方向自适应（精选9篇）
方向自适应 篇1
摘要：本文面向轴承行业的自动化生产, 实现一种基于机器视觉的自适应轴承方向检测算法, 通过主动搜索寻找最佳阈值实现图像最佳分割, 并依据轴承尺度参数快速定位轴承中心, 利用统计特征判定轴承方向。本文算法效率很高, 可以避免人工误判。
关键词：机器视觉,自适应分割,轴承方向检测,特征统计
引言
轴承检测在轴承质量控制中非常重要, 目前, 我国轴承行业制造技术水平低、行业集中度较低, 离轴承强国的标准相距甚远, 行业矛盾突出, 缺少核心技术自主知识产权, 产品结构不尽合理[1]。
考虑到现有接触式的轴承检测技术很难充分满足工业检测需求, 而基于图像的机器视觉检测方法具有非接触、实时可靠, 成本低、自动化程度高的优势, 能为该问题的解决提供了良好的替代方案和解决思路。近年来, 部分工业视觉技术被应用到轴承制造行业[2,3,4], 如测量, 计数等。本项目采用自适应分割算法, 定位轴承中心, 利用统计的特征快速计算轴承的正反方向, 减少了人工误判。
一、算法框架
一般地, 算法包括以下步骤, 下面分别介绍:
1. 图像采集:利用工业相机采集图像。2.图像预处理:利用图像处理防范去除采集到的图像中的噪音、高光或者是进行适当的亮度调节, 便于后续图像的处理和识别。3.自适应分割:自动搜索最佳的分割阈值, 避免环境光影响和机器振动导致的图像采集的不稳定的情况, 实现目标区域的最佳分割。4.轴承定位:利用区域标记算法, 查找最佳的区域, 依据轴承中心区域的面积和长宽等比约束等的约束条件, 定位轴承的中心以及半径区域。5.轴环边缘点检测:在步骤4的基础上, 确定轴环的边缘点, 构成封闭环。6.轴承方向统计、判定:逐个计算边缘点与轴承中心距离[1], 并建立一个列表。统计该列表的变化规律, 如距离增加次数, 与距离减少的次数的比较, 如果距离增加次数大于距离减小次数, 则为正方向 (顺时针) , 反之为反方向 (逆时针) 。
二、核心算法
在算法框架中, 自适应分割、轴承定位和特征判定非常重要, 下面分别介绍[2]。
2.1自适应分割。图像分割是目标识别的前提条件, 图像分割质量的优劣、区域界限定位的精度直接影响后续的区域描述以及图像的分析和理解, 是图像处理、分析、理解中极其重要的技术环节。基于区域的阈值的分割方法是一种应用十分广泛的图像分割技术。所谓阈值分割方法的实质是利用图像的灰度直方图信息, 按照灰度级, 对像素集合进行一个划分, 得到的每个子集形成一个与现实景物相对应的区域, 各个区域内部具有一致的属性, 而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。它不仅可以极大地压缩数据量, 而且也大大简化了分析和处理步骤。
目前广泛采用的图像分割算法是最大类间方差法 (大律法) , 由日本学者大津于1979年提出, 按图像的灰度特性, 将图像分成背景和目标两部分。背景和目标之间的类间方差越大, 说明构成图像的两部分的差别越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此, 使类间方差最大的分割意味着错分概率最小[3]。
考虑到工业现场的各种干扰, 单阈值难以保证图像的有效分割, 为此, 拟采用一种渐近的阈值分割法来保证图像的有效分割, 并利用已知的条件如存在轴承区域作为分割信息反馈, 来寻找最佳的分割阈值。图1显示了算法流程, 先依据大律法获取图像的初始阈值, 判断该阈值适合合理, 如果合理则分割成功, 否则继续调整阈值[4]。
1. 阈值微调:从当前阈值开始, 轮流增加/减少阈值间隔。
2. 上下限判断:
判断调整后的阈值, 是否同时超出了上下阈值的范围, 如果超出则表明分割失败, 否则继续进行阈值分割。
3. 阈值分割:
依据当前阈值进行图像分割, 并确定中心区域是否满足轴承的约束条件, 如长宽比和范围等。实验表明, 上述方法, 可显著提高阈值判断的准确性, 为后续的轴承定位与计数提供有效支撑。选择大律算法做为分割的初始阈值, 可有效减少循环次数。
2.2轴环定位。在确定轴承中心之后, 需要确定轴环区域, 根据预先设定的尺寸参数来分割轴环区域。在定位圆心之后, 确定轴环区域。只需要通过给定的半径R1和R2就可以抽取该区域。在这里, 分割该区域主要有2个因素:一是该区域与中心的灰度阈值可能不同, 中心区域的自适应分割阈值不一定符合该区域。二是过渡曝光的轴环区域可能与其它区域相连, 不便于分割, 通过单独抽取, 就可以在形态方面避免不便分割的弊端。轴环区域的阈值选择可以类似上述的自适应分割算法。
2.3基于统计的特征判定轴承方向的方法。在通过二值化和轴承的尺寸约束等约束条件, 确定轴承中心和半径区域后, 计算轴承内圈的边缘点, 使之构成一个封闭环, 再逐个计算边缘点与轴承中心的距离, 并建立一个列表, 通过统计的方法, 统计改列表的变化规律, 假设有列表建立如下:
则, 如果记1表示距离轴承中心的距离增大, 记0表示距离轴承中心的距离减小或不变, 如果距离增大的次数大于距离减小的次数, 则为正方向, 反之则为反方向。则, 上述列表的距离增大的次数为:1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 共6次;而距离减小的次数为:0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 共2次。因为6>2, 则为正方向。
为了避免误差, 可以要求“距离增大的次数-距离减小的次数>阈值 (例如25) ”, 才可以判定轴承的方向为正方向, 反之也亦然。
依据边缘到中心的距离变化并进行概率统计, 考虑是边缘的全局而非局部特征, 更加准确, 对于零件边缘的一些毛刺或外部干扰不敏感。
三、结果与分析
通过一系列图像测试分析, 如图2所示, 均可以满足系统实时性检测的需求。
自适应分割算法, 用最大方差自动取阈值法选取出来的阈值非常理想, 对各种情况的表现都较为良好。虽然它在很多情况下都不是最佳的分割, 但是分割质量都是有一定的保障, 可以说是最稳定的分割。另外, 根据图像的灰度统计特性自动设定阈值, 使得对所需图像的分割次数减少, 从而减少处理时间, 提高了系统的实时性。
利用统计的特征分析判定轴承的方向, 通过分析轴承内圈边缘点距离轴承中心点的距离的规律, 判定轴承的方向, 该检测方法普通却巧妙, 快捷、便利地便可以确定轴承的方向。算法原理比较简单, 没有进行复杂的边缘定位和拟合, 策略简单有效。
四、总结
机器视觉检测方法具有非接触、无损伤、自动化等优势, 是未来发展趋势。本项目面向轴承行业的自动化生产和检测, 实现了一种基于区域的自适应轴承方向判定的检测方法, 通过阈值的主动搜索寻找最阈值范围, 实现图像的区域划分, 快速定位轴承中心, 并依据已知的轴承尺度信息, 对轴环区域进行二次有效分割, 通过形态学或尺寸阈值的适当控制区域标记, 并通过统计的特征来分析轴承的正反方向, 实现轴承方向的判定。
实验表明, 该算法完全可以满足工业环境实时检测的需求, 而且与同类的算法相比, 由于采用的自适应策略, 对光源的要求相对比较低, 提高了算法的鲁棒性。
参考文献
[1]中国轴承工业协会.轴承行业“十二五”发展规划[M], 2010.
[2]王晓洁, 郑晓东.机器视觉在轴承检测中的应用[J].机器与液压, 2008, 36 (10) :276-278.
[3]陈跃飞, 王恒迪, 邓四二.机器视觉检测技术中轴承的定位算法[J].BEARING, 2010 (4) :54-56.
[4]汪传民, 叶邦彦, 黄先德, 等.基于计算机视觉的轴承外径检测系统的研究[J].工业自动化, 2006, 22 (5-1) :205-207.
