特征性能论文

2024-12-10

特征性能论文（精选8篇）

特征性能论文篇1

0引言

图像特征提取和图像配准是计算机视觉、计算机图形学乃至所有的图像应用的两个重要内容。目标的自动识别是最有价值的应用需求之一,但它同时也最具挑战性。如何选取合适的算法去完成一项特征提取及匹配任务,在很大程度上取决于待配准图像的类型以及各种算法在以下几种图像变换参数下可以获得的匹配点对的数目及准确度 :(1)尺度。计算机需要同时考虑图像在多尺度下的描述,来获取感兴趣物体的最佳尺度 ;(2)遮挡。在这种情况下,三维世界中空间分离的两个物体在被投影到二维平面后,会产生相互的干扰 ;(3)方向。图像相对彼此发生旋转 ;(4)仿射变换。图像的二维坐标与二维坐标之间的线性变换 ;(5)模糊。由于光学系统的装配、拍摄对焦不准或拍摄时移动等均会产生图像模糊 ;(6)光照。光照变化也是在精确特征匹配过程中遇到的典型问题。本文详细对比了五种常用的特征提取算法在以上几种不同场景下的性能,并分析了它们分别可以在哪种环境下提供最佳的匹配结果。

1 特征提取算法

1.1 FAST 算法

FAST(Features from AcceleratedSegment Test) 算法是基于SUSAN(SmallestUnivalue Segment Assimilating Nucleus) 角点检测算法的一种改进。在进行角点检测时,SUSAN使用圆形模板扫描整个图像,比较模板内每一像素与中心像素的灰度值,并给定阈值来判别该像素是否属于USAN区域。式1是在实际应用中比较常用的相似比较函数 :

1.2 SIFT 算法

SIFT(Scale Invariant Feature Transform)由Lowe于1999年提出,并在2004年加以改进并完善。该算法主要包含四个步骤 :(1)尺度空间极值检测 ;(2)关键点定位 ;(3)方向确定 ;(4)关键点描述。尺度归一化的高斯拉普拉斯函数的极大值和极小值同其他的特征提取函数比较,能够产生最稳定的图像特征。Lowe使用更高效的高斯差分算子代替拉普拉斯算子进行极值检测,如下所示。

1.3 PCA-SIFT 算法

PCA-SIFT(Principal Component Analysis - SIFT) 是将PCA这一有效的降维分析方法应用在SIFT特征的描述部分,以减少Lowe的实施方法的计算量。它与SIFT有相同的亚像素位置、尺度和主方向。但在第四步计算描述子的时候,PCA-SIFT使用特征点周围的的像斑来计算它的主元,并用主成分分析方法将原来的维向量降到20维或更低维数,以获得更精确更简洁的表示方式。PCA-SIFT需要更少的存储空间并且在匹配速度上要比SIFT快一个数量级,但它所描述的特征的区分度与SIFT相比要下降了一些。

1.4 SURF 算法

SURF(The Speed-Up Robust Feature Detector) 的提出时为了在特征检测、描述和匹配这三个方面都确保有较高的运算速度。Open CV实现的SURF在适中的条件下完成两幅图像中物体的匹配几乎实现了实时处理。其快速性的基础实际上只有一个——积分图像harr求导。与PCASIFT不同,SURF在提升特征点检测速度时,并没有损失检测到的特征点的鲁棒性。SURF和SIFT算法所采用的特征检测方法略有不同。SIFT利用可变尺度的高斯函数对图像进行滤波并取高斯差分来获得图像金字塔。而SURF在创建新的图像层时并没有对图像进行降采样,从而保持了图像具有相同的分辨率。

1.5 ORB 算法

ORB(Oriented Brief) 是近几年提出的少有的在性能上可以和SIFT或SURF相媲美的新的算法。它是对BRIEF的改进得来的。其中BRIEF是Binary Robust Independent Elementary Features的缩写。这个特征描述子是由EPFL的Calonder在ECCV2010上提出的。主要思路就是在特征点附近随机选取若干点对,将这些点对的灰度值的大小,组合成一个二进制串,并将这个二进制串作为该特征点的特征描述子。BRIEF的优点在于速度,而缺点也相当明显 :不具备旋转不变形、对噪声敏感、不具备尺度不变性。ORB算法解决了上述缺点的前两个。

2 随机抽样一致性算法(RandomSample Consensus,RANSAC)

RANSAC算法根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,从而得到有效样本数据。它于1981年由Fischler和Bolles最先提出。RANSAC算法经常用于计算机视觉中。例如,在图像配准领域中同时解决一对图像的匹配点问题及基本矩阵的计算。将寻找到正确匹配对象的点称为“内点”,产生错误匹配的点称为“外点”。

设算法永远都不会选择到m个点均为内点的概率为1-p :

算法通过重复地从数据集中抽取样本,并估计出一个能够解释或适用于绝大多数内点的模型。

3 实验及结果分析

3.1 评估方法

在本文中,算法的实现是基于OPENCV和VLFeat这两个著名的图像处理库。使用五种经过不同变换的尺寸为512*512的JPG图像,分别从仿射变化、尺度变换、旋转、模糊和光照变化几个角度来比较几种特征提取算法的性能。每一组实验所使用的图像对均由原图和五种变换图像之一组成。实验平台搭建在主频2.2GHz、RAM为2G的32位Windows7系统上。时间评估方法只可以用来显示各种算法在实时性对比上的相对结果。因为图像的尺寸、类型和算法的参数等都会影响到这一结果。

3.2 实验结果分析

本文分别从特征点提取和特征点匹配这两个方面来比较以上五种常见算法的速度和精度。实验分别将五种特征提取算法应用在五组经过不同变换的图像对中。图1显示了利用SURF算法在旋转图像中进行特征点匹配的实验结果。

表1列出5种算法在五组实验中针对不同变换图像对的对比结果,给出从两幅图像中提取的特征点数及所用时间。

在仿射变换环境中,表1数据显示SURF最快而SIFT提取到了最多的特征点。对以上实验数据的总结分析,发现每种算法在不同的场景下所表现出的性能是不同的,因此,有必要根据分析结果去选取适合应用环境的最优算法。

4 结论

不同的应用环境,对算法的稳定性和实时性要求的侧重点也不同。本文实验所得数据及综合评价可以作为选取适用于特定应用环境的算法的有效依据。正因为这些算法在不同的应用环境中体现出的优点和不足,为我们合理地根据实际应用去选择合适的算法提供了依据,也为我们指明了各个算法所需的改进方向。

特征性能论文篇2

在x-t平面建立了脉冲爆震发动机(PDE)爆震室内爆震波传播过程的物理模型,在此基础上应用特征线算法给出了一种脉冲爆震发动机性能参数估算方法,确定了PDE性能参数与结构参数之间的.定量关系,建立了PDE结构参数的设计方法.用算例对不同推力水平的脉冲爆震发动机结构参数进行了设计与分析,为脉冲爆震发动机设计与应用提供理论依据.

