简述会计电算化的特征范文

关键词：粗糙集；启发式约简；特征优化

中图分类号：TP18

文献标识码：A

0引言

在基于案例推理［1］的通信装备故障诊断系统中，分析案例的故障特征属性是诊断系统建立知识库和进行推理的基础。如果在不影响故障识别的基础上，利用粗糙集理论［2］中的属性约简算法减少冗余故障特征属性的个数，不仅能有效提高系统的诊断速度，还可以优化案例知识库的存储空间。本文在对属性约简算法研究和分析的基础上，提出了适合故障诊断的属性启发式约简函数，并采用该函数对通信装备案例的故障特征属性进行了优化。

1基于粗糙集的故障特征属性约简

故障特征属性约简就是在保持故障识别能力不变的条件下，删除其中不重要的故障特征属性。因此，我们可以通过对故障特征属性的约简以达到特征优化的目的。本文首先建立了粗糙集中信息决策表与案例模式表之间的对应关系。

1．1信息决策表与案例模式表

在粗糙集中具有条件属性和决策属性的信息系统又称为决策表，用T=(U,C,D)表示。本文中，一个案例模式表是体现同一故障现象的所有故障案例组合，这些案例组成一个案例类，同时它们按照诊断结论的不同又划分为若干个故障模式。

相对于决策表而言，论域U={x1,x2,…,xn}表示该案例模式表中的所有案例，条件属性集C={a1,a2,…,am}表示每个案例包含的故障特征属性，决策属性D={d}表示此类案例所有的诊断结论。

1．2故障特征属性约简和属性核

对于故障识别来说，去除冗余的故障特征属性不会影响诊断结论的准确性。令C为一个案例类的特征属性集，D为该案例类下所有可能的诊断结论，即可能故障源，那么以下有三个定义共同说明故障特征属性约简的原则。

定义1令P为一故障特征属性子集，且PC,那么诊断结论D的P正域可定义为：U中所有根据U/Ind(P)的等价分类信息可以准确地划分到D的等价类中去的对象集合，记作POSP(D)。

定义2对于故障特征属性r∈C，如果POSC(D)=POSC-{r}(D)，则称故障特征属性r为C中D不必要的，否则称r为C中D必要的。如果故障特征属性子集PC中每一个特征属性都是必要的，则称P相对于D是独立的，否则P相对于D是依赖的。

定义3令PC，如果P相对于D是独立的，且POSP(D)=POSC(D)，则称P为C的D约简，简称为案例模式表的属性约简，记作redu(C)，属性约简不是唯一的，是属性的相对约简。所有C的属性约简的交集称为C的D核，简称为案例模式表的属性核，记作core(C)，即是由C中所有D必要的故障特征属性组成的集合，属性核是唯一的。如果PC是案例模式表的一个最佳属性约简集，则P中故障特征属性子集与C中故障特征属性集在故障识别上的能力是相当的。

2可辨识矩阵算法

2．1可辨识矩阵的定义

在求属性约简的算法中，最常用、有效的算法是文献［4］提出的用可辨识矩阵来计算属性的最佳约简。可辨识矩阵(DiscernibilityMatrix)是由波兰数学家A.Skowron提出的一种知识表示方法，它可以将有关属性区分的所有信息浓缩进一个矩阵中。本文结合案例模式表，将可辨识矩阵重新定义如下：

设T=(U,C,D)是一个案例模式表，U=(x1,x2,…,xn)，C是故障特征属性集合，D是诊断结论，则T的可辨识矩阵M(T)是一个n×n的矩阵，其中第i行第j列的元素mij(i,j=1,2,…,n)定义为：

因此，mij是区分案例xi与xj的所有故障特征属性的集合。由可辨识矩阵的定义可知，mij=mji，M(T)是一个对角元素为0的对称矩阵，所以可使用M(T)下三角矩阵来表示M(T)。同时可以看出，可辨识矩阵由三种值组成：当两个案例之间故障特征属性值不完全相同而且诊断结论也不相同时，该元素值为这两个案例属性值不相同的故障特征属性的集合，即可以区分这两个案例的故障特征属性集合；当两个案例的诊断结论相同时，它们所对应的元素取值为0；当两个案例相矛盾时，元素取值为-1。本文是在案例无矛盾的前提下进行案例故障特征属性优化的。