方向自适应 篇2
在八周的自适应控制学习中，我了解了自适应控制的基本概念和定义，自适应控制的原理和数学模型以及发展状况。其中，老师重点给我们讲了李亚普诺夫稳定理论设计MRAC系统和MIT方案，波波夫超稳定理论设计MRAC系统和MIT方案和自校正控制系统。虽然这些理论知识掌握的不是很牢固，理解的也不够透彻，但是这为我以后的学习和实践奠定了一定的基础。
自适应控制的定义：(1)不论外界发生巨大变化或系统产生不确定性，控制系统能自行调整参数或产生控制作用，使系统仍能按某一性能指标运行在最佳状态的一种控制方法。(2)采用自动方法改变或影响控制参数，以改善控制系统性能的控制。
自适应控制的基本思想是：在控制系统的运行过程中，系统本身不断的测量被控系统的状态、性能和参数，从而“认识”或“掌握”系统当前的运行指标并与期望的指标相比较，进而做出决策，来改变控制器的结构、参数或根据自适应规律来改变控制作用，以保证系统运行在某种意义下的最优或次优状态。
按这种思想建立起来的控制系统就称为自适应控制系统。自适应控制是主动去适应这些系统或环境的变化，而其他控制方法是被动地、以不变应万变地靠系统本身设计时所考虑的稳定裕度或鲁棒性克服或降低这些变化所带来的对系统稳定性和性能指标的影响。好的自适应控制方法能在一定程度上适应被控系统的参数大范围的变化，使控制系统不仅能稳定运行，而且保持某种意义下的最优或接近最优。
自适应控制也是一种基于模型的方法，与基于完全模型的控制方法相比，它关于模型和扰动的先验知识比较少，自适应控制策略可以在运行过程中不断提取有关模型的信息，自动地使模型逐渐完善。
李亚普诺夫稳定理论设计MRAC系统和MIT方案的学习中，如果要设计一个关于李雅普诺夫函数的MRAC系统。首先构造出系统的李亚普诺夫函数，然后用李雅普诺夫稳定性理论的设计方法，能够成功地设计稳定的模型参考自适应系统。在这一章的学习中，理解李亚普诺夫稳定性理论和构造系统的李亚普诺夫函数是重点。
超稳定性概念是波波夫于六十年代初研究非线性系统绝对稳定性时发展起来的。当时，波波夫对某种类型的非线性系统的渐近稳定性问题，提出了一个具有充分条件的频率判据，对研究的这类非线性系统的稳定性提供了比较实用的方法。波波夫所研究的这类非线性系统，是由线性时不变部分与非线性无记忆元件相串联而构成的反馈系统。波波夫超稳定性理论来设计模型参考自适应系统，它可以给出一族自适应规律，并且有一整套设计理论。因此，有利于学习掌握这种自适应控制的设计方法和结合实际系统灵活选择适当的自适应控制规律。
自校正控制系统又称为参数自适应系统,它源于随机调节问题，该系统有两个环路,一个环路由参数可调的调节器和被控系统所组成,称为内环,它类似于通常的反馈控制系统；另一个环路由递推参数估计器与调节器参数计算环节所组成,称为外环。自校正控制系统与其它自适应控制系统的区别为其有一显性进行系统辨识和控制器参数计算(或设计)的环节这一显著特征。自校正控制的思想是将在线参数估计与调节器的设计有机的结合在一起。自适应控制常常兼有随机性、非线性和时变等特征,内部机理也相当复杂,所以分析这类系统十分困难。目前,已被广泛研究的理论课题有稳定性、收敛性和鲁棒性等,但取得的成果与人们所期望的还相差甚远。
在传统的控制理论与控制工程中，当对象是线性定常、并且完全已知的时候，才能进行分析和控制器设计。无论是采用频域方法还是状态空间方法对象一定是已知的。这类方法称为基于完全模型的方法。在模型能够精确的描述实际对象时，基于完全模型的控制方法可以进行各种分析、综合，并得到可靠、精确和满意的控制效果。因此，在控制工程中，要成功设计一个良好的控制系统，不论是通常的反馈控制系统或是最优控制系统，都需要掌握好被控系统的数学模型。
然而，有一些实际被控系统的数学模型是很难事先通过机理建模或离线系统辨识来确知的，或者它们的数学模型的某些参数或结构是处于变化之中的。对于这些事先难以确定数学模型的系统，通过事先鉴定好控制器参数的常规控制难以应付。
面对这些系统特性未知或经常处于变化之中而无法完全事先确定的情况，如何设计一个满意的控制系统，使得能主动适应这些特性未知或变化的情况，这就是自适应控制所要解决的问题。
自适应控制技术在20世纪80年代即开始向产品过渡，在我国得到了较好的推广应用，取得了很大的经济效益。且理论研究也有一些开创性的成果。但总的来说推广应用还很有限，主要是由于其通用性和开放性严重不足。
虽然现已能设计出安全、有效、稳定、快速且现场操作比较简单的自适应控制系统，但今后较长一段时期内，相对简单实用的反馈、反馈加前馈或其他一些成熟的控制技术仍将继续占据实际应用的主流。
自适应控制理论必须有新的突破，才能在工程应用中对PID控制等传统方法取得显著的优势，结合人工智能技术，尤其是神经网络技术与模糊理论，或许是最终实现这一远景的可能途径。
方向自适应 篇3
关键词：减法聚类,目标定位,目标检测,模糊C均值聚类
0 引言
在智能监控场合,视频运动目标检测是一重要技术环节。在检测到视频运动目标区域后,需进一步定位视频运动目标,即获取视频运动目标的空间位置信息。多数研究人员在设计视频运动目标检测算法时,均假设所检测到的目标运动区域具有理想的空域连通性,然后再采用基于区域生长的方法对连通区域进行标记,以获得目标的空间位置信息。然而,在实际应用场合,所检测到的视频目标运动区域多数具有空域不连通性,即代表运动目标的区域存在分块或空洞。此时,若采用区域生长法对连通区域进行标记,则其所标记的代表视频运动目标的连通区域不可靠。目前,视频运动目标定位方法主要有基于区域生长的方法、水平垂直投影的方法及基于模式分类的方法。基于区域生长的定位方法不适用于待定位目标空域连通特性较差的应用场合。空域连通特性差的单目标定位可采用基于水平、垂直投影的定位方法,然而该方法不适用于水平、垂直方向存在重叠的多目标定位场合。基于模式分类的定位方法主要是基于数据聚类的方法,如K均值聚类、模糊C均值聚类(FCM)及减法聚类等。K均值或模糊C均值聚类算法在使用时需指定待定位目标的个数、初始位置及迭代次数等参数。孔万增和孙志海分别将减法聚类算法用于人脸和视频运动目标的定位[1,2],其实验结果表明减法聚类算法很适用于目标区域空域连通特性较差的目标定位场合。减法聚类算法是由Chiu[3]提出的一种基于密度值指标的聚类算法,该算法复杂度只与数据个数成简单的比例关系,适用于多数数据聚类场合,故逐渐得到研究人员的青睐。Sathit等[4]将减法聚类算法用于软件组件的分类。Eftekhari等[5]将减法聚类用于非线性系统建模时的紧凑模糊规则提取。Kim等[6]引入核函数距离测度替换了原减法聚类算法采用范数平方距离的度量。
视频运动目标定位是在对目标运动检测基础上的进一步处理,定位的效果直接影响着如目标跟踪、识别及编码等上层应用环节。因此,研究视频运动目标的定位问题很有意义。文献[1]虽然已给出了一种基于减法聚类的视频运动目标定位方法,然而在目标定位时采用单一尺度表示多个不同尺度的目标,并没有考虑目标尺度的不一致,且定位结果也无法获得目标的方向信息,定位结果不够合理。因此,为进一步提高减法聚类算法目标定位的准确度,本文针对文献[1]中目标定位的不足,进一步提出了一种尺度和方向自适应的减法聚类视频运动目标定位算法。
1 定位算法描述
为了能最终获得各个目标的尺度及方向信息,本文假设各个目标前景像素样本的二维空间坐标分量服从正态分布。在该假设条件下,如果能够获得各个目标前景像素的样本,则可根据数据样本多元正态分布的原则算得目标的尺度及方向信息。然而,基于减法聚类的目标定位方法只能获得视频运动目标的密度中心及目标个数,不能对所有前景像素进行归类。为了能够计算各个待定位目标尺度及方向信息,必须在减法聚类的基础上进一步对前景像素进行归类。由于减法聚类定位的结果提供了目标的位置及个数信息,所以本文选取模糊C均值聚类算法对前景像素做进一步归类。在获得各目标的样本数据后,即可算出待定位目标的二维尺度及方向。图1给出了本文尺度方向自适应减法聚类视频运动目标定位算法的流程图。现将本文所提出的目标定位算法分两部分进行阐述:1)减法聚类预定位及数据分类;2)尺度和方向参数计算。
1.1 减法聚类预定位及数据分类
设m维空间n个数据点(x1,x2,…,xn),xiT=(xi1xi2…xim)(i=1,...,n),减法聚类算法应结合具体问题考虑不同维度邻域半径。定义一对角阵Ma,其逆矩阵为Ma-1:
其中rai(i=,1,2,…,m)为数据点不同维度的邻域半径,邻域半径rai需根据不同的应用场合进行初始化。根据减法聚类算法的定义[3,7],数据点xi(i=1,...,n)处的密度值函数可表示为
在获得这n个数据点的密度值后,选择最大密度值点1x为第1个聚类中心,1P代表最大密度值。为找出新的聚类中心,需修正每个数据点的密度值,即在每个数据点xi的密度值iP上减去一定的密度值[3,7]:
其中Mb为另一对角阵,rbi(i=,1,2,…,m)为正常数,定义了一个密度值显著衰减的邻域,一般rbi=ηrai,η为大于1的正常数,η的经验值为1.25≤η≤.15,这样可避免出现相离很近的聚类中心。在修正了每个数据点密度值后,将具有最大密度的数据点选为聚类中心。该过程不断迭代,直到找出所有有效聚类中心,将式(3)简记为Pi⇐Pi'。减法聚类时可以Pk*<ε⋅P1*(0<ε≤)1作为迭代终止条件,其中1P*为第1个聚类中心密度,kP*为第k个聚类中心密度。
采用上述的减法聚类算法获得待定位目标的聚类密度值中心及目标个数后,根据模糊C均值聚类算法的思想[7],利用所有前景样本点到各个目标密度值中心的欧氏距离,计算各数据点隶属于各个密度值中心的隶属度,根据最大隶属度的模糊规则实现对前景像素样本的归类。假设减法聚类算法定位获得c个视频运动目标,目标记为Oj(j=1,...,c)。记c个视频运动目标密度值中心为yj(j=1,...,c),前景像素样本xi隶属于视频运动目标Oj的隶属度记为ωji,ωji计算公式见式(4)。利用式(5)可将所有前景样本点归到各个视频运动目标。其中dji=‖yj-xi‖,xj∈Oj,h∈1[,∞)为一加权指数,h的经验取值区间为[1.25,1.5]。
