无尺度网络（共5篇）
无尺度网络 篇1
信息物理融合系统 (cyber-physical systems, CPS) 是以通信、计算、控制为核心的高度集成、可监视、可控制的的工程系统, 它实现了信息世界和物理世界的融合, 是与传统的嵌入式系统、无线传感器网络相比更智能的大型复杂系统。CPS被喻为继计算机、互联网以后的又一次IT革命, 是近几年才兴起的一个热门的前沿性研究领域。对其的研究主要集中在医疗健康与救治、航空导航、交通智能、环境监测等领域[1]。目前, 对于CPS的研究虽然取得了一些的成果, 但是CPS的发展仍然面临着诸多挑战。体系结构作为目前学术研究的一个热点, 是CPS的骨架和灵魂, 也是CPS一切功能实现的重要支撑。
目前, 对于CPS体系结构基本上有如下几种构建:文献[2]提出一种基于时间自动机的CPS体系, 在刻画每个CPS组件时增加了时间属性和时间约束, 着重改善了CPS的实时性。文献[3]利用MultiAgent系统的特点, 提出了一种基于Multi-Agent的CPS体系, 使CPS具有较好的协同能力。文献[4]给出一种基于AOcont PN的CPS体系, 很好的描述了CPS离散与连续混合的复杂行为。文献[5]提出了一种面向服务的CPS体系, 将CPS体系结构划分为四层, 在一定程度上满足了CPS功能上的需求。这些构建方法分别从不同的角度改进了CPS的某些性能, 尽管如此, 作为一个高度开放、灵活、复杂的动态系统, 这些研究是远远不够的, CPS仍然面临着诸多问题亟待我们去解决, 例如:如何构建合理的体系结构, 如何保证系统的稳健性, 如何满足其可控、可信、可扩展的内涵要求等。
本文深入研究CPS体系内涵, 并结合无尺度网络的特性, 提出一种基于改进的无尺度网络的CPS体系构建方法。并利用复杂网络中的分析方法, 通过将本结构与以随机模型构建CPS相比较, 说明了本结构具有极其强韧的抵抗随机事故的能力, 通过与未进行改进的无尺度CPS比较, 本结构对故意性事故的抵抗能力也有进一步的改善。
1无尺度网络
在网络理论中, 无尺度网络 (或称无标度网络) 是带有一类特性的复杂网络, 其典型特征是在网络中的大部分节点只和很少节点连接, 只有极少的关键节点与非常多的一般节点连接[6]。这种关键节点的存在使得无尺度网络对意外故障有强大的承受能力, 但面对协同性攻击时则显得脆弱。
其模型描述如下:
从一个具有N0个孤立节点的网络开始, 在每一个时间步内, 执行下面三个步骤中的一个:
(1) 向网络中引入 () m m≤N0条新边, 其概率为p。新边的一端随机与结构中一节点V连接, 另外一端与节点Q相连, 其连接概率为P (V→Q) , 其中任意节点i的度为ki, 并且满足如下表达式:
此过程重复复m次。
(2) 机构中的 () m m≤N0条新边进行重连, 其概率为q。第一步, 将随机个节点V和边 () LV→Q移除。第二步, 用一条连接V和Q′的新边 () LV→Q′替换, 其中节点Q′被选择的概率为Qp′, 同样满足公式 (1) , 此过程重复m次。
(3) 向结构中引入一个新节点并且连接到 () m m≤N0个已存在的节点上, 其概率为1-p-q, 选择已存在的节点Q′的概率为 () QpW→′′, 满足公式 (2) 。
2改进的无尺度网络
2.1一种改进无尺度网络的方法
无尺度网络的典型特征是:增长和择优选择。第一个特点表明无尺度网络可以不断地扩张。第二个特点则意味着, 当新的连接建立时, 它们更倾向于连接到已经有较多连接的节点。随着时间的推移, 这些节点将拥有比其他节点更多的连接数目。这就是所谓的“富者越富”现象[7]。然而在实际中, 受环境、能力等条件的限制, 任何一个节点所建立的连接数量都是有限的, 当数量达到一定极限时, 节点便会出现故障, 影响系统的正常运行。对于CPS中的某一节点, 就其通信功能来讲, 当其所承载的通信量大于其所能承受的最大值时, 就会产生通信拥堵的现象, 严重影响系统的通信性能, 甚至造成通信系统瘫痪。为了改善此类问题, 本文在原模型基础上引入了节点度的控制。节点度是衡量节点连接能力的物理量, 本文对每个节点设定了一个节点度最大值kmax。同时也考虑节点所能连接的距离对连接概率的影响。
其构造算法描述如下:
从一个具有个N0孤立节点的网络开始, 在每一个时间步内, 执行下面三个步骤中的一个:
(1) 向网络中引入 () m m≤N0条新边, 其概率为p。新边的一端随机与结构中一节点V连接, 另外一端与网络中已存在的任意节点Q相连, 其连接概率为P (V→Q) , 其中任意节点i的度为ki, 并且满足如下表达式:
kmax为节点的最大连通度, WV, WQ为节点V, Q能够进行连接的最远距离 (WV, WQ≥W) , W为V, Q两点间的距离, 此过程重复复m次。
