脉冲耦合神经网络（精选7篇）
脉冲耦合神经网络 篇1
0 引言
图像分割是图像分析的关键步骤,它是指将图像中满足灰度、纹理、色彩的相似性准则的区域分开。传统的图像分割方法可分为基于阈值的图像分割[1]、基于梯度的图像分割、利用区域增长进行图像分割等。由于图像的灰度会受到光照、物体反射面的反射特性或者可视面的方向等的影响,目前还没有一个通用的图像分割方法和评判分割结果的客观标准。Hung在文献[2]中详细地介绍了图像分割中遇到的各种困难。PCNN[3,4]处理图像具有旋转不变性、强度不变性、尺度不变性、扭曲不变性等特性,并且考虑了邻域像素对其的影响,故抗噪能力明显增强;同时采用PCNN进行图像分割完全依赖于图像的自然属性,不用预先选择处理的空间范围,是一种更自然的方式;通过调节神经元的链接强度,可方便地对图像进行不同层次的分割,且分割速度很快,因本文研究基于PCNN的图像分割。
1 PCNN原理
PCNN神经元结构见图1所示,包括:接收域、调制域、脉冲发生器三部分。
从该模型建立以下的数学表达式:
Fij[n]=exp(-αF)Fij[n-1]+
VF∑MijklYkl(t)+Sij (1)
Lij[n]=exp(-αL)Lij[n-1]+
VL∑WijklYkl(t) (2)Uij[n]=Fij[n](1+βLij[n]) (3)
神经元通过接收域接受并输入后将其通过两条通道传输:一条通道称为F通道,另一通道称为L通道。F通道脉冲相应函数随时间的变化比L通道慢。i,j表明当前神经元的位置,k,l表明神经元(i,j)受其它神经元影响的范围;式(1),式(2)中的Wijkl与Mijkl表示突触联接权;αF与αL为时间常数;Sij表示输入常量(这里为图像像素矩阵中第i行第j列的灰度值);调制部分将来自通道L的信号Lij加上一个正的偏移量1后与来自F通道的信号Fij进行相乘调制。图1偏移量归整为1,β为联结强度。由于信号Fij的变化比信号Lij慢,相乘调制得到的信号Uij就近似为一快速变化的信号叠加在一近似常量的信号上。脉冲产生部分由阈值可变的比较器与脉冲产生器组成:当脉冲产生器打开时,其发放脉冲的频率是恒定的。当神经元输出一个脉冲,神经元的阈值就通过反馈迅速得到提高。当神经元的阈值Tij超过Uij时, 脉冲产生器就停止发放脉冲。然后阈值开始指数下降,当阈值低于Uij时,脉冲产生器打开,神经元被点火处于激活状态,输出一个脉冲或脉冲序列。 由此可知:神经元输出脉冲的最大频率不能超过脉冲产生器产生脉冲的频率。
式(5)中VT与αT分别表示阈值的幅度系数与时间常数。若神经元每次点火时只输出一个脉冲,则脉冲产生部分的比较器与脉冲产生器可由一阶跃函数代替。(4)式表示这种情况下的输出。(6)式中的Vθ表示阈值幅度系数,决定迭代计算中只发放一次的条件。为了确保神经元在点火之后不再点火,同时使得外部激励最弱的神经元也能点火,Vθ的值要足够大。αθ决定一个周期中的迭代次数。为了保证θij衰减得足够慢以便能够把相邻的灰度级通过不同的点火时刻区分开来,αθ要充分小。图1为这种情况下的单个神经元模型,将它们相互联接即成PCNN。
2 PCNN图像分割算法
用于图像分割的PCNN是单层二维的局部连接的网络,一个像素对应一个神经元,即神经元的个数等于输入图像中像素点的个数。每个像素点的亮度输入到对应的神经元的F通道,同时每个神经元与其邻域中的其他神经元相连;L通道接受邻域中其他神经元的输出。每个神经元的输出只有点火或不点火2种状态。图像处理时取邻域为3×3。由式(1)、式(2)、式(3)、式(5)可得PCNN中神经元的点火频率为:
从式(7)可知:神经元对应的像素点的亮度值越大神经元的点火频率越高,在开始时就发放脉冲越早。同时通过双通道相乘调制,使邻域中满足一定条件的原先未点火的神经元也发放脉冲,从而使脉冲在整个网络中传播开,这就是 PCNN 的脉冲传播特性。利用该特性可有效地进行图像处理,如图像去噪、图像分割、图像的阴影去除、图像的边缘提取等。如果一个神经元点火而大多数邻近的神经元不点火,则其对应像素点的亮度应降低;如果一个神经元不点火而大多数邻近的神经元点火,则其对应像素点的亮度应增加;其他情况下像素点的亮度不改变。
PCNN用于图像分割时,图像中亮度值较高的神经元先点火发放出脉冲,捕捉到它们邻域内的输入亮度值相似的还未点火的神经元使得它们也发放出脉冲,继续进行捕捉的过程。当捕捉过程结束时,就分割出一块区域。PCNN分割图像时,既考虑到图像中同一区域内像素点亮度之间的相似性,又通过其脉冲并行传播特性自如地利用到图像中像素点之间的空间位置关系。本文算法的实现过程如下:
①设置 PCNN参数的初始值。
②设定迭代次数,对于每一次迭代计算式(1)-(6)的值得到PCNN各神经元的点火状况。
③将点火的神经元对应的像素作为目标,未点火的神经元对应的像素作为背景。
④取PCNN点火图作为最终分割结果。
3 实验仿真
本文在MALAB7.0上对128×128的Lena图像和138×152的肝癌HepG2细胞图像进行分割。首先利用本文算法对图像进行分割。实验证明,选择参数为:αF=0.09,αL=0.31,αT=0.19,VF=0.11,VL=0.22,VL=22,β=0.1,Vθ=256时得到的分割效果最好,结果如图2(b)和图3(b)所示。再将图像采用传统的Otsu方法分割,结果如图2(c)和图3(c)所示。
4 结束语
通过比较两种方法的分割结果可知,本文提出PCNN的图像分割方法可以充分利用PCNN在图像处理中的优越性获得视觉效果较好的分割图像,并且分割效果优于传统的Otsu方法;同时由于 PCNN 是一个单层神经网络模型,图像处理速度比较快,适合于实时图像处理。
摘要：提出了一种基于脉冲耦合神经网络的图像分割方法。在每次迭代时将脉冲耦合神经网络点火的神经元对应的像素作为目标,未点火的神经元对应的像素作为背景。实验结果表明该方法能在图像分割获得很好视觉效果的同时提高图像分割的速度。
关键词：图像分割,脉冲耦合神经网络,点火图
参考文献
[1] Yen J C, Chang F J, Chang S. A New Criterion for Automatic Multilevel Thresholding[J].IEEE Trans. on Image Processing, 1995(4):370-378.
[2] Hung C C. Knowledge-based image segmentation[D].Dept. of Computer Sci.,Univ. Alahama,Huntsville,1990.
[3] Johnson J L,Padgett M L.PCNN models and applications[J].IEEE Trans. on Neural Networks, 1999,10(3):480-498.
[4]Kuntimad G,Ranganath H S.Perfect image segmentation using pulse coupled neural networks[J].IEEE Trans.on Neural Net-works,1999,10(3):591-598.