2．2算法的思想

可辨识矩阵算法的思想可简单归纳为以下三点：

(1)在可辨识矩阵M(T)中故障特征属性组合数为1的元素表明：除该特征属性外，其余故障特征属性均无法独自区分诊断结论不同的两个案例，即该故障特征属性是必须保留的。因此，在M(T)中所有特征属性组合数为1的元素均为案例模式表的属性核；

(2)可辨识矩阵中凡是含有属性核的矩阵元素，都可以仅用属性核就把案例模式表中诊断结论不同的案例区分开来。因此，对于含有属性核的矩阵元素而言，其特征属性组合中除属性核外的其他故障特征属性都是多余的；

(3)因为可辨识矩阵包含了案例模式表中的所有故障特征属性区分信息，所以除属性核外的其余有用故障特征属性应从特征属性组合数不为1且不含属性核的矩阵元素中分析取得。

3适用于故障特征优化的启发式约简算法

3．1算法的提出

基于可辨识矩阵的经典属性约简算法有两类：一类是先求出核属性集，然后通过对属性组合的合取和析取操作［5］得出一个属性约简集，该算法计算复杂度高，内存消耗量大，并且如何选择满意的特征属性组合也是一个有待商榷的问题。另一类是利用属性启发式约简算法求得属性约简集，其特点是利用属性的重要性作为启发式信息，多以属性频率算法［6］为基础。在实际诊断情况中，我们发现有些故障特征属性虽然出现的频率比较小，但它在故障诊断中的权重比较大，去掉它会影响到诊断的准确率；此外，我们从可辨识矩阵的定义可以看出，可辨识矩阵中元素的长度越短，元素所包含的特征属性对故障识别的能力就越强。

因此，本文综合考虑了以上三个因素，提出了一种适用于故障特征属性优化的启发式约简函数，具体定义如下：

对于故障特征属性ak∈B，其中B=C－core(C)，衡量ak重要性的启发式约简函数为：

其中，λk=0，akN［l］

1，ak∈N［l］，一维数组N中存储着M(T)的下三角矩阵，|N(l)|为数组元素N［l］中的故障特征属性的个数。

多项式∑L－1l=0λkN［l］中的单项式个数即为属性ak出现的频数；∑L－1l=0λkN［l］表示数组中包含属性ak的各个元素的长度倒数之和；wk为ak在该案例模式表中的权重。算法描述为：

输入：案例模式表T=(U,C,D)，U=(x1,x2,…,xn)，C=(a1,a2,…,am)

输出：案例模式表的故障特征属性约简集redu(C)

步骤1：令core(C)=粒redu(C)=粒B=粒华

步骤2：构造可辨识矩阵M(T)，将其存储在一维数组N中，求出可辨识矩阵的属性核core(C)

步骤3：redu(C)=core(C);B=C－core(C);

步骤4：将数组中包含core(C)征属性的元素赋值为0

步骤5：根据属性启发式约简函数从非属性核特征集中筛选出有用特征属性

程序前

步骤6：输出案例模式表的故障特征属性约简集redu(C)。

3．2实例分析

下面以超短波电台故障为例，验证和说明该算法在通信装备案例故障特征优化中的应用。

通过对一组超短波电台“长距离数据传输信号收不到”故障案例的分析，在排除电台连接故障和设置故障后，提取了电台的7个属于面板提示信息的特征属性，用于诊断电台的

功能板级故障（如表1所示）。其中，a1=“ICU单元故障”；

a2=“频合器单元故障”；a3=“调制环单元故障”；a4=“射

频环单元故障”；a5=“射频功放故障”；a6=“ErrorXXH”错误代码；a7=功放指示灯亮。ai=1表示“该故障特征出现”；ai=0表示“该故障特征没有出现”。

