自相关系数论文（共7篇）
自相关系数论文 篇1
0 引言
在实际的电力系统中,自动重合闸一般具有盲目性,如果发生瞬时性故障,重合将成功,如果重合于永久性故障时,电力系统将受到二次冲击,这对于系统的稳定运行是极为不利的。所以,研究自适应重合闸使之仅能够在瞬时故障时重合,具有普遍而重要的实际意义。在电力系统的各种故障当中,单相接地故障占到70%~80%,而单相故障中有80%的瞬时性故障,因此,在单相重合闸之前应正确区分瞬时故障还是永久故障,避免重合于永久故障时,对系统带来的冲击,提高系统的稳定性。
近年来,对自适应重合闸的研究理论和方法已经日趋成熟,国内外的学者提出了许多鉴别故障性质的方法,主要有电压判据,补偿电压判据,还有利用模糊理论[1],电压相位判据[2],神经网络[3],以及电压判据之间的组合[4],复小波分析[5],组合电压判据[6],对电弧的分析[7,8]。以上的方法均有一定的局限性:电压判据存在误动区;神经网络的训练必须建立在大量样本的基础上,且硬件实现还很困难;电弧方法需要建立准确的电弧模型,而电弧受许多非线形因素的影响,所以分析难度大,复小波构造比较困难,模糊理论用于重合闸也有误动的可能。
本文在对瞬时故障时恢复电压分析的基础上,提出了一种基于改进型相关性分析的判据,该方法弥补了电压判据只考虑电压幅值的不足,结合电压相位作为判别瞬时故障和永久故障的基本元件,该方法实现过程简单,原理清晰,受系统运行方式影响小。
1 单相接地故障特征分析[6]
1.1 瞬时性故障
以A相故障为例,当发生瞬时性故障后,线路故障相两端断开。随短路点电弧的逐渐熄灭,线路转入两相运行状态,如图1所示。
图1中:Cm是线路相间电容,C0是线路相对地电容,L1,L2为并联电抗器电感(L1=L2),Ln1,Ln 2为中性点小电抗的电感(Ln1=Ln 2)。故障相与健全相之间存在电磁耦合电压UXL和电容耦合电压Uy。以A相为故障相,则UXL,Uy分别为:
对于无并联电抗器补偿的线路,式(2)可写为
将线路分布参数以T型等效,,线路两端的电压相量关系如图2所示。
令
瞬时性故障的电压恢复阶段,当功率因数为θ1cos=,ϕ接近90
因此,在瞬时性故障时,线路两端的电压为;
1.2 永久性故障
在永久性故障情况下,故障点始终存在,线路对地电容可靠放电,电容耦合电压可以忽略。断开相电压表示为:
式中:d为故障点距离线路首端的长度。金属性接地故障,ϕ接近0。
图3为单相接地故障(瞬时性故障,永久性故障)故障相的电压波形。
此时m端瞬时性故障的电压判据为:
设,由式(5)、(7)可知,在瞬时故障时,如果m在之间,则vc<1,此时误判为永久性故障。Uy因线路参数和补偿度不同而不同,与线路的长度无关;UXL则与断相后负荷以及线路长度成正比,因此,长线重负荷时容易满足误判条件,缩短了可靠判定区。
2 相关性分析
相关分析是信号处理的基本方法,在声、光、电等领域有广泛的应用,在电力系统继电保护领域,多年前就已经开展相关技术在行波领域和测距方面的研究。
对确定性功率信号,其相关函数的定义可以根据随机信号的时间相关函数确定为
该式表明,平稳随机信号X(t)的时间相关函数以概率1等于其样本函数的自相关函数进行集合平均。从理论上说,式(8)有其物理意义。设x(t)和y(t)是2个能量有限的实信号波形,为研究它们之间的差别,衡量它们在不同时刻的相似程度,引入
式中:α为常数。
由式(9)知,有一个最佳的α值使得两波形的差别最小,一般可采用均方差误差最小准则,即取δ2的时间平均值D衡量相似性,故有
令,求得最佳的α,并将该α代入式(10),得到最小的D值为
式中:
ρxy对应时差为零时,一个周期(N点)离散信号的表达式为:
显然,ρ越大,D越大,两个波形越相似。当ρ=±1时,则D=0,说明x(t)和y(t+τ)完全相似。将ρxy(τ)定义为x(t)和y(t)相差τ时的相关系数,令τ=0,则ρxy()0表示x(t),y(t)在同一采样数据窗内的相关系数,可以衡量同一数据窗内两路信号的相位关系。当x(t),y(t)均为稳态正弦信号时,如果x(t),y(t)相位一致,ρxy()0=1;如果x(t),y(t)相位相差180,则ρxy(0)=-1;如果x(t),y(t)相位相差90,则ρxy()0=0,在其他情况下,ρxy()0位于-1和+1之间。
2.1 正弦信号的相关性分析
二次熄弧后的电气量均为稳态正弦量,所以故障性质判别是基于工频量的。设正弦量y(n)幅值是x(n)的k倍,相位落后θ。以k,θ为变量,利用式(11)考查两信号采样值1个周期的相关性ρxy。可以推导出,两正弦量幅值对相关性没有影响,而相位差对相关性的影响为cosθ函数,当相位相差为90时,相关系数为0。因此,该算法可以用来计算两信号相位的相位差而不会受幅值的影响,适用于相位型判据。在线路出口发生单相接地故障时,该判据将失效。
本文在原始型相关系数的基础上进行改进,以利于两信号的区分。如式(12):
设两个正弦量x(k),y(k),x(k)=My(k+θ),图4是二者的相关系数与相位和幅值的关系。
由图4可以看出,改进后的相关系数不仅可以反映两正弦信号的相位关系,而且可以反映二者的幅值关系,当二者的幅值相差较大,相位差为0时,原始相关系数是1,而改进后的相关系数就会很小,所以运用改进的相关系数可以更好地反映两信号的幅值和相位综合信息。
2.2 相关性判据
为了准确判别出故障性质,本文选取Uy与UAm-0.5UXL的相关性为判据,由图2可知,瞬时故障时,两相量相等,在永久故障时,UAm-0.5UXL与UXL的方向一致或相反,与Uy是不相等的,由此,计算二者的改进相关系数可以准确判别故障类型。
3 信号的采集与判据的实现
3.1 滤波处理
由于以上分析的电气量关系均建立在工频基础上,在实际的电力系统中存在大量的非工频量,为提高可靠性和灵敏度,需要对采样信号进行滤波处理。本文设计一种本文利用Butter函数设计了一种零相移2阶IIR带通Butterworth滤波器,仿真中取采样率为64点/周期,令滤波器带通为40~60 Hz根据IIR滤波器的设计原则,可计算得滤波器的传递函数为:
带通滤波器序列取
b(n)=[0.0026,0.00,-0.0052,0.00,0.0026];a(n)=[1.00,-3.8374,5.537,-3.5607,0.86115]。图5是该滤波器的频率响应曲线。
3.2 电气量采集
根据本文所需要的电气量进行采集。由于相关性识别是利用采样值建立算法的,以M侧为例,UAm的采样值为x1(n),设bm/(2bm+b0)为k1,UB+UC的采样值为x2(n),所以Uy的采样值为y1(n)=k1x2(n);设Zm L的值为k2ejθ,在每个周期N个采样点时,线路阻抗角对应采样点差值为m=θN/360(m取整数),则UXL的计算采样值由式(1)得y2=k2 x1(n+m)。以上k,θ,m的值只与线路有关,因此系统确定后,以上值作为常数整定。
改进型相关系数判据就是x1(n)-0.5y2(n)与y1(n)的相关性。
4 仿真分析
本文利用PSCAD仿真500 k V线路,图6为仿真线路示意图,线路全长为350 km,参数为分布参数,设一周采样64点,线路k1值整定为84.84,线路互感角对应的采样值差整定为13点。
设定0.6为门槛值,相关系数大于0.6即判定为瞬时性故障,反之,判定为永久性故障。表1~4分别给出了线路不带并联电抗器;M侧带并联电抗器;N侧带并联电抗器;M,N侧都带并联电抗器时的仿真结果。从中可以发现,该判据可以准确识别单相接地时的故障性质。
表5给出了不同负荷(100 MVA,1350 MVA)时的仿真结果,重合闸装置安装在m侧。从中可以发现,本判据受负荷电流影响较小。该相关算法包含了相位和幅值的双重信息,可以认为是一种变权值的模糊化判据,具有较高的可靠性。
5 结论
针对原有单相自适应重合闸判据的不足,本文提出了基于采样值相关算法判别故障性质的方法,该方法利用改进后相关系数,同时考虑两信号的幅值和相位关系,最终得出正确的结果,该方法具有动作无死区和误动区的优点,而且易于硬件实现,有良好的应用前景。
摘要：提出了一种利用采样值改进相关系数的单相自适应重合闸方法,可以准确识别出各种运行方式下发生的瞬时性故障和永久性故障。在分析单相瞬时接地和永久接地,线路两端断路器跳开后的电气量的基础上,利用经过滤波的采样值,进行相关性的分析,以此来判别故障的性质。Matlab仿真验证了该算法的可行性,易于硬件实现。
关键词：输电线路,相关系数,自适应重合闸,故障性质
参考文献
[1]林湘宁,朱海昱,刘沛.基于模糊综合决策的自动重合闸优化判据的研究[J].电力系统自动化,1997,21(9):31-34.LIN Xiang-ning,ZHU Hai-yu,LIU Pei.The Study on Optimal Automatic Reclosing Criteria Based on Fuzzy Synthetic Decision[J].Automation of Electric Power Systems,1997,21(9):31-34.
[2]李斌,李永丽,黄强,等.单相自适应重合闸相位判据的研究[J].电力系统自动化,2003,27(22):41-44.LI Bin,LI Yong-li,HUANG Qiang,et al.Study on Phase Criterion for Single-pole Adaptive Reclosure[J].Automation of Electric Power Systems,2003,27(22):41-44.
[3]陈少华,张辉,陈允平.智能型自适应重合闸的应用研究[J].电力系统自动化,2002,26(6):62-64.CHEN Shao-hua,ZHANG Hui,CHEN Yun-ping.Study on Adaptive Single-phase Reclosure Based on Intelligent Control[J].Automation of Electric Power Systems,2002,26(6):62-64.
[4]范越,施围.输电线路单相重合闸电压判据的修正[J].电力系统自动化,2000,24(6):44-47.FAN Yue,SHI Wei.Modification of Voltage Criterion in the Signal-pole Automation Reclosing of Transmission Line[J].Automation of Electric Power Systems,2000,24(6):44-47.