脉冲耦合神经网络 篇2
图像分割是图像理解及图像分析的基础。图像分割的目的是将图像分成各具特性且互不相干的区域,并将其中感兴趣的区域提取出来[1,2]。脉冲耦合神经网络(pulse coupled neural networks,PCNN)是一种不同于传统人工神经网络的新型神经网络,它源于生物学,是根据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象而提出的神经元模型[3]。PCNN作为新一代神经网络,已广泛应用于图像分割、图像去噪、边缘检测、图像融合、特征提取等图像处理[4]。特别是在图像分割应用中,PCNN能较好地分离目标和背景部分的重叠[5],也能处理目标内部较小的灰度变化和空间不连贯等问题,但是这些特性都依赖于PCNN模型中的参数设置,参数设置的合理性决定了PCNN模型分割性能的优劣,且针对不同图像需要选择不同的参数,这样在很大程度上限制了PCNN的应用。鉴于此,本文对PCNN模型进行改进,利用图像本身的信息自 适应设置改进PCNN的参数,利用改进模型进行图像分割,并利用最大二维Tsallis熵准则确定分割结果。
1PCNN模型
PCNN不同于传统的人工神经网络,它是由横向脉冲耦合神经元链接构成的单层神经网络,并且不需要任何训练。当PCNN用于图像处理时,其神经元 个数与输 入图像中像素点个数相等,神经元与像素点一一对应。
Johnson[6]提出了脉冲耦合神经网络模型,Lindblad[7]和Kinser在该模型的 基础上进 行了线性 化和离散 化处理,得到了传统的PCNN模型,可描述成离散的子系统模型,用数学方程式(1)~(5)式来描述。
该模型由3个部分组成:反馈输入域、耦合连接输入域、脉冲产生域。其中,式(1)为反馈输入子系统模型;式 (2)为耦合连接子系统模型;式(3)为调制子系统模型;式 (4)为点火子系统模型;式(5)动态门限子系统模型,神经元Nij在神经网络中的坐标为(i,j),其在第n次迭代时的输入为反馈输入Fij[n]和连接输入Lij[n]。通过连接权系数M、W将神经元与邻域神经元相互连接,分别通过指数衰减项来保持前一次的反馈输入和连接输入。Sij表示图像输入,一般用灰度值表示。反馈输入和连接输入通过连接系数的调节作用产生内部活动项Uij[n]。与动态阈值Eij[n-1]相比较,如果内部活动项Uij[n]大于动态阈值则神经元Nij点火(Yij[n]=1),否则不点火(Yij[n]=0)。如果神经元Nij点火,其动态阈值就增加VE,如果神经元Nij未点火,其动态阈值就要按进行指数衰减。其中,参数VF、VL和VE分别为反馈输入F、连接输入L和动态阈值E的固有电势;αF、αL和αE分别为反馈输入F、连接输入L和动态阈值E的指数衰减系数。
2改进的PCNN模型图像分割算法
2.1改进PCNN模型及参数设置
传统的PCNN模型利用了生物神经元的激活特性及阈值指数衰减特性,尽管按照指数衰减的阈值变化规律, 符合人眼对灰度响应的非线性要求,但图像分割的目的是区分目标和背景,而不是视觉清晰。故没有必要采用阈值指数衰减函数进行图像分割[8],本文对其作出相应改进, 采用线性衰减函数。式(6)~(10)为改进PCNN模型。
改进模型在原来的反馈输入域中通过权重M连接邻域神经元,从而提升灰度值较低的神经元的反馈输入,且对于高灰度值的噪声具有一定的抑制作用,耦合连接输入域通过权重W连接邻域神经元。对于邻域像素对中心像素的影响,除考虑其空间距离外,还应考虑像素间的灰度差异,即邻域像素空间距离越近、灰度差别越小,其权值应越大,反之权值应越小。故取:
其中,S(i,j)为当前像素,其邻域大小为k×l,空间距离dspace(i+k,j+l)=max(|k|,|l|),灰度距离dgray(i+k,j +l)=|S(i,j)-S(i+k,j+l)|。f为模糊化参数,取值为2。
连接强度β决定了PCNN的捕获域,β值越大,同步脉冲发放的区域就 越大,捕获的神 经元的亮 度范围就 越大。在传统的基于PCNN的图像融合 中,所有神经 元的链接强度都取相同值。但在人眼视觉系统中,视觉对于特征明显区域的反应比特征不明显的区域反应强烈,不可能每个神经元的链接强度都相同,因此PCNN中神经元 链接强度的取值与对应像素的特征有一定的关系。标准差反映了图像灰度局部的对比度变化程度,在标准差大的地方,图像灰度变化较大,因此采用图像的局部标准差作为 β的取值。阈值线性衰减常数 ΔT值过大,分割精度会变差,过小影响算法的执行效率;为了保证点火后的像素点不再点火,VE取足够大。
2.2最大二维Tsallis熵准则
熵是图像统计特性的一种表现形式,反映了图像包含信息量的大小[9]。但熵所具有的扩展性使得图像分割过程时忽略了目标和背景概率分布之间的相互关系,造成分割结果不准确。Tsallis熵是熵的一种推广形式,它引入参数q度量系统的不可扩展性,能够描述具有长相关、长时间记忆和分形结构的物理过程,解决图像区域间相关性而产生的不独立部分的熵表示问题。图像分割的熵准则就是借助熵对事物信息量的数理异同性测度能力,构造不同的熵函数以帮助确定最优图像分割结果。Tsallis熵定义为:
其中,n是系统可能的状态数目,实数q衡量系统的不可扩展程度,一般情况下,q=0.8。
如果直接利用图像直方图求出Tsallis熵,虽然比熵 好,但由于直方图仅考虑灰度信息,所以图像分割容易产生边界断裂、欠分割等缺陷。所以考虑二维直方图不仅包含灰度信息,还包含空间信息,将Tsallis熵推广到二维。 传统二维直方图的横纵坐标分别采用像素的灰度级f(m, n)和邻域平均灰度级g(m,n),它反映了图像中 (f(m, n),g(m,n))发生的联合概率,未考虑灰度级的变化, 故采用像素的灰度级f(m,n)和梯度|f(m,n )-g(m, n)|的形式构建二维直方图。得到图像二维直方图,表达式为:
假设图像已分割为目标集合O与背景集合B,则其二维Tsallis熵定义为:
式(12)中,Sq(O)和Sq(B)分别为目标和背景的Tsallis熵。
式(15)、(16)中hij(O)、hij(B)为集合O、B相对应的二维直方图。
2.3算法步骤
Step1:初始化改进PCNN网络。根据前文提到的参数自适应设置方法,设置PCNN模型的初始化参数,M、W用式(11)进行初始化,β设置为图像的局部标准差,ΔT为图像的最大值减去最小均值除以迭代次数30。
Step2:将待分割图像的灰度值Sij通过M进行加权后作为外界刺激信号输入到网络,连接输入Lij(1)=0。
Step3:计算神经元的内部行为Uij,神经网络 每迭代一次根据式(8)对其进行更新,将U和E进行比较,判断神经元是否点火并更新Y,对输出结果进行累加并保存为Ysum,即当神经元点火后其在此后的迭代中均保持点火状态。
Step4:根据点火情况调整动态阈值,利用式(10)对动态阈值Eij进行调整。并计算Ysum的二维Tsaillis熵,若此时二维Tsaillis熵最大,则执行下一步,否则跳到Step1。
Step5:此时得到最大的二维Tsallis熵,输出Ysum作为输出结果即此时为最优分割结果。
3算法仿真实验结果及分析
为验证本算法的有效性和实用性,用matlab开发工具对本文方法进行仿真实验,并与公认较好的Otsu阈值分割方法以及传统PCNN分割方法进行对比,同时用性 能测试标准来说明本文模型的分割性能。
在Lena图上用不同方法分割所得结果如图1所示。 可以看出,基于最大二维Tsallis熵和改进PCNN的分割结果中,目标轮廓清晰完整,保持细节的同时能够很好地去除背景杂波。在飞机图上用不同方法分割所得结果如图2所示,飞机图具有低对比度、高复杂背景的特点,用本文方法分割出来的结果,能够很好地滤除复杂背景,保持目标轮廓的完整性,且目标细节较为清晰。
在汉字图像上,对加入高斯噪声的图像用传统PCNN和改进PCNN进行图像分割所得结果如图3所示。可以看出,相对与传统PCNN分割,本文方法具有一定抗噪能力,且分割出来的图像清晰,目标轮廓较为完整。
