局部学习（共12篇）
局部学习 篇1
0 引言
短期负荷预测是电力系统调度、运行、控制必须面对的重要课题,受到了广泛重视[1,2],已有诸多预测方法[1,2,3,4,5,6,7,8,9,10]。但由于负荷的多样性、复杂性和随时空变化性,现有方法仍然难以满足要求,其中一个重要原因在于研究方法和角度存在一定的局限性。
现有负荷预测研究方法主要分为两类:一类是以时间序列法和回归分析法为代表的传统方法[2,3],另一类是以人工神经网络、最小二乘支持向量机、遗传算法为代表的人工智能方法[4,5,6,7,8,9]。传统方法原理简单,速度较快,但基于一维空间思维,模型过于简单,难以准确刻画负荷变化的复杂规律。人工智能方法通过模拟人类思维能在一定程度上反映负荷的非线性变化规律,预测精度较高,但仍从一维角度对负荷系统进行考虑,丢失了样本数据中可能包含的其他有效信息。实际上,一天中各时刻点负荷值之间本身存在着很强的相关性[10],气温、湿度、日类型等因素也是以天为单位对负荷进行影响,因此可从多维角度出发,对日负荷24维数据进行整体分析与建模,克服现有一维处理方法的不足,从而更好地刻画日负荷变化规律,提高预测结果的准确性和预测方法的适应性。
本文从系统论角度出发,把日24小时负荷看成一个系统,提出一种从整体上刻画和预测短期负荷的新方法,建立高维预测模型。利用流形学习[11,12,13,14,15]方法对建立的高维空间模型进行有效降维,在降维空间内对短期负荷进行预测。通过局部线性嵌入法(Locally Linear Embedding,LLE)[13,14,15]对24维空间模型进行非线性降维,进而有效提取高维空间数据的固有属性和整体规律,采用最小二乘支持向量机[5,6,7,8](Least Square Support Vector Machines,LS-SVM)模型在低维空间进行负荷预测后,用LLE重构得24个时刻的预测值。将本文方法用于国内某地区电网进行建模预测,并将预测结果与一维预测结果进行比较,证明本文方可行性和正确性。
1 负荷系统高维预测模型及其特点
电力负荷系统是一个多维非线性系统[10],短期负荷预测,如日负荷预测,需根据现有历史数据资料,预测出未来一天或数天多个时刻点(如24、48、96、288)的负荷值。设已有N天24点负荷数据X'(n)=[X1'(n),X2'(n),,X24'(n)]T(n=1,2,,N),共24*N个点,由于多维时间序列预测的有关理论尚不成熟且计算量一般较大,现有方法大多从一维角度进行分析,即把X'(n)按小时类型看作24个X'(n),形成24类训练、预测样本,分别进行24次建模预测。文献[10]对河北电网和京津唐网某年日24小时负荷值序列进行了相关性计算,发现相邻点时间序列之间的相关系数最小为0.875 8,最大为0.9954,非相邻点相关系数最小为0.665 2,由此可见,一天中各时刻负荷值之间存在着很强的相关性,将其分为24个一维序列分别建模,忽略了各时刻负荷值之间的整体性和相关性,损失了许多有价值的信息。可对该24维数据集进行整体分析,从多维角度挖掘历史数据中所蕴含的有效信息,从而更准确地刻画日负荷变化的规律。
将N天24小时历史负荷记作X=[X1,X2,…,XN],其中每个Xi为一个24维数据,即Xi=[Xi1,Xi2,,Xi24]T,由于电力负荷系统本身是一个复杂非线性系统,影响因素多,波动规律复杂,由N天24小时负荷值组成的24维数据集,其蕴含的有效信息和内在规律难以直接感知和认识,需要借助相应的数据分析和约简方法来实现该高维空间数据的挖掘。解决这种高维空间数据挖掘问题的重要手段之一便是对高维数据进行降维[16],通过降维剔除原始数据中的噪声和冗余信息,在尽可能少损失信息的条件下将其转换为低维数据,进而在低维空间中提取高维数据的固有属性和整体几何规律,揭示其蕴含的有效信息。本文基于流形学习理论[11,12,13,14,15]对24维负荷数据进行分析,采用局部线性嵌入法[13,14,15]对其进行非线性降维,得到N个d(d<24)维数据Y=[Y1,Y2,…,YN](各Yi维数为d),降维空间内的d维序列互不相关,可对该d维序列分别进行预测,再对d维预测值进行LLE重构得到24点负荷预测值。
2 基于流形学习的模型降维与重构
2.1 流形学习原理
随着信息技术的不断发展,人们获取数据与存储数据的能力大大增强,且所获取的数据大多为高维度数据。对于高维数据集,利用现有方法很难直接感知其内在规律,必须借助于各种数据分析和约简方法来理解数据并揭示其中蕴涵的有效信息,这一过程可称作数据的信息刻画。从数据到信息是一次从量变到质变的飞跃,需要有效的学习方法,其中,流形学习是一种用于对高维数据进行降维的非参数方法。
2000年,《科学》杂志(Sicence)上发表了3篇论文[11,12,13],从认知上讨论了流形学习,并首次使用了manifold learning术语,标志着以非线性为主要特征的流形学习方法诞生。流形学习的定义如下:设Y⊂Rd是一个低维流形,f:Y→RD是一个光滑嵌入,其中D>d,数据集{Yi}是随机生成的,且经过f映射为观察空间的数据{Xi=f(Yi)},流形学习就是在给定观察样本集{Xi}的条件下重构f和{Yi}。流形学习方法的基本思想是每个高维空间内的流形都有一个低维空间内的流形与之对应,并试图找出一个光滑映射,把高维源数据映射成其低维目标空间内的对应,其主要目的,是在没有任何先验假设的情况下,揭示所研究数据蕴含的整体几何规律,即从观测的现象中去寻找事物本质,找到产生数据的内在规律。现有流形学习方法主要包括:局部线性嵌入法[13,14,15]、等距映射算法[12]、多维尺度法[12]、拉普拉斯特征映射算法[14]等,研究发现,局部线性嵌入法(LLE)在电价、电力负荷数据的分析建模上应用性能较好[15]。
2.2 局部线性嵌入法
LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,它在保持数据的邻域关系下,计算高维输入数据在低维空间中的嵌入流形[14]。与其他降维方法相比,LLE降维法有很多优势:(1)它对非线性流形结构数据具有自适应性;(2)它只涉及到较少的参数选择问题;(3)由于它保持了数据在高维空间的内在拓扑结构,其信息损失很小。
设高维欧氏空间RD中有数据集X={X1,X2,…,XN},数据集位于本征维数为d(d<
第一步,邻域选择。计算每个样本点Xi(i=1,2,…,N)的邻域点(取距离最近的K个邻域点或固定半径的球状邻域)。
第二步,计算重构权Wij。在Xi的邻域中,计算能最好地重构每个Xi的权值矩阵Wij,使下列目标函数E(W)最小。
式中:N为样本点的个数;K为邻域点的个数;Xj(j=1,2,…,K)为Xi对应的K个邻近点;Wij是Xi由Xj(j=1,2,…,K)线性重构的一组加权值,Wij满足下面两个约束条件,如式(2)～式(3)。
Wij=0 Xj不是Xi的邻近点时(2)
式中:Xi表示第i个样本点;Xj表示第i个样本点的第j个邻近点。
第三步,计算d维嵌入值Yi。使下列重构误差φ(Y)最小。
式中:Yi为各样本点Xi的低维嵌入向量,Yj为对应Yi的K个邻近点。
为了保证公式(2)能得到唯一解,低维嵌入Yi需满足下面两个约束条件,如式(5)～式(6)。
式中,I为单位矩阵。求解式(2)等价于求一个稀疏、对称、半正定矩阵M的特征向量,即。
式中,W为重构权矩阵。取M最小的d+1个特征值对应的特征向量按升序排列,丢掉第一个特征值对应的特征向量,剩下的d个特征向量组成的矩阵就是所求的低维嵌入向量Y。
2.3 LLE重构
给定一组嵌入式低维空间的特征向量,LLE重构则是基于这组标准数据找出高维空间中与其对应的数据集。假设我们已经通过LLE得到了低维空间的特征向量Y={Y1,Y2,…,YN},把新的低维向量记作Y0。LLE重构法则可用来基于X={X1,X2,…,XN}和Y={Y1,Y2,…,YN},找到高维空间原始数据点X0近似值X0。具体步骤[15]为
第一步,在Y={Y1,Y2,…,YN}找出离新的特征向量Y0最近的K个邻近向量。
第二步,计算权重系数Wj,使得下列目标函数E(W)最小。
式中:Y0为需重构的低维向量;Yj(j=1,2,…,K)为Y0的K个邻近点。
约束条件为
第三步,高维空间中的数据X0可由式(10)重构得到。
假设X0(j)是向量X0的第j个组成元素,X0的重构误差(RE)定义为
式中,1≤j≤D,D为高维空间维数。
整个数据集X的重构误差(TRE)定义为
3 基于流形学习的LLE短期负荷预测模型与方法
3.1 数据预处理
(1)异常数据处理。电力系统负荷建模需要大量的历史数据,而历史数据大多通过电量采集器或远动系统采集得来,除了受测量设备本身或数据传输中造成的不准确数据及缺失数据外,还有由于各种随机因素影响造成的非正常负荷值。因此历史负荷数据中往往包含非真实数据,即“异常数据”,需要剔除这些非真实数据,保证资料的完整与准确[7]。本文采取的方法是取该点值前后两点正常负荷值的平均值来替代该异常点。
(2)对数转换。一天中各时刻的负荷值波动范围较大,对其进行对数转换后可使流形学习在低维空间的分布更加均匀,从而提高流形学习的有效性并减少数据集的重构误差[15]。
3.2 最小二乘支持向量机(LS-SVM)预测
支持向量机(SVM)是由Vapnik等在20世纪90年代中期根据统计学理论提出的一种新的机器学习方法。该方法建立在统计学习理论的VC维及结构风险最小化原则的基础上,通过求解一个二次规划问题较好地解决了小样本、非线性、高维数和局部最小点等实际应用问题,与传统基于经验风险最小化的神经网络方法相比,该方法具有学习速度快、全局最优和泛化能力强的优点,被认为是神经网络的替代方法[5,6]。最小二乘支持向量机(LS-SVM)是标准SVM的一种扩展,其优化指标采用平方项,并采用等式约束代替标准SVM的不等式约束,将二次规划问题转化为线性方程组的求解,降低了计算复杂性,加快了求解速度,在电力系统短期负荷预测领域得到了广泛的应用[7,8]。
3.3 基于流形学习的LLE短期负荷预测模型
