自适应演化算法

自适应演化算法（共10篇）

自适应演化算法 篇1

以下设置了一个复杂自适应系统模型:行为外部不经济水平初态无序且邻域耦合的自适应社会成员形成的一维点阵,借助计算机来仿真其自组织过程、结果、规律。这一研究可以用来理解从众趋同机制驱使下社会成员行为外部不经济水平自组织演化过程:由零乱无序到同步有序的自适应演化熵增加过程。

1 模型设置

设N个依序排列的行为外部不经济水平初态无序且邻域耦合的自适应社会成员形成一个一维点阵(类似于振子点阵)。每个社会成员的行为外部不经济水平用一个三参数函数F来模拟(三个特征指标),它们随一个共同的自变量n(如时间参数等)变动。(n=0,1,2,…):

X(j)=F(A(j),W(j),Q(j);n)(j=1,2,…N)

其中A(j)、W(j)、Q(j)是社会成员行为外部不经济水平结构参数;设:

A(j)的所有可能取值:0.05,2×0.05,…,20×0.05;

W(j)的所有可能取值:0.05,2×0.05,…,20×0.05;

Q(j)的所有可能取值:0.05,2×0.05,…,20×0.05;

设自变量n每变化r=60步,社会成员行为外部不经济水平结构参数变化m=1步:下一步每个社会成员行为外部不经济水平的结构参数值,随其邻域各社会成员行为外部不经济水平结构参数这一步的最可几值而变化(社会成员行为外部不经济水平从众趋同机制的一种模型表述);每个社会成员的不对称邻域定义为以这社会成员为参照,其右侧80个社会成员、左侧20个社会成员的100个社会成员的集合;每个社会成员的对称邻域定义为以这社会成员为参照,其左侧50个社会成员、右侧50个社会成员的100个社会成员的集合;若邻域伸展到边界外,不存在的邻域社会成员用随机选取整个点阵上任一社会成员来替代。

设点阵的初态是无序态:各个社会成员行为外部不经济水平结构参数均匀随机分布于其所有可能值。

2 计算机仿真不对称邻域耦合自适应社会成员形成的一维点阵的自组织过程

初态m=0时,一维点阵所有N=1000个不对称邻域耦合自适应社会成员的社会成员行为外部不经济水平结构参数均匀随机取值分布,以及这些结构参数在其所有可能态上的均匀随机填布。

一维点阵演化进行到m=3步时,所有N=1000个邻域耦合自适应行为外部不经济水平函数结构参数取值分布,以及结构参数在其所有可能态上的填布。

一维点阵演化进行到m=20步时,所有N=1000个邻域耦合自适应社会成员行为外部不经济水平结构参数取值分布,以及结构参数在其所有可能态上的填布。

一维点阵演化进行到m=50步时,所有N=1000个邻域耦合自适应社会成员行为外部不经济水平结构参数取值分布,以及结构参数在其所有可能态上的填布。

由另一无序初态出发,从m=1到m=50每一步,一维点阵系统1000个社会成员行为外部不经济水平的结构参数所占据的其可能态的个数。

总结与上述仿真演化过程相类似的大量结果,我们得出如下结论:行为外部不经济水平初态无序不对称邻域耦合自适应社会成员形成的一维点阵,当每个社会成员行为外部不经济水平演化的下一步其结构参数取值,随着其不对称邻域中诸社会成员行为外部不经济水平的这一步的最可几取值而变异时,经过多步仿真演化,点阵自组织趋于所有社会成员行为外部不经济水平同步振荡的单一相。

3 计算机仿真对称邻域耦合自适应社会成员形成的一维点阵的自组织过程

由行为外部不经济水平无序初态出发,从m=1到m=50每一步,对称邻域耦合自适应社会成员形成的一维点阵系统所有1000个社会成员行为外部不经济水平的结构参数,所占据的其可能态的个数,如图1。

从m=1到m=50每一步,一维点阵系统所有1000个社会成员行为外部不经济水平的结构参数所占据的其可能态的个数

初态无序对称邻域耦合自适应社会成员行为外部不经济水平一维点阵演化进行到m=50步时,所有N=1000个邻域耦合自适应社会成员行为外部不经济水平结构参数取值分布,以及结构参数在其所有可能态上的填布。

重复进行与上述自组织演化同类的仿真,显示如下结论:

对于初态无序对称邻域耦合自适应社会成员形成的一维点阵系统,当每个社会成员行为外部不经济水平演化的下一步其结构参数取值,随着其对称邻域中诸社会成员行为外部不经济水平的这一步的最可几取值而变异时,经过多步仿真演化,系统的熵(与系统宏观态所包含的微观态个数的自然对数成正比)在此过程中递减;点阵自组织演化至分区同步振荡稳定态,不同的无序初态演化出不同的最终分区同步振荡稳定态,但这分区个数的可能值(一维点阵均匀相的个数)存在一个确定的规律:小于或等于点阵尺度(1000)与耦合邻域尺度(100)之比。这一结论可以看作初态无序对称邻域耦合自适应社会成员形成的一维点阵系统的相律。