1.2 尺度和方向参数计算
设前景像素样本的二维空间坐标分量服从正态分布,则前景像素样本经减法聚类预定位及模糊C均值聚类算法归类后,各个目标均具有属于自己的前景像素样本。记第k个目标前景像素样本均值为µk,目标样本协方差矩阵为Mk,其中k=,1,2,…,c,协方差矩阵Mk为实对称阵。记协方差矩阵Mk所对应的特征向量及特征值矩阵分别为Vk和kD,则有MkVk=VkDk,即Mk=VkDkVk-1且Mk-1=Vk-1Dk-1Vk。又由于VkT=Vk-1,所以Mk-1=VkTDk-1Vk。将第k个目标某前景像素样本x偏离µk的距离度量表示为
式(6)对于二元正态分布为椭圆方程,对于三元正态分布则为椭球方程。若记z=Vk(x-µk),则式(6)可进一步表示为r2=zTDk-1z。由此可见,对于二元正态分布,式(6)所对应椭圆的两个主轴方向为协方差矩阵Mk特征向量的指向,椭圆半长轴和半短轴与协方差矩阵特征值的平方根成正比关系。利用该特点,视频运动目标可进一步用椭圆来表示,目标的方向为最大特征值相应特征向量的指向。这里第k个目标前景像素样本均值µk及样本协方差阵Mk采用一致最小方差无偏估计[8]:
设二元正态分布样本实对称协方差阵特征值λ1,λ2(λ1≥λ2),其对应的特征向量阵为V=[e 1e2],其中ei=[eixeiy]T(i=,12)。则视频运动目标的方向角θ,代表视频运动目标椭圆的半长轴ar和半短轴br可次表示为
为进一步说明目标尺度和方向参数的计算过程,本文将结合图2所示椭圆内的532组样本点,给出求取该组样本尺度及方向参数的数值计算示例。由式(7)可求得图2所示样本的均值µ=[57,72]。结合样本数据,由µ和式(8)可算得该组样本协方差矩阵M,由协方差矩阵M可进一步求得该矩阵的特征向量阵V和特征值阵D:
根据特征向量和特征值矩阵V和D,有1λ=448.5050,λ2=175.1945,对应的特征向量分别为1e=[-0.7433.0669]0T,e2=[-0.6690-.0743]3T。由式(9)可算得θ≈-0.286 5π(或0.713 5π),ra≈42.36,rb≈26.47,式(6)r值取2。最后,可得该组样本的定位结果如图2所示。
2 实验结果及分析
为进一步说明本文所提出的尺度方向自适应减法聚类视频运动目标定位算法的有效性。本文在CPU为Celeron 1.67 GHz,内存为512 MB,操作系统为Windows XP SP2的PC机上,采用VC++6.0开发环境(Debug模式),对不同视频序列的运动目标进行了定位实验。实验共用到3组视频测试序列:Highway(公共视频测试序列,下载地址http://cvrr.ucsd.edu/aton/shadow/,大小320×240,共500帧)、Viptraffic(Matlab7.1自带视频测试序列,大小160×120,共120帧)、Hand(自拍视频测试序列,大小320×240,共18帧)。
2.1 算法定位过程
图1已示意了本文尺度方向自适应减法聚类视频运动目标定位算法的定位流程。为更直观地说明本文算法的定位过程,图3给出了本文算法定位某二维数据样本的过程示意图。图3(a)~(d)共4张图依次对应于如下定位过程:二维待定位数据样本→减法聚类预定位→模糊C均值聚类→目标尺度及方向定位。采用减法聚类进行预定位时:ra1=45,ra2=15,η=1.25,ε=0.55。减法聚类预定位得到的目标密度中心坐标及密度值在图3(b)中标记。图3(d)标记了目标定位结果的半长轴、半短轴及方向角度参数。
2.2 定位效果比较实验
图4(a)为Highway第487帧运动检测的结果(未进行形态学滤波处理)。图4(b)、(c)和(d)分别示意了不同定位方法对图4(a)的定位效果。图5示意了本文方法与文献[1]的方法对图4(a)中6个目标定位的像素级偏差比较曲线,其中各个目标的偏差值由目标椭圆或正圆包含的总像素数减去对应目标前景像素点数算得。从图4和图5中可以看出:文献[1]的方法和本文方法比基于区域生长的定位方法具有更强的抗噪性能;与文献[1]的方法相比,本文方法可以进一步获得目标的尺度及方向参数,且本文定位方法的像素级平均偏差也低于文献[1]的定位方法。虽然图4给出的只是目标空域连通特性较差时的定位效果,但即使是空域特性连通性良好的情况,本文方法依然具有定位参数较丰富的优势。本文这里采用文献[9]方法对图4中的
Highway视频序列进行运动检测。基于本文实验环境,未对测试程序进行任何优化情况下,图4(b)算法耗时约328 ms,图4(c)算法耗时约32 ms,图4(d)算法耗时约598 ms。
2.3 不同视频序列定位实验
图6~图10示意了采用本文算法对Highway、Viptraffic和Hand三组视频序列视频运动目标的定位效果。对视频目标的运动检测采用文献[9]的方法,其中人手检测结合RGB空间肤色模型辅助检测。图6和图7的分别为Highway第486帧运动目标前景样本减法聚类预定位及尺度方向定位的效果。表1为对图8最左图所标记的视频运动目标进行定位后,最终所获得的各个目标的尺度及方向参数。从图6~图10的定位效果可以看出:本文的目标定位算法不但能更准确地定位视频运动目标,而且可以进一步提取出目标的尺度及方向参数,该参数特别有利于一些目标跟踪场合的应用,如Mean Shift算法做目标跟踪时初始目标模型的自动获取。
3 结论
基于减法聚类算法的视频运动目标定位方法很适用于待定位视频运动目标空域连通特性较差时的应用场合。本文针对原减法聚类定位法无法获取目标尺度和方向参数的问题,提出了一种解决该问题的定位算法,并通过大量实验辅助阐述本文方法的定位效果。本文方法与原减法聚类定位方法相比,虽然本文方法可获得更准确的目标定位结果,以及获得目标的尺度及方向参数,但由于模糊C均值聚类及协方差矩阵分析的引入,使算法耗时增加。因此,研究任何有利于提高定位算法处理效率的方法显得非常有意义。同时,减法聚类定位算法初始邻域半径的自学习也是研究重点之一。
参考文献
[1]孙志海,孔万增,朱善安.基于减法聚类算法的视频运动目标定位[J].光电工程,2008,35(7):12-16.SUN Zhi-hai,KONG Wan-zeng,ZHU Shan-an.Moving object location in video sequences based on subtractive clustering algorithm[J].Opto-Electronic Engineering,2008,35(7):12-16.
[2]KONG Wan-zeng,ZHU Shan-an.Multi-face detection based on downsampling and modified subtractive clustering for color images[J].Journal of Zhejiang University Science A(S1673-1581),2007,8(1):72-78.
[3]Chiu S L.Fuzzy model identification based on cluster estimation[J].Intelligent Fuzzy Systems(S1064-1246),1994,2:267-278.
[4]Sathit N,Peraphon S,William R.Fuzzy subtractive clustering based indexing approach for software components classification[J].Journal of Computer and Information Science(S0091-7036),2004,5(1):63-72.
[5]Eftekhari M,Katebi S D.Extracting compact fuzzy rules for nonlinear system modeling using subtractive clustering,GA and unscented filter[J].Applied Mathematical Modelling(S0307-904X),2008,32(12):2634-2651.
[6]Kim D,LEE K,LEE D,et al.A kernel-based subtractive clustering method[J].Pattern Recognition Letters(S0167-8655),2005,26(7):879-891.
[7]张智星.神经-模糊和软计算[M].西安:西安交通大学出版社,2000:305-309.ZHANG Zhi-xing.Neuro-fuzzy and soft computing[M].Xi’an:Xi’an Jiaotong University Press,2000:305-309.
[8]樊家琨.应用多元分析[M].开封:河南大学出版社,1993:23-30.FAN Jia-kun.Applied multivariate analysis[M].Kaifeng:He’nan University Press,1993:23-30.
过度自信使我迷失方向作文 篇4
在人生的道路上，总不会一帆风顺，有酸、甜、苦、辣……然而，一个人只有树立自信，才有可能走向成功的大道。但殊不知，一个人如果对自己过度自信，也会迷失方向。
清晨，天空中刚露出鱼肚白，我便被母亲从床上拉起来，迷迷糊糊地准备好一切后，我们便马不停蹄地走出家门。今天是一年一度的“朗诵大赛”，在老师的推荐下，我很荣幸地被选来参加比赛。
一路上我上下眼皮在不停地打着架，我心不在焉地看着手中的演讲稿，思绪则飞到了十万八千里之外。时间一分一秒地过去了，刚要睡着的我被妈妈从车上拽了下来，此时此刻，我的心情，别提有多糟糕了!