对预处理后的数据进行整体分析,将每天24小时负荷值看作一个观察值。研究发现,本征维数d取3最适合用于描述跨时负荷之间关系的描述[17]。表1给出了对国内某地区电网日负荷数据降维后,低维空间3个维度序列与原始高维日负荷数据统计值(包括平均值、标准差、变异系数、极差)关联性较大的维坐标,及其对应的相关系数值。
由表1可以看出,对高维负荷数据进行降维后的低维空间特征向量序列能够反映原始高维数据相应的动态变化规律,对其进行分析建模可进行方便、准确的负荷预测。考虑相关影响因素,对低维空间各特征向量序列分别采用LS-SVM分析建模,再对低维空间各序列预测值进行LLE重构,得到预测日的24点负荷预测值。具体流程图如图1所示。
4 算例分析
4.1 数据样本和来源
为了验证本文方法的可行性和正确性,以国内某地区电网2009年2月13日～5月9日93天的日24小时负荷数据作为基础数据,分别采用本文所提出预测方法和一维分量预测法对该地区5月10日～5月16日一周的24个整点时刻负荷值进行仿真预测,预测模型采用LS-SVM算法,核函数为高斯径向基函数。
4.2 参数分析
最小二乘向量机算法中,参数C和б对预测精度有直接影响[6,7],C值过小易造成对训练数据造成欠学习现象,过大易对训练数据造成过学习现象而导致泛化能力下降,宜设置为1～100;б过小易对训练数据造成过学习现象,过大则造成欠学习现象,宜设置为0.1～10。此外,不敏感损失函数中的参数ε值越大,支持向量数目越少,预测精度也越低,本文取ε=0.001。
LLE算法的本征维数d和邻域点个数K对预测精度也有较大影响。本征维数d可采用文献[17]中的邻近算法进行评估,本文d=3;邻域点个数K可根据其与该数据集重构误差TRE影响关系进行确定[15],开始的时候TRE随着K值的增大急剧减小,达到一定值后趋于稳定,本文取K=38。
4.3 误差测量与结果分析
用相对误差e作为判断各方法预测结果的依据,即
式中:xi为i时刻的预测负荷值;yi为i时刻的实际负荷值。本文以3%作为最大允许误差(Maximum Permit Error,MPE),若某点的e>3%,则判定该点预测结果为不合格。定义某预测日负荷预测结果的合格率为预测误差小于3%的点与总预测点的比值。
将预测所得结果与预测日实际负荷值做比较,采用式(13)进行误差计算。表2列出了采用本文方法和一维分量预测法对国内某地区电网一周预测结果的对比。表3给出了该电网5月14日的日24小时预测值结果。
从表2和表3数据可以看出,采用本文所提出方法进行日24小时负荷预测,预测的精度得到了有效提高。根据表3所列出对国内某地区电网2009年5月14日的24小时预测结果,采用一维分量预测,平均预测误差为1.95%,日最大误差为5.15%;而采用本文方法预测,平均预测误差为1.41%,日最大误差为3.50%。图2给出了两种方法在2009年5月14日24小时负荷预测误差(绝对值)对比曲线。
以2009年5月14日本文方法预测平均误差1.41%为例,误差控制在该精度范围内的预测点数,一维分量预测方法为41.67%,本文方法为62.5%。采用一维分量预测合格率为79.17%,采用本文方法预测合格率为95.83%。同时,进行日24小时负荷预测,采用一维分量预测所需平均时间为3.74 s,而采用本文方法平均时间仅为1.23 s。由此可见,本文所提出方法预测精度高、速度快。
5 结论
(1)考虑到日24小时负荷之间的整体性与相关性,从多维角度对其进行整体分析与建模,更能准确地刻画日负荷复杂的波动规律。
(2)流形学习是一种对高维数据进行有效降维的非参数方法,通过LLE对高维负荷数据进行非线性降维,剔除其中的噪声和冗余信息,挖掘原始高维数据的内在规律,揭示其中蕴含的有效信息。
(3)采用LS-SVM方法在降维空间进行负荷预测,再通过LLE重构得到日24点负荷预测值。该方法充分考虑了日24小时负荷之间的相关性,仅需对低维空间少数几个不相关的序列进行LS-SVM建模,降低了建模复杂度。算例分析表明,本文方法相比于传统一维分量预测法,有效地提高了速度和精度。
(4)LS-SVM和LLE的具体应用过程中,C、σ、d、K等参数的选择对预测效果有较大的影响,下一步可着重研究如何更加合理地对这些参数进行选取。
局部学习 篇2
茅山水库东岸旅游综合开发
项目投资框架协议
二ＯＯ九年十二月
甲方：句容市茅山风景区管理委员会
（以下简称甲方）
法人代表：张德军
法定住所：句容市茅山集镇邮编：212446
乙方：江苏汇金控股集团有限公司
（以下简称乙方）
法人代表：朱明亮
法定住所：南京市童卫路7号
邮编：21001
4一、总则
为加速句容市茅山风景区旅游经济发展，甲、乙双方根
据国家有关法律法规，本着互惠互利的原则，通过友好协商，就乙方投资建设茅山水库东岸局部旅游综合开发项目事宜，达成共识，特订立本框架协议，以资共同遵守。
二、项目地块的区位与规模
甲方提供给乙方的地块为茅山管委会所属茅山水库东岸
玉晨村委会成村周边的一半岛，总面积约1600亩（以有权
部门实测为准）。地块“四至”分别为：东至句茅公路绿化带，南至句曲中路以北地块，西南西北至茅山水库岸线，北至湖汊与句茅路交汇口。
三、项目投资规模
乙方拟于本协议约定的地块投资不少于贰拾亿元人民币或等值外币，包括用于建设高档酒店、会所、住宅、旅游地产及配套基础设施等。
四、土地的供应类型及价格
（一）建设用地。以商、旅、住综合用地供应土地，含拆迁补偿安臵的综合价为50万元/亩；总量不少于1200亩，其中2010年供地不少于700亩，其余两年内供完。
（二）农业开发用地。除建设用地外，涉及到农民的土地，以农民和村级组织能够接受的价格，由甲方负责按土地承包法的规定组织租赁或流转至乙方（含项目公司）名下，不改变土地的农业用途；乙方应予积极配合，依法签订相关租赁协议，按协议支付租赁金，并承担相应青苗、苗木、坟地搬迁等补偿费用。
五、居民拆迁
涉及到项目用地红线范围内的农民拆迁补偿安臵由甲方组织实施。
六、双方权利与义务
1、本协议存续期间，除国家建设以外，甲方保证不因调
整城市建设规划或其它原因收回土地使用权。
2、甲方应在项目推进过程中，负责协调解决相关矛盾和纠纷，协助乙方办理相关手续。
3、乙方旅游项目开发全面享有句容市旅游项目的各项优惠政策.4、乙方在本合同签章生效后向甲方支付定金1000万元，项目公司成立后先期垫付拆迁补偿费4000万元（含定金1000万元，拆迁费用根据拆迁进度支付），计入出让底价；出让时，按规定支付土地出让金。
5、乙方保证征用和租用的土地自用，不得向第三方转让（租）。
6、乙方负责在甲方注册一个具有独立法人资格的公司，注册资本不低于8000万元人民币，同时在甲方所在地进行工商和税务登记，按规定属地纳税。项目公司成立后，本协议项下的乙方权利义务由该项目公司继承。
七、不可抗力
（一）不能全部或部分履行协议的一方，应在24小时内将文件的情况以信件或电报（电话或传真）的书面形式通知另一方，并且在文件发生后15日内，向另一方提交协议不能履行或部分不能履行或需要延期履行理由的报告。
（二）本协议可以根据后继立法进行修改与补充，但必须采用书面形式提出申请，并经双方协商签字生效后执行。
八、协议效力
（一）本协议自双方有权代表签章之日起生效。
（二）本协议中任何条款的无效或被撤销，不应影响本协议其它条款的有效性。
九、违约责任
（一）如一方未履行本协议规定的义务，应视为违反协议。违约方应负责向另一方赔偿因违约而引起的一切损失，包括共同的利益。
（二）如果由于甲方的过失，致使乙方对该地块使用权占有的延期，则本协议项下的土地使用权期限相应推延。
十、其它约定
（一）本协议未尽事宜，可由双方协商并签订补充协议，补充协议与本协议具有同等法律效力。
（二）本协议只有经双方同意并签署文件后方可修改或补充，任何有效的修改或补充均构成本协议不可分割的一部分。
（三）本协议及其项下的权力、义务或责任，未取得双方同意，不可转让。
（四）协议双方的任何一方未行使或延迟行使本协议项下的任何权力不应视为放弃这些权力，任何单位单独或部分地行使权力亦不应妨碍该方将来全面行使该权力。
（五）本协议正本一式四份，双方及签证方各执两份。
附：项目用地界址图
甲方（公章）：乙方（公章）： 授 权 代 表：授 权 代 表： 签 订 日 期：签 订 日 期：
户名：句容市茅山风景区财政所非税收入专户 开户行：句容市农业银行茅山分理处
整体弱势 局部牛市 篇3
上周我们在文字的末段提出，短期的下压会引致一次反拉，但预期反拉的时长不会超过5天，而后市场还是要选择向下。从大指数上证指数的表现看，低点上行运行时间也就是三天多点，而幅度远远小于我们的预期，市场之弱，是出于之前所意料的。看来我们的假设并不成立，作困兽之斗的机构们连这个反弹结构都不敢乐观视之。
从一周的走势观察，我们发现依然有涨势相当良好的个股。但无一例外的是，这些都不是机构投资者们所号称的低估值股，也看不到机构们有努力修复它们估值的努力。相反，我们看到的却是，代表蓝筹股典范的上证50成分股，成了拖累市场重心下移的主要力量。上证50与180指数，率先创出自4月18日高点调整以来的新低。为什么会有这么滑稽的现象？不是号称低估值品种的投资价值极具投资性，却眼见着股价下滑成交量萎缩而不蜂拥抄入？其实，在市场资金面情况不良时，大市值的蓝筹股再怎么有投资价值，也难以抵御资金外流的消磨。
三月末至今，我们始终强调的风险并不是市场内部本身，而是宏观层面的资金供给情况恶化。由于民间利率高企而银行无款可贷，企业的经营现金流已经出现越来越紧绷的局面。折射到市场的情况，双汇“健美猪”案子只是一个引子，它导致了市场主流资金层面的心理变化，大量的赎回盘令主流机构不得不考虑资金层面的风险。而从企业层面看，二级市场投资权重股的公司，因经营现金流出现紧绷而套现股权的情况也开始增加。这种时候，越是流动性高的权重股，越容易通过大宗交易平台减持。如果这一现象形成一个趋势，则未来市场重心继续下移并不是不可能的事。况且周四央行再次宣布上调存款准备金率至21%，一次性收缩流动性至少3700亿，将使本已资本金不足的银行体系，再次出现大规模融资的预期。但是，要记住历史上任何弱势期，金融板块的大规模融资方案出台，只会令指数再下一个台阶。