(2) 机构中的 () m m≤N0条新边进行重连。第一步, 将随机个节点V和边 () LV→Q移除。第二步, 用一条连接V和Q′的新边L (V→Q′) 替换, 其中节点Q′被选择的概率为pQ′, 同样满足公式 (3) , 此过程重复m次。
(3) 向结构中引入一个新节点并且连接到 () m m≤N0个已存在的节点上, 其概率为1-p-q, 选择已存在的节点Q′的概率为 () QpW→′′, 同样满足公式 (3) 。
2.2仿真结果与分析
仿真环境采用Pajek中ESF网络, 并设置了如下仿真参数, 包括:增边概率p, 重连概率q, 节点最大度kmax, 以及每次增边/重连/增点的值m, 取p=q=0.33;kmax=100;m=1;N0=10并结合上述公式得到仿真模拟图, 如图1所示。
从图1中可以看出, 随着时间的推移, 节点的度快速增加, 但是在将要到达节点最大值的附近, 节点度增加速度放缓, 此后慢慢逼近于节点度的最大值kmax, 并在最大值处基本保持不变, 这样就控制了节点的度, 同时也限制“富者越富”的现象的发生。
3基于改进的无尺度网络的CPS体系结构设计
3.1体系结构介绍
通过对无尺度网络进行改进, 使得无尺度网络的在其原有增长和择优连接的两个特性的基础上, 增加了节点度的约束, 这将使其更加接近于现实中网络。而CPS是一个动态、开放的复杂智能系统, 其智能性和动态特性决定了其具有无尺度网络的特点。所以本文结合改进的无尺度网络和CPS的内涵设计出如下CPS体系结构, 如图2所示。
基于无尺度网络的CPS体系结构由CPS节点, 数据库、服务器、虚拟存储区、下一点网络等构成。CPS节点是CPS的最小功能实现单元, 并根据节点度大小的不同, 分为关键节点和一般节点。数据库、服务器、虚拟存储器等用来存储或者处理系统中的数据与信息。下一代网络是负责将CPS的各个组成部分相互连接, 实现数据交换、资源共享和互操作等功能。
在结构上, 是一个分布式的自主结构, 把复杂的系统分散成若干个易于管理的小系统即CPS节点, 这些CPS节点可以彼此相互通讯、相互协作, 实现信息、知识等的共享, 改善每个CPS节点的基本能力, 然后逐渐完善、逐步实施, 由此降低复杂系统组织的难度, 使复杂系统变得易于实现。
在扩展和演化上, 以“择优选择”的方式扩展, 同时受节点度和通信距离等的约束。当一个新的连接建立时, 优先选择那些计算、通信能力强、信息量大的关键节点, 使得系统资源得到以充分利用, 提高了CPS工作效率。在系统稳健性上, 选择最大连通片S作为衡量本结构应对事故能力的标准, 它能较好的反映本结构在遇到事故以后, 体系结构保持连通性的能力。
3.2 CPS节点工作流程介绍
CPS节点是CPS体系结构的核心, 是CPS功能实现的最小单元。每个CPS节点由对环境进行感知的传感器, 影响环境的执行器, 对数据进行分析处理的计算 (控制) 单元, 对时间进行约束的计时器组成。其工作流程如图3所示。
物理世界包括物理实体 (例如, 医疗器械、车辆、飞机等) 和实体所处的物理环境 (例如, 温度、空气、光照等) , 且它们具有各自的物理特征或属性。传感器将它从物理世界中获得相关的物理数据, 转换成信息, 并将这些感知信息传输到计算 (控制) 单元。计算 (控制) 单元接收来自传感器的感知信息, 并对这些信息进行融合计算, 再根据用户提供的控制规则进行处理, 发出相应的控制指令。然后执行器根据计算 (控制) 单元所发的指令, 改变物理实体或物理环境的状态。计时器用于规范各个组件相关处理过程的时间约束。在这整个过程中, 与息的交互于共享都由CPS节点的通信功能来完成, 通过下一代网络实现等功能。
4稳健性分析与仿真
稳健性是CPS体系结构的重要技术指标, 只有建立起稳健的体系结构, 才能开发出稳定的CPS系统, 为实现CPS功能提供可靠的支撑。因此进行可靠性分析的意义尤其重大。
4.1仿真背景
本文基于CPS体系结构上的考虑, 并结合无尺度网络的特性, 主要针对以下两种情况分析系统的稳健性, 并对其进行仿真。
(1) 随机性失效, 即结构中的节点随机的发生了功能失效的状况, 这与体系中中的随机故障相对应。仿真时本文以随机地删除网络中的节点来模拟。 (2) 选择性失效, 即在已知结构中各节点度的前提下, 按照节点的度从大到小来破坏节点功能, 这与体系中的故意性攻击相对应。仿真时本文按照节点的度大小依次删除节点来模拟。
4.2衡量指标的计算方法
通过分析与比较, 我们采用复杂网络中的优先收缩算法来计算最大连通片值。计算步骤如下:
4.3仿真步骤与实现
在Pajek的仿真环境下, 分别根据复杂网络中的随机性模型、无尺度模型和改进的无尺度模型构建三个不同的CPS体系结构, 其大小均为N, 节点坐标为 (x, y, z) 。最小时间间隔均为T, t∈[0, 800]ms通过如下步骤进行仿真:
Step1:通过软件程序的设计, 随机的选择 (或按连接度从大到小选择) 一个三维坐标, 然后删除此坐标对应的节点, 以实现对随机性失效或选择性失效的模拟;
Step2:根据上文中提到的方法, 计算一下网络的最大连通片值S
Step3:重复步骤1和步骤2。
最后得到图4和图5。
4.4仿真结果与分析
在图4中, 由于无尺度网络对意外故障有强大的承受能力, 所以在面对随机性失效情况时, 由改进的无尺度网络所构建的CPS体系的S/N值相比于以随机模型构建的CPS体系的S/N值, 下降非常缓慢。在图5中, 由于节点度得到了有效控制, 所以在面对选择性失效时, 由改进的无尺度网络构建的CPS体系的S/N值相对于未改进无尺度网络的CPS体系, S/N下降速度明显放缓。综上所述, 本文的CPS体系结构即保留了无尺度网络相对于随机网络的稳健性, 同时也改善了无尺度网络本身所具有的脆弱性, 有效的提高CPS系统整体的稳健性。
5结语
本文在充分理解CPS体系结构内涵要求的基础上, 深入挖掘无尺度网络特点, 通过约束节点度的方法, 改进了传统的无尺度网络模型, 并应用改进后的模型构建了一种新型CPS体系结构。通过仿真我们发现本文所构建的CPS体系结构, 使系统既拥有了抵抗CPS节点随机性失效事故的能力, 同时也明显改善了其面对选择性失效事故的脆弱性, 是一种稳健的CPS体系结构。本文的创新之处在于把无尺度网络与CPS概念相结合, 形成了一种新的CPS构建方法。这种方法丰富了CPS体系构建思路, 对今后CPS的研究起到了积极的促进作用。
摘要：针对构建可信、可控、可扩展的CPS体系结构的内涵要求, 提出一种基于改进的无尺度网络的CPS体系构建方法。本方法通过引入节点度的控制, 抑制了无尺度网络“富者越富”的现象, 并结合CPS体系特点, 构建了一种新型的CPS体系结构。仿真结果表明, 本文构建的CPS体系结构在面对随机性失效和选择性失效事故时, 都拥有较高的连通性, 证实了本文所提出的CPS体系构建方法, 在一定程度上提高系统的稳建性。
关键词：信息物理融合系统,改进的无尺度网络,体系结构,稳健性
参考文献
[1]黎作鹏, 张天驰, 张菁.信息物理融合系统 (CPS) 研究综述[J].计算机科学, 2011.9, 38 (9) :25-31.
[2]陈志辉.基于时间自动机的信息物理融合系统建模与验证[J].计算机与现代化, 2012, 10:125-130.
[3]王长涛, 黄宽, 韩杰.基于Multi-Agent体系构建的智能家居信息物理融合系统设计[J].科技广场, 2012, 9:98-101.
[4]钱之琳, 虞惠群.一种基于AOcontPN的信息物理融合系统建模方法[J].华东理工大学学报, 2013, 4:217-221.
[5]陈丽娜, 王小乐, 邓苏.cps体系结构设计[J].计算机科学, 2011, 5, 38 (5) :295-300.
[6]胡斌, 黎放.多种攻击策略下无标度网络修复策略[J].系统工程与电子技术, 2010, 1, 32 (1) :86-89.
[7]左继伟, 朱娜, 朱士芬.“一种节点可控的扩展无尺度网络模型[J]”.计算机工程与应用, 2008, 44 (15) :116-117.
[8]车宏安, 顾基发.无标度网络及其系统科学意义[J].系统工程理论与实践, 2004, 4:11-16.
无尺度网络 篇2
无衍射光技术可以实现成像系统景深的延拓[1,2,3],所成的像虽对离焦不敏感,但需要进行图像复原。普通图像复原的方法,例如,RLW算法[4],维纳滤波法,盲复原法,Lucy-Richardson法,约束最小二乘方滤波法等,在一定程度上能改善图像的效果,但是这些算法得到的图像边缘轮廓不清晰,因而还不能将其应用于在线检测。多幅图像叠加算法是将多幅图像线性叠加一起后达到降低噪声的效果[5,6],从而提高图像的对比度,增强图像的细节。Retinex算法[7,8,9,10,11,12,13]对于输入图像的处理过程是一种模仿人类视觉系统的非线性处理,它可以改善图像的光照条件,锐化图像的细节,并且使输出图像的色彩或灰度分布自然地接近实际场景。然而将以上的复原方法单一的应用于无衍射光大景深成像系统,复原的图像效果并不理想。
本文利用Retinex算法具有锐化图像细节特性和多幅图像叠加算法具有提高对比度特性将两者组合使用,提出多幅图像叠加与多尺度Retinex算法(MCIMSR),可以达到提高图像的对比度,增强图像的细节,锐化图像边缘轮廓目的。
1 无衍射光大景深成像系统
