自适应免疫检测器（精选7篇）
自适应免疫检测器 篇1
0 引言
物联网是一个多层、异构的复杂网络( 如图1 所示) ,面临着多种不同的攻击,这些攻击则会产生各类不同的危险信号,因而,必须有多种类型检测器来检测不同类别的危险数据。借鉴免疫危险理论只对危险信号进行分析就能发现有害的异己和自体的思想,并根据攻击目标的异常行为,即可应用免疫危险理论来生成不同类型的检测器。
人体免疫系统具有强大的多样性、耐受性、自适应性和鲁棒性,同时还具有良好的免疫记忆、自组织和自学习能力。 传统的人工免疫系统是基于“自我”和“非自我”的识别方式,这种方式需要系统构建庞大的自我集和非自我集,而自我集在很大程度上却无法满足复杂多变的网络需求,导致较高的误报率、漏报率,且效率较低。随着生物学研究的不断深入,全新的免疫危险理论已获提出。该理论克服了传统人工免疫系统的只区分自我—非自我的局限性所造成的“异常就是入侵”的错误,无需构建完善的抗体集,也不必对全体抗原进行匹配运算,因而大大减少了计算量、应答规模和应答次数; 同时,适当的危险信号还会将非自我空间控制在一个可控的范围内,进而可以处理自我( 或非自我) 随时间而改变的情况。因此,基于免疫危险理论的攻击检测算法就将更加地简单、并且快速。
文献[1]提出了基于自组织临界( Self - Organized Criti- calitySOC) 和隐马尔可夫模型的异常检测技术,用其可以检测数据的不一致性问题。这种方法是以自然发生事件的结构为基础,运用隐马尔可夫模型( Hidden Markov Model,简称HMM) ,以便从部署区域的自组织临界点获得先验知识,进而使传感网络能够适应自然环境的动态变化,识别出非正常的网络行为。文献[2]论述了有关博弈论的攻击和防御的方法,利用马尔可夫判决过程揭示出最容易被摧毁的传感节点。方法将攻击和防御的问题看作是传感网和攻击者两个博弈者的非零和、非协作博弈问题,并且表明博弈的结果将趋于纳什均衡,由此而为传感网络构建防御策略。文献[3] 描述了一种分布式算法- BOUNDHOLE,该算法围绕路由洞建立路由,这些路由洞是网络的连接区域,边界由所有的stuck nodes组成。hole - surrounding路由可以用于地理路由选择、路径迁徙、信息存储机制以及鉴别感兴趣的区域。
文献[4]将AIS的工作原理用于传感网络的入侵和响应,并采用混杂模式获得两跳邻居节点的通信信息。混杂模式虽然能够提供全局知识,但却阻止了节点进入睡眠,并强制其进入空闲或接收状态,因此极为消耗能量。文献[5]给出了一种基于网络拓扑和传感器配置信息的入侵检测技术, 可以判定在网络某个特定地方的恶意入侵行为。该技术的实施取决于能够自动生成正确传感器签名的一种算法,适用于域内距离向量协议。文献[6]提出了如何确保6LowPAN网络中点到点网络数据的真实性和可靠性的方法,但是这种方法却并未考虑因网络应用行业的不同而引发的安全敏感度的不同。文献[7]基于免疫危险理论,提出了一种新型的网络攻击态势评估方法,该方法可弥补基于自我/非自我识别机制的传统人工免疫系统中网络态势感知技术的自我集过于庞大、且免疫耐受耗费时间长等不足。文献[8 - 11]则分析了物联网各逻辑层可能面临的安全问题以及能够采取的相应安全措施。文献[12 -13]对物联网的安全需求展开分析,提出了基于感知网络的安全体系架构,并且阐述了其关键技术。
本文针对传统检测器的检测能力不能动态提升,且缺乏自适应性的问题,借鉴人体免疫系统对病原体的动态、主动和自适应的防御思想,应用免疫危险理论研发了一种物联网检测器动态自适应算法,以其来构建全方位的动态防御体系,藉此克服传统防御技术的不足。
1 物联网网络层攻击概要
鉴于网络层的协议繁多而且复杂,无论是在传统网络还是在无线传感器网络中,网络层都是入侵的攻击目标。因此,对于传统安全系统的设计,多数都是将网络层作为重点的保护对象。入侵者可以在网络层实行种类各异的攻击,如Sink黑洞攻击、女巫Sybil攻击、黑洞攻击、Hello洪泛、欺骗篡改路由攻击、自引导攻击、选择性转发攻击、虫洞攻击等。 下面即对各类攻击进行详尽的论述和分析。
在Hello洪泛攻击中,大多数路由协议需要传感器节点向周围节点定时发送Hello包,以此声明自己是这些节点的邻居节点。但是一个强大的恶意节点如果使用足够大的功率来广播Hello包时,接收到该包的节点就会误认为此恶意节点是其邻居节点。在其后的路由中,这些节点就可能会使用这条路径,经由其将数据包发送给恶意节点。
女巫Sybil攻击就是单个节点通过伪装自己以多个身份出现在网络中,迷惑其他节点,使该节点更容易成为路由路径中的节点,并和一些其它的攻击方法结合,来达到其入侵目的。在P2P网络中,女巫攻击出现频率很高,而且传感器节点使用的是无线广播通信方式,因此这种攻击也适用于传感器网络环境。
在虫洞攻击中,通常需要将两个恶意节点彼此串通,共同发动攻击。常见情况下,其中一个恶意节点在sink节点附近,而另一个恶意节点则离sink较远,远处的节点声称自己可以和sink附近的节点建立低时延、高带宽的通信链路,来达到吸引其邻近节点将数据包发送给该点的目的。这种情况下,离sink较远的那个恶意节点实际上也是一个sinkhole。 这一类攻击通常与其它攻击结合起来进行使用。
黑洞攻击指的是恶意节点在网络上声称自己是最佳的路由节点,诱使网络上其他节点都将数据传送给这个恶意节点,通过这种方式恶意节点就能随意窃取和篡改网络中的信息。某些情况下,入侵者还可能会使用这种攻击方式来耗尽网络的能量。
在Sink黑洞攻击中,入侵者通过声称自己能源充足,且高效可靠,以此吸引附近的节点将其加入自身的路由路径中,再和其它攻击( 如更改数据包的内容、选择攻击等) 结合使用,来达到其攻击目的。但是由于传感器网络的通信模式是固定的,即全部的数据包都将发送至同一个目的地,因此很容易遭遇该类攻击。
欺骗篡改路由攻击是入侵者专门针对网络上节点的路由信息而发起的攻击,可通过欺骗和篡改网络上的路由信息来破坏网络的正常通信,如此即使得网络不能完成预期任务,最终导致整个网络失效。
在选择性转发攻击中,恶意节点收到数据包以后,有选择地转发或不转发所收到的数据包,致使数据包无法到达目的地。选择性转发攻击的特点就是并非全部的数据都不进行转发,而是只会转发一些特定的数据,其余的数据将不再转发,这样就能够降低受到检测的概率。倘若这种入侵行为发生在簇头节点中或是通往基站节点的路径上,就会对网络造成严重的破坏,原因在于会有大量的数据遭到选择性转发。
在自引导攻击中,将根据网络中数据包传递的方向和流量等信息来发现网络中特殊节点的位置,如sink节点、簇头节点等,并通过破坏这些网络中的关键节点以达到入侵网络的目的。由于入侵节点的特殊性,此类攻击将会对网络造成的巨大影响,甚至可能导致整个网络的瘫痪。
2 免疫危险理论
根据危险理论的思想,入侵的病原体会导致淋巴细胞的非正常死亡,随着体内细胞的受损,这些非正常死亡的淋巴细胞将会释放出一些对正常组织有害的物质,可将这类物质统称为危险关联分子( Damage Associated Molecular Patterns, 简称DAMPS ) 。在上述情况下,组织内部的DAMPS可以由APCs中的一种模式识别受体—Toll样受体( Toll Like Recep- tors,简称TLRs) 所识别。假如一个APC能够识别足够多的DAMPS,此时就会从不成熟状态变为成熟状态,即该APC被激活,并从身体内各个部位的组织中转移到淋巴结处。淋巴结就是淋巴细胞聚集的部位,在淋巴结中,被DAMPs激活的APC将向T - helper细胞发出共同刺激信号,将T - helper细胞激活后,再激活T - killer细胞和B细胞,这就是淋巴细胞识别抗原的基本原理。
