分布式识别（精选4篇）
分布式识别 篇1
0 引言
圆台体是实体几何造型系统中的基本体素之一, 在几何造型和工程实际中都有着广泛的应用。据统计, 85%的机械零件都是由长方体、圆锥体、圆柱体、圆台体、圆环体和球体等基本体素构成。这些基本体素可以用少量几何参数精确表示, 将这些基本体素从测量数据中提取出来, 并计算其几何参数, 不但可以提高重建模型的精度和效率, 而且容易实现参数化设计与修改。由此可见, 在基于体的逆向工程特征建模中, 体素识别是进行模型重构的依据和桥梁。随着基于特征的逆向工程技术的出现, 基于测量点的特征识别技术的研究越来越受到关注, 研究人员主要采用的方法为神经网络方法。文献[1,2]采用神经网络方法分别实现了5种和9种常见特征识别, 神经网络特征识别方法避免了复杂搜索匹配过程, 具有训练学习功能, 但是神经网络方法处理逆向工程特征识别也有明显的缺点。在实际处理中, 零件往往会出现磨损和缺口, 神经网络方法尚未解决非完整几何特征的识别问题, 在处理带有倒角、倒圆等加工特征的识别时, 神经网络方法在特征定义与代码化的前处理过程方面比较复杂, 特征类别的扩展性差。
Osada等[3,4]提出的形状分布 (shape distribution) 算法是一种简单而有效的三维实体相似性度量的算法。这种算法首先使用一个几何函数来计算三维模型顶点的形状特征, 然后据此获得形状特征分布直方图, 最后通过比较形状特征分布直方图的相似距离来获得三维模型的几何相似性。该方法计算简单, 对模型平移、旋转、缩放等具有不变性, 对模型边界一些小的扰动具有较好的稳定性。Osada等[3,4]通过实验分析认为D2形状分布函数即任意两个顶点之间的欧氏距离作为几何函数的效果最好。本文即采用D2形状分布函数得到体素的形状分布曲线 (或直方图) , 利用EMD (earth mover’s distance) 距离函数[5]来衡量两条曲线的相似性程度, 达到对基本体素进行分类的目的。
本文给出了一种结合最小有向包围盒 (minimum oriented bounding box, MOBB) 以及形状分布的识别圆台体及其参数的算法, 本算法不需要任何交互操作, 抗噪能力强, 对于发生了外形改变的圆台体, 本算法也能做到一定程度的识别。
1 标准圆台体D2形状分布曲线生成
假设算法输入高h=10mm, 下底直径D=10mm, 且以z轴为对称轴, 以Oxy平面为底面建立的空间直角坐标系下的标准圆台体。本算法的输出为D2形状分布曲线。标准基本几何体素D2形状分布曲线生成的步骤可分为3步:①标准曲面上随机取点;②计算随机点对之间的距离;③构建形状分布曲线。
圆台面可以看作是圆柱面和圆锥面的中间状态, 当上底直径为零时, 圆台面退化为圆锥面, 当上底直径等于下底直径时, 圆台面成为圆柱面。圆台面的参数方程为
式中, x、y、z分别为圆台面上任意一点的三个坐标分量;h为圆台体的高;d、D分别为圆台体上下底面圆直径;u、θ均为参数。
所以随机取点过程可分为两个步骤:①随机选取圆心角θ∈ (0, 2π) ;②在随机选取的圆心角处选取高度u∈ (0, h) 。
由圆台面面积S与高度u之间的函数关系:
知θ取定时, S与u不成正比, 所以不能随机选取高度u∈ (0, h) , 而是由蒙特卡罗方法, 令
其中P∈ (0, 1) 为随机数, 随机选取P, 从方程u2 (D-d) 2-2D (D-d) hu+D2h2P=0中解出u, 得到u的随机值。当θ、u取定以后, 利用式 (1) 即可得到随机点的坐标 (x0, y0, z0) 。
圆台体的两个底面是圆面, 圆的参数方程为
式中, r1为底圆半径长度。
所以随机取点过程可分为两个步骤:①随机选取圆心角θ∈ (0, 2π) ;②在随机选取的圆心角处选取半径r∈ (0, r1) 。
由圆面积S与半径r之间的函数关系S=r2θ/2知:θ取定时, S与r不成正比, 所以不能随机选取半径r∈ (0, r1) , 而是由蒙特卡罗方法, 令r2/r
对于曲面上随机取到的两个点, 本文采用D2形状分布函数[3], 即计算其欧氏距离。
本文采用统计理论对随机信号进行参数化。由文献[3], 对随机点对之间的距离值进行统计, 需要对形状分布直方图的尺度进行归一化。本文按照大量D2距离的平均值对尺度自由度进行归一化:首先计算大量采样得到的D2距离的平均值, 以D2距离的平均值的1/50作为区间长度, 然后计算落在每个区间内的D2距离个数, 以横轴表示距离值, 纵轴表示出现某一距离值的概率, 构建形状分布直方图 (图1) , 通过对形状分布直方图的拟合形成形状分布曲线 (图2) 。由此把一个三维实体模型参数化成了一个形状分布直方图 (离散的) 或形状分布曲线图 (连续的) 。
2 标准圆台体上底直径与EMD距离值的关系
形状分布图的比较是基本体素分类的关键, 通过比较两个或多个体素模型的形状分布图对基本体素进行自动分类。体素模型之间的差别采用形状分布图之间的距离来衡量, 距离越大, 体素模型之间的差别越大。两个形状分布图之间的距离包括Minkowski距离、χ2统计距离、二次距离等, 本文采用的是EMD距离。
EMD距离[5]是一种有效的且被广泛使用的计算集合间或向量间距离的方式。它能只通过一次线性规划计算出两个具有不等 (或相等) 权值分布的不同 (或相同) 大小的集合或向量的距离。其主要思想是, 空间Ω中分布着m堆土pi, i=1, 2, …, m, 每堆土的质量为wpi, 同时分布有n个土坑qj, j=1, 2, …, n, 每个坑可以装土的质量为wqj。现把所有土填到这些坑内, 寻求需要做功的最小值。由此, 把其中一个体素模型的形状分布映射成土堆, 另一个体素模型的形状分布映射成土坑, 就把体素模型的相似性度量问题转化成了计算EMD的问题。