[5]林湘宁,刘沛,程时杰.超高压输电线路故障性质的复值小波识别[J].中国电机工程学报,2000,20(2):33-38.LIN Xiang-ning,LIU Pei,CHENG Shi-jie.Identification of the Instant Fault Occurred on the Extra High Voltage Transmission Line with a Complex Wavelet Algorithm[J].Proceedings of the CSEE,2000,20(2):33-38.
[6]葛耀中.新型继电保护与故障侧距原理与技术[M].西安:西安交通大学出版社,1996.GE Yao-zhong.New Types of Protective Relaying and Fault Location Their Theory and Techniques[M].Xi’an Jiaotong University Press,1996.
[7]李斌,李永丽,曾治安,等.基于电压谐波信号分析的单相自适应重合闸[J].电网技术,2002,26(10):53-57.LI Bin,LI Yong-li,ZENG Zhi-an,et al.The Study onSignal-pole Adaptive Reclosure Based on Voltage Harmonic Single Analysis[J].Power System Technology,2002,26(10):53-57.
[8]BO Z Q,Aggarwal R K,Johns A T,et al.A New Concept in Transmission Line Reclosure Using High Frequency Fault Transients[J].IEE Proceedings-C,1997,144(5):1-6.
系数比例自适应算法的研究 篇2
该文详细描述了典型的系数比例归一化最小均方 (PNLMS) 算法, 最后重点介绍几种改进的PNLMS算法。
1 系数比例自适应算法 (PNLMS)
在传统自适应滤波器算法中, 没有考虑到未知线性系统冲激响应的结构特点, 简单的为每一个权重系数分配一个相同的步长参数, 结果对于小的权重系数被分配给较大步长参数, 迭代较少次数就可以收敛到其最优值, 而对大的权重系数分配同样大小的步长参数, 这个同样大小的步长参数相对于大权重系数值显得较小, 因此需要更多的迭代次数才可以收敛到期最优值, 于是最大权重系数值决定了自适应滤波器整体收敛速度。针对这个问题, Duttweiler提出了Proportionate NLMS (PNLMS) 算法[2]。PNLMS算法将一个步长控制矩阵G (n) 引入NLMS算法中, 该控制矩阵在n时刻为每一个滤波器权重系数分配一个与其绝对值成正比的步长参数。这样不同的滤波器权重得到与其自身收敛要求相适应的步长参数, 从而显著提高了算法的收敛速度。步长控制矩阵G (n) 定义为:
可以通过下式得到G (n)
式中gi (n) 为每一个滤波器权重系数收敛相适应的步长参数, p的作用是在所有系数为零时防止算法的冻结, 其值一般为0.01, 的作用是在某个系数过小或为零时防止算法的冻结, 综上所述, 系数比例LMS算法的权重系数更新方程可以写为
上式为非归一化的形式。一般更新方程的归一化有两种形式。一种形式是使用输入信号向量X (n) 的二范数对输入信号X (n) 进行归一化, 得到正是Duttweiler所提出的归一化形式系数比例NLMS算法即
式中的作用是防止由过小输入信号引起的算法发散。另一种形式是使用以系数矩阵G (n) 的加权后的输入信号向量X (n) 的二范数范数对输入信号X (n) 进行归一化, 表示如下:
式中的作用也是防止由过小输入信号引起的算法发散。
由以上可知, 比例系数NLMS算法的关键是它为每一个滤波器权重系数分配了一个与其绝对值成正比的系数, 这样在算法的迭代中, 较大系数得到了与其相适应的较大的步长参数, 从而提高了算法的收敛速度。可惜这种方法的快收敛速度只是在收敛过程前期出现, 并不会贯穿整个收敛过程。因为它为大权重系数分配大系数的同时也加剧了大小权重系数所分配比例系数的差异性, 那么在收敛过程后期较小权重系数因得不到足够的比例系数收敛速度过慢而成为算法收敛速度的最终主导因素。
自从第一个比例系数NLMS算法提出后, 学者提出了各种不同的比例系数NLMS算法, 它们的主要不同的在于使用系数比例步长矩阵G (n) 的新定义或新的权重系数更新策略来减小大小权重系数得到比例系数的差异性。
2 改进的系数比例自适应算法
2.1 IPNLMS算法
IPNLMS算法中定义的比例系数步长参数gi (n) 为
这就是基于l0范数的IPNLMS算法。在每一个系数比例参数中加入当前时刻滤波器权重系数向量估计值的均值, 这样在计算比例系数矩阵G (n) 时, 滤波器权重系数的估计误差带来的负面作用可以得到部分消除。因此, 无论未知系统冲激响应稀疏度度如何, IPNLMS算法都可以保证了相当快的收敛速度。
2.2 MPNLMS算法
在MPNLMS算法中gi (n) 定义为
式中是一个经验值, 一般取1000。
相比于其他的比例系数自适应算法, MPNLMS算法具有更快的收敛速度, 更重要的是当未知系统的冲激响应稀疏度不够时其收敛性能不会像PNLMS算法恶化的那么严重。但是它存在一个致命的缺点:无论对于专用DSP器件还是FPGA, 每次迭代中的L次对数运算都是极高的计算量, 尤其是对于长阶数的稀疏冲激响应自适应滤波器。总得来说它理论价值很高却难以工程应用。
2.3 IMPNLMS算法
为了使算法也能够处理不同稀疏度下的冲激响应, Ligang Liu提出了IMPNLMS算法该算法的比例步长参数为:
通过进行大量的仿真, 发现 (n) 和 (n) 之间存在一定的关系, 为
对于稀疏度的定义为[9]
其中, (n) 不再像在IPNLMS算法中是一常数;在此, (n) 是一个与稀疏度w (n) 相关的变量, 或者说, 它会随着稀疏度的变化而变化。因此, 该算法能够自动检测到冲激响应的稀疏变化情况, 然后自适应地去调整相应的参数, 从而能在稀疏度多变的环境下获得较好的性能。Ligang Liu的仿真实验也证实了IMPNLMS算法的有效性。在稀疏度较低的情况下, IMPNLMS算法要比MPNLMS算法收敛更快;在冲激响应时变的环境下, IMPNLMS算法跟踪能力要比MPNLMS算法好。
2.4 SPNLMS算法
为了使MPLNMS算法便于工程应用, 必须降低该算法的计算量, Deng采用一个折线函数来替代对数运算, 进而提出了SPNLMS算法。该折线函数主要分为两段, 第一段是可以保证小系数得到与之相适应的比例步长参数, 从而确保算法的后期收敛速度;第二段是可以保证大系数得到与之相适应的比例步长参数, 即保证大小权重系数的比例系数差异性不至于过大。这个分段函数定义如下:
使用上式替代式 (9) 中的对数函数即可得到SPNLMS算法。该算法收敛速度几乎与M P N L M S算法相当, 而计算量几乎与PNLMS算法以及IPNLMS算法相当。
3 结语
系数比例自适应算法利用了长冲激响应的稀疏结构特征, 为每一个滤波器系数引入一个新的步长参数, 即比例步长参数。本文详细阐述了典型系数比例自适应 (PNLMS) 算法的基础上, 分别介绍了几种改进的PNLMS算法:IPNLMS、MPNLMS、IMPNLMS及SPNMLS。这些算法通过比例步长参数, 使其在处理稀疏冲激响应具有良好的性能。
参考文献
[1]Z Chen, SL Gay, S Haykin.Proportionate Adaptation:New Paradigms in Adaptive Filters[J].Least-Mean-Square Adaptive Filters, 2005.
[2]Hongyang Deng, Doroslovacki.Proportionate adaptive algorithms for network echo cancelers[J].IEEE Transactions on Signal Processing, 2006 (54) :1794-1803.
[3]SL Gay.An efficient, fast converging adaptive filter for network echo cancellation[C].Pacific Grove:Asilomar conference on signals, systems and computers (ACSSC) , 1998 (32) :394-398.
[4]H Deng, M Doroslovacki.Improving convergence of the PNLMS algorithm for sparse impulse response identification[J].IEEE Signal Processing Letter, 2005, 12 (3) :181-184.
[5]J Benesty, SL Gay.An improved PNLMS algorithm[C].Orlando:Proceedings of the IEEE International Conference on Acoustic, Speech and Signal Processing, 2002:1881-1884.
[6]Zhengxing Huang, Guan Guit, Anmin Huang, et al.Regularization Selection Method for LMS-Type Sparse Multipath Channel Estimation[C].Bali-Indonesia:19th Asia-Pacific Conference on Communications (APCC) , 2013.
[7]H Deng, M Doroslovacki.Proportionate adaptive algorithms for network echo cancellation[J].IEEETrans Signal Processing, 2006, 54 (5) :1794-1803.
[8]H Deng.Adaptive algorithm of sparse impulse response identification[J].Doctoral Dissertation, Dept.of electrical and computer engineering, 2005.