在免疫危险理论中,机体细胞受损时发出的“危险信号” 是激活APC的关键; 而APC又是接收危险信号、产生共同刺激信号、激活适应性免疫系统和处理危险信号的核心部件。 这就是免疫危险理论研究的核心所在。免疫危险理论中的各类信号及相应含义如表1 所示。
3 基于危险免疫理论的动态自适应算法
3. 1 动态自适应算法概述
本文提出的动态自适应算法是借鉴动物器官组织原理, 并基于免疫危险理论,借由该算法来调整检测器每一组成部分中各类细胞器的数量,以达到环境需要的最佳适应,同时取得更好的检测效果。
3. 2 动态自适应算法
众所周知,网络环境较为复杂,并且时刻发生着变化,在下一时刻网络中会遭遇何种危险根本无法预料。因此在不同的网络环境中,需要面对的情况各不相同,而在某段时间的某个网络环境中,某种或某几种危险信号均有可能会对网络环境构成主要威胁,而在另一段时间的另一种网络环境中,又会是另外的几种危险信号将对网络环境造成威胁。鉴于时刻变化的、不同且复杂的网络环境,采取检测器动态自适应算法,使检测器能根据当前需要动态调整不同种类的细胞器数量,这样检测器就能以最少的资源消耗,实现对更多危险信号的更为准确的检测。细胞器的基本结构如图2 所示。
细胞器是组成检测器的最小独立基本单位,由基本处理单元BC、基本记忆单元BM和计数单元acount组成。其中, 基本处理单元可进行各项事务处理,基本记忆单元用于存储数据、方法和结构,而计数单元则完成对各类事务的计算。
首先,定义细胞器为C,感受单元RT ∈ C,检测单元DT ∈ C,基本处理单元BC ∈ C,基本记忆单元BM ∈ C,危险判断单元DD ∈ C,计数单元acount ∈ C。并且,不同种类的细胞器中的RT,DT,BC,CM,DD,acount的数量各不相同。
其次,定义危险信号集D ∈ { d1,d2,…dl} 。
动态自适应模块由大量细胞器构成,该模块细胞器中基本处理单元BC的数量要远远大于基本记忆单元BM以及计数单元acount的数目。动态自适应模块结构如图3 所示。
3. 3 动态自适应算法的基本原理
算法的具体步骤如下:
( 1) 构建机体动态平衡状态;
( 2) 感受单元接收到一个或多个异常信号,告知检测器发现异常;
( 3) 若异常信号为误报,返回第( 1) 步,否则判断异常信号是否为危险信号。如果是危险信号,就要确定该危险区域的范围大小、危险程度和危险频率;
( 4) 发出危险警报;
( 5) 根据危险区域的范围大小、危险程度和危险频率调整该区域范围内细胞器的数量;
( 6) 若该危险区域覆盖面积增大,危险程度和危险频率升高,可使用克隆增殖添加该区域内细胞器的数量,再对该危险区域内的危险信号进行处理;
( 7) 若该危险区域覆盖面积减小,危险程度和危险频率降低,则对该危险区域内的危险信号进行处理,再杀死该区域内一定数量的细胞器;
(8)重新将该区域细胞器的数量存入计数单元account;
(9)返回第(1)步,构建新的平衡状态。
3. 4 动态自适应算法的过程描述
(1)正常和异常信号的表示
每一个正常信号由i位的正常序列组成: Normal = { N1,N2…,Ni} 。
每一个异常信号由j位的正常序列组成: AbNormal = { An1,An2…Anj} 。
( 2) 动态自适应算法流程
第一步: 定义正常信号、异常信号和危险信号。对于一个问题域X ∈ { x1,x2,…,xz} ,分为两个集合: 正常信号集( Normal) 和异常信号集( AbNormal) ,其中有
若危险信号属于问题域X ,则危险信号集D ∈ { d1,d2, …dl} ,其中危险信号集规模为n。
第二步: 感受异常信号过程。通过异常特征匹配判断是否出现异常,若为异常,通知检测器发现异常。
第三步: 异常信号判断过程。将收到的信号与正常信号集进行匹配,确定是否为异常信号。
第四步,危险信号判断过程。通过危险累积判断该信号是否为危险信号。
第五步,确定该信号为危险信号后,将本次该危险区域的范围大小、危险程度和危险频率与上一次该危险区域的范围大小、危险程度和危险频率进行比较,并根据比较结果调整该区域内细胞器的数量。记入基本记忆单元。
第六步,将本次该危险区域的范围大小、危险程度和危险频率记入基本记忆单元。
第七步,将调整后得到的细胞器数量值写入基本计数单元。
4 算法可行性分析
由理论分析可知,本文提出的动态自适应算法是可行的,理由如下:
首先,本文分别定义了正常信号集、异常信号集和危险信号集,可以正确地模拟正常信号、异常信号和危险信号。
其次,感受单元能够感受到物联网网络层节点的异常信号和正确地识别出危险信号,并计算出危险区域的范围大小、危险程度和危险频率。
最后,本算法能根据危险信号动态调整危险区域内细胞器的数量,有效地提高了识别和处理危险的能力。
综上所述,本文提出的基于免疫危险理论的物联网网络层动态自适应算法是可行的。
5 结束语
本文应用免疫危险理论原理,提出检测器动态自适应算法,加强物联网网络安全,具有较重要的理论意义和实用价值。
摘要：针对物联网网络安全,应用免疫危险理论原理,研究动态自适应算法,提出一种基于免疫危险理论的新型动态自适应算法。该算法能够动态调整机体内各个区域细胞器的数量,构建全方位的物联网网络层动态防御体系。算法分析表明该算法能够识别物联网网络层的危险信号,并对危险区域的范围大小、危险程度和危险频率进行计算,根据危险程度做出及时地响应,有效地保证物联网网络层的安全。
关键词：检测器,危险免疫理论,自适应
自适应免疫检测器 篇2
随着网络计算机在现代社会中发挥愈来愈重要的作用, 网络安全作为一个无法回避的问题呈现在人们面前。如何建立安全而又健壮的网络系统, 保证重要信息的安全性, 已经成为研究的焦点。入侵检测是网络安全的重要研究领域, 主要有误用检测 (misuse detection) 和异常检测 (anomaly detection) 两类技术[1]。免疫系统是生物体信息处理系统的重要组成部分, 肩负着保护机体安全的重任, 它实质上是一个大规模的分布式信息处理系统, 具有识别自我与非我、学习、记忆和模式识别等重要处理机制。而入侵检测系统与免疫系统有许多相似之处, 它们都肩负着维护自身安全的使命, 同样要对新的信息辨别是"自我"还是"非我", 因此将人工免疫技术机制引入到入侵检测研究领域很有必要。
1、系统模型
目前已有研究人员将免疫理论应用到入侵检测系统当中[2]。检测前先将系统在正常网络流量下运行一段时间, 对检测系统进行训练。训练时期截获的数据包均为正常数据, 我们把它存入"自身"数据库中。异常检测模型如图1所示。模型左边部分是训练过程。其中训练数据是不含攻击行为的学习数据, 此数据全部存入"自身"库中。经过一段时间正常数据的学习之后, 就可以通过与库中的数据进行比较生成疫苗。抗体库在检测过程中不断地更新完善, 使系统能检测各类新型攻击。自身产生抗体的方法如图所述, 此方法模拟免疫、系统的否定选择, 对新型攻击的检测有一定的效果。另一种产生抗体的方法是, 将网络上截获的数据包与"自身"库中的数据比较, 跟库中数据不匹配的则认为是异已抗原, 将其加入到疫苗库, 库中的数据都是与自身正常数据相偏离的, 有可能是新型攻击的特征数据。系统模型的右边部分是实时检测模块。首先将网络实时数据与疫苗库中的数据进行比较, 若两数据相似, 则初步判断为入侵并向管理员报警。此警报若为误报, 则说明与之匹配的疫苗不合格, 将其从疫苗库中清除。警报若被确认为攻击行为, 则接种此疫苗, 将其加入抗体库。抗体库中的数据均为已确认的攻击数据, 与之匹配的数据可判断为入侵。该系统是自适应入侵检测系统, 系统在运行过程中, 对抗体库不断地接种疫苗, 使系统对各种已知攻击和新型攻击都具有免疫能力。