一走进比赛现场，扑面而来的`是一阵阵冷气。没穿多少衣服的我不由自主地缩了缩身子，紧皱眉头，活像一个老太太。“请比赛选手做好准备，比赛即将开始。”主持人的声音再次响起。场地的喧闹声，更是让我心烦意乱。
我和妈妈来到休息室。我惊呆了，就连这儿也是人山人海呀!我将背包缓缓放下，妈妈因为有急事临时要走，就连走时也是对我千叮咛万嘱咐，叫我有空多看稿子。而我呢，一只耳朵进一只耳朵出，妈妈的话，我一句也没听进去，“哎!这孩子。”妈妈一声叹气，随后便离开了。我并没有把比赛放在心上，则是向四处张望。很多人都在练习，但我却不以为然，反正我的稿子已经倒背如流了。
比赛正式拉开序幕，轮到我上场了。刚开始的我一脸轻松，但随后我在关键的时候竟掉链子——忘词了。我顿时不知所措，台下的人也用好奇的目光望着我，我的脸热得通红，这回可出了大洋相了。我悻悻地走下台去，心情别提有多沮丧了。
方向自适应 篇5
约十年前,出现了一门崭新的信号分析工具———多尺度几何分析[2]。多尺度几何分析包括一系列的方法,主要有: Candès E J和Donoho D于1998年提出的脊波变换( Ridgelet Transform) 、 1999年提出的单尺度脊波变换( Monoscale Ridgelet Transform) 和Curvelet变换,Pennec E L和Mallat S于2000年提出的Bandelet变换及Do M N和Vetterli M于2002年提出的Contourlet变换等。 其中,Contourlet变换是一种基于多分辨率多方向的几何分析方法,能够较好地捕捉图像本身所特有的几何特性[3],其基本思想是首先利用一个类似于小波的多尺度分解捕捉边缘奇异点,再根据方向信息将临近的奇异点连接成轮廓,且使用一个系数表示。但由于变换中使用了LP变换,使得Contourlet变换本身并不适合直接用于图像编码等处理。
为解决Contourlet变换中的冗余问题,Eslami R和Radha H提出了基于小波的Contourlet变换 ( Wavelet-Based Contourlet Transform,WBCT)[4]。 该方法去除了LP滤波器结构引入的数据冗余,形成了非冗余且完全重构的滤波器组,能够有效地逼近图像。相比于Contourlet,WBCT更适合于图像压缩。但是,WBCT在进行方向分解的时,为避免能量流失,对最低频子带未进行方向分解; 而对高频子带,采取不同子带方向分解数目固定的分解方式,没有充分考虑图像本身的特性。特别是高频子带通常包含大量细节信息,这给编码等后续操作带来直接影响。因此笔者提出一种基于熵的WBCT自适应方向分解优化算法,在对图像进行L级小波完全分解的基础上,对i( 1≤i≤L) 级高频子带进行2L - i + 1个方向分解,然后分析各子带不同方向分解数目时熵的变化情况,并根据最小熵原则给出各个子带的最优方向分解数目。
1基于小波的Contourlet变换1
Contourlet变换是在Curvelet变换的基础上提出的一种多分辨率、多方向、局域的几何分析方法,由于变换中使用了LP变换,在处理高频信息时没有进行下采样操作,导致Contourlet存在1 /3的冗余。为此,Eslami R和Radha H提出了基于小波的Contourlet变换,其基本思想是用小波变换中的Mallat塔式分解代替Contourlet变换中的LP分解,从而消除了Contourlet变换中存在的冗余, 这一过程用可分离的滤波器组实现。然后用方向滤波器分别对Mallat分解中的非LL子带进行卷积处理,以更“稀疏”地表示图像,这一过程由不可分离的具有迭代层次结构的扇形滤波器组实现,其原理如图1所示。
对于高频细节部分的方向分解,WBCT采用了与Contourlet相同的方法,即将高频部分分解于各个频带方向上,每一层频域分解成2l个子带。 图2给出了八方向的频域子带分解示意图,与 ω0轴正方向夹角45 ~ 135°之间的频带称作第一通道,其余为第二通道。
实现方向滤波的关键是使用良好的方向滤波器。图3给出了四方向滤波器组的示意图,其中WBCT继承了小波变换和Contourlet变换的优点,同时又弥补了二者的不足,从而更容易捕捉图像的几何结构和纹理特性。图4给出了Babara图像的DWT系数和WBCT系数的对比,从中可看出Contourlet的方向滤波对小波系数高频部分的纹理捕捉能力。
2基于熵的自适应方向优化分解
在进行方向分解的时候,考虑到低频分量的特殊地位,WBCT对最低频子带不进行方向分解, 而对高频子带采取不同子带的方向分解数目固定的分解方式。由于高频子带包含丰富的细节信息,方向分解数目合适与否将对后续处理( 如编码等) 产生较大影响。笔者以PSNR值对其特性进行分析。对512 × 512的Babara图像进行4级小波变换,并对高频子带按不同方向分解数目进行方向分解,然后采用SPECK算法[5]对其进行压缩处理,并计算重构图像的PSNR值。表1给出了码率为0. 25b /p时的PSNR值。
从表1中可以看出,对高频子带进行不同数目的方向分解,压缩后其重构图像PSNR值是不同的,因此如何确定高频子带最佳方向分解数目是一个值得研究的问题。理论上可通过计算变换域迭代投影过程中图像的量化误差并使其最小而得到,但该方法的实际操作性差[6]。文献[7]结合实验,给出了如下的方向分解策略: 对原始图像进行L级小波分解以后,仅在除第L级和第L - 1级外的各级小波子带上进行方向分解,且最高分辨率上方向分解数为2L - 1。显然该方法对图像内容还考虑得不够深入。笔者紧密结合图像自身特性,从熵的角度对方向分解数目进行研究。
根据文献[8,9],描述高频子带纹理/边缘特征的一个重要指标是熵。由于Contourlet根据方向信息将临近的奇异点连接成轮廓,且使用一个系数表示,因此方向分解必然引起子带熵的变化, 而且变化和分解的方向数目有关。根据熵的定义,如果方向分解后小波系数分布更加有规律 ( 对编码有利) ,其熵值必定减小。因此,最佳的方向分解数应使小波子带的熵达到最小值。
设s为经Contourlet方向分解后的任一子带, 则定义该方向子带的熵如下:
其中,p( i) 为像素灰度值为i的概率,p( i) = ni/ ns,ni为灰度值为i的像素数目,ns为子带s的像素总数。当对小波子带进行不同数目的方向分解时,其熵值发生变化。熵值变大,表明有轮廓被打散; 熵值变小,则表明有系数被合并成为轮廓。 为此,对某一小波高频子带S,若其方向分解数目为2d,d = 0,1,2,…,则定义该小波子带的平均熵为:
其中,Es( s = 1,2,…,2d) 为Contourlet方向分解后的各子带熵。则基于熵的Contourlet方向分解优化过程如下:
a. 小波子带完全方向分解,即假定对图像进行L级小波变换,则对第i( 1≤i≤L) 级高频子带确定其首次方向分解数为2L - i + 1;
b. 确定最佳方向分解数;
c. 对所有高频小波子带均进行步骤b的处理。
假设对某一小波子带S进行2j个方向分解, 步骤b的具体方法为:
a. 若j = 1,比较和的大小,若,则选取方向分解数为2,否则选取方向分解数为1;
b. 进一步将S分解为个方向子带,并比较和的大小,若则确定该子带方向分解数为2j;否则令j = j - 1,返回步骤a。
3方向分解和压缩实验
3.1方向分解实验
为验证上述算法的有效性,选取512 × 512的标准灰度图像Boat进行方向分解实验。小波基选取D9 /7双正交小波基,分解级数L = 4。考虑到pkva滤波器在定位边缘方向上更加有效,因此在进行方向分解时采用pkva滤波器取代扇形滤波器以减少方向间的交互信息。按照式( 1) 计算得到小波分解各高频子带的熵见表2。
对各小波高频子带采取不同的方向分解数进行方向分解,并按式( 2) 计算每个小波子带不同方向分解数时的平均熵,计算结果见表3,并按最小熵原则确定最佳方向分解数目。
对LH1小波子带,其熵,首次方向分解数为16,由于进一步分解为4个方向子带,满足所以确定LH1子带的最终方向分解数为8; 对LH2小波子带,其熵首次方向分解数为8,由于进一步分解为两个方向子带,且所以确定LH2子带的最终方向分解数为2。其他子带依此类推,可得优化的方向分解数见表4。
图5给出了根据原始WBCT和笔者改进的算法进行的实际方向分解的情况,后者系数分布规律更加合理,更有利于后续进一步编码处理。
3.2图像编码压缩实验
为验证方向分解的合理性,选取Boat等6幅常用标准图像,采用SPECK算法对方向分解后的图像进行压缩处理,并计算其重构图像的PSNR值( 表5) 。可以看出,与原始WBCT算法方向分解数目固定相比,笔者提出的最优方向分解数算法可以明显提高重构图像的峰值信噪比。
4结束语
Contourlet变换将小波的优点延伸到高维空间,具有多分辨率、局部化及各向异性等优良特性,是一种真正意义上的图像二维表示方法。笔者针对基于小波的Contourlet方向分解没有考虑子带内系数分布特性的问题,提出基于熵的子带方向分解优化算法,使得各方向子带内部的局部相关性加强,而子带间相关性减弱,这对提高图像的压缩比是至关重要的。通过实验可以看出,重构图像的峰值信噪比得到有效提高,这说明笔者将熵作为方向分解的依据是正确的。
参考文献
[1]倪伟,郭宝,龙杨锣.图像多尺度几何分析新进展:Contourlet[J].计算机科学,2006,33(2):234~236,262.