当上底直径d=0时, 圆台体退化为圆锥体, 当上底直径等于下底直径d=D时, 圆台体成为圆柱体, 所以标准圆台体可以看作是标准圆柱体和标准圆锥体的中间状态。设定标准圆柱体 (d=D=10mm, h=10mm) 和标准圆锥体 (d=0, D=10mm, h=10mm) , 在0～10之间按照步长值0.5对上底直径进行采样建立标准圆台体模型, 首先由标准圆台体D2形状分布曲线生成算法得到一系列的圆台体形状分布曲线, 其次计算这一系列形状分布曲线与标准体素库中标准圆锥体形状分布曲线和标准圆柱体形状分布曲线的EMD距离值E1和E2 (表1) 。
然后, 如图3所示建立采样圆台体上底直径与E1和E2的关系。
可以发现, 随着圆台体上底直径d的逐渐增大, 不管是E1还是E2都呈单调变化趋势。通过拟合这两条曲线, 可得到圆台体上底直径d与EMD距离值之间的关系:
3 一般圆台体的识别
在机械零件设计领域, 根据应用场合和发挥的功能不同, 产品的形状和大小都存在很大的差异, 要对形状尺寸和大小尺寸参数都发生了改变的同一类基本体素分类, 进行体素标准化是一个必要的步骤。对被测体素进行标准化的过程包括建立基本体素的MOBB, 以及在此基础上进行平移、旋转和比例变换。
三维空间中的MOBB指的是三维物体的最小外接长方体, 本文用优化方法比如多维下降单纯形法[6]来求取逼近MOBB的长方体来近似代替MOBB。本文约定:若体素的MOBB为边长k=10mm的立方体, 则称该体素为标准体素。
圆台体的几何形状是轴对称的, 其MOBB是一个正四棱柱, 且圆台体的对称轴与正四棱柱的对称轴重合, 即MOBB的正方形边长 (底面) 对应圆台体的下底直径, MOBB的高对应圆台体的高, 仅剩下圆台体的上底直径无法确定。
一般圆台体识别的算法步骤如下:
(1) 建立体素的MOBB。MOBB函数的一组输出参数是, MOBB的任意一个顶点O的坐标, 与此顶点对应的三条边的方向矢量X、Y、Z及其长度L={l0, l1, l2}。其中长度相等的两条边定义成方向矢量X、Y。
(2) 体素标准化。以O点为新的坐标原点, 以方向矢量X、Y、Z为新的坐标轴x、y、z方向, 对MOBB进行平移、旋转变换;以k/L为比例对MOBB进行比例变换。
(3) 生成D2形状分布曲线。此步骤与标准圆台体D2形状分布曲线生成算法只在曲面上随机取点环节不同, 其他两个环节——计算随机点对之间的距离、构建形状分布曲线则完全一致。
因为本算法输入为基本体素的三角网格模型, 由对被测实体的三角网格模型进行体素分割得到, 所以随机取点过程可分为两个步骤:①随机选取三角面片Tj ;②在随机选取的三角面片Tj上随机取点。在三角面片上随机取点时, 生成一个与Tj对应的平行四边形 (图4) , 随机点P的位置为
P=P1+s (P2-P1) +t (P3-P1)
其中, s∈[0, 1]、t∈[0, 1]为随机数;P1、P2、P3分别为三角面片Tj的顶点。
当s+t<1时, P点即为所取随机点, 否则只需 (s, t) → (1-s, 1-t) 。
(4) 计算此曲线与标准圆锥体形状分布曲线以及标准圆柱体形状分布曲线的EMD值E1、E2。
(5) 通过函数表达式:
d1=f-1 (E1)
d2=g-1 (E2)
计算出d1、d2。若|d1-d2|≤ε (ε为用户给定误差值) , 则此体素为圆台体。
4 算法实例
本文测量了几种几何体素作为输入对算法进行了验证。图5分别为带倒角、滚槽、缺损和凸起圆台体的三角网格模型。
(a) (b) (c) (d)
表2中的结果为用上述4个体素以及长方体 (三边长a=b=c=10mm) 、圆环体 (R=3mm、r=2mm) 、球体 (r=5mm) 的三角网格模型计算得到的E1与E2, 以及相应的上底直径之差。
尽管图5中的圆台体模型外形上已经发生了改变, 这种改变可能是由实际加工的需要造成的, 也有可能是因为长期使用造成的磨损, 还有可能是搬运中碰撞导致的破坏, 但从表2的数据可以看出, 根据外形改变后的圆台体模型数据计算得到的上底直径之差不大于0.5, 而根据长方体模型数据计算得到的上底直径之差大于1.0, 由其余两种体素模型数据计算得到的EMD值则超出了表1的范围, 由此可以判定图5均为圆台体。
mm
5 结论
本文给出了一种结合MOBB以及形状分布的识别圆台体及其参数的算法。首先建立基本体素的MOBB, 再进行平移、旋转和比例变换, 得到标准化的基本体素。然后生成其D2形状分布曲线, 计算此曲线分别与标准圆锥体形状分布曲线以及标准圆柱体形状分布曲线的EMD值, 最后通过比较由已知的圆台体上底直径与EMD值的函数关系得到的两个上底直径的大小来判断此体素是否为圆台体, 通过MOBB的边长可以给出圆台体的参数。该算法不需要任何交互操作, 抗噪能力强, 对由人为或加工造成的外形改变 (缺口、滚槽等) 或由体素分割得到的数据不完整的圆台体具有较强的识别能力, 在识别自动化程度上有一定提高。
摘要：给出了一种结合最小有向包围盒 (minimum oriented bounding box, MOBB) 以及形状分布的识别圆台体及其参数的算法。首先建立基本体素的MOBB, 对体素进行标准化;然后生成其D2形状分布曲线, 计算此曲线分别与标准圆锥体形状分布曲线、标准圆柱体形状分布曲线的EMD (earthmover’s distance) 值以及相应的上底直径;最后通过比较两个上底直径的大小来判断此体素是否为圆台体, 并由包围盒的边长给出圆台体的参数。该算法简单有效, 不需要任何交互操作, 而且能够识别发生了一定外形改变的圆台体, 抗噪能力强。
关键词：逆向工程,体素识别,圆台体,形状分布
参考文献
[1]Jun Y, Raja V, Park S.Geometric Feature Recogni-tion for Reverse Engineering using Neural Networks[J].International Journal of Advanced Manufactur-ing Technology, 2001, 17 (6) :462-470.