无衍射光大景深成像系统主要由透镜、轴锥镜、CCD摄像头、计算机组成。成像系统主要利用轴锥镜产生无衍射光束的中心光斑的大小在一定范围内保持不变的特性来设计,从而来拓展成像系统的景深,其景深为图1中的D,文献[2]给出了其计算过程。
尽管无衍射光大景深成像系统能拓展系统的景深,但所成的像很模糊,需要借助数字图像处理技术进行图像复原。导致系统成像模糊的原因是,无衍射光大景深成像系统所成的像可以看成是由物体发出的无数个点光源叠加后形成的,而每个点光源经过成像系统后的衍射光斑的中心光斑强度很大,中心光斑以外的部分近似为均匀的背景。因此,当物体上的很多点物产生的均匀背景叠加后,使得整个图像的背景增强,结果使得图像的对比度下降了,故无衍射光大景深成像系统在景深范围内所成的像都是不清晰的,如图2给出了物体在不同景深处的实验图像。实验中用白光照射物体,轴锥镜的参数取值分别为锥角θ=0.01弧度,折射率n=1.5,D=20 mm, 采用面积为4.8 mm×3.6 mm,CCD像素尺寸为6.5 μm×6.25 μm。
2 基于多幅图像叠加与Retinex的无衍射光图像复原
一般情况下,图像的退化模型可以采用矩阵形式,即
undefined
式中g、f和n分别表示由观察到的退化图像、原始图像和退化过程中所引入的加性噪声。H为由退化系统点扩散函数h(x,y)所构成的矩阵。当点扩散函数h(x,y)为空间线性不变时,此时图像的退化模型可以采用下述的卷积形式来表示
undefined
式中“*”表示空间的二维卷积运算,g(x,y)和f(x,y)则为图像大小的二维矩阵。因此图像复原就是如何从已知的退化图像g(x,y),h(x,y)和n(x,y)的有关知识估计出f(x,y)的估计值undefined(x,y)。
2.1 多幅图像叠加算法
通过分析无衍射光大景深成像系统所成图像的特点,发现图像的细节相对背景分布在很窄的强度范围内,这样使得图像的对比度较低。同时成像系统的噪声主要是高斯白噪声,而多幅图像叠加方法对降低高斯白噪声有很好的效果,因而,先采用这种方法来降低无衍射光成像系统所成图像的噪声。
设共有M幅图像进行叠加,得到如下关系
undefined
式中,gi(x,y)和ni(x,y)分别为第i幅图的退化图像和噪声。
通过分析无衍射大景深成像系统的点扩散函数的特性知,无衍射光大景深成像系统的点扩散函数主要由强度很大的中心光斑和近似均匀分布的背景所构成,这两部分可以看成为脉冲分量δ和低强度部分h2,即
undefined
将式(4)代入式(3),可得到下式:
undefined
式(5)中的h2(x,y)*f(x,y)是未退化图像与点扩散函数中低强度部分的卷积。由于点扩散函数低强度部分能量分布较广且起伏很小,卷积的结果导致图像模糊。通过实验发现,可用任意一幅退化图像gm(x,y)进行高斯低通去噪后得gm′(x,y)去替换h2(x,y)*f(x,y)。这样,可得到原始图像的估计值undefined为:
undefined
式中,P为照度调节值,∑undefinedni(x,y)为常量,m∈[1,M]。
无衍射光成像系统的噪声主要是高斯噪声,将M幅图像的噪声叠加起来,则有:
undefined
可见随着图数量M的增加,式(6)右边的噪声项的值趋向于它的数学期望值E[ni(x,y)]。一般情况下,白色高斯噪声的数学期望都等于零,即∑undefinedni(x,y)=0。
即式(6)可以简化为:
undefined
虽然多幅图像叠加方法,提高了图像的对比度,在很大程度上改善了图像的视觉效果,但图像的失真比较严重,同时边缘轮廓不清晰,因而需要进一步处理。多尺度Retinex算法具有锐化图像细节的特性,本文将采取这种方法进行进一步图像复原。
2.2 多尺度Retinex
Edwin H.Land首先提出了Retinex作为人眼感知亮度和色度的视觉模型,该理论论述了人眼视觉系统是如何获取景物的图像,并具有色感一致性。所谓色感一致性,是指在人眼能够在不同亮度情况下仍可辨认物体本来颜色的能力。对于灰度图像而言,色感一致性体现了在不同亮度情况下分辨物体灰度级(亮度)的能力。
基于这种方法处理的图像可以使图像在边缘锐化、动态范围压缩和颜色的恒定性方面都有很好的效果。Retinex理论的基本思想是将原始图像I(x,y)看成是由照射光图像L(x,y)和物体反射属性R(x,y)组成[7],可以用以下公式表示
undefined
一般来说,反射图像R(x,y)对应于输入图像中的高频信息,主要是边界、纹理等来自物体的信息,而光照图像L(x,y)则是对应于图像中来自场景环境的低频信息。因此在原始图像中去除或降低照射图像的影响从而保留本质的反射属性是Retinex理论的基本思想。
对输入图像做平滑滤波,得到光照分量L(x,y)如下式所示:
undefined
式中I(x,y)表示输入图像,*表示卷积运算,G(x,y)为环境函数,通常采用高斯函数的形式:
undefined
式中ε为标准差。对式(8)两边取对数后化简得对数域的反射分量:
undefined
此时标准差ε又可看为尺度参数,ε较小时,算法的动态压缩能力强;ε较大时,图像的色感一致性较好。为了在动态范围压缩和色感一致性之间取得较好的平衡,采用多尺度Retinex算法。
多尺度Retinex算法是一种既可以很好完成图像的动态范围压缩,又可保证图像的色感一致性好的图像增强算法。该算法可用下式描述:
undefined
其中下标i表示第i个光谱带,N表示光谱带个数,N=1时代表灰度图像,N=3代表彩色图像(RGB)。Wk可以根据侧重动态范围压缩或是侧重色感一致性的需要来选取。Gi选取不同的标准偏差εk,用来控制环境函数范围的尺度。
2.3多幅图像叠加与多尺度Retinex的组合算法(MCIMSR)
为了复原无衍射光大景深成像系统的原始图像,本文在分析多幅图像叠加算法与多尺度Retinex算法的基础上,提出基于多幅图像叠加与多尺度Retinex组合算法,具体实现过程如图3所示。
图像的复原步骤如下:
(1)首先对输入的图像gi(x,y)进行灰度化,进而得到的M幅灰度图g′i(x,y)进行图像叠加∑undefinedg′i(x,y);
(2)取输入图像中的一幅进行高斯低通滤波处理g′m(x,y);
(3)将叠加后的图像∑undefinedg′i(x,y)与g′m(x,y)做减法,并对整体进行系数调节,输出的图像为undefined(x,y);
(4)因多幅图叠加法得到的undefined(x,y)像素有正有负,而多尺度Retinex增强算法处理的是灰度图像或彩色图像。因此,必须将得到的像素值undefined(x,y)映射到[0,255]范围内,即采用以下线性映射
undefined
式中fmax,fmin分别为undefined(x,y)中像素的最大值和最小值,L′(x,y)为正规化结果。
(5)将输出的图像进行多尺度Retinex处理,最终得到目标图像R(x,y)。
undefined
3 实验结果分析
为了验证以上理论分析,利用MCIMSR算法对图2进行图像复原。本文选取高斯低通滤波器的模板大小为[30 30],标准差为10,其频率响应如图4所示。多幅图像数目为M=98。采用的多尺度Retinex算法选取大、中、小3个尺度分别为25、100、220,并且每个尺度的权重通过多次试验发现各分量(即R、G、B)的最佳权重为1.13,0.54,0.13。
图5～图8分别给出了维纳滤波、多幅图像叠加方法、多尺度Retinex算法和MCIMSR算法的复原结果。
从以上四种方法的复原结果可看出,都明显提高了图像的对比度和清晰度,但本文提出的方法更占优势,复原的效果要好于其它三种方法。从色彩饱和性与亮度方面更符合人的视觉系统,因而,可适用于成像系统的图像复原。
4 结 论
无尺度网络 篇3
两尺度贝叶斯网络模型是在传统贝叶斯网络模型上进行的改进, 由上下两层贝叶斯网络构成, 如图1所示。假设一幅SAR图像Y0, 由SAR图像的多尺度序列求得父层Y1。Y1, Y0分别作为上层 (粗尺度) 和下层 (细尺度) 贝叶斯网络的输入图像, 与其对应的贝叶斯网络可用标记图像表示为X1, X0。粗尺度X1的结点在细尺度X0都有四个子结点, 因此细尺度结点数N是粗尺度结点数n的4倍, N=4n。与单尺度贝叶斯网络不同, 结点的取值除了与它相邻的四个结点相关, 还要考虑对应的上层父结点。最细尺度上标记图像最大后验概率 (MAP可表示为:
当SAR图像很大时, 如何对式 (1) 进行计算是主要问题, 本文用BP算法来估计每个结点的MAP。
2. 实验结果与分析
本文将两尺度Bayesian网络模型应用到SAR图像上 (图2 (a) ) , 首先用EM算法进行参数估计, 分类结果如图2 (d) 。图2 (b) 是MRF-ICM分类模型的结果, 图2 (c) 是单尺度Bayesian网络模型的结果。
(a) 原图 (b) MRF-ICM分类图, (c) 单尺度Bayesian网络 (d) 两尺度Bayesian网络
3. 结论
本文提出了改进的两尺度Bayesian网络模型, 并把模型应用到SAR图象分割中, 从实验中可以看到两尺度Bayesian网络分类模型不仅保留了单尺度贝叶斯网络的边缘, 而且改善了整体区域的分类效果。
参考文献
[1]Li Pan;Hong Zheng."Bayesian Image Segmentation andthe Data Preprocessing Method using Fuzzy C-meanClustering", IEEE Trans.International Multi-Symposiums, vol.2, pp.686-691, June, 2006.