自相关系数论文 篇3
对于夏热冬暖地区而言, 外围护结构往往无需单独做保温层, 这种依靠围护结构主体材料的较低传热系数进行自保温的系统, 其传热系数的检测确定是评价建筑保温隔热性能的一个重要指标, 对于围护结构的传热系数检测, 一般有热流计法、热箱法、红外热像仪法等。无论是现场检测, 还是实验室检测, 都面临着一个难点, 即如何确定传热系数检测的最佳时间。以往的经验是将墙体置于自然环境中风干20天以上, 但是自然环境的不确定因素太多, 直接影响着围护结构与环境之间的热湿交换, 且光靠经验无法给出具体的量化论证。
当墙体材料与某一状态 (一定的气温和一定的相对湿度) 的空气处于热平衡 (材料温度与环境气温一致) 、湿平衡 (材料的质量不再发生变化) 时, 材料的湿度称为平衡湿度, 认为此时是进行传热系数测试的最佳时机, 测得的传热系数最能真实地反应围护结构的实际保温能力。经过国内外很多专家的理论研究和试验测试, 目前可以用材料的等温吸湿曲线来反应其吸湿特性。
图1所示为材料的等温吸湿曲线示意图, 实际不同的空气温度对应不同材料的平衡湿度。只要跟踪测试墙体的湿度值达到平衡湿度值区间时, 就可以判断进行传热系数的检测。
材料湿度的测量方法有很多种, 如称重法、电阻法、电解法、冷凝露点法、微波法等。对于研究墙体的湿平衡而言, 往往是通过经验观察和钻孔取芯称重的方式来加以判断, 这种操作的不确定因素和误差都非常大、且具有一定的破坏性。同时影响建筑材料含湿状况的因素有很多, 包括环境空气的温度湿度、材料本身的原始含湿率、孔隙率、水蒸气渗透阻等, 可以说个体差异比较明显。本文提出利用微波湿度测试系统对不同类型、厂家、规格、批次的围护结构主体材料质量含湿度值进行标定, 对实际墙体漫长的自然风干过程进行微小破坏的湿度跟踪测试, 以便确定其达到湿平衡的时间和规律, 为寻找出测量传热系数的最佳时机提供理论依据。
2 材料湿度值的标定
以目前使用最为广泛的蒸压加气混凝土砌块材料为例, 利用微波湿度测试系统的Index测试值与其对应时间点上的实测质量含湿度进行线性拟合处理, 以达到标定各种不同材料质量含湿度目的。
2.1 微波测试值与质量含湿度值的线性转换
为真实反应蒸压加气混凝土砌块产品的内部湿度状况, 选用两种尺寸规格的样品进行测试 (见图2) , 一种为 (300×300×30) mm (反应材料的表面湿度) , 一种为 (200×200×200) mm (反应材料的内部湿度) 。
首先将样品浸泡于25℃的自来水中, 直到其达到饱和吸湿状态 (当浸泡很长一段时间后, 连续2次间隔1 h取出样品迅速称重, 直到样品的质量不再发生变化) , 此时取出样品, 用软质聚氨酯泡沫塑料 (海绵) 吸去样品每个表面上吸附的残余水分, 然后用保鲜膜将样品整体包裹以防止样品饱和吸湿状态下的内部水分散失到空气中, 接下来记录此时样品的质量M1, 用MOIST210微波湿度测试系统测量此时样品的Index含湿量为W1 (见图3) 。
接下来将样品分别放置于80℃的烘干箱内进行烘干处理, 直到其达到完全干燥状态 (当烘干很长一段时间后, 连续2次间隔1h取出样品迅速称重, 直到样品的质量不再发生变化) , 此时取出样品, 同样用保鲜膜将样品整体包裹以防止样品绝对干燥状态下吸收空气中的水蒸气, 记录此时样品的质量M2, 将样品置于恒温恒湿环境中冷却至室温后用MOIST210微波湿度测试系统测量此时样品的Index含湿量为W2。
综上, 可以将Index湿度测试值和质量含湿度值进行线性拟合。具体操作如下:当样品处于饱和吸湿状态时, 其质量为M1, 此时的样品Index湿度测试值为W1。当样品处于绝对干燥状态时, 其质量为M2, 此时对应的Index无量纲模式的湿度测试值为W2。那么W1对应的质量含湿度为 (M1-M2) /M1, W1对应的质量含湿度为0。对于这两个端点进行线性拟合, 就可以得出二者之间的关系 (见图4、图5) 。
按照上述的线性方式进行拟合后, 对于 (300×300×30) mm的样品得到的质量含湿度值y=0.035x-67.469, 对于 (200×200×200) mm的样品得到的质量含湿度值y=0.0307x-27.439, 其中x表示所测的Index湿度值, 这样就可以很方便的利用微波湿度测试系统测量出材料的湿度值后换算成其对应的质量含湿度值。
2.2 误差分析
为了证明这种线性拟合微波测试值与质量含湿度值方法的准确性和可行性, 进行了误差分析。以 (200×200×200) mm样品的拟合曲线为例, 除了测其饱和吸湿状态和绝对干燥状态下的质量和Index湿度值外, 选取两种极端状态之间的任意时间点进行测量, 将中间测量得到的值代入拟合得到的函数关系式中, 从而进行准确度分析。
具体以样品饱和吸湿后烘干操作6h为例, 样品饱和吸湿状态的质量M1为8864g, Index湿度值W1为1790;样品绝对干燥状态的质量M2为6426g, Index湿度值W2为894。由前所述可知:当Index测量平均值为1790时, 对应的样品饱和吸湿状态重量含湿度为 (8864-6426) ×100/8864=27.5 %;当Index测量平均值为894时, 对应的样品绝对干燥状态重量含湿度为0。拟合后的曲线如图5所示, 函数关系式为y=0.0307x-27.439, 其中x表示所测的Index湿度值。
当样品烘干操作6h后的质量为7889g, Index湿度值为1504, 按照拟合公式计算得到的对应质量含湿度为0.0307×1504-27.439=18.73%。
实测的质量含湿度值为 (7889-6426) ×100/7889=18.54 %。
理论计算值与实测计算值之间的绝对误差为 (22.88-22.56) ×100/22.88=1.01%。
按照上述方法, 还进行了多个时间点的误差分析, 得到的理论计算值与实测计算值之间的绝对误差基本上可以控制在很小的范围之内, 由此可以得出蒸压加气混凝土砌块材料的Index湿度测试值与质量含湿度之间的线性函数关系式成立。可以采用线性拟合的方法对建筑材料进行两个极端状态下 (饱和吸湿、绝对干燥) 的线性拟合处理。
3 墙体湿度跟踪测量
抛开复杂的热湿耦合交换作用影响, 单纯地从围护结构主体材料的湿状况出发, 利用标定过的MOIST微波湿度测试系统R探头 (测量深度为0～30mm) 和D探头 (测量深度为0～110mm) , 对某个蒸压加气混凝土砌块墙体进行跟踪测量, 以期待找出该墙体达到湿稳定的时间及规律, 为寻找出测量传热系数的最佳时间提供理论基础。此次试验利用进场的某蒸压加气混凝土砌块墙体作为样品。其主体材料经过前面方法标定后得到的拟合关系式如下。
(300×300×30) mm样品:y=0.035x-67.469;
(200×200×200) mm样品:y=0.0298x-26.074。
由于MOIST微波湿度测试系统只能测量单一材料的湿度值, 因此不考虑围护结构的表面抹灰层, 仅仅针对内部的主体材料进行跟踪测量。测点的布置以及墙体的规格如图6所示。实际墙体的湿度测量测点如图7所示。
利用MOIST微波湿度测试系统的R探头和D探头分别对该围护结构进行了4次测量。分别为:围护结构刚进场时, 进场7天后, 进场20天后 (测毕进行传热系数检测) , 传热系数检测结束后。
对跟踪记录的数据进行统计分析:
(1) 第一次检测为围护结构进场时。所有测点的D探头测试数据平均值为1304, 由前面标定所得到的公式换算成质量含湿度为12.79%。所有测点的R探头测试数据平均值为2291, 由前面标定所得到的公式换算成质量含湿度为12.72%。此时不便于进行传热系数的测量。
(2) 第二次检测为围护结构置于自然环境中7天后。所有测点的D探头测试数据平均值为1241, 由前面标定所得到的公式换算成质量含湿度为10.91%。所有测点的R探头测试数据平均值为2245, 由前面标定所得到的公式换算成质量含湿度为11.11%。此时的围护结构湿度依然很大, 同时内部散湿相对于表面散湿更快 (可以理解为内部水分不断地向外部散发, 堆积在表面层) 。
(3) 第三次检测为当围护结构置于自然环境中20天后。所有测点的D探头测试数据平均值为986, 由前面标定所得到的公式换算成质量含湿度为3.3%。所有测点的R探头测试数据平均值为2003, 由前面标定所得到的公式换算成质量含湿度为2.6%。此时的围护结构内部湿度达到了理论湿平衡状态, 可以进行传热系数检测, 经过测量, 此状态下的该围护结构传热系数为1.38, 满足建筑节能设计要求。
(4) 第四次检测为围护结构传热系数检测结束后。所有测点的D探头测试数据平均值为979, 由前面标定所得到的公式换算成质量含湿度为3.1%。所有测点的R探头测试数据平均值为2011, 由前面标定所得到的公式换算成质量含湿度为2.9%。在此状态下内部含湿度下降, 而表面含湿度上升, 同时各点的值分布比较均匀, 此时应该为最佳的湿平衡状态 (测传热系数时的封闭空间有助于湿度的均匀扩散分布) 。
4 结论
利用MOIST微波湿度测试系统, 对自保温系统的围护结构含湿状态进行粗略的测量分析, 可以较为准确地判断出围护结构的湿平衡状态, 从而为其传热系数的测量提供湿度依据。
具体操作步骤如下:
(1) 围护结构传热系数检测进场时, 要求委托方提供与实际主体材料相同的样品材料;
(2) 将样品材料进行完全浸泡和烘干处理, 利用两种极端状态下的微波湿度实测值拟合出该材料的Index实测值与质量含湿度的线性函数关系;
(3) 根据材料的等温吸湿曲线图, 判断在当前环境空气湿度下材料的质量湿度 (平衡湿度) 值;
(4) 根据拟合的线性曲线找出对应的Index值, 在围护结构表面布点跟踪进行测试, 找出接近的Index值时间段;
(5) 进行传热系数的测试工作, 并给出当前状态下围护结构主体材料的含湿状况参数。
参考文献
[1]刘加平.建筑物理[M].北京:中国建材工业出版社, 2000.
[2]陈启高.建筑热物理基础[M].西安:西安交通大学出版社, 1991.
[3]曾发江, 蒋明民, 等.物质所含水分的微波检测方法探讨[J].郑州轻工业学院学报, 2000, (4) :118-120.
[4]李志茂, 黄志尧, 等.微波透射法测量含水率的研究[J].传感技术学报, 2006, (6) :180-182.
