改进目标

2024-10-16

改进目标（通用12篇）

改进目标篇1

阅读教学的目标既是上课的出发点又是其最终归宿;是学生的指向标, 所以, 每个语文老师都要重视每一课目标的制定与落实, 才能达到事半功倍的教学效果。

教学目标看似简单, 不过短短的几句话, 却凝聚着老师的教学智慧, 体现出我们对课程的理解, 对教材的把握以及对学生的了解。

一、制定教学目标, 充分把握好教材

一是注重重点。一篇课文, 可教的东西很多, 我们应该以是否正确理解和领悟课文的关键作为取舍教学重点的标准。二是注重难点。所谓“难点”, 就是指学生难以理解和掌握的疑点, 也就是通常所说的需要学生跳一跳才能摘到的果实。三是要注重内容, 所谓“注重内容”是指注重对课文内容的理解和领悟。只有正确地理解和领悟了课文的内容, 才能真正提高学生驾驭语文的能力。所以, 在确定教学目标时, 应当注重对内容的理解, 让知识传授和能力训练为达到这一最终目标发挥积极的作用。比如, 四年级上册《颐和园》一课, 根据教材内容, 我确定本文的重点为:学生感受颐和园的优美景色, 并感情朗读自己喜欢的优美段落;教学难点为:学习抓住重点词句体会景物特点的写作方法, 并运用到自己的写作中。这样更能将三维目标整合在一起, 层次条理清楚, 发展学生的语文能力。

二、制定教学目标, 要充分解读课标, 明确所讲内容要达到的范围和程度

学期初, 老师必须要阅读、吃透课程标准, 年段目标了然于胸, 然后再去阅读、理解、爱上一篇篇课文, 制定适合学生的切实有效的教学目标, 这样在教学中才会胸有成竹, 才会方向明确, 才会游刃有余。否则, 我们教学时要么信马由缰, 要么钻进死胡同, 要么浅尝辄止, 要么深不符实。《语文课程标准》指出, “语文是工具性和人文性的统一”。语文要抓语言文字, 语文教学的目的就是学会交流, 即口头交流和书面表达。还是以《颐和园》为例, 本文除了在词汇方面的积累外, 还要感受这些词汇在表达情意方面的作用, 即:抓住重点词语体会景物的美, 从中感受作者的赞美之情。这样既传授了知识, 又注重了方法的指导, 培养了学生的能力。

三、制定教学目标, 教师还要考虑学生已有的知识技能、认知水平

教师要考虑学生在情感态度方面的适应性, 深入了解学生的生活实际, 要充分考虑学生的学习差异、个性特点兴趣爱好等, 制定出详实可行的教学目标。为不同状态和水平的学生提供适合他们最佳发展的教学条件。同时, 教师要经常主动与学生交流沟通, 认真听取他们对教学工作的意见和建议, 使教学目标制定的更具针对性、层次性、实效性和科学性。比如, 《颐和园》一课, 学生分析:四年级学生词汇基础还不够丰富, 虽然还需要说说、读读的积累巩固;但更应该重视学法和写法方面的指导。所在这一课中确定的学法就是: (1) 理清作者的写作顺序; (2) 抓住重点词句体会景物的特点。两个方面的学法由易到难, 更能适合学生的认知特点。

语文教学的内涵非常丰富, 有待于我们去研究、探索的问题还很多, 笔者只是从确定教学目标这一角度略陈己见, 今后, 还要继续努力探究。

改进目标篇2

为贯彻包头市《关于开展“患者安全目标”行动的通知》文件精神，落实9月份全面开展“安全目标”行动工作，医院领导对此高度重视，召开专题会议，成立以主管院长为组长的专项自查小组，针对《2011年患者安全目标》中的要求进行了科室的查找医疗安全隐患检查，现将自查汇总如下：

一、严格执行患者知情同意及签字制度。

1、医院每月对科室进行1—2次有关医疗安全各项制度落实情况的督导检查，科室利用晨交班时间定期对科室医师进行巩固培训。医师在患者进行有创检查、特殊治疗之前严格执行了查对制度及谈话制度，并签署了知情同意书，医师与患者或患者家属做到了有效沟通，取得了患者及家属的理解和信任，为患者实施正确的治疗和操作奠定了良好的基础。

二、严格执行了手卫生规范，落实了医院感染控制的基本要求。

1、完善并严格执行了医护人员手部卫生管理制度和手部卫生实施规范，我院针对医院感染中的手卫生进行了2次专项培训，配置了有效、便捷的手卫生物品、设备和设施。为执行手部卫生提供必要的保障。

2、医护人员手术操作过程中使用无菌医疗器械较规范，手术后的医疗废物处置均能按照医院感染要求正确分类处理。

三、完善了临床实验室“危急值”报告制度。

严格 “危急值”报告项目的质量控制，未发现在执行质量控制措施，如标本采集、储存、运送、交接、处理等过程中严重违反规定现象。

“危急值”报告项目范围、针对科室服务范围符合要求

四、存在问题：

1、有个别医务人员手卫生依从性较低。

2、医师对患者家属交代病情时家属不能固定人员，给知情同意签字带来不便。

五、整改措施

1、加大手卫生培训力度，各科室主任、护士长作为第一责任人，负责监督实施。

2、加强对患者及家属沟通工作，便于医师被授权人的沟通签字。

高中阅读教学目标预设的改进策略篇3

语文阅读教学目标是指语文课堂教学活动的预期结果，其以语文课程标准的要求、语文教材的内容、学生已有的言语发展水平和教师自我的教学经验等因素为基础，用以指导师生的言语实践活动。尽管语文课堂教学目标依据上面的相关因素设定，但它不是刚性规定，而是一个随着课堂言语实践活动的进程不断调适，不断由应然走向突然的动态过程。

一、教学目标的拟定力求具体

用模糊的语言撰写的教学目标必然使陈述的内容模糊不清。在阅读教学目标陈述中，使用“领会”、“认识”、“把握”等抽象而笼统的动词，将导致阅读教学目标陈述的含糊不清。因此，在教学目标预设过程中，应避免使用这一类动词。而“准确说出”、“准确写出”、“快速找出”、“合理解释”、“准确复述”、“朗读准确”、“准确默写”、“流利背诵”等行为动词，对学习结果能做出明确而具体的规定，可操作性很强，便于教师直接或者间接观察和测量，像这类动词，我们在教学目标陈述中应多加使用。

当然，陈述教学目标时，语言要尽可能地简洁精练，但必要的限制性词语不能随便省去。如对行为方式、活动条件、学习程度与数量等方面做出严格规定的词语是必不可少的。

案例1：对《荷塘月色》（第二课时）教学目标预设的改进

以下为《荷塘月色》未改进的教学目标：

①通读全文，把握本文的情感脉络；

②通过学习第四段掌握几种常见的表现手法在写景散文中的运用；

③使学生能把文中出现的几种表现手法灵活地运用到写作中，提高写作能力；

④让学生感受到本文景物描写的美，培养学生热爱大自然的情感。

笔者改进后的教学目标：

①学生在诵读文本的基础上（行为产生的条件），能依据文本的自然顺序列出作者抒发的感情（行为），其中可包含“沉醉美好之中”、“幻想超脱现实”、“无法超脱现实”等词语（合格行为的标准）。

②学生在熟练背诵第四段的基础上（行为产生的条件），能模仿本段再写一段话（行为），要运用比喻和排比的修辞（合格行为的标准）。（这是对原教学目标第2、3两条的整合）

③学生通过朗读、默诵和仿写（行为产生的条件），能感受、体验到荷塘月色之美（行为），养成亲近自然美景的情愫（合格行为的标准）。

在改进的教学目标中，笔者使用了“列出”、“模仿”、“感受”、“体验”等能对学习结果做出明确具体规定，而又便于操作性、便于观察和测量的行为动词，教学目标的措辞做到了明确具体。

二、教学目标的行为主体应该陈述为学习主体即学生

教学目标应陈述的内容是学生通过教学实施后在智育和情感方面发生的变化。但我国当前公开出版的许多教学参考书，尤其是“优秀教案”之类，都无一例外的用“教学要求”代替教学目标，在陈述教学目标的时候，仍旧习惯于陈述教师该做什么。“教学要求”陈述的都是教师教的行为，而不是学生通过学习后在心理、行为层面发生的变化。如“让学生感受到本文景物描写的美，培养学生对大自然的热爱之情”、“引导学生体会作者对旧社会的憎恨和愤怒之情”、“培养学生勇于探索科学精神的情感”、“提高学生思想和道德水平”之类的教学目标，都是对教师教的行为的描述，即使教师真的这样去做了，学生基于文本阅读的言语实践能力能否切实发生变化，能否经得起我们直接或者间接的测量与检验，这些都是神秘的，不得而知的。

案例2：对《祝福》第二课时（人教版高中语文必修2）教学目标预设的改进

以下为《祝福》未改进的教学目标：

①分析文中人物祥林嫂及其他人物的形象特征；

②通过鉴赏，学习本文运用肖像描写、动作描写、语言描写等手法塑造人物形象的方法。

笔者改进后的教学目标：

①学生在默读文本的基础上（行为产生的条件），能依据文本中的肖像描写、动作描写、语言描写等塑造人物的方法，准确概括祥林嫂的形象特征（行为），答案应包含外在形象和内在品质两个层面的内容（合格行为的标准）。