我完全不反对低市盈状态下的金融股有投资价值的观点，但要看你怎么投资，如果你不是史玉柱、郑裕彤一样的、只追求丰厚分红回报的超级富豪，完全没有必要在全市场资金紧缺的情况下，参与这类未来可能债券化的品种之博弈。因为，你跟他们不一样，你还是一个价格套利者，在下行趋势中自己给自己讲估值的故事，只能忽悠你自己。而前面的齐鲁银行、汉口银行的例子，包括最新冒了出来的温州银行骗贷案，还不足以说明目前金融系统潜在的问题吗？即使是我要投资银行股，我也会等到下半年，出现货币政策宽松的信号之后。因为，今年压通胀是主基调，只有当CPI下行到4.1%附近时，由于惯性作用的延后反应，才会出现货币松绑的情况。而那个时点，我们预期将在三四季度之交的之后某个时点。
其实，我不止一次地反对普通投资人张口闭口大盘如何如何。何谓大盘，他们都说就是上证指数。将一个虚假之极，权重股占比超过40%的指数，作为公众参照物，本身就有失其合理性。尤其是当市场的总流动市值足够庞大时，而市场的资金总供应量不足以同时支撑两类股上涨。此时的上证指数，就越发不能为你提供操作的参考。当市场是个趋势下行，大小指数是同步向下时，你可以以大指数上证指数为参考；而当下行的第一冲击波完成后，大小指数将出现背离情况，这时，如果还用大指数为参照物，上证指数一出现调整你就卖股，那你又错了。
而以目前的大小指数状况看，大指数明显受制于资金面情况的不佳，再现缩量下行状。从其波动结构看，第一轮的推动结束还无法确认，至少得待日线背离时才会有一次稍强力度的反拉。我们注意到，上证指数自4日18日高点下行之后，始终没有出现一次细节上的上行推动，故尔只能判定目前这个下行趋势仍然没有结束。周五的午盘后上涨，只不过是中石油等权重股反拉修复的走势，并不能因此就让我们改变对其维持弱势的判定。即便是一个结构性反拉，也不会有太高的幅度。而且，我们尚不能预见的不利因素仍然没有出尽，金融系统隐藏了多少如温州银行骗贷案的风险我们无从得知。而大量的居民存款向民间融资机构迁徙是个事实，这中间还有多少将要引爆的地雷我们同样不得而知。因此，出于审慎的原则，当下不持有过于乐观的预期，对于自己的资金是一种保护措施。即使是有一个反拉，也不值得你全仓压上搏个暴赚。
但从另一方面，我们看到市场的另一面却是有一批个股的不断走牛。如果，我们仅以上证指数的波动趋势作为我们进出市场的原则，显然是有失公允。个股的走牛，令人难以想象这竟然是一个下行趋势，难不成机构都疯了，非得逆势而作？其实，你换一个角度思考这个问题可能会更好。三月份时，我曾提出过市场维持牛皮盘整是对各方资金都是最有利的观点。因为，如果你非要把上证指数推出一个大牛市场，在今年宏观情况那么复杂的环境下，资金层面肯定是不支持的。那样做，只会使大面积中小市值的品种全面失血而大跌，即便是资金都向大盘股迁徙也出不了牛市，这反而会让组合持仓的机构们出现大面积亏损。所以，市场压住大蓝筹不涨，让成长股上涨才是对各路机构最好的结果，总体组合持仓的市值波动幅度就不会那么大。而至今有一部分机构算是明白这个道理，既然是要忽悠人买股抗通胀，没有搞出几个大牛股，人们如何会相信榜样的力量是无穷的。所以，我们看到的怪相就是熊指牛股的市场。
不过，后面的情况可能会发生一些变化。当越来越多人机构认识到这个问题后，可能出现规避ROE下滑趋势蓝筹股，转持成长股的情况。由于前面小指数们领先于大指数出现调整，我们注意到引起小指数下行的主要原因是创业板的新发股与中小板中的0024XX群体。目前的小指数中小板指数波动结构已经行至本级下行推动之末端，无论后面怎么反拉，它都尚缺一个小级别的下行末段。也就是说，我们希望中小板综指尽快打出个新低，然后出现日线级别的底背离，如果这个信号出现，则在该方向的成长股群体上至少压上五成仓位，是可以搏一个短期好收成。
与中小板综指相仿的另一个小指数就是创业板指数，目前它的波动情况也差不了多少，大约是处于去年12月20日高点下行的大级别3－3－5三波段下行结构的5－IV段，尽管其跌势亦未尽，但是，已经出现这个群体有些个股脱离板块整体的单独上行运动。为此，我们认为，当创业板指数与中小板指数同时完成末段下行，并出现低位日线底背离现象。而当其自低而上的第一个上行推动结构出现时，再度回压不创新低。则市场将出现同步共振向上的一轮结构性上行行情。
今年的市场情况很复杂，我相说的是，如果单纯以上证指数为参照物，你是无法做好今年行情的。尽管指数趋势看起来很难看，但个股其实并不算难做。只要知道什么时候你该做什么类的股票，以波段套利取代长线投资，应该还是会有不错的收成。而上周我们提示过夏季火旺，在后面至小暑之前，多做科技、文化、电力类的品种是个好的选择。
局部学习 篇4
关键词：在线学习,视频人脸识别,局部特征,分簇,姿态变化,面部遮挡
0 引言
由于在安全领域具有重要用途, 人脸是用于个体识别最具潜力的生物特征, 因为使用廉价的摄像机设备就可以连续地获取人脸信息。然而, 人脸的识别面临着巨大的挑战, 因为脸部生物特征的独特性相对较低[1], 而且在采集过程中存在许多不受控制的因素, 包括光照、姿态、脸部表情、脸部纹饰和遮挡等。
最初的人脸识别研究是基于匹配单个图像[2,3], 然而, 这类识别技术不能解决上述问题。最近, 许多研究小组探索了3D脸部扫描识别技术[4,5,6], 但其目前主要限制在于3D扫描环节, 相比于照相机, 3D扫描仪更昂贵, 且分辨率较低, 采样时间较慢等缺点。
过去几年中, 许多学者都对基于视频的人脸识别技术进行了研究, 因为摄像机能提供的信息比静态照相机更多, 而且, 个体运动规律有助于人脸识别[7]。早期视频人脸识别算法是基于帧原理, 这些算法训练匹配视频的各个帧, 使用平均准则作出决策, 但这些技术不能充分利用时空信息。因此, 利用匹配视频序列进行识别成为更有前景的技术, 因为其不仅包含单个帧中的空间信息, 还对视频和视频数据库之间的时间相干性作了分析。基于视频的人脸识别算法有三种学习模型:离线批处理学习、在线学习和混合学习。离线批处理学习中仅训练一次分类器[8], 是利用预先录制的视频进行学习, 其没有反馈机制, 而且系统数据库得不到更新。在线学习中, 系统是在线实时训练, 但仍然需要手工对身份标定[6]。混合学习方法是以批处理模式离线学习通用的 (或特定) 人脸模型, 同时于在线识别过程中连续更新人脸数据库[8]。
本文提出一种智能的基于视频的人脸识别算法, 进行无监督在线学习。学习阶段自动聚集输入视频序列的帧, 学习过程中提供注册状态的实时反馈。识别过程中, 将未知身份的查询帧的局部特征与簇中具有代表性的特征匹配, 使用复合帧相似度度量法给出最终决策。实验结果验证了本文算法的有效性。
1 相关研究
大部分基于视频的人脸识别算法是检测完整的人脸来提取全局特征, 而全局特征受注册误差、遮挡和姿态变化的影响很大[9]。局部特征已经被证明其在图像和3D人脸识别算法中的优越性, 但是, 局部特征并没有得到广泛应用, 因为局部特征会引入另一个维度而增加复杂度。然而局部特征对遮挡和姿态变化等因素有较好的鲁棒性。
文献[10]使用了一组基于LBP (局部二值模式) 特征的扩展体 (EVLBP) 进行基于视频的人脸识别和性别识别, 训练了一个Ada Boost分类器, 用来选择EVLBP特征进行识别。然而此算法缺点是它受人脸裁剪 (尺度和位置) 和帧速率的影响很大。
文献[11]提出一种融合人脸检测和人脸识别的算法, 定义了一个映射在鼻子上的径向网格来提取特征, 利用神经网络算法进行分类, 其中特征向量提取使用对数极网格法, 同时采样鼻子内侧区域相对于外部区域更多特征, 作者认为这个特征向量对脸部表情有较好的鲁棒性。
文献[12]运用SIFT局部特征匹配算法将提取的10帧正脸关键帧与人脸库图像进行特征匹配存储匹配结果, 然后利用RANSAC算法将匹配后的图像做去除误匹配处理, 一定程度上提高了视频人脸识别率。
文献[6]提出一种基于视频的人脸识别在线流形学习算法, 并提出一种分离特征空间的方法, 使大部分人脸样本不聚集到相同的特征空间, 还使用了转换矩阵来计算从一个特征空间到另一个空间的转换概率。
上述各局部特征方法的共同点是均使用小数据库, 最多有24个注册个体和10个冒充者。与此相比, 本文算法在一个有50个注册个体和22个额外冒充者的图库上得到验证。
2 局部特征在线学习算法提出
2.1 局部特征
本文使用尺度不变特征变换 (SIFT) [12]来提取局部特征, 其优点之一是它不对特征的位置有任何限制, 可以从人脸任意点提取局部特征, 而且不需要排序。
SIFTs[12]是从图像关键点提取128维单位向量, 关键点是在高斯差函数与图像卷积中尺度空间极值上检测的。关键点必须满足几个基本条件, 包括高对比度、沿边缘定位良好和高于阈值的主曲率比。
每个关键点, 在局部梯度方向, 通过它们的幅值和圆形高斯窗口加权形成直方图。主梯度方向用于提取SIFT使其具有旋转不变性, 4×4的样本区域用于创建带有8个的向直方图形成一个128维向量。同时将向量归一化, 阈值上限设为0.2, 再重新规范化到单位长度, 这样操作使算法对光照具有鲁棒性。
2.2 无监督学习
在学习阶段, 使用文献[13]提出的算法自动检测训练视频序列中的人脸图像, 然后使用CAMSHIFT[13]自动跟踪人脸, 从每一帧裁剪人脸区域。注意CAMSHIFT不能精确定位人脸, 在位置上存在一些误差, 尤其是人脸尺度。然而此算法对这些误差具有鲁棒性, 因为它是在自动监测的关键点上提取尺度不变特征, 关键点独立于裁剪窗口的位置。将裁剪的人脸调整到150×150像素, 直方图对光照均衡规范化。对于每个规范化后的人脸, 2.2.1节中将会讨论SIFTs的计算和匹配, 匹配过程产生一个相似度矩阵, 用于聚集训练视频序列中的人脸。
2.2.1 人脸匹配
对于一个给定身份的训练视频序列, 匹配每个人脸到另一个人脸, 以便构建一个N×N的相似度矩阵 (其中N是帧数) , 因为矩阵是对称的, 所有必须执行N (N-1) /2次匹配。使用式 (1) 匹配相应的SIFT特征来确定两个人脸之间的相似度:
式中, fa和fb分别对应于人脸a和b的SIFT特征向量, 考虑匹配中有最小误差e的SIFTs对, 所以仅允许有一个最佳匹配。例如, 如果证实人脸b中的一个特征是人脸a中不止一个特征的最佳匹配, 则仅考虑有最小误差e的那个特征作为它的最佳匹配。同时使用距离约束避免两幅人脸图像中距离较远的点进行匹配。通过规范化它们的SIFT匹配对之间的平均误差e和匹配总数目m来确定两个人脸的整体相似度, 将两个度量都规范化到0到1范围内, 并使用加权规则求最终相似度:
式中, i=1, 2, …, N, we和wm是规范化平均误差珋e'和规范化匹配数目m'对应的权重, 注意珋e'i为负, m'i为正, 所以1要减去m'i, 最终相似度度量si也是负的, si值越低表示相似度越高。
2.2.2 帧分簇
上述匹配过程产生一个N×N相似度度量对称矩阵, 用于自动聚集N个帧。本实验中使用平均相似度距离的层次分簇方法, 初始化离线批处理学习中每个视频序列的簇总数为20。为了获得实时性能, 在本文后续的在线学习算法 (2.2.4节) 中簇的数目减少到10。
2.2.3 簇代表的选择
基于全局特征的算法或从预定义位置提取局部特征的算法, 一般使用平均特征作为簇的代表。然而, 本文中的局部特征是从任意关键点提取的而不是预定义位置, 因此, 使用投票方法从每个簇中选择具有代表性的局部特征。在每个簇内, 对两个人脸的所有组合进行匹配, 如果发现特征的匹配符合2.2.1节描述的人脸匹配结果要求, 则组合中的两个人脸各获得一票。选择前n个得到最大投票的特征作为簇的代表, 我们注意到, 簇中具有代表性的特征来自簇内不同人脸的不同位置 (帧) , 由此确保了关键点能够充分覆盖人脸, 并代表整个簇。
图1展示了在代表性人脸上标记出簇的代表性特征, 注意特征来自不同位置, 且大部分来自像眼睛、鼻子、嘴唇和下巴之类的重要位置。
SIFT的关键点检测过程通常会在不同帧中找到不同数目的关键点, 因此偏向匹配过程使其有较多特征的帧, 这个偏向对匹配不同视频序列的识别有重要作用。为每个簇选择固定特征的数目可以去除由于特征数目和每簇帧数造成的偏向, 在本文中, 特征的数目n固定为200。
2.2.4 在线学习
本文提出一种在线无监督学习算法, 在学习过程中实现了近实时反馈, 并能从一个输入视频帧中自动检测、跟踪、裁剪人脸, 再将裁剪得到的每个人脸与所有先前获得的人脸进行匹配, 构建一个N×N相似度矩阵。第i帧与所有 (1, 2, …, i-1) 帧进行匹配, 将每个相似度记录在相似矩阵的两个对称位置上, 匹配过程中同时为特征匹配投票, 选择簇代表。为了达到在线实时学习功能, 算法是用C++语言多线程技术实现, 同时保持N固定在100。构建出100×100的相似度矩阵之后, 对小于预定人脸数目的簇数目计数, 如果这个计数值大于阈值或簇平均的最远人脸距离低于阈值, 则学习过程结束。否则, 丢弃与各自簇平均距离最大的后m个人脸和他们的特征, 用另外m个新获得的人脸来代替, 将这些人脸与剩余人脸匹配 (彼此之间也匹配) 来更新相似度矩阵, 重新分簇。这个过程持续到满足上述两个准则为止。
学习准则是为了避免簇中人脸分布不均, 即如果一个对象在整个学习过程中始终保留, 则大部分人脸会被判定为多余的, 将会进入到一个或几个簇中[14], 如图2 (a) 所示。然而, 本文在学习过程中需尽可能多地采集人脸的不同姿态或不同表情, 在无监督学习方法中, 实现这个目的最简单的方法就是确保人脸尽可能均匀分布在簇中 (图2 (b) ) 。学习准则的两个阈值的确定需对学习方便和学习成效之间做权衡, 否则会出现两个极端。第二个准则用于检测和去除人脸裁剪不准确、运动模糊、遮挡等造成的不稳定帧。
2.3 在线识别
识别过程中, 系统能自动检测和跟踪视频序列中的人脸, 裁剪并规范化人脸区域, 然后使用2.2.1节描述的匹配算法计算人脸的SIFT特征并与数据库中所有人脸的簇代表特征进行匹配, 再将所有人脸的簇平均SIFT误差e和匹配数目m规范化到0~1范围 (式 (2) 和式 (3) ) , 最后使用式 (4) 合并。每个帧与图库匹配时, 产生一个G×C相似度矩阵, 其中G是数据库 (也称为图库) 中人脸的数目, C是每个人脸簇数目。值得注意的是, 由于每个簇代表一个不同的脸部姿态, 所以人脸的平均簇相似度与查询人脸的整体相似度会不一致。然而比较平均簇相似度与最小簇相似度性能, 最小簇相似度执行效果明显较好, 因此, 本实验中采用最小簇相似度来代表人脸身份对查询帧的整体相似度。
使用最小簇相似度规则, 留下相似度分数向量si (i=1, 2, …, G) , 包含每个人脸身份与查询帧的相似度。令sj为最佳相似度 (即最小值) , sk为下一个最佳相似度, 则查询帧匹配结果上的置信度计算如下:
置信度值的范围是0~1, 1是理想的置信度值。在基于视频的人脸识别中, 决策通常是在多个查询帧基础上执行的, 并且在最终决策合并或选择最佳帧之前使用置信度值加权帧匹配。识别过程中, 由于冒充者 (即未知人脸) 可能会表现出与图库中某个人脸较高的相似度, 但是置信度一定是较低的。所以单独使用相似度阈值来绝冒充者是不够的, 因为其平均误差和匹配数目经过了规范化 (式 (2) 和式 (3) ) , 而利用置信度作为阈值来使用, 能很好地解决这个问题。
基于视频的人脸识别是一个连续过程, 每个新的帧t匹配到数据库时, 给出了一个矢量si, 与前一个向量si (t-1) 并行级联 (其中t代表时间维度, i=1, 2, …, G是数据库身份索引) 。由于系统存储容量是有限的, 所以仅考虑后f个帧, 其他数据在匹配之后都会删除。使用了两个不同方案来合并最后f个帧的结果, 第一个方案, 称为批处理时序识别, 以批处理模式合并最后f个帧的相似度, 即平均最后f个帧的原始相似度分数, 因此, 在任意时间t, 查询对象对数据库的相似度由下式给出:
式中, s'it是最后f个帧的平均相似度分数, sit是帧t的原始相似度分数, 正如前面讨论的, sit指的是数据库中每个身份的最小簇相似度。第二个方案, 称为复合时序识别, 以复合方式合并相似度分数, 即对最后f个帧的平均相似度分数再求平均, 因此, 在任意时间t, 查询对象对数据库的相似度由下式给出:
式 (7) 中, s″it表示以复合方式合并的平均相似度分数。
3 实验
实验在标准数据库Honda/UCSD的第一个数据集[15]和以人为对象的实时视频上进行。实验比较了批处理时序识别和复合时序识别之间的性能, 其中, 本文得出的识别率由正确识别的帧数目除以帧的总数确定。此外, 还使用Honda/UCSD数据库研究了视频序列中身份变化对识别的影响, 使用注册用户和未知冒充者的实时视频进行验证实验。
3.1 UCSD数据库的人脸识别
Honda/UCSD数据库[15]包括20个人的训练视频和另外29个测试视频集, 视频的分辨率为640×480, 所有视频中的人具有较大的姿态变化 (偏转、俯仰和侧偏) 和表情变化, 测试视频的所有人脸身份都出现在训练视频中。使用批处理时序识别模式和复合时序识别模式对这个数据库进行实验。图3显示了使用上述两个方法得到的相对于帧数的识别率。可以看出, 复合时序识别效果明显好于批处理识别效果, 最大识别率可达到99.5%。
3.2 人脸身份变化的影响
为了研究人脸身份变化的影响, 串联Honda/UCSD数据集的测试视频, 在产生的视频序列上执行复合时序识别, 图4所示为串联视频序列中每个帧的数据库人脸身份的相似度值的最大坡度减最小坡度图。图中的峰值对应于检测的人脸身份变化, 比较这些峰值与人脸身份变化的横坐标位置 (由顶部的垂直线标记) , 可以看到, 使用最大与最小相似度坡度度量相减可以正确识别人脸身份变化, 一旦检测到身份变化, 就可以复位系统移除识别中的延时。
3.3 实时视频中的在线人脸识别
对本文算法进行在线学习和识别实验, 将图库中人脸身份的数目增加到50, 在训练和识别期间, 人脸身份可改变他们的姿态和表情。此外, 额外增加22个个体作为冒充者, 即他们既不包括在图库中也不出现在训练过程中。在这些实验中, 为节省存储空间, 在参与对象的实时视频匹配之后会被丢弃, 训练阶段只保留簇的代表特征, 识别阶段只保留相似度分数。本文算法用C++语言实现, 运行在一个主频2.4 GHz的PC机上, 每秒能执行550次匹配。由于图库中有50个人脸身份, 每个身份含10个簇, 每900毫秒更新一次识别结果, 实验中仅显示每帧的前几个识别结果, 另外, 相似度分数保存在日志文件中用于分析。
图5 (a) 显示了批处理时序识别和复合时序识别的相对性能, 复合时序识别再一次表现出较好的效果。当13帧时达到97.8%的峰值识别率 (即式 (7) 中f=13) 。结果类似于在UCSD数据库上获得的结果, 在UCSD数据库上当f=15时达到99.5%的最大识别率。图5 (b) 显示了复合时序识别对各种帧数的级别识别率, 使用13帧在级别3和使用9帧在级别7达到100%识别率。
上述在实验中, 赋予了所有帧相同的权重, 不考虑它们的置信度。为了分析本算法对不可靠帧的鲁棒性, 在以下的两个实验中, 研究了置信度对框架的影响, 图6 (a) 显示了复合时序识别相对于帧置信度的性能。帧置信度用于拒绝低于某个置信度阈值的帧, 注意当仅有5帧且每个帧的置信度高于0.26时, 识别率就能够达到100%左右, 使用一个帧也能达到100%识别率, 但是置信度需超过0.36。
验证实验中, 将22个注册用户 (身份在数据库中注册过) 和另外22个冒充者 (未知人脸) 与数据库进行匹配, 当注册用户与数据库中自己的身份匹配时, 将相似度分数当作正品分数, 当冒充者与数据库中任意身份匹配时, 将相似度分数当作冒充分数 (或不匹配) 。总之, 共有最大正品分数2962个, 冒充分数161 500个。图6 (b) 显示了本文验证实验中单个帧在各种置信度阈值下的ROC曲线 (受试者工作特征曲线) 。在0.0014的错误接受率 (FAR) 下, 使用置信度为0.35以上的帧, 验证率是100%, 如果继续增加置信度阈值效果更为显著。图7显示了FAR (z轴) 相对于帧数 (x轴) 和置信度阈值 (y轴) 的三维图, 当使用5个帧且置信度阈值为0.35时, FAR为零。