自相关系数论文 篇4
随着能源和环境保护问题的日益突出,基于中小型清洁能源的分布式发电(DG)已得到世界各国的高度重视和快速发展。而大量DG单元直接并网将给电网带来一系列的新问题,为充分利用可再生能源和对各种DG单元进行有效管理,一种由分布式电源、储能系统、负荷和保护装置汇集而成的微电网已成为DG单元与电网连接的有效模式。研究和实践表明,将DG单元以微电网的形式接入到大电网进行并网运行,与大电网互为支撑,是发挥DG单元效能的最有效方式[1]。
微电网有2种稳态运行模式,即孤岛运行模式和并网运行模式。采用传统下垂控制的微电网孤岛运行时,对于短周期、小幅度的负荷波动依据下垂特性进行一次调整;而对于大幅度、长周期负荷变化导致的电压和频率偏移,则需要增加适当的控制策略进行二次调整,以改善微电网电能质量。文献[2-4]基于传统下垂控制器对DG单元逆变器进行控制,在孤岛运行时,频率极易产生偏移;而在并网运行时,输出功率易受到电网频率和电压波动的影响,降低了分布式能源利用率。文献[5-6]利用平移下垂控制器的功频特性曲线进行二次调频。文献[7-8]在下垂控制中加入积分控制器,实现了逆变器的无差调频,维持了微电网稳态频率稳定,但控制器参数选取较繁琐。文献[9]归纳了4种典型的微电网综合控制策略,并指出基于V/f的主从微电网系统控制的系统稳定性对V/f控制的DG单元依赖度较高,且基于V/f的多主微电网系统控制的系统电能质量在微电网受到干扰或破坏时难以保证。
本文在传统下垂控制的基础上,设计了具有下垂系数自适应调节能力的自适应下垂控制器,以实现DG单元孤岛频率无静差、孤岛电压幅值小偏移量和并网恒功率输出。此外,针对基于V/f的主从微电网系统控制和基于V/f的多主微电网系统控制的缺陷,本文提出微电网多重主从控制策略,以提高分布式能源利用率和微电网稳定性。最后,通过MATLAB/Simulink仿真平台对上述控制器和控制策略的有效性和可行性进行了验证。
1 微电网结构
微电网和低压配电网的连接结构如图1所示。
微电网由DG单元(DG1,DG2,DG3,且假定额定功率大小为PDG1>PDG2>PDG3,QDG1>QDG2>QDG3)、馈线、负荷、断路器等组成,每个DG单元由分布式电源、整流器、逆变器、储能装置、滤波器及控制器等构成。QF,QF1,QF2,QF3分别为各支路断路器,可由微电网集中控制系统(microgrid central control system,MGCCS)经控制信号线(虚线)控制其通断,也可受自身DG单元控制。当QF闭合时,微电网并网运行;当QF断开时,微电网孤岛运行。为稳定逆变器直流侧电压,在逆变器直流侧装有容量足够的储能装置,本文主要研究DG单元逆变器和微电网的控制策略,为简化研究对象,用理想直流电压源代替分布式电源和储能系统。
2 自适应下垂控制器设计
2.1 传统下垂控制
在计及LCL滤波器电感值较大和低压微电网中的传输线路较短的情况下,逆变桥输出端与负荷间的连接阻抗以感性为主(原因分析见附录A)。由文献[10-12]的功率传输公式可知:当连接阻抗以感性为主时,其传输的有功功率主要取决于两端的功角差,而无功功率主要取决于两端的电压幅值差。因此,通过调节DG单元逆变器功角和电压幅值,便能分别实现有功和无功功率控制,在实际应用中常用频率代替功角,采用的下垂控制方程[13]为:
式中:ω和V分别为DG单元逆变器的参考角频率和输出相电压参考幅值;m和n为下垂系数;ω0和V0分别为DG单元空载时的角频率和相电压幅值;P和Q分别为DG单元在t时刻输出的有功功率和无功功率。
2.2 孤岛频率和电压幅值下垂控制
微电网孤岛运行时,其电压和频率若由采用传统下垂控制的DG单元支撑,负荷增大或减小将会使电压幅值或频率偏离额定值,本文采用自适应调节下垂系数的方法实现孤岛频率无静差和电压幅值小偏移量。
2.2.1 孤岛频率无静差下垂控制
因一些电气设备对频率较为敏感,频率允许变化的范围极窄,拟采用自动调节P/ω下垂系数m的方法使微电网孤岛频率在稳态时维持在额定值处。
假设微电网孤岛运行且由DG2提供电压和频率支撑,现以图2为例阐述其频率下降后恢复到额定值的原理:当微电网的有功负荷增大时,DG2逆变器输出的有功功率将会增大以满足功率平衡,从而导致角频率由额定值ωn下降到ω(其运行工作点由A变化到B),适当调节下垂系数m,使得运行工作点由B平滑移动到C,此时角频率回到ωn。同理,也可分析频率升高后再恢复到额定值的原理。
当微电网孤岛运行时,为实现频率无静差下垂控制,需将下垂系数m切换为具有自适应调节能力的下垂系数mi,根据式(1)推导出:
式中:Pt-t0为DG单元在t-t0时刻输出的有功功率,由P延迟t0时间间隔得到;mi为自适应下垂系数,能够根据Pt-t0的变化进行自动调节。
为保证DG单元能稳定运行,在求解mi时,若Pt-t0<Pmin,则令Pt-t0=Pmin;若Pt-t0>Pmax,则令Pt-t0=Pmax,即仅当P∈[Pmin,Pmax]时,孤岛运行频率才能实现无静差。
孤岛频率无静差下垂控制的频率恢复过程为:有功负荷PL不变时,参考角频率ω=ωn,运行频率f为额定频率fn;当有功负荷PL在t时刻增大时,mi不变(因为mi由前t0时刻的Pt-t0计算得到),为满足功率平衡,DG单元输出的有功功率P增大,根据下垂控制方程可知ω降低,经过一个短暂的时间t0后,mi开始减小,因为P仍小于PL,使得P继续增大,ω继续降低,当mi减小较大时,ω在下降到最小值后开始缓慢回升,P继续增大,直到P=PL且经过t0时段后,mi将不再改变,其ω也不再变化。运行频率f始终跟随着ω的变化而变化,直至恢复到额定频率为止。
2.2.2 孤岛电压幅值小偏移量下垂控制
通常,电气设备对电压幅值变化的敏感性稍弱,只要电压幅值变化较小,均能正常工作。为保证电压幅值在较小范围内变化,本文采用的控制方法为:当相电压幅值在[Vmin,Vmax]内时,其下垂系数保持不变;当相电压幅值超出[Vmin,Vmax]时,自适应调节其下垂系数并根据下垂控制方程改变DG单元逆变器的输出相电压参考值,从而调节输出电压幅值。
由式(1)推导出孤岛相电压幅值超出[Vmin,Vmax]后的自适应下垂系数ni和下垂控制方程如下:
式中:Vn为相电压额定幅值;Qt-t0为DG单元在tt0时刻输出的无功功率,由Q延迟t0时间间隔得到;ni为孤岛电压幅值小偏移量下垂控制的下垂系数,能根据Qt-t0的变化而调节。
求解ni与求解mi类似,需先限制Qt-t0的值后再求解ni。为便于理解,孤岛电压幅值小偏移量下垂控制的流程如图3所示。
2.3 并网恒功率下垂控制
因微电网内DG单元容量较小,配电网及母线可视为无穷大系统,其电压幅值和频率不受微电网影响。假定微电网内所有DG单元均采用传统下垂控制,微电网与配电网(DG单元与微电网)并网运行时,微电网电压和频率由配电网(或DG单元)支撑,DG单元逆变器输出功率会因配电网(或其他DG单元)的电压或频率变化而偏离额定值。为提高分布式能源利用率,本文采用自动调节下垂系数m和n的方法实现其恒功率输出。其原理与孤岛频率无静差下垂控制原理类似,此处不再赘述。
根据式(1)可推导出并网恒功率下垂控制的自适应下垂系数mc和nc的计算公式及控制方程如下:
式中:ωMG和VMG分别为微电网的实时运行相电压角频率和幅值;Pn和Qn分别为DG单元的额定有功和无功功率,可由调度给定。
由式(5)可知:当ωMG减小时,mc自动增大,逆变器参考角频率ω减小,即功率角δ也减小,从而使P减小,当P≠Pn时,ω继续减小,直到P=Pn时,ω=ωMG,P就不再改变;反之亦然。同理,也可分析VMG变化时,无功功率Q恢复到额定值的过程。
2.4 自适应下垂控制器的系统控制结构
根据上述自适应调节下垂系数的控制原理,具有孤岛频率无静差、电压幅值小偏移量和并网恒功率输出功能的下垂控制器的系统控制框图见图4。
图4中:直流电压源Vdc代替分布式电源和储能系统;LCL滤波器由L1,L2和C构成;LPF为低通滤波器,以得到P和Q;自适应下垂控制器如点线框内所示。在自适应下垂控制器内,D为延时单元,延时t0时间间隔;Si和Sc为不能同时闭合的控制方式切换开关,Si闭合为采用孤岛频率和电压幅值下垂控制,Sc闭合为采用并网恒功率下垂控制,Si和Sc同时断开为传统下垂控制;m和n求解框表示根据孤岛频率无静差、电压幅值小偏移量和并网恒功率输出的下垂系数计算公式得到其相应的下垂系数;E为DG单元内LCL滤波器输出端口相电压幅值;PI为比例—积分控制器,用以提高电压幅值的动态响应性能;Es和δs分别为来自同步控制环的电压幅值和相位同步信号[14],以减小DG单元在并网合闸过程时的冲击;Vmr和δr分别为为了产生空间矢量脉宽调制(SVPWM)的逆变桥开关信号所需的三相输出相电压合成空间矢量幅值和相位的期望值。
3 微电网多重主从控制策略
当微电网并网运行时,微电网内的DG单元逆变器均采用恒功率下垂控制,由配电网支撑其电压和频率。
当配电网发生故障时,由MGCCS通过文献[15-16]提出的孤岛检测方法判定微电网发生非主动孤岛运行[9]后,命令QF断开且DG1逆变器切换为孤岛频率无静差和电压幅值小偏移量下垂控制,支撑微电网电压和频率,其余DG单元逆变器采用并网恒功率下垂控制;若DG1发生故障后,MGCCS发出指令切除DG1和适当的非重要负荷且将DG2逆变器切换为孤岛频率无静差和电压幅值小偏移量下垂控制,其余DG单元逆变器仍采用并网恒功率下垂控制;依次类推。当微电网孤岛运行且通信线路故障时,各DG单元控制器断开其出线断路器并切换为孤岛频率无静差和电压幅值小偏移量下垂控制。当配电网恢复供电后,微电网借助相应的同步控制策略平滑地切换到并网运行模式。
本文将上述控制策略称为多重主从控制策略。根据多重主从控制策略的控制流程可知:在采用多重主从控制策略的微电网系统中,所有DG单元控制器都具有自适应调节下垂系数的能力;在微电网孤岛运行时,每个DG单元在一定情况下,都可切换为孤岛频率无静差和电压幅值小偏移量下垂控制,给微电网提供电压和频率支撑,为重要负荷继续供电,弥补了基于V/f的主从微电网系统控制对网内某个V/f控制的DG单元的高依赖度和基于V/f的多主微电网系统控制在微电网孤岛运行时电能质量难以保证的缺点,改善了微电网的电能质量和供电可靠性;在微电网并网运行时,微电网内所有DG单元都采用并网恒功率下垂控制,使其输出功率不受配电网电压幅值或频率影响,弥补了基于V/f的多主微电网系统控制在并网运行时输出功率易受配电网影响的缺点,提高了分布式能源的利用率。