[2]谭昌柏, 周来水, 安鲁陵, 等.逆向工程中基于BP网络的自动特征识别器的设计与实现[J].计算机辅助几何设计与图形学学报, 2005, 17 (10) :2305-2311.
[3]Osada R, Funkhouser T, Chazelle B, et al.Matc-hing 3d Models with Shape Distributions[C]//In-ternational Conference on Shape Modeling and Ap-plications.Geneva:IEEE Computer Society Press, 2001:154-166.
[4]Osada R, Funkhouser T, Chazelle B, et al.ShapDistributions[J].ACM Transactions on Graphics2002, 21 (4) :807-832.
[5]陈纯.计算机图像处理技术与算法[M].北京:清华大学出版社, 2003.
[6]Press W H, Flannery B P, Teukolsky S A, et alNumerical Recipes in C:the Art of Scientific Computing[M].2nd ed.London:Cambridge University Press, 1992.
分布式识别 篇2
关键词：加速度传感器,信号预处理,区间分布概率矩阵,动态手势识别
基于动作传感器的人机交互不受光线遮挡和角度限制,测量单元易于嵌入片上系统,并且更接近于自然交互方式,基于动作传感器的人机交互已成为当前该领域的研究热点[1,2]。业界对基于加速度传感器的动作识别方法开展了大量的研究,基于隐马尔可夫模型[3]、模糊神经网络[4]、模版匹配[2,5]等识别方法被广为关注和研究。但因这些识别方法的算法复杂度偏高,手势识别的动态实时性和识别率不理想,这些方法难以满足手势在线识别的要求。
本文提出一种基于区间分布概率矩阵模型的在线快速手势识别方法,其主要优点是:(1)把大量工作转移到模型建立和模型优化上面,而这些工作完全可以在PC机上完成。(2)在线识别系统中没有大量复杂计算公式、递归运算和模版库的存储,极大地提高了动态实时性;(3)识别率高,实用性强。通过对日常生活中常做的12种单笔画手势[6]动作的在线识别,验证了该识别方法具有很高的人机交互实时性和较强的实用性。
1 手势识别系统整体架构
手势识别系统流程如图1所示,首先利用样本数据在PC机上建立和优化区间分布概率矩阵模型。利用戴在手指上的可穿戴数据采集和发送模块采集手势动作的三维加速度信号,由接收、处理和识别模块对信号进行预处理、提取和检测X、Y和Z轴的观测点数据、输出观测序列,然后利用建立好的区间分布概率矩阵模型进行手势识别,显示识别结果。
2 信号预处理
2.1 动作数据自动检测和归一化处理
通常用户完成一个动态的手势动作会经历三个阶段:开始阶段、动作阶段和停止阶段。利用此特点可在连续的加速度数据流中检测出手势识别过程所需要的动作阶段加速度数据流。
本文设计了一个可通过设置门限阈值自动检测手势动作阶段加速度数据流的滑动窗口。在手势的开始和停止阶段,加速度数据流可用常量表示。在手势的动作阶段,加速度数据流会产生明显的变化。设A(t)=[ax(t),ay(t),az(t)]为t时刻采集的三轴加速度数值。Threshold为设置的门限阈值。将A(t)和前n个采样点逐个进行比较,若‖A(t)-A(t-n)‖≥threshold,则可判断t时刻的采样点A(t)为动作阶段的数据点,这样即可检测包含运动信息的动作阶段的数据点。
在实际数据检测中,设置2个阈值(开始阈值和结束阈值),较大的开始阈值有利于滤除噪声数据,较小的结束阈值可以确保动作阶段数据传输的完整性[7]。
由于人的手势动作幅度不固定,尤其是不同人做同一个手势动作时,加速度数据幅度相差比较大,所以必须对采集的手势动作加速度数据进行归一化处理,以降低手势动作加速度数据幅度变化差异对识别结果的影响,从而可以降低识别难度,提高识别精度。本文采用的是线性函数转换法,yi=(xi-Min Value)/(Max Value-Min Value)其中xi、yi分别为样本中第i个点处转换前、后的值,MaxValue、Min Value分别为样本中的最大值和最小值。
2.2 插值法归整数据采样频率
由于不同人完成同一种手势动作的快慢不同,而且同一个人完成同一种手势动作的快慢也不尽相同,而系统的采样频率是固定的,相同的手势动作如果完成快,则采集的数据点较少;反之,如果完成速度慢,则采集的数据点较多。这样就增加了识别难度,但是,对于同一种手势动作,无论采集到的数据点多少,它的整体变化规律是相似的。为了简化识别过程,降低识别难度,本文通过插值法把一个完整手势动作数据点扩充到同一长度来消除人为速度干扰因素对识别率的影响。
本文采用三次样条插值法[8](简称spline插值)对手势动作数据点进行扩充。三次插值法既保留了分段低次插值多项式的简单、稳定和收敛等优点,又提高了插值函数的光滑性,从而不会造成原始数据失真。插值效果如图2所示。
3 PC机建立区间分布概率矩阵初始模型
3.1 特征区间提取
3.1.1 观测点的选择
在经过本文上述数据预处理之后,所有手势动作加速度数据长度标准化为H0=50。本文选择加速度值作为特征量,所以需要确定一些特定的观测点(即需要确定一些特定的采样点)来提取不同手势的加速度信息。在选择观测点时,尽量做到在同一个观测点处,相同手势动作的加速度数值变化幅度较小。以X轴为例,根据手势在X轴上加速度数据的特征分布,选取K个观测点:O1,O2,…,Ok。
3.1.2 特征区间的定义
设有M个手势,共N个样本(每种手势有N/M个样本),那么在观测点Ok处,由N/M个观测值构成每个手势的分布区间Ω。统计M个手势的区间的分布情况后,确定M个手势的观测值的分布区间ξ,将ξ划分成S个子区间(左闭右开型):R1,R2,…,Rs。子区间就称为M个手势在观测点Ok处的特征区间。
3.1.3 提取特征区间