2、抗体表示及匹配规则
抗原, 即系统中连接向量, 存储包括连接服务端口和连接持续时间等特性的网络连接, 抗体说明这些特性的状态。如果一个连接向量符合抗体说明的特性状态, 则抗体匹配连接向量。特性状态可以分为两种形式:单值形式和区间形式。例如连接使用的端口号是单值形式, 而最近2秒内连接到同一个主机上的网络连接数在5和10之间, 是区间形式。
抗体不需要定义所有的特征状态, 没有定义的字段将使抗体覆盖更大的抗原空间, 也意味着允许更多的攻击被检测。相比较而言, 如果抗体的每个字段都被定义将使抗体生成更容易些, 因为它使新抗体更不易覆盖所有的非自我空间, 同时也存在较大的缺点, 即要求更大的抗体集合去匹配相同数量的非自我空间。
抗体的基因型是这些状态的有序列表。若一个状态定义为单值, 则基因型字段对应一个表现型字段;若状态定义为一个区间, 则基因型字段定义为区间的上限和下限。由于许多字段的可能取值范围较大, 除了端口号外的所有字段, 可以通过分配可能的字段值进行聚类。而端口号字段作为一个特殊的例子, 为了聚类相关的端口, 通过使用域知识将端口号划分成功能类完成人工聚类。聚类字段值有两个优点, 首先减少了抗体生成过程的搜索空间。其次, 抗体的基因型字段定义为代表许多值的聚类, 而不是单值, 将不可避免地覆盖抗原的更大范围。同时聚类方法的使用也存在一个不足, 即无法逐一涉及被聚类的数据值, 但就系统处理的模糊规则而言, 这并不是大问题。例如一个网络连接中接收到132个还是133个数据包对判断是否是正常或异常连接并不重要。
当连接向量的组成元素匹配抗体定义的所有字段时, 则称抗体匹配连接向量。可以忽略抗体未定义的字段, 对于非区间字段如端口类型, 两值相等则匹配。对于区间特征如连接持续时间, 当连接向量的相应字段处于抗体基因型字段定义的上下界限之间则匹配。
3、生成可进化疫苗群
疫苗生成是一个多模搜索问题, 一个个体抗体必须覆盖非自我空间的不同部分, 采用确定性排挤的遗传算法实现该目标[3], 遗传算法中定义适应度函数如下:
(1) obj1=最大化疫苗的通用性。即未详细定义的非区间字段数和每个区间字段定义的标准化范围之和。最后结果进行标准化在区间【0, 1】内。
(2) obj2=最小化与疫苗相匹配的训练集中自我实例个数。这里采用负向选择。
(3) i是种群中个体索引, j是目标obj索引。
算法开始时初始化疫苗种群, 过程如下:每个可能的表现型字段以0.5的概率不作详细定义。并在相应地疫苗基因型上赋值为-1, 通过保留一些字段以这种方式不作定义来提高疫苗的通用性。而对于每个有作定义的字段, 其对应的基因初始值可以从所有可能取值中任意取。随机产生的两个父染色体通过统一的交叉操作产生单个子染色体。而子染色体的每个基因以很小的概率通过从可能取值中任意取值进行替换从而实现变异操作。相对地, 如果表现型字段没有具体定义, 则对应的基因型字段取值为-1。根据确定性排挤策略, 子染色体如果比与它最相似的父染色体适应度更高, 则替换这个父染色体。
种群中两个疫苗之间的相似度定义在表现型层次。首先两个疫苗的每个相应字段的相似度值被分别计算。对于非区间字段, 如字段值相等, 则字段相似度为1, 否则为0。对于区间字段, 相似度值为相应区间的重叠程度, 并标准化到【0, 1】区间值。然后再将各个字段的相似度值相加, 则产生两个疫苗总的相似度值。
当疫苗群生成算法结束, 应用负向选择算法, 每个疫苗与训练集中的每个正常连接向量比较, 如果仍然匹配一个或多个正常连接向量, 则移除该疫苗。以保证抗体库中将只包含不能匹配正常连接向量的抗体, 从而减少误警率。
4、试验
我们采用KDD-Cup99的数据集[5]作为IDS系统测试的数据, 取全部训练数据的10%作为系统的训练数据, 将连接记录所包含的22种攻击类型大体分为四种:DOS、U2R、R2L、Probe, 和正常normal类。实验采用数据库中的kdd-cup.data＿10＿percent gz文件, 其包含有494, 021实例的训练数据, 和corrected.gz文件其包含有311.029实例的测试数据。每个网络连接具有41个特征, 其中38个数字型属性特征和3个符号型属性特征。在实验中, 我们设置参数:种群规模=1700;世代数=50, 000;交叉率=10%;变异率=1/L, L为抗体基因型字段数;结果如图2所示, 随着W1增大, 检测性能也逐渐增强, 当W1>0.5时, 检测性能趋于稳定。
5、结束语
目前, 入侵检测技术 (IDS) 已成为网络安全领域研究的焦点, 多种软计算方法被应用到这项技术的研究上[6]。本文构建了一种基于生物免疫机制和遗传算法的自适应入侵检测模型, 使入侵检测系统具有自学习、自适应的能力。实验结果表明:文中设计的分类系统具有较高的检测率和分类率, 较小的误警率, 检测性能良好。
摘要：随着网络入侵方法和网络计算环境的变化, 入侵越来越难被检测和防范.本文针对当前入侵检测中存在的问题给出了一种基于生物免疫机制的入侵检测模型, 利用遗传算法生成的疫苗种群不断更新抗体库使系统具有自适应和自学习的能力, 最后通过仿真验证模型的检测性能。
关键词：入侵检测,软计算,人工免疫
参考文献
[1].周豫苹, 于冬梅.基于遗传模糊分类器的入侵检测系统研究[J].微电子学与计算机.2009.26 (4) .26-28.
[2].J.Kim, P.J.Bentley, U.Aickelin, J.Greensmith, G.Tedesco, J.Twycross, Immune system approaches to intrusion detection-a review, Natural Computing6 (4) (2007) 413-466.
[3].Yuping Zhou, Dongmei Yu, Research on Fuzzy Genetics-Based Rule Classifier in Intrusion Detection System.Proceeding of the2008Interna-tional Conference on Intelligent Computation Technology and Automation (ICICTA2008) Changsha.20-22October2008.IEEE Computer Society press.
[4].K.Diamantaras, S.Y.Kung, Principal Component Neural Networks:The-ory and Applications, Wiley, NY, USA, 1996.
[5].KDD Cup Data, hhttp://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html, i March2006.