作者：陈永刚何立明康强李明奎 CHEN Yong-gang HE Li-ming KANG Qing LI Ming-kui 作者单位：陈永刚,何立明,李明奎,CHEN Yong-gang,HE Li-ming,LI Ming-kui(空军工程大学,工程学院,陕西,西安,710038)

康强,KANG Qing(空军工程大学,导弹学院,陕西,三原,713800)

基于分类性能的掌纹特征有机融合篇3

由于人体生物特征所具有的独特性,人们将生物特征识别技术[1]作为加强信息以及系统安全性的新方法。基于掌纹的身份识别主要依靠对手掌内表面上的各种纹线(乳突纹、皱纹和屈肌线)进行提取和比对来进行。掌纹的优势表现在:其主要特征比指纹的主要特征明显得多,而且提取这些主要特征时不易被噪声干扰;掌纹的主要特征比手形主要特征更稳定和更具分类性,掌纹识别系统的正确识别率远高于手形识别的正确识别率[2,3,4]。基于掌纹的特征识别具有采集设备简单、图像采集方便、不涉及个人隐私、人们在心理上更容易接受、可用低分辨率图像进行识别等优点。掌纹的信息量丰富,特征更具稳定性和独特性[5]。

在图像识别的过程中,选择合适的特征提取方法是极为关键的。研究人员在致力于寻找新特征提取方法的同时也试图改进现有的方法,然而想通过改进单一特征提取方法来提高识别率比较困难,因此,融合的思想成为图像识别研究中的新方向。目前,有四种不同阶层的融合方法:传感器级的融合方法,即利用两种或两种以上的采集设备对待测目标进行采集,然后对它们分别进行图像处理后再融合;特征级的融合,即对同一幅图像进行不同特征的提取,然后将特征数据进行融合;匹配数据级融合,即分别用多种特征计算各自的距离,然后将这些距离综合考虑;决策级融合,即利用不同的方法对待测图像的判别结果进行融合,最终得到图像的类别。这些融合方法从不同的模式识别阶段出发,实现了对待识别对象的多方面表达,通过增加信息量来完成更为准确的模式分类。

与其他阶层的融合方法相比,特征级融合具有显而易见的优势:单一方法所提取的掌纹图像的特征也是单一的,它不能把图像的特征体现得更完整,而特征级融合通过综合反映两种或两种以上的特征来增加信息量以及特征数,能够更加全面地反映出图像的整体特征;特征级融合只需要一种图像,对于采集设备的要求比较低;特征级融合只需要一种分类方法,给程序的编写和运行提供很大方便。基于上述优点,特征级融合成为融合方法中最受关注的研究方向之一。

目前的特征级融合方法主要有:利用图像的关键点特征和掌纹线特征作为掌纹的融合特征[6];提取了图像的Gabor、Liner detectors和PCA特征,然后将这些特征进行融合[7];将掌纹图像的主元特征、不变矩特征和线特征进行融合[8]提取图像的灰度特征、几何特征以及图像中蕴藏的其他特征,通过对这些特征进行K-L变换达到特征数据的压缩与融合[9]。这些方法只是将不同的特征串联在一起,然后对这些组合特征数据进行模式匹配,并没有对数据进行有效融合。

本文的意图在于有效地利用多种特征提取方法提取的多个特征的不同的特征分量所蕴含的不同信息,并在处理的过程中降低特征的维数,以便于后续的计算与分类识别。主要过程包括:特征选择、加权处理和降维处理。具体过程为:将两组特征数据进行数量级的调整后,串联成为一特征向量;构造判别函数,对每一特征分量进行取舍判别,实现特征的选择;然后构造权值函数,对特征的每一分量计算权值,进行加权处理;最后利用主成份分析法PCA(Principal Component Analysis)对特征进行降维处理。本文以改进的LBP算法和离散小波变换提取掌纹的两种特征,将提取的特征进行融合实验,结果表明了该方法的有效性。

1 融合算法

特征融合就是将不同的特征进行有机的结合,这种结合的有机性体现在其运算的过程中。首先要对图像提取两种或两种以上的特征,然后将其排列组合在一起,此时的组合特征比单一特征全面,但同时却也包含着一些对分类不起作用或起反作用的特征数据。因此,要对其进行特征选择,特征选择的作用在于保留对分类最有利的特征数据,将其它的特征数据做适当删减,最终可以得到分类性能较好的特征数据;然后要对保留下来的数据进行权值处理,其作用在于将具有不同分类效力的数据乘以不同权值,分类效力越大的数据乘以的权值也越大,以此实现对特征信息的加强或者减弱,使得变换后的数据具有更强的区分能力;最后,可以通过PCA的方法,实现对加权后特征数据的降维处理。

1.1 特征选择

特征选择的作用在于找出最有效和最有代表性的特征,一般可以依据专家的经验知识或者根据某种评价准则来进行挑选。

设注册库中的掌纹图像特征模式集为:{xi;i=1,2,…,M},其中共有c类掌纹,第j类一共包含了mj个模式,则该集合也可以表示为{x $_{k}^{(j)}$ ;j=1,2,…,c;k=1,2,…,mj}。对于第j类掌纹图像,其均值向量为:

$μ_{j} = \frac{1}{m_{j}} \sum_{k = 1}^{m_{j}} x_{k}^{(j)} j = 1, 2, \dots, c$ (1)

注册库中所有掌纹图像的特征均值向量为:

$μ = \frac{1}{Μ} \sum_{i = 1}^{Μ} x_{i}$ (2)

令Q为第j类中第mj个模式的第A个数据值,其表达式如下:

Q=x $_{m_{j}^{A}}^{j}$ (3)

对于注册数据库中的第A列数据,令:

式中,μ $_{j}^{A}$ 表示第j类均值向量的第A个数值;μA表示注册库所有样本均值的第A个数值;d $_{Q}^{μ_{j}^{A}}$ 表示Q与μ $_{j}^{A}$ 之差的绝对值;d $_{Q}^{μ_{}^{A}}$ 表示Q与μA之差的绝对值。

在经过上述计算后,由下式进行数据转换:

式中的D $_{m_{j}^{A}}^{j}$ 表示当某个模式的第A个数据与其类内均值相应位置数据的差跟它与整体均值相应位置数据的差比较之后,将其进行取1或取0得到的数据。

通过对转换后数据的计算,由下式判别注册库数据中第A列数据的取舍:

其中,不等式的左边表示注册库中第A列经过数据变换后的数值之和;α为判定阈值,可以用实验测定其最适宜的值。

有利于分类的特征应该具有这样的特点:它与类内均值的距离应该尽量小于它与全部模式均值的距离。本节的算法依赖这个特点,通过计算注册库中每一个数据的判别属性,然后统计每列该类数据的数量,最终决定是否留下该位置的数据作为图像的特征。上述判别式的意义在于:当第A个特征数据的类内距离大于其与整体均值的距离时,说明其不具有较好的分类特性,因此需要将该值舍去,否则说明分类特性较好,应予以保留。

1.2 特征加权

在特征空间中,当特征数据满足类内距离较小,类间距离很大的条件时,就会具有很大的区分性。因此,需要建立能反应出类内和类间距离的准则函数,并将此函数的数值作为衡量选取特征集成功与否的依据。将衡量单个特征分类性能的准则函数值定义为J:

$J = \frac{\sum_{j = 1}^{C} d_{Q}^{μ_{j}^{A}}}{\sum_{j = 1}^{C} \sum_{e = 1}^{C} | μ_{j}^{A} - μ_{e}^{A} |}$ (7)