以本文的12种手势为例,阐述提取过程。随机为每个手势选取了10个样本,在X轴上观测点O1=10处,12种手势的观测值分布如图3所示。根据这个分布统计出加速度最大值和最小值,就可以知道此时所有样本观测值的集中分布的范围ξ。然后再把这个分布区间范围等间隔分为了5个子区间(即特征区间),则12种手势的所有样本(120个)在观测点处的加速度值都会落入这些子区间:R1,R2,R3,R4,R5。
3.1.4 区间分布概率矩阵及模型的定义
同一种手势的不同样本,在同一个观测点处的观测值可能会落入不同的特征区间。以图3为例,在观测点O1=10处,手势11的10个样本观测值落入了R2,R3,R43个特征区间,但是有的区间落入的观测值多(如R2,7个),有的区间落入的观测值少(如R4,1个),从统计学的角度讲,手势11的10个样本在观测点处的观测值落入R2,R3,R43个特征区间的概率不同。不同的手势在观测点O1=10处又有不同的情况。能够表示不同手势和不同样本在同一个观测点处的观测值落入不同特征区间的概率分布情况(下文有详细建立过程)的矩阵称之为区间分布概率矩阵。在X、Y和Z轴上的所有观测点处的区间分布概率矩阵构成了本文手势识别方法的区间分布概率矩阵模型。
3.2 初始模型建立
初始模型建立过程如下:
(1)为每个观测点建立对应的区间分布概率矩阵。以X轴为例,在某个观测点处,M个手势的N个观测值属于S个不同的特征区间。每个观测点处会对应一个区间分布概率矩阵A,例如在第K个观测点处的区间分布概率矩阵为:Ak(i,j),1≤i≤S,1≤j≤M。
(2)区间分布概率矩阵初始化。每种手势的样本数为N0=N/M,假设在第K个观测点处,手势j(1≤j≤M)有n(0≤n≤N0)个样本中的观测值属于第i个特征区间,则Ak[i,j]=n/N0。这样就可以得到第K个观测点处对应的区间分布概率矩阵Ak(i,j),如表1所示。显然满足:。
(3)用以上步骤分别为X、Y和Z轴上各观测点建立区间分布概率矩阵,这些矩阵构成了区间分布概率矩阵初始模型(在X、Y和Z轴上选取的观测点可以不一样)。
3.3 模型优化
为了提高识别率,还需要对各观测点对应的区间分布概率矩阵进行优化训练。在区间分布概率矩阵初始模型已有的N个样本中继续添加新的训练样本。每添加一个新的训练样本,在各观测点处就会生成一个新的区间分布概率矩阵。例如,在X轴上第k个观测点处会生成一个新的区间分布概率矩阵Ak1[i,j]。随着训练样本的添加,各观测点处的区间分布概率矩阵会趋于一个常数矩阵,这时达到了最优模型,此时的区间分布概率矩阵模型可以用到手势的在线识别中。
4 在线识别
在线识别过程如下:
(1)信号预处理和检测各观测点处对应的特征区间。以X轴为例,当某一手势数据输入时,首先经过信号预处理,然后检测X轴上各观测点处观测值对应的特征区间,输出观测序列O={O1,O2,…,Ok}。例如,在第一个观测点处观测值对应的特征区间为R2,则O1=R2。
(2)计算每一种手势在X轴上输出上述观测序列时的概率值。假设在第l个观测点Ol处的观测值属于第i个区间Ri,则手势m在第l个观测点Ol处的观测值属于区间R2的概率为:
则第m个手势输出上述观测序列的概率为:
识别输入手势。若:
则手势m即为要识别的手势动作。
(3)将以上识别过程在X、Y、Z轴上分别实现。
5 实验结果与评价
为了使传感器与测量点之间尽可能地相对稳定,避免因手势的变化引起传感器偏离原始测量位置,使识别结果产生较大误差,本系统中,把数据采集和发送模块做成了一个小巧的戒指,通过无线的方式将采集到的数据实时地发送给微处理器进行处理和识别。实验时,将戒指模块戴到左手或右手食指的第二节,这样,MMA7361L加速度传感器相对于手指的位置是固定的。
实验中选用了30名志愿者,每个志愿者在自己习惯和放松的状态下,以正常的速度匀速执行预定义的12种手势,每种手势重复做10次,实验中随机选取了5次动作进行训练优化模型,其余的5次动作进行测试,共采集了3 600组样本数据。
实验结果如表2所示。平均识别率为97.94%,手腕向下、手腕向上和右旋转的识别率最高为100%,手腕向右的识别率最低为94.7%。为了更好地说明本文的识别方法在识别率和实时效果上比其他算法更具有优势,实验中同时用HMM和DTW算法对这12中手势进行了识别,平均识别率分别为79.08%和85.2%,并且延时比较明显。基于本文识别方法对手势动作的整体识别率较高,实施效果好,说明本文的识别方法能有效实时地完成人机动态交互。
本文通过对加速度传感器MMA7361L采集到的手势动作加速度数据的分析,经过动作数据自动检测、归一化和三次样条插值预处理,最后根据完成相同手势动作得到的三维加速度数据变化规律的相似性,提出一种基于区间分布概率矩阵模型的动态手势识别方法,简化了传统算法识别过程的复杂度,成功地降低了手势识别难度,从而提高了基于加速度传感器手势识别的人机交互实时性,在一定程度上解决了动态实时性与识别率的相互矛盾性。
参考文献
[1]荆雷,马文君,常丹华.基于动态时间规整的手势加速度信号识别[J].传感技术学报,2012,25(1):72-76.
[2]杨先军,王昌喜,潘磊,等.基于三维加速度信息的上肢动作质量评价的研究[J].传感技术学报,2010,23(12):1709-1712.
[3]CARIDAKIS G,KARPOUZIS K.SOM:self organizingmarkov map for gesture recognition[J].Pattern recognitionletters,2010,31(1):52-59.
[4]CHOWHAN S S,KULKARNI U V,SHINDE G N,et al.Iris recognition using modified fuzzy hypersphere neuralnetwork with different distance measures[J].InternationalJournal of Advanced Computer Sciences and Applications,2011,2(6):130-134.