②学生在默读文本的基础上（行为产生的条件），能依据文本中肖像描写、动作描写、语言描写等塑造人物的方法，准确概括鲁四老爷、柳妈和“我”的形象特征（行为），答案可以包含外在形象和内在品质两个层面的内容（合格行为的标准）。

③学生在对文本中祥林嫂等人物形象特征准确概括的基础上（行为产生的条件），运用塑造人物的方法，刻画一位性格突出的人物形象（行为）。要求综合运用肖像描写、动作描写、语言描写这三种塑造人物的方法，语段字数控制在150字左右。

在这个案例中，教学目标的陈述基于学生对文本的阅读，从“学”的角度出发，陈述了行为结果的典型特征，制定的教学目标便于操作，易于观测，并且行为主体是学生。

运用三维目标改进语文教学篇4

一、理解三维目标的内涵, 掌握相应的教学策略

1. 知识与能力的内涵。

语文能力提高的主要途径是语文基础知识的积累。新课程标准强调学生阅读总量的提高、阅读方法的运用, 进一步提出了语文基础知识积累在语文学习中的重要性。而语文能力的培养和提高, 应彻底突破传统意义上的听、说、读、写的教学方法, 不断发展学生的思维能力, 激发学生的想象力和创造潜能, 培养学生自主学习的能力, 让学生通过实践把语文知识转化为语文能力。

2. 过程与方法的内涵。

新课程标准强调学生是语文学习的主体, 要重视学生语文学习的过程和语文实践, 要求学生在语文学习过程中要掌握学习语文与运用语文的方法, 让学生摸索出带有明显个性特征的学习方法, 并积极倡导自主、合作、探究式的学习, 从而从根本上摒弃传统的语文课堂教学中那种简单重复、机械、填鸭式的教学模式。

3. 情感态度与价值观的内涵。

语文教材的内容大都是对社会生活的反映, 表达的是作者对社会和人生的情感态度。教师在教学中应注重熏陶感染、潜移默化的作用, 让学生通过学习、感悟课文内容培养高尚的道德情操, 形成正确的价值观和积极的人生态度。

二、理清三维目标之间的关系, 把握教学思路

在语文教学的三维目标中, 知识与能力是核心, 同时也是其他两个目标在教学过程中落实的基础, 是学生提高语文素养的根本。但是没有学习的过程与方法, 新课程标准所倡导的自主、合作、探究的学习方式就无从谈起, 学生学习的主体性更是无法得到体现, 而课堂教学的模式也只能回到课改前的状态。情感态度和价值观也是很重要的, 没有这一目标, 语文教学将失去其所体现的人文性, 我们的语文教学也就失去了更多的现实意义。

因此, 三维目标绝对不是毫无意义的简单叠加, 三个方面相互渗透, 融为一体。教师要以知识为主线, 在教学过程中渗透情感态度和价值观。同时, 教师要以知识技能为基础, 以活动为载体, 让学生在活动中经历学习的过程、掌握学习的方法、培养良好的情感态度与价值观。这样才能最大限度地挖掘教师的教学潜能, 进一步实施好新课改, 从而提高学生的语文综合素养。

三、细化三维目标, 重视目标的运用

要理解三维目标的内涵并将三维目标运用到语文课堂中, 我们必须根据教学实际, 细化、具体化三维教学目标: (1) 紧扣教材, 引导学生搞好课前预习。 (2) 关注学生的课堂行为和对知识的运用。 (3) 注重对学生学习方法的指导, 并把握好教学速度, 合理有序地组织课堂教学。 (4) 抓好学生对知识的学习, 对学习方法的运用, 对情感的体验和对兴趣的培养。 (5) 改革课堂教学的评价机制, 建立学习过程与学习结果并重的教学评价模式, 以确保三维目标在语文教学中的成功运用。

课堂教学改进目标及措施篇5

王晓明 2010.10

课堂教学改进目标及措施

王晓明

古人曰：师者，传道授业解惑也。我感悟到：传道需要艺术，才能吸引人；授业需要方法，才能塑造人；解惑需要技巧，才能完善人。为此，我孜孜不倦的学习教育教学先进理念，努力探索课堂教学方法和模式，尝试教学改革，在实践中不断凸现了自己教学的优势。那就是：我以语言的亲和力拉近了师生情感的距离，调动了学生学习、参与的热情；我以思维能力的培养来设计和分析问题拉近了学生与数学的距离，让学生自主探究获得知识；我以分层教学等课题研究关注每一位学生的学习，提高了学生学习数学的实效性。用学生的话来说：“爱听数学老师的话，爱上数学老师的课，爱问数学老师的问题”，就是对我教学工作的肯定和激励。

随着课改的不断推进和深入，对照“改进中学数学课堂教学的几点意见”，我不断反思自己的教学行为，感觉到在优化教学过程、关注学生个性差异和不同数学需要等方面仍存在诸多的不足，主要表现在：

（一）随着农村学校优质生源的严重流失，在教学目标制定上过分强调了“基础知识、基本技能”双基，淡化了“数学思想方法的渗透，情感态度教育”等方面的要求。

（二）创造性地使用教材能力不足。对于书上的例题、习题根据学生实际进行分层再创造，或者根据学生实际情况和对课本的通盘考虑，对教学内容的调整和选择，或者对联系学生实际对问题情景的再创设等有所尝试，还缺乏足够的深度和广度。

（三）在精心设计问题的过程中，对学生学法指导力度不够。

（四）对学生学习评价方式有所改进，但仍停留在浅层次，没有建立一个完善的评价体系。

为了更加有效地改进课堂教学，提高教学实效，现结合本人的教学实际和学生实际，制定以下几点改进措施：

一、加强对学生个体差异的研究与分析

新课程理念要求体现“以学生发展为本”，凸现学生个性发展的需要。对于长期担任毕业班教学的我来说，如何短时间内掌握学生的基本信息（学生的学习基础、学生的特长、学生的个性及学生的学习兴趣等等），是落实教学各个环节、提高教学效率的关键。我改变了传统“从前任教师那里获取学生的基本情况”的方法，先通过问卷调查掌握学生第一手资料，主要是：现在数学学习的现状、数学学习的兴趣、数学学习的困难、数学学习的目标、学生的特长和个性、与教师交流的方法及在数学学习中希望得到老师哪些帮助等等，及时了解学生的客观与主观情况，适合学生个体差异来有效完成教学工作。然后在边教学边实践中获取学生的直接信息，再与学生个别交流，由学生的个体差异采取不同的沟通方法，真正达到师生情感上的互动到学科教学上的互动。今后在加强学生个体差异调研与分析的前提下，系统制定适合学生个体差异的教学措施：（1）课前预习

分层指导；（2）课堂教学问题设计分层（3）布置作业分层（4）辅导学生方法的多样化。

二、提高课堂教学的有效性

提高课堂教学的有效性是每一个教师教学的追求，也是实现知识内化的要求和需要。为此，我将在以下方面进行改进：

1、教学目标的有效性：教学目标的制定适合教材和学生，有效促进学生的发展。（1）知识与技能、过程与方法及情感态度与价值观三维课程目标的指导下，针对学生基础薄弱的实际情况，加强双基训练和能力培养，在学科教学中渗透人文精神和德育。例如，结合教学内容，让学生收集相关数学史进行爱国主义教育等。

（2）在制定教学目标时，根据学生现有认知结构预见教学过程中知识生成的困难，对旧知识进行适当地迁移和铺垫，让学生体验知识生成系列过程，既提高学生学习的效率，又激发学生学习的兴趣，从而体验学习成功的快乐。

（3）在制定教学目标时，根据学生学习的实际水平，分层次地分散难点和重点，借助于学生探究、操作感知活动和信息技术整合等手段，让不同层次的学生掌握各层次知识的重点和难点，真正体现数学教育的实质：“数学是大众的数学”。

2、知识处理的有效性

（1）在充分把握教材的知识体系、教学内容地位的前提下，根据学生认知水平对教材内容安排、进度适当进行调整，便于学生更好的掌握知识。

（2）对教材上的例题、习题有的放矢进行创新与改进：增加问题设置的坡度；问题结论改造成开放题、探究题；把例题改造成置身于与学生生活背景中感兴趣的同类问题；把一些“静”的问题动起来、活起来；把一些理性知识转化成学生通过直接感知体验再上升的知识生成过程等，让学生的学习活起来、乐起来。

3、教学方式的有效性：体现在“教”为“学”服务，充分调动学生参与课堂教学的积极性，达到师生互动、和谐发展。

（1）继续尝试和完善分层教学方式的运行机制，针对个体差异，提高个体学习的有效率。（2）根据教材内容特点，继续尝试多种教学模式的研究。例如“抛锚式”、“体验式”、“问题情景式”等综合运用，让学生在玩中学，学中乐。

（3）在课堂教学中加强对学生学法指导的研究，特别是教学策略的研究，让学生在活动中体验、研究问题的科学方法和解决问题的能力。今后的学法指导着重于①学生自学方法的选择与学法指导②多种新型教学方法组合应用开展学法指导③学法指导在通过数学内容学习、重视数学思想和方法的挖掘和渗透。

4、多媒体运用的有效性：利用学科与信息技术适切、适量的整合，增强课堂教学的趣味性、直观性和形象性，提高课堂教学的密度，突破教学的重点和难点，从而提高课堂教学的实效。在贯彻适切、适量的整合方面，努力加强对教材的疏理：