4 算例仿真分析
为了验证本文控制策略的有效性,基于MATLAB/Simulink软件搭建了如图1所示的微电网仿真平台,其仿真参数如下:配电网相电压幅值为311.1V,频率为50Hz;DG单元空载时的相电压幅值V0=325.3 V,空载角频率ω0=100.6πrad/s;DG单元内的LCL滤波器电感L1=L2=4mH,电容C=6μF;DG单元额定容量和负荷大小分别为SDG1=SLoad1=(15+j8)kVA,SDG2=SLoad2=(10+j5)kVA,SDG3=SLoad3=(5+j3)kVA,SLoad4=(4+j2)kVA;各条线路的阻抗分别为ZLine1=(0.26+j0.040 4)Ω,ZLine2=ZLine3=(0.32+j0.050 5)Ω;相电压幅值允许偏移范围[Vmin,Vmax]设置为[306,316]V;时间间隔t0=0.000 5s。DG2控制器采用传统下垂控制方式时的下垂系数分别为m2=2.828×10-3,n2=1.885×10-4。
4.1 孤岛频率和电压幅值下垂控制仿真分析
假定图1中的DG2与微电网解列,即单机孤岛运行。最初DG2控制器采用传统下垂控制,在3s后采用孤岛频率无静差和电压幅值小偏移量下垂控制。当t=1s时,负荷2由(15+j8)kVA下降到额定值(10+j5)kVA;当t=2s时,负荷2减小到(5+j2)kVA;当t=4s时,负荷2回到额定值;当t=5s时,负荷2增加到(15+j8)kVA;当t=6s时,仿真结束。其仿真结果如图5所示。
由图5可知:DG2在单机孤岛运行时,采用传统下垂控制器(t∈[0,3]s)时,负荷大于额定值,致使频率和电压幅值降低,负荷小于额定值导致频率和电压幅值偏高;当DG2采用孤岛频率无静差和电压幅值小偏移量下垂控制后(t∈[3,6]s),无论负荷增大或减小,DG2的频率都能经过短暂的过渡后稳定在额定值,而电压幅值能够维持在设定的小偏移量范围内,即在[306,316]V内。
4.2 并网恒功率运行仿真分析
假定DG2与配电网最初已并网运行。DG2在t∈[0,4]s时采用传统下垂控制,t∈[4,8]s时采用恒功率下垂控制。开始时,DG2工作于额定运行状态;当t=1s时,负荷2增大到(14+j7)kVA;当t=2s时,负荷2恢复到额定值;当t=3s时,配电网受到干扰后相电压幅值升高到318.4V(或频率升高到50.1Hz);当t=5s时,配电网相电压幅值降回到311.1V(或频率降回到50Hz);当t=6s时,负荷2又增大到(14+j7)kVA;当t=7s时,负荷2下降到(6+j3)kVA;当t=8s时,仿真结束。其仿真结果如图6所示(配电网频率变化时的DG2恒功率下垂控制的仿真结果见附录B图B1)。图中:Pd和Qd为DG2的输出功率;Pg和Qg为配电网提供的功率;Ud和Ug分别为DG2和配电网的相电压幅值。
从图6和附录B图B1可看出:当DG2处于并网运行时,采用传统下垂控制器(t∈[0,4]s)将使DG2的输出功率随负荷和配电网电压幅值或频率波动而偏离额定值,从而影响分布式能源的利用率;当采用恒功率下垂控制(t∈[4,8]s)后,DG2的输出功率不因负荷和配电网电压或频率的波动而改变,维持额定功率输出。
4.3 多重主从控制策略仿真分析
假定微电网与配电网开始时已并网运行。当t=1s时,配电网发生故障,微电网进入非主动孤岛运行模式;当t=1.2s时,MGCCS检测到微电网孤岛发生,根据微电网多重主从控制策略,DG1控制器切换为孤岛频率无静差和电压幅值小偏移量控制,其余DG控制器仍采用恒功率下垂控制;当t=2s时,负荷3增加(2+j1)kVA;当t=3s时,负荷3回到额定值,同时负荷1减小(3+j2)kVA;当t=4s时,DG1出现故障并迅速被切除,同时DG2切换到频率无静差和电压幅值小偏移量下垂控制,切除负荷4;当t=5s时,负荷2增大(2+j1)kVA;当t=6s时,负荷2减小(3+j2)kVA;当t=7s时,仿真结束,其仿真结果见图7(各单元输出的功率见附录B图B2)。
图7(a)中,配电网相电压在1s时因故障变为0,DG1端口相电压在4s时也因故障变为0。从图7和附录B图B2可以看出:DG2在4s前保持恒功率输出,而DG3始终保持恒功率输出;微电网采用多重主从控制策略后,当配电网和主控制DG1先后故障且在负荷变化时,微电网仍能够安全、稳定运行,且电压幅值维持在[306,316]V内变化,稳态时的频率能维持在50Hz,即频率无静差,从而证明微电网多重主从控制策略是有效、可行的。
5 结语
本文通过自适应调节下垂系数,实现了DG单元逆变器孤岛频率无静差、孤岛电压幅值小偏移量和并网恒功率输出控制。同时,微电网采用多重主从控制策略后,在配电网或主DG单元故障时仍能继续向重要负荷供应合格的电能,提高了分布式能源的利用率和微电网供电的可靠性。
自相关系数论文 篇5
虹膜作为重要的身份鉴别特征,具有唯一性、稳定性、可采集性、非侵犯性等优点。非侵犯性(或非接触式)的生物特征识别是身份鉴别研究与应用发展的必然趋势,与脸像、声音等非接触式的身份鉴别方法相比,虹膜具有更高的准确性。据统计虹膜识别的错误率是各种生物特征识别中最低的[1]。最早是由Flom和Safir提出自动虹膜识别的概念[1]。后来又有很多学者进行了相关方面的研究[2,3,4,5,6,7,8]。Daugman[2]提出利用2D Gabor滤波器对虹膜纹理进行局部相位量化和编码,这种算法识别准确性高、速度快,是目前虹膜识别商用系统的基础。但这种算法需要处理纹理的二维信息,增加了特征提取的运算时间,另外该算法没有解决旋转不变性的问题,而是利用虹膜纹理特征的极大冗余性,以实验统计数据忽略了这个问题;Wildes[3]采用Gauss-Laplace滤波器在不同分辨率下分解虹膜图像,并将对应的图像进行相关比较,计算量比较大。Boles和Boashash[4]提出了一种新颖的基于小波变换过零检测的虹膜识别算法,该方法只在小样本集里取得了有限的结果,并且这种算法对灰度值变化比较敏感,因而识别率比较低。Ma[5]提出了利用改进的Gabor滤波器对归一化的虹膜图像进行滤波,然后按8×8大小进行分块,抽取每块的均值及方差作为统计特征,最后采用Fisher线性判据降低特征向量的维数,在降维后的特征空间利用最近中心分类器进行特征匹配,并与经典方法进行比较,此方法取得较好的识别结果。吴亮[7]提取局部信息时只采用了单尺度的小波,未突显出小波变换的多尺度优势,而且其用二维小波提取全局信息增加了算法的复杂度,其编码时采用了经典的相位角方法。
为了在保证识别率的同时,尽可能地降低虹膜识别方法的复杂性,提高虹膜识别效率,提出了一种基于Morlet小波变换系数的自适应虹膜识别方法。该方法基本原理如下:先进行虹膜定位和下眼睑拟合,并找出拟合出的抛物线的顶点,对虹膜图像进行归一化操作,得到512列×64行的矩形虹膜图像,并自适应地确定有效虹膜区域;接着在虹膜有效区域内,对图像逐行进行一维Morlet小波变换,获得不同尺度下一系列小波变换系数,进而得到不同尺度下的小波变换系数分布图;再次,依据不同尺度下的小波变换系数直接对图像进行二进制编码,用虹膜代码表示虹膜模式;最后,采用自适应的模式匹配方法对不同的虹膜模式进行分类,给出识别结果。
1 图像预处理
通常虹膜图像不可能仅仅包含虹膜,往往还有眼睛的其它部分,如眼睑、睫毛、眼白等。这一点可以从图1中清楚地看出。虹膜的内边界即瞳孔的大小会发生变化,使虹膜的纹理发生变形。为了实现精确的匹配,就要通过图像预处理消除上述因素对虹膜识别的影响。虹膜图像预处理包括虹膜定位、拟合下眼睑和归一化三个步骤。
1.1 虹膜定位
首先,通过灰度投影和瞳孔中心检测算子找到瞳孔中心的粗略位置;其次,从粗略瞳孔中心出发,利用方向边缘检测算子和投票机制找到虹膜内边界上四个不共线的点,根据这四个点确定虹膜内边界;最后从瞳孔中心出发,利用方向边缘检测算子和投票机制找到虹膜外边界上四个不共线的点,根据这四个点确定虹膜外边界。此方法定位准确率高、速度快。细节内容见文献[8]。
1.2 拟合下眼睑
首先用Canny算子提取虹膜图像中的边缘信息,然后用式(1)所示的抛物线方程来拟合人眼图像中的下眼睑:
其中:a为抛物线曲率,b、c分别为抛物线顶点的横纵坐标,通过设置不同的a、b、c值可以很好地拟合出下眼睑,从而消除下眼睑对虹膜有效区域的影响。找出此抛物线的顶点D(xD,yD)。
1.3 虹膜归一化
在定位出虹膜之后,不能立即对提取出的虹膜图像进行编码,必须进行校准。因此需要通过归一化将每幅原始图像调整到相同的尺寸和对应位置。本文采用极坐标变换的方法进行归一化,由于内外圆边界是不同心的,所以这种变换也不是同心的。实验中,从瞳孔中心右侧的水平半径开始,按逆时针方向将环形虹膜展开成512列×64行的矩形虹膜。展开时,由于根据极坐标求得的直角坐标不可能都是整数,所以在计算展开后图像像素的灰度值时使用了双线性插值法。这种处理使得虹膜图像具有了尺度和平移不变性,旋转失真则在后面的匹配过程中进行了“补偿”。在归一化图像中,1.2节确定的D点所对应的列方向坐标为rD。图库中四幅图像的归一化结果如图1所示。
2 特征提取及编码
2.1 使用小波变换系数的好处
基于对虹膜纹理的结构和特性分析,采取小波变换系数进行虹膜识别的优点如下:
1)小波函数ψa,b(t)相当于窗函数,但窗的宽度是可变的,其变化规律使得小波变换具有优良的局部化特性,这一点满足了描述虹膜纹理局部信息的要求。
2)小波变换具有优越的时频分析特性,小波变换系数能反映信号或函数本身的性质;利用它的变焦距特性,可以很容易地将类别间差距最大的部分进行突出表示,有助于提高分类识别的准确度。
3)小波变换的多分辨分析把虹膜图像分解成不同尺度和不同分辨率下的细节子带,可以从各个尺度对图像进行处理和观察。
图像经小波变换后,可以在不同的尺度上得到一系列的小波变换系数,这些系数完备地描述了信号的特征,因而可以用作分类的特征子集。
Morlet小波是最常用的复值小波,其定义式如下:
它在时域和频域都有很好的局部性,一般情况下,ω0=5用的最多[9]。这类小波常用于信号精确地定位和分析。
2.2 共同有效区域的确定
观察发现:1)上眼睑和在其上生长的睫毛总是随机地覆盖虹膜上侧较大的面积,所以矩形虹膜图像左半侧的区域内可用的纹理信息很少;2)下眼睑总会遮挡住虹膜外侧的部分像素,但是这些像素里只有很少量的纹理信息。因此,在归一化的虹膜图像中,只需要利用右半侧从上到下(也就是从虹膜内边界开始向外)的一定行数的像素即可满足虹膜识别的需要。也就是在图1中给出的白色矩形内进行特征提取,这样就可以消除眼睑对特征提取的影响。
首先需要确定登录虹膜与注册虹膜共同具有的有效编码区域,此区域不包含眼毛、眼皮、光斑等噪声干扰。设登录虹膜与注册虹膜在归一化图像中对应的D点的列方向坐标分别为rDEnroll,rDRegister,取两者中较小的值为rDMatch,两幅归一化图像右半侧从上到下的rDMatch行像素作为共同的有效区域进行编码及匹配。
2.3 小波变换系数实部分析
虹膜的局部细节一般是沿着半径方向的,也就是说在归一化以后的图像中是沿着垂直方向的。因此在归一化图像中,沿着水平方向的信息强度更高一些。在归一化后的图像中沿着水平方向进行小波变换寻找特征量是可行的。相当于只需要进行一维小波变换,使得运算量大大降低。
采用Morlet复值小波,对任意一点(x,y)来说,其在尺度为m的情况下计算小波变换系数实部:
在尺度为m的情况下计算小波变换系数虚部:
图2为尺度分别采用4、8、16、32,对某归一化图像逐行进行一维Morlet小波变换后得到的小波系数的实部分布图。
在不同的尺度下计算图像中每点的小波变换系数,此系数能很好地反映虹膜纹理信息,系数越大说明此块纹理的形状与采用的小波的形状越接近。图中的横坐标表示系数的大小,纵坐标是该系数出现的频率(不同系数的统计个数)。这里需要指出的是,为了便于观察,将小波变换系数在坐标轴内进行了水平方向的平移,向右平移200个单位,即坐标“0”表示系数为-200,“200”表示系数为0,依次类推。从图2可以发现,不同尺度下所得系数分布比较符合正态分布,在系数大约为0时达到峰值,这为进行特征提取和编码提供了很好的条件。为了降低计算的复杂度,对提取的特征点采用二进制编码。即当系数值大于等于0时其对应尺度下的编码位置为“1”,标记为特征点;当系数值小于0时其对应尺度下的编码位置为“0”,为非特征点。
2.4 编码方法
进行编码时,编码方法表示如下:
不同尺度的小波变换系数反映不同大小的纹理形状,纹理形状的大小与小波变换的尺度成正比。
3 虹膜匹配
这里的自适应是指:每幅图像中的遮挡面积不同,需要动态地确定遮挡面积,在匹配时动态地进行调整。比较登录虹膜与注册虹膜的有效匹配区域范围,设登陆虹膜与注册虹膜在归一化图中对应的D点的垂直方向坐标分别为rDEnroll,rDRegister,取两者中较小的值为rDMatch,右半侧从上到下的rDMatch行像素作为共同的有效区域进行匹配,从而动态地确定匹配范围。
对注册虹膜与登陆虹膜进行匹配时,注册虹膜与登陆虹膜的对应实部和虚部编码依次为:RegisterCodeMr[m][y][x]、EnrollCodeMr[m][y][x]和RegisterCodeMi[m][y][x]、EnrollCodeMi[m][y][x]。由于本文对特征点进行二进制编码,因此可以用“与”的方法计算注册虹膜与登陆虹膜的匹配距离值。比较两幅虹膜图像的编码时,由于前面的归一化操作不能解决旋转不变性的问题,因此匹配时需要对注册虹膜与登陆虹膜进行一定的旋转匹配,对图像的旋转进行一定的补偿,这样即使登陆虹膜与注册虹膜对应的编码位不能完全对应,通过旋转补偿也会得到匹配。本文在归一化以后的图像中解决旋转不变性的问题,这样可以将虹膜环上的旋转操作转化成矩形图中的平移操作。具体方法如下:比较两幅虹膜图像的编码时,将注册虹膜的编码位保持不动,将登陆虹膜的编码位依次在水平方向左右各平移几个像素和垂直方向上下各平移几个像素(由于图像一般旋转角度不大,所以平移的像素也不必太多),每平移一个像素都与注册虹膜编码计算出一个匹配距离值,平移结束后,保留下所有匹配距离值中的最大值作为注册虹膜与登陆虹膜的匹配距离值。
采用Morlet小波变换系数实部进行编码,匹配时将注册虹膜与登陆虹膜对应的编码按公式(7)进行操作。登陆虹膜与注册虹膜的编码为“1”的总和,分别记为sumEnrollCodeMr、sumRegisterCodeMr,比较两个值的大小,取其中较大的一个记为sumMatchCodeMr,使其作为匹配的基数,实部匹配距离公式如下(这里以尺度采用2、4、8、16为例):
用类似的公式可以得到虚部匹配距离和实部、虚部相结合的匹配距离。
4 实验结果和分析
在进行识别实验时,用错误接受率FAR(False Accept Rate)、错误拒绝率FRR(False Reject Rate)、等错率EER(Equal Error Rate)、正确识别率CRR(Correct Recognition Rate)等数据来衡量算法的优劣。同时还要考察算法的执行时间,包括特征提取时间、匹配时间以及特征提取与匹配时间的总和等数据。其中,FAR是指假冒者被错误的接受为真实者的概率;FRR是指真实者被误判为假冒者而被拒绝的概率;EER是指当FAR和FRR相等时二者的值,从模式识别的角度讲,算法的EER越低越好;CRR是指在给定阈值下,正确给出了接受或者拒绝结果的概率。
实验使用的是CASIA虹膜数据库[10]中的567幅图像,包括81只不同眼睛的虹膜,每只眼睛有7幅8位灰度图像,分辨率为320×280。所选图像的依据是该图像经过归一化处理后得到的rD值大于阈值YuT,本文Yu T取27,这样既保证了确定的有效区域面积能满足虹膜识别的需要,又使得绝大多数的图像能满足注册或者登陆的条件。在上述的81类567幅虹膜图像上共进行识别实验160 461次,其中类内比较1 701次,类间比较158 760次。这里,所谓类内比较是指将来自同一个虹膜的不同图像进行比较,类间比较是指将不同虹膜的图像进行比较。
4.1 小波尺度大小对识别效果的影响
对Morlet小波变换系数实部编码进行实验时,在不同尺度下得到的匹配距离图见图3。
采用Morlet小波变换系数实部进行编码,在不同尺度下得到的实验结果见表1所示。
同理,采用Morlet小波变换系数虚部进行编码,不同尺度下得到的实验结果见表2。
从表1和2可以看出,就单尺度来说,尺度为16、32的实验效果较好,而尺度为2、4的效果较差,说明在虹膜图像中,符合尺度为16、32小波波形的纹理所占的比例最多,更能反映每个虹膜的独特特征。采用Morlet小波变换系数的虚部进行编码时,采用8、16、32三个尺度相结合所得的实验结果是最好的;采用Morlet小波变换系数的实部进行编码时,将8、16、32、64四个尺度相结合所得的实验结果是最好的。将Morlet小波变换系数的实部和虚部相结合进行编码时,虚部编码尺度采用8、16、32,实部编码尺度采用8、16、32、64,所得的实验结果最好。
这里需要指出的是:与Hamming距离不同的是,计算注册虹膜与登陆虹膜匹配距离时,当两个虹膜来自同一个虹膜时距离值比较大;当两个虹膜来自不同虹膜时距离值比较小。图3所得的实验结果采用了逐点进行编码的方法,但是在匹配时为了提高运算时间,没有应用所有的编码位,而是采用了隔四点采用一个编码位进行匹配。下面的实验对采样点数进行了实验。
4.2 采样点数对实验结果的影响
4.1的实验都是采用隔四点采用一个编码位进行匹配,采用Morlet小波变换系数实部和虚部编码相结合时,采用不同的编码位数进行匹配,得到的实验结果见表3所示。
从表3可以看出,当间隔的点数为1、2、4、8时效果比较好,而当间隔的点数比较大时,识别率有较大下降,表明此时的编码位数不能完全满足识别的需要,分析其中的原因:当间隔的点数过多时会漏掉一部分纹理。
综上所述,将Morlet小波变换系数实部和虚部编码相结合时,虚部编码尺度采用8、16、32,实部编码尺度采用8、16、32、64,编码间隔点数为4时得到的实验结果是最好的。实验中,当距离的给定距离阈值T=0.489时,算法的CRR为99.946%,FAR为0.053 54%,FRR为0.058 79%,即给出正确识别结果160 375次,错误拒绝1次,错误接受85次。
对前面提到的两种已有算法在相同的图像样本上进行了重复性实验,为便于比较,将本文算法所得实验数据和前面提到的两种算法的实验数据共同列在表4中。
对于本文提出的算法,在给定的阈值下其正确识别率CRR比Daugman的识别算法稍低,而比Boles算法要高;但等错率EER是最低的。虽然在识别时间上该算法并不具有明显优势,但识别时间同样保证了算法的实时性。
5 结论
本文提出一种基于Morlet小波变换系数的自适应虹膜识别方法,该算法能自适应地确定每幅图像的有效虹膜区域,且能在很短的时间内找到虹膜特征点,在具有高识别准确率的同时,识别速度有了很大的提高,并且具有平移、缩放、旋转不变性。对已有的图库进行了大量实验,实验结果表明该算法识别准确率高,识别速度快。
志谢:感谢中国科学院自动化研究所(北京)提供的CASIA虹膜数据库(版本1.0),使我们的课题得以顺利进行。
摘要：传统的虹膜识别方法原理复杂,实现困难。为了在保证识别率的同时简化虹膜识别算法,提高虹膜识别效率,本文提出了一种基于Morlet小波变换系数的自适应虹膜识别方法。首先,进行虹膜定位和下眼睑拟合,然后对虹膜图像进行归一化操作,得到512列×64行的矩形虹膜图像,并自适应地确定有效虹膜区域;其次,在虹膜有效区域内,对图像逐行进行一维Morlet小波变换,获得不同尺度下一系列小波变换系数,进而得到不同尺度下的小波变换系数分布图;再次,依据不同尺度下的小波变换系数对图像进行二进制编码,用虹膜代码表示虹膜模式;最后,采用自适应的模式匹配方法对不同的虹膜模式进行分类,给出识别结果。实验证明,该方法可以达到99.946%的识别率,能够满足虹膜识别要求。
关键词：生物特征识别,虹膜识别,Morlet小波,小波变换系数
参考文献
[1]Flom L,Safir A.Iris Recognition System:USP,4641349[P].1987.