[5]ZHANG S Q,YUAN C,et al.Self-defined gesture recog-nition on keyless handheld devices using MEMS 3D acce-lerometer[C].In Proceedings of International Conference onNatural Computation.IEEE.2008(4):237-241.
[6]JING L,ZHOU Y,et al.A recognition method for one-stroke finger gestures using a MEMS 3D accelerometer[C].IEICE Tran on Information,2011,E94-D(5):1062-1072.
[7]刘蓉,刘明.基于三轴加速度传感器的手势识别[J].计算机工程,2012,37(24):141-143.
分布式识别 篇3
一、研究设计
1.研究工具与计分方法
研究采用的测量工具为教师量表,该量表由三个分量表构成:情绪衰竭、低成就感和去人格化。量表采用李克特五点计分方法,得分越高表示教师职业倦怠程度越严重。就单项题目得分而言,以3分为研究的理论中值,得分在3分及以上表示教师职业倦怠程度在中等程度以上。
2.数据采集与处理
研究主要采用问卷收集数据。共发出问卷1 283份,收回问卷1 023份,共检出有效问卷890份。数据采用专业性录入软件Epidata3.1录入,运用SPSS19.0软件统计分析。
3.样本描述
研究的经验数据来自于山西省Z县义务教育阶段的890名农村教师。Z县共有人口14万余人,位于山西省西部,属于国家级贫困县,下辖5镇2乡100个行政村。这890名教师全部来自于Z县的5个镇2个乡和25个村。其中公办教师641名,民办教师249名;小学教师696名,初中教师194名;男性教师200名,女性教师679名,另有11名教师性别值缺失(主教科目情况见表1)。
二、结果分析
1.约20%农村教师正在承受着中等程度以上职业倦怠的困扰
表2呈现了Z县890名农村教师的职业倦怠测查得分的总体情况。从表2中可以看出,这890名农村教师职业倦怠得分的平均值为2.459 4,标准差为0.569 46。其中情绪衰竭这一分量表的得分均值最高,为2.957 8,标准差为0.685 69。
进一步分析表明,在890名农村教师中,有182名教师的职业倦怠总均分在3分及以上,占总体比例的20.5%。从分量表来看,情绪衰竭得分均数在3 分及以上的教师数为450 名,占总体比例的50.6%;低成就感得分均数在3分及以上的教师数为128名,占总体比例的14.4%;去人格化得分均数在3分及以上的教师数为207名,占总体比例的23.3%。同时,本研究进一步的检验表明,样本教师的职业倦怠在教师性别、教龄、周课节数和所在学校性质等变量间均不存在两两交互效应,故接下来逐一按照教师群体的上述不同背景变量逐一呈现研究结果。
2.民办学校教师职业倦怠程度显著高于公办教师
近年来,民办教育在我国义务教育阶段获得了快速发展,学校数量、教师和学生数量均呈现出快速增长的态势。尤其是在公办教育资源严重不足的区县,民办中小学的大量涌现极大程度地弥补了公办教育资源的不足,扭转了教育资源配置不均的局面,较好地满足了人民群众及其子女有学上的基本需求,同时也满足了部分家庭为子女获取优质教育资源而择校的迫切愿望。
注:***表示P<0.001。
从表3可以看出,教师职业倦怠现象在民办学校与公办学校中的分布存在显著差异。无论是从教师职业倦怠总量表还是三个分量表来看,均表现出民办学校教师职业倦怠程度显著高于公办教师。为了能够更好地理解这一问题,我们有必要了解民办学校的管理模式及其教师工资待遇。民办学校为了追求不断升高的升学率目标,进而吸引更多的生源、倾斜性政策和其他优质教育资源,往往容易采取高度统一的模式化管理,这样就要求师生在行动上更为统一和集中,他们在校园内的生活也更加程式化;另外一个好处是可以最大程度地避免发生这样或那样的问题。与此同时,民办学校的教师也被许诺更高的工资、福利和津贴,实际上,他们的月工资收入的确高于他们公办学校的同事。本研究的数据表明,民办学校教师的人均月工资收入为2 403元,而公办学校教师则为2 294元,相差109元,经独立样本t检验发现,二者存在显著差异。这109元的差距在城市教师或其他群体高收入人群间也许不算什么,但对于一个身处国家级贫困县的教师群体来说,其存在的意义却是非常明显和重大的,其中既有实际购买力的意义,也有教师工作被认可的象征意义。民办学校教师在获得更高工资收入的同时,也比公办学校的教师承担更大的责任和更高强度的职业紧张感。因为民办学校的工作节奏和氛围一般会比公办学校更加紧凑和紧张,且更少容忍教师对领导者和管理者的阻抗和拖延及对某个政策的打折扣执行。实际上,民办学校的现有管理体制和运行机制除了对教师造成更多的精神压力之外,也造成了其他方面的危害,其表现在《民办中小学“非常规扩张”现象透视及对策建议———以山西省Y县为例》一文中得到了较好的说明。[2]
3.女性教师职业倦怠程度显著高于男性教师