式(7)中,分子表示每个模式的第A个数据与其均值向量相应位置数据作差以后,所求得的这些差值的和;分母表示注册库中,每两类均值向量中第A个数据之差的总和。因此,对分类性能好的特征,分子越小越好,而分母则越大越好。从式(7)可以看出,当特征的类内分布较密集,不同特征之间距离较远时,准则函数的数值最小,该特征具有较好的分类性,因此应给其赋予较低的权值。这是因为,文中使用的分类方法为距离判别法,他将计算得到的最小距离所指向的类作为待测图像的类别。而具有较好分类性的特征,他们应该让权值尽量小。

J的大小只是对权值分配原则的定性分析,在计算时需引入的具体数值,应构造一个单调函数,使每个特征分类性能的相对关系映射到权值空间。由于幂函数具有此特性,因此本文选择幂函数作为映射函数,实现权值的变换。该幂函数的底即为J,通过实验可以得到最适宜的幂值。

1.3 特征降维

在对掌纹图像进行特征融合时,特征的维数会加大,这使得算法的计算时间变长,同时需要更大的数据存储空间。因此,需要对这些数据进行压缩和提取,来降低融合带来的消极影响。主成分分析法PCA就是一种典型的降低矩阵维数的方法[10]。其数学原理为:

设向量X∈Rn可用一组正交归一化的基向量ui(i=1,2,…,n)来表示:

$X = \sum_{j = 1}^{n} c_{j} u_{j}$ (8)

用ui的转置ui′同乘式(8)两边得:

$u_{i} ´ \cdot X = u_{i} ´ \cdot \sum_{j = 1}^{n} c_{j} u_{j} = c_{i}$ (9)

若仅用X中的d(d<n)个分量来估计X,则有:

$\hat{X} = \sum_{j = 1}^{d} c_{j} u_{j}$ (10)

那么X与 $\hat{X}$ 之间的均方误差为:

$ε = (X - \hat{X})^{'} \cdot (X - \hat{X}) = \sum_{j = d + 1}^{n} c_{j} u_{j} ´ u_{j} c_{j} = \sum_{j = d + 1}^{n} c_{j}^{2}$ (11)

将式(9)代入式(11)中,得:

$ε = \sum_{j = d + 1}^{n} u_{j} ´ X X^{'} u_{j}$ (12)

令S=XX′,则式(12)可以写成如下形式:

$ε = \sum_{j = d + 1}^{n} u_{j} ´ S u_{j}$ (13)

要使得ε最小,可使用拉格朗日乘数法,求得满足当j=i时,ui′uj=1,当j≠i时,ui′uj=0的uj(j=1,2,…,n)的解为:

(S-λjI)·uj=0 (14)

或者:

λj=uj′Suj (15)

式(14)中,I为单位矩阵,λj为S的特征根;uj为S的特征向量。

将式(15)带入式(13)中可得:

$ε = \sum_{j = d + 1}^{n} λ_{j}$ (16)

要使得 $\hat{X}$ 估计X产生的平方误差ε最小,需将n个特征向量按照特征根由大到小的顺序排列,从而构成一组正交归一化的奇向量ui(i=1,2,…,n)。向量X∈Rn用此基向量组表示出来后,仅用X中的d(d<n)个分量来近似表示X时所产生的平方误差最小。

对两种特征的组合矩阵进行PCA变换,能够得到对分类有效的融合矩阵,在融合的过程中有效地降低特征维数,进而使得算法的运行速度变快,同时减少了存储空间。

2 特征提取算法

2.1改进的LBP算法

本节研究的改进LBP算法[11]是在普通LBP算法的基础上,通过设定判别阈值,以获得更适合于描述掌纹的图像特征,以图1中的矩阵为例:

设函数s的取值分布如下式:

其中,gc为该像素矩阵的中心点像素值,gi为周围像素点的灰度值。

式(17)中有一个设定的阈值N,用gi与gc相比,当差值大于N时,gi置1,否则为0。而普通的LBP算法,就是N=0的特殊情况。在计算得到gi的值后,通过乘以对应位置的权值,就可以得到改进LBP算法的值了:

$L B Ρ = \sum_{i = 0}^{7} s (g_{i} - g_{c}) 2^{i}$ (18)

变换N值的大小,可以得到不同的变换数据。实验表明:改进的LBP算法在保持特征维数不变的情况下,取N=0.005时,能够得到的最高识别率。

2.2 小波变换算法

图像的二维小波变换函数为:

$ψ a, b x, b y (x, y) = \frac{1}{| a |} ψ (\frac{x - b x}{a}, \frac{y - b y}{a})$ (19)

Wf(a,bx,by)=∫ $_{- \infty}^{\infty}$ ∫ $_{- \infty}^{\infty}$ f(x,y)ψa,bx,by(x,y)dxdy (20)

在数值计算中,需要对小波变换的尺度因子、位移因子进行离散化,令尺度因子为:

a=a $_{0}^{m}$ ,b=ka $_{0}^{m}$ b0 (21)

其中,a>0,b≠0,m,n为整数,小波基函数为:

$h m, n (x) = \frac{1}{\sqrt{a_{0}^{m}}} h (\frac{1}{a_{0}^{m}} x - n b)$ (22)

图像处理中使用最多的是db小波,其传递函数h的系数是很明确、很简单的,令:

$p (y) = \sum_{k = 0}^{Ν - 1} C_{k}^{Ν - 1 + k} y^{k}$ (23)

于是:

$| m_{0} (ω) |^{2} = (\cos^{2} (\frac{w}{2}))^{Ν} p (\sin^{2} (\frac{w}{2}))$ (24)

$m_{0} (ω) = \frac{1}{\sqrt{2}} \sum_{k = 0}^{2 Ν - 1} h k e^{- i k w}$ (25)

对一幅图像进行J级小波分解可以得到3J+1个子图像:[caJ,{cdj,chj,cvj}j=1,2,…,J],其中的caJ是低频近似子图像,其余各项是不同方向上的高频细节子图像。

3 实验结果及分析

实验所采用的掌纹图像来自香港理工大学的标准掌纹库[12],其中包括了各类人的左右手掌。试验时,随机挑选了来自100个手掌,每个手掌10幅的共1000幅掌纹图像作为试验对象。每幅图像的分辨率为75dpi,大小为384×284。预处理时,用手工进行裁剪,裁剪后图像大小变为170×180。每类10幅的图像中,选择5幅用来注册,5幅用来测试。

实验选择了两种特征数据进行特征融合:原图像经高斯高通滤波处理后,求其改进LBP变换值图,并将其分割成9小块,每小块的直方图统计数据排列在一起即为A;而特征B代表这样的数据:原图像的3级小波变换的九幅细节图像,每幅都分割成16小块,对每小块求其能量特征,排列起来就是数据B。将DWT和改进LBP变换得到的数据串联在一起以后,每个数据在掌纹识别中所起的作用显然不是完全相同的。为了获得更加有效地表示图像特征的数据,可以根据这些不同数据对掌纹识别的影响,来对特征进行信息加强或者减弱,从而使处理后的特征数据具有更高的分类能力。

对于上述两种方法提取得到的图像特征A和B,将其串联排放后的特征向量包含有两种特征值,即按照下式进行组合:

R1=[a,b] (26)

其中,R1为排列后的特征向量;a为特征向量A中的数据,b为特征向量B中的数据。将R1前两类中每类的前十个数据绘制成如图2的分布图。

由于每类掌纹都选择5幅图像用来注册,因此每类掌纹相应位置上的特征数据共有5个,上图中的两种形状的点分别表示两类掌纹图像的特征。从图中可以看出,对于这两类图像提取出来的特征,有些具有很强的区分能力,如位置为1、3、6、7和8的情况;有些则区分能力较弱,甚至是交错分布,如位置为2、4、5、9和10的情况。但这只能说明,该位置的某些数据在第一类和第二类之间的区分性较小,但是统观注册库中的100类掌纹图像,仍具有较高的分类效力。总体来说,这些数据能够对分类起到积极的作用,而实验也证实了这一点。

根据式(5),计算得到每列上置1的数据最多有234个,最少有49个;然后根据式(6)进行判别,实验得到当α取193,并将剩下的数据作为新的掌纹库时,能够在保证识别率提高的情况下,获得最低的特征维数。

当直接用R1作注册矩阵,对图像进行分类识别的时候,其注册矩阵的大小为500×2439,待测图像的特征数据大小为2439的一维行向量,实验得到的识别率为99.2%,高于单一方法的98.6%(2-D DWT)和98%(改进LBP)。而利用本节方法进行实验时,将对待测图像进行特征提取得到的数据D1,按照获得R2时对R1进行特征选择的相应位置,将D1中的有效数据提取出来,得到一个与R2具有相同列数一维行向量D2,通过计算D2与新掌纹库R2中数据的相似度,最终得到该算法的识别率为99.4%,高于特征提取之前的识别率,同时降低了特征维数,算法性能得到提升。本节利用1.1节中的方法,通过计算比较类内均值距离与注册库均值距离的大小,实现了对R1中特征的选择。

以注册库的第一列为例,与类内均值的距离大于整库均值的距离的数据共有96个,低于设定的阈值193,因此第一列应保留。同时,在计算待测图像的特征时,第一个数据也相应保留。经过统计,除去的列数共有48列,这些列的数据对分类判断具有不良影响,多半不能反应不同类别之间的差距和相同类别之间的相似。以第158列为例,数据分布如图3所示。

从图3中可以看出,数据分布较乱,同一类即相邻5个数据之间相对较离散,聚类性较差,因此不具有良好的分类特性,因此被除去。

图4为第58列数据分布图,显然此列的数据分布较为规整,具有一定的聚类性。

由以上数据可以得出:特征选择能够保留对分类最有利的数据组合,同时也具有降低特征维数的优点。

为了进一步提升算法的识别率,本节选用式(7)的方法来计算每个特征数据的权值,最终得到一个一行2391列的J值向量。他们所表征的是该位置数据的分类性能,但并不一定是最合适的权值。因此本节以J做底,设计了其幂指数从-1到3变化的一组实验,通过最高的识别率求得最适宜的幂值,实验结果如图5所示。

图中幂值为0的情况即是数据不加权的情况。实验结果表明:随着幂值的增加,识别率先增后减。这主要是因为当幂值加大时,优势特征被突出,弱势特征被弱化,但是当幂值大到一定程度以后,权值过于强调优势特征,弱势特征就相对地被忽略了,对相似度计算起作用的特征数据会越来越集中到某些位置上,从而导致特征利用率的下降,进而使算法的识别率下降。结果表明:当J的幂值取1的时候,识别率提升至99.8%,高于不加权算法的识别率99.4%。此时的注册库R3为R2乘以相应位置的权即J得到的,其大小为500×1951。

经过上述处理,算法识别率达到了较高的水平,之后进行降维处理的目的则在于降低R3的维数,使算法更加快速同时降低存储所需空间。PCA是对注册库矩阵求特征值,然后按照其大小对应排列其特征向量,接着通过计算排在前面的若干个特征值之和在特征值总和中的比重确定最终的变换矩阵。在尽量保证识别率的前提下,将比例设定为0.9,此时得到的实验结果为:识别率为99.8%,注册矩阵的大小降为:500×264。

将上述实验计算得到的数据归纳至表1所示。

表中实验1选用的数据为:直接将小波变换和改进LBP这两种方法得到的数据按顺序排列,并将其作为图像的特征,此时的注册库矩阵即为R1;实验2选用的数据是通过对实验1中的数据进行特征选择得到的,其注册库矩阵即为R2;实验3的数据是对实验2中的数据进行加权处理得到的,其对应的注册库矩阵即为R3;实验4的数据是对实验3中的数据进行降维处理得到的,其对应的注册库矩阵即为R4。从结果中可以看出,特征融合的方法能够逐步提升掌纹图像的识别率,而且随着算法的改进,每幅图像的特征维数是逐渐减小的,与理论分析相符。因此,本章使用的掌纹图像特征融合能够有效提升算法性能,使之在识别率提高的同时,降低特征维数,算法更具实用性。

4 结语

本文详细研究了特征融合的三个步骤:特征选择、加权处理和降维处理。他们的作用分别是选出优势特征、对特征进行影响扩大化和降低特征的维数。文中对改进LBP算法进行研究,并与DWT 特征相结合,按照上述步骤实现了对两者的特征融合。改进的LBP算法从总体上把握图像的纹理特征,DWT则提取图像的细节特征,融合以后既能够发挥LBP抗光照干扰的优点,又能够发挥DWT提取不同频率尺度下图像特征的优点,形成了优势的互补,从而提高了掌纹图像的识别率。结果表明,对这两种特征进行融合,能够在识别率达到99.8%时,使特征维数仅为264。

参考文献

[1]Kong A,Zhang D,Kamel M.A survey of palmprint recognition[J].Pattern Recognition,2009,42(7):1408-1418.

[2]Pan Xin,Ruan Qiuqi.Palmprint recognition with improved two-dimen-sional locality preserving projections[J].Image and Vision Compu-ting,2008,26:1261-1268.

[3]薛玉丽,彭玉华,周新虹.基于实值Gabor变换的掌纹识别[J].计算机工程与应用,2007,43(6):216-219.

[4]李文新,等.基于主线特征的双向匹配的掌纹识别新方法[J].计算机研究与发展,2004,6:996-1002.

[5]Jain A K,Ross A,Prabhakar S.An introduction to biometric recogni-tion[J].IEEE Transactions on Circuits and Systems for Video Tech-nology,2004,14(1):4-20.

[6]Zhang D,Shu W.Two novel characteristics in palmprint verification:datum point invariance and line feature matching[J].Pattern Recogni-tion,1999,32:691-702.

[7]Kumar A,Zhang D.Personal authentication using multiple palmprint representation[J].Pattern Recognition,2005,38:1695-1704.

[8]吴攀.一种新的提高掌纹识别率方法的研究[J].通信技术,2007(11):46-48.

[9]彭真明.基于多特征融合的图像匹配模式[J].强激光与粒子束,2004,16(3):281-285.

[10]Bartlett M S,Movellan J R,Sejnowski T J.Face recognition by inde-pendent component analysis[J].IEEE Transactions on Neural Net-works,2002,13(6):1450-1464.