3.4 比较及分析
为了更好地体现本文算法的优越性, 在实时对象识别实验中将其识别率与算法运行时间与其他几种视频人脸识别算法进行比较, 包括EVLBP[10]、FFME[11]、mesh SIFT[12]以及ARFOL[6], 实验环境与3.3节一致, 针对所有的算法, 自己进行实验, 各个比较算法的参数设置分别参照各自所在文献, 实验记录了各个算法的最佳识别率、学习及识别所耗平均时间, 结果如表1所示。
从表1可以看出, 各个算法的识别率相当, 本文算法比EV-LBP算法略低, 但高于FFME、mesh SIFT、ARFOL, 从学习和识别时间看, 本文算法均取得了最低值, 在识别时间上, ARFOL算法甚至为本文算法的2.7倍, 表明了本文算法的实时性, 在保持与其他算法相当甚至更优识别率的同时, 能够大大降低学习、识别时间, 表明了本文算法的优越性。
4 结语
局部解剖学 篇5
帽状腱膜：位于额顶枕区中部，坚韧致密，前连枕额肌的额腹，后连该肌的枕腹，两侧至颞区逐渐变薄，与颞浅筋膜相续。头皮裂伤如伴有帽状腱膜横向断裂时，由于枕额肌的收缩，则伤口裂开较大，缝合头皮时，应将腱膜仔细缝合，以减少皮肤张力，有利于止血和创口的愈合。
腱膜下间隙：又称腱膜下疏松结缔组织，此间隙通过导静脉与颅骨的板障静脉、颅内的硬脑膜窦相连，如发生感染，可经此途径继发颅骨骨髓炎或颅腔感染，故常将此层称为颅顶部的“危险区”。
颈动脉鞘：是颈筋膜在颈部器官的两侧包绕颈总动脉、颈内动脉，颈外动脉、颈内静脉和迷走神经形成的筋膜鞘。
甲状腺悬韧带：甲状腺的假被膜在甲状腺两侧叶内侧和峡后面增厚，附着于甲状软骨、环状软骨及气管环上，称为甲状腺悬韧带。它将甲状腺固定于喉及气管壁上，吞咽时使甲状腺可随喉的活动上、下移动。
腋鞘：椎前筋膜自斜角肌间隙开始，向外下先后包裹锁骨下血管、腋血管及臂丛一直延续至腋腔，称为腋鞘。
食管上三角：位于纵膈左侧面，由左锁骨下动脉、脊柱和主动脉弓围成，内有胸导管和食管上份。
肋膈隐窝：有肋胸膜与隔胸膜相互转折形成，呈半环形，是最大的胸膜隐窝，也是胸膜腔的最低部位，胸膜腔积液首先积聚于此。
肺根：出入肺门的主支气管，肺血管、支气管血管、淋巴管和神经等结构被结缔组织连接在一起，外包以胸膜，称为肺根。
心包裸区：两侧胸膜前界在第4胸肋关节以下彼此分开，形成一个三角形无胸膜区，内有心包和信，称为心包裸区。临床常在胸骨左缘第4肋间隙进针，经此区做心内注射，一面损伤胸膜和肺。
胃床：胃后壁膈网膜囊与胰、脾、左肾、左肾上腺、横结肠及其系膜相毗邻，这些器官共同形成胃床。
胃结肠韧带：为成人大网膜前两层上部直接由胃大弯连至横结肠的部分，内含胃网膜左右血管、胃网膜左右淋巴结。肝十二指肠韧带：是小网膜的右侧部，从肝门连于十二指肠上部，韧带内包有胆总管（右前）、肝固有动脉（左前）、肝门静脉（前二者之间后方）、肝神经丛及淋巴结等。
网膜孔：又称winslow孔，是网膜囊与大腹膜腔之间的唯一通道。其上界是肝尾状叶，下界是十二指肠上部，前界是肝十二指肠韧带，后界为覆盖下腔静脉的壁腹膜（膈腹膜与下腔静脉相邻）
肝蒂：出入肝门的肝左、右管，肝门静脉左右支，肝固有动脉左、右支，淋巴管及神经等结构总称为肝蒂，走行于肝十二指肠韧带内。
第三肝门：在腔静脉沟的下部，肝右后下静脉和尾状叶静脉出肝汇入下腔静脉处称为第三肝门。Calot三角：即胆囊三角，由胆囊管、肝总管、和肝下面围成，内有胆囊动脉和肝右动脉，是手术中寻找胆囊动脉的标志。
肾段：每一肾段动脉所供给的肾实质区域称为肾段。共有五个，上段、上前段、下前段、下段和后段。
肛提肌腱弓：闭孔筋膜在耻骨体盆腔面与坐骨棘之间呈线性增厚，称肛提肌腱弓，为肛提肌的起点在盆隔上、下筋膜的附着处。
子宫阔韧带：呈冠状位，位于子宫两侧，由覆盖子宫底及子宫体前、后面的双层腹膜自子宫侧缘向外侧延伸至盆侧壁而成.内含输卵管、卵巢、卵巢固有韧带、子宫圆韧带。可限制子宫向两侧移动。
骶子宫韧带：由盆脏筋膜构成，从子宫颈后面向后绕过直肠两侧附着于骶骨前面。有牵引子宫颈向后上，维持子宫前屈的作用。
肛门括约肌：由肛门内括约肌和肛门外括约肌两部分组成。肛门内括约肌由肛管壁下部环形平滑肌增厚形成。肛门外括约肌由环绕肛门内括约肌周围的横纹肌，包括皮下部，浅部和深部3部分。
尿生殖膈：由会阴深横肌、尿道括约肌(尿道阴道括约肌)以及覆盖它们上、下面的尿生殖上、下筋膜共同构成，男性有尿道通过，女性有尿道、阴道通过。
锁胸筋膜：位于腋窝前壁，是位于锁骨下肌、胸小肌上缘和喙突之间的胸部深筋膜，有头静脉、胸肩峰血管和胸外侧神经穿过。
腕管：位于腕前区，由屈肌支持带与腕骨沟共同围成，内有指浅、深屈肌腱及屈肌总腱鞘、拇长屈肌腱及其腱鞘和正中神经通过。
腕尺侧管：位于腕前区尺侧，由腕掌侧韧带的远侧部和屈肌支持带围成，内有尺血管和尺神经通过。
掌浅弓：由尺动脉终支和桡动脉掌浅支吻合而成，位于掌腱膜与指屈肌腱、蚓状肌及屈肌总腱鞘之间。弓的凸侧发出1支小指尺掌侧动脉和3支指掌侧总动脉，分布于尺侧3个半指掌面及其中、远节背面。
掌深弓：由桡动脉终止和尺动脉掌深支吻合而成，位于骨间掌侧筋膜与骨间掌侧肌之间。弓的凸侧发出3支掌心动脉，分别与相应的指掌侧总动脉吻合，并发支至骨间肌、蚓状肌和掌骨。
血管腔隙：前界为腹股沟韧带内侧半，后界为耻骨梳韧带、内侧界为腔隙韧带，外侧界为髂耻弓。内有股鞘及其包含的股动脉、股静脉、生殖股神经股支和淋巴管通过。股鞘的内侧份为股管的上口股环。
肌腔隙：前界为腹股沟韧带外侧半，后外界为髂骨，内侧界为髂耻弓。内有髂腰肌、股神经和股外侧皮神经通过。
梨状肌下孔：梨状肌上缘与坐骨大孔上缘之间的间隙被称为梨状肌上孔，自外侧向内侧依次有臀上神经、臀上动脉和臀上静脉通过。
坐骨小孔：由坐骨小切迹、骶棘韧带、骶结节韧带共同围成。其内由外侧向内侧依次有阴部内动、静脉和阴部神经通过。这些结构由坐骨小孔进入坐骨直肠窝，分布于会阴。
局部泛红肌肤 篇6
强力去脂洁面，会令皮肤脆弱泛红
秋高气爽，正是出游好时节，但很多人一到下午就会出现双颊干燥泛红，有紧绷、刺痛、瘙痒甚至烧灼感，原因就是出门在外，很多有洁癖的女性认为脸又油又脏，过于频繁去角质或使用强力去油脂的洁面产品，或使用高浓度的果酸、水杨酸产品，保养不当而造成角质层受损，皮脂膜破坏，表皮层下的红血丝被充分地暴露出来。
舒缓喷雾，增强泛红敏感肌屏障功能
肌肤容易泛红发烫，说明毛细血管扩张、表皮温度增高，皮肤的水分迅速散失，比起正常肌肤水分加倍流失。只有持续不断地补足水分，方可确保皮肤正常的代谢功能，加强皮肤的天然屏障功能。适用于敏感皮肤的矿泉水可以止痒抗炎，舒缓不适，强化修复。日间当肌肤感觉干燥不适时，要用凉开水洗脸，洗脸后不要用毛巾擦脸，用纸巾印干，然后喷上舒缓喷雾，10秒钟后用纸巾轻轻沾去多余水分，再涂以面霜；每晚用矿泉喷雾均匀喷湿面膜纸，敷面约10分钟。
换了环境“水土不服”，肌肤自然变“娇气”
同样熬夜，为什么有的人看上去黯淡疲惫，而有的人肌肤依然有光泽？皮肤专家认为，这种肌肤耐受力上的差异性，70%取决于年龄和遗传，还有30%取决于你是否待在一个稳定的环境里。出门旅行时，换了一个环境，皮肤也会闹“水土不服”。这说明本身气血不足，加上胶原蛋白的流失加快，肌肤失去了对外界刺激的防御力，耐受力变差。
三点入手，重建肌肤耐受力
局部学习 篇7
在相关的研究中,人们发现SIFT描述子在各种图像转换条件下,鲁棒性非常好。但SIFT描述子所占用的空间非常大,运行速度也慢,这是非常大的缺点。
1 学习图像特征描述子
在灰度图像补丁x当中,采用D维的向量来对其进行描述。也就是说,图像补丁特征数据映射到D维的向量空间Y。
在上面这个式子中,X指的是图像补丁的集合,也就是测试补丁以及训练补丁。向量C(x)=[c1(x),……,CD(x)]也属于补丁x的描述子。需要用一部分相应函数[hm(x)Mm=1,在这个式子里,hm必须是属于0 和1 之间的自然数,可以被当成补丁来获得描述子。
补丁x的描述子是这样的:C(x)=ATHT(x)。在这个式子当中, AT属于D×M的矩阵,可以被记作:A等于。其中,是描述子第d维对应的弱分类器系数向量。H(x)=[h1(x),……hM(x)]是由响应函数所组成的向量。因此描述子第d维的值应该是:。描述子的每一个维数都能够使其发生变化。笔者采用Ada Boost的办法,分析出了描述子每一维数的图像特征分类器的选择以及权重系数。
采用上面所说的Ada Boost方法来进行计算,先要开始确定训练样本。所谓的训练样本指的是有标记符号的补丁,[(x1,y1)],lj]Nj=1,在这个式子里,lj∈[- 11,] 。lj等于-1,这个代表的是两个不一样的补丁,同时这两个补丁也是相似的。有研究者采用Ada Boost来进行计算,发现Ada Boost方法实际上是对指数型损失函数优化的一种办法。学习目标函数应该是这样的:。
在上面这个式子当中,f(xi,yi)是补丁对相似性函数。笔者使用了描述子表示图像补丁特点,因此两个图像补丁互相的相似性度量就是两个相对的描述子之间的相似性度量,其流程图如图1所示。
在分析几个图像补丁的相似点的时候,必须要有两个流程,第一个是由图像补丁到描述子。第二个是将两个描述子的相似性进行对比,其需要建立在相似性度量函数上面。因此这样的描述可以被看成是一个二层神经网络。
1.1 特征响应函数
在这个过程中,可以将基于梯度的响应函数用来当作弱学习器。整个弱学习期是由三个参数组成,也就是说,在补丁x上,可以确定一个方向e,一个阀值T,以及矩形区域R。最后,响应函数可以这样被定义:
在这个式子当中,。另外,εe(x,m)=max(0,cos(e-0(x,m))。在这个式子当中,o(x,m)指的是补丁x在m处的像素梯度方向。方向,在这里面,q指的是梯度方向Bin的个数。采用积分图像来进行计算,效率会非常高。
1.2 学习特征的浮点描述子
采用以上方法,分析响应函数的在图像里的局部特征上作用结果乘积的权重和,运用另外的函数。。
在上面这个式子当中,∂d代表的是描述子的权重,从而得到浮点型描述子。此外,描述子的每一维对应一个响应函数。
把上面这个式子代入进去,可以得到目标函数:
响应函数空间也许属于无限的,因此如果要对OBssc进行优化,就存在一定的难度。但是可以采取Boosting来进行解决。这种算法具备贪婪的特性,可以构建弱学习器,但是效率却不高。需要对Boosted SSC的相似性函数进行修改。使用Ada Boost算法来修改相似性函数,从而算出低维数的图像特征浮点描述子,这个浮点描述子的构建方式可以被看成Ada Boost -Float - Point 。
笔者也是采用的这样的方式来对描述子进行计算,由于系数矩阵A一般都是浮点数。最后所得出的描述子也是浮点描述子。对图像补丁的相似性进行描述,需要计算出补丁对应的描述子的关联度。可以将相似性函数这样进行定义:
在上面这个式子里,C(x)以及σx都属于补丁x的描述子维数上的均值以及方差,也就是说:
在上述式子里,补丁y的表达式和x的表达是一样的,因为不是直接的对描述子的维度进行操作,所以其相似性的度量比维数值度量的鲁棒性更高。
将上面的式子代入进去,可以得到这样的目标函数:
这个目标函数属于凸函数,因此在进行优化的时候,可以找到最优解。在进行优化的时候,采用两步学习方式。第一步是在训练样本的基础上,利用Ada Boost将其最小化,从而得到M个弱学习器的权重。采取合理的方式对目标函数进一步的优化,最后再利用梯度下降法最小化OF,从而得到每一个弱学习器的权重。采取第一个算法对目标函数进行优化,从而得出配置优化的特征弱学习期非线性组合。在这个算法里,使用Ada Boost方法获得响应函数和相应的权重系数,从而构建补丁的特征描述子。这个算法对Boosted SSC进行了拓展。而且还要按照补丁的像素水平来分析相似性,使其被补丁描述子用来估算相似性。
2 怎样对描述子进行评估
在不同的数据集当中,对特征描述子的性能实施评估。第一种则是采用了Brown数据集进行评估。其包含了三组不同目标的图像补丁集,每一组有四十万个64 乘以64 补丁。这部分补丁是以Do G检测子检测出的兴趣点来作为中心。每一个数据集里的补丁有不同视角和灯光变化,其补丁数是十万、二十万以及五十万。一般采用32 乘以32 的降采样补丁,其中二十万补丁用作获取描述子,剩下的十万补丁用作测试集。
经过评估后,得出的结果是采用ROC曲线以及95%差错率来描述。
3 描述子性能对比实验
采用上面所说的描述子评估方式,在Brown中,利用3 个数据集对笔者提出的描述子进行性能评估。为了能够更好的了解实验结果,可以把结果分为两种,一种是进制描述子、浮点描述子。在本文中,将Yosemite看成训练集,将Liberty作为测试集。从而对描述子进行评估。
从图中可以看出,二值描述子是最快的,是浮点描述子中的几个数量级。这是因为弱分类器选择的响应函数组合形式不一样。这是由参数的选择所决定的。
5 总结与体会
本文提出了基于Ada Boost算法的一种框架。通过实验后发现,这样的学习架构所获得的特征描述子,在全部的描述子里面的图像局部匹配查准率最高。因此,这种方式也是合理的。
参考文献
[1]惠国保,童一飞,李东波.基于改进的图像局部区域相似度学习架构的图像特征匹配技术研究[J].计算机学报,2015.
[2]张芬.肇事车辆刹车痕迹图像特征匹配技术仿真[J].计算机仿真,2015.
[3]刘丽晖.基于不变量理论的遥感图像特征匹配技术[J].知识经济,2010.
[4]云延进,郭永彩,高潮.基于图像局部区域梯度特征描述的红外人体识别算法[J].光学技术,2008.
[5]罗楠,孙权森,耿蕾蕾等.一种扩展SURF描述符及其在遥感图像配准中的应用[J].测绘学报,2013.
局部学习 篇8
齿轮传动是一种常见的运动和动力传递方式,广泛地应用于机械设备中。齿轮故障会导致机械设备的整体性能下降,甚至引起严重设备事故从而造成重大经济损失[1,2],因此,研究齿轮故障诊断方法具有实际意义。而齿轮的振动信号蕴含了齿轮的运行状态信息,所以,通常通过振动信号分析进行齿轮故障诊断。
齿轮故障的振动信号一般具有非线性、非平稳的特性,为了准确地将信号分解,进而得到分量的局部特征,许多学者开展了时频分析技术的研究[3,4,5]。其中,经验模态分解(empirical mode decomposition,EMD)是一个研究的热点。作为一种有效的自适应时频分析方法,EMD与Hilbert变换(Hilbert transform,HT)相结合,被广泛地应用于齿轮故障诊断领域[6,7,8]。但EMD在使用过程中存在一些问题,如过包络、欠包络、端点效应、模态混叠等[6,7,8]。因此,国内外学者一直在寻求EMD的改进、替代方法。
程军圣等[9]在本征时间尺度分解(intrinsic time-scale decomposition,ITD)[10]的基础上创造性地提出了局部特征尺度分解(local characteristic-scale decomposition,LCD)方法,该方法在保证分解所得分量物理意义清晰的基础上,具有计算时间短、端点效应不明显等优势,开拓了自适应时频分析方法的新思路[11,12]。
齿轮故障振动信号可以看成多个调幅-调频信号的叠加,通过LCD可将信号分解成单个调幅-调频分量之和,对每个分量进行解调再进行故障诊断是一种有效的方法。常用的解调方法有Hilbert解调和经验调幅调频分解(empirical AM-FM decomposition,EAD)。Hilbert法的不足是:包络本身光滑性较差,且端点效应明显,求取信号瞬时频率时会出现负频率现象[13]。EAD法可避免Hilbert变换引起的端点效应及负频率,但EAD法只是一种经验方法,缺乏严密的理论推导[14]。因此,研究新的解调方法具有一定的工程意义。
为了准确分析齿轮故障振动信号蕴含的故障特征,本文提出了一种新的解调方法———局部均值解调法,并结合LCD进行故障诊断。
1 基本理论
1.1 LCD方法
LCD方法将一个信号x(t)分解成若干个内禀尺度分量(intrinsic scale components,ISC)之和[10?12]。每个ISC分量必须满足2个条件:①任意2个相邻的极值点符号互异;②考虑所有的极值点Xk及对应的时刻τk(k=1,2,…,M,其中M为极值点的个数)。
取两个相距最近且符号互异的极值点(τk,Xk)和(τk+2,Xk+2),按照下式定义一个τk+1时刻的函数值:
则Ak+1与极值点Xk+1的比值关系不变,即
式中,α∈(0,1)为一常量,典型地,α=0.5。
为了筛选出ISC分量,LCD方法构造了信号的均值曲线,将均值曲线不断地从原信号中分离,其迭代过程与EMD方法类似,不同之处在于均值曲线的构造方法。LCD方法用均值点构造均值曲线,均值点的定义为
式中,Lk+1为均值点,在迭代结束时数值为0。
标准LCD算法采用分段线性方法由均值点Lk计算均值曲线。为了得到更光滑的ISC分量,本文采用三次样条方法替代分段线性方法。
1.2 局部均值解调法
文献[14]提出了EAD法,指出该方法大多数情况下较Hilbert法有优势,笔者通过理论分析及数值仿真发现,在ISC分量的解调中,有必要对EAD法进行改进。
EAD法的基本思路是:将信号的所有极值点取绝对值,用三次样条函数插值形成包络函数,用原始信号除以包络函数得到标准化信号;若标准化信号为调频分量,则分解结束,否则将标准化信号作为原始信号,重复分解过程。通常情况下,迭代2~3次,标准化分解就会结束,信号可以表示为调幅分量(包络)和调频分量的乘积。
在上述过程中,有两点需要注意:
(1)EAD法认为信号是零均值对称的,所以将所有极值点取绝对值,进而求包络函数。但在实际应用中,LCD分解得到的分量往往不能满足EAD法的假设,只能“局部”满足“零均值对称”,这一点从均值点的定义及均值曲线的构造过程可以看出。为了从数值上说明这个问题,图1给出了调幅-调频信号x(t)的均值曲线。x(t)为
由图1可以看出,LCD方法定义的均值曲线是零均值的近似,在局部范围内与零值存在较大的偏差,按照均值曲线迭代得到的ISC分量并非是零均值对称的,而EAD法按照全局零均值处理求包络理论上存在误差,利用局部信息则能减小其影响。因此,在构造包络函数时,考虑用“局部均值曲线”代替“全局均值曲线”。
(2)EAD法采用三次样条插值方法求包络函数,存在“过包络”、“欠包络”的问题,从而导致解调精度下降。为了避免这种情况,考虑用滑动平均法代替三次样条插值。
基于以上两点考虑,参考局域均值分解(local mean decomposition,LMD)[15]的思想,提出了一种局部均值解调(local mean envelope,LME)法,将信号的调幅部分和调频部分分离。与EAD法相比,该方法在包络函数的构造方法上作了改进,其余步骤相同。包络函数的构造方法为:计算信号的局部均值点,采用滑动平均法求局部均值曲线,用原信号减去局部均值曲线,得到零均值对称曲线,用滑动平均法计算包络函数。计算过程如下。
(1)确定第j个ISC分量ISCj(t)的所有局部极值点ni及其时刻tn i,计算均值点mi、局部幅值ai:
(2)用滑动平均法得到均值函数m11(t)、包络估计函数a11(t)。
(3)将局部均值函数m11(t)从原始信号ISCj(t)中分离出来,得到
(4)用h11(t)除以包络估计函数对h11(t)进行解调,得到
(5)重复步骤(1)~(4)k次,直至得到一个纯调频信号s1k(t)(瞬时幅值均小于1)及k个包络信号a1k(t),按照下式计算包络信号:
从LME解调法的流程可以看出,其实质就是将一个ISC分量视为一个乘积函数(product function,PF)分量和一个剩余信号之和,然后按LMD方法迭代的第一步求出一个纯调频信号和一个包络信号,剩余信号视为计算误差舍去。ISC分量与PF分量的定义内涵类似,剩余信号很小,可作为误差舍去。
1.3 瞬时频率计算
对纯调频信号s1k(t)利用反正切函数计算相位:
将φ(t)展开并求导,可得到瞬时频率。
求导计算会导致局部极值点附近的瞬时频率出现畸点,可对瞬时频率作平滑或滤波处理。本文采用滑动平均法,对任何一个瞬时频率的计算结果取连续3个采样点的平均值。
1.4 基于瞬时频率频谱的齿轮故障诊断