（1）对教材中体现较强的运动思想（平移、翻折和旋转）和函数映射思想等，尽量通过

多媒体展现知识的生成过程。

（2）数学中图形的生成、美感可以通过多媒体让学生来体验、感悟。（3）教学中的重点、难点通过多媒体分解为各个环节，从而得到突破。

（4）把一些适合学生的教学设计活动，置身于现代化信息技术背景下，帮助学生理解、应用。

5、学习评价的有效性：通过评价提高学生学习的自信心、鼓励成功、促进学习。（1）课堂教学中学生活动的评价：自评、他评和互评形式进行激励评价。（2）作业评价：教师用激励的语言和符号给予学生评价。

（3）分层评价：教师根据学生的不同层次给予分层评价，激励学生达到“最近发展区”。（4）阶段评价：学生阶段总结评价、家长督察反馈评价、教师过程检测评价交流互动。

三、注重教师的反思与提高

教师的每一次教学反思就是新一轮的业务提高，为此要学会反思，努力做到：（1）认真做好每一张教案的问题生成批注。（2）认真写好每一堂课的教后感。（3）认真做好单元教学反思。

（4）认真撰写教学反思类的案例和论文。

通过以上改进课堂教学措施的制定，力求在课堂教学实践中逐一落实，从而使课堂教学质量有更大幅度的提高。

夏邱中学

王晓明

改进的自适应多目标粒子群算法篇6

关键词：多目标优化；粒子群优化；帕累托最优；约束控制；边界处理；全局最优选择；自适应控制；最大传输能力

摘要：边界处理和全局最优引导者选择操作对多目标粒子群算法的性能有重要影响，在考虑不同操作方法特征的基础上，提出了改进的自适应多目标粒子群（multiobjective particle swarm optimization， MOPSO）算法.当算法陷入局部最优时，启用交叉变异操作；当算法收敛性停滞时，轮换修剪边界处理和指数分布边界处理操作；当算法多样性停滞时，轮换反比于拥挤距离和反比于控制粒子数目的全局最优引导者概率选择操作.标准测试函数以及柔性交流输电系统（flexible AC transmission system， FACTS）装置优化配置问题的仿真结果验证了所提算法的有效性.

关键词：多目标优化；粒子群优化；帕累托最优；约束控制；边界处理；全局最优选择；自适应控制；最大传输能力

教学目标制定的误区与改进建议篇7

误区一:目标不具体

中班数学活动《巩固8以内的数》的目标有二:1.观察纸牌什么地方一样和不一样;2.能排列成各种形状。前者未明确要求幼儿观察纸牌的什么(大小、形状、颜色、图案,还是图案的排列)一样和不一样?后者,没有明确指出要求幼儿能把“什么”排列成各种形状。

改进建议:教学目标的设计一定要有其具体的内容和要求,切忌抽象空洞。如:可将上述教学目标改为:1.点数纸牌上每组图形的圆点,并能大胆说出它们分别是有几个圆点组成。2.能将每组图形的圆点重新排列成与原图形不同的图形。

误区二、目标超难度

小班上半学期数学活动《接下去铺什么》的目标之一为:让幼儿发现物体的排列规律,掌握排序的技能。这样的目标对于小班上半学期的幼儿来说是相当难的,教师在活动中虽然边讲解边示范操作,把几何图形按照一方一圆有序地排列,并请一个幼儿接下去按规律有序地排列,但该幼儿并不能理解一方一圆的排列规律,所以他只能机械地按范样操作。

改进建议:教师制定教学目标应尊重幼儿身心发展的规律、学习特点、兴趣需要以及已有经验等。小班幼儿年龄小,感知觉反应不敏锐,对“排序”“规律”等较抽象的概念尚不能理解。因此,建议将上述目标改为比较具体形象的目标:认知几何图形,比较长方形与圆形的异同。

误区三:目标不全面

中班美术活动《简笔画》目标为:1.能画一个……;2.能沿线剪下……该活动虽然有两个目标,但内容只反应了认知这一目标层次要求,而对情感和社会性发展等目标只字不提。

改进建议:在实际教学活动中,认知、能力与情感三者是相辅相成、不可分割的。因此,教学目标的制定必须包含知识与技能、过程与方法、情感态度与价值等三个目标维度。所以,不妨将美术活动《简笔画》的教学目标改为:1.掌握简笔画绘画的技巧;2.乐意尝试用简笔画的方法表现动物的一种或多种动作。3.模仿所画动物动作,体验创作成功带来的快乐。

误区四:目标不能突出本学科特点:

小班语言故事《不怕冷的大衣》的教学目标为:1.知道冬天多运动就不怕冷;2.通过体育运动进一步体验“不怕冷的大衣”。显然,这些目标虽体现了整合的教育理念,但却忽视了“语言教学”这一重要目标。

改进建议:教学目标的制定应符合本学科的特点,即使进行整合教学,也必须以本学科的内容为重点,整合进来的内容应是为本学科的教学目标来服务的。因此,建议将上述目标改为:1.能认真地倾听故事,了解故事内容;2.能响亮地说出故事中主要人物,读准动词:躲、跑、跳:3.通过运动感受到“不怕冷的大衣”就是运动。

误区五:目标陈述不清晰

大班体育活动《往返跑》的教学目标为:1.发展幼儿对跑步的兴趣;2.使幼儿体会到跑步活动中运动竞赛和交往的乐趣;3.有较强提高速度的愿望。该目标的陈述脱离了“往返跑”这一中心内容,不能清晰地表达出通过“往返跑”这一教学活动究竟达到怎样的目标层次。

改进目标篇8

1 三帧差分算法原理

传统帧间差分或者三帧差分得到的运动目标都存在一定的缺点,获得的运动目标不完整,特别是对于缓慢运动的目标会存在大量的空洞。本文采用一种改进的三帧差分算法确定运动区域[3]。该算法首先用Surendra背景提取算法提取有效背景,采用背景选择性更新方法对背景进行实时更新;用连续的三帧图像分别与背景进行差分,采用HSV颜色空间阴影去除方法对三个差分结果进行阴影去除,然后进行三帧差分,将差分结果进行“与”运算;最后用“与”运算得到的结果与中间帧背景减除的结果进行“或”运算,则可以得到运动区域。如图1所示。

2 Meanshift算法

2.1 Meanshift算法原理

从d维空间Rd中取出n个采样点xi,其中i=1,…,n,在这里能够给出在参考点x处的Meanshift向量的基本形式为

从式(1)中能够看出(xi-x)是样本点xi相对于确定的参考点x的偏移量大小,Meanshift算法的基本向量Mh(x)的含义是在多维空间中,首先选择一个参考点x,在事先确定区域内对样本点xi与参考点的偏移量先进行求和然后再求平均值[4]。可以看出,所有区域内的样本点xi是从概率密度函数f(x)中采样得到的,根据概率统计学可知如果概率密度梯度值不等于零,则函数梯度指向概率密度增加最大的那个方向,sh区域中的采样样本几乎都落在沿着概率密度梯度的方向。显然,相应的Meanshift向量Mh(x)就是指向概率密度梯度最大的方向。

如图2所示,大圆的范围表示为sh,图中箭头方向表示参考点x的偏移向量,空心圆为落入区域sh中的n个采样点xi∈sh,而实心圆就是Meanshift基本向量的参考点x。很显然,基本向量Mh(x)的结果就是使参考点向采样点概率密度最大的方向进行偏移。

从式(1)中能够看出,在区域sh(x)中所得到的采样点xi,无论确定的参考点x离采样点有多远,对Meanshift基本向量Mh(x)的计算结果的影响是一致的。通过仿真可以看出这样的形式会使得参考点的收敛速度变得很慢。通常情况下,参考点x附近的采样点对基本向量的估计结果起到的作用就越大,因此对距离参考点不同远近的采样点赋予了不同的权值,常用的Meanshift扩展形式可以写为

2.2 Meanshift跟踪算法

假定点集{xi*},i=1,2,…,n表示运动目标所在区域内的点,x0表示区域的中心坐标,并根据目标区域的大小h对其进行归一化处理[5]。因此,相对于中心x0处的参考目标模板,其他位置xi的颜色概率分布可以设为,u=1,…,m,表示为

式中:δ为克罗内克函数[6]。k(x)是核函数的轮廓函数,采用该函数给不同的像素点赋权值。对中心点附近的像素点赋予的权值比较大,离中心点远的像素点所得权值就会比较小。通过该函数可以使得密度估计更加稳定可靠。C的计算表达式为

依据式(4)同样可以得到在候选目标模板中位置y的目标颜色概率分布,u=1,2,…,m,表示为

通过式(5)可以看到Ch与y值之间并没有什么联系,根本原因是由于像素位置xi的形式是规则化网格,因此确定核密度和尺度h后,Ch的大小也就被确定了[7]。

通过上述可知,目标的跟踪过程其实就是计算目标模板和候选模板的相似度大小,从而找到最佳候选模板作为最佳目标位置。首先计算出颜色概率分布的值,然后通过计算Bhattacharyya系数得出目标模板与候选模板的相似程度,颜色概率分布的相似性度量可表示为

y0为当前视频帧图像的初始位置,式(6)在y0处进行泰勒展开可以得到

通过上式可以看出经过泰勒展开后,y值只受等式右边第二项的影响。这样看来可以利用Meanshift算法对其进行迭代,在区域中得到概率密度估计最大值,通过该值确定目标的最新位置y1[8]。完成迭代以后,y1的值就是最后匹配的最佳位置。

