随着遥感技术不断发展，遥感图像分类应用要求不断提高，遥感图像分类方法也在不断发展，各种分类新方法新工具不断引入分类系统中。但是各种方法各有其优缺点和使用条件，因此需要对这些方法不断的深入研究。
参考文献：
[1]吴学军．城市TM遥感影像分类方法研究[D]，广西：广西师范大学．2007．
[2]冉有华，李文君，陈贤章．TM 图像土地利用分类精度验证与评估― 以定西县为例[J]．遥感技术与应用．2003．18(2)：8l- 86．
[3]M ．Lillesand ， Ralph W ．Kiefer ．遥感与图像解译（彭望碌，余先川，译者）[M]，第4 版．北京：电子工业出版社，2003．
[4]张京红，刘安麟，李登科等。ERDAS IMAGINE监督分类模板评价的研究[J]．山西气象，2004(3)：37-39．
[5]吴健平，杨星卫．遥感数据分类结果的精度分析[J]．遥感技术与应用．1995，10(1)：17-24．