故障的案例模式表这7个故障特征的权重向量为：(0.105B6，0.159B0，0.031B8，0.069B6，0.046B2，0.350B4，0.237B5)

下面利用本文提出的算法对上述案例模式表进行故障特征属性的约简。

案例模式表1的可辨识矩阵为：

按照该算法描述的步骤5，最后求得redu(C)={a1,a2,a6,a7}。

结论：本文采用的属性启发式约简算法可以更好地融入特征属性的背景知识，得出的特征优化集与诊断专家的经验相符合，保证了特征优化后的诊断准确率。在实际诊断中，该算法的诊断准确率可达到93.7%。

简述会计电算化的特征范文

关键词：脑机接口；p300；预处理；特征提取；分类算法

1引言

脑机接口（bci）是一个系统，允许用户与环境的沟通，只有通过大脑活动，而无需使用肌肉输出通道。它涉及了神经科学，信号检测，信号处理，模式识别等多种领域。要建立大脑和外界设备之间的联系，首先要测量大脑活动，然后进行处理分析信号数据，再进行机器学习（训练分类模型）实行分类，进而实现用户的意图。p300电位是当视觉受到外界特殊刺激时脑电信号出现一个波峰，其峰值大约出现在相关事件发生后的300ms。其优势特点是被试验之前不需要进行训练即可成功诱发出来。因此p300电位是脑-机接口常用的一种信号。文中所用数据是bcicompetition2003的datasetiib离线数据集。大致处理过程可以描述为：原始信号数据预处理特征选择与提取选择并训练分类模型分类结果测试分类算法效果根据效果调整分类模型得出理想的分类结果。

2处理数据的算法步骤

2.1单次样本提取：因为p300电位一般出现在刺激后的300ms左右，所以通过分类精度验证后，本文截取从每次闪烁开始后100ms到700ms长度的数据作为一个单次样本，这样将训练集的前30个trial的数据组成一个30×12×15×144×64维的原始特征空间。

2.2数据预处理：由于采集到的原始数据中一般会含有眼电，肌肉以及外界干扰等因素（如测量仪器或环境干扰等）的噪音信号，以及p300电位的低频特性，所以需要对原始数据进行预处理，本文主要涉及数据精度的转化以及低通滤波。论文突出在打破了前人已有经验的限制，将p300电位的频带范围更加精确化，更是体现了p300电位的低频特征，文章选择采用matlab自带的信号处理工具箱设计了一个合适的滤波器，以带通替代低通设计了10阶butterworth（iir）带通滤波器，带宽为0.05hz～7.5hz。不同频带域对应的实验准确率如表1。其中10阶可以通俗理解为过滤次数，一般来说过滤次数越多滤波效果就越好，但是同时也加重了程序运行负担，因此选择适当的滤波阶数也是很关键的一步。

表1

2.3特征选择与提取：首先对电极进行筛选，因为并不是所有电极都能明显体现p300特征，所以需要把那些p300特征比较明显的电极筛选出来。通过多次准确率比较论文选择了22个导联（用ne表示）作为特征电极，对应编号为：11，13，14，18，19，20，34，47，51-64。比较准确率时采用随机增加通道，能提高准确率的通道保留，反之舍弃的方法。其次，为了提高训练模型的速度，需要对特征空间进行降维处理，本文尝试过两种降维方式，一是将相邻6个采样点的平均值作为一个特征点，二是每隔6个采样点取一个特征点，事实证明后者的程序简单而且准确率并高于前者，所以采用后者的方法将预处理后的数据降维。再关于试验重复次数求平均，至此每个trial只剩24个特征点（用ne表示）。并将其特征电极与特征点结合考虑作为每个trial的特征向量。这样将得到前30个训练数据的特征空间为（30·12）×（ne·nt）即为360×528维的特征空间。