自适应免疫检测器 篇3
文献[1,2,3]从用户兴趣方面着手,通过建立用户兴趣模型来获取用户的短期兴趣和长期兴趣,并以此获得资源推荐;文献[4,5]则从资源的关键字入手,试图通过语义关系来计算关键字的相似度来对资源进行聚类,以获得相关的资源。但是资源的相似度计算是一个比较复杂的问题,如果仅采用语义相似度计算就完成对资源的分类工作,则大多难以回避一个问题:相似度计算公式定义得是否合适会直接影响聚类的效果。另外,用户对于搜索结果的反馈对检索算法具有非常重要的指导作用,但是目前很多的检索算法却没有很好地利用用户动态反馈中的语义知识,这是很大的浪费。有些研究者将自然计算引入了聚类研究领域,提出了基于遗传算法的聚类方法[6,7], 基于基因表达式编程的聚类算法[8]、基于免疫网络的聚类算法[9,10,11]。这些算法克服了k-means、FCM这些经典聚类算法伸缩性较差的缺点,但是却增加了数据集类别数,导致某些类别样本数分布偏多或偏少,容易陷入局部最优值。
为了解决这些问题,如果将用户所需资源的描述视作抗原,把资源的候选解视作抗体,那么生物免疫系统的免疫识别和免疫响应过程就可以和免疫优化算法对优化问题解空间的搜索过程联系起来,在此提出了基于免疫优势的多克隆自适应选择聚类算法。该算法将人工免疫系统(Artificial Immune System,AIS)方法引入到资源聚类处理之中,以解决在聚类过程中需要事先知道聚类类别数、极易陷入局部极大等问题,提高聚类的准确度。另外,该算法采用了基于本体的自然语言的语义计算方法来确定抗体的免疫功能,这种将语义分析融入免疫进化过程的方法可以更好地反映资源之间的语义关联和用户对资源的检索需求。自适应是指分析每一次免疫进化后得到新的抗体群结构,以此来动态调整优先算子,检验算法的有效性。多克隆是指引入了组合因子来对资源进行局部和全局的进一步检索,防止算法陷入局部极大的问题,使得资源在召回率和正确率上都有明显的提高。算法的创新点主要体现在以下3个方面:
(1)在克隆选择算法的框架内引入自适应优先算子,使算法能够在聚类搜索过程加快收敛,提高算法的稳定性;
(2)使用了基于本体的语义表达方式来表述用户的需求,并将相似度语义计算公式融入到免疫进化算法中,使得用户的知识动态反馈更好得体现在检索算法中;
(3)设计了组合因子,引入交叉克隆操作,以增加进化过程中抗体的多样性;
1 免疫克隆选择和语义计算结合策略
如何将免疫克隆选择和语义计算相结合来对资源进行检索的过程,如图1所示。
要结合使用免疫克隆选择和语义计算技术,总体来说需要解决以下3个问题:
(1)用什么方法确定抗体的免疫功能,以更好将用户反馈的语义知识体现在算法中;
(2)用什么规则来调整优先算子,以确保算法的有效性;
(3)怎么设计组合因子来实现多克隆操作;
下面详细介绍所提出的免疫克隆选择和语义计算结合策略对这3个问题的解决办法。
2 动态控制优先算子 S
在资源检索模型中,用户一般都处在被动的位置,在向系统输入需要查询的关键字后,只能坐等系统进行各种复杂的查询检索工作,而检索的结果却未必能够反映用户的意愿。为了能让用户根据查询结果多次调整自己的查询要求并反馈到检索算法中,本算法引入优先算子,使得算法能够利用聚类中心搜索过程中反馈的用户动态知识及时调整搜索策略,加快收敛过程,防止陷入局部最优点,提高算法的稳定性。
2.1 获得免疫优势
如何确定抗体免疫优势是首先要思考一个问题。可以确定的是,一个具有免疫优势的优秀抗体与其它抗体相比,更能适应抗原的刺激。采用自然语言的语义计算方法对抗原和抗体进行语义相似度计算,以确定抗体的免疫优势。与抗原资源通过语义计算得到相似度大于阀值的抗体将被认为是具有免疫优势的,加入到参考抗体群中。在进行免疫优势筛选和交叉组合克隆以后,分析每次迭代后得到的参考抗体群的结构,动态调整优先算子,以确保优先算子对抗体群的控制作用是有效的。
2.2 自适应优先算子 S 的控制算法
Step2根据文献[5]的计算公式得到第k代抗原G(k)与抗体Aj(k)的相关度Sj(k)。
Step3将所有Sj(k)>S的抗体加入到参考抗体群A'(k),使用自适应组合因子对A'(k)进行交叉重组和倒位重组操作,最终得到进化后的新一代抗体群A(k+1):
A(k+1)=(A1(k+1),A2(k+1),……,Am(k+1))(m>m'>1)
Step4若用户再次反馈,描述G (k+1)= (t1(k+1),t2(k+1),t3(k+1)),则返回Step2计算G(k+1)和Aj(k+1)的相似度Sj(k+1),继续Step5;否则结束算法。
3 组合比例因子 P
提出在克隆选择操作中引入组合比例因子,以每次迭代中抗原与免疫抗体的相似度为依据,来确定对抗体种群实施多克隆重组操作的比例,自动调整抗体种群的规模和抗体对抗原的适应性。组合操作包括交叉重组和倒位重组,经过这种局部寻优和全局搜索相结合的迭代操作,增加了进化迭代过程中抗体的多样性,摆脱了局部极小的缺点,就可以寻找到通过满足抗原要求的抗体群。下面给出组合操作的相关定义:
定义1交叉重组操作:对当前抗体群A(k),当有抗原G(k)刺激时,经过优先算子S得到参考抗体群A'(k)。
将参考抗体群A'(k)中的抗体与抗原G(k)进行相似度计算后按照大小排列,按组合比例因子P抽取前面部分优秀抗体,认为这些优秀抗体具有重组价值。假设有以下2个优秀抗体:
则以e为交叉点进行步骤(1)到步骤(4)的交叉组合操作,得到如下4个参考抗原。
根据文献[5]的计算公式,4个参考抗原分别与抗体群A'(k)中的抗体进行相似度匹配,将相似度大于优先算子S阀值的抗体加入到参考抗体群A'(k)中。
定义2倒位重组操作:对参考抗体群A'(k),按照组合比例因子P随机抽取A'(k)中的抗体进行倒位重组操作。
根据文献[5]的计算公式,将参考抗体群A'j(k)与抗体群A(k)中的抗体进行匹配,将相似度大于优先算子S阀值的抗体加入到参考抗体群A'(k)中。
4 结语
针对目前语义相似度计算公式对资源的分类标准主观性较强和自然计算无法反映资源的语义内涵关联的问题,将免疫克隆理论和语义计算结合运用于资源数据的聚类检索,着重探讨了如何结合语义相似度计算来判断抗体免疫优势,并通过自适应优先算子和组合因子来设计基于免疫优势的克隆选择聚类算法。该算法利用了搜索过程中获得的用户动态反馈知识,反映了资源之间的语义内涵关系,并且继承了克隆选择算法的全局搜索和局部搜索相结合的特性,使得资源检索算法有效地避免了陷入局部最优的问题,提高了检索算法的稳定性及可靠性。
自适应免疫检测器 篇4
据统计烘房能耗占汽车涂装车间能耗的30%左右,烘炉设备是涂装车间的耗能大户,同时烘房的功能是实现对车身表面油漆涂层的烘干,涂层的烘干效果将直接影响车身的外观装饰性和耐腐蚀性,影响到汽车的使用寿命[1,2]。因此,如何降低能耗、提高汽车漆膜的质量是汽车烘房控制和管理的核心问题。
汽车涂装线烘房系统的温度控制属于复杂过程控制系统,其控制变量具有高度的非线性、多变性、时滞性、多变量耦合大以及强干扰性等特点,控制系统难以建立精确的数学模型[3]。目前烘房控制大多采用常规的PID控制方法,它具有结构简单、稳定性好、参数物理意义明确等优点,但同时存在参数整定不良、抗干扰能力差等问题[4]。本文在对多种智能控制算法比较的基础上,提出将模糊免疫自适应PID控制应用到汽车烘房温度控制中。模糊免疫自适应PID控制是将模糊控制、免疫控制和PID控制三者的结合,能够根据实际生产状况对PID控制器的3个参数进行实时自适应调整,仿真结果表明该控制方法在响应速度和稳定性上都取得了更好的控制效果。