3 Kalman滤波器

Meanshift算法主要是在目标中心领域附近搜索出相似度最大的运动目标,如果目标运动太快,或是目标被障碍物遮挡,都会使得跟踪的结果有很大的误差。因此本文结合Kalman滤波算法,该算法主要具有预测当前帧状态向量的功能,它是根据以往帧观测向量进行预测的,这样就可以得到运动目标的预测位置目标。Kalman滤波器主要是运用最小均方误差估计方法对动态系统的状态序列进行计算,由此可以得到下一帧中运动目标区域的中心位置信息,与此同时替换当前帧运动目标区域的位置[9]。假设目标位置在x轴以及y轴的状态向量表示为X=(xc,yc)T,预测目标的位置在x轴以及y轴的测量矢量表示为Z=[xc,yc]T。首先初始化状态向量Xi,接着用该状态向量作为Kalman滤波器的观测值来预测相邻帧的值。

Kalman滤波器的状态方程和测量方程分别表示为

式中:A为状态转移矩阵;H为测量矩阵;Wi,Vi分别表示状态噪声向量和测量噪声向量,假定该噪声都是独立的白噪声,对应的方差分别为Q,R。

状态向量预测方程的表达式为

状态向量协方差矩阵预测方程的表达式为

状态向量更新方程表达式为

状态向量协方差更新方程表达式为

Kalman加权矩阵或增益矩阵表达式为

式中:为预测状态向量;为状态估计向量;Pi i-1为预测估计协方差;Pi为估计误差协方差。

4 基于Meanshift的改进跟踪算法

通常情况下,Meanshift算法是一种有效的跟踪算法,很大程度上能够保证很好的跟踪效果[10]。Meanshift算法没有过多的考虑目标的实际运动情况,而仅仅是用偏移量也就是最大概率梯度的方向来确定目标位置,这样就忽略了实际运动目标的运动速度和运动方向信息。Meanshift算法的缺点在于跟踪框对于运动速度过快的目标跟踪效果不好,甚至会脱离实际目标。跟不上目标的主要原因是因为选取的初始值不正确,使得之后的迭代就出现更多的错误。在Meanshift算法中,对泰勒式展开的目的是使得巴氏系数最大化,其中只有当y1值与y0值相差不大的时候泰勒展开有作用。这个时候,如果将当前帧的初始值定为前一帧目标的中心坐标,当目标运动过快时就不能准备跟踪目标。并且在目标被遮挡时,也容易造成跟踪失败,跟踪过程中窗口大小无法自适应变化。

针对以上问题,本文提出一种基于Meanshift算法的改进算法。采用改进的三帧差分法对运动目标区域进行提取,求得跟踪框轮廓,同时用Meanshift算法对运动目标进行跟踪,获得目标最大概率区域,将该区域中心作为跟踪框的中心。跟踪过程中通过巴氏系数判断是否目标被遮挡,若被遮挡则调用Kalman滤波进行预测跟踪。改进算法的优点在于可以使跟踪框自适应变化,并且当目标被遮挡之后也能很准确地跟踪运动目标。算法流程图如图3所示。

1)首先要获得前景区域即运动目标区域。采用三帧差分对运动区域进行提取,然后将运动区域用跟踪框进行标注。

2)其次利用Meanshift算法进行迭代,由于它是重心移动,即向反向投影图中概率大的地方移动,所以会得到运动目标的中心点位置。

3)将获得的运动目标中心点也就是最大概率点作为跟踪框的中心,这样就实现了准确的跟踪,同时实现了跟踪框的实时变化。

4)在每一帧图像中,都利用巴氏系数(式(1))判断运动目标是否被遮挡,如果巴氏系数大于阈值T(经过多次实验,取T=0.4效果最佳),则不调用Kalman预测算法;否则调用Kalman预测算法对运动目标进行预测跟踪。

5 实验结果分析

图4是传统Meanshift算法的跟踪结果。该视频的运动目标的大小由大变小,传统的Meanshift算法跟踪框不能实现自适应变化,所以整个过程中跟踪框不能随目标的大小而变化;并且当运动目标被遮挡时,第131帧图像中运动轨迹发生了错误的变化。图5是本文算法的跟踪结果。结合了三帧差分和Kalman预测跟踪,实现了跟踪框的自适应变化,并且遮挡之后还能准确跟踪。

6 结论

本文提出一种基于Meanshift算法的改进算法。采用改进的三帧差分法对运动目标区域进行提取,该方法不仅保证了系统的检测效率而且还可以完整地提取出待跟踪的运动目标区域,从而求得跟踪框轮廓。同时用Meanshift算法对运动目标进行跟踪,获得运动目标信息即最大概率区域,将该区域中心作为跟踪框的中心,这样实现了跟踪框的自适应变化。跟踪过程中通过对巴氏系数的计算,判断目标是否被遮挡,若被遮挡则启用Kalman对下一帧目标位置进行预测。实验结果证明,本文将Meanshift算法结合三帧差分和Kalman滤波算法可以对运动目标进行实时准确跟踪。

参考文献

[1]杨红霞,杭亦文,刘旭.基于Meanshift与Kalman的视频目标跟踪算法[J].武汉理工大学学报(信息与管理工程版),2012,34(2):147-150.

[2]姚放吾,许辰铭.基于目标质心的Meanshift跟踪算法[J].计算机技术与发展,2012,22(6):104-110.

[3]张英,车进,周鹏.一种改进的三帧差分运动目标实时检测算法[J].计算机测量与技术,2015,23(6):2073-2075.

[4]许辰铭.视频图像中的运动目标检测与跟踪[D].南京:南京邮电大学,2012.

[5]陈柱,李子印,朱明凌.基于块的Mean-shift跟踪算法[J].电视技术,2015,39(20):6-10.

[6]HE J W,YANG Y Y.Multi-iterative tracking method using meanshift based on kalman filter[C]//Proc.2014IEEE International Conference on Signal Processing,Communications and Computing(ICSPCC).[S.l.]:IEEE,2014:22-27.

[7]YIN H P,CHAI Y,YANG S X,et al.Fast-moving target tracking based on mean-shift and frame-difference methods[J].Systems engineering and electronics,2011,22(4):587-592.

[8]许慧芳,许亚军.智能视频监控系统中多摄像头协同跟踪算法[J].电视技术,2015,39(18):86-90.

[9]CHU C,HWANG J.Fully unsupervised learning of camera link models for tracking humans across non-overlapping cameras[J].IEEE transaction on circuits and systems for video technology,2014,24(6):979-994.

改进的航迹分叉多目标跟踪方法篇9

将测量数据与目标航迹相关联, 即点迹-航迹关联问题, 是滤波及航迹维持的前提条件。点迹-航迹关联可以通过设置跟踪门来实现, 这一技术在很多经典的文献中都已讨论过[3—5]。在实际工程应用中, 构建跟踪门的方法有很多, 但都不能避免同一跟踪门内出现两个或两个以上量测数据的情况。这是因为:第一, 杂波在空间的分布是不确定的;第二, 在多目标跟踪场景中, 除当前被跟踪目标以外的其他目标的量测数据也等同于杂波的性质。针对杂波环境中的单目标跟踪方法有很多, 从早期的最近邻滤波 (NNF, nearest neighbor filter) 、航迹分叉方法 (TF, tracks splitting) , 发展到当前广泛使用的概率数据关联滤波 (probabilistic data association filtering, PDAF) [6]。针对多目标的情况, 应用较为成熟的方法有联合概率数据关联滤波 (joint probabilistic data association filtering, JPDAF) , 多假设跟踪 (multiple hypothesis tracking, MHT) [7]等。

航迹分叉方法[8—10]是较早出现的杂波环境下的单目标跟踪方法。它假设当前时刻落入跟踪门内的每一个量测数据都是目标的真实量测, 从而目标航迹被分成多条新的航迹。对于任意一条新航迹, 在下一时刻的量测数据到来后也使用同样的方法处理。在航迹分叉的同时, 通过计算每条航迹的似然函数并与设定的门限值比较, 丢弃可能性小的目标航迹。这种方法的最大问题在于需要大量的存储空间并消耗过多的系统资源, 介于早期计算机性能相对较低且花费较高, 使得航迹分叉方法没有得到进一步发展。概率数据关联滤波是早期较为成熟的一种目标跟踪方法, 它将落入跟踪门内的多个有效量测数据都依概率看作目标的真实量测, 对于每一个量测值, 计算相应的概率, 然后使用全部量测以概率加权的形式更新目标状态及协方差。概率数据关联方法在目标航迹更新时只利用当前一个扫描周期内的量测数据, 在系统模型与目标实际运动模型的误差不大时不失为一种有效的目标跟踪方法。当目标的机动性较强或传感器的测量误差较大时, 跟踪门内的有效量测数据很可能不是真实的目标量测而是杂波, 在这种情况下, 使用概率数据关联滤波显然不能得到正确的目标航迹, 从而导致滤波发散或航迹的提前终止。