[11]HeikkilM,Pietikinen M,Schmid C.Description of Interest Regions with Local Binary Patterns[J].Pattern Recognition,2009,42(3):425-436.

秤的计量特征和计量性能分析篇4

秤的计量特征参数主要包括最大秤量、最小秤量、最大安全载荷、实际分度值、检定分度值和检定分度数等。

1.1 最大秤量。

。指不计算添加皮重在内的最大称量能力, 用Emax表示。

1.2 最小秤量。

指载荷少于该值时, 称量结果可能产生过大的相对误差, 用Emin表示。最小秤量又称称量下限, 它与无效称量就形式上而言是同一问题, 但实质上是有区别的。无效称量, 指在该秤量内的称量结果不可信赖。而最小秤量则指秤量内的称量结果是否可以信赖, 要根据被称量对象所需要的准确度而定。

1.3 实际分度值。

指以质量为单位表示的下述数值:1.3.1对模拟示值, 系指相邻两个刻线对应值之差;1.3.2对数字示值, 系指相邻两个示值之差。实际分度值用d表示。国家标准规定秤的设计制造实际分度值必须满足1×10kkg, 2×10kkg, 5×10kkg的形式, 其中k为正整数、负整数或零。

1.4 检定分度值。

系指用于对秤分级和检定时使用的, 以质量单位表示的值, 用e表示。检定分度值是一个假定的值, 不像实际分度值 (d) 那样刻在标尺上或出现在显示器上, 而只是在标尺上或铭牌上加以标志。假定一个检定分度值的目的一是为了划分准确度等级, 二是为了用于在检定时确定允许误差。e虽是假定的, 却不是任意的, 它受d的制约。e和d之间存在下述两种关系:1.4.1在有刻度而无辅助指示装置的衡量仪器上, e=d。如分度值等于100g, 检定分度值 (e) 也必须要等于100g。在无刻度的衡量仪器上, e是由制造厂根据准确度等级等参数确定的;1.4.2在具有辅助指示装置的ⅰ级、ii级衡量仪器上, 则要求d

1.5 检定分度数。

系指最大秤量与检定分度值之商, 用n表示。n=E-max/e。需要注意的是, 不要把检定分度数简单理解为必须在标尺上或度盘上全部到出来的分度个数。对标尺秤来说, 标尺分度数是真实存在的, 其他情况下检定分度数仅是一个计算值, 不代表标尺上实有的分度数目。

1.6 秤的误差。

1.6.1示值误差。秤的示值与质量约定真值之差。示值误差用绝对误差表示。1.6.2基本误差。秆在标准条件下的误差。这里的标准条件是指该秤在计量检定时计量规程中规定的检定条件。1.6.3初始基本误差。秤在性能测试和量程稳定度测试之的确定的基本误差。1.6.4最大允许误差。秤处于标准位置空载为0时, 其示值与标准砝码约定真值之间, 为技术法规所允许的正或负的最大差值。最大允许误差就是我们通常所说的允许误差。允许误差即可以用绝对误差表示, 也可以用相对误差来表示。

2 秤的准确度等级

秤的准确度, 指秤在称量结果中系统误差和随机误差的综合影响程度, 表述了称量结果与被称量真值间的一致程度。推确度的高低通常用允许误差来表示, 根据允许误差的大小划分的等级称为准确度等级。不同级别的称量段范围是不同的, 不同称量段的允许误差也是不同的。

2.1 秤的准确度等级划分的依据。

秤划分准确度等级的依据是检定分度值 (e) 和检定分度数 (n) 。按检定分度值 (e) 划分准确度等级, 表示绝对准确度;按检定分度数 (n) 划分准确度等级, 表示相对准确度。

2.2 非自动秤的准确度等级。

对于非自动秤, 其准确度等级分为两级, 即中准确度级 (3级) 和普通准确度级 (4级) 。

2.3 非连续累计自动衡器的准确度等级

非连续累计自动衡器共分为4个准确度等级:0.2级、0.5级、1.0级和2.0级, 非连续累计自动称量的最大允许误差见表1。

非连续累计自动衡器在用标准载荷进行静态检定及进行非自动称量时, 其最大允许差应满足表2的规定。表述秤的准确度等级的最大允许误差, 是在秤的不同称量范围内分段给出的。从秤的零点到最大秤量, 划分了3个检定称量段, 每个称量段规定了1个允许误差, 在称量段的定范围内, 允许误差是一个常数。

3 秤的计量性能

秤的计量性能主要包括灵敏性、鉴别力、鉴别力阈、耐久力和重复性。一台合格的秤在应用时应具备这些良好的性能参数。

3.1 灵敏度。对

对于给定的被测质量值的灵敏度k, 可表示为被观测变量L的变化量ΔL与被测量m相应变化量Δm之比。

K=ΔL/Δm

广义上我们可以把秤的灵敏度k理解为:秤的响应变化ΔL与引起该变化的激励值 (被测质量值) 变化ΔM之比。秤的灵敏度根据秤的不同结构原理和不同的指示方式分别用角灵敏度、线灵敏度和分度灵敏度来表示。秤的灵敏度值通常是利用向秤盘 (或秤台) 上添加适量的小砝码Δm, 读出秤的指示器的角位移、线位移或分度数的变化量ΔL而得到。秤的分度灵敏度与分度值互为倒数关系。分度灵敏度愈高, 分度值愈小, 且测量上限愈低。反之, 分度灵敏度愈低, 则分度值愈大且测量上限愈高。这里要注意灵敏度和测量范围的协调关系。

3.2 鉴别力。

秤的鉴别力是指秤对载荷微小变化的反应能力。鉴别力的定量描述值是鉴别力阈。

3.3 鉴别力阈。

对于已给定载荷的鉴别力阈, 即一种附加载荷的最小值, 当将此载荷在承载器上轻缓地放上或取下时, 能使示值发生一个可察觉到的变化。

鉴别力阈有时亦称为灵敏阈或灵敏限。鉴别力阈是评价衡器计量性能好坏的一个重要参数, 它与秤的分辨率以及机械连接的摩擦和压力有关。秤的鉴别力和阈的检测, 通常是在秤处于平衡状态时, 轻缓地放上或取下其值为一定量 (不同类型秤的值不等) 的附加法码, 其秤的平衡状态被破坏。

3.4 重复性。

秤的重复性是指在实际相同的测试下, 用同一方式将同一载荷多次加放到承载器上, 秤提供相互一致结果的能力。

上述的四个基本性能是评价秤性能的基本依据。这四个基本特性之间相互联系, 相互制约。灵敏性与稳定性实质上是一种特性的两个方面。灵敏性一旦确定了, 其稳定性也就确定了。提高电子配料秤的灵敏度也就意味着降低了它的稳定度要求。另外, 在实际的称量过程中, 秤的正确性与重复性是以称量准确性反映的。称量准确性定义为秤上显示出的质量值与秤斗中物料的绝对质量值之间的接近程度。称量准确性用称量准确度表示, 它反映称量结果中系统误差与随机误差的综合效应。