[2]Daugman John.Demodulation by complex-valued wavelets for stochastic pattern recognition[J].International Journal of Wavelets,Multi-resolution and Information Processing(S0219-6913),2003,1:1–17
[3]Wildes R.Iris recognition:an emerging biometric technology[J].Proceedings of the IEEE(S0018-9219),1997,85(9):1348–1363.
[4]Boles W W,Boashash B.A human identification technique using images of the iris and wavelet transform[J].IEEE Transactions on Signal Processing(S1053-587X),1998,46(4):1185–1188.
[5]Ma Li,Tan Tieniu,Wang Yunhong,et al.Personal identification based on iris texture analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence(S0162-8828),2003,25(12):1519–1533.
[6]苑玮琦,徐露,林忠华.基于灰度曲面匹配的虹膜识别方法[J].光学学报,2006,26(10):1537–1542.YUAN Wei-qi,XU Lu,LIN Zhong-hua.Iris Identification Method Based on Gray Surface Matching[J].ACTA OPTICA SINICA,2006,26(10):1537–1542.
[7]吴亮,庄镇泉,叶学义,等.一种基于Morlet小波变换的虹膜识别算法[J].计算机工程与应用,2005,41(32):37–40,44.WU Liang,ZHUANG Zhen-quan,YE Xue-yi,et al.Recognition of Iris Using the Morlet Wavelet Transform[J].Computer Engineering and Applications,2005,41(32):37–40,44.
[8]苑玮琦,林忠华,徐露.一种快速而准确的虹膜定位算法[J].光电子·激光,2007,18(6):729-733.YUAN Wei-qi,LIN Zhong-hua,XU Lu.A Rapid and Accurate Iris Location Algorithm[J].Journal of Optoelectronics·Laser,2007,18(6):729-733.
[9]成礼智,郭汉伟.小波与离散变换理论及工程实践[M].北京:清华大学出版社,2005:15-17.
自相关系数论文 篇6
长期以来,PID控制以其控制原理简单、应用方便及控制精度高等特点得到了广泛的应用。但这种控制需要建立在得到被控对象精确数学模型的基础上,而实际的控制过程中往往无法得到,使得控制效果不理想。随着控制理论的发展,模糊控制以其不需要被控对象数学模型及鲁棒性强等特点颇受亲睐,但因其自身不具有积分环节,不能消除稳态误差,限制了在高精度控制领域的应用。随着智能控制技术的发展,出现了将PID控制和模糊控制结合的自适应模糊PID控制,同时继承了PID控制和模糊控制的优点,并且克服了PID控制超调量大和模糊控制精度不高的缺点,具有较好的动态和静态特性。因此将自适应模糊PID温度控制应用在真空玻璃传热系数测量仪中,提高了测量过程中冷热板的温度稳定性和可靠性,从而保证了测量结果的真实性和可靠性。
1 自适应模糊
PID控制器根据模糊数学的基本理论和方法,利用人工智能的方法将操作人员的实践经验进行总结作为模糊规则的条件,操作用模糊集表示,并把这些模糊控制规则和相关信息(如评价指标、初始PID参数等)存入控制器中,然后根据被控对象的实际响应情况,运用模糊推理,自动在线实现对PID参数的最佳调整,这就是自适应模糊PID控制器。
自适应模糊PID控制器以误差e和误差变化ec作为输入,可以根据不同时刻的e和ec对PID参数进行整定。由控制器利用模糊规则在线对PID参数进行修改,构成了自适应模糊PID控制器,其结构如图1所示。
PID参数自整定是找出PID 3个参数与e和ec之间的模糊关系,在过程控制中不断检测e和ec,根据模糊控制规则来对3个参数进行在线调整,以满足不同的e和ec对控制参数的不同要求,从而使得被控对象具有良好的动、静态性能。
2 模糊PID控制器仿真
Simulink是MATLAB中一种重要的可视化仿真工具,是一种基于MATLAB(数学试验箱)的框图化设计环境,是实现动态系统的建模、仿真和分析的一个软件包,它被广泛应用在线性系统、非线性系统、数字控制和数字信号处理建模和仿真中。
首先在Simulink中建立模糊PID的仿真模型(图2)。然后根据温度控制被控对象的特性设置相应的参数,然后进行仿真,得到模糊PID温度控制系统的阶跃响应(图3)。
对比传统PID温度控制的阶跃响应,不难看出模糊PID的动态和静态特性的优越性。突出的特点就是可以充分减小超调量,在通过多次调整模糊规则后,可以消除超调量,响应速度快且稳定,响应过程要平滑得多。
3 真空玻璃传热系数测量仪
真空玻璃以其优秀的保温性能在建筑节能方面受到广泛的关注,然而关于其关键质量参数传热系数的测量直到2008年颁布的真空玻璃行业标准(JC/T1079-2008)中才得到了规范[3]。标准中指出在测量过程中需要维持真空玻璃两侧热板和冷板温度分别稳定在40℃和10℃[4,5],对于温度控制这样的大惯性、大滞后的控制对象,一般的控制方法达不到理想的效果,因此采用自适应模糊PID方法设计真空玻璃传热系数测量仪[6]。测量仪结构如图4所示。
测量头的上表面因重力原因紧贴真空玻璃待测样品,下表面则紧贴已知热导为C标的标准板,同时在测量头的四周放置同心隔离环以防止热量向其他方向流失。在标准板的下面是带加热温控器的金属平板(采用自适应模糊PID开关温度控制),它的温度控制目标为T热,因此被称为热板。而真空玻璃的另一侧是带有制冷温控器的金属平板(同样采用自适应模糊PID开关温度控制),它的温度控制目标为T冷,因此被称为冷板。T热高于T冷,于是热流从热板向上,经过标准板、测量头到真空玻璃待测样品,最后到达冷板。
待达到热平衡后,热流稳定,测量头的温度稳定在T测。由于热流通道上各部件是串联的,所以它们的温度梯度与热阻成正比,和热导成反比,样品上的温差降为T测-T冷,标准板的温差降为T热-T测。因而得出下式:
C测=(T热-T测)C标/(T测-T冷) (1)
式中 C测——真空玻璃的热导测量值,W/(m2·K);
C标 ——标准板的热导值,W/(m2·K);
T热 ——热板的温度,K;
T测 ——测量头的温度,K;
T冷 ——冷板的温度,K。
将冷板的温度目标设定为10℃,热板的温度目标设定为40℃,冷板、热板和测量头的温度稳定在±0.01℃内,则认为测量值稳定,记录此时测量头的温度T测和真空玻璃热导的实际测量值C测。在得到C测后,将真空玻璃热导测量板换成真空玻璃辐射热导测量板。在稳定后的冷热板温度条件下,得到此时测量仪的热导值即C辐射。然后通过下式对真空玻璃热导的实际测量值进行修正,得到修正后的真空玻璃热导值C′测:
C′测=(C测-C辐射)+C辐射{272/[(T测+T冷)/2+273]}3 (2)
式中 C辐射——真空玻璃的辐射热导测量值,W/(m2·K);
C′测 ——经过修正后的真空玻璃热导,W/(m2·K)。
真空玻璃的传热系数K值与真空玻璃热导值的换算公式如下:
K=1/(1/8.7+1/C′测+1/23) (3)
式中 K——真空玻璃传热系数,W/(m2·K)。
测量仪采用TI公司的DSP芯片TMS320F2812作为控制芯片,不仅负责热板、测量头和冷板实时温度信号的AD转换处理,而且将采集到的温度信号作为输入变量送入自适应模糊PID控制器中,通过查询模糊规则来决定下一时刻PID 3个参数的修正值,主控芯片再将此修正值作用到PID控制3个参数上,经过PID算法计算得到下一时刻控温器件的开通度(占空比),然后经过外围电路对控制信号进行功率放大作用在场效应管的栅极,控制了场效应管源漏极间的开通度,也就控制了连接在场效应管上的控温器件,达到了控温的目的。
测量仪工作流程如图5所示,控制芯片首先对整个测量仪系统初始化,初始化过程主要包括芯片内部寄存器清零、硬件检测和温度传感器的初始化。然后重复对冷热板温度采样,判断测量的热稳定温度条件是否已建立,并通过自适应模糊PID控制器计算温控器件的开通度,将控制信号输出并放大作用在控温器件。待测量条件建立后,对测量头的温度多次采样平均计算得到真空玻璃的实际测量热导值,最后根据内部算法计算修正结果,转换成真空玻璃的传热系数输出显示。
4 结束语
自适应模糊PID控制将模糊控制和PID控制结合,能够实时地根据被控对象的响应过程实时调整PID控制器的3个参数,具有一定的智能型,也兼顾了PID控制的快速性和控制精度高的优点。在实际应用中,相比于广泛应用的数字式PID控制器,结构上没有太多变化,但控制效果更为理想,唯一的就是相对PID控制器在主控芯片的程序编写上相对复杂,对主控芯片的要求较高。基于自适应模糊PID控制的真空玻璃传热系数测量仪,在不需要被控对象的准确数学模型的前提下实现了稳定的热板和冷板的控温效果,保证了测量结果的真实性和可靠性。
参考文献
[1]刘金琨.先进PID控制[M].北京:电子工业出版社,2004.
[2]Ng N,Collins R E,So L.Thermal Conductance Meas-urement on Vacuum Glazing[J].International Journalof Heat and Mass Transfer,2006,49(25-26):4877～4885.
[3]唐健正.真空玻璃产业化现状及发展前景[J].玻璃,2008,35(8):26～36.
[4]JC/T1079-2008,真空玻璃[S].重庆:重庆大学出版社,2008.
[5]唐健正,朱亚勇,卫正纯.真空玻璃传热系数相关参数的测量[C].2007中国玻璃行业年会暨技术研讨会论文集.广州:中国建筑玻璃与工业玻璃协会,2007:182～192.