无尺度网络 篇4
适当的网络流量管理对固定网络和移动宽带的提供商来说是有必要的, 监管的难点在于如何界定“适当”的标准。
网络中立作为一个富有争议性的话题, 最近被频频摆上美国和欧洲电信监管者们的议程。但我们相信欧盟各成员国电信监管机构 (NRAs) 不会急着实施新的配套措施, 因为欧洲高水平的电信接入管制和刚刚发布的新电信管理框架已经提供了基本的管理规范。尽管欧盟与美国电信监管存在上述不同之处, 但是无论在哪个区域, 网络透明都是电信监管条例中相当重要的原则。部分欧盟成员国监管机构在网络透明规范的前提下, 允许运营商进行适当的流量管理, 并规定了相应的最低服务标准。
网络透明是中立的必要条件
网络透明是推行网络中立的必要条件。再合理的网络监管政策也不可能涵盖所有可能的情况, 因此强调运营商的网络透明性, 可以使其某些行为在即使没有被明令禁止的情况下, 也不能威胁到消费者的利益。同样, 网络透明也可以赋予消费者在面对运营商不同政策时做出选择的权利, 无论这些政策是否引起了监管部门的不满。
正因为如此, 为了优先保护消费者的权益, 各国监管机构必须建立有效的网络透明规范。2010年12月美国联邦通信委员会FCC颁发的最新电信监管条例中, 网络透明被放在网络中立三项原则的首位。FCC规定, 宽带提供商必须向公众公开其网络管理行为 (针对此项规范的法案正在制定中) 。在欧盟, 运营商也必须公开其流量管理行为, 而且在欧洲新电信管理框架规范下, 消费者将被赋予获取更多服务提供商相关信息的权力。
在欧盟成员国之间关于网络中立更一步的讨论中, 我们建议监管者将网络透明性列为最重要的原则, 以最小化运营商歧视性的反竞争行为所带来的风险。宽带提供者必须将其通过数据服务能够提供的服务与应用的相关信息明确、清晰地告诉消费者, 包括服务质量 (Qo S) 、流量限制和其他流量管理措施等。
欧盟各成员国监管机构在制定网络中立规范时需要考虑的两个要点包括:其一, 欧洲电信管理框架已在27个欧盟成员国实现了高水平的接入管制;其二, 随着27个成员国将新的欧洲电信管理框架内容纳入国家法律, 新电信管理框架将提供基本的管理规则来管理网络中立。
除了前述欧洲市场与美国市场的截然不同的特点, 欧洲的监管者对宽带服务还有明确的管制权力。
良性的接入竞争使欧洲电信零售市场比美国市场的竞争更加充分, 在美国, FCC更倾向于对基础设施建设的管制。因此较之美国消费者, 欧洲消费者能更方便地在不同服务商之间进行切换。但是最近运营商捆绑销售的行为在欧洲市场愈演愈烈, 可能会进一步限制消费者更换宽带服务提供商的权利。因此, 欧洲新电信管理框架要求各成员国监管机构检查并取消不合理的转换壁垒, 其中也包括捆绑销售政策。
我们认为在新电信管理框架被成员国纳入国家法律之前 (这一立法进程要求在今年5月之前完成) , 各国监管机构不会急着上马新的监管配套措施, 因为新电信管理框架将为网络中立提供基本保障。
意大利已经提出了关于网络透明和网络中立的法案;挪威、瑞典和法国已经提出建立相关规范;英国已结束了针对网络中立的讨论, 但还没有作出最后决定;西班牙和德国还在讨论之中。
移动流量管理具更大复杂性
监管机构必须承认, 适当的网络流量管理对固定网络和移动宽带的提供商来说是有必要的, 监管的难点在于如何界定“适当”的标准。无论如何, 以下两种极端情况是监管部门需要注意的:运营商以管理网络流量为借口来阻挠竞争者;或者运营商限制流量使得网络质量下降, 进而影响到消费者的体验。
在涉及移动网络时, 制定合理的流量管理标准所面临的挑战更甚。因为移动网络在技术和运营上具有特殊性, 比如受到频谱稀缺和回传条件的限制, 移动网络的容量有限;又比如用户位置的不确定性, 以及网络中的特定部分意外出现拥塞等等。相对于固定网络运营商, 移动网络运营商在流量管理上需要更多的灵活性。监管机构在制定规范时不仅要考虑到这些因素, 而且在频谱拍卖的时候也要考虑到为移动网络运营商提供更多的空间使其得以发展自身网络。
对欧盟各成员国监管机构如何推行网络中立, 我们有三点建议。
允许运营商进行适当的流量管理。网络中立并不意味着对流量管理的“零容忍”, 适当的流量管理可以区分不同的服务等级, 以及提高网络的工作效率。但流量管理必须遵守一定的标准。监管机构必须坚持欧洲新电信管理框架规定的网络透明原则, 让消费者获得充分的知情权, 尤其是最低服务标准等信息。与此同时, 监管机构需要制定一套实用且合理的方法, 以检查运营商的流量管理是否与开放互联网和网络中立原则相冲突。
网络中立规范对移动网络和固定网络运营商同样必要。我们认为网络中立对移动网络运营商也是十分必要的, 因为已有越来越多的消费者使用移动终端接入网络, 移动数据流量一直在上升, 今后移动网络将会引领宽带应用。但是在具体实施的时候, 监管者需要针对移动网络和固定网络的不同特性进行区别对待。
无尺度网络 篇5
关键词：时间尺度,中长期水文预报,神经网络,长江流域
0 引言