[2]焦李成,谭山.图像的多尺度几何分析:回顾和展望[J].电子学报,2003,31(z1):1975~1981.
[3]Do M N,Vetterli M.Contourlets:A Directional Multiresolution Image Representation[C].Proceedings of IEEE International Conference on Image Processing.New York,USA:IEEE,2002:357~360.
[4]Eslami R,Radha H.Wavelet-based Contourlet Transform and Its Application to Image Coding[C].Proceedings of IEEE International Conference on Image Processing.Singapore:IEEE,2004:3189~3192.
[5]Pearlman W A,Islam A,Nagaraj N,et al.Efficient,Low-complexity Image Coding with a Set-partitioning Embedded Block Coder[J].IEEE Transactions on Circuits and Systems for Video Technology,2004,14(11):1219~1235.
[6]唐国维.嵌入式小波图像编码算法及应用研究[D].哈尔滨:哈尔滨工程大学,2010.
[7]王向阳,左珂可.低比特率混合域图像压缩编码算法研究[J].中国图象图形学报,2007,12(11):2000~2005.
[8]Pham T D.Image Texture Analysis Using Geostatistical Information Entropy[C].The 6th IEEE International Conference on Intelligent Systems(IS).Sofia:IEEE,2012:353~356.
自适应花盆 篇6
现在很多人喜欢在家养一些花花草草, 不过, 这些美丽的生命需要在精心的照顾下才能开放出美丽的花朵。但当你因种种原因而无法按时给花草浇水时, 过不了几天, 这些花草就会因为缺水而枯萎。于是我设计了一个特殊的花盆:在花盆底部放置一个隔板将花盆分隔开, 在底部形成一个储水槽。当主人在家时, 每天浇水时可适量多浇灌一些, 多余的水分会渗过土壤流进事前设计好的储水槽中保存起来。等到主人无法按时给花草浇水, 土壤过分干燥时, 储水槽内的水就会顺着引水装置被干燥的土壤吸收, 从而润湿土壤。花盆的口部有一个有孔封口, 它可以限制植物生长范围, 有了它就可以在最大限度上减少水分蒸发。
点评:作者从实际需要的角度出发, 能够积极地思考生活中的点滴问题, 并通过创意、设想进而解决问题。但在设计中还没有很好地将设想设计出来, 还可以进行一步改进, 以提高其实用性。
方向自适应 篇7
自适应网关发现方法可以认为是混合式网关发现方法的一种特殊情况,其基本思想可归纳为:网关节点通过分析MANET节点的活跃程度和请求网关服务的频率来感知网络状况,通过设置GWADV报文的转发跳数来扩展或收缩主动式网关发现覆盖区域。除了网关通告跳数TTL,如何避免广播风暴、如何基于节点和网关的负载动态选择或切换路由,也是自适应技术的研究范围。
本文结合现有的自适应网关接入机制,进行了改进设计并实现仿真。在所有MANET节点上运行AODV路由协议,网关节点同时运行AODV协议和有线路由协议[3]。在这种方案中,网关的自适应性主要体现在以下几点。
(1)MANET节点的自适应:
一是动态接入:多网关情况下,节点根据网关负载GW(Gateway Weight)对收到的GWADV进行判定,选择其中负载最小的网关进行反向路由建立。
二是流量感知:节点根据邻居列表NNL(Neighbor Node List)及自身负载NW(Node Weight)对收到的RREQ有选择的进行转发,避免浪费链路资源,引起不必要的洪泛。
三是路径质量感知:源节点收到路由回复RREP,根据路径质量PW(Path Weight)选择默认网关路由和备用网关路由。
(2)网关节点的自适应
一是接入网关广播的网关通告半径(TTL)和网关通告的发送间隔随着网络规模以及接入节点到接入网关的距离变化而进行变化。
二是网关收到源节点发送的转发数据包,根据其到达间隔,监控路径质量,及时提醒源节点进行路由切换以减少网络延迟和丢包率。
1 数据结构
1.1 源节点列表
网关节点维护一份移动节点列表MNL(Mobile Nodes List)[4],该列表记录所有请求网关服务的源节点的序列号、IP地址、距离网关的跳数和活跃时间。MNL相关表项的建立与更新基于源节点发送的RREQ,网关节点接收后对其中相关字段进行解析以获取信息。其中,源节点的活跃时间设定于其相关信息初次写入MNL列表,若活跃期内表项信息更新则予以延长,若过期表项信息未更新则删除信息,因为此时该节点或者是不再需要网关接入服务,或者是脱离网关的当前服务范围。
通过MNL列表,网关节点了解需要提供服务的源节点数目及其位置分布,下文中如何设置发送GWADV的TTL值也基于此列表信息,从而实现GWADV的最佳覆盖。
1.2 邻居节点列表及双向链路的判定
无论是移动节点收到GWADV后获取至网关的多跳路径,还是源节点创建并发送RREQ自行寻求至网关的多条路径,这一系列路由发现过程都会因为采用泛洪方式进行报文转发而给网络造成巨大开销,导致大量的冗余分组、激烈的信道竞争以及报文冲突,出现所谓的广播风暴。为排除因单向链路而产生的无效广播分组,相邻节点定时通过HELLO分组探测局部拓扑情况,判定彼此是否为对称无线链路,并判断彼此是否拥有相同的对称邻居节点。
移动节点S维护一份邻居节点列表NNL(Neighbor Node List),该列表记录接收到的HELLO分组的发送者M,将其视作自己的邻居节点。NNL结构如图1所示。其中,邻居ID记录M的IP地址,对称链路记录S与M之间是否为双向链路。若S在M的HELLO分组[5]中看到自己在其邻居名单中,就判定M为对称邻居节点(简称邻居节点),设置对称链路字段,否则不设置。
当M被设置为邻居节点,S还要判断自己和M的对称邻居节点是否完全相同。S检索M的HEL-LO分组中包含的邻居信息,若发现与M的邻居节点并不完全重合,设置共有邻居字段。最后,NNL中的每条记录都设置了存活期限并在被更新后延长。存活期内未再次接收到M的HELLO分组,则删除NNL中有关M的记录,表明以M为下一跳的全部路由已经失效。
2 路由判据设计
2.1 网关节点负载的定义
网关根据MNL的表项信息定义网关负载GW(Gateway Weight)为:
其中,DS为移动节点至网关节点的跳数,NN为向网关节点请求服务的源节点数目,QL为网关节点缓冲区内待转发的数据包队列长度,且n+m+k=1。
显然,MANET结点会选择距离最近、转发任务最轻的网关作为其服务请求对象。考虑距离和负载对网络通信的影响不同,取n>m>k,即跳数的影响最大,其次为请求服务的节点数目,待转发的数据包大小被认为影响最小[6]。权值的选取根据网络环境的具体情况及网络性能的具体参数而确定。
2.2 移动节点负载和路径质量的定义
由于无线通信的特性,节点在传输数据之前要侦听无线信道,判断是否有其他节点正在传输数据。只有共享信道空闲时,节点才能启动数据传输。因此,邻居节点的通信量直接决定了节点进行数据传输时的空等时间,即自组织网络中端到端时延不仅取决于当前节点的负载,而且受制于邻居节点的负载。
定义节点负载NW(Node Weight)为一定的时间间隔内待发送数据包队列的平均长度。对节点S,在采样周期内共采集M个样本,则节点S的负载为:
其中,NW(k)是第k次采样时队列的实时长度,NW是采样周期内队列的平均长度。M越大,对节点负载的度量越准确。
定义路由质量PW(Path Weight)为路径中各节点的负载与节点数目之和:
其中,PN为路径上的节点数目,s<t且s+t=1,即跳数越少且各节点负载越小的路径越好。
3 适应路由策略
3.1 自适应网关通告