农村教师职业倦怠与性别间的复杂关系是研究者们关注较多的一个话题,但由于抽样方法、样本数量、样本所在地域差异及样本自身特征等方面存在差异,所以此二者间究竟有无关系或者属于何种关系,还存在着较大的争议。关于教师职业倦怠与性别间的关系,大致有两种相反的观点:一种观点认为,男性教师比女性教师所经历和承受的职业倦怠更为严重,其理由是中国传统文化对男性成员和女性成员的要求和期望并不相同,经年累月,这种差别性要求形成了男女两性在职业划分和劳务分工上“男主外、女主内”的两性文化。习惯上,男性成员主要承担着一个家庭的经济责任和社会责任,女性成员负责家务劳动和子女的家庭教育工作。这种不同的期待和要求不断地被人们认可、接受和内化,并长期沿袭。因为男性成员通过所从事的工作获得家庭生活所需物资的主要部分甚至全部,所以他们所承受的压力明显更大。如果他们不能为这个家庭贡献其被期许的经济份额,那么他的整个家庭将会面临生存危机或重组的风险,所以他们只能拼命工作,其所承受的工作压力也极大。而工作压力则会直接导致中小学教师出现情绪衰竭和人格解体(去人格化)症状,工作压力越大,则教师出现情绪衰竭和人格解体状态的程度就越严重。[3]另一种观点则刚好相反,认为女性教师所遭受的职业倦怠现象更为严重。原因在于,传统社会那种“男主内、女主外”的性别文化已经不适用于现代社会和教师行业。一是现代女性已经走出家庭进入社会职场,不再停留在家中接受、托管并消费来自配偶分配于己的生活物资,她们要通过自身的努力在劳动市场上换取经济上和其他方面的独立,同时也为家庭经济总量的增加和经济份额的多元化做出了自己的贡献。对于农村女性教师而言,她们实际上除了完成和应对大量甚至全部家务劳动外,还要完成学校的工作。二是在学校的工作内容上女性教师并不比男性教师更少,任务要求上女性教师也不比男性教师要求更低。这可以从各学校在对教师的教学评估与考核、职称晋升与评审标准等方面的无差别性上得到印证。
为了更深入地认识农村教师职业倦怠在不同性别教师中的分布情况,本研究以Z县义务教育阶段农村教师的经验数据对此做了进一步探索与验证(结果如表4所示)。
注:**表示P<0.01,***表示P<0.001,下同。
从表4可以看出,本研究中的经验证据更加支持第二种观点,即农村女性教师职业倦怠现象更为严重,显著重于农村男性教师。这一发现与王芳和许燕[4]的研究结论相反,与赵玉芳和毕重增[5]以中学教师为研究对象的发现也不一致。这一现象揭示出教师职业倦怠现象在不同背景变量教师群体中的分布所具有的复杂性和多样性,同时也提醒人们对该问题的认识和应对要区别对待,不可以点带面、以偏概全、笼而统之。就本研究而言,除了上述原因外,形成上述现象的另一重原因是部分教师正在经历的候鸟式的工作生活现状,这种现象在别的研究中也得到了证实。[6]研究发现,尤其是当教师的工作场所与生活所在地在空间上隔离开来时,职业倦怠现象在女性教师身上引发的范围和程度均更为普遍和严重。
4.教龄为11~20年教师的职业倦怠现象最严重
从职业倦怠感的内涵和定义可以得知,教师职业倦怠是一个变量,它会随着时间的变化而不断变化。为了更加准确地了解教师职业倦怠的易发和高发期,选取教师的教龄作为自变量,以期了解和揭示职业倦怠现象在不同教龄组的教师中的分布情况(结果如表5所示)。从表5可以看出,教师职业倦怠现象在不同教龄的农村教师中具有明显不同的分布。从教师职业倦怠的三个分量表来看,均表现出11~20 年教龄农村教师的倦怠现象高于其他教龄组教师的趋势,尤其是在情绪衰竭这一维度,11~20年教龄组农村教师的表现显著高于6~10 年和21 年以上教龄组的农村教师。总体来看,也呈现出11~20 年教龄组农村教师的职业倦怠程度显著高于6~10年和21年以上教龄组的农村教师。这一发现与王芳和许燕较早时期的研究发现相一致。[4]教龄在11~20年的这些农村教师可能正处于职业发展成熟阶段的高原期,情感具有鲜明的消极性。[7]而且这一时期的教师刚好承担着较为沉重的家庭负担,因此,他们的职业倦怠感更为严重。
注:教龄组:1为1~5年;2为6~10年;3为11~20年;4为21年及以上。
5.周课量在8节及以上教师的职业倦怠现象最为严重
平均每周课时量对农村小学教师的职业倦怠程度有影响,这已经得到了部分实证研究的支持和证实。[8,9]沿此思路,本研究继续探讨周课量对义务教育阶段农村教师职业倦怠感的影响。表6呈现了不同周课量教师职业倦怠的差异性分布情况。从表6可以看出,就情绪衰竭层面而言,不同周课时量的农村教师间其职业倦怠的分布存在明显的结构性特征,即周课时量为8~12节和13~20节教师的职业倦怠感程度明显高于周课时量为1~7节的教师,尽管周课时量为21~30节教师的职业倦怠与1~7节周课时量的教师间的差异尚未达到显著水平,但也呈现出周课时量越多其职业倦怠得分越高的趋势。就低成就感和去人格化这两个层面而言,也表现出周课时量为8~12节和13~20节教师的职业倦怠得分高于周课时量为1~7节教师的趋势,只是还没有达到显著程度。总体来看,教师职业倦怠现象在不同周课时量的农村教师中具有明显不同的分布,且表现出随着周课时量的增加,其职业倦怠现象趋于严重的迹象。这组数据还可以表明当周课时量在多于8节时农村教师的职业倦怠程度明显提升。
注:A为1~7节;B为8~12节;C为13~20节;D为21~30节;E为31节及以上。
另外还需注意的是,尽管周课时量为13节及以上的教师与周课时量为1~7节教师间的职业倦怠得分均值差异在统计学上尚未达到显著水平,但这绝不等同于教师每周上课数量超过13节与上课数量控制在7节以内对他们身体和心理上造成的压力并无二致,乃至其教育教学效果也无差异,也不意味着他们上课数量越多越好。在一些农村学校,教师的工作负荷是十分繁重的,有的教师兼任数门课程的教学工作,其中部分教师还要担任班主任工作或其他繁杂工作。其中原因非常复杂,如果单从师生比来衡量现有农村教师数量和配置的话,就会发现除了少数地区学校教师短缺外,多数地区学校的教师数量并不低于标准的生师配比。但由于多种现实的原因,如一些教师被借调到县教育行政部门或其他部门,另一些教师长期请假等,导致一些学校教师的实际数量又不能很好满足所需课程开齐开足的现实要求,如音乐、体育、美术、心理健康教育等较少进入考试内容的科目常被视为副科和被边缘化,其专任教师在农村中小学十分短缺,但由于体制和财政等原因无法及时补充进来,原有教师的工作负荷必然会加重。