4结语
由于传统PCNN模型的复 杂性,以及网络 中众多参 数设置合理性决定了PCNN模型分割性能的优劣,且对于不同图像需要选择不同的参数,这样在很大程度上限制了PCNN的应用。本文对传统PCNN模型进行改进,并根据图像本身的信息自适应的设置改进PCNN的参数, 提出了一种改进的PCNN图像分割算法。该算法弥补了传统PCNN的不足,充分体现了PCNN在图像分割上的优势。实验结果表明,该算法对于具有复杂背景图像具有有效性,但是对于具有复杂纹理背景的图像分割还有一定不足,需要进一步研究。
摘要：针对传统脉冲耦合神经网络图像分割需要人工多次调整网络参数的问题,提出根据图像本身信息的自适应参数设置方法。并对传统脉冲耦合神经网络进行改进,利用改进的脉冲耦合神经网络进行图像分割,并利用最大二维Tsallis熵准则自适应确定分割结果。仿真实验结果表明,该方法能获得视觉效果较好的分割结果。
脉冲耦合神经网络 篇3
关键词：脉冲耦合神经网络,PCNN模型,图像处理
0引言
人工神经网络能在一定程度上模仿生物神经系统的智慧和功能,在信息处理和智能科学中有着极其重要的地位。随着生物神经学的研究和进展,一种被称为第3代人工神经网络的新型人工神经网络模型———脉冲耦合神经网络模型(PCNN)的研究悄然兴起。该网络不同于传统人工神经网络,有着生物学背景,是依据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象提出的[1]。
PCNN由变阈值非线性动态神经元组成,具有许多独特的优良特性[2]:时空总和特性、动态脉冲发放特性和同步脉冲发放引起的振动与波动等特性。 正是由于PCNN的这些特性,使得对PCNN的研究不仅具有重要的理论意义,而且具有非常广泛的应用前景。其应用领域涉及图像处理(滤波、分割、融合等)、图像目标识别、图像理解、强时变信号处理 (如运动目标识别)、人工生命、注意、决策优化、通信等,并且这些应用正逐步受到国内外广泛重视。顾晓东、余道衡等 在2003年对其工 作组在将PCNN用于图像去噪、分割、边缘检测和阴影去除的成果作了总结[3]。但近年来,对PCNN用于图像处理方面的研究成果颇多,且方法各异,因此文章对这些方法作出全面的总结,以期对同行有所帮助。
1PCNN简介
从20世纪90年代开始,由Eckhorn等对猫的视觉皮层神经元脉冲串同步震荡现象的研究,得到了哺乳动物神经元模型。对Eckhorn提出的模型进行一些改进,就得到了脉冲耦合神经网络模型[4]。
构成PCNN的单个神经元由3部分组成:分支树、链接器和脉冲产生器。模型如图1所示。
Lj,Yj,Uj为神经元j的外部刺激(输入)、输出和内部行为。分支树中有2个分支,馈送输入Fj和链接输入Lj,他们分别以相对较小/较大的时间常数τF/τL对神经元j某邻域内的其他神经元的输出进行漏电容积分加权和,此外Fj还接受该神经元的外部刺激Ij。链接器以乘积耦合形式构成神经元j的内部行为Uj。脉冲产生器由对网络输出进行漏电容积分的变阈值特性(起到激活该神经元的作用) 和硬限幅函数(起到抑制该神经元的作用)组成,脉冲是否产生取决于内部行为大小能否超过其激发动态门限,且此门限值随着该神经元输出状态的变化发生变化。当阈值θj小于Uj时,神经元被激活(即输出Yj=1),称之为点火1次,紧接着因为输出端对阈值的反馈使得阈值θj突然变高(通常Vθ取值大),神经元又被抑制(即输出Yj=0),从而在神经元输出端产生1个脉冲信号,此脉冲信号经过加权再链接到相邻神经元的输入端,从而影响这些神经元的激发状态,故该网络称为脉冲耦合神经网络。 PCNN的神经元j的离散方程形式为:
2PCNN在图像处理中的应用
当PCNN用于图像处理时,它为一单层二维的局部连接的网络,神经元的个数等于输入图像中像素点的个数,神经元与像素点一一对应。每一个神经元与对应的像素点相连,同时与邻近的神经元相连,同时将PCNN基本模型作如下简化:
在各个神经元不相链接的情况下,越亮像素对应的神经元越先点火,且点火频率越高,在亮像素产生脉冲的过程中,点火的神经元会通过与邻域内相邻神经元的相互连接作用激励邻近的神经元点火, 邻近的神经元点火后又会 激励其邻 近的神经 元点火,从而在激活区中就会产生一个自动波向外传播。 如果有一个神经元集群接近点火阈值,则任一个神经元的点火都会触发整个集群的集体点火,这也就是PCNN的脉冲传播特性。
PCNN用于图像处理时,虽然针对不同的图像处理问题,具体的算法有所区别,但这些算法都用到了PCNN的脉冲传播特性。PCNN可有效地 用于图像处理的各个方面,从而整个图像处理系统都可用PCNN来构成。用于图像处理的PCNN简化模型如图2所示。
2.1图像去噪
图像去噪的基本方法是通过调整PCNN像素点的亮度来完成的,大多数情况下,被噪声污染的像素点的亮度值与周围的像素点的亮度值存在着不同。 因此,大多数被噪声污染的像素点的输出不同于周围的像素点的输出,如果一个神经元点火而大多数邻近的神经元不点火,则其对应像素点的亮度应降低;如果一个神经元不点火而大多数邻近的神经元点火,则其对应像素点的亮度应增加;其他情况下,像素点的亮度不改变。研究表明,PCNN去噪时,合适地选取参数,可很好地缓解中值滤波中存在的丢失脉冲跳跃信息的问题与均值滤波中存在的图像模糊的问题。
文献[5]将PCNN与中值滤波结合起来进行脉冲噪声滤波器的设计。利用受干扰的像素灰度值与周围其他像素差异性大的特点,先用简化的PCNN模型对图像进行预处理,找到噪声点的具体位置,再采用中值算法恢复像素灰度值。该方法只对噪声点进行处理,很好地保持了图像的边缘细节。
文献[6]利用噪声点与周围像素灰度值差异特性,使噪声对应神经元不会与周围其他神经元同时被激发而输出1。根据每次迭代后输出的0,1样板来按照一定的步长逐次增加或减少噪声点灰度值, 直到与周围其他神经元同步输出脉冲。
文献[7]针对高斯噪声密度大、噪声强度的波动范围较宽的特点,利用PCNN的变阈值特性和脉冲耦合特性,改进Yij(n),并调整影响单个神经元点火时刻的主要参数,从而较好地实现噪声的滤除和边缘的保护,与其他高斯噪声滤波方法相比获得了较高的峰值信噪 比。该方法对 于方差比 较小的情 况下,其优越性更突出。
2.2图像增强
图像增强是指按照特定的要求突出图像中的某些感兴趣信息,以获得更“好”的视觉效果的一种图像处理技术。这种“好”的评价是由图像的观察者给出的,根据人眼视觉的特性,提出了各种基于PCNN的图像增强算法。
对于灰度图像的增强,文献[8]在某种程度上模拟人的主观视觉,把PCNN感知的灰度激励值定义为增强的图像,并通过构造阈值来模拟马赫带的效应, 使图像的边缘变得更清晰,从而达到增强图像的效果,并且文章用边缘检测算子对其结果进行了验证, 该方法是一种基于空域的全局处理方法,同时结合人眼视觉神经细胞的感知特性。文献[9]提出了基于PCNN的局部对比度增强的方法,该方法完全是基于图像本身的自然区域或局部特征进行处理的,即充分利用了图像的灰度特征和空间信息的相关性,使处理的结果更细腻、自然;引进了人眼视觉感知的基本特性,基于此的增强图像能够获得更好的视觉效果;提出了自适应可调的网络参数和感知函数的设计方法, 所以,基于此的图像增强具有自适应的优点。
对于彩色图像增强,由于人眼视觉系统对亮度变化比对色调和饱和度变化更敏感,结合HIS模型的特征,文献[10]提出了在HIS色彩空间上的一种基于PCNN的彩色图像增强算法。该算法能够在平滑图像、突出图像边缘的同时,通过对亮度强度分量的增强处理来改善整幅图像的对比度和动态分布范围,通过对饱和度分量的非线性指数调整来提高色彩的分辨率。
有人将改进的PCNN与Otsu方法结合实现图像的增强[11,12,13,14],改进后所 有PCNN神经元结 构相等,各个神经元中的连接参数是一致的,用改进后的PCNN进行图像去噪处理,继而用Otsu方法根据图像灰度性质自动选取最佳阈值,并对自适应分割后图像进行不同的灰度变换,使图像得到有效增强。
2.3图像分割