1 烘房结构和数学模型
1.1 烘房结构和工作原理
汽车烘干设备的工作原理是将喷涂后的汽车车身放置在一个密闭的室内,使室内空气被加热后均匀地喷射到汽车车身上,通过对流加热的原理使得汽车车身的涂膜被均匀加热后迅速固化,整个烘干过程需要保证室内温度均匀、稳定[5]。
烘房结构图如图1所示,抽废气风机将有机废气从烘干室抽出,经过焚烧炉加热,在高温下将有机废气进行氧化分解,分解后的有机废气变成CO2和水。产生的高温烟气通过主烟气管道排出焚烧炉,排出的烟气作为烘干室热源进行余热利用。换热室结构图如图2所示,换热室利用烟气对烘干室的循环风进行加热,为烘干室提供所需的热量,采用插入式无蜗壳耐热循环风机,顶部烟气管道装有电动调节阀。烘房室体的温度与电动调节阀的开度成正相关的关系,当电动调节阀的开度增加时,进去换热室的高温烟气增加,循环热风的温度增加,即烘房室体的温度增加。所以烘房控制系统是根据检查到的循环热风的温度大小实时调节电动调节阀的开度,以此来保持室体温度在工艺温度恒定。
1.焚烧炉;2.燃烧机;3.电动调节阀;4.循环风机;5.抽废气风机;6.新风风机
1.2 控制系统和数学模型
烘房控制系统是由上位机、PLC、模拟量输入模块、模拟量输出模块、温度传感器、电动调节阀等组成。温度传感器检查室体温度的电流信号经模拟量输入模块传递给PLC,然后再传送给上位机。上位机根据传递过来的温度信号与设定的温度值进行比较,然后根据控制器的输出量调节电动阀的开度,进而调节室体到指定的温度值。烘房控制系统组成框图如图3所示。
汽车烘房是非常复杂的被控对象,目前还没有精确的烘房整体数学模型。烘房的控制系统是一个大惯性和大滞后的系统,它的阀门动态特性、空气的热交换过程和温度传感器的动态性能均为惯性环节。结合以往烘房控制的经验,本文将升温段和降温段视为独立的控制系统,则升温段和降温段控制系统的传递函数均可简化为一个带有纯滞后的一阶惯性环节,其传递函数为:
式中,K为比例增益,T为惯性时间,e-τs为延时函数;s为时间变量。Y(s)烘房室体温度函数,U(s)为电动调节阀开度函数。
2 自适应模糊免疫PID烘房控制系统设计
自适应模糊免疫PID是以增量式PID控制为基础,采用模糊免疫控制调节比例系数kp,同时采用模糊自适应PID控制实时在线修正积分系数ki和微分系数kd,因此自适应模糊免疫PID控制融合了模糊免疫控制和模糊PID控制的优点,使烘房温度控制系统有良好的快速响应特性和抗干扰能力[6,7]。模糊免疫自适应PID控制系统结构图如图4所示。
2.1 模糊免疫PID控制
2.1.1 免疫反馈原理[8]
免疫是生物体的一种特性生理反应。抗原与抗体结合后,会产生一系列的反应,通过吞噬作用或产生特殊酶的作用而毁坏抗原。生物的免疫系统的淋巴细胞由T细胞和B细胞组成,T细胞又由辅助细胞TH(刺激B细胞产生)和抑制细胞TS(抑制B细胞产生)组成。当抗原侵入机体后,将信息传递给T细胞,然后刺激B细胞产生抗体以消除抗原。当抗原较多时,机体内的TH细胞较多,而TS细胞较少,从而产生较多的B细胞。反之,体内TS细胞增多,它抑制了TH细胞产生,则B细胞也随着减少。经过一段时间后,免疫反馈系统趋于平衡。抑制机理和主反馈机理之间的相互协作,是通过免疫主反馈机理对抗原的快速反应和稳定免疫系统完成。
2.1.2 免疫PID控制器设计
基于上述免疫原理,假设第k代的抗原数量为ε(k),由抗原刺激的TH细胞的输出为TH(k),TS细胞对B细胞的影响为TS(k),则B细胞接收的总刺激为:
其中,TH(k)=k1ε(k),Ts(k)=k2f(S(k),ΔS(k))ε(k)式中f(.)表示细胞抑制刺激的能力。
若将抗原的数量ε(k)作为偏差e(k),B细胞接收的总刺激S(k)作为控制输入u(k),则ΔS(k)=Δu(k)。有如下的反馈控制规律:
式中,K为控制反应速度,η为控制稳定效果。
利用模糊规则可逼近非线性函数f(u(k),Δu(k)),模糊控制的两个输入分别为电动阀的控制输入u和输入的变化率Δu,利用模糊推理调节非线性函数f(u(k),Δu(k))。按“细胞接受刺激越大,抑制能力越小”及“细胞接受的刺激越小,则抑制能力越大”的原则,构造出以下4条模糊控制规则[9,10]:
①If u is P andΔu is P then f(u,Δu)is N。
②If u is P andΔu is N then f(u,Δu)is Z。
③If u is N andΔu is P then f(u,Δu)is Z。
④If u is N andΔu is N then f(u,Δu)is P。
免疫PID控制器实际上是一个非线性的P控制器[11],其输出为:
2.2 自适应模糊PID控制
模糊PID控制是将经验知识总结成控制规则,并以模糊推理的方式来使用这些规则进行PID控制器参数的实时在线整定,具有较好的自适应能力[1,2,3,4,5,6,7,8,9,10,11,12,13]。本模糊控制以室体设定温度与实际温度的之间的变差e(k)以及偏差变化率Δe(k)为输入,输出分别为PID控制器微分环节和积分环节的变化率Δki、Δkd。Δkie(k)、Δe(k)、Δki、Δkd的模糊语言变量集均选取为{NB,NM,NS,ZO,PS,PM,PB},其中元素分别代表负大、负中、负小、零、正小、正中、正大。同时,输入、输出模糊子集的论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}。根据模糊控制规则的基本思路和实际操作的经验设计模糊控制规则表如表1所示。
3 烘房控制系统仿真结果分析
本文分别采用常规PID控制、模糊自适应PID控制以及模糊免疫自适应PID控制对烘房控制系统进行仿真比较[14]。根据汽车烘房大滞后的特点,采样周期设为10s,经过试验分析,得出烘房温度与电动调节阀开度的传递函数为:
以电泳烘房为例,根据所采用电泳漆的特性,当烘房温度在[170℃,190℃]时,汽车车身电泳漆膜的烘干效果最好,因此将烘房的目标温度设定为180℃。通过试凑法常规PID的控制器参数分别为:kp=0.02,kd=0.008,ki=0.001。模糊自适应PID控制器的初始参数同样选取为:kp=0.02,kd=0.008,ki=0.001。最后模糊免疫自适应控制器的参数选取为:K=0.01,η=0.8,ki=0.008,kd=0.001。输入指令为阶跃信号,为了比较3种PID控制器的抗干扰能力,在第150个采样时间加入一个干扰信号。图5中,1为模糊免疫自适应PID的响应曲线,2为模糊自适应PID的响应曲线,3为常规PID的响应曲线。
由上图的阶跃响应曲线可以看出,在上升时间上,模糊免疫自适应PID的上升时间最小,约为100s,常规PID的最差,约为145s;在超调量上,模糊免疫自适应PID的超调量为2.9%,模糊自适应PID的为3.8%,常规PID的为11.2%,模糊免疫自适应PID的超调量依然最小;在调节时间上,曲线1为440s,曲线2为600s,曲线3为870s,模糊免疫自适应PID的调节时间最短。当外界由于热风的风速或者其他原因产生干扰,常规PID控制受脉冲干扰的影响较大,调节时间较长,模糊免疫自适应PID控制和模糊自适应PID控制能够很快抑制扰动,温度的波动较小,但是模糊自适应PID控制的调节时间较长,因此模糊免疫自适应PID控制的鲁棒性最优。