考虑到目标跟踪中的上述问题, 论文引入航迹似然度的概念, 即对应当前系统中的每条航迹, 赋予相应的航迹似然度。航迹似然度从概率的意义上给出了该条航迹为实际目标航迹的可能性。航迹似然度随系统的扫描周期实时更新。更新后的航迹似然度反映当前周期的测量数据对上一时刻的航迹似然度的影响。提出的基于航迹分叉的目标跟踪方法也是基于这一思想的。它有两方面的特征:第一, 每一时刻都可能生成新航迹, 生成的新航迹数量由当前时刻有效量测数据个数决定;第二, 每条航迹从一开始即赋予相应的航迹似然度, 航迹似然度贯穿于目标的整个跟踪过程。如果航迹似然度小于给定的门限值, 对应的目标航迹则被认为是虚假航迹而加以删除。在每个扫描周期结束进行一次系统更新, 系统更新包括航迹状态更新与航迹似然度更新两个方面。航迹状态更新即是通常所说的目标状态及协方差更新;本文主要讨论航迹似然度的概念及如何更新航迹似然度。

1 系统模型

1.1 量测模型

假定传感器跟踪监视区内多个目标。在数据预处理阶段, 测量信号都已转化为笛卡儿坐标系下的标准量测数据。在时刻k落入跟踪门Gi (k) 的测量数据集用Zk, i表示, 则

式 (1) 中, zi (k, j) 表示第j个量测, mi (k) 表示落入跟踪门Gi (k) 的量测个数 (称落入跟踪门内的量测为有效量测, 如无特殊说明, 下面所说的量测数据都是指有效的量测数据) 。用Zk表示k时刻的全体量测数据集, 则

式 (2) 中, n (k) 为k时刻的跟踪门个数。传感器检测概率PD<1, 即在某个扫描周期传感器可能检测不到目标。环境杂波在传感器的探测空间是随机分布的, 通常将其建模为均匀分布;系统杂波通常是由系统热噪声引起的, 通常将其看作泊松过程。目标的状态方程为

式 (3) 中, xk表示目标在k时刻的航迹状态, Fk为状态转移矩阵, vk为高斯过程噪声序列。Fk及vk的值取决于传感器的测量周期及模型假设。目标量测方程

式 (4) 中, yk表示目标的量测向量, Hk为量测矩阵, wk为量测噪声。具体的设置可参考文献[11]。

1.2 航迹分叉法

当目标航迹跟踪门内出现多于一个量测数据时, 有两种处理方法:航迹分叉与概率数据关联[9,10]。概率数据关联是当前应用较为广泛的方法, 尤其是在密集杂波环境下, 这种方法的优势更明显。但概率数据关联只考虑一个扫描周期内的有效量测数据, 这使得系统相对目标状态模型的改变不够敏感。多模型概率数据关联滤波 (multiple model PDAF, MMPDAF) 可以较好的适应目标模型的变化, 但前提是系统必须首先给定目标的运动模型集, 随着模型集的增加, 算法的复杂度会呈指数上升。

本文采用了航迹分叉法。因为k时刻第i条航迹Tri (k) 对应的有效量测数据有mi (k) 个, 这样, 由Tri (k) 派生出的新航迹为mi (k) 条。如果k时刻的系统航迹数为n (k) , 经过航迹分叉, 新的系统航迹数

子航迹根据各自量测数据与滤波算法独立更新, 并计算下一时刻的跟踪门。

2 航迹更新

2.1 航迹似然度

航迹似然度从概率的意义上给出了一条航迹为真实目标航迹的可能性。设k时刻航迹i的航迹似然度为Λi (k) , 根据k+1时刻的量测数据, 分3种情况讨论

1) 没有量测数据。此时, 传感器未检测到目标的概率为1-PD。根据贝叶斯公式, k时刻航迹i的航迹似然度

式 (6) 中, PD表示目标的检测概率;PR表示航迹为假航迹时检测到目标的概率。

2) 一个量测数据。该量测数据可能是真实目标的量测, 也可能是杂波。通常情况下根据系统的先验信息可以得到该量测数据为真实目标量测的概率PTrue。这些先验信息包括传感器的检测概率, 杂波的统计分布特征, 传感器探测到的目标属性信息 (如多普勒频率) 等, 从而k时刻航迹i的航迹似然度

3) mi (k) 个量测数据[mi (k) >1]。同样根据先验信息求出每个量测点为真实量测的概率PTrue, j, j=1, 2, …, mi (k) 。由于多个量测数据会产生多条子航迹, 对每一条子航迹, k时刻的航迹似然度

由上面的讨论可以看出, 航迹似然度的更新与目标的状态更新是彼此独立的, 航迹似然度的值更新依赖于系统对目标的检测能力。也就是说, 目标的检测概率越高, 杂波越少, 航迹为真实航迹的概率就越大。这与实际情况是相符的。此外, 航迹似然度还反映多个扫描周期的目标检测情况。如果目标的检测概率不高, 即便连续几个周期内没有量测数据发现, 航迹似然度也不会降低太快, 从而航迹可以被认为仍然是“真实”的, 避免了因连续检测不到数据就终止航迹的错误发生。

2.2 动态门限计算

为了使系统维持的航迹数不至于无限增长, 必须为航迹设定某一评价指标 (即门限) , 当该指标超过给定的门限时, 则将该航迹作为虚假航迹从系统中删除。定义k时刻第i条航迹Tri的似然函数

式 (9) 中, θi, k表示相应的量测序列为真实航迹。使用公式 (9) 的定义, 似然函数λ (Tri) 可表示为

在线性高斯系统假设下, (10) 式中的航迹似然函数服从高斯分布, 即

从而,

式 (12) 中, ck为归一化常数。由于常数ck不影响函数的性质, 且指数函数为单增函数, 故取 (12) 式的指数部分作为航迹的评价指标, 令

根据新息协方差的性质, γk可通过下式递归计算

当k时刻的航迹似然度Λi (k) ≤akγk, γk≥1/akΛi (k) 时, 则认为该航迹为虚假航迹。ak为比例因子, 通过设置ak可以调整系统当前维持航迹数的多少。

3 算法实现

基于航迹似然度的目标跟踪方法不需要单独的航迹起始过程。在传感器的第一个扫描周期直接根据每一个量测数据起始一条新的航迹。然后根据先验知识建立跟踪门, 在得到该条航迹的第二个有效量测数据之后, 就可以使用通常的滤波算法进行滤波及跟踪门的计算了。航迹的终止也是由航迹似然度的值决定的。当某条航迹的航迹似然度小于给定的门限, 则从系统中删除该航迹。

使用航迹似然度的目标跟踪方法在每一时刻的系统更新包括航迹状态更新与航迹可信度更新。航迹状态更新也就是通常所说的目标状态及协方差更新;航迹似然度更新则使用上面讨论的贝叶斯后验概率公式计算。每条系统航迹对应的航迹似然度给出了当前时刻最接近真实目标航迹的系统航迹。在每一时刻的航迹状态更新与似然度更新完成后, 通过与给定的门限γk比较, 丢弃可能性小的航迹。算法流程图如图1所示。

图1的左侧和右侧分别对应目标航迹的状态更新与目标航迹的似然度更新。当前时刻的量测数决定了分叉后的系统航迹数, 动态门限则决定了系统更新后的航迹数。一个更新周期后的系统航迹数

式 (15) 中, Sdel (k) 为丢弃的小于门限的系统航迹。算法流程也表明系统航迹的生成与删除是一个动态的过程, 实际工程应用中采用链表结构来存储与更新系统航迹是较为合理有效的。门限中比例因子的选择更多依赖于工程实践, 通常可以根据系统的性能与实时性的要求动态改变ak的值。

4 仿真结果及分析

假定如下的仿真场景:传感器监视二维空间内的2个运动目标, 目标的检测概率PD=0.9。扫描周期为6 s, 杂波密度为0.5个/km2。量测数据已转化为笛卡儿坐标系下的x, y坐标, x轴与y轴上的量测标准差分别设置为50 m。航迹状态更新使用标准卡尔曼滤波器。目标的真实航迹由图2给出。为了使系统维持的航迹数不至于过多而降低跟踪性能, 仿真中采用了动态门限调整技术。即当系统航迹数目过多时, 提高比例因子以删除更多似然度低的航迹。单次仿真持续时间为600 s, 即100个仿真时刻。Monte-Carlo仿真次数为50次。系统维持的平均航迹数如图3所示。从图中可以看出, 前10个周期左右系统维持的航迹数呈上升趋势, 这是由于在初始阶段, 各航迹的似然度在很大程度上依赖量测数据的先验信息, 从而随着各时刻量测数的增加, 航迹数几乎呈指数增长。系统航迹数最后保持在每个目标5条左右, 这对于现代计算机系统, 并不需要消耗太多的资源。仿真结束后, 选择似然度最大的两条航迹作为目标的估计航迹, 第i条航迹的平均航迹似然度为

式 (16) 中, Λi (k) 为该航迹在k时刻的航迹似然度。图4为一次仿真场景中Λavg (i) 最大的两条系统航迹在各时刻的似然度值。

5 结论

论文陈述了一种使用航迹似然度的目标跟踪方法。在传感器的每个扫描周期关联多个量测与目标航迹时, 因为采用了航迹分叉方法, 使得系统维持的航迹数通常多于实际目标航迹数。随着扫描周期的增多, 系统可能由于不能维持过多的航迹而导致跟踪无法继续。航迹似然度的引入解决了这一问题。当一条新的系统航迹生成时, 通过计算贝叶斯概率给出该航迹的似然度。航迹似然度同航迹状态一样, 每个滤波周期更新一次, 且与航迹状态更新是彼此独立的。更新后的航迹似然度如果小于计算的门限值, 从当前的系统中删除该航迹。同时, 航迹似然度的引入还避免了额外的航迹初始与航迹终止过程。航迹似然度与每个扫描周期传感器量测数据的先验信息相关, 而要获取精确的量测先验信息通常是比较困难的。本文的重点在于说明如何借助航迹可信度来跟踪目标, 对量测先验信息的计算还只采用了较为粗劣的手段, 这也是论文讨论的目标跟踪方法有待进一步研究的地方。