当齿轮存在故障时,其振动信号会出现调幅、调频现象。忽略传递函数的影响,齿轮故障振动信号可表示为[8]:
式中,fr为轴的转频;z为齿轮的齿数;Xm为第m阶啮合频率谐波分量的幅值;φm为第m阶啮合频率谐波分量的初相位;dm和bm(t)为第m阶啮合频率谐波分量的幅值和相位调制函数,两者都是以fr及其倍频为重复频率的周期函数。
根据瞬时频率fm(t)的定义:
可以看出fm(t)可反映bm(t)的信息。
应用LCD方法对y(t)进行分解,对ISC分量求出瞬时频率fm(t)。fm(t)是一个以齿轮转轴转频及其倍频为中心的频率分量。对fm(t)进行频谱分析进而得到瞬时频率谱,由瞬时频率谱可以直观地判断fr及其倍频是否存在,从而进行故障诊断。
2 仿真数据分析
考察下式所示的仿真信号:
其中,x(t)为仿真信号,由调幅调频信号x1(t)、正弦信号x2(t)合成;采样频率为fs=1024Hz,仿真时间t∈[0,1]。对仿真信号进行LCD,得到2个ISC分量和一个剩余信号r(t),仿真信号及分解结果见图2。
由图2可以看出,LCD能将调频调幅信号、正弦信号分解出来,剩余信号幅值很小,具有良好的分解能力。
为了比较Hilbert法、EAD法和LME法的效果,分别采用三种方法对两个ISC分量进行包络解调,将瞬时幅值直接给出。对EAD法和LME法采用反正切法计算瞬时频率,三种方法的瞬时频率计算结果均采用三点平滑处理。
图3、图4所示是两个ISC分量瞬时幅值的计算结果,可以看出三种方法解调结果均能反映原始信号的变化趋势,其中,Hilbert法计算结果波动最大且端点处的计算值严重偏离理论值;EAD法效果优于Hilbert法;LME法求得的瞬时幅值最贴近理论值,端点效应最小,更符合原始信号的实际特征。
图5、图6所示是两个ISC分量瞬时频率的计算结果,可以看出不同方法计算结果差别较大:①在ISC1(t)的计算结果中,Hilbert法端点效应最明显,两端的计算误差已超过实际频率;EAD法的端点效应较Hilbert法有明显改善,但中间段的精确度有所下降;LME法计算结果最好;②在ISC2(t)的计算结果中,Hilbert法端点效应最小,EAD法端点效应最大;而中间段的计算效果,LME法最好,Hilbert法与EAD法相当。
总的来说,在瞬时幅值的计算方面,三种方法计算误差均不大,LME法优于EAD法,Hilbert法效果最差;在瞬时频率的计算方面,计算误差均较大,从端点和中间段的综合效果来看,LME法最优,Hilbert法最差。
3 试验数据分析
齿轮故障试验数据源于QPZZ-Ⅱ旋转机械振动分析及故障诊断试验平台系统,其齿轮箱传动结构如图7所示。变频调速电机通过联轴节驱动小齿轮,大齿轮与小齿轮直接啮合。大小齿轮均为圆柱齿轮,大齿轮齿数为75,小齿轮齿数为55。
人为地将小齿轮的一个齿尖切割约5mm,模拟小齿轮断齿中度故障。试验中,大齿轮输出轴负载为零。设置电机轴转速为880r/min,实测转速878r/min,则小齿轮的转频f1=14.6Hz,大齿轮的转频f2=10.7Hz,齿轮啮合频率为804.8Hz。采用加速度传感器采集振动信号,传感器在输出轴电机侧轴承处垂直于齿轮箱上表面安装,信号采样频率为fs=5120Hz,计算数据点N=1024。
图8给出了原始信号的时域波形图及包络谱。从时域波形图上可以看出原始信号具有调幅-调频特性,并且存在周期性冲击。为了验证LCD本身的能力,本文没有采用中值滤波、SVD等降噪技术,包络谱直接采用Hilbert法求出,为了观察特征频段的特征,只给出了低频段(0~1000Hz)的波形。从包络谱上可以看出20Hz、45Hz处有明显谱峰。20Hz可近似认为是大齿轮转频的2倍频,45Hz可近似认为是小齿轮转频的3倍频,由此可以判定齿轮箱出现了故障,但不能判定哪个齿轮出现了故障。
对原始采样信号进行LCD,得到4个ISC分量和1个剩余信号。图9是4个ISC分量的时域波形。可以看出:①LCD类似于自适应滤波器,4个ISC分量所包含的频率段逐渐降低;②每个ISC分量的幅值依次减小;③每个ISC分量均可近似认为是调幅-调频分量。因此,LCD是一种有效的信号自适应分解方法。
对4个ISC分量分别应用三种方法解调,并求瞬时频率谱,将低频段(0~1000Hz)的结果列于图10~图12。可以看出:①在分量1的瞬时频率谱中,小齿轮转频3倍频处存在相对明显的谱线;②在分量2、3的瞬时频率谱中,小齿轮转频2倍频处存在相对明显的谱线;③分量4的瞬时频率谱能清晰反映小齿轮转频及其2倍频。因此,LCD结合三种解调方法求出的瞬时频率谱均能得出小齿轮存在故障的正确结论。
但是Hilbert法求得的瞬时频率谱中存在明显的高频能量泄漏现象,其他频段的谱线杂乱,干扰较大;在EAD法求得的瞬时频率谱中,高频段的干扰得到明显的抑制;而LME法求得的瞬时频率谱高频干扰最小,信噪比最高。因此,LME法在齿轮故障诊断中具有一定的优越性。
4 结论
“用工荒”局部可能升级 篇9
人社部发布调查显示, 企业招工人数在增加, 但明确表示继续外出务工的人数却较往年在下降。对务工人员调查中, 有62%的返乡务工人员明确表示春节后要继续外出务工, 与2008年同期调查相比降低了6个百分点。
在准备外出务工人员中, 74%的人员准备回原企业上班, 而不准备回原企业上班的人员列出的原因包括:认为收入太低的占49%, 加班太多的占18%, 没发展前途的占14%, 学不到技术的占12%。有30%的返乡务工人员表示要视情况而定是否再次外出务工。所占比例与往年相比增长6%。值得关注的是, 有8%的返乡务工人员表示不再外出务工。“工作收入低、加班多、没前途阻碍务工人员回流。
人工成本比上年有所上升
由于用工需求旺盛, 多数企业预计人工成本上升。对企业调查中, 有72%的企业预计2010年人工成本比上年会有所上升, 与上年同期调查相比, 预计人工成本上升的企业增加了32个百分点, 企业预计员工工资平均上升幅度为9%, 相比企业对工资增长的预期, 务工人员的期望值要更高一些。
调查显示, 打算继续外出务工的人员预期2010年平均工资收入比2009年实际工资收入增长幅度超过14%, 这5个百分点的差距有可能进一步加剧“用工荒”。
我国劳动力总体供大于求
有关专家分析, 目前出现“用工荒”有一定的时间因素。因为农民工多数要在正月十五以后才出门求职, 而珠三角等地的企业由于订单增加则早早地开工。所以“用工荒”究竟会有多严重还有待观察。
人社部有关负责人表示, 虽然我国局部地区的确出现了“用工荒”, 但从总体上看, 我国劳动力仍然是供大于求, “用工荒”还是局限于一定的范围内和特定的时间段。
日本消防法律局部修订 篇10
日本消防法律体系是一种自上而下、逐层细化的体系,其《消防法》、《消防法施行令》、《消防法施行规则》三个法律互相补充。2016年,日本对该三部法律进行了修订,新版《消防法》和《消防法施行令》于2016年4月1日正式实施。《消防法施行规则》于2016年2月24日正式实施。与旧版消防法相比,新版消防法整体结构未变,同样分为9章,只是加强了某些细节的规定,如加强了对高层建筑的防火管理,更加明确了高层建筑防火管理员的职责等。其配套的《消防法施行令》和《消防法施行规则》也做了相应的修订。
主体平稳 局部微调 篇11
1.朝代
2010年的18套试卷和２０08、２０09年一样都共选用了19首诗歌，其中唐代作品5首，宋代作品9首，元代作品1首，清代作品1首，三国魏作品1首，南朝梁作品1首，南朝陈1首。与近三年高考试题比较，唐宋两代作品再次成为命题者的重点。这其中有两个重要原因：一是唐宋两代分别有代表一代文学成就的诗和词，唐诗、宋词的成就在诗歌文学领域的地位不容忽视。其次唐宋两代是一个各种矛盾十分尖锐的时代，国家不幸诗家幸，大量的优秀的诗人出现，从而创造出大量优秀的诗歌。2010年所选诗歌朝代的涉及范围变得更广了。２０09年唐代以前的作品未能进入命题者的视野，而2010年范围明显比以前扩大了，命题范围涉及到7个朝代，唐以前的作品也进入了命题者的视野（共有3首，分别为三国魏作品1首，南朝梁作品1首，南朝陈作品1首，）且有继续扩大的趋势，因为其符合试题范围广，类型多样化特点。
2.审视作者
18套试卷涉及诗人18位（宋代陈与义两次入选）。本年度改变了以往著名作者较少的情况，学生耳熟能详的知名诗人增多，如三国魏阮籍；唐代李白、王昌龄、杜甫；宋代的欧阳修、黄庭坚、范成大、陆游、王安石等。跟以往一样，命题者虽选用这些知名诗人，但其作品入选的并不是他们的知名作品。这有两方面原因：一方面是避免和各地的辅导复习资料撞车，另一方面减少注释，降低了对诗歌主题内容的理解难度。同时仍然延续了以往对“二线诗人”的选录，如唐代的司空曙、雍陶；宋代的郭祥正、陈与义等。
3.体裁
19首诗歌中诗歌中，诗作13首，其中五律6首，七绝6首，五古1首；词曲6首，其中小令5首，元曲1首。以往七绝和小令为命题者首选题料，这两种体裁独占鳌头已经好多年了，今年又增添了一个比重很大的新成员——五律，五绝和元曲则长期备受冷落。特别是五绝，今年在占绝大比例的诗中，连一席之地都没有。这是因为五绝内容相对简略，缺乏深刻的内容含量。相比七绝和小令则更受命题者的亲睐，就连文化大省江苏２０09年选了词中长调岳飞的《满江红·登黄鹤楼有感》也昙花一现，今年仍就选了七绝王昌龄的《送魏二》。
4.观察题型
18套试卷中多数以直接采用简答题作为考查的基本形式，只有北京卷、上海卷、福建卷（采用了填空题考查形式）三套试卷采用选择题和问答题两种考查方式。总的来说跟以往一样以单篇鉴赏为主流，比较鉴赏题型２０09年仅见于湖南卷，而今年仅见于天津卷；另外延续了去年的“多元解读”题型的登场，好几套试卷出现了探究性答题模式，答案不再是唯一，而是“仁者见仁，智者见智”的不定答案。说明“答案符合题意，言之成理即可”。这种题型的大量涌现，符合诗歌教学的多元化，符合高考重在考查学生解读能力的要求，必定会赢得社会喝彩。
5.考点