4 小结

这里设置的行为外部不经济水平初态无序的对称和不对称邻域耦合自适应社会成员形成的一维点阵模型系统,是一个自组织演化系统。不对称邻域耦合机制将使系统自组织演化至所有社会成员同步振荡的单相系;对称邻域耦合机制将使系统自组织演化至分区均匀同步振荡的多相系,且这多相系相个数小于等于一维点阵尺度与耦合邻域尺度之比。

这一研究可以用来理解,每个个体只要与其邻域群体形成从众趋同的耦合机制(受行为外部不经济水平的从众心理驱使),即,下一步每个个体的结构参数值,随其邻域各个体结构参数这一步的最可几值而变化,则初态无序的复杂系统就会演化至分区同步或整体同步的自组织态。这解释了社会成员行为外部不经济水平自组织现象。

参考文献

[1]Michael R.Lissack edit,Emergence,2001,3(1).

自适应演化算法 篇2

在噪声消除系统中,若观测噪声为有色噪声,则基于最小二乘准则(LS),提出了两段RLS-RELS算法,这是一种改进的.递推增广最小二乘法,该自适应算法能显著减小噪声的影响,提高信号质量.并在此基础上提出了计算噪声方差的估值方法.计算机数值仿真例子和信噪比的计算比较证明了算法的正确性和有效性.

作 者：许鹏 窦寅丰 XU Peng DOU Yin-feng 作者单位：许鹏,XU Peng(暨南大学珠海学院计算机系,珠海,519070)

窦寅丰,DOU Yin-feng(黑龙江大学电子工程,哈尔滨,150080)

自适应演化算法 篇3

关键词：农业图像； 滤波增强；非下采样轮廓波变换；离散小波变换；阈值函数模型

中图分类号：TP391.41；S126 文献标志码： A文章编号：1002-1302（2015）09-0448-02

农业图像由于受到复杂的成像环境、成像设备自身缺陷等因素的影响，导致图像中含有一定程度的噪声并且对比度不高，影响了图像的使用。对于该类图像的处理，主要思路有：（1）去噪。采用去噪算法在空间域或者变换域滤除图像中的噪声，如中值滤波[1]、非局部均值滤波[2]、非下采样轮廓波变换（NSCT）[3]、离散小波变换（DWT）[4]等，该类算法在滤除噪声的同时，较少地顾及改善图像的对比度，提高滤波后图像的视觉效果。（2）增强。采用如直方图均衡化[5]、模糊增强[6]等方法改善图像的对比度，突出图像中感兴趣的目标信息，但该类方法很难滤除图像中的噪声，且容易在增强图像的同时放大噪声。农业图像作为一种细节信息较为丰富的图像，对其进行处理，应当有效兼顾滤波和增强这2个环节。因此，结合非下采样轮廓波变换（NSCT）和离散小波变换（DWT），通过对农业噪声图像进行NSCT分解与重构，实现背景图像和细节图像的有效分离，在此基础上，对2者分别进行模糊增强和小波去噪，将处理后的2类图像进行叠加，获得去噪后的农业图像。

1算法基本原理

相对于DWT来说，NSCT在对农业噪声图像分解过程中，能更为有效地捕捉到图像中的线、面等信息，能够实现对图像更为稀疏的表达，但具有相当大的数据冗余度。DWT对于刻画图像中点奇信息是十分有效的，能从水平、垂直、对角等3个方向来刻画图像中的高频信息，尽管其对图像的稀疏性表达能力略逊于NSCT，但具有较小的数据冗余度。因此，构建了NSCT-DWT图像分析框架，通过对农业图像进行NSCT变换和逆变换，获得背景图像和细节图像；然后对细节图像采用DWT进行进一步分析。

1.1背景图像自适应模糊增强

为了更为有效地突显农业图像中的细节信息（如植物的根茎叶边缘等信息），对Pal-King算法[6]中的模糊隶属度映射函数进行改进，改进后的函数模型定义为：

式中：f′（x，y）为公式（1）中像素点灰度值f（x，y）模糊增强后的结果；T-1（）为模糊逆变换计算函数。

1.2细节图像自适应小波去噪

关于小波阈值函数模型，学者们提出一些改进型的模型[7-10]，该类函数去噪模型尽管取得了一些效果，但不足之处在于：（1）自适应不强。函数模型中加入了调节参数，该类参数的取值只能经过反复试验获得，并且对于一类图像甚至是一幅图像来说，如此取值可以满足去噪要求，但对于其余类型图像，则需要重新确定参数值。（2）耗时较大。相当一部分去噪模型中融入了诸如指数、对数之类的非线性函数，在逐步提高函数整体去噪效果的同时，去噪过程的耗时也急剧增大。因此，本研究提出了如下函数模型：

0|w|≤t1。（12）

1.3算法实现步骤

步骤1：对农业噪声图像进行NSCT多尺度分解，得到1幅低频图像和1幅带通图像；低频图像主要包含了农业图像中背景信息，带通图像则包含了农业图像中图像轮廓边缘等细节信息以及绝大多数的噪声信息。