摘要：针对杂波环境中多目标跟踪问题, 引入了航迹似然度的概念, 航迹似然度从概率的意义上给出了该航迹为实际目标航迹的可能性。在目标跟踪过程中, 采用了将传统的航迹状态更新与提出的航迹似然度更新同时进行的方式, 有效的解决了航迹分叉方法中由于系统维持的航迹数过多导致的系统资源不足的问题。航迹似然度的引入还避免了额外的航迹初始与航迹终止过程。通过合理选择及动态调整门限可以较好的满足跟踪实时性, 仿真实例进一步验证了算法的有效性。

关键词：目标跟踪,航迹分叉,似然度,卡尔曼滤波

参考文献

[1] Bar-Shalom Y, Li X R.Multitarget-multisensor tracking:principles and techniques.Storrs, CT:YBS, 1995

[2] Musicki D, Challa S.Surorova S.Automatic track initiation of maneuvering targets in clutter.5th Asian Control Conference, Melbourne Australia, 2004

[3] 彭冬亮, 文成林, 薛安克.多传感器多源信息融合理论及应用.科学出版社, 2010Peng Dongliang, Wen Chenglin, Xue Anke.Multisensor multisource information fusion theory with applications.Beijing:Science Press, 2010

[4] Bar-Shalom Y, Daum F, Huang J.The probabilistic data association filter.IEEE Control Systems Magazine, 2009;29 (6) :82—100

[5] 段哲民, 李辉, 张安, 等.多回波环境中多机动目标跟踪的新算法.传感技术学报, 2007;20 (6) :1330—1334Duan Zhemin, Li Hui, Zhang An, et al.Multiple maneuvering targets tracking in cluttered environment.Chinese Journal of Sensors and Actuators, 2007;20 (6) :1330—1334

[6] Bar-Shalom Y, Fortman T E.Tracking and Data Association.New York:Academic Press, 1998

[7] Li C P, Sun J P, Mao S Y.Tracking ground targets with road constraint using multiple hypotheses tracking.2nd International Conference on Signal Processing Systems, .2010:265—269

[8] Gul E.On the track similarity test in track splitting algorithm.IEEE Transactions on Aerospace and Electronic Systems, 1994;30 (2) :604 —606

[9] Musicki D, Evans R J.Multiscan multitarget tracking in clutter with integrated track splitting Filter.IEEE Transactions on Aerospace and Electronic Systems, 2009;45 (4) :1432—1447

[10] Musicki D, Evans R J, La-Scala B F.Integrated track splitting suite of target tracking filters.6th International Conference on Information Fusion, Cairns, Australia, 2003

改进目标篇10

电气工程中的综合问题常归结为多目标优化设计问题。这类优化问题的解不再是单一的“最优解”, 而是Pareto解集, 即一组全局非控解。因此, 多目标优化需要同时发现并均匀采样Pareto解集。众所周知, 由于具有种群特征, 进化算法可在一次优化中实现对Pareto解集的近似采样。因此, 该算法在工程综合设计中获得广泛应用。然而, 目前基于非控关系的进化算法在解决目标超过三维的高维多目标优化设计问题时很难获得全局非控解。其主要原因在于此时种群中的多数个体彼此非控, 无法赋予个体合理的适应度, 导致选择压力过小, 从而使启发式的搜索退化为随机的盲目搜索[1]。

为解决高维多目标优化设计问题, 人们又转而研究传统的矢量优化标量化技术[2]。其中多重单目标Pareto采样算法 (MSOPS) 可以看成是一种并行的自适应标量化搜索方法[3]。在该算法中, 通过采用不同的聚合方式将多目标函数优化问题转化为多单目标优化问题。因此, MSOPS算法实现简单, 计算复杂度低。此外, 基于单目标优化的聚合类算法易于保持进化过程的选择压力。然而, 研究也发现, MSOPS算法难以维持较好的种群多样性[4]。为此, 本文提出了若干改进措施, 以期在保证MSOPS算法选择压力的同时获得优良的种群多样性。

2 改进的MSOPS算法

2.1 MSOPS算法简介[3]

与一般进化算法不同, 除了初始种群, MSOPS算法还需一组预先设定的单位矢量T。这组矢量指明了算法在目标超空间中的搜索方向, 称其为目标矢量。这是因为在传统的标量化多目标算法中, 需要目标矢量为标量化后的目标函数确定其进化方向。根据不同的目标矢量, 种群P中的每个个体都可以获得一组不同的适应度值以代表其在各目标矢量下的优劣。取最优者为该个体最终的适应度, 便可用于进化算法的环境选择。由上所述不难发现, 在搜索过程中MSOPS算法总能保持足够多的优劣等级, 从而保证了选择压力。

2.2 目标矢量的确定

显然, 目标矢量的分布决定了最终种群的多样性。因此, 理想的目标矢量应保证最终解在Pareto解集上均匀分布。为实现这一目标, MSOPS在各可能方向上均定义了目标矢量。此时由于位于搜索边界的中间解对于指向可行域外的目标矢量总是具有最优的适应度, 致使搜索结果在Pareto解集边界出现集聚[3]。为解决这一问题, MSOPS-Ⅱ引入了自适应的目标矢量更新机制[4]。通过将现有种群中的个体标幺化, 使之成为备选的目标矢量。比较备选目标矢量与原有目标矢量相邻个体的内积, 保留内积较小者以用于下一代进化。然而, 文献[4]也同时发现, 较之于原算法, MSOPS-Ⅱ算法在Pareto解集边缘的搜索能力明显减弱。这主要是因为分布在Pareto解集的边缘区域的目标矢量较少。

为增加位于Pareto解集边缘区的目标矢量并保证搜索结果均匀分布, 本文采用了基于θ-拥挤操作的目标矢量更新机制[5]。θ-拥挤操作受NSGA-Ⅱ拥挤操作的启发而提出, 在原算法中用于保证群体的多样性, 而本文则用于克服MSOPS-Ⅱ算法的不足。将目标矢量用目标空间的极坐标表示为m-1个倾角θ1, p, θ2, p, …, θm-1, p (m为目标维数) , 设N为目标矢量规模, θ-拥挤操作的具体过程如下:

(1) 选出所有目标矢量第i维倾角, i=1, …, m-1, 对其进行排序, 共进行N组排序;

(2) 找出每组排序的最大倾角与最小倾角, 令其对应个体的拥挤度为∞;

(3) 找出与每个目标矢量与相邻矢量第i维夹角, i=1, …, m-1;

(4) 求出各矢量夹角之和, 称为个体之拥挤度。

可见, θ-拥挤操作的结果是对每个目标矢量相邻夹角求和。本文算法通过删除较低拥挤度值的目标矢量实现目标矢量的更新, 从而保证了目标矢量的均匀分布, 进而实现了搜索结果的均匀分布;同时由于处在当前搜索边界的目标矢量的拥挤度值总是无穷大, 因此这类矢量必然用于引导下一代的进化, 增强了算法对Pareto解集边缘解的搜索能力。

2.3 目标矢量的重新定位

在搜索过程中, Pareto解集的部分维度较其他维度更易于搜索。为此, 本文首先定义当前搜索范围以刻画算法在某一维度收敛的难易程度, 即

其中, pi与rangei分别代表当前解及其搜索范围的第i维分量, 而i=1, …, n。

当某些解接近Pareto解集在某一方向的边界时, 该维度的搜索范围将逼近0;相反, 当这些解距离Pareto解集在某一维的边界较远时, 则其维度指标值很大, 表示在这一维具有较大范围的未充分搜索空间。利用这一指标, 本文算法将目标矢量重新标幺化 (定位) 为:

其中, Ti与T'i为变换前后目标矢量的第i维分量;α为可调整数。

该变换将目标矢量重新定位到现有搜索空间的边界, 即靠近未搜索的区域。在图1 (a) 中, 原均匀分布的目标矢量 (以虚线表示) 通过变换移动到另一区域 (以实线表示) , 并呈非均匀分布状态。由于大量目标矢量逼近了未搜索区域, 整个群体就有更多可能进化到新的未搜索区域的机会。

需要说明的是, 上述集聚操作可能破坏了目标矢量的多样性。为解决这一问题, 本文算法采用变换前的目标矢量产生新的目标矢量, 而采用变换后的目标矢量计算适应度函数值。因此, 这样既保证了目标矢量的均匀分布, 又有效地增强了趋向未搜索区域的选择压力。

2.4 非控解筛选的外部档案

随着目标矢量的移动, 种群将从一个区域移动到另一区域。如图1 (b) 所示, 目标空间上种群个体用圆点表示, 由于采用2.3节方法, 种群从Pareto解集的一侧移动到了另一侧。于是, 全局非控解将由于目标矢量的移动而删除。为防止这一现象, 本文算法引入了非控解筛选的外部档案。首先, 将每一代的结果并入该档案;然后, 从档案中删除可控解。此时如果档案中个体数量没有超出存储上限, 则操作结束。否则采用类似于NSGA-Ⅱ与SPEA2的截断技术[6,7]截断非控解中的个体。