4 结束语
基于高速DSP的雷达自适应检测 篇5
关键词：自适应检测,ML-CFAR检测器,E-CFAR检测器,TS201处理器
1引言
雷达的自动检测,通常是借助于与检测单元临近的距离或多普勒频率单元中的杂波加噪声的平均功率的估值来实现,本质上是一种自适应的门限检测。目前的经典检测理论主要是基于统计学中的假设检验的似然比检测。比如ML-CFAR,OS-CFAR等。雷达接收在不同的环境中使得背景变得不再均匀,雷达自身噪声、外界气候、多目标背景、各种环境的杂波、人为的干扰等使雷达检测的性能下降,需要一种既能自适应于干扰目标数和分布情况的变化,又可以自适应于杂波边缘位置变化的CFAR检测器。很多研究机构对自适应确定选择逻辑、算法和参数方面做了大量的研究。比如CCA-CFAR检测器、E-CFAR检测器、OSTA-CFAR检测器等,都是用在不同环境下的自适应检测器。
2ML类CFAR检测器的基本原理
在均匀的噪声环境中,使用的是ML类CFAR检测器,根据门限的选定Pfa和Pd能够保持基本恒定。ML类CFAR监测器,通常是将检测单元周围的N个平方律求平均,平均值乘以一个标称化因子T得到该检测单元的检测阀值,在均匀的杂波背景中,这样检测得来的Pfa能够保持稳定,但是在多目标环境以及在干扰和杂波边缘环境下,检测阀值的变化很大,带来的Pfa也会增加很快,图1是均值ML类CFAR检测器的结构框图。
3E-CFAR自适应算法的基本原理
E-CFAR主要用于多目标环境和复杂杂波环境中提高检测性能。检测器把超过删除阀值的强采样从集合中删除掉,除了常规的检测门限,它还设立了一个删除门限,将检测单元中大于删除门限的平均律值做一个特殊处理,然后做平均处理,删除处理确保检测阀值的计算是基于一组删除了强干扰采样后的能够代表杂波功率水平的采样,检测器的结构方框图如图2 所示,式(1)是Pfa的计算公式,式(2)是Pd的计算公式。
其中:
fy(y)是杂波低于BE时的条件概率密度;Qi(u;λ,BE)是其对应的条件特征函数;SNR是信噪比;2∂2是杂波平均功率水平估计;BE是删除阀值幅度,R为背景单元个数。
4实验仿真验证结果
数据来源于雷达记录仪录取的试验数据,采用平方律检波,得出回波的噪声图谱,共2组,分别代表在均匀背景、多目标环境下的回波。系统参数为:警概率Pfa=10-4,参考单元N=16个,保护单元设为2个。
第一组为在均匀杂波背景中的数据:
目标功率为72.67 dB,平均噪声功率为54.7 dB,根据最优检测理论,可以计算出固定门限为63.48 dB,INR/SNR=-6 dB,INR是删除门限和噪声的幅度比。
为便于画图和分析,只截取了目标附近的一段数据分别进行ML-CFAR和E-CFAR检测,得到的结果如图3所示。
从图3中可知:超过最优检测阈值和活动门限阀值的回波只有一个单元,两种检测器的活动门限都超过了杂噪的功率,因此在均匀杂波背景下两种检测器的性能基本一致。
第二组为在多目标环境中的数据:
目标1功率为73.15 dB,目标2功率为93.5 dB,平均噪声功率为54.6 dB,根据最优检测理论,可以计算出固定门限为64.5 dB,取INR/SNR=-6 dB,图4是多目标附近数据的检测仿真图。图中两个目标的位置比较靠近,按照系统提出的参考单元个数,两个目标在检测过程中要对彼此产生影响。
从图4中可以看出,使用ML-CFAR检测器时由于目标2对目标1的影响,抬高了目标1的活动门限而使目标1没有被检测出,E-CFAR由于做了删除处理,使目标1的活动门限下降了,同时将目标1和目标2都检测出来。
从数据仿真中得出,在均匀背景中两种CFAR检测器的性能基本一致,而在多目标环境中,如果选择合适的参数,E-CFAR的性能会好于ML-CFAR。
5基于高速DSP的硬件选取和实现
5.1 高速DSP的选用
目前市场上有很多适用于实时高速信号处理的DSP芯片,有AD公司的TS系列,有TI公司的TMS6000系列,还有PowerPC处理器等。设计一个硬件系统,要考虑它的实际使用体积、浮点运算速度、内外总线速度、内存贮和外存贮的扩展能力、外接口的能力、功耗、DSP之间的相互链接、成本等因素,用这些实际工程运用的因素来综合评估如何选用适用的DSP器件。由于雷达信号处理的实时性,即在很短的时间内完成大数据量处理,使用单一的DSP已经不能满足要求,目前通用的DSP器件中,AD公司TS系列具有很强的拓扑能力,从运算速度和存贮量考虑,我们采用了TS201处理器作为实现自适应检测的芯片。
5.2 ADSP TS201S主要性能介绍
(1) 高达600 MHz运行速度;
(2) 24 Mb片内DRAM;
(3) 双运算模块,PGBA封装;
(4) 集成I/O口,14通道DMA,SDRAM控制器;
(5) 通过共享总线可无缝链接多达8个DSP,相互连接时仅需很低的通讯开销;
(6) 每个机器周期可以执行4条指令,24个16位定点运算和6个浮点运算;
(7) 支持高级语言开发,有良好的软件开发环境。
5.3 自适应检测的算法拆解流程
自适应检测的算法拆解流程步骤如下:
(1) 完成雷达回波的预处理和数据的积累。
(2) 形成杂波图,并对杂波类型进行分析。
(3) 完成CFAR类型的选择。如果是均匀的杂波取ML-CFAR检测器进行CFAR检测可以减少运算量;如果杂波分布比较复杂或者是多目标环境,选用E-CFAR检测器,可以提高检测概率。
(4) 完成CFAR检测器的参数设置。根据雷达的系统指标(虚警概率、采样率、采样时间等)确定参考窗的大小和计算检测门限。ML-CFAR检测器要完成固定门限和活动门限的计算,E-CFAR还多一个删除门限的选定。
(5) 完成整个系统的检测运算。
5.4 实现的硬件框图
通过对大数据量的算法拆解,以及完成功能的实时要求,根据雷达的时间要求以及拆解后算法在TS201上的运行时间计算,我们用了6片TS201处理器、1片FPGA和2 Gb的SDRAM以及相应的适配器件组成了自适应检测系统。FPGA可完成雷达的工作方式控制,完成DSP的片选功能;FPGA,DSP,SDRAM之间互联的外总线速度可达75 MHz 64 b,对于每个DSP链路口组合起来最高吞吐量可达1 Gb/s,高速大数据量的吞吐使它们之间的通讯自如。每个DSP之间的无缝链接方便了功能的增减和次序的调换。通过SDRAM大数据量的存贮,既为复杂功能的实现提供方便也为数据的实时监控提供可能。基于TS201的检框测图如图5所示。
6结语
以上介绍了两种CFAR检测器的原理和工程实现框图,从数据分析中可以看出E-CFAR在复杂杂波环境中的检测性能有所提高,在实际的检测系统设计中可以增加一个杂波分析过程来判别使用那种检测器比较有效。
参考文献
[1]何友,关键,彭应宁,等.雷达自动检测与恒虚警处理[M].北京:清华大学出版社,1999.
[2]刘书明,罗勇江.ADSP TS20XS系列DSP原理与应用设计[M].北京:电子工业出版社,2007
[3]刘书明,苏涛,罗军辉.TigerSHARC DSP应用系统设计[M].北京:电子工业出版社,2004.