参考文献

特征性能论文篇5

1.1 矿区地质概况

开滦矿区各矿井分布于开平煤田和蓟玉煤田, 为古生界石炭、二迭纪成煤, 含煤面积670 km2。地层基底为中奥陶系马家沟矿组, 中石炭纪本溪统与之直接接触, 中间缺失了上奥陶、志留、泥盆、下石炭纪等。这个巨大的不整合, 反映了奥陶系末期由于加里冬运动的影响, 陆台的中奥陶系汪洋大海上升为陆地, 并开始遭受侵蚀, 这样一直延续了1亿多年, 经过志留、泥盆、下石炭等系渐渐侵蚀成为一块辽阔的平原, 高度接近海平面。石炭二迭纪煤系的下部为海陆交替相沉积, 中部为陆相, 上部为单一的正大陆相。

1.2 含煤地层情况

本矿区石炭二迭系地层总厚度约500 m, 含煤15～20层, 煤层总厚度为20～28 m, 含煤系数为3.91%～5.57%。煤系地层有两个纪三个统, 自下而上为:中石炭纪本溪统唐山矿组 (含15、16、17煤层) 、上石炭纪太原统开平组 (含13、14煤层) 和赵各庄组 (含11、12煤层) 、二迭纪下统的大苗庄组 (含5、6、7、8、9、10煤层) 和唐家庄组 (含3、4煤层) 。煤层主要位于煤系地层中部, 赋存相当稳定。其中, 可采煤层7～8层, 可采厚度约15 m。

2矿井煤质特征

2.1 开滦矿区各煤层煤质特征

开滦矿区各炼焦煤生产矿井煤层的煤质特征见表1, 从表中可以看出:

(1) 开滦唐山矿区各炼焦煤矿井煤类组成较复杂, 每个矿都至少有两种以上煤种, 其中范各庄、钱家营煤种更为复杂, 但总体变化规律明显, 吕家坨、林西为变质程度较高的焦煤和肥煤, 赵各庄、范各庄、钱家营、唐山矿煤类以肥煤和1/3焦煤为主;

(2) 矿区煤质垂直分带变化不明显, 但在钱家营矿变化规律较明显, 煤挥发分的变化符合希尔特定律;

(3) 开滦矿区上下组煤质和煤类变化规律明显, 上部大苗庄组各煤层全硫普遍低于下部赵各庄组煤层, 下部煤层挥发分和黏结性普遍较高, 煤类以肥煤为主。

2.2 开滦矿区各煤层煤的煤岩特征

煤科总院北京煤化所对开滦各矿煤层浮煤的煤岩组分进行了定量统计, 并测定了镜质组最大反射率, 煤岩分析结果见表2。赵各庄、唐山、钱家营及范各庄矿多数煤层属中等变质程度煤, 镜质组平均最大反射率多在0.95%～1.10%, 相当于肥煤变质程度。吕家坨矿煤变质程度较高, 镜质组最大反射率均在1.30%～1.60%, 相当于焦煤变质程度。

大部分煤层煤岩组成以镜质组为主, 各煤层镜质组反射率和挥发分变化不符合希尔特定律, 突出表现为下部赵各庄组煤层挥发分偏高, 而镜质组反射率偏低。不同煤层中, 除范各庄矿9号和12号煤镜质组反射率明显较低 (可能是由于采样点不同造成的) 外, 其余各矿井下部煤层镜质组反射率较低的原因主要在于上、下组煤沉积环境的差异。下组煤由于还原程度较强, 导致镜质组中相对富氢, 其挥发分偏高, 使得镜质组反射率受到抑制而偏低。

3各炼焦煤矿井精煤质量及结焦性能指标

各炼焦煤生产矿井主要精煤质量指标见表3。表4所示为2012年中钢热能院对焦化项目的测定情况。分析表明:

(1) 唐山、吕家坨精煤大都为单一煤层煤 (S<0.1) 按照中国煤炭分类标准 (GB5751—2009) 分别属于35号1/3焦煤和25号焦煤。其他生产矿井商品煤大多数为非单一煤种, 不能简单判定煤种。

(2) 开滦炼焦精煤粘结性好, 粘结指数GR, I均大于85, 单独炼出的焦炭热性质较好, 特别是吕家坨、钱家营、林西精煤冷热强度均能达到或接近一级冶金焦炭标准要求。

(3) 赵各庄矿精煤胶质层厚度均大于25 mm, 钱家营、范各庄接近或大于25 mm。

(4) 从煤的变质程度上看, 镜质组最大反射率与挥发分相一致。

4结语

开滦矿区炼焦煤品种丰富, 主要为肥煤、焦煤、1/3焦煤, 部分煤层为瘦煤, 炼焦精煤粘结性好, 单独炼出的焦炭热性质好, 适应市场能力强。单一矿井的精煤多数为非单一煤层煤, 在矿井生产中, 应经常根据不同采区、不同煤层变化和不同煤种主要指标, 如挥发分、胶质层厚度、粘结指数的加和性等, 配采生产市场需求的产品, 提高企业的经济效益。

参考文献

[1]陈鹏.中国煤炭性质、分类和利用[M].北京:化学工业出版社, 2002.

[2]平建中.开滦矿区强粘结性煤校核粘结指数测定的研究[J].选煤技术, 2013 (2) :9-11.

[3]王会文.开滦矿区炼焦煤资源分布及特征[J].煤质技术, 2009 (3) :1-3.

[4]张磊, 刘文礼, 门东坡, 等.炼焦煤镜质组反射率直方图及其加和性[J].辽宁工程技术大学学报 (自然科学版) , 2013, 32 (7) :905-910.

[5]王军, 孙建中.浅谈开滦矿区炼焦煤集中入洗的可行性[J].煤炭加工与综合利用, 2002 (3) :8-11.

[6]孟敏.炼焦配煤及焦炭质量预测研究现状[J].煤炭加工与综合利用, 2011 (1) :40-43.

特征性能论文篇6

关键词：CSMA,协议,性能,特征

在目前的信息技术发展环境之下, 无线通信已经成为人们生产生活过程中不能忽视重要支持力量。从技术发展的角度看, 人们对于无线通信的需求甚至于超过了相关技术体系的供给, 这种状态一方面推动着无线网络的发展, 另一个方面也从客观上要求对当前既有的无线通信资源展开更为合理的利用, 切实提升整个无线通信环境中相关资源利用率。

1 CSMA协议相关概念与发展

从无线通信的工作基础角度看, 无线通信的传输媒介属于广播信道类型, 在这样的传输框架中, 每一个展开无线信号发送的节点展开工作的时候, 相邻的覆盖区域内的节点都能够接收到该信号。在这样的环境之下, 如果在同一个覆盖区域内, 如果存在多个节点同时发送无线信号, 彼此之间就会产生叠加, 从而在信号的接受节点上形成相互之间的干扰, 影响节点无法展开正常的信号接收, 降低整个信息传输过程的工作质量。这种状况进一步危害到对于通信资源的利用状况问题, 信道使用方面的冲突以及无效的信号接收直接造成了资源的浪费, 因此就目前的情况看, 如何能够切实实现对于整个通信过程的优化, 以及对于无线通信利用率的优化, 成为了突出的需求之一。

在通信协议栈中, MAC层的职责在于实现对于节点接入无线信道的时机的控制, 从根本上说就是实现了对于多节点之间无线信道资源使用权的分配, 是分组在信道上发送和接收过程的直接控制角色。MAC层相关协议以及算法的合理设置, 对于无线信道带宽的有效利用有着直接价值, 并且进一步关系到整个通信网络的稳定和有效性。在这样的背景之下, MAC层的协议需要在多个问题上实现有效的均衡, 其中包括提升信道利用率、优化节点发送数据的等待时间、避免节点之间的信道占用冲突等。