2.5 改进算法简述

首先生成初始种群P0与初始目标矢量集合T, 其次将初始种群P0标幺化, 构成备选目标矢量Tc;通过θ-crowding对集合T∪Tc进行排序并将其截断形成新的目标矢量T。通过P0与T, 依照MSOPS的方法赋予每个个体适应度并进行选择, 然后进入下一代进化直至算法满足一定的终止规则。

本文改进算法有两个可调参数:目标矢量数tv_num与α。一般而言, tv_num应当接近种群数量以保证选择压力与目标矢量均匀分布能力的平衡。至于正则化系数α则最好逐步从较小值增至最大值。因为虽然较大的α将增强算法的搜索能力, 但往往导致算法跳过某些未被充分搜索的区域, 从而影响了结果的完整分布。通常α最大值设定为5可以满足大多数实际应用。

3 算法验证

3.1 试验设计

为比较本文算法与MSOPS-Ⅱ[4]、NSGA-Ⅱ[6]以及Hyp E[9]的优劣, 首先应用上述算法求解高维多目标优化的测试函数DTLZ7[8]。该函数定义为:

式中

DTLZ7函数的优化变量数为8、目标函数为6。该函数具有间断的Pareto解集, 在高维优化问题中尤难寻优。本文主要考察个体适应度赋值评级的优劣, 各算法环境选择的方式统一采用差分进化算子 (DE) [10]。DE中的缩放系数F在[0.5, 1]中随机选取, 交叉率C则确定为0.8。为保证比较的合理性, 各算法的种群数量相同。

由于高维多目标优化问题无法将非控解集可视化, 所以必须采用某种性能指标评价优化结果的质量。本文采用超体积比较不同算法对Pareto解集的逼近优劣[11]。原理上讲, 由不同算法搜索到的两组解集中, 超体积大者, 其对Pareto解集的逼近度高。由于本文选用的都是随机搜索方法, 将相同算法多次应用于同一问题可能获得不同的优化结果。因而, 所得的超体积实际上是一组分布未知的随机变量。为此, 根据多次运行所获得的超体积样本, 根据其统计特性进行推断, 并在此基础上比较两个不同算法的性能。具体而言, 首先采用两个不同算法对测试函数多次优化, 从而得到两组超体积样本。然后, 应用非参数统计的Wilcoxon秩检验[12]对两组样本的差异做出统计推断。

在两组解集比较时, 如果一组样本持续高于另一样本, 则两个样本差异不显著的零假设不成立。从理论上看, 零假设对应于Z统计量的某一具体数值。在实际应用中, 如果取显著性水平为0.05, 则对应的零假设的Z统计量为2.81。如大于2.81, 则两者差异显著。在本文数值实验中, 每个算法的样本数取100, 即每个算法随机运行于优化函数产生100个Pareto解集。在每次优化中, 种群数量设为30, 运行代数设为300代。此外, 在MSOPS-Ⅱ和本文所改进算法中, 目标矢量个数确定为50。本文算法的外部档案个体上限也定为50。

3.2 结果与讨论

表1给出了上述条件下不同优化算法的统计性能比较结果。本文改进算法获得了最好的结果, 较之所有其他算法优势明显 (Z统计量均大于5) 。尤其需要说明的是, 本文算法的性能明显优于专用于高维多目标优化而设计的Hyp E算法。

3.3 应用实例

八木天线广泛应用于VHF/UHF等领域。除一个激励元与反射元外, 该天线还包含一组寄生单元构成引向元, 设计十分复杂。在八木天线设计中, 除对方向性的要求外, 往往还包含对输入阻抗以及旁瓣电平的要求, 因此可归结为高维多目标优化设计问题。本文以四振子八木天线优化为应用实例。该优化设计问题包括七个设计变量:四个振子振长Ln (n=1, 2, 3, 4) , 三个振子间距Sn (n=1, 2, 3) 。设计变量的调整范围0.1λ≤Ln≤λ, 0.1λ≤Sn≤λ。振子半径取为0.00225λ。优化的目标为:增益G最大化、旁瓣电平SLL最小化, 以及输入阻抗Z的实部等于50Ω而虚部等于0Ω[13]。

计算时, 种群个数设定为20, 迭代的总代数设为200代。其他设置与前例相同。各算法运行后得到的可行设计结果示于表2。显然, 较之MSOPS-Ⅱ与Hyp E, 本文的改进算法不仅可以得到多个可行解 (设计) , 而且解的性能较Hyp E为优。而NSGA-Ⅱ则没能获得任何有用的设计结果。

4 结论

为克服现有MSOPS算法的不足, 本文提出了若干改进措施。更加灵活的目标矢量更新与变换机制, 以及外部档案的增添提高了MSOPS算法在高维多目标优化设计应用中的性能。通过与MSOPS-Ⅱ、Hype和NSGA-Ⅱ在数学函数与八木天线上的数值试验的性能比较, 证明了本文改进算法不仅总是优于MSOPS-Ⅱ, NSGA-Ⅱ, 而且在多数应用场合均优于专用于高维多目标算法而设计的Hyp E算法。此外, 本文算法的计算复杂度较低。

摘要：电气工程中的设计问题常归结为多目标优化问题。对于目标函数超过三维的高维多目标优化设计, 目前基于非控关系的多目标进化算法很难获得理想的优化结果。为此, 人们提出了多重单目标Pareto采样 (Multiple Single Objective Pareto Sampling, MSOPS) 算法。该算法结构简单, 计算复杂度低。然而, 研究表明, 这种方法的最终优化结果往往缺乏多样性。为此, 本文对MSOPS算法进行了改进研究, 提出了目标矢量的拥挤操作, 非均匀的目标矢量更新以及附加外部档案等改进措施以提高优化结果的多样性。通过与MSOPS-Ⅱ、HypE以及NSGA-Ⅱ算法在求解测试函数上的性能比较, 证明了改进算法在Pareto解集上获得了更好的收敛性与多样性。最后, 通过八木天线的优化设计验证了改进算法解决实际问题的有效性。

改进目标篇11

关键词：察委员会；“四要目标”

检察委员会是人民检察院的法定机构。作为检察机关最高业务决策机构，是检察机关内部实行集体领导、讨论决定重大案件和其他重大事项的法定组织形式，对保证检察权正确行使具有举足轻重的作用。加强和改进检察委员会工作，对于贯彻集体领导原则，实现科学、民主、依法决策，保证检察机关依法正确行使检察权具有重要意义，具体要到达“四要目标”。

一、检察委员会要成为检察业务的宏观指导者

一是加强对检察机关类案办理的宏观指导。检察委员会讨论的案件要么是重大复杂疑难案件、要么是拟不起诉和撤销案件、要么是上级交办的重大案件，这些案件通过检察委员会讨论，形成的会议纪要和办理意见对类似案件的办理具有很强的指导性。

二是加强对案件整体质量的宏观业务指导。针对检察委员会研究中的疑难案例及时地进行案例研讨，针对发现的检察工作中存在的突出问题及时进行专题调研，提出具有较高指导价值的意见和建议，从而指导检察业务工作实践。

三是加强对下级院检委会工作的宏观指导。上级院检察委员会要健全工作指导机制，通过列席下级院检察委员会、调查研究、分类指导、个案督导等方式，指导、督促下级检察院檢察委员会认真落实上级的业务工作部署和交办的有关工作事项，帮助下级检察院检察委员会解决实际困难和问题，提高下级检察院检察委员会委员的素质和水平。

四是加强对检察委员会决定的执行督导。检察委员会要重视会议决定、决议的执行监督检查和督导工作，要求检察委员会办事机构定期报告决定的执行情况，通过填写执行回执，反馈执行情况等方式，跟踪督办，保证决定文书的及时、准确制作，决议的及时、准确落实，维护检察委员会的权威。

二、检察委员会要成为强化法律监督的推动者

开展法律监督是人民检察院的重要职责之一。作为业务决策机构的检察委员会义不容辞地成为推动者。

一是推动行政执法与刑事司法相衔接。加强对刑事立案监督，制定对行政执法工作的督促检查规划，围绕民生、渎职等工作，有重点的开展执法检查。

二是推动刑事侦查活动的监督。建立审查逮捕程序制度，切实保障犯罪嫌疑人的合法权益；建立违法侦查行为调查制度，依法排除以刑讯逼供等非法手段获取的言词等证据；建立当事人义务告知制度和保障律师依法执业权利制度，依法开展侦查工作。

三是推动量刑建议监督。检察委员会要不断对量刑建议规范化的监督，促进量刑公开和司法公正。

四是推动刑罚变更执行和社区矫正监督。认真贯彻落实最高人民检察院关于减刑、假释法律监督方面的文件要求，对刑罚变更执行进行同步监督。按照合法合理、程序正当、讲求实效的原则，实施好社区矫正的监督，对判决、裁定、决定监外执行的罪犯，置于社区内进行教育矫正，促进社区矫正顺利健康开展，维护司法公正、维护社区服刑人员合法权益、维护社会和谐稳定。

三、检察委员会要成为提高干警业务素质的责任者

检察干警的素质是开展好检察法律监督工作的决定因素之一，提高检察干警素质是强化法律监督、维护公平正义的必然要求，也是检察委员会目标任务之一。

一是建立委员例行学习制度，提高议事指导水平。建立委员例行学习制度，有利于充分理解和落实检察委员会有关的工作规则，提高委员的议事决策能力。有计划地安排委员学习法律法规和政策，以前瞻的理论为指导，研究检察工作中带有根本性、全局性的重大问题。定期、不定期有选择地聘请专家、学者进行专题讲座，使检察委员会委员有了解和学习相关专业问题的条件，还应特别加强对专职委员的培训，以提高检委会的整体决策能力。