[4]郭启俊,刘劲,刘宏伟.基于时频融合的分布式目标的恒虚警检测[J].雷达科学与技术,2007,5(1):65-68.
[5]Anna L Dzvonokovskaya,Hermann Rohling.Ship Detectionwith Adaptive Power Regression Thresholding for HF Ra-dar.Hamburg University of Technology,Germany,2007.
[6]Goldman H,Bar-David D I.Analysis and Application of theExcision CFAR Detector.IEEE Pro.-F,1998,135(6):563-575.
[7]关键,何友,彭应宁.基于局部观测信噪比的新分布式CFAR处理[J].清华大学学报:自然科学版,1999,39(1):51-54.
[8]Hamid A,Viswanathan R.A New Distribueted ConstantFalse Alarm Rate Detector[J].IEEE Transactions on AES,1997,33(1):85-97.
一种自适应异常检测方法研究 篇6
本文研究的对象是基于模板图像的异常检测,而抖动和光照变化是造成异常误判的两个主要原因,为了实现精准的检测,本文提出了一种能消除抖动和光照变化影响,精准检测异常的新方法。该方法确立感兴趣区域,尽量避免无关像素参与异常决策,保证检测的准确性;基于投影的分块快速匹配结合了灰度投影法快速性和分块模板匹配法能估算复杂运动的优点,能在光照变化和异常影响下消除抖动;图像配准后使用多项式拟合的方法能较好地消除光照变化的影响;基于加权多区域差分矩阵进行异常判断,如果有异常,则在界面上显示异常发生的具体位置,没有异常,则系统进入下一个周期的异常检测。
1 前景计算
根据异常检测的实际需求,设计了整个检测系统的处理流程如图1,其中前景计算作为整个系统的预处理,要求确立可能的多个感兴趣区域并设定其敏感度,避免无关像素参与异常决策而导致异常的误判。由于大部分异常检测系统都有运动区域异常显著性的特点,因此本文通过人为设定,并结合基于欧式距离的颜色差分法来确立感兴趣区域。
本阶段首先在模板图像上根据实际的检测需求人为设定一个或者多个四边形区域为初始的感兴趣区域,并分别设定其对异常的敏感度。然后在初始的感兴趣区域内,基于运动区域异常显著性的特点,分割出最感兴趣的区域。为了使得分割出来的运动区域不至于产生较多的空洞和断裂,引入欧氏距离的基于彩色信息的差值模型:
其中ft(x,y)为区域内运动过程中第t帧图像(x,y)坐标处的颜色值,b(x,y)为模板图像(x,y)坐标处的颜色值,mtr,mtg,mtb分别为第t帧图像在(x,y)坐标处的红,绿,蓝分量和模板图像的红,绿,蓝分量的差。将结果图像二值化,分割出第t帧中的运动区域St。经过多帧分割,并且将每一帧分割的结果进行叠加,当叠加的结果趋于稳定时,迭代结束,此时分割出来的即为最感兴趣的运动区域S,并在系统内部给此区域设定一个高的敏感度,定义下式(2)表示:
2 异常的判断过程
摄像头抖动和光照的变化是影响异常判断的两个主要原因,为了得到正确的异常判断结果,依次消除抖动和光照变化的干扰再作异常决策是必要的。
2.1 基于投影的分块快速匹配法消除抖动
本文对分块模板匹配法进行改进,在区域运动矢量估算时以投影法代替匹配法,并在保证运动估算准确性的基础上,对投影运动矢量计算进行了速度上的改进。改进后的基于投影的分块快速匹配法的思路如图2,具体步骤如下:
1)图像分区。分别对模板图像与待检测图像分区,如图5(a)和5(b)所示。区域大小应当适中,划分过大会使得区域内的旋转运动不能被忽略;而划分过小,投影曲线变化量不够,会降低运动矢量估计的精度。
2)区域灰度投影。在模板图像和待检测图像的每个子区域做水平和垂直方向的灰度投影,具体的投影变换公式如(3)所示:
其中cur(i,j)表示子区域(i,j)处的灰度值,row(i)、col(j)分别表示子区域的第i行、第j列所有像素点的灰度和。图3为模板图像和待检测图像中左上角坐标为(64,128),大小为32像素的子区域的水平和垂直投影曲线。
3)子区域快速运动矢量计算。将待检测图像的行、列投影曲线与模板图像中对应子区域的行、列投影曲线作相关运算,根据两条相关曲线的谷点确定水平、垂直方向上的位移矢量。其中列投影互相关运算公式如下:
其中1≤i<2m+1,g(j)、gi(j)分别表示待检测图像和模板图像子区域内第j列的投影,j的取值范围为投影区域的列数d,m为运动矢量的最大偏移值。设Imin为c(i)最小时i的取值,则待检测图像子区域相对于模板图像在水平方向上的位移为:
该过程如图4,计算结果如图5(c)中的白线所示。
4)全局运动矢量计算。得到待检测图像各个子区域
相对于模板图像的运动矢量后,利用摄像机的6参数仿射模型和最小二乘法,求出待检测图像的当前全局运动矢量。根据局部运动矢量应该反映全局运动矢量的原理,将当前全局运动矢量和子区域运动矢量对比,差值大于设定阈值,则认为该子区域存在异常或者灰度层次和结构过于简单,舍弃该区计算结果,图5(c)中的红线表示该点的当前全局运动矢量,红线与白线的不一致反映出该点所在区域发生了异常或者灰度层次和结构过于简单。由于子区域较小,因此大部分子区域的光照变化可近似看作是灰度的整体提升或者降低,不会影响子区域运动矢量的计算结果。用剩余子区域的运动矢量精准计算全局运动矢量。
5)运动补偿。待检测图像到模板图像的全局运动参数描述了两者之间的运动位置关系,利用此参数可将待检测图像变换至模板图像坐标系实现运动补偿,从而达到消除待检测图像与模板图像间抖动的目的,消除抖动后的效果如图5(d)。
2.2 多项式拟合消除光照变化的影响
光的反射、遮挡、物体的运动都会引起环境光照的变化,导致待检测图像感兴趣区域的光照分布发生变化,造成系统对异常的误判。本文选用多项式拟合的方法来消除光照变化的影响,设计思路如图6,具体步骤如下:
1)将待检测图像与模板图像以R分量相减。以工业主板为实验对象,其中模板图像如图7(a),待检测图像如图7(b)。在相减的结果图像7(c)中,仅受光照变化影响的地方灰度缓慢变化,而真正有问题部分的边缘灰度是突变的,内部也是缓慢变化的。
2)应用在空域和频域都最佳的高斯滤波器来分割单纯的光照变化部分和有问题部分。高斯函数的二维分布表示为:
其中σ为高斯分布的空间尺度因子。高斯函数对相减得到的结果图像f(i,j)的滤波表示为卷积形式:
在光照减弱的情况下,f-fg大于零的位置为图像f(i,j)中有问题部分的边缘,小于零的位置为光照变化部分,而光照增强的情况恰好相反。通过水平扫描整幅图像,以有问题部分的边缘为分界线分割出光照变化部分并标记为1,有问题部分标记为2,无任何变化部分标记为0。如果没有标记为2的点,则可判定无异常发生,3)、4)、5)以及后续步骤就不必再执行了。
3)光照变化部分选取均匀分布的样点。将标记为1的点的坐标及其R分量作为元素保存到一个向量中,然后运用随机取样的办法,选取空间位置均匀分布的足够多的样点,作为多项式拟合的基础。每次选取一个样点后就将该样点元素和向量搜索范围内的最后一个元素交换,并将下次随机取样的向量搜索的范围向前减1。
4)多项式拟合有问题部分的光照变化。本文选用了二次多项式的形式:
该表达式有6个参数,但是为了得到较好的拟合结果,实验选取了均匀分布的能足够代表光照变化情况的样点。在多项式的系数求出之后,将有问题部分的各个像素坐标代入(8),得到各像素R分量的光照估计值。对图7(c)中感兴趣区域有问题部分的光照变化拟合后的结果如图7(d)所示。