因为人工神经网络[15,16,17,18]本身具有的分类属性是实现图像边 缘监测、区域分割 的基础,而PCNN直接来源于哺乳动物的视觉特性研究,与现有任何分割方法相比,有其显著优点。分割时,亮度值大的像素点对应的神经元先点火,发放出脉冲,通过脉冲的传播,使得对应像素点亮度值相似且空间位置相邻的神经元发放出同步脉冲。这样,相似的多个神经元就构成了一个神经元集群,该神经元集群象一个巨大的神经元,同步地发放出脉冲。一个神经元集群对应着图像中相同的区域,不同的神经元集群分别对应着图像中不同的区域。
采用PCNN进行图像分割完全依赖于图像的 自然属性,不用预先选择处理的空间范围,是一种更自然的方式。虽然PCNN不需要训练过程即可实现图像分割,但PCNN需要恰当设置其数学模型中各种门限参数、衰减时间常数、加权因子、连接系数等,才能实现最佳分割。一般获得较好分割效果需实验多次选择这些参数,特别是其循环迭代运算次数的确定是一个难题。而在参数选定情况下,循环迭代次数直接 关系到分 割结果的 好坏。一种基于PCNN图像处理基本模型的方法[19]是:给定PCNN的参数,设定一个很大的迭代次数N,借助于最 大视觉熵值准则在N次迭代中确定最佳循环迭代次数,其对应的输出做为熵最大的分割图像并显示。
文献[20-23]对PCNN图像处理 模型进行 了改进,但其多数并没有使空域相邻或灰度相邻的神经元完全同步,因为被捕获的神经元是下一时刻点火,而先点火的神经元并不能保证在下一时刻仍保持点火 状态。Robert D Stewart等人的改 进模型[24],彻底体现了PCNN的本质,是基于PCNN的区域分割算法研究的方向。该模型引入了一个输出标号矩阵(即赋时矩阵),记录每个神经元在哪个时刻被激发,非常适合于后续的编码或检索工作。同时新模型对每个时刻采取定阈值的策略,并应用2个规则来终止某时刻的耦合影响。
对于绝大多数图像来说,不管采用何种分割算法,一般分割后图像熵值越大,说明分割后从原图得到信息量越大,分割图像细节越丰富,因而总体分割效果也应越好。为控制分割中造成的信息损失,分别将最大香农熵准则、最小交叉熵准则引入基于阈值分割神经元抑制特性的改进型PCNN模型[25,26,27,28],试验表明,模型分割效果精度较高,适应性强,接近最佳分割效果。
PCNN模型中,神经元与其邻域神经元的内部激励和阈值之差变化的激烈程度在一定程度上反映了相应象素点在图像中所包含的信息量。文献[29] 又结合人眼对图像各个区域敏感度不同这一视觉系统特性,提出了基于像素的空间邻近和信息量相似同步发放脉冲的改进型PCNN模型,由于神经元的输出为多值,所以网络的输出为不同信息含量等级的多值分割图像,解决了传统PCNN进行图像分割输出仅为二值图像和不能依据信息量大小对图像进行分割的不足。
后续又出现了将PCNN与类间方差准则相结合的图像分割方法,PCNN基于连通域计算的边缘统计算法的图像分割算法,PCNN与遗传算法相结合的图像自动分割算法等[30,31,32,33,34,35],这些方法均有其优越之处,从不同方面提高了图像分割的效果。
2.4图像边缘检测
边缘是图像的基本特征,反映了目标的重要特征,是图像处理中的重要内容。利用PCNN进行边缘检测是其在 图像处理 中的重要 应用之一。文献 [36]提出一种局域窗口内边缘值的计算方法,将图像的灰度作为脉冲耦合神经网络的输入,然后用相应神经元内部激活和阈 值之差计 算各象素 的边缘值。并用归一化后的边缘值来调制神经元脉冲值, 使得神经元的输出范围为[0,1]。最后利用神经元的同步脉冲发放特性进行图像的边缘提取,该方法在一定程度上消除了噪声的影响,提高了边缘提取的自适应性和准确性;并且引入了图像增强机制,用网络的输出实时地计算更新图像灰度值,从而提高模糊边缘的检测质量。
2.5图像融合
PCNN具有捕获特性,即某神经元点火会造成与该神经元亮度相近的邻近神经元捕获点火,这是一种信息传递和信息耦合的过程。因此,提出基于PCNN的图像融合方法[37,38],基本思想如下:多个传感器可 获得同一 个目标的 多个图像 (图像1, 2,……),选择其中一个图像(如图像1)作为主PCNN的神经元外 部刺激,其他图像 分别作为 各辅PCNN的外部刺激,辅PCNN将本神经网络的信息通过自身点火给予主PCNN对应神经元以激励使其加快点火的 方式耦合 到主PCNN中来。将PCNN迭代较多次,借助反映神经元点火频率的点火次数映射到区间来恢复图像,即得到了融合图像。
多尺度金字塔分解是一种应用广泛的图像分解算法,将图像进行多尺度分解后,处理与人眼视网膜的多通道分解处理规律一致。文献[39]将多尺度对比度金字塔分解与PCNN相结合,提出了一种新型的融合算法。算法对源图像进行对比度金字塔分解,利用PCNN的全局耦合性质和同步脉冲发放特性在对比度金字塔的各层进行对比度选择以实现融合,然后将融合后的对比度金字塔回复成融合图像。新算法利用了源图像的全局特征,符合人的视觉神经系统的生理学特性,实验结果表明了新型融合算法的有效性。
2.6图像阴影去除
图像中的阴影是由于图像中一块像素点的亮度值减小而造成的。文献[40]提出了基于PCNN的图像阴影去除算法,其基本思路是:先用PCNN对原始图像进行分割处理,然后用原始图像除以分割后的图像。这样在相除得到的结果中,既保存了原始图像的信息,又消除了图像中阴影的影响。实验表明该方法有效。
2.7求解最小路径
求解最短路径问题是经典的组合优化问题,是诸多科学的研究热点之一。PCNN其神经元的积分— 点火特性及神经元与神经元输出之间的脉冲耦合特性,使得PCNN具有独特的特性:在神经元上存在自动波。1999年,Caulfield和Kinser(C&K)[41]首次运用PCNN的自动波特性提出了以最小努力找出最短路径的非确定性方法。该方法可以迅速地求出最短路径,但用到的神经元数目巨大,既不适于大型迷宫问题求解,更不能解决赋权图的最短路径问题。
基于自动波的思想,张军英等[42]提出了输出一阈值耦合神经网络 (OTCNN),通过网络 神经元之 间输出与阈值的耦合作用以形成网络中的自动波, 较好地解决了最短路径问题的求解,其最大特点是所需神经元数目少,仅是图中顶点总数,同时神经元结构也比PCNN简单得多,易于软硬件实现。
顾晓东等[43]提出了时 延脉冲耦 合神经网 络 (Delay PCNN,DPCNN),充分利用DPCNN脉冲快速并行传播的特点,迅速地求出最短路径,其所需的计算量仅正比于最短路径的长度,与路径图的复杂程度及路径图中的通路总数无关。计算机仿真结果表明,采用该方法,用少量的神经元就可迅速求出最短路径。
纪其进[44]提出了mPCNN模型,控制自动波的传播时间以模拟路径的代价,该算法适用于求解大规模实时问题,且能一次性求出源点到其他所有目的点的最短路径。实验表明该方法正确,且可用于通信网络的路由选择。
PCNN不仅在上述图像处理方面有应用之外, 还应用于图像编码、图像标定、图像特征提取、语谱特征提取、文字空洞滤波等[45,46,47],这些方法都取得了很好的效果。
3结束语
文章总结了近年来PCNN用于图像处理方面的研究成果,具体阐述了其在图像去噪、图像增强、图像分割、图像边缘检测、图像融合、图像阴影去除、最小路径求解等方面的新算法。研究发现,PCNN可有效用于图像处理,效果优于以往传统方法,且各算法均用到了PCNN的脉冲传播特性,这也是由PCNN直接来源于哺乳动物的视觉特征的本质所决定的。
脉冲耦合神经网络 篇4
参考文献[1]的模糊控制理论优化了AGV引导驱动和模糊预测控制理论,不足之处存在引导偏差放大现象,且柔性程度较低。为了提高柔性程度,参考文献[2]提出了基于视觉的识别导航,柔性程度得到提高,但是图像处理效率较低,导致系统实时性差,进而影响AGV的导向速度和精度。参考文献[3]提出的图像处理算法使识别定位效率有了一定的提高,但是基于PC的实验平台使其在AGV上的开发受到了限制。参考文献[4]提出的神经网络图像算法和并行计算理论对图像处理有指导意义,但和嵌入式图像系统的需求存在冲突。