水文预报是根据前期或现时已出现的水文和气象等信息, 运用水文学、气象学、水力学的原理和方法, 对未来一定时段内的水文情势做出定量或定性的预报[1], 分为短期、中长期和超长期水文预报, 其预见期分别为数小时至数天、3天以上至1年以内和1年以上[2,3]。其中, 中长期水文预报可为制定水资源调度计划提供年、月来水预报信息, 使人们在协调各部门之间用水矛盾时, 及早采取措施, 统筹安排, 以获得最佳综合效益。
传统的中长期水文预报方法主要有成因分析法、数理统计法和时间序列分析法。近年来, 得益于新的数学分支和计算机技术的发展, 新兴的预报方法迅速发展, 主要有模糊分析、人工神经网络、灰色系统、小波分析、支持向量机、遗传算法、投影寻踪自回归模型[4]等及其耦合模型[5]。其中, 神经网络模型可以有效地处理问题的非线性、模糊性和不确定性, 且精度较高, 是近年来中长期水文预报中应用最广泛的模型之一, 相关的研究工作亦较多[6,7,8,9,10]。
目前对中长期水文预报的研究普遍都集中在预报方法上, 试图通过改进算法来提高预报的精度, 而对于通过改变水文尺度来提高预报精度的研究则较少。水文尺度是指水文过程、水文观测或水文模型的特征时间或长度[11], 研究较多的有年、季、月、旬、3日这几个尺度。前人针对不同时间尺度的径流预报也作了一定的研究, 如年径流量预报[12,13,14]、季径流量预报[15,16,17]、月径流量预报[18,19]、旬径流量预报[20,21]等, 但是这些研究均主要集中在单个时间尺度的预报, 对于将不同时间尺度的预报结果进行比较研究的则相对较少, 撒爱文等[22]在防汛抗旱减灾中将水文预报模型进行了多时间尺度的计算, 为防汛抗旱取得了显著的效益;高燕等[23]在研究流域洪水预报模型时指出水文模型模拟尺度应该有个上下阀值, 并在阀值范围内存在一个最佳模拟尺度。
本文采用神经网络模型, 选取了长江流域上中下游共五个水文站的流量资料, 尝试将时间尺度引入中长期水文预报工作中, 分别在年、季、月、旬、3日五个时间尺度上进行径流模拟和预报, 探究模型计算误差随预报时间尺度的变化情况, 并分析其变化原因。
1 研究方法
1.1 神经网络方法
本文径流预报采用BP神经网络 (Back Propagation Neural Network) 模型, 该模型由输入层、隐含层和输出层构成, 输入输出层的节点数目在传统的BP网络里仅由输入输出参数的数目来决定。
图1是简单的三层BP网络结构模型。
BP网络的输入节点一般没有阈值, 也没有激励函数。也就是说, 对输入节点的输入就直接等于输入节点的输出。隐含层和输出层的阈值按权值处理, 这些节点的函数为Sigmoid函数, 其最一般的形式为:f (x) =β/[1+exp (-γx) ]。参数β和γ可在网络学习中进行调整。常用的BP网络的激励函数为:
式中:x为因子归一处理后的值
本文的BP模型采用LMBP算法[10], 给定的训练精度ξ=1×10-6, 设定最大训练次数为5 000次。在该模型中, 输入层是所采用的已知径流资料。由于各时间尺度径流预报时所选用的径流资料数量不同, 因此输入层的神经元数目也不同;隐含层神经元数目根据实际情况在4~13范围内试算;预报径流为该模型的输出层, 其数目为1。输入层与隐含层、隐含层与输出层神经元之间的传递函数分别采用tansig函数与purelin函数。
1.2 各时间尺度径流计算方法
本文研究的时间尺度是针对预报时间而言的, 分为年、季、月、旬及3日这五个时间尺度, 由于本文所采用的基础观测资料为径流的日资料, 故需要将其进行时间尺度转换, 对应的方法分别为时间聚集[23], 即令转换对象 (日径流资料) 在时域上压缩而幅度不发生变化, 根据需要的时间尺度转换为等时间间隔的数据资料。
各时间尺度径流数据资料的处理及径流量预报方法如表1。
1.3 预报精度评定方法
本次计算中, 神经网络模型的预报精度评价标准采用计算的相对误差表示。相对误差为计算误差除以实测值, 以百分数表示;多个相对误差绝对值的平均值表示多次预报的平均相对误差。计算公式如下:
式中:e为相对误差;Q为实测流量;Q′为预测流量。
2 实例研究
2.1 研究区域及数据资料
本文的研究对象是长江流域的5个水文站, 自上游至下游分别为:寸滩站、寸滩站、宜昌站、螺山站和大通站, 分别收集了各占1980-2012年的逐日平均径流量资料。
(1) 寸滩站的基本情况。寸滩水文站设立于1939年2月, 位于重庆市江北区三家滩, 长江干流与嘉陵江汇合口以下7.5km处, 是长江与嘉陵江汇合后的控制站, 其上游有金沙江、岷江、沱江、嘉陵江四大江河。寸滩占的集水面积为866 559km2, 多年平均蒸发量为793.2 mm, 平均年降水量约1 078mm, 平均年径流深约420mm。
(2) 宜昌站的基本情况。宜昌水文站始建于1877年4月, 位于三峡大坝下游43km处, 属于长江上游与中游的交界处, 控制流域面积1 005 501km2, 占全流域面积的55%。宜昌站是长江干流重要节点水文站, 表征上游的径流量, 其多年平均径流量为4 321亿m3, 其中汛期5-10月份径流量3 412亿m3, 占全年的78.96%;枯季径流量仅909亿m3, 占全年的21.04%。