自相关系数论文 篇7
关键词：视频水印,盲水印,离散小波变换,稳健性,自适应
随着计算机网络和多媒体技术的迅速发展,各种形式的数字媒体作品得到了广泛的使用与传播,其版权保护问题面临严峻的挑战[1]。数字视频水印技术作为数字视频作品版权保护的有效手段正在受到广泛的关注和重视[2],并成为多媒体信息处理和信息安全领域的一个研究热点。
视频水印算法根据水印的嵌入域分为压缩域视频水印算法、编码域视频水印算法和非压缩域视频水印算法,前两种视频水印算法在抵御改变压缩编码方式攻击时的稳健性较差[3]。非压缩域视频水印是在原始视频载体中直接嵌入水印,可分为变换域算法和空域算法。变换域算法可以充分利用人类视觉系统(HVS)的特性以及视频载体固有的时空特性来提高水印的稳健性,具有更好的性能,是视频水印算法的主流[4]。离散小波变换(DWT)具有良好的时频特性,在变换域算法中得到了广泛的应用。
水印的稳健性是数字水印要解决的核心问题之一[5]。提高水印稳健性的有效途径是充分利用HVS的特性,在满足不可见性的要求下,合理分配水印信号的能量,尽可能提高局部嵌入水印分量的强度[6]。本文利用HVS的特点以及DWT的优良特性,设计了一种在原始视频亮度分量中嵌入水印的稳健视频水印算法,将水印嵌入到视频帧亮度分量三层DWT的低频系数中,嵌入强度由低频系数各值的大小动态确定,水印的提取不需要原始视频信号和原始水印,实现了水印的自适应嵌入和水印的盲检测。
1 算法描述
1.1 水印图像的置乱
数字图像置乱技术是一种常用的数字图像加密方法,用于水印图像的预处理可以消除水印图像像素点之间的相关性,提高水印的安全性和隐蔽性。常见的数字图像置乱技术主要有Arnold变换、IFS模型、幻方置乱变换、Hilbert曲线等方法[7],其中Arnold变换的时空复杂度较低,故本算法采用Arnold变换对水印图像进行置乱加密。
Arnold变换根据所选择相位空间的不同可分为二维、三维、四维直至N维的Arnold变换。对于大小为N×N的图像,二维Arnold变换定义为
undefined
式中:x,y∈{0,1,…,N-1};(x,y)与(x′,y′)分别表示像素在图像矩阵中变换前后的坐标,即(x′,y′)表示像素点(x,y)经一次Arnold变换后得到的新位置坐标;mod N 表示把x′和y′对N 进行模运算,保证x′和y′仍在{0,N-1}范围内。
对图像中的每一个像素坐标(x,y),分别计算x′=x+y与y′=x+2y 后就完成了一次图像遍历。Arnold变换具有很好的周期性,可保证置乱图像的恢复,不同阶数N的二维矩阵Arnold变换的周期如表1所示。
置乱加密后的二值水印图像W表示为
W={w(i,j),0≤i≤m-1,0≤j≤n-1,
w(i,j)∈[0,1]} (2)
将其降为一维序列,记为V
V={v(s)=w(i,j),0≤i≤m-1,0≤j≤n-1,
s=i×n+j} (3)
式中,m,n分别代表水印图像的宽度和高度。
1.2 水印的嵌入
水印的嵌入位置和嵌入强度是影响水印不可感知性和稳健性的重要因素,Cox等[8]指出在视觉最重要的部分中嵌入水印可以获得较好的稳健性。小波分解后的低频系数包含了视频帧的绝大部分能量,是视觉最重要的部分,因此本算法选取小波分解后的低频子带作为水印的嵌入区域,水印的嵌入强度由低频系数各值的大小自适应地确定。
设计基于DWT的水印算法,需要选择一个合适的小波基函数,常用的小波基有Symlets小波基、Haar小波基、Daubechies小波基、Coiflets小波基、Biorthogonal小波基等。Haar小波基是最简单的一个小波基函数,具有支撑长度最短、平移系和伸缩系相互正交、计算简单等优点,其计算复杂度低于其他几种小波基,有利于水印算法的快速实现,能够较好地满足视频水印算法的实时性要求。本算法采用Haar为小波基对视频帧的亮度分量进行三层小波分解,将水印嵌入到稳健性较好的低频系数中,这样可以较好地满足水印稳健性的要求。水印嵌入流程如图1所示。
设X为视频帧的序号,FX为视频帧的亮度分量,视频帧的大小为M×N,undefined为每帧视频图像中嵌入的水印容量,则水印嵌入的步骤如下:
1) 对原始视频进行分帧处理。
2) 提取视频帧的亮度分量FX,以Haar为小波基对FX进行三层离散小波变换。
AX=DWT(FX) (4)
式中,AX为第X帧视频图像亮度分量的分解系数,它包括小波系数Aundefined,Dundefined,Dundefined,…,Dundefined。 Aundefined为第X帧视频图像亮度分量第H层的近似分量,Dundefined,Dundefined,…,Dundefined分别为1～H层的细节分量。
3) 从亮度分量第3层的近似分量Aundefined中抽取相邻的低频系数Aundefined(i,K)和Aundefined(i,K+1),其中,K=4,1≤i≤k。
令s(i)=Aundefined(i,K)+Aundefined(i,K+1),d(i)=Aundefined(i,K)-Aundefined(i,K+1)。
若v(s)=1且undefined,或者v(s)=0且undefined,则Aundefined(i,K)和Aundefined(i,K+1)的值不变;
若v(s)=1且d(i)<0,则按式(5)嵌入水印;
undefined
若v(s)=1且undefined,则按式(6)嵌入水印;
undefined
若v(s)=0且d(i)>0,则按式(7)嵌入水印;
undefined
若v(s)=0且undefined,则按式(8)嵌入水印。
undefined
以上式中,undefined为嵌入强度,其值由低频系数Aundefined(i,K)和Aundefined(i,K+1)确定,即水印的嵌入强度由视频帧的内容自动调节,实现水印的自适应嵌入。
4) 对嵌入水印后的小波系数A′X进行三层离散小波逆变换,得到含水印的视频帧亮度分量F′X,将其与未改变的色度分量进行重构得到含水印的视频帧。
5) 重复步骤2)～4),依次将所有水印数据嵌入到undefined帧视频图像中,再进行视频帧重构,最后得到含水印的视频。
1.3 水印的提取
本算法提取水印时不需要原始视频信号和原始水印,水印提取流程如图2所示。
水印提取的步骤如下:
1) 对含水印的视频进行分帧处理;
2) 提取视频帧的亮度分量F′X,以Haar为小波基对亮度分量F′X进行三层离散小波变换;
3) 抽取低频子带中含水印系数A′3X(i,K)和A′3X(i,K+1),如果A′3X(i,K) > A′3X(i,K + 1),则提取的水印信息为1;反之,提取的水印信息为0;
4) 重复步骤2)～3),依次提取所有的水印信息,得到一维序列V′;
5) 将V′升维,对V′进行T-a次Arnold变换(a为水印图像置乱的Arnold变换次数),得到提取的水印图像W′。
2 实验结果与分析
实验平台Windows XP+Matlab,原始视频载体为cif格式(352×288,30 f/s)标准测试序列foreman_cif.yuv,hall_cif.yuv,bus_cif.yuv和coastguard_cif.yuv,水印图像为36×36的二值图像。
2.1 不可感知性测试
图3是水印嵌入前的视频帧图像,图4是嵌入水印后的视频帧图像,两者几乎没有差别,并且视频序列的播放速率保持不变。四个视频测试序列嵌入水印后各帧峰值信噪比的平均值分别为45.155 7 dB(foreman),45.640 4 dB(hall),44.002 1 dB(bus)和48.594 5 dB(coastguard),当峰值信噪比大于36 dB时,人眼很难分辨出两幅图像处理前后的差异,说明水印的不可感知性很好。
2.2 安全性测试
本实验在水印嵌入前对水印图像进行了5次Arnold变换置乱,由表1可知,Arnold变换的周期T与二维矩阵阶数N的大小有关,36×36水印图像的Arnold变换周期为12,提取水印时还需对提取的水印进行7次Arnold变换,才能得到水印图像。如果不知道水印图像的阶数以及Arnold变换的次数,要提取水印图像是很困难的,从而能够有效地保证水印的安全性。图5给出了提取水印时不同Arnold变换次数b 提取的水印图像。
2.3 稳健性测试
为测试水印的稳健性,对嵌入水印后的四个视频测试序列分别进行了椒盐噪声、高斯噪声、帧删除、帧剪切、高斯低通滤波、中值滤波以及均值滤波攻击实验。实验参数为:椒盐噪声的强度系数为0.01;高斯噪声均值为0,方差为0.001;删除视频序列中10%的帧;对视频帧进行100×100剪切;高斯低通滤波器采用3×3的模板,滤波器的标准值取默认值0.5;中值滤波器函数的阶数为3;均值滤波器采用3×3的模板。实验结果如表2～表5所示。
从表2～表5的实验结果可以看出,含水印视频受到以上攻击后,提取的水印图像与原始水印图像具有较高的相似度,水印内容清晰可辨,说明本水印算法对以上攻击具有较强的稳健性。
3 结束语
本算法采用Arnold变换对水印图像进行置乱加密,保证了水印的安全性;利用HVS的特点以及DWT的优良特性,将水印信息嵌入到视频帧亮度分量三层DWT的低频系数中,并根据视频帧的内容自适应地选取水印的嵌入强度,在满足不可感知性的前提下,提高了水印的稳健性。通过多个视频载体的嵌入、提取和攻击实验,水印具有较高的安全性和不可感知性,在抵抗椒盐噪声、高斯噪声、帧删除、帧剪切、高斯低通滤波、中值滤波以及均值滤波攻击时具有较强的稳健性。
参考文献
[1]霍菲菲,高新波.基于三维小波变换的视频水印嵌入与盲提取算法[J].电子与信息学报,2007,29(2):447-450.
[2]黄映霞,唐向宏.基于小波域的视频水印算法[J].杭州电子科技大学学报,2006,26(3):47-50.
[3]周惠,徐涛,武小川.一种抵抗共谋攻击的数字视频水印算法[J].计算机应用,2006,26(4):812-817.
[4]马洁,李建福.基于混沌映射的视频数字水印算法[J].计算机科学,2010,37(9):287-289.
[5]杨列森,郭宗明.基于帧间中频能量关系的自适应视频水印算法[J].软件学报,2007,18(11):2863-2870.
[6]刘红梅,黄继武,肖自美.一种小波变换域的自适应视频水印算法[J].电子学报,2001,29(12):1656-1660.
[7]崔基哲,张波,KIM J W.一种图像置乱算法及在数字电视中的应用研究[J].电视技术,2011,35(20):24-27.