图像处理技术随着在工业自动化中的深入应用,其高效、实时要求变得越来越苛刻。传统图像处理系统构架在进行高速实时的图像处理时受到了限制,普遍存在实时性不高、系统延时增加等问题。本文以AGV为应用背景,将脉冲耦合神经网络应用在现场可编程门阵列FPGA芯片上改进单纯的DSP图像处理系统[5],FPGA芯片做一级预处理,DSP作二级识别控制处理,采用新型的“双核”构架思路,并有机结合脉冲耦合神经网络FPGA图像预处理算法,解决视觉导航AGV控制系统的实时性问题。
1 双核构架的AGV视觉导航控制系统
双核构架AGV视觉导航控制系统由5部分组成,:控制核心、图像处理器、传感器、驱动器和通信单元[6]。双核构架的AGV视觉导航控制系统结构图见图1。SRAM为静态随机存储器。整个系统依托视觉系统的导引命令实现行走和定位,控制系统利用DMA技术实现核心处理器之间的高速数据传输[7,8,9,10,11]。
基于视觉导航的AGV小车的行走路径通常可采用黑色胶带等材料粘贴地面形成,采用摄像头对AGV的路线进行监控,通过算法控制可以实现AGV小车的任意角度的变向行走。摄像头采用一体式变焦摄像头,输出标准逐行倒相PAL制式的电视模拟信号,模拟信号经过解码芯片TVP5150转换成标准的8位的ITU-R BT.656 YCbCr 4:2:2(720×576)嵌入式同步格式。根据FPGA芯片模拟的I2C接口对TVP5150控制并接收YUV(4:2:2)制式的水平同步、垂直同步、场同步等信号。由FPGA芯片和DSP芯片共同完成视觉处理产生导引控制命令传输给控制核心实现AGV的跟踪行走。
FPGA和DSP芯片设计双循环流水线操作,分别为FPGA图像流水线预处理模块和FPGA与DSP芯片的流水线数据传输模块。利用循环流水线操作分离图像的采集和处理,以达到不间断处理的目的;数据传输的流水线操作实现传输和处理的连续操作。双流水线的协同工作保证了图像预处理的效率。
2 FPGA图像预处理
FPGA图像预处理部分包括图像制式转换、中值滤波、边缘锐化等。脉冲耦合神经网络(PCNN)是通过模拟哺乳动物的大脑视觉皮层中观察到的与特征有关的神经元同步行为而建立的简化数学模型。FPGA并行高速的特点为PCNN建立了一个优异的平台,以改进型PCNN实现图像二值锐化增强为例,FPGA图像预处理流程见图2。
2.1 PCNN算法
PCNN神经元由3部分组成:接收部分、调制部分、脉冲发生部分。其模型如图3所示。
接收部分接收来自神经元外部的输入信号,包括上级神经元的脉冲输出(Y1…Yj),模拟时变信号Ij和常量信号Jj。接收到输入以后通过L和F通道传输,Ij和Jj信号分别送入F和L通道。调制部分将来自L通道的Lj信号加上一个正偏移量后和来自F通道的Fj进行相乘调制。模型中将偏移量定为1,βj为联结强度。Uj输入到脉冲产生部分,Uj和阈值θj比较,根据比较结果输出脉冲。其数学模型方程式如下公式。
其中,β为神经元的联结强度,M和W为馈送域和联接域中神经元间的连接权系数,αF和αL为神经元对其邻域内的其他神经元输出漏电容积分的连接时间常数,αθ为动态阈值函数的衰减时间常数,VF、VL和Vθ为馈送域、联结域和阈值输出放大系数。
将二维的M×N图像矩阵理解为M×N个PCNN神经元模型,每个神经元与对应的像素点相连,同时与邻近的神经元的F通道相连,同时每个神经元与其邻域中的其他神经元相连,其L通道接受邻域中其他神经元的输出,每个神经元的输出只有两种状态,高/低脉冲。输出序列Yn构成的二值图像就是PCNN的分割图像。
2.2 PCNN并行改进
视觉导航AGV系统中标识线会存在磨损、缺陷和灯光阴影等问题,这些因素在图像处理时都将导致噪声。而CCD采集到的图像既要去除噪声,又要保护边缘,对于图像处理来说是两个矛盾的任务,处理不当便经常发生误判。通常噪声分为两种:梯度噪声和尖锐噪声。尖锐噪声是一种孤岛式的极端噪声,对应到图像上就是小面积的高亮或者高暗,对于这种噪声采用区域面积的模糊算法即予以消除。而梯度噪声的消除则相对复杂,本文采用一种梯度算法予以消除。根据PCNN图像分割的处理机制和AGV导航的要求,对算法进行如下并行改进。
定义像素点的k面积最小区域,其矩阵方程为式(6),k定义了最小区域的面积(最小像素点面积)。
定义一个像素点噪声辨别算子Δs。当检测到异常像素点时,按照环形放射路径进行类似像素点辨识,在遇到相同像素点或者区域面积累加结束时停止,如公式(7)所示。
Δs=1-Qij代表迭代中途结束;Δs=1-uij代表区域面积累加结束。Qij为迭代产生的当前像素点,和异常像素点相同为0。
以此判断当前像素点是否为噪声点,当循环运算结束后Δs为1,说明不是噪声点,保持Uij的像素状态。否则将像素点值转化。根据噪声算子对PCNN输出脉冲进行修正,得到公式(8)。
将梯度噪声对应到不均匀照明的图像,如图4 a),采用最优阈值算法的分割结果显示如图4 b)。显然,黑色背景的一些区域被分割成了前景。这种自适应阈值的算法将原始图形细分为次级图形,但是要达到理想的次级图形的大小,每一个次级图形的照明必须是近似的。而AGV视觉图像并不具备这个特点,因此这个算法对于系统来说并不实用。本文介绍一种基于梯度分割不均匀照明图形的算法。采用近似梯度[12]:
对于连续区间Uij其拉普拉斯2U由公式(7)给出。ΔΔ
选择不同的单位冲激阵列就可以构成不同性能的滤波效果,从而使图像得到期望的增强分割,利用输入图像矩阵和滤波因子矩阵作离散卷积得到输出图像矩阵,这里采用滤波因子阵列公式(11)。
根据静态负载平衡策略来设计图像锐化算法和PCNN网络适应算法的并行算法,从输入图像F[0…M-1,0…N-1]变换到输出图像G[0…M-1,0…N-1]工程中,以计算一行输出作为一个子任务。得到N个子任务0,1,…,N-1,而且像素间没有关联。利用FPGA设计n个状态机,计算这个N个任务,设,显然0≤r
共(q+r+1)行数据,根据算法计算出子矩阵Gj[(n-1)q…(N-1)]共(q+r)行结果。将Y'ij以行子阵列注入到Gij中得到n-1号状态机的输出子矩阵如公式(15)。
以此得到n个状态机的综合数据Gij,即为图像锐化结果矩阵。根据图像规模选择并行处理的任务数n,实现效率最优。
3 实验和分析
本文在完成了双核构架的AGV视觉导航控制系统开发的基础上,利用视觉导航AGV实验系统,对提出的PCNN改进算法进行了改进测试实验。表1为不同规模的图像数据各种并行程度下的时间效率。
状态机的数量提高能够调高计算的效率,但并不是比例增加,受多方影响,在增加到一定数量后效率将会下降。而且受FPGA规模的约束,状态机数量也是有限的。
边缘检测示例见图4。根据梯度强化图像分割算法对图4 a)进行二值分割增强得到图4 c),图像的二值噪声得到明显的抑制,梯度变化的噪声干扰被很好的分离,同时图像边缘得到锐化增强。
测试结果显示,在增加FPGA图像预处理模块以后,图像预处理时间为3.5～3.7 ms,识别标志需要1.7～9.0 ms,在25帧每秒的图像捕获率下,在线检测和识别的时间控制在0.3 s以下。时间花费减少25%,运行动态特性得到提高,图像识别的最大系统误差为距离误差±1 mm,角度误差是±2°,地标上线识别效率大于99%。
图5为监控电脑收到的在线实时角度和距离的数据,角度偏差和距离偏差拥有良好的过度效果,即使在变向行驶时依然能够平滑过度。
4 结语
本文采用FPGA和DSP结合的双核体系构建视觉导航AGV控制系统中实时图像处理系统,充分发挥了FPGA的并行速度优势,使图像处理的效率和效果得到了显著的提高;改进的脉冲耦合神经网络图像分割算法和梯度锐化算法进一步提高了图像预处理速度。特别是梯度锐化算法能够在照明、路径标示出现变化的情况下发挥作用,进而提高了系统的可靠性,降低了对环境的要求和设备的投资。在此基础上开发的嵌入式图像处理系统具有体积小、效率高、低噪声等优点,可充分满足视觉导航AGV的应用需求。
参考文献
[1]史恩秀,黄玉美,郭俊杰,等.自主导航小车(AGV)轨迹跟踪的模糊预测控制[J].机械科学与技术,2008(5).