ALOHA是第一个面向无线传输服务的MAC层面协议, 其运行机制比较原始, 采用了一种随机的态度展开接入控制。即在ALOHA协议的指导之下, 当通信环境中存在一个节点需要发送数据的时候, 立即就会展开数据的发送动作, 如果这个时候通信环境中存在信道占用的冲突, 则随机等待一个时间之后再次展开数据发送动作。此种协议的工作方式在节点数量相对较少的通信环境中较为适用, 随着信息技术的发展以及实际工作环境中节点数量的不断增加, ALOHA协议工作方式的适用性越来越低。实际上, ALOHA即便是在面对固定长度分组传输的时候, 其最大吞吐量也仅为信道容量的18.4%, 严重阻碍了信道利用率的提升。

在这样的情况之下, CSMA协议应运而生。其同ALOHA一样均属于竞争性的MAC层协议, 但是CSMA协议在展开数据发送工作之前首先对通信环境展开监听, 并且依据监听结果来确定是否展开数据发送, 以及在信道繁忙的时候采取何种策略实现等待。对于CSMA协议而言, 既然已经实现了相对于ALOHA协议的改进, 则应当进一步考虑展开对于无线自组织网络的发送分组频率、分组大小等参数对CSMA协议性能的影响, 以期能够切实实现对于通信资源以及用户体验的多角度优化。

2 CSMA协议的工作特征

CSMA协议经过多年的发展, 已经形成了一个相对完善的协议簇。依据CSMA协议簇中不同协议的工作特征, 形成了对应的信道利用特征和相应的方式, 并且可以依据不同的分类标准对CSMA协议加以分类和辨识。常规来看, 依据信道划分方式不同, 可以分为时隙CSMA协议与非时隙CSMA协议两种, 而对于非时隙CSMA协议而言, 则可以进一步可以依据其面对信道忙碌时所采取的处理方式以及态度, 而分为坚持CSMA协议和非坚持CSMA协议。并且考虑到坚持CSMA协议在实际工作中的表现相对而言更加利于通信资源的利用, 因此对其展开更深一步的研究, 依据其在工作过程中, 当发现信道空闲时所展开不同的处理方式, 分为1坚持CSMA和p坚持CSMA两种, 并且当前以p坚持CSMA成为广泛使用的CSMA协议。

从工作职能实现的角度看, 坚持以及非坚持的CSMA协议在工作过程中的主要区别依据, 在于坚持CSMA协议在监听信道繁忙占用的时候仍然会继续监听信道, 一直到确定信道空闲才会展开对应的下一步动作;而非坚持CSMA协议则在发现信道繁忙的时候, 则等待随机时间段之后重新监听信道, 等待过程中不在监听。因此相比之下, 坚持CSMA协议会表现得更有效率。而在坚持CSMA协议体系之下的两种协议细分, 1坚持CSMA协议在于一旦发现信道空闲就立即展开数据发送的工作;而p坚持CSMA协议则是在监听到信道空闲的时候, 以概率p展开数据发送工作。p坚持的CSMA协议也可以不采用以发送概率控制节点的发送, 而是采用随机退避的方法, 当监听到信道空闲的时候, 在允许的取值区间内选择随机事件长度进行退避, 听杨能过实现避免冲突的效果。

p坚持CSMA协议作为该协议簇中的重要成员, 已经在应用领域获得了广泛认可, 就目前的情况看, 如何选择最优的概率p值, 成为直接关系整个通信体系工作状态和效率, 以及用户接入体验的重要关键所在。Echelon公司的Lon Talk协议采用了可预测的p坚持CSMA算法, 实现依据网络负载来动态调整p的取值, 并且进一步确定随机延迟时间, 实现对于网络环境的动态优化。基于该协议一贯以来的良好表现, 在p的动态调整方面, 诸多业内人士都给出了自己独特的建议, 并且为p的调整和网络状态的优化做出了不同程度的贡献, 切实推动了该领域的发展, 以及CSMA协议的进化。

就目前而言, 比较典型的p取值算法, 为在发生第i次冲突重传是发送概率pi, 并且pi随i的取值而发生变化, 通过此种方式实现对于p的动态优化。通常而言是构造一个关于i的递减函数, 采用分时隙的介质访问控制方法加以实现。

3 结论

对于CSMA协议而言, 其存在对于推动整个网络环境的优化都有积极价值, 尤其是当前的p坚持CSMA协议更是成为发展的趋势和整个行业的关注重点。实际工作中, 只有深入了解CSMA协议运行机制, 合理选择相关算法与参数, 才能切实打造适合需求环境的传输网络。

参考文献

[1]Bruno R, Conti M, Gregori E.Cptimal Capacity of p-Persistent CSMA Protocol s[J].IEEE Communications Letters, 2003, 7 (3) :139-141.

特征性能论文篇7

喜德山地乌骨鸡是居住在喜德县山区的彝族人民在长期的生产和生活中, 经人工和自然选择, 从本地土鸡中选育出来的品种, 具有乌皮、乌肉、乌骨, 肉质香嫩的特点, 抗病力和适应性强, 为肉蛋兼用的品种。

喜德山地乌骨鸡中心产区为喜德米市、洛哈等相邻乡镇, 分布于巴久、洛莫、贺波洛、博洛拉达、两河口、东河、西河等县境内24个乡镇的中、高山村社。

2 外貌特征标准

喜德山地乌骨鸡头部清秀, 多为单冠, 有少量的豆冠和玫瑰冠, 喙粗长、眼大而明、活泼好动, 站立稳健;鸡冠、肉垂、脸和耳叶的色泽红里透黑, 喙、皮肤、脚趾和骨均为黑色;腰背宽平, 体形丰满, 结构匀称, 体质结实, 肉用体型较明显。

3 外貌特征分类

见表1。

4 生产性能标准

见表2。

5 喜德山地乌骨鸡分级标准

5.1 喜德山地乌骨公鸡分级标准

见表3。

5.2 喜德山地乌骨母鸡分级标准

见表4。

摘要：介绍喜德山地乌骨鸡体型、外貌特征和生产性能, 以加强喜德山地乌骨鸡品种 (类群) 资源保护, 确保喜德山地乌骨鸡遗传性能的稳定, 规范喜德山地乌骨鸡的典型特征和生产性能标准, 为进行选育提高与开发利用提供参考。

特征性能论文篇8

关键词：多孔介质,分形,回灌渗透性,回灌堵塞

0 引言

近年来,国内地下水水源热泵发展非常迅速,然而,由于目前国内地下水回灌技术还不成熟,存在回灌井堵塞、回灌效率低、 “热贯通”等许多难题［1 ～ 5］,一些用户不能将换热后的水全部回灌到含水层中,造成地下水资源的严重浪费,地下水源热泵工程的回灌成为了制约水源热泵这项技术可持续发展的关键因素之一。对于回灌堵塞的问题,各国学者越来越注重水文地质条件对回灌井回灌效率的影响。近期,许多学者积极从事于回灌多孔介质渗透性的试验与研究,从粒径大小、颗粒级配、颗粒表面特征及堆积方式、孔隙结构、水力梯度、流体性质等不同的角度展开了多层次多角度的研究,取得了许多成果［6 ～ 8］。