2.4规范化特征空间：就是将特征空间向量投射到特定的小范围内，如-1.0～1.0或0.0～1.0。文章采用向量单位化的方法将其投射到0.0～1.0范围内。规范化可以消除数值型属性因为大小不一而带来的特征分类偏差。这个过程对于提高脑机接口信息传递效率很重要。

2.5训练分类模型：将特征提取得到的已知目标字符的数据作为训练集，利用c-svc（c-支持向量分类）选择线性核函数u'*v对其进行训练，其中样本特征是属于二分类样本集，分别用-1和1标记两种样本类别。

3分类结果

将训练出的分类器应用于等量的未知目标字符的测试数据集，推断出所选择的字符。并计算分类准确率：accuracy=■×100%。论文通过上述算法得到的最高准确率达90.00%。相应不同重复次数文章分别测试了对应准确率，见图1。

图1

4结束语

文中选择了22个通道数据进行处理得到了很好的分类效果，但是否这22个特征电极就适用任何群体的实验数据，本文并未明确给出。但至少文中所用的通道及其筛选方

法可以为相关研究者提供参考。论文关于p300电位的低频特性到底低到什么程度也只是对文中所用数据作了验证，是不是普遍结论还有待这方面的研究者进一步探讨。总之本文所用的处理算法对提高整个bci系统的总体数据传输率起了积极作用。

参考文献

[1]程明，高上凯，张琳.基于脑电信号的脑-计算机接口[j].北京生物医学工程，2000，19（2）：113-118.

[2]杨立才，李佰敏，李光林，等.脑-机接口技术综述[j].电子学报，2005.

简述会计电算化的特征范文篇3

Abstract：Becausethecalculationoffieldorientedcontroliscomplexanditissensitivetochangesinmotorparameters，theaccuratefield-orientedcontrol（FOC）isdifficulttoimplementinACdrivesystem.BasedonthetwofeaturesofFOC，aintelligentfuzzycontroller（IFC）isdesignedtocontrolthestatorcurrentfrequencyandamplitudethesetwoscalarsduringtheacceleration/decelerationstageandthesteady-statestage.TheMATLAB/SimulinksimulationresultsshowthattheexcitationadaptiveperformanceofthespeedresponseofIFCisnotasgoodastheFOC，butitscontrolmodelissimple，anditisnotsensitivetothechangeofmotorparameters.IthasaverygoodpracticalapplicationvalueintheimplementationofARMorDSPhardware.

关键词：矢量控制；两段控制策略；智能模糊控制；感应电机

Keywords：field-orientedcontrol（FOC）；two-stagecontrolscheme；intelligentfuzzycontroller（IFC）；motorcontrol

中图分类号：TM346文献标识码：A文章编号：1006-4311（2016）20-0126-05

0引言

在实际工业控制系统、特别是电力电子系统中，很多控制对象很难建立一个合理又精确的数学模型。即使对象模型已知，模型也是多变量、非线性和参数时变的，系统还存在不可预测的扰动（如干扰和负载变化）。交流电机的调速系统就是这类非线性系统的一个代表，长期以来一直吸引着研究人员的不断努力，使感应电机的非线性控制成为非线性系统重要分支，已发展为验证现代非线性控制新理论、新算法的标准试验平台[1]。在工业交流传动中，标量控制常用于低价位低性能场合，矢量控制（VC）应用于高性能高价位场合。VC的控制量是电流或电压矢量的幅值和相位，包含磁场定向控制和直接转矩控制两种控制方法均试图简化复杂的非线性控制，并将其转化为线性控制[2]。FOC利用定积分计算转子磁链角，DTC利用定积分计算定子磁链空间矢量。虽然FOC和DTC均取得了很大成功，但仍有下述缺点[3]。

①控制模型复杂，工业实现困难，投入大。

②控制性能严重依赖于系统难以在线测定的电气参数、机械参数，对电机参数变化敏感。

③定积分误差累积导致稳态动态响应性能下降。

如果控制器能够根据电机参数和负载状况的变化而实时地调节自身的控制参数，并且控制模型简单，不包含定积分计算，那么控制系统的性能就能极大提高。各种自适应技术的特点如下所述。