[2]梁潇.基于DSP的视觉传感器在焊接机器人上的应用[J].机器人,2007(9).
[3]刘重晋.一种利用边缘直方图压缩的FCM加速算法[J].机械科学与技术,2008(8).
[4]狄岚,须文波,林意.基于改进型脉冲耦合神经网络的图像增强[J].微计算机信息,2007(6).
[5]李楠,刘源,韩东方,等.基于DM642开发的嵌入式图像系统硬件实现[J].工业控制计算机,2005(8).
[6]张晓辉,刘丁,李攀.基于网络的机器人远程控制系统实现与研究[J].机械科学与技术,2007(6).
[7]Zhang Junyou.The Research of Image Processing Algorithms in AGVS[J].The 2007 International Conference on Wavelet Analysis and Pattern Recognition,2007(11).
[8]赵兴.基于DSP和CPLD的自动烹饪机器人设计[J].机器人,2007(9).
[9]王思为,朱明.基于DM642机器视觉系统的设计与实现[J].微计算机信息,2006,12(2):175-177.
[10]Lazaro J L,Garcia J C,Mazo M,etal.Distributed Architecture for Control and Path Planning of Autonomous Vehicles[J],Microprocessors and Microsystems,2001,25:159-166.
[11]胡天亮.功能分离的嵌入式实时系统设计方法及应用[J].计算机集成制造系统,2008(3).
脉冲耦合神经网络 篇5
随着通信技术的飞速发展,为实现功能的多样化,天线的种类越来越多。在设计天线时,必须考虑电磁干扰对天线性能的影响。电磁干扰可以是人为的,如HEMP(高空核电磁脉冲)等,也可以是自然的,如雷电电磁脉冲等。一般情况下,电磁干扰对系统的影响是短暂可恢复的,但是人为的强电磁脉冲对系统的损伤可能是不可恢复的,因此,为保证设备的正常运作,电磁兼容性预测成为通信系统设计中的重点。
在舰载、机载平台中,线天线是最常见的,对于线天线的分析具有普遍的实用价值。矩量法对分析电大平台具有一定的灵活性和精确性,适用于对短波天线的分析计算。本文基于分域基函数的矩量法,首先计算了短波天线的表面电流与输入阻抗,并将其结果与电磁仿真软件相比较,验证算法的正确性,然后计算了输入激励为HEMP时,与短波天线耦合产生的时域与频域响应。
1 基本理论
1.1 矩量法与基函数
计算电磁场的矩量法是将电场或磁场积分方程离散化的一种数值计算方法[1]。利用矩量法求解电磁问题,关键在于基函数的选取。本文结合所研究对象的特殊性,对不同的子域采用不同的基函数,如图1所示,将要分析的对象分为导线部分、导体部分及连接域部分三个子域。
对于导体部分进行三角面元剖分,采用RWG基函数[2];对于导线采用三角屋顶基函数[3]。对于连接域基函数,最先由Rao提出,并由Costa与Harrington做了修改,这种线面连接基函数可以分为两部分,如图1所示,一部分为导线部分,一部分为导体面部分。式(1)为连接域基函数的一般形式,含义是第n个连接域的基函数。
式中:
式中:αn表示与连接点有关的三角形顶角和,本文的导线处于导体的中间部分,因此值是2π;ρnk=ρnk,ρnk=r-r0,r,r0分别表示三角形内任意点与连接点的坐标;η=A/Ank表示面积坐标,A表示三角形内的点r与顶点2,3组成的三角形面积,Ank是整个三角形Tnk的面积。
1.2 HEMP的数学描述
HEMP是由高空核爆炸产生的强电磁波,能对通信系统造成很大的破坏。2001年国际电工委员会发布的关于HEMP标准,推荐波形为双指数波形近似[4]:前沿为(2.5±0.5)ns,脉冲半峰宽为(23±5)ns,电场强度峰值为50 kV/m,其数学表示式为:
式中:E0=50 kV/m,为电场峰值;α=4×107 s-1;β=6×108 s-1;波形上升时间tτ=2.5 ns;脉冲半峰宽τ1/2=23 ns。其时域、频域波形分别如图2,图3所示。
HEMP的能谱密度(单位:W/m2·Hz):
式中:E(ω)为时域HEMP的傅里叶变换;η=377Ψ,是自由空间波阻抗。
脉冲积累至某一频率ω的总能量为:
由上面计算及图3可得出,HEMP的99%的能量集中于100 MHz以下的频段。
2 数值仿真分析
设在一个10 m×20 m的导体板中心树立一个10 m长的单极短波天线,为验证程序的正确性,首先对天线的表面电流、输入阻抗进行了相应的求解,并将结果与电磁仿真软件FEKO的仿真结果相对比。
2.1 天线特性参数求解及验证
图4是天线工作在15 MHz,30 MHz,45 MHz下产生的表面电流,虚线是FEKO的仿真结果。可以看出,天线上的表面电流按照其输入频率呈正弦变化;图5是天线工作在1~60 MHz下的输入阻抗变化情况。仿真结果显示,本文方法所得的结果与FEKO的仿真结果相吻合,从而证明了本文方法的正确性。
2.2 HEMP对天线的响应
若HEMP入射仰角θ=45°,入射方向角φ=45°,计算得到天线末端的感应电流频域波形,如图6所示。经傅里叶逆变换得到对应的时域波形,如图7所示。
由前面分析计算及仿真结果可以知道,HEMP对平台的响应主要由入射波的频谱决定,因此HEMP对系统的干扰主要集中在100 MHz以下的频率,对于表面感应电流的响应,幅值已经超过100 A,这对系统的物理损伤是非常严重的,因此在设计系统时有必要考虑HEMP的干扰,对系统采取一定的防护措施。
3 结语
本文采用分域基函数的矩量法对导体板上的天线进行了建模及仿真计算,并验证了本文方法的可行性。进而分析HEMP对系统的影响,由仿真的结果可以知道,场强峰值为50 kV/m的HEMP入射到系统上可产生超过100 A的瞬时电流,这样的电流将会对系统造成严重威胁,有必要在设计系统时采取一定的防护措施。
现代舰船、飞机等所处的电磁环境十分复杂,其上的天线数目众多,这使得对系统的电磁兼容性分析也变得异常复杂,本文就最常用的短波天线与电磁脉冲的耦合进行了研究,并验证了算法的正确性,有较强的通用性。在实际系统中都存在大量散射体,而且电磁脉冲的入射也是任意的,对于这样较复杂的系统,可以根据需要选取相应的基函数,分析任意电磁脉冲作用下系统的感应电流及散射场,为系统的电磁兼容性设计提供数据参考。
参考文献
[1]李世智.电磁辐射与散射中的矩量法[M].北京:电子工业出版社,1985.
[2]RAO S M,WILTON D R,GLISSON A W.Electromag-netic scattering by surfaces of arbitrary shape[J].IEEETrans.on Antennas and Propagation,1982,30(3):409-418.
[3]聂在平.目标与环境电磁散射特性建模:理论、方法与实现(基础篇)[M].北京:国防工业出版社,2009.
[4]周璧华,陈彬,石立华.电磁脉冲及其工程防护[M].北京:国防工业出版社,2003.