2010年高考试卷中，除了北京卷、上海卷、福建卷三套试卷中选择题不好具体纳入考点外，笔者统计18套试卷34道诗歌鉴赏主观题中，涉及“形象”的3题；涉及“语言”的4题；涉及“表达技巧”的12题；涉及“思想内容”的10题；涉及“观点态度”的5题。当然这是一个粗略的统计，因为试题蕴涵的考点往往是互相联系，互相交叉的，很难给它一个确定的界定。但是从这粗略的统计不难看出，跟以往一样，思想内容和表达技巧的考查是命题者首先考虑的考查模式（粗略统计2009年涉及“表达技巧”11道，涉及“思想内容”12道），而且表达技巧体型越来越受到命题者的青睐，且有继续上升的势头。这是因为这一考点符合新课程下能力的考查，考查学生的分析能力，甚至是动手能力，让学生学会采用不同的表达技巧来达到内容表述的目的。
6.亮点
局部放电信号的处理 篇12
关键词：电缆故障,高频小信号,小波包变换,MATLAB仿真,谐振放大器,电压跟随器,Multisim仿真
引言
电力电缆的使用范围越来越广, 在电力输电网络中及高压电力设备中, 因绝缘问题造成的局部放电现象是一个常见的电缆故障[1]。 一旦电缆绝缘被击穿就有可能引起停电事故造成社会影响和经济损失。 因此, 局部放电检测对于及时发现早期故障, 防止故障进一步扩大导致绝缘失效是一项非常有效的检测途径[2], 可以尽量减少财务损失[3]。 另外, 应用三脉冲法进行地埋电缆闪络性故障及高阻态故障的定位, 局部放电信号检测也是关键技术之一。
在实际问题中, 对电缆放电现场拾取得到的原始信号具有频率高且通频带窄、幅值非常小、且混杂着一定干扰信号和噪声等特点。 因此, 信号调理是局部放电检测关键环节。 噪声的存在对信号的本质特征会产生严重的干扰, 因此, 在处理原始信号时, 必须对混杂的噪声加以消除, 去噪后信号的一些重要特征才能显现出来。 文章将考虑对拾取到的信号进行硬件及软件相结合的滤波去噪处理。
对现场微小信号进行采集及数字处理的前提条件是信号放大。 采用运算放大器可以满足所需放大倍数要求, 但当放大倍数过大时容易使波形产生失真现象, 同时对于频率高、通频带窄的局部放电信号难以满足适应频率和硬件滤波技术要求。 与运算放大器相比LC谐振放大器对高频小信号有很好的放大作用且波形不易失真。
1 LC放大电路原理
电缆故障放电的信号幅值特别小, 传感器感应到的信号是非常微弱的, 一般在 μA级, 分析采集的信号, 则先要将信号放大, 这就需要用到高频小信号放大器来完成[4]。
LC并联谐振回路具有一个显著的特征, 即为选频功能, 可对所需测量的频率段的小信号进行放大处理。 LC并联谐振回路的电流信号在谐振点处呈现出较大的阻抗, 几乎是纯电阻性的, 此时将需要的电流信号转变为电压信号进行输出, 此时失谐点频率处的电流信号就会呈现较小的阻抗, 可实现抑制失谐点频率处电流信号输出的作用, 从而起到选择出需要测量的电信号, 抑制无用的干扰信号的目的。
1.1 LC谐振放大器
LC谐振放大器由两部分组成, 分别为LC谐振回路与放大器, 共发射极接法高频小信号调谐放大器, 它不但可以对有用频率信号进行放大, 同时兼具一定的滤波功能, 可以起到选择所需要的频率信号的作用。 LC谐振放大器的原理是利用电容与电感两元件的电抗随着频率的变化而发生变化, 在某一频率点或某一狭小频率带, 只有与之相匹配的LC参数, 才能满足谐振放大的条件, 该频率点之外的信号将被滤掉。 晶体管的静态工作点由三个电阻分别为R6、 R7、R8 决定。 放大器的调谐回路谐振时所对应的频率f0称为放大器的谐振频率, 高频小信号调谐放大器对处于中心频率处的信号具有极大的放大能力[5]。
f0的表达式为:
1.2 电压跟随器
在放大电路中一般存在两个问题必须加以考虑, 即信号在前级的输出电阻中因损耗产生的衰减问题和输入信号与反馈信号发生重叠造成信号失真问题。 因此放大电路中还需要一个缓冲和隔离环节。 电压跟随器的输入阻抗较高, 可以达到几兆欧姆, 而它的输出阻抗相对来说较低, 一般只有几欧姆, 甚至可能会更低, 此时电压跟随器可达到缓冲作用。 同时, 在负反馈电路中, 当输入信号与反馈信号发生重叠时, 将导致采集到的信号不准确, 影响测量结果, 此时电压跟随器将产生隔离作用。 电压跟随器可采用运放OPA355NA和电阻R1, R2 组成, 其中两个电阻的阻值是相等。
1.3 通频带和参数的选取
一般情况下, LC谐振放大电路只会对所设定的某一个特定频率范围内的信号进行放大, 即具有选频作用。 因此谐振回路中的电感L和电容C参数必须与设定频域相匹配。 如果电路输入信号频率偏离谐振频率时, 放大器的电压放大倍数就会有所下降, 电压放大倍数A1 下降到谐振电压放大倍数A2的0.707 倍时所对应的频率偏移称为放大器的通频带BW。
BW=2△f0.7=f0/Q, Q为谐振回路的有载品质因数。
2参数计算及电路仿真
旁路电容C1, C5一般大小选取为0.1μF, 电容C13, C8的取值为0.001μF。, 则L可选取标称值500ph。
局部放电脉冲信号放大的整体电路结构如图1 所示。
图1 是对高频小信号进行放大的电路图, 在测量过程中为了防止幅值较大的发射脉冲可能窜入到接收通道从而击穿放大器, 需要在信号放大之前加入一个并联倒置的二极管进行钳位处理;放大器则选用2N2222, 具有较高的放大倍数和超高的频率。
采用Multisim软件, 对上述电路作模拟仿真, 局部放电信号是高频信号, 在理论上可以用下面的数学模型等效。
其中A为局放信号的幅值;t0为放电脉冲起始时刻, fc为衰减振荡频率;τ为衰减时间常数。
此波形类似于一个逐渐衰减的正弦波, 则可采用一个正弦信号作为信号源, 仿真波形如图2所示。
从仿真结果图我们可以看出, 局部放电信号有明显的放大, 后续数字处理环节对信号等级及精度要求。但同时发现信号的相位发生了一定的偏移, 产生此现象的原因是因为电路中存在着电容, 电感和三极管2N222等一些惯性元件, 信号经过这些元件后相位就会发生改变。
3局部放电信号噪声数字处理
上述LC谐振放大电路对设定通频带外的信号能起到滤波作用, 但如果通频带设置较宽或谐振参数选择有偏差, 经放大后的信号除放电脉冲信号之外, 依然含有其他干扰信号。因此对经放大后的信号数字化后仍需进一步进行去噪处理。
3.1噪声处理方法
对于局部放电信号的去噪处理有多种方法:傅里叶变换去噪、小波分析去噪、小波包去噪。
小波包分析是一种时频联合局部化分析方法, 它是在小波分析的基础上提出来的。与小波分析相比, 小波包分析为信号提供的分析方法相对来说更加精细, 在进行处理信号时, 它会将信号的频带进行多层次的划分, 对高频部分进行进一步分解, 而小波分析则对高频部分没有细致的划分, 同时小波包分析具有很高的自主性, 可以根据被分析信号的特征, 自适应地选择相应的频带, 达到被分析信号的频带与信号的频谱相匹配的目的, 从而使信号的时频分辨率有了较大的提高[6]。对于傅里叶变换去噪, 如果干扰信号的中心频率发生变化, 则原来设置的参数都将会失效, 需重新计算, 比较麻烦。
因此选用小波包去噪的方法对局放信号进行去噪处理。
3.2小波包去噪步骤
小波包对信号去噪应用过程的步骤:
( 1) 信号的小波包分解。 选择一个小波并确定一个小波分解的层次, 然后对信号进行小波包分解。
( 2) 确定最优小波包基。 对于一个给定的嫡标准, 计算最佳树。
( 3) 小波包分解系数的阈值量化。 对于每一个小波包分解系数, 选择一个适当的阈值并对系数进行阈值量化。
(4) 信号的小波包重构。根据最底层的小波包分解系数和经过量化处理系数, 进行小波包重构。
利用小波包分析对一个含有噪声信号进行消噪处理。
图3 左上为原始信号的波形, 表示一个正弦信号, 右上为加上噪声之后的波形, 表示一个包含白噪声的正弦波信号, 左下为在默认的阈值下进行消噪后得到的波形, 从仿真结果看出去噪结果不理想, 右下为在原始默认阈值thr的基础上对阈值大小进行改变, 分析仿真得到的结果可知与原始信号相比去噪效果很明显, 信号的一些重要特征会显现出来。
4 结束语
利用Multisim仿真软件对放电脉冲拾取信号进行调理电路辅助设计, 电路结构采用了带电压跟随的LC谐振放大电路, 按通频f0和通频带宽, 经计算确定了满足谐振条件的匹配电感L和电容C。 由仿真结果图可知被测信号被放大且没有明显失真, 同时电路具有滤波, 选频的功能, 可以抑制无用的信号。 根据结果进行电缆线路的分析, 所设计的电路是符合要求的。
在小波包去噪分析过程中, 从仿真结果图可以得知小波包在信号去噪方面有明显的效果, 且对于具体问题中, 不同的阈值下的信号去噪效果有很大差别。 因此, 在应用小波包去噪解决实际问题时要选取合适的阈值来进行信号去噪处理。
通过对局部放电信号的放大和去噪处理, 采集到的信号有了明显的变换, 最大程度地提取原始信号中的有用信息, 信号的一些细节特征将会突现出来。 分析处理过的信号易于观察出电缆的故障点, 易于电缆故障的定位和检测。
参考文献
[1]OTRON H.History of Underground Power Cables[J].IEEE Electrical Insulation Magazine, 2013, 29:52-57.
[2]RUDD S, MCARTHUR S, JUDD M.A Generic Knowledge-based Approach to the Analysis of Partial Discharge Data[J].IEEE Transactions on Dielectrics and Electrical Insulation, 2010, 17 (1) :149-156.
[3]GILLIE R, NESBITT A, RAMIRE-INIGUEZ R, et al.Correlation of IEC60270, HFCT RF Spectra and HFCT PQN Patterns for HV Cable Fault[C].Jiangsu:Unknown, 2014:15-18.
[4]任青莲.高频小信号放大器的设计与仿真[J].计算机仿真, 2009, 26 (12) :315-319.
[5]黄相杰, 林佳才.LC谐振放大器的设计[J].电子设计工程, 2013, 21 (5) :176-179.
[6]黄婷.电力电缆局部放电定位方法的研究[D].西安:西安电子科技大学, 2009.