吳敏

摘要：從模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)基本理論出發(fā)，研究其在網(wǎng)絡(luò)故障診斷中應(yīng)用的可行性、優(yōu)越性，并將模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)理論與故障診斷實際相結(jié)合，針對網(wǎng)絡(luò)故障診斷中的一些具體問題應(yīng)用MATLAB軟件中的模糊系統(tǒng)工具箱和神經(jīng)網(wǎng)絡(luò)工具箱進行仿真加以解決。

關(guān)鍵詞：模糊系統(tǒng);神經(jīng)網(wǎng)絡(luò);故障診斷;模式識別;信號處理

中圖分類號：TP391.76 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2019）14-0174-03

Abstract： Based on the basic theory of fuzzy systems and neural networks， the feasibility and superiority of their application in network fault diagnosis are studied， and the theory of fuzzy systems and neural networks is combined with the practice of fault diagnosis. For some specific problems in network fault diagnosis， the fuzzy system toolbox and neural network toolbox in MATLAB software are used for simulation to solve the problem.

Key words：fuzzy system; neural network; fault diagnosis; pattern recognition; signal processing

1 引言

近年來，模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展迅速，在軍事、醫(yī)學(xué)、工程、計算機、人工智能等領(lǐng)域應(yīng)用廣泛。模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)對處理很多傳統(tǒng)方法無法解決或在很難處理的復(fù)雜問題上具有明顯優(yōu)勢，基于這兩個學(xué)科衍生出來的邊緣學(xué)科也逐步開辟出新的研究領(lǐng)域。

計算機網(wǎng)絡(luò)是一個極其龐大復(fù)雜的系統(tǒng)工程，計算機網(wǎng)絡(luò)和用戶主機在運行過程中，都不可避免地會出現(xiàn)各種各樣的故障，對網(wǎng)絡(luò)故障進行及時診斷、處理，保障網(wǎng)絡(luò)和用戶主機的正常穩(wěn)定運行至關(guān)重要。網(wǎng)絡(luò)故障診斷往往異常復(fù)雜，涉及許多諸如系統(tǒng)建模、數(shù)據(jù)處理、信號分析、類型識別、系統(tǒng)仿真等繁復(fù)問題。為了能優(yōu)質(zhì)、高效地處理網(wǎng)絡(luò)故障診斷中的某些復(fù)雜問題，有必要借助模糊神經(jīng)網(wǎng)絡(luò)技術(shù)以輔助網(wǎng)絡(luò)故障的測試診斷。

2 模糊神經(jīng)網(wǎng)絡(luò)概述

自然語言中常采用一些模糊的概念，如“網(wǎng)絡(luò)響應(yīng)時間過長”、“數(shù)據(jù)擁塞嚴重”等，要描述這些模糊概念并對它們進行分析、推理，需要用模糊集合和模糊邏輯來解決。與傳統(tǒng)集合不同的是，模糊集中的一個元素可以屬于該集合，也可不屬于該集合，亦彼亦此，邊界不分明或界限模糊。模糊邏輯認為，任何命題的真實性只是一定程度的真實性。隨機性反映客觀上的不確定性，或偶然性，而模糊性卻反映主觀理解的不確定性，即在語義理解上對事件定義或概念描述的不確定性。給定一個論域U，那么從U到單位區(qū)間[0，1]的一個映射稱為U上的一個模糊集，或U的一個模糊子集。模糊集可記為A。映射μA（·）叫作模糊集A的隸屬度函數(shù)。對于每個x∈U，μA（x）叫作元素x對模糊集A的隸屬度。常用的隸屬度函數(shù)主要有高斯型函數(shù)、鐘形函數(shù)、梯形函數(shù)、三角形函數(shù)、Z形函數(shù)和sigmoid型函數(shù)等。如圖1所示為鐘形隸屬度函數(shù)。

將給定的輸入到輸出的模糊邏輯映射過程稱為模糊推理。模糊控制以模糊集和模糊推理為基礎(chǔ)實現(xiàn)控制過程，對于那些由于被控對象過程非線性、參數(shù)間耦合強烈、隨機干擾較大、過程機理錯綜復(fù)雜以及現(xiàn)場測量手段不足，或者測量手段無法進入被測區(qū)，以致不能直接獲得數(shù)學(xué)模型描述的系統(tǒng)，可用模糊系統(tǒng)加以控制。模糊系統(tǒng)既可用于自動控制、模糊聚類，還可用于系統(tǒng)建模、信號處理和決策分析等許多領(lǐng)域，其理論基礎(chǔ)主要是模糊推理，只是根據(jù)不同的問題采用不同的隸屬度函數(shù)形式和模糊算子而已。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，即ANN ）是20世紀80 年代以來人工智能領(lǐng)域興起的研究熱點，在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征進行分布式并行信息處理的算法數(shù)學(xué)模型，模型一般由大量神經(jīng)元之間相互聯(lián)接構(gòu)成，每個神經(jīng)元節(jié)點代表一種特定的激勵函數(shù)。節(jié)點間的連接都賦予一個權(quán)重值，這相當于人工神經(jīng)網(wǎng)絡(luò)的記憶，不同的連接方式、權(quán)重值和激勵函數(shù)產(chǎn)生不同網(wǎng)絡(luò)輸出。網(wǎng)絡(luò)本身通常是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)類型主要有：感知器、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自組織競爭網(wǎng)絡(luò)和回歸網(wǎng)絡(luò)等。

