基于自适应高斯云变换的模糊控制器隶属度函数选取

针对现阶段模糊控制器中隶属度函数选取的局限性,利用自适应高斯云变换算法在概念含混度阈值的引导下对工程样本数据进行概念层次划分,根据最终所得的高斯云分布情况确定出隶属度函数的数目、形状及覆盖范围。为了验证自适应高斯云变换算法提取的隶属度函数的合理性,构建了无人机六自由度模型,搭建了基于simulink仿真平台的无人机俯仰角模糊控制器用于仿真验证。数值仿真结果表明嵌套有自适应高斯云变换算法所确定的隶属度函数的无人机俯仰角模糊控制器可有效实现俯仰角的控制,同时具有良好的动态响应特性。

基于高斯云变换的遥感图像多粒度聚类

遥感图像技术的迅猛发展,使得传统聚类方法的局限性日益凸显。针对其信息量大、结构复杂等特点,从多粒度、多层次的角度来分析与理解地学现象,能够更好地解决遥感图像的自适应聚类问题。基于云模型与混合高斯相结合的高斯云变换是一种求解多粒度问题的新方法,能够解决问题域中多粒度的生成问题,但是其时间复杂度较高以及对噪声敏感等缺点,导致对遥感图像的聚类结果不理想。因此提出一种改进的高斯云变换方法,首先通过K-Means聚类优化初始粒度的选择,其次结合幅度云综合对粒度跃升策略进行改进,然后使用一种隶属度距离进行粒度的区域划分,最终对遥感图像进行聚类。实验结果验证了所提方法的正确性和有效性。

基于密度峰值的云变换加速机制

云模型是在概率论和模糊理论基础上提出的一种认知模型,可以实现定性概念与其定量数值的双向转换模型.自适应高斯云变换(Adaptive Gaussian Cloud Transformation,AGCT)是云模型最常见的一种粒计算机制.AGCT从数据拟合的角度实现了不同概念层次、不同粒度的概念提取.但是,由于AGCT进行概念跃升需要从最细粒度的数据开始,导致时间复杂度较高.本文借鉴密度峰值聚类算法的思想,为AGCT跨层提供先验知识,提出一种利用关键信息粒加速高斯云变换机制——AGCT_acc,从而避免了迭代次数过高,加速变粒度的过程.通过图像分割实验显示,本文提出的方法 AGCT_acc与AGCT在不同数据集上最终生成的云概念参数几乎相同,即分割效果很接近,而AGCT_acc的时间损耗却比AGCT减少很多.

计及信息不确定性的风电机组健康状态实时评估方法

运行工况识别作为风电机组状态监测与健康管理领域的重要环节,往往受到不确定信息以及高速实时数据流的影响,造成健康状态评估难以有效实施。在此背景下,文中提出一种基于Spark流式处理的健康状态实时评估方法。首先,采用大数据分析技术实现风电机组运行工况的空间划分;然后,在充分考虑风电机组监测信息不确定性的情况下,结合数据采集与监控(SCADA)历史运行数据,对基于高斯云模型和高斯云变换的健康状态评估模型进行训练,并以健康指数作为风电机组健康状态评估的指标。最后,将该评估方法应用在中国北方某风电场1.5 MW风电机组故障前的健康状态评估中。算例分析结果表明,该方法可监测到风电机组健康状态的变化趋势,初步实现了故障的早期预警。