(3) 螺山站的基本情况。螺山水文站设立于1953年5月, 位于长江中游的洞庭湖与长江干流交汇处的湖北省洪湖市, 地处城陵矶至汉口河段, 控制着长江干流宜昌以上、支流清江、洞庭湖湘、资、沅、澧四水和松滋、太平、藕池三口及洞庭湖等整个区间来水, 控制流域面积1 294 911km2, 是长江中下游的重要控制站。
(4) 汉口站的基本情况。汉口水文站建于1865年1月, 位于武汉市汉口江滩, 测站上游6.8km处有支流汉江从左岸入汇, 是长江干流在汉江入汇后主要的防洪控制站。控制流域面积1 488 036km2, 距河口1 136km。历史最高水位为29.73s (1954年8月18日) , 最大流量为76 100 m3/s (1954年8月22日) 。
(5) 大通站的基本情况。大通水文站始建于1922年, 位于安徽省贵池县梅埂镇, 是长江干流下游最后一个具有长期观测资料的水文控制站。大通站控制流域面积为1 705 383km2, 至长江河口642km, 是海洋潮汐上涨所能影响的上界, 该站以下为长江感潮河段。大通站径流变化具有重要意义, 是长江下游和长江口治理与开发的基础依据和控制指标。
2.2 计算结果
将以上5个水文站1980-2012年逐日平均流量分别整理成年、季、月、旬和3日尺度的平均径流序列, 以1981-2000年为率定期确定模型参数, 2001-2012年为检验期进行径流预报。经计算, 率定期各站不同时间尺度的径流模拟和预报误差如表2所示。
%
以大通站的旬尺度和月尺度径流预报为例, 采用不同数量的因子预报时, 径流计算结果与实测值的对比分别如图2和图3所示。
从表2中数据可以看出, 对于3日尺度的径流预报, 各站采用5因子方案的预报效果显著优于10因子方案, 虽然率定期平均相对误差略有上升, 但检验期相对误差则大幅下降, 因而, 对于3日预报, 最终确定选用5因子预报方案。
同理, 对于旬尺度和月月尺径流预报, 均选用3因子预报方案, 表3和表4的模拟结果也支持这一结论。季尺度和年尺度径流预报由于率定期仅有一套方案, 故维持原方案不变。各时间尺度最终的预报方案及预报效果见表2所示。
%
各站率定期和检验期的预报误差对比如图4和图5所示。
3 分析与讨论
从表3的统计数据可以看出, 各站率定期的径流模拟平均相对误差在8.08%~8.77%之间, 检验期径流预报的平均相对误差在14.87%~20.79%之间, 表明本文所建立的神经网络模型具有较高的精度, 在因子数量的选择方面较合理, 适合作为中长期径流预报的方法。
此外, 表3的数据显示, 在率定期, 上游寸滩站和宜昌站的相对误差曲线最大值出现在旬尺度, 其次是月尺度;而中游螺山站、下游的汉口站和大通站, 率定期相对误差曲线的最大值则出现在月尺度, 其次为季尺度;在检验期, 上游的寸滩站、宜昌站和中游螺山站的对误差曲线最大值出现在季尺度, 其次是月尺度;而中游螺山站、下游的汉口站和大通站, 率定期相对误差曲线的最大值则出现在月尺度, 其次为季尺度。整体来看, 3日尺度和年尺度的预报效果最好, 其次为季尺度和旬尺度, 而月尺度的预报效果则最差。结合图4~5可以看出, 当预报尺度逐渐增大, 从3日到旬、月、季和年的时候, 各站的径流模拟和预报的精度 (即预报模型的平均相对误差) 变化趋势较为一致, 整体上均表现出先增加后减小。
研究发现, 误差曲线之所以呈现这种变化趋势, 是因为径流序列值之间同时存在着相关性和线性的影响。序列值的相关性随着时间尺度的增大而变弱, 而线性则随着预报尺度的增大而增强。因而当预报时间尺度较短时, 径流序列的长度较大, 相邻序列值的相关度较强, 克服了序列非线性对预报误差的影响, 使得预报效果较为理想;随着预报尺度增加, 相邻径流序列值之间的相关性越来越差, 而整体的线性关系仍然不够突出, 因而预报的相对误差增大, 预报效果较差;而当预报尺度继续增加一定程度 (如年尺度) , 此时由于径流时间序列变幅在某一均值附近波动, 较大的时间尺度综合了一些扰动因素, 使其变化基本是线性的, 因而预报结果的相关误差又逐渐降低, 预报效果比较理想。
另外, 从图4可以看出, 寸滩水文站在各时间尺度上的径流预报相对误差变化较小, 这可能是由于其位于流域上流, 本身流量较小, 受到的流域上各种水库调蓄的影响也相对较弱, 因此在各时间尺度的径流预报上相对误差比较相近。
4 结语
(1) 本文通过计算发现, 利用神经网络模型通过已知径流资料进行预报时, 在年、季、月、旬和3日尺度的径流预报中, 预报因子数量分别确定为1个、4个、3个、3个和5个时, 径流预报效果比较理想。
(2) 径流序列由于同时存在相关性与线性, 预报时间尺度增大时, 预报误差先增大后减小的趋势;但本文在探究径流序列的相关性和线性时, 仅从定性关系上分析了随与预报尺度增大的变化趋势, 其中具体的定量关系尚待更进一步的研究。