最近十多年來，人工神經(jīng)網(wǎng)絡(luò)的研究工作不斷深入，已經(jīng)取得了很大的進展。神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、聯(lián)想記憶、高速尋找優(yōu)化解和并行處理等特性，在模式識別、智能機器人、自動控制、預(yù)測估計等領(lǐng)域已成功地解決了許多現(xiàn)代計算機難以解決的實際問題，表現(xiàn)出了良好的智能特性。

模糊理論與神經(jīng)網(wǎng)絡(luò)技術(shù)兩者之間相互滲透和有機結(jié)合，促進了模糊神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，也開辟了一些新的研究領(lǐng)域。二者結(jié)合實際上是在模擬人類大腦結(jié)構(gòu)和功能，是大腦神經(jīng)網(wǎng)絡(luò)“硬件”拓撲結(jié)構(gòu)和信息模糊處理“軟件”思維功能的結(jié)合。兩者融合主要體現(xiàn)在模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的簡單結(jié)合、用模糊理論增強的神經(jīng)網(wǎng)絡(luò)、用神經(jīng)網(wǎng)絡(luò)增強的模糊系統(tǒng)和借鑒模糊系統(tǒng)設(shè)計的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)等方面。

利用模糊神經(jīng)網(wǎng)絡(luò)設(shè)計模型和處理問題時，往往會涉及大量數(shù)值計算，如：微分求解、最小二乘法處理、模式正交化、優(yōu)化匹配等。MATLAB軟件提供了模糊系統(tǒng)工具箱（fuzzy system）和神經(jīng)網(wǎng)絡(luò)工具箱（neural network）等軟件包為解決底層工作的抽取調(diào)用提供了較大的便利。模糊系統(tǒng)工具箱提供了不少函數(shù)支持和建模的用戶界面。神經(jīng)網(wǎng)絡(luò)工具箱以人工神經(jīng)理論為基礎(chǔ)，構(gòu)造出如線性、S型、競爭層、飽和線性等典型的神經(jīng)網(wǎng)絡(luò)激活函數(shù)，可將對所選定網(wǎng)絡(luò)輸出的計算轉(zhuǎn)化為調(diào)用激活函數(shù)。用戶根據(jù)需要調(diào)用工具箱中的程序，可從煩瑣的編程中解脫出來，直接面對需要解決的問題，從而較大的提高質(zhì)效。

以模糊邏輯系統(tǒng)為基礎(chǔ)的模糊模型也可用于對非線性動態(tài)建模，其中，Sugeno型模糊系統(tǒng)對模糊建模是非常適合的，MATLAB的模糊工具箱提供了訓(xùn)練模糊系統(tǒng)的函數(shù)，如：genfis1，genfis2，anfis等。這類Sugeno型模糊推理系統(tǒng)可等效成參數(shù)，可自適應(yīng)調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即自適應(yīng)神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)。模糊建模過程大致可分為六個步驟：產(chǎn)生訓(xùn)練數(shù)據(jù)和檢驗數(shù)據(jù);確定輸入變量的隸屬度函數(shù)的類型和個數(shù);由genfis1函數(shù)產(chǎn)生初始的FIS結(jié)構(gòu);設(shè)定ANFIS訓(xùn)練的參數(shù);利用ANFIS函數(shù)訓(xùn)練ANFIS;檢驗得到的FIS的性能。

例如對非線性函數(shù)進行逼近：f（u）=0.7sin（πu）+0.3sin（3πu）+0.1sin（5πu），仿真結(jié)果如圖4所示，圖中依次給出了ANFIS訓(xùn)練，前的隸屬度函數(shù)、訓(xùn)練后的隸屬度函數(shù)、原始的f（u）和ANFIS輸出比較以及訓(xùn)練過程的誤差。

3.5 故障檢測

利用補償模糊神經(jīng)網(wǎng)絡(luò)，可對建模系統(tǒng)進行故障檢測。利用模糊神經(jīng)網(wǎng)絡(luò)的遞歸運算進行長時間的預(yù)報，不需要參考實際輸出，就可在訓(xùn)練數(shù)據(jù)范圍內(nèi)提供系統(tǒng)的外部輸入，因此，補償神經(jīng)網(wǎng)絡(luò)模型就可以預(yù)報系統(tǒng)正常運行行為。如果故障發(fā)生，在比較系統(tǒng)的測量輸出與預(yù)報輸出的基礎(chǔ)上產(chǎn)生殘差，殘差將給出實際傳感器測量偏差。對殘差信號進行分析，運用故障決策規(guī)則就可以進行故障檢測。同時也可以利用傳感器輸出信息來辨識故障。

4 結(jié)束語

當前，模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用得越來越廣泛，它不僅是一種先進的前沿技術(shù)，更是一種優(yōu)越的復(fù)雜問題處理方法，發(fā)展至今已解決了許多具有挑戰(zhàn)性的工程和理論問題，許多新的模糊神經(jīng)網(wǎng)絡(luò)模型和算法正在不斷地自我豐富，對其他學(xué)科和領(lǐng)域的滋養(yǎng)更是日漸廣泛和充盈。進行模糊神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)故障診斷中的應(yīng)用探討旨在拋磚引玉，希望越來越多的研究者更深入地投入到新技術(shù)新方法應(yīng)用中來。

參考文獻：

[1] 黃文梅.系統(tǒng)分析與仿真：MATLAB語言及應(yīng)用[M].湖南：國防科技大學(xué)出版社，1999.

[2] 樓順天.基于MATLAB的系統(tǒng)分析與設(shè)計——模糊系統(tǒng)[M].西安：電子科技大學(xué)出版社，2001.

[3] 聞新. MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：科學(xué)出版社，2000.

【通聯(lián)編輯：代影】