[5]吴炎惊,万继响,梁昌洪.复杂导体目标上连接有多根天线的矩量法分析[J].现代电子技术,2005,28(4):1-4.
[6]TESCHE F M,BARNES P R.Transient response of a dis-tribution circuit recloser and control unit to a high-altitudeelectromagnetic pulse(HEMP)and lightning[J].IEEETrans.of Electromagnetic Compatibility,1990,32(2):113-124.
[7]EBI HARA Satoshi,HASHI MOTO Yuuki.Mo Manalysisof dipole antennas in crosshole borehole radar and field ex-peri ments[J].IEEE Trans.on Geoscience and RemoteSensing,2007,45(8):2435-2450.
[8]VIPIANA Francesca,PIRINOLI P,VECCHI Giuseppe.Spectral properties of the EFIE-Mo M matrix for dense me-shes with different types of bases[J].IEEE Trans.on An-tennas and Propagation,2007,55(11):3229-3238.
[9]SUNITHA K,THOMAS MJ.HEMP field coupling withburied power distribution cables[C]//Proceedings of 2009IEEEInternational Symposiumon Electromagnetic Compati-bility.Austin,TX:EMC,2009:220-228.
脉冲耦合神经网络 篇6
1 UWB-EMP与天线耦合建模
UWB-EMP与天线耦合系统模型如图1所示, 在这里, 利用CST电磁仿真软件对系统进行建模仿真。在系统中TEM喇叭天线作为为超宽带电磁脉冲的发射天线, 它将UWB-EMP信号辐射到空间中, 然后分析一定距离外的环焦天线的耦合效应。假设, TEM喇叭天线的轴线与环焦天线重合, 且两天线间的距离为R, UWB-EMP信号从TEM喇叭天线辐射出来后, 传播方向平行于yoz面, 且入射波为平行于yoz面的线极化波。电磁脉冲对通信系统的破坏程度主要取决于EMP耦合进入卫通系统的能量大小。对于“前门”耦合, 从天线主瓣耦合进入通信系统的能量可参考Friis公式, Friis公式估算出的耦合能量可以作为判断系统在某一频点上是否损伤或者失效的一个依据[4]。
2 UWB-EMP的时频特性分析
超宽带电磁脉冲是指能量谱密度的-20dB相对带宽大于25%、峰值功率达到兆瓦级别、上升前沿为亚ns或者ps量级的脉冲信号[4]。
一般的超宽带电磁脉冲电场可以用微分高斯脉冲近似表示, 其表达式及时域频域波形均参见参考文献[3]。
3数值仿真分析
3.1天线模型及参数。
环焦天线可以克服喇叭初级馈源引起的遮挡大于副反射面引起的次级遮挡这一不利因素, 因而被广泛的应用于卫星通信地球站[7]。参照文献[6], 计算设计了一个Ku波段的环焦天线, 其结构及相关参数如图1所示。图2分别是该天线在其工作频段上的S参数和增益图。从图2可知:该天线可以很好的工作于卫星通信的Ku波段且在该波段。将该天线的仿真结果与参考文献[7]中实际天线测试结果比较, 该天线性能与实际天线相符。TEM喇叭天线性能如图3所示。由图3及天线的远场方向图性能得出TEM喇叭天线工作频率在1.4～14.5GHz频段范围内。
3.2仿真结果及分析。
设两天线间的距离为R, 激励源为脉冲宽度为0.2ns的单脉冲, 脉冲持续时间为10ns。
3.2.1耦合效应的频域分析。
当R=50m时, 根据Friis公式进行理论计算, 得到天线耦合进入通信系统内部的能量谱密度如图4中虚线所示;图4中实线为仿真得到的能量谱密度。由比较可知, 该天线的工作频段上, 耦合进入天线的能量谱在理论计算和仿真基本一致, 均在-30dBm (约为1×10-3mW) 附近变化。
同时, 由Friis公式可知, 环焦天线耦合得到的能量谱与天线间距的平方成反比, 距离越远, 天线耦合得到的能量越小, 因此要想避免这种危害的产生, 除了使通信天线尽量远离干扰天线, 还应在天线输出路径上采取一些滤波措施, 以尽量减少无用的能量进入系统。
3.2.2耦合效应的时域分析。
当R分别取50m、100m、500m和1000m时, 通过仿真计算, 天线系统耦合得到的电流如图5所示, 由图可知, 在单脉冲激励下, 当距离R分别为不同值时, 耦合得到的时域信号峰值电压如图5所示, 但耦合信号持续时间相同, 均约为3ns。当距离较近时, 耦合到的瞬时大电流, 此时的耦合到的能量会对系统造成危害;根据Friis公式, 当距离大于1000m时, 天线耦合得到的能量已经低于文献[1]所给出的干扰阈值门限, 不会对通信系统硬件造成干扰。因此为了避免这种干扰, 有必要在环焦天线的信号入口进行限压, 限流处理。
4 结论
对卫星通信环焦天线及超宽带天线进行建模仿真, 分析了超宽带电磁脉冲与卫通天线的耦合效应。由仿真结果可知:当距离为50m的单UWB-EMP沿环焦天线的轴线入射时, 虽然耦合进入天线的能量谱密度值不大, 但是耦合瞬时电流峰值很大, 可能会对通信系统造成危害, 随着距离的增加, 耦合电流逐渐减小, 当距离大于1000m时, 天线耦合得到的能量已经低于通信系统的干扰阈值门限, 不会对硬件系统造成干扰。
摘要：针对电磁脉冲对通信系统的危害问题, 研究了环焦天线与超宽带电磁脉冲 (UWB-EMP) 的耦合效应。研究结果表明:宽度为0.2ns的单UWB-EMP信号源沿环焦天线轴线入射, 当脉冲源与天线相距50m时, 耦合进入天线的能量比较小, 但是耦合到的瞬间峰值电流很大, 会对通信系统造成危害。根据损伤干扰相关阈值门限, 当距离大于1000m时, 耦合能量低于干扰阈值门限, 脉冲不再对通信系统产生危害。
关键词：超宽带电磁脉冲,环焦天线,TEM喇叭天线,耦合效应
参考文献
[1]颜克文, 阮成礼, 吴多龙.通信系统在强电磁脉冲环境下的电磁防护[J].装备环境工程, 2008, 5 (3) :76-80.
[2]柴常春, 席晓文, 任兴荣等.双晶体管在强电磁脉冲作用下的损伤效应与机理[J].物理学报, 2010, 59 (11) :8118-8123.
[3]孙博.基于TEM模的高增益超宽带天线研究[D].哈尔滨:哈尔滨工业大学, 2010.
[4]甄可龙, 吕善伟, 张岩.强电磁脉冲对雷达接收机的天线耦合分析[J].河北科技大学学报, 2011, 32 (2) :147-151.
[5]王韶光, 魏光辉, 代平.超宽带电磁脉冲及其对电子装备的影响研究综述[J].军械工程学院学报, 2006, 18 (4) :16-20.
[6]杨可忠.环焦天线的设计[J].无线电通信技术.1992, 18 (2) .