网关周期性向MANET广播网关通告来表明自己的存在。GWADV[8]消息包含:消息ID、网关全局地址、网络前缀、TTL、网关当前服务的源节点数量NN和网关节点待转发数据包队列长度QL等,其中NN和QL作为移动节点收到公告后计算GW的依据。同时,为避免非对称链路的影响,对GWADV进一步扩展,将局部拓扑信息即邻居节点信息添加到消息中,使MANET节点对GWADV进行有选择的转发。
(1)TTL的自适应选值
已知网关节点通过查询MNL便可了解源节点的分布情况,据此来动态修正网关通告的TTL,实现GWADV自适应广播。每个发送网关通告的周期,网关节点根据下式计算网关通告半径TTL:
其中,NN为向该网关节点请求服务的源节点数量;DS(i)表示i节点与网关节点的跳数。
(2)GWADV的发送间隔
在一个广播网关通告的周期内加入或离开该网关的源节点数目S可反映源节点的活跃程度[9]。引入阈值low<high,则广播间隔I的自适应公式为:
网关通告间隔的调整主要是基于网络拓扑的变化程度。当网络拓扑不稳定且源节点较活跃时,网关需要缩短广播间隔以及时更新源节点信息,反之则增加广播间隔以降低网络开销。
(3)基于时延给出路径转换信号
当路由建立,源节点向网关发送分组数据包,网关节点对来自同一个源节点的数据包进行计时,并计算各分组的传输间隔T:
第一个分组传输间隔为T1,下一个分组传输间隔为T2,取ΔT=T2-T1。设n=0,若ΔT>0,则n=n+1,否则n清零。当n=k时,即连续k个来自相同源节点的数据包传输间隔处于持续增大的状态,网关节点通过反向路由通知各中间节点和源节点,源节点在发送下一个分组时,选择备用网关路由发送数据。
3.2 自适应网关发现
将MANET节点分成三类:请求网关服务的源节点、已知网关路由并回复RREP的节点和转发RREQ的中间节点,分别叙述其自适应寻路过程。
(1)源节点
在网关通告GWADV的广播范围之外的源节点,通过发送网关路由请求分组RREQ来寻求网关服务。对RREQ格式进行扩展,增加邻居节点信息NNL和节点负载信息NW,以此排除单向链路的干扰并为路由质量PW的计算提供依据。RREQ格式如图2所示。
当源节点收到RREP消息,进行网关路由的建立。从RREP中获取各节点负载NW,按照式(3)计算该路径质量PW。若源节点收到来自不同网关的路由回复,则根据不同的PW,选择值最小的路由作为其默认网关路由,再选取值次小的作为备用网关路由。路由表结构如图3所示。
(2)中间节点(具有到网关的有效路由)
当中间节点收到一个GWADV消息,首先检查是否曾收到与该消息ID和IP地址相同的GWADV,若有则丢弃新收到的消息,否则查看消息中包含的邻居节点信息:
一是若邻居节点信息中包含本节点,则认为本节点和发送GWADV的上游节点之间存在双向链路,建立或更新相应的反向路由,并转发该消息。
二是若消息中邻节点信息中不包含本节点,则认为本节点和发送GWADV的上游节点之间为单向链路,丢弃该消息。
建立或更新到上游节点的反向路由进行以下操作:
一是若该节点没有至网关的路由,则创建该路由表项,根据GWADV中的NN和QL字段,按照式(1)计算网关负载GW,并将自己的邻居节点写入相应字段,然后将该通告进行转发。若该节点收到来自不同网关的GWADV,则根据计算出的GW,选择负载最小的路由作为默认网关路由,并转发该网关的GWADV,其他网关的通告丢弃。
二是若该节点已有至网关的默认路由,则按照式(1)计算网关负载GW,并判断是否进行网关切换。网关切换的条件是新网关的负载与当前网关的负载之差大于一定阈值,以此避免频繁的网关切换所带来的路由抖动。
至此该节点成为具有到网关节点有效路由的节点,收到RREQ后回复RREP,RREP与RREQ结构相同,源节点根据其中包含的节点负载信息选择性的建立全局连接。
三是中间节点(不具有到网关的有效路由)
当中间节点收到一个RREQ消息,若曾收到与该消息ID和源地址相同的RREQ,则直接丢弃,否则根据本节点MAC层及网络层提供信息,按照式(2)计算自己的节点负载NW,决定是否进行转发。节点有两种状态:繁忙和可用(繁忙:NW>U;可用:NW<U;U为拥塞指数),当节点处于繁忙状态时,丢弃所有收到的RREQ;当节点处于可用状态,在RREQ中的节点负载列表中添加自己的NW,搜索邻居节点列表,向双向链路的邻居节点广播RREQ。
4 仿真与分析
设置一个MANET网络场景,各节点运行改进后的路由协议,并按随机的移动速度保持运动状态。在仿真区域配置2个网关,位于仿真区域的对角,并在其上同时运行改进后的路由协议和有线路由协议。每个网关通过一个路由器与一个固定节点连接,均通过100Mbit/s的有线链路连接。具体参数设置如表1所示。
选取以下参数作为比较标准,将上文进行改进的路由协议与普通混合式路由协议进行比对分析:
(1)分组投递率:成功投送到目的节点的分组数据包在源节点发送的所有分组数据包中的所占比率。
(2)网络延时:从源节点发送分组数据包到目的节点接收分组数据包,该过程产生的所有时延,主要包含路由建立时间、数据包在缓冲区等待发送时间和正常的传播时间等。
(3)网络归一化开销:与寻路有关的分组消息(GWADV、RREQ和RREP等)在网络所有传输分组中的所占比率。
分组投递率和网络时延决定了网络接入性能,由图4(a)-图4(b)可知本文算法的性能较优,因为在非对称链路普遍存在的环境下,普通混合式路由算法盲目转发RREQ,导致一些因链路不对称而实际无效的路径被采用。失败后重新进行路由发现,因为建立路由的时间延长,相关数据可能因超时而被丢弃。另外,没有自适应机制使得网关通告范围不能根据MANET状态动态改变,默认网关路由的建立不能根据网关和移动节点的负载进行选择,因此分组投递率较低且网络时延较大,特别随着节点活跃程度增加,链路断裂趋于频繁,互联性能进一步恶化。
在网络开销方面,由图4(c)可知普通混合式路由算法开销巨大,因为其MANET节点盲目转发沿所有链路而来的网关发现消息,且当非对称链路造成路由发现失败,重新寻路造成了更多的开销。源节点位置随机且各节点高速移动,固定网关通告范围使得更多节点采取被动式按需寻路,RREQ等分组数量巨大。本文算法不仅避免了非对称链路的影响,而且引入基于节点负载判定是否转发分组的机制,在很大程度上节省开销。虽然周期性发送包含大量邻居节点信息的HELLO消息牺牲了部分互联开销,但本算法的开销仍然较少,尤其当节点移动速度增加时,其优势更加明显。
5 结束语
对MANET网络和固定网络互联的自适应网关发现算法进行优化。利用邻居节点信息在路由广播消息中的扩展解决单向链路问题;依据网关节点对MANET的感知实现网关通告广播范围和周期的自适应调整;通过采样并计算各节点的负载情况实现路由建立选择与更新的自适应。与已有算法的仿真对比显示,本文算法实现了互联性能的优化和路由开销的降低。
摘要：在移动自组网接入Internet的过程中,为适应节点高速移动导致网络拓扑频繁更新的特性,在混合式路由发现中引入自适应机制,从网关通告跳数的合理范围、广播风暴的避免、各节点和网关负载的动态变化等方面进行自适应性优化。以AODV路由协议为基础,改进网关发现算法的自适应机制,在NS2平台进行仿真,实现移动自组网与有线网络的互联,且其接入性能有一定程度优化。
关键词：移动自组网,Internet接入,网关发现,自适应
参考文献
[1]Cavalcanti D,Kumar A,Agrawal DP.Wireless Ad Hoc Networking[M].New York:Auerbach Publications,2007:483-503.
[2]Jeonkeun Lee,Dongkyun kim,J J Gareia-Luna-Aeeves et al.Hybrid gateway advertisement scheme for eonnecting mobile Ad Hoc networks to the Internet[J].IEEE,2012:191-195.
[3]刘元安,刘凯明,翟临博,等.移动自主网与Internet互联中的自适应网关发现算法[J].吉林大学学报,2011,41(4):1157-1163.
[4]沈斌,柯海燕,胡中功,等.MANET与Internet互联时的自适应增强机制[J].计算机工程与应用,2012,36(3):112-116.
[5]沈彬,李波,石冰心.基于HELLO机制的Adhoc与Internet高效互联[J].微电子学与计算机,2006(10):90-95.