三、结论与启示
1.结论
不同学校、不同时期教师的职业倦怠现象的表征不尽相同。本研究采用教师职业倦怠量表收集了890名山西Z县义务教育阶段农村教师的职业倦怠及其分布差异的经验数据。结果表明:约20%农村教师正在承受着中等程度以上职业倦怠的困扰,50%的农村教师情绪衰竭现象较为严重;民办学校教师的职业倦怠程度显著高于公办教师;农村女教师更容易受职业倦怠的侵袭和困扰;教龄为11~20年的农村教师职业倦怠现象最严重;当周课量达到8节及以上时农村教师的职业倦怠程度明显提升。此外,本研究还表明,在影响教师职业倦怠的多种因素中,有些因素具有更大的自然性成分,如教师的职业倦怠现象会随着教龄的变化而变化;但有些因素却具有很大的“人为”性成分,如民办学校的统一性和执行度高的管理政策和紧凑、紧张和程式化的校园生活,以及部分教师所承受的大剂量的课程安排,正是这些“人为”性因素不同程度地影响了教师职业生涯的倦怠感,促成甚至加重了教师的职业倦怠。
2.启示
对于教师职业倦怠感的预防和应对,已经有不少较为成熟可行的策略和方式,本研究不再重复。但在此需要着重强调的是,定期监测、识别与评估不同群体教师的职业倦怠是有效应对职业倦怠问题的基础和前提。教育领导部门和教师专业发展促进组织应该有针对性地对特定群体教师的职业倦怠总体状况及分布差异做出监测与评估,以尽早发现和识别出职业倦怠在教师群体中的发展态势及正在遭遇倦怠感长期困扰的教师群体。同样重要的是,在造成农村教师职业倦怠的主客观因素中,主观因素占有很大比例,起到很大作用。今后在帮助他们缓解和应对职业倦怠的过程中,应该优先考虑重新配置教师资源,为教师减轻工作负荷,营造更加宽松的工作环境与和谐轻松活泼的校园生活,而不能单纯强调让教师们学会自我调适以适应当前的工作环境。
摘要：识别和定期监测教师职业倦怠的状况及变化态势是对之有效应对的前提。利用教师职业倦怠量表对山西省Z县890名义务教育阶段农村教师的职业倦怠状况及其群体分布差异进行了系统性识别与评估。结果表明:约20%农村教师正在承受着中等程度以上职业倦怠的困扰,50%的农村教师情绪衰竭现象较为严重;民办学校教师、女教师、教龄为11~20年的教师的职业倦怠现象更为明显、普遍和严重;当周课量达到8节及以上时农村教师的职业倦怠程度明显提升。
关键词：义务教育,农村教师,职业倦怠,识别与评估
参考文献
[1]杨秀玉,杨秀梅.教师职业倦怠解析[J].外国教育研究,2002,29(2):56-60.
[2]肖军虎,王一涛,李丽君.民办中小学“非常规扩张”现象透视及对策建议:以山西省Y县为例[J].教育发展研究,2015(6):26-31.
[3]刘晓明.职业压力、教学效能感与中小学教师职业倦怠的关系[J].心理发展与教育,2004(2):56-61.
[4]王芳,许燕.中小学教师职业枯竭状况及其与社会支持的关系[J].心理学报,2004,36(5):568-574.
[5]赵玉芳,毕重增.中学教师职业倦怠状况及影响因素的研究[J].心理发展与教育,2003(1):80-84.
[6]李涛.政策误区让农村教师岗位成过渡[N/OL].[2015-10-8].http://zqb.cyol.com/html/2015-09/21/nw.D110000zgqnb_20150921_1-10.htm
[7]杨玲.中小学教师职业认同的阶段发展论[J].教师教育研究,2014,26(2):56-64.
[8]高山,许燕.农村小学教师职业枯竭及其与抑郁的关系[J].中国特殊教育,2004(8):46-49.
分布式识别 篇4
能够反映岩性特征的测井参数曲线较多,且不同的测井参数对岩性的识别功能各不相同,而各个测井参数曲线之间的线性组合才能够大致反映地层主要岩性特征。特别的,对于泥质粉砂岩、粉砂质泥岩、细砂岩等过渡性岩性,测井曲线对应的响应值往往呈现模糊性。因此,采用传统的测井解释模型很难正确划分岩性。模糊综合评判法数学模型简单,对多因素、多层次的复杂问题评判效果较好[1],因此本文采用模糊综合评判方法来识别岩性,将评判中的模糊概念用模糊集合表示,通过模糊变换,得出一个用模糊集合表示的评价结果。实践证明,利用模糊综合评判方法识别出的岩性与地质分析资料对比,取得了较高的符合率。
1 模糊综合评判法识别岩性原理与步骤[2]
采用模糊综合评判法,首先要确定因素集、评价集以及权重集,然后根据各因素对评价结果的影响建立评判矩阵,最后选取合适的计算模型做模糊变换,求得最终所需形式的结论。
1.1 因素集和评价集
因素集就是由影响评价结果的所有因素构成的集合,记作:
在测井曲线中,能够反映岩性的因素有自然伽马、声波时差、密度、自然电位、伽马能谱、井径、深侧向、浅侧向、补偿中子、电阻率等,每个因素对岩性识别的敏感度(即重要性)各不相同。
评价集是指可能的所有评价结果的模糊集合,记作:
在岩性识别中,评价结果包含了所有可能的岩性。
1.2 权重集
岩性识别的评判因素很多,而各个因素在综合评判分类中所起的作用大小各不相同。因此,对于同一岩性地层,若采用不同的参数,可能有许多甚至截然不同的分类结果。因而,权重分配非常重要。权重集可以记作:
ai表示第i个因素ui对评价结果vj的重要程度,ai越大,表明第i个因素越重要。本文采用统计法来确定权重集A,即通过对大量的实际测井和岩性资料进行统计与推理,根据经验得出权数分配,进而得出权重集。
1.3 评判矩阵
第i个因素ui对事物作出的评价称为单因素评价,记作:
其中,rij表示第i个评价因素ui对第j种评价结果vj的隶属度,rij的确定可由隶属度函数来表示。在岩性识别中,不止一个因素会影响评价结果,单因素评价只能反映事物的一方面。将n个因素的n个单因素评价向量组成一个矩阵,即为评价矩阵,记作:
1.4 模糊综合评判基本步骤