脉冲耦合神经网络 篇7
以周期间歇性供电代替直流加工模式下的连续供电, 使工件发生周期断续的溶解是脉冲电流电解加工的基本原理[1]。当电解加工采用高频窄脉冲电源时, 阳极工件发生频率较高的断续的溶解反应, 加工间隙中的物理化学特性、电场中的电流密度和流场在脉宽间隔区域的恢复改良了电流效率的曲线特性, 加工间隙缩小, 阳极的集中蚀除能力增强, 因此加工精度、表面质量和加工效率得以提升[2]。对高频微秒级脉冲电解加工进行原理探究, 对优化加工过程中的工艺参数及其在精密加工中的应用具有非常重要的意义。
电解加工的数值模拟一直是国内外研究的热点问题[3,4]。早期的仿真研究模拟的基本是电场和流场两个独立的场, 而实际上电解加工呈现出典型的多物理场耦合作用, 在这种情况下如果仅仅进行单物理场的分析计算 (或称为计算仿真) , 不能反映实际加工过程中电场与流场之间的相互作用, 显然得不到与现实情况相近或完全相符的仿真结果。
1 理论背景
电解加工是一项复杂的电化学加工过程, 其中涉及到电场、流场、温度场、化学反应以及结构场之间的交互作用, 为了能够清晰地看出耦合关系, 用有向图表达, 如图1所示, 场与场之间的耦合作用用有向线段来表示, 箭头从源场指向作用场。
1.1 电解加工间隙中的电场特性
假设电解液满足各向同性, 则电场的电位分布应符合拉普拉斯方程;在电解加工过程中, 阳极溶解质量和通过电解池的电量符合法拉第定律。根据欧姆定律, 可用如下的数学方程组来表示电解加工间隙中的电位分布:
式 (1) ~式 (3) 中:ф为电场中各点电位, 通常ф=ф (x, y, z) ;U为阳极表面电位值;n为阳极表面各处的法向坐标;θ为阴极进给速度与阳极被加工表面法向间的夹角;η为电流效率;η0表示θ=0°处的电流效率;i为电流密度, 一般认为, 沿极间间隙中阳极表面的同一法线上各点的i值相同, 可写作i=i (θ) ;i0表示θ=0°处阳极表面法向上的电流密度;κ为电解液的电导率。
1.2 电解加工过程中的间隙流场分析
在电解加工过程中, 阴极析出氢气, 阳极溶解产生电解产物。故在加工间隙中应是气、液、固三相流, 由于电解产物所占的体积比很小, 对电解液电导率和密度的影响亦很小, 因此常将加工间隙中流场近似看作是气液两相流。
为使研究问题得到简化并不失其本质, 可做出如下假设:
1) 两相均匀流型假设。气泡在电解液中均匀分布, 电解液不能压缩, 气相状态变化服从理想气体状态方程;相间无质量变换, 沿流动方向的每一横截面上各相参数分布均匀[5]。
2) 热平衡状态假设。由于电解液流程较小, 忽略电解液的温度变化和温差造成的能量耗散, 假设电解液与两极间的热交换处于热平衡状态, 电解液温度保持恒定。
根据质量守恒定律、动量定理和能量方程, 可得电解加工间隙模型的基本方程组为
以上方程组中:△为电解加工间隙;β为气泡率;u为电解液流速;p为电解加工间隙中的压力;Rg为氢气的气体状态常数;T为电解液温度;ηg为析氢的电流效率;kg为析氢质量电化当量;x为电解液的流程;ρ1为电解液密度;τ为黏性剪切力;UR为加工间隙方向上电解液的欧姆压降;n为考虑气泡率β对电导率影响的指数, 一般从1.5~2中选取, 通常可取1.5。参数下标“0”为间隙进口处参数, 未加下标为流程x横截面上的参数。
1.3 电解加工中流场、电场的耦合关系分析
流场诸多参数中对电解加工的成形规律起主要影响的是电导率, 而电解加工过程中电导率的变化主要受气泡率和电解液温度的影响。气泡是在电场存在的前提下发生电极化学反应生成的。本文研究的脉冲电解加工耦合关系是流场与电场之间的, 电导率作为耦合变量。为简化问题, 忽略温度对电导率的影响, 设定电解液温度为25℃, 则
1.4氢气浓度与电导率的关系公式推导
由式 (5) 可知, 氢气成分的增加会使电导率变小。通过电场模拟分析可得到氢气的浓度, 需要用数值求解的方法计算一定物质的量浓度时氢气的体积分数。假设加工过程中加工间隙的压强大小为P, 则根据理想气体状态方程
式中:V为气体的体积, n为气体物质的量, T为一定环境下的温度, R为气体常数。
2 建模和仿真
2.1 耦合场仿真策略分析
本文选用COMSOL Multiphysics进行电解加工叶片的耦合场仿真。由于所分析的内容涉及电解加工的电场、流场、化学反应和化学反应生成物的传递, 应选择流体模块、电化学模块和化学物质传递模块[6]。
电解加工是一个阳极不断溶解、阴极不断析出氢气的瞬时过程, 本文分析的电解加工是在高频微秒级脉冲电压的情况下进行的, 故应选择瞬态求解。由于电解液在进入加工间隙时有一定的入口压力, 给了流场一个一定的初始速度场和压力场, 为求得这个初始速度场和压力场, 要先进行流场的稳态求解。
2.2 叶片分析模型的建立
叶片采用侧流式叶片双面加工, 同时附加背压, 图2为电解加工叶片的二维示意图, 具有一定压力的电解液从左侧进液口进入加工间隙, 整个加工间隙充满高速流动的电解液。工具阴极外形轮廓、阴极进出液口、工件加工型面和加工间隙构成电解加工中间隙流场区域。
为简化问题, 本文中采用Auto CAD建立了加工间隙区域的二维几何模型, 工件和阴极分别以工件轮廓和阴极外形轮廓表示。所建流场二维模型如图3所示。
叶片模型导入后进行适当的几何模型修复处理并划分网格, 如图4所示。
采用10 k Hz脉冲电源频率 (其方波峰值电压为15 V, 占空比为0.5) 进行电解加工过程模拟。
3 模拟仿真结果对比与分析
为了对比直流电解加工与高频微秒级脉冲电解加工两种情况下加工过程的不同, 本文首先进行了直流电解加工叶片的仿真分析。其他加工参数不变, 电压设为恒定15V。
按式 (9) 计算出相应的气泡率和电导率, 并继续进行下去, 最终得到t=0.01 s时电解液的电导率。以同样的方法得到脉冲电解加工叶片t=0.01 s时电解液的电导率。对数据进行相应的整理后, 分别得到如图9、图10所示的脉冲电解加工和直流电解加工的氢气浓度、气泡率、电导率的变化趋势图。
通过对比图9和图10, 可以看出在脉冲电解加工中每个周期的后半个周期, 加工间隙中的气泡率增加幅度比前半个周期小;相应地, 电导率的降幅也较前半个周期小, 这是脉冲电流的脉冲效应所引起的。在脉间时间段内, 加工间隙的流场得以恢复, 部分气泡被电解液从加工间隙的出液口带离。而在直流电解加工中, 阴阳极电势差恒定, 阴极不断析出氢气, 故在所研究的时间段内, 氢气浓度持续上升, 电导率持续减小。在表面质量方面, 一般情况下是表面质量随i的增大而改善。在加工精度方面, 电流密度i的影响是:一定的加工电压和电导率条件下, i越高, 加工间隙△越小, 越有利于提高加工精度。电导率不仅影响电流密度参数, 还与电解加工的平衡间隙息息相关, 而平衡间隙也会对加工精度造成影响。
4 结语
本文综合考虑流场和电场之间的耦合作用, 推导出与生成氢气浓度有关的电导率公式。通过建立电解加工叶片加工间隙区域的二维几何模型, 进行了高频窄脉冲电解加工和直流电解加工叶片的多场耦合数值模拟, 对比结果表明, 脉冲电解加工能够有效削弱由于流场中气泡率的影响造成的电导率变小, 有利于维持稳定的电解液电导率和较高的电流密度, 从而得到更高的表面质量和加工精度。
摘要：与传统直流电解加工相比, 高频窄脉冲电流电解加工在复制精度、重复精度、表面质量、加工效率、加工过程的稳定性等方面均有显著提高, 特别适用于要求高精度和高表面质量的具有复杂几何轮廓零件的精密加工。文中在建立叶片电解加工区域二维模型的基础上, 分别进行了直流电解加工和高频窄脉冲电流电解加工的电场与流场的耦合数值模拟, 对比结果验证了高频窄脉冲电流电解加工较传统直流电解加工的优越性。
关键词：高频窄脉冲,耦合场,数值模拟,电导率
参考文献
[1]徐家文, 云乃彰, 王建业.电化学加工技术——原理、工艺及应用[M].北京:国防工业出版社, 2008.
[2]范植坚, 王天诚.电解加工技术及其研究方法[M].北京:国防工业出版社, 2004.
[3]KozakJ.ComputerSimulationSystemforElectrochemiealShaping[J].Journal of Materials Proeessing Technology, 2001, 109 (3) :354-359.
[4]钱密, 徐家文.数控展成电解加工的阴极结构及流场研究[J].航空精密制造技术, 2003, 39 (2) :14-18.
[5]王建业, 徐家文.电解加工原理及应用[M].北京:国防工业出版社, 2001.