不同的多孔介质颗粒都具有不规则形,复杂性,自相似性,非线性的特点,这些都是用传统的研究方法无法直观且定量描述的,而Mandelbrot创立的分形理论即可成为描述自然界中复杂和不规则几何形体的有效的工具。随着分形理论的不断完善,分形几何已被广泛应用于多孔介质的研究,并取得了相当的成果［9 ～ 18］。本文运用该理论对孔隙介质含水层进行分形维数描述,并通过孔隙介质含水层回灌堵塞试验来研究多孔介质分形特征对回灌渗透性能的影响,为指导水源热泵工程规划和设计提供科学依据。

1 不同试样分形特征分析

1. 1 不同试样级配的分维数

对自然扰动土样及实验室自制级配介质利用筛析法进行颗粒组成分析,自制级配试样采用粗砂( 16 目) ,中砂( 32 目) 两种粒径进行不同体积配比( 表1) ,颗分曲线结果见图1。

由颗分曲线可以看出,试样介质属于砂砾石,以粗中砂为主要成分,从图中可以读出粒级区间di和di + 1的平均粒径,分别以ln ( Wi/ W0) ,ln ( di/dmax) 为纵横坐标,做线性回归曲线,从而拟合直线的斜率即为3 - D,D为分形维数( 图2) 。

根据Turcotte［19］提出的多孔介质材料的粒径分布公式与Katz［20］公式联合推导出的颗粒的重量分布与平均粒径间的分形关系式,将自然扰动土样及3 种自制级配介质的粒径分布及小于某粒径颗粒所占百分比从颗分曲线上读出,以粒径为横坐标,小于某粒径颗粒的质量累积百分比为纵坐标做双对数坐标图,结果如图2 及图3 所示。

1. 2 级配分形维数与不规则度的相关性

为了更好的反映分维数D与颗粒级配之间的关系,现将分维数D与不均匀系数Cu进行了线性回归分析,从颗分曲线图1 中可知,回灌物理堵塞试验中的级配介质的不均匀系数见表2,与分维数D的回归分析结果见图4。

图 4 分维数 D 与不均匀系数 Cu的相关性

由图4 可以看出,分维数D与ln Cu之间线性拟合效果较好,呈现负相关关系,相关系数R为0. 928,并且Cu越大,分维数D越小。

2 室内回灌堵塞试验

2. 1 装置与材料

(1)试验装置

试验装置采用PVC柱充填不同级配试样,PVC柱高为21cm,内径为12. 5cm。将上述不同分形特征的试样依次填充到4 个PVC柱内,形成4 个试验土柱。

( 2) 试验材料

PVC土柱、秒表、烧杯、量筒、标准筛、天平等其它土工试验仪器。

2. 2 试验方法

( 1) 首先将土柱内壁涂抹凡士林,消除边壁效应,然后将如表1 所示的不同级配的多孔介质装填进4 个土柱内,捣实,装填高度为18cm。

( 2) 试验开始前,将土柱用蒸馏水饱和,从土柱顶部慢慢倒入蒸馏水,直至多孔介质表面出现水膜,开启出水口阀门,将蒸馏水放空,关闭阀门。

( 3) 土柱饱和后,向4 个土柱内分别灌入配置好的回灌水,回灌水注入量为超过土柱表面10cm,放置于空气中8h后,打开出水阀门,测定记录其相应时间内流出水的体积。

( 4) 本次模拟水源热泵间歇回灌情况,故间隔10h后,再重复回灌,并回灌8h后,测定记录其相应时间内流出水的体积。

2. 3 试验结果

( 1) 不同试样间歇回灌试验水通量变化

通过对不同试样间歇回灌试验,测得了回灌后不同时间的水通量变化,并依据试验数据绘制了水通量随回灌时间变化曲线,如图5 ~ 图8 所示。

图5 1号试样水通量随回灌时间的变化

图6 2号试样水通量随回灌时间的变化

通过对图5 ~ 图8 曲线的对比分析可以看出,随着时间的推移,不同试样土柱的水通量变化规律有着良好的相似性,但水通量衰减显著变化特征点出现的时间( 即堵塞发生的时间) 却各有差异,且堵塞发生的程度也有显著的区别。总体上水通量变化趋势为初期降幅较小,而后急剧下降,最后降幅平稳并逐渐趋于恒定。

图7 3号试样水通量随回灌时间的变化

图8扰动土样水通量随回灌时间的变化

( 2) 不同试样堵塞情况分析

通过不同级配试样回灌试验,可以分析不同试样堵塞发生时间、堵塞程度的变化见表3。

由上表可看出不同试样其初始水通量差距较大,从2. 09m L/s到4. 76m L/s。反映出试样的分维数越大,其初始水通量越小,发生堵塞的时间也越早,就越不利于回灌。在非均质多孔介质所配得的试样中,其不均匀度越大,孔隙度越小,渗透性能越弱。拐点处的水通量下降百分比在26. 35% ~41. 80% 间,即在实际工程中,要根据不同的多孔介质设计安全的回灌量。

3 试样分形维数与渗透性的相关性

根据不同试样的分维数,以及回灌物理堵塞试验中所测定的各试样渗透的初始水通量,将分形维数D和初始水通量进行线性回归分析,如图9所示。

图 9 初始水通量与级配分维数 D 的相关性

由图9 可看出: 分形维数D与初始水通量二者之间是正相关关系,相关度R = 0. 992,相关性较好。不均匀系数Cu越大,分形维数D越小,从而水通量越小。这是由于粗颗粒间的孔隙被细颗粒填充,多孔介质的孔隙变小,从而使得介质的渗透性大大减弱,通过介质单位截面积的水通量就越小;相反颗粒均匀程度越高,分形维数D也就越大,颗粒间排列方式较为疏松,此时孔隙度n增大,过水面积增大,水通量也就越大。同时,由图9 还可以推断: 分形维数D越大,孔隙度n越大。因此级配分维数D也可用来描述多孔介质孔隙结构。此外,级配分维数D还反映了介质的颗粒组成大小关系。颗粒越粗,分维数D越大,多孔介质的渗透性能越好,且随着细颗粒含量的增多,分形维数D变小,渗透性能也变小。

4 结论

( 1) 多孔介质颗粒具有不规则形,复杂性,自相似性,非线性的特点,运用分形理论可以直接分析多孔介质的渗透性能与颗粒组成、级配规律之间的关系,为精确描述多孔介质的渗透规律及渗透过程提供了一种比较好的研究思路和方法。

( 2) 颗粒大小、级配在很大程度上决定着多孔介质的渗透性能,级配分形维数较直观地反映了多孔介质的颗粒级配特征,通过分析建立级配分形维数与渗透性之间的相关关系,从而可以定量地描述多孔介质的渗透性能。

【特征性能论文】推荐阅读：

组织特征及性能09-11

溶胀性能论文05-26

速度性能论文06-20

钎焊性能论文09-26

抗菌性能论文10-24

分级性能论文12-11

质量性能指标论文10-18

物理性能质量论文07-09