步骤2：对步骤1中获得的带通图像采用一种非下采样多方向滤波器进行多方向分解，获得代表各个方向上的农业像高频信息的方向带通图像序列。

步骤3：对步骤1中的低频图像继续执行步骤1和步骤2，完成对图像更为细致的分解。

步骤4：对上述低频图像和带通图像分别进行NSCT系数重构，获得空间域中的背景图像和细节图像。

步骤5：分别对背景图像和细节图像进行自适应增强和滤波处理，得到处理后的背景图像和细节图像。

步骤6：对经过步骤5处理后的背景图像和细节图像进行叠加，得到最终处理后的农业图像。

2试验测试

借助MATLAB语言对本算法进行编程，采用1幅水果图像对本算法去噪能力进行测验，引入文献[8]和文献[10]中的小波阈值去噪算法与本算法进行对比（分别记为算法1、算法2、算法3），试验结果如图1所示。采用峰值信噪比（peak signal to noise ratio，PSNR）[11]、平均结构相似度算子（means structural similarity，MSSIM）[12]以及算法耗时对上述试验结果进行客观评价，结果见表1。

表1试验结果的定量评价

噪声方差PSNR（dB）算法1算法2算法3MSSIM算法1算法2算法3算法耗时（s）算法1算法2算法3525.35125.60826.1880.7010.7760.8343.4746.1924.8231022.30924.88525.5520.6550.7350.7683.6196.7035.0021520.02823.61225.1730.6020.6840.7363.9276.8915.202

就图像清晰度而言，图1-d稍优于图1-c这，因为算法2中通过将所有的图像小波分解系数分成3类，对于每一类的小波分解系数设置不同的计算方式进行处理，相对于算法1而言，能够更为精细地去除残留在小波系数中的噪声信息，但该算法的计算复杂度明显高于算法1。而图1-d的清晰程度明显优于图1-b和图1-c，主要体现在：（1）图1-d背景中的噪声点基本不存在，而图1-b和图1-c的背景中仍然存在不同程度的噪声，该类噪声的存在影响对图中枇杷果实信息的准确识别；（2）图1-d中枇杷果实轮廓基本从噪声信息中恢复出来，并且图像的对比度比图1-a有了明显提高。

当图像中的高斯白噪声方差为5时，3种算法的PSNR和MSSIM指标值相差不大。当噪声方差达到15时，本算法的PSNR值高于其他2种算法，分别比算法2高1.561 dB比算法1高5.145 dB；本算法的MSSIM值高于其他2种算法，分别比算法2高0.052、比算法1高0.134。对于含有3种不同方差高斯白噪声的农业图像去噪耗时来说，本研究算法相对于文献[12]中的小波阈值去噪算法而言，仍有一定的优势。

3结束语

结合NSCT和DWT，提出了1种农业图像滤波增强算法。通过对含有不同方差高斯白噪声的农业图像进行试验，主观分析结果，PSNR、MSSIM以及算法执行时间等指标定性、定量证明了本研究算法的有效性。

参考文献：

[1]周仕友. 一种结合小波变换的豆类图像增强算法[J]. 江苏农业科学，2014，42（7）：433-435.

[2]陈明举. 基于统计特性的非局部均值去噪算法[J]. 液晶与显示，2014，29（3）：450-454.

[3]韩伟，刘强. 一种 NSCT 域改进阈值函数的杂草图像去噪方法[J]. 江苏农业科学，2013，41（11）：151-153.

[4]Luo F，Wu S J，Jiao L C，et al. Asic design of adaptive threshold denoise DWT chip[J]. Journal of Electronics，2002，19（1）：1-7.

[5]赵吉文，魏正翠，汪洋，等. 基于灰度带比例的优质西瓜子识别算法研究与实现[J]. 农业工程学报，2011，27（4）：340-344.

[6]Pal S K，King R A. One edge detection of X-ray images using fuzzy sets[J]. IEEE Trans，1983，5（1）：69-77.

[7]李雷，魏连鑫. 自适应小波阈值函数的指纹图像去噪[J]. 上海理工大学学报，2014，36（2）：154-157，162.

[8]黄玉昌，侯德文. 基于改进小波阈值函数的指纹图像去噪[J]. 计算机工程与应用，2012，50（6）：179-181.

[9]王蓓，张根耀，李智，等. 基于新阈值函数的小波阈值去噪算法[J]. 计算机应用，2014，34（5）：1499-1502.

[10]王艺龙，杨守志. 基于连续阈值函数的小波去噪方法[J]. 汕头大学学报：自然科学版，2013，28（4）：66-74.

[11]杨福增，田艳娜，杨亮亮，等. 基于杂交小波变换的农产品图像去噪算法[J]. 农业工程学报，2011，27（3）：172-178.

线性自适应滤波算法综述 篇4

关键词：自适应滤波算法,最小均方误差算法,最小二乘算法,变换域,仿射投影,共轭梯度,子带分解

随着信号处理理论和技术的迅速发展, 自适应信号处理理论和技术已经发展成为这一领域的一个新分支, 并且在通信、雷达、声纳、地震学、导航系统、生物医学和工业控制等领域获得越来越广泛的应用。对自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。

1 变步长自适应滤波算法

最小均方误差LMS算法最早由Widrow和Hoff于20世