自适应信号采集系统设计 篇8
在工业控制和智能测量系统中, 一般信号的变化幅度大, 若采用单一的放大增益, 小信号经放大器放大后, 幅值仍然很小, 经A/D变换后, 会影响数据的精密度, 而大信号放大后又有可能超出A/D转换的量程, 因此设计开发增益自动可调的程控增益放大器, 使允许输入的模拟量在很大的范围内动态可调, 方便与微机接口, 已成为现代测控设备的必然要求。
二、自适应信号采集系统的组成
自适应信号采集系统由差动放大电路、共模抑制电路、双端单端转换电路和程控增益放大电路组成, 是一种连续程控调节电路。
差动放大电路由运算放大器Ⅲ、Ⅳ (OP27) 组成, 在差动放大电路和双单转换电路之间增加了共模抑制电路, 以运算放大器Ⅴ (OP27) 为核心构成。
单双转换电路由运算放大器Ⅰ、Ⅱ (OP27) 组成, 它将单端输入信号转换成双端输出信号, 提供较高的共模抑制能力。
衰减器电路由U6 (8位DAC转换器DAC0832) 和运算放大器U 7 (OP27) 组成。
三、自适应信号采集的方法
可自动控制增益放大器可以用D/A转换器和运算放大器实现, 调试容易, 外接元件少, 可以方便地和计算机接口。放大器增益的线性好、精度高, 既可放大又可衰减, 动态范围达100dB以上。
信号通过传感器, 输入到固定增益放大器。因为输入为单端信号, 所以在固定增益放大器的前端, 要接上一个单端变双端转换电路, 此电路由两个同型号运算放大器组成, 一个做同相放大器, 即信号跟随器, 另一个做反相放大器。信号经前级放大后, 增益是不可变的, 手动调节输入或运算放大器的电阻, 既不方便又不精确。所以, 加一个衰减器和控制器, 通过控制器给衰减的反馈信号, 控制衰减器的衰减倍数, 来实现增益的自动控制。衰减器由D/A转换器和一个运算放大器组成, 运算放大器在衰减器中的作用使D/A转换器的输出电流信号变换成电压信号, 方便传输给电压转换器。控制器由A/D转换器、FPGA控制器和电压比较器组成。
四、基于FPGA的控制器简介
FPGA (现场可编程门阵列) 是新型的可编程逻辑器件, 内部含有大量的门阵列, 相应时间端, 可以精确的控制时钟的输出。FPGA的处理数度很块, 完全适合采集速度比较高的场合。更重要的是FPGA采用系统可编程技术, 即使整个数据采集系统已经投入生产, 也可以根据实际情况改变系统的配置和功能, 下载到FPGA芯片中即可完成功能的修改。在本设计中使用的是Altera公司的EP1K30FPGA芯片。
五、FPGA的配置
FPGA正常工作时, 它的配置数据存储在SRAM中, 由于SRAM的易失性, 每次加电时, 配置数据都必须重新下载。FPGA器件由两类配置下在方式:主动配置方式和被动配置方式。主动配置方式由FPGA器件引导配置操作过程, 它控制着外部存储器和初始化过程;而被动配置方式则由外部计算机或控制器控制配置过程。
专用配置器件通常是串行的PROM器件。大容量的PROM器件也提供并行接口, 按可编程次数分为两类:一类是OTP (一次可编程) 器件;另一类是多次可编程的。ALTEAR提供了一系列FPGA专用配置器件, 即EPC型号的存储器。
配置器件的控制信号 (如, Ncs、OE、和DCLK等) 直接与FPGA器件的控制信号相连。所有的器件不需要任何外部智能控制器就可以由配置器进行配置。配置器件的OE和Ncs引脚控制着DATA输出引脚的三态缓存, 并控制地址计数器的使能。当OE位低点平时, 配置器件复位地址计数器, DATA引脚位高电阻。当Ncs置低点平后, 地址计数器和DATA输出均使能。OE再次置低电平时, 不管Ncs处于何种状态, 地址计数器都将复位, DATA引脚置为高电平。
实际应用中, 常常希望能随时更新器件中的内容, 但又不希望再把配置器件从电路板上取下来编程。ALTERA的可重复编程配置器件, 如EPC2就提供了在系统编程的能力。图2为EPC2的编程和配置电路, EPC2本身的编程由JTAG接口来完成, FPGA的配置可既可由ByteBlasterMV配置, 也可用EPC2来配置, 这时, ByteBlasterMV端口的任务是对EPC2进行ISP方式下载。
六、仿真实验
采用Multisim仿真软件, 该软件是一个完整的设计工具系统, 提供了一个非常大的零件数据库, 并提供原理图输入接口、全部的数模Spice仿真功能、VHDL/Verilog设计接口与仿真功能、FPGA/CPLD综合、RF设计能力和后处理功能, 还可以进行从原理图到PCB布线工具包 (的无缝隙数据传输。它提供的单一易用的图形输入接口可以满足设计需求。
在Multisim2001的主窗口中, 建立新文件, 需要对电路窗口的有关选项进行设置, 这样有利于电路图的搭接和打印。电路窗口的设置包括图纸的大小、是否显示栅格、页边缘和标题栏、电路图选项设置和元器件符号设置。
把元器件进行合理的布局以后, 就可以开始连线了。Multisim2001提供两种连线方式:手工连线和自动连线。在本仿真过程中, 选择用手动连线。本仿真过程中, 使用了函数信号发生器、示波器。
经仿真软件的仿真, 结果符合设想的要求, 但是在实际应用过程中, 因为外界干扰条件的存在, 所以还得考虑采用上面介绍的抗干扰方法。
七、结论
本文提出的这种设计方案理论上分析和仿真结果表明:该系统能够通过FPGA控制衰减器来完成对输入信号的放大, 提高系统的精度, 实现可自动调节放大倍数。促进系统性能的改善和提高, 具有较高的应用价值。
摘要：本设计应用现场可编程门阵列 (FPGA) 控制实现对放大器增益进行预置和自适应控制, 全面提高了采集数据的精度和检测信号的动态范围, 提高了系统的可靠性。
关键词：自适应,运算放大器,FPGA,仿真
参考文献
[1]谢自美:电子线路设计[M].武汉, 华中科技大学出版社, 2000.6
无线内容自适应技术研究 篇9
关键词：content adaptation,自适应,网络感知,多媒体
0 引言
互联网的迅速发展使网络中传播的内容资源更为丰富, 同时也使用户对网络的需求日益增加, 尤其是对图像、音频、流媒体视频等多媒体内容的需求不断提高。由于多媒体内容的访问往往占用较大带宽, 加之用户访问量的不断增大, Web服务器的负荷也在日益加重, 网络吞吐量下降。在无线网络环境中, 由于带宽的限制、空气介质带来的冲突以及多媒体内容访问量的增加而产生的网络整体性能下降更为明显, 对用户体验度的影响程度也更为严重。形形色色的无线终端设备, 如:智能手机、掌上电脑、PDA使无线乃至移动环境下访问互联网变得更为便捷, 但同时也形成了接入网带宽不同, 终端设备能力差异的无线异构网络, 这也使得不同的终端用户享受到同样高水平的网络服务质量变得十分困难。
为了在无线异构网络环境中提高内容的可读性同时改善用户体验度, 有研究者提出了内容自适应策略。这是一种动态调整被访问内容以满足终端用户接入网络带宽, 用户偏好和终端设备能力限制的机制[1]。图1描述了内容自适应实现的基本流程。在无线异构网络环境中, 内容自适应技术考虑到终端设备能力的局限性 (比如屏幕大小及分辨率、支持图像格式、应用程序种类等因素) , 在发送内容前对内容的格式或大小进行调整, 从而发送更适合终端设备读取的内容。同时该策略也可以根据用户接入网络的特征和当前的网速, 对内容进行适当的降质, 降低质量后的内容保持原有内容的核心, 但容量大大减小, 从而减轻了对网络传输的负担。内容自适应研究的相关技术包括[2]:
(1) 用以支持内容自适应的多媒体处理和分析算法。
(2) 能够可靠探测用户设备软硬件能力的机制。
(3) 定义用户偏好的标准方法及对其在会话间跟踪的机制。
(4) 有效测量当前用户与服务器之间网络连接特征的方式。
(5) 判断在各种条件下何时以及如何执行内容自适应算法的策略。
1 内容自适应策略
无论在有线或无线网络环境中, 采取一种适当有效的自适应算法是完成整套内容自适应过程的关键。内容自适应策略的核心思想是在保留内容关键信息的同时根据用户所处的网络环境、软硬件环境与特点需求对内容进行一定程度的处理和转化。对内容进行处理的技术有很多, 一些现有的多媒体处理技术可以被用于实现更智能的信息发送。Hewlett-Packard实验室的研究人员定义了一套异构网络中自适应内容分发的框架, 其中将一些主要的内容自适应策略按其应用归为五大类[2], 表1按多媒体内容包含的四种种类 (视屏、图像、音频、文字) 对这五类技术所采用的自适应方法进行了概括。它们包括:
信息提取 (Information abstraction)
模式转换 (Modality transformation)
数据转换编码 (Data transcoding)
数据优先 (Data prioritization)
目的分类 (Purpose classification)
2 用户信息获取策略
用户信息主要包括三方面的内容:用户设备能力, 网络特征和用户偏好。获得用户信息是实现内容自适应的第一步, 也是自适应算法的依据。现有的一些技术可以被用于收集与测量用户信息。例如:分析用户发送的请求 (如HTTP请求的头文件) 可以获得用户设备方面的信息, 如浏览器类型、设备屏幕尺寸等信息, 也可间接估计该设备的最大可用带宽等信息。又比如:提供界面给用户提交用户的偏好, 设备的能力, 以及所使用网络连接的属性等等。其他获取用户信息的技术还包括会话跟踪, 系统及网络负载自动测量, 浏览器行为分析等等。
2.1 网络监控
为了对网络环境的变化实时捕捉, 应用程序必须找到一种方法对网络进行监控。通常来说, 网络监控指的是收集网络状态的原始数据如带宽、时延, 但一些系统还有能力将原始数据进行统计转换并根据应用软件的语法格式显示结果[3]。
最常见的网络监控方法的分类是基于该方法所产生的流量[3,4]。若采用主动监控的方法, 网络测量数据是通过发送附加的测试信息而获得的, 因此这将不可避免地给网络带来额外的流量。反之, 若采用被动监控技术, 系统仅以程序产生的流量作为依据, 并通过与网络其他节点的通信获得数据。网络状态的信息完全由穿梭于网络中的数据分组所表征, 因此不会引入额外的网络流量。
2.1.1 主动监控
主动监控可以通过在单一主机上运行简单的探测服务实现, 也可以利用探针分布于网络各处的复杂监控系统。前种方式的例子有standard ping[5]和bprobes[6]。后种方式的例子有NIMI[7], topology-d[8], 以及基于代理的系统[9]。由于引入了额外流量, 主动监控在监控过程中有更好的主动性和控制权。它可以简便地测量两台主机之间整条网络路径的特征, 比如分组往返一次的时间 (Round Trip Time) , 平均丢包率 (Packet loss) , 以及可用带宽。但是这种监控方式比较难获得网络中具体某一点的信息。
对于资源有限的网络如无线网络来说, 额外的流量始终是一个问题。除此之外, 主动监控的另一个问题是, 由测试数据包获得的结果往往不符合实际用户数据包的产生的结果 。因此, 监控结果可能无法完全代表实际使用情况。然而, 通过使用测试包来模拟实际用户数据包, 主动监控可以测量到网络任何一处的质量, 甚至那些没有流量的链路, 这适用于连接初始化和服务器的选择。
2.1.2 被动监控