5)消除有问题部分的光照变化。将待检测图像中有问题部分的各像素的R分量值减去相对应的R分量的光照估计值,其结果7(e)作为异常判定的依据。
2.3 基于加权多区域差分矩阵的异常判定
消除光照变化的影响后,接着就可以对待检测图像进行精准的异常判定了。考虑到可能存在多个感兴趣区域,且各个区域的敏感度也可能不同,因此本文采用基于加权多区域差分矩阵的方法,根据各个感兴趣区域内的灰度变化量和不同的敏感度来综合判定当前是否有异常发生。该方法如公式(9)和(10)所示:
其中0≤Ci≤1,Si表示第i个感兴趣区域,Ts(i)表示第i个感兴趣区域内所有像素的灰度变化量的绝对值之和,Ci表示第i个感兴趣区域的敏感度,T表示Ts(i)上加权运算的结果,grayik(x,y)表示在待检测图像的第i个感兴趣区域的(x,y)处的灰度值,grayi(x,y)表示在模板图像的第i个感兴趣区域的(x,y)处的灰度值。同时,在所有初始四边形区域内部的运动区域是敏感度最高的感兴趣区域,它的敏感度是所有Ci中最大的。
当T大于系统内部设定的固定的阈值T0时,则系统判定感兴趣区域内有异常发生,同时在界面上显示异常发生的具体位置;否则判定感兴趣区域内没有异常发生,系统进入下一个检测周期。
3 实验与总结
实验的视频图像采集于用模具生产产品的工业场景,图像的分辨率为640*480。首先人为设定监控的感兴趣区域及其敏感度,如图8(a),并在此基础上多次应用欧氏距离的基于彩色信息的差值模型来分割最感兴趣的运动区域并给它设定一个较高的敏感度,如图8(b);然后在消除可能发生的抖动和光照变化的影响后,使用基于加权多区域差分矩阵的方法进行异常的判断。如果有异常发生,则在界面显示异常的具体位置,如图8(c)和8(d)。
通过工业现场2000个小时对异常检测系统的测试,得出结论:本系统有较好的消除抖动的能力,在有光照变化影响的情况下,能正确地判断异常的发生,实验效果良好。
在产品和模具异常检测的应用上,该方法保持着99.9%以上的准确率,能正确检测出不合格的产品,及时发现模具表面的残留物并处理,避免模具受损,为企业节省了人力和开支。
4 结束语
本文提出的基于投影的分块快速匹配法与分块模板匹配法相比,效率要高很多,与灰度投影法相比,它能完全消除旋转的影响;多项式拟合的方法实验效果和双立方插值法差不多,但效率明显高于top_hat变换法和双立方插值法。实验结果表明:该异常检测方法执行速度快,能较好地适应工业异常检测系统实时性的要求,能消除抖动和光照变化的影响,异常检测的正确率很高。
摘要：在工业、军事等领域,有时需要检测图像感兴趣区域是否有异常发生。而抖动和光照变化都会导致异常的误判,消除它们实现精准的异常检测是一个难题,为此,提出一种解决办法。该方法使用基于投影的快速分块匹配来消除待检测图像与模板图像间可能存在的抖动;接着多项式拟合有问题部分的光照变化来消除其影响;最后基于加权多区域差分矩阵进行异常的判定。研究结果表明:此方法能精准地检测到图像感兴趣区域内异常的发生。
关键词：异常检测,块匹配,多项式拟合,加权多区域差分矩阵
参考文献
[1]WANG Xiao-yong,LI Qi,XU Zhi-hai,et al.Real-time digital image stabilization system based on gray Projection algorithm[J].ActaPhotonica Sinica,2006,35(8):1268-1271.
[2]SUN Hui.Fast gray projection algorithm and its application to electronic image stabilization[J].Optics and Precision Engineering,2007,15(3):412-416.
[3]CHANG Hungchang,LAI Shanghong,LU K R.A robust real-time video stabilization algorithm[J].J.Vis.Commun.Image R,2006,25(17):659-673.
[4]JACKWAY P T.Improved morphological Top-Hat[J].IEEE Electronics Letters,2000,36(14):1194-1995.
角误差检测特性的自适应修正 篇7
天线的角跟踪误差检测 (简称ATED) 分系统由天线、馈源、跟踪接收机组成, 该分系统与伺服分系统一起构成角跟踪系统。事实已经证明, 由于工作条件的变化, ATED参数也是一组变量, 参数的变化给系统的设计和调整都带来很多困难。为了寻求一种可靠而简便的保证ATED特性的方法, 我们提出过一种简单实用的软件方法对ATED特性进行修正[1], 然而文献[1]中的方法对跟踪过程中ATED参数的变化仍然是无能为力的。所以我们有必要对该方法做进一步的改善, 使之能够使用跟踪过程中ATED参数的变化。
本文将通过实验结果验证ATED参数随信号强度AGC变化的事实, 并采用自适应修正前后系统跟踪误差的比较结果。
2 ATED在跟踪性能中的作用
任何一种ATED体制在一定程度上都有零点偏移和交叉耦合[2]。在单脉冲跟踪系统中, 相位不平衡引起静态零点偏移。次偏移直接造成系统跟踪误差, 并在规定的总误差中占相当大的比例。目标回波能量的交叉极化在跟踪系统中引起交叉耦合, 即方位 (俯仰) 支路的角误差引起俯仰 (方位) 误差检测支路有输出。
误差斜率对系统精度、动态性能、甚至系统稳定性的重要作用, 把次影响归结为一个与无交叉耦合环路的传递函数串联的附加传递函数。将它们的结果进一步推广, 可以得到更有意义的结论。
设
3 增益排表自适应
文献[1]在假定ATED特性是常数的基础上为出了改特性的修正方法, 假设某雷达的模型表达式为:
希望的误差电压为:
Ua、Ue被送入伺服分系统, 它们既无零偏又无交叉耦合, 如果我们希望修正后的ATED按照希望的偏差率来工作, 只要将该值存入计算机中即可, Ua、Ue由 (7) 式可求得
此结果为调整系统参数带来极大方便。
此法优点是系统对过程参数变化响应快。不需进行实时估值, 到时换上事先算好的参数即可。
4 现场实验
为了检验我们提出的方法的正确性和工程实用性, 我们在两部雷达上进行了实验, 圆锥扫描和多模雷达, 实验结果如图1所示。
从图1可以看出, 当信号电平减小时, 跟踪误差要增大, 但自适应修正要比文献[2]中的定常参数修正要好得多。
5 结论
从实验结果已经看到了所建议的技术的效果, 完成参数估值和制表大约需要10-20分钟, 取决于操作人员的技能和表的细度, 在实时修正阶段, 计算机的运算速度是至关重要的, 我们在实验中采用一个16为微机系统和12位D/A、A/D转换器, 每修正循环约3ms, 这个时延能为大多数雷达所接受。因此我们提出的方法有其广泛的实际工程应用价值。
摘要：角跟踪误差检测器 (ATED) 是雷达自跟踪环路的重要组成部分, 本文采用先估值后修正的方法, 在参数不变时收到了很好的效果, 分析并现场调查了ATED参数随信号电平变化的情况, 提出用增益排表自适应法来处理这种变化。现场试验说明了此法的有效性。
关键词：跟踪性能,ATED,增益排表自适应
参考文献
[1]丁原志、宋晓梅.自跟踪误差检测器特性修正, 第四届全国雷达年会论文集, 677-681, 长沙国防科大, 1987 (11) .
[2]Li D Y, Huang Y L, Yang J Y.Real Beam Radar Imaging Based on Adaptive Lucy-Richardson Algorithm[A].Chengdu:IEEE, 2011:14-17.