对测井曲线中多个样本进行综合岩性评判,其基本步骤如下:
(1) 确定评判对象。本文的评判对象即为某一地层岩性;
(2) 确定评价集。本文的评价集为
V={凝灰岩,玄武岩,安山岩,流纹岩,砾岩,砂砾岩};
(3) 确定因素集。本文采用测井曲线中的自然伽马(GR)、声波时差(AC)、密度(DEN)作为评判岩性的影响因素。即:U={自然伽马,声波时差,密度};
(4) 依据各因素确定ri,进而构成模糊关系评判矩阵R;
(5) 确定权重集A={a1,a2,…,an};
(6)进行模糊变换,得评判结果向量B=AR,或者(b1,b2,…,bm)=
(7) 根据最大隶属度原则,得出某段地层岩性的模糊综合评判结果。
2 实例应用分析
能够反映地层岩性的测井参数包括自然伽马、声波时差、密度、自然电位、伽马能谱、井径、深侧向、浅侧向、补偿中子、电阻率等[3],通过文献调研可知,能够较好地反映岩石特点的测井曲线为自然伽马(GR)、声波时差(AC)和密度(DEN)[4,5]。因此,本文以某油田一研究区域为例,输入特征参数为GR、AC和DEN,需要输出的地层岩性包括凝灰岩、玄武岩、安山岩、流纹岩、砾岩和砂砾岩。
2.1 测井参数正态分布规律研究
我们知道,各测井参数都属于随机变量,而由中心极限定理知,许多随机变量分布都是服从或者近似服从正态分布的[6]。据此,本文通过对松辽盆地徐家围子地区大量测井和录井资料进行统计频谱分析,发现对于同一岩性层段,其各项测井参数也是基本服从正态分布的。图1、图2以及图3分别为徐深8井某一层段流纹岩自然伽马(GR)、声波时差(AC)和密度(DEN)概率分布频谱图,容易发现,它们都基本服从正态分布特性。
根据无偏估计理论,即对于任意ui,都有ui～N(μi,σ
由此可建立正态型分布的隶属度函数[7]:
式(3)中,μu(ij)表示第i类测井参数对第j类岩性的隶属度,ui表示待识别岩性地层的第i种测井参数。
2.2 现场应用效果分析
根据隶属度函数,可以分别确定GR、AC和DEN对凝灰岩、玄武岩、 安山岩、 流纹岩、 砾岩和砂砾岩的隶属度,再通过多次正、反演比较,得出评判矩阵:
各个测井特征参数的权系数的确定需要经过大量的统计工作,在计算中,曲线的赫斯特指数和曲线的频率分布图是最重要的影响因素[8]。在赫斯特指数和曲线频率分布图的基础上,通过大量的统计工作,可以确定权重集:
A=(aGR,aAC,aDEN)=(0.111,0.305,0.584)。 确定了评判矩阵和权重集,通过模糊变换,可以得出评判结果向量B=A。R,再根据最大隶属度原则(即ui对哪个模糊子集的隶属度最大,它就归属于这一类模型)确定最终的地层岩性[9]。
根据上述算法,本文利用Visual Basic6.0编制了岩性识别模块,并使用该模块对徐家围子地区近30口井进行了岩性识别,图4给出了徐深8井的岩性识别剖面图,表1给出了对识别结果的对比分析情况,预测结果中“1”表示预测正确,“0”表示预测错误,通过对大量岩性预测结果统计可知,采用该法的识别正确率可达到85%以上,效果是令人满意的。
3 结论
(1) 不同岩性的地层在自然伽马、声波时差、密度等测井曲线上表现出一定的差别,我们必须要综合利用多种测井资料对地层岩性进行识别。模糊综合评判法数学模型简单,对多因素、多层次的复杂问题评判效果较好,因此本文采用模糊综合评判法识别岩性,并且结果显示采用此法能够取得较好的识别结果。
(2) 采用模糊综合评判法识别岩性,关键要确定正确的隶属度函数和权重集,只有在此基础上,评判结果才能尽可能与实际符合。
(3) 地层的各项测井参数基本上是服从正态分布的,据此可以采用正态型分布确定隶属度函数,从而保证正确地划分岩性。
(4) 权重集的确定对评判结果的影响非常大,权重分配不当可能会导致岩性识别错误。本文采用统计法,在赫斯特指数和曲线频率分布图的基础上,通过大量的统计工作,确定权重集。
(5) 运用模糊综合评判法预测地层岩性能够取得较好的效果。在今后的研究中,还可以推广到钻井参数优选、产能预测等方面,应用前景比较广阔。
摘要：不同的测井参数对岩性的识别功能各不相同,只有综合评判各个测井参数曲线才能大致反映地层主要岩性特征,因此传统的定量的数学关系式很难正确地描述地层岩性。模糊综合评判法对多因素、多层次的复杂问题具有较好的评判效果。采用模糊综合评判法识别岩性过程中,合理地确定评判因素及其隶属度函数尤其重要。通过对大量测井和录井资料统计分析,发现对于同一岩性层段,部分测井响应特征参数基本服从正态分布规律。因此利用正态分布理论确定各评判因素隶属度函数,并通过模糊变换,得出用模糊集合表示的评价结果。将评判结果与实例比较证明,该种方法能够克服传统岩性识别中存在的缺点和不足,评判结果更加科学可靠。
关键词：模糊综合评价,岩性识别,正态分布,隶属度,评判矩阵
参考文献
[1]张跃,邹寿平,宿芬.模糊数学方法及其应用.北京:煤炭工业出版社,1992:146—149
[2]肖芳淳,张效羽,张鹏,等.模糊分析设计在石油工业中的应用.北京:石油工业出版社,1993:62—70
[3]王岫岩,许少华,王贵文.模糊模式识别在复杂岩性划分中的应用.大庆石油地质与开发,1998;4,17(2):17—18
[4]覃豪,张超谟.基于粗糙集与模糊数学的岩性识别.江汉石油学院学报,2004;12,26(4):60—62
[5]李新虎.基于不同测井曲线参数集的支持向量机岩性识别对比.煤田地质与勘探,2007;6,35(3):72—75
[6]盛骤,谢式千,潘承毅.概率论与数理统计.北京:高等教育出版社,2001
[7]肖芳淳,张效羽,张鹏,等.模糊分析设计在石油工业中的应用.北京:石油工业出版社,1993:37—38
[8]曾宪报.组合赋权法新探.预测,1997;40(5):69—72