被动监控是目前网络感知的应用中常见的监控方式。与主动监控相比, 被动监控可以对网络中特定一点进行精确的评估, 如准确的比特率或分组速率等。被动监控较主动监控更准确, 因为它测量的是实际用户数据。但是, 为了能获得更可靠的测量数据, 快速的处理是至关重要的, 而被动监控很容易导致信息过时 , 这是由于信息只有在主机连接远程站点时才会被收集。
被动监控的例子有SNMP (Simple Network Management Protocol) , 一些特殊的硬件软件系统如Nprobe[10]和SPAND[11]等。
2.1.3 混合监控
根据上述讨论, 很明显主动监控和被动监控各有优缺点, 双方互补而并不互斥。因此, 一种混合监控策略可以结合两者优势而成为一种更好地解决办法。文献[12]中介绍了一种混合监控系统:EXPAND。这种监控方式只在被动监控信息不可用的情况下采取主动探测, 例如当前网络无连接的情况下主机想了解网络状况以建立一条新的连接。基于该模型的实验表明, 混合模式可以减少主动探测所引入的额外流量, 同时获得准确的信息。
3 构架设计
内容自适应策略的构架问题讨论的是自适应决策和算法在何处进行。常见的位置有服务器、代理 (Proxy) 、用户端以及综合型。每一种设计都有其优缺点, 这里比较关心的问题是:系统实现的难易程度, 网络带宽、CPU和内存的利用效率, 内容自适应的有效性以及内容转换的相关版权问题等[2]。
3.1 基于服务器的自适应构架
基于服务器实现内容自适应的构架中, 服务器负责探测用户设备能力和网络状况, 随后根据预先设计算法提供最优的自适应策略。该构架的优点在于它可以进行静态 (off-line) 和动态 (on-the-fly) 的内容自适应。前者指的是在任何时刻为原作内容自动创建多个版本;后者指的是当请求发生时对内容进行实时的自适应处理。因此, 基于服务器的设计对内容有更好的著作控制, 内容的作者也可以参与决定在不同环境中内容的转换方式。在安全性较高的网络环境中 (如电子商务) , 网页往往被加密, 因此自适应也只能由服务器来完成。
这种构架也有其不足之处。由于传输带宽的限制, 用户通常需要从地理上较近的服务器上获取内容以减少跳数缩短内容下载时间。而在基于服务器的内容自适应系统中, 这意味着执行自适应算法的服务器必须分布在网络各处, 服务器设计也必须考虑到数据同步问题, 对引入的额外资源消耗进行负载均衡。静态自适应方式创建的多个版本的内容也将同时存在于各台服务器中, 从而耗费大量存储资源。
3.2 基于代理的自适应构架
基于代理的构架中, 用户通过代理向提供内容的服务器发出请求, 代理截获服务器发送的内容从而决定和执行自适应策略, 转换后的内容随后发送至用户。一般假设代理与服务器之间的带宽远大于代理到用户的带宽, 因此内容从服务器到代理的下载时间是可以忽略不计的。这种构架中自适应发生的位置更靠近用户, 避免内容版本的过多复制。并且服务器和用户端都无需作任何改变, 同一台代理可以为多台服务器执行内容自适应处理, 从而有利于大规模应用。
然而, 由于代理从众多服务器中获得内容, 内容的格式差异显著, 因此, 基于代理的自适应方式对内容的转换结果缺乏著作控制, 结果没有统一的格式和评价优劣的标准。版权问题同样也是这种设计的缺点之一。
4 无线自适应内容分发
随着无线网络技术的发展, 越来越多的无线终端设备如PDA, Pocket PC, 智能手机随之出现, 移动用户的数量也在日益攀升。考虑到这样一个异构和多变的网络环境, 加上多媒体应用对网络资源的依赖, 让移动多媒体应用实现网络感知 (Network aware) 变得非常关键。下文将主要以移动环境为例, 讨论移动多媒体传输带来的问题, 以及针对这些问题对网络提出的特殊要求如何采取一种能够对网络感知的内容自适应策略。
4.1 移动多媒体应用的局限性
在无线领域, 许多应用程序如电子邮件已经能够成功地在移动无线网络中运行, 但是要将多媒体应用程序完整的移植到无线环境中来还具有相当大的挑战, 这些程序往往需要处理各种格式的内容, 包括文字、图像、动画、声音、视频等等[3]。尤其对于音频和视频内容来说, 它们对网络带宽有更高的要求。例如, 在速度低于30kbps的第二代移动蜂窝网络 (如:GSM) 中, 视频的传送非常困难;而在802.11a的WLAN (带宽6Mbps～54Mbps) 或3G移动网络UMTS (带宽最高可达2Mbps) 中传送视频才更具有实际意义[3]。除了带宽资源受限, 无线性与移动性的特性都给网络质量带来挑战。这些挑战包括带宽变化不定、误码率起伏不定、可能的不对称连接、切换过程中不被预料的质量下降等等。表2对移动网络多媒体应用可能带来的问题作了归纳, 其中按问题产生的主要因素 (无线性、移动性和多媒体) 将问题分为三大类[3]。
4.2 网络感知的移动多媒体传输
考虑到移动多媒体传输的种种局限性, 网络感知的内容传输技术被视为是解决该问题的一种解决方案。所谓网络感知就必须通过某种方法探测终端用户的网络特征参数, 这些参数可以是带宽、时延界限、安全性等方面的信息。在这些参数中, 网络带宽可以说是最为重要的网络性能指标。为了测量终端网络的性能参数, 前文已经介绍了几种网络监控的方法 (主动、被动、混合) , 采取一种适合于移动网络特征的监控方式将更有利于网络数据的实时、准确的探测。基于移动网络环境变化莫测的事实, 需要一种能够使移动多媒体应用程序快速地探测网络变化的监控方法。主动监控会给有限的网络资源带来额外的流量负担, 获得结果需很大是延迟, 因此不常被用于灵活多变的网络。另一方面, 被动监控对测量某些种类的参数有局限性, 如:错误概率、丢包率, 同时也无法测量关闭或断开的连接上的数据, 而这些情况在无线网络中是很常见的[12]。尽管目前常见的网络感知应用模型大多基于被动监控, 我们依然相信一种集主动和被动优点的混合监控方式将是移动多媒体应用网络的最佳监控方案。
除了选择合适的监控策略, 网络构架也是重要的考虑因素。基于用户终端设备的构架方案简便易实现, 但其并没有起到减轻网络负载的作用, 内容仍然以完整的形式被传输到用户手中, 再根据设备的能力作相应的处理。并且自适应依靠的是用户端应用软件自身的能力, 对于一些计算和存储能力有限的移动设备而言, 这也将耗费很大资源。因此基于服务器或者代理的构架更适合于无线移动环境内容自适应分发。前文以对两者的优劣进行了比较分析, 基于代理的方式使自适应发生在离用户较近的地方, 优化了网络资源最薄弱的用户接入网环节上内容的传输, 部署也相对容易, 因此比基于服务器的构架更显优势。但是根据具体的无线网络情况以及对内容版权问题的考虑, 基于代理的方式也不是唯一的选择, 有些情况下, 采用混合的构架方式更具实际意义。
5 结束语
本文在介绍了内容自适应基本概念的基础上, 对其核心技术作了逐一分析, 主要包括自适应策略、网络监控测控、构架等等。其次本文对内容自适应技术应用于无线领域中的可能性作出分析, 并对移动环境多媒体应用存在的诸多局限性进行了阐述, 并讨论了自适应技术在此类环境中应用的方法。选择一种合适的混合监控策略与适应网络特性的自适应构架方式, 无线网络的传输性能将得到提升。
参考文献
[1]Stephen J.H.Yang, Norman W.Y.Shao, Risk C.S.Chen.A multi-media content adaptation mechanism to implement universal access onlearning environment[J].IEEE Communications Magazine, 2003.
[2]Wei-Ying Ma, Ilja Bedner, Grace Chang, et al.A framework for adap-tive content delivery in heterogeneous network environments[J].Hewlett-Packard Laboratories, 2005.
[3]Jinwei Cao, Dongsong Zhang, Kevin M.McNeill, et al.An Overview ofNetwork-Aware Applications for Mobile Multimedia Delivery[C].pro-ceedings of the 37th Hawaii International conference on System Scienc-es, 2004.
[4] Caripe W, Cybenko G, Moizumi K, et al.Network awareness and mobile agent systems[J].IEEE Communications Magazine, 1998, 36:44-49.
[5] Toshiya M, Kazuo N, Shouji M, et al.QOS MONITORING SYSTEM[R].Yokogawa, Technical Report No.34, 2002.
[6]Carter R L, Crovella M E.Measuring bottleneck-link speed in packetswitched networks[R].Computer Science Department, Boston Universi-ty, Technical Report BU-CS-96-006, March 1996.
[7] Paxson V, Adams A, Mathis M.Experiences with NIMI[C]. presented at Proceedings of the Passive & Active Measurement Workshop, 2000.
[8] Obraczka K, Gheorghiu G.The performance of a service for network-aware applications[C].presented at Proceedings of the SIGMETRICS symposium on Parallel and distributed tools, Welches, Oregon, United States, 1998.
[9]Wijata Y I, Niehaus D, Frost V S.A scalable agent-based network mea-surement infrastructure[J].IEEE Communications Magazine, 2000, 38:174-183.
[10]Moore A, Hall J, Harris E, et al.Architecture of a Network Monitor[J].presented at Proceedings of the Fourth Passive and Active Mea-surement Workshop (PAM 2003) , 2003.
[11]Seshan S, Stemm M, Katz R H.SPAND:shared Passive Network Per-formance Discovery[C].presented at 1st Usenix Symposium on InternetTechnologies and Systems (USITS’97) , Monterey, CA, 1997.