二是开展“委员讲坛”，提升检察干警实务操作能力。开展“委员讲坛”活动，邀请本院或者上级院资深的检察委员会委员开展专题讲座，就国家政策和一些社会热点问题进行研究，就自己在办案过程中积累的经验和教训进行总结，开拓检察干警的视野，提高分析解决业务问题的能力，营造“共同学习、共同提高”的良好氛围。

三是开展检察业务骨干列席检察委员会制度。通过列席检察委员会，委员们对案件事实证据的详尽分析、案件办理的成功之处和不足之处的深刻讲解，对检察业务骨干是一次全新的锻炼，有助于积蓄发展后劲，快速提高业务素质。

四是建立检察委员会案件质量督查制度。检察委员会参与案件质量评查工作，检察委员会每季度在总结分析本院案件质量检查情况的基础上，对当前影响办案质量的实体、程序等问题提出解决和改进的指导意见，并以“检察委员会通报”形式下发全院学习贯彻执行。

四、检察委员会要成为深化司法改革的组织者

随着我国改革开放的不断深化经济社会的不断发展，人民群众对检察机关加强法律监督、保障司法公正、依法惩治腐败、维护社会公平正义的期盼越来越高，现行检察制度机制与人民群众的新要求、新期待及检察工作科学发展存在着不相适应的地方，迫切需要通过深化改革加以完善。

一是提高法制宣传的能力。检察委员会要把提高警全民的法治意识作为检察工作的一项重要任务来抓，制定出加强法治宣传规划，协调机关部门齐抓共管，采取有效方式，创新多种形式，调动各种因素，利用宣传载体，不断提升宣传成效，进一步推动法治进程。

二是提高社会矛盾化解能力。通过检察业务的开展，充分利用案件特殊预防的作用，分析社会上各种矛盾，找准矛盾症结，制定化解措施，督促机关部门发挥职能作用，促进社会和谐建设。

三是提高参与社会管理能力。充分利用法律规范社会管理方式，把促进社会进步的各种因素有机地结合起来，促使各种社会资源的尤化配置，推动经济、政治、文化、生活文明和社会建设的不断进步。

改进目标篇12

近年来,科学技术的不断发展以及人民生活水平的不断提高使人类对生活质量和本身的安全性保证需求愈来愈高。视频监控由于能形象、直观地表示信息而被应用于大部分公共场所。相比较传统的视频监控,高端化的视频监控系统可通过计算机视觉、图像处理等技术提取出人们感兴趣的目标信息图像,然后对其进行检测、跟踪、分类以及行为理解和描述等过程来判别监控画面中的情况,代表了未来视频监控产业的发展趋势。视频监控系统的关键技术主要有四个方面:目标的检测,目标的跟踪,目标的分类,行为的理解与描述。

视频目标检测在人机交互、视频监控、交通视频、视频会议、客流量统计等许多方面都有非常重要的应用,是当今计算机视觉领域的研究热点与难点之一。传统的检测算法[1]如背景差分法、相邻帧差法、光流场法等已相对成熟,但存在不足:背景差分法对光线等外在因素的变化过于敏感,帧差法检测目标的完整性较差,光流场法的计算比较复杂且容易被外界噪声干扰。因此,学者们提出了许多改进算法,如背景移动补偿算法[2]、帧间差法与背景差分相结合的算法[3]等。

2 互相关信息(Mutual information)

互相关信息是一种具有测量图像间的统计相关性作用的信息理论概念。它代表图像间的重合区域,重合区域越多,互相关信息越大。当两幅图像在几何上完全重合时的互相关信息是最大的,称为最大互信息。

假设有两个随机变量A和B ,灰度值范围为0—255,

Pr(a)和Pr(b)分别是它们各自的概率密度函数,Prf(a,b)表示它们之间的相关密度函数。那么随机变量A和B的互相关信息表示如下:

式中,H(A)、H(B)是两变量的边缘熵,H(A,B)是联合熵。定义式分别如下。

其中,a,b ∈[0,255]。

由于联合熵的值取决于边缘熵与变换函数,因此需要找出最优变换函数对图像进行配准,以让联合熵最小,则此时的互相关信息为最大互信息。因为互相关信息是关于图像全部像素的,所以带来的计算量较大。小波变换为一种拥有多分辨率的时间——尺度分析方法,本文结合小波分解的方法,对配准图像进行小波变换,主要包括平移和旋转,因此,通过对小波变换函数中平移和旋转参数的最优化以获得最大互信息。

3 改进蜂群算法(Improved bee colony algorithm)

所谓人工蜂群算法就是对蜜蜂行为加以模拟而提出的一种优化算法。蜂群中出现群体智慧的最小搜索模型主要包括四个基本的组成要素:食物源、引领蜂、侦查蜂与跟随蜂。

在蜂群算法中,优化问题的一个可能解就是一个食物源的位置,解的质量(适应度)就是食物源的花蜜数目。详细过程如下:起先,生成具有SN个解(食物源)的初始种,其中的各个解—— xi是一个维数为D(待优化参数的数目)的向量;其次,所有的食物源都要被蜜蜂进行反复(次数为MCN)搜寻:对应的食物源(解)先被引领蜂在邻域作一次搜寻,通过对比搜寻前后两个食物源的花蜜数目后,选取适应度相对高即花蜜数目大的食物源(解)来采蜜;结束搜寻以后,所有的引领蜂将食物源上花蜜数目的信息传递给跟随蜂,跟随蜂通过获得的信息按照一定的概率选取食物源,即花蜜越多的食物源被选择的可能性越大。而后,跟随蜂为了选取更好的解也作一次与引领蜂相同的邻域搜寻。

跟随蜂根据如下的概率值Pi选取食物源

式中,fit1表示第个i解的适应度。

引领蜂与跟随蜂通过式(4)作邻域搜寻:

其中,k∈{1,2,…,SN},j∈{1,2,…,D}以上k和j都是随机选择的,并且k≠i。r 在-1和1之间。

在蜂群算法中,通过次循环之后得不到改善的解要被丢弃,这里的“”便是算法中的一个关键的控制参数。假设是被丢弃的解,侦查蜂可以随机生成一个新解对进行代替。

以上表述可以看出,蜂群算法中的三个控制参数——食物源的数目、引领蜂的数目、跟随蜂的数目(SN)是相等的。以上整个算法的核心包括三个部分:(1)引领蜂:邻域搜索;(2)跟随蜂:将搜寻范围缩小后对邻域作搜寻;(3)侦查蜂:随机搜索。

因为蜜蜂随机选择邻域个体,并且未考虑食物源之间的内部联系,致使收敛速度较为缓慢。为了提高收敛性能,提出改进蜂群算法,将式(4)变化为

式中, τ—遗忘因子,代表搜寻其它食物源时对当前食物源的记忆强度,并且为了使蜜蜂充分的利用邻域个体的搜索信息从而更好地寻找到全局的最优点,在下一食物源的搜索过程中遗忘因子会动态调整τ=λ·ωr;η—邻域因子,确定信息共享的强度是根据邻域个体食物源的优劣来进行的,在搜索后期为了使蜜蜂具有较强的全局寻优能力,邻域因子进行动态变化η=λ·wη。λ为常量,以1为分界线,当食物源质量比蜜蜂当前食物源质量劣时取λ<1,当邻域个体食物源质量优于蜜蜂当前食物源质量时取λ>1,从而让蜜蜂可以向高质量的食物源移动。

邻域因子η、遗忘因子τ中的参数wη、wr随搜索进程动态变化如下:

式中,iter代表搜索步数;w1、w2、w3与w4都是常量,取值在[0.1,1.5],且w2＞w1、w4＞w3。为了使蜜蜂迅速向最优食物源区域移动,遗忘因子τ中的参数wτ随搜索进程从w2逐渐下降至w1, 取值范围在[0.8,1];随着搜索的进行,邻域因子η中的参数wη从w3逐渐上升到w4,代表逐渐增大邻域个体与当前蜜蜂的信息共享强度,β取值范围在[1,1.2]。

4 三帧差分法(Three frame difference method)

三帧差分法把相邻三帧图像当作一组进行差分,可以将实际运动目标的轮廓完整的检测出来,具体算法如下:

(1)读取图像序列中的三帧图像Ik-1、Ik、Ik+1,依次计算出相连两帧图像的绝对差值灰度图B(k,k-1)、B(k,k+1),设置阈值T对差值图像进行二值化,提取运动目标区域如下:

(2)通过逻辑“与”运算提取B(k,k-1)和B(k+1,k)的交集,获取运动目标:

5 计算分析(Calculation and analysis)

5.1 基于改进蜂群算法的视频目标检测算法流程

(1)首先通过小波变换将图像映射到小波域。

(2)利用式(1)作为衡量标准进行基于互相关信息的图像配准计算。

(3)采用改进的蜂群算法优化两幅图像间的互信息值,此算法通过迭代后将获得最优的小波变换平移参数与旋转参数。

(4)最终依靠三帧差分法实现对图像中运动目标的增测,使用矩形框将目标进行标记,完成目标检测。

5.2 结果与分析

图1 基于蜂群算法的视频目标检测结果 Fig.1 The video target detection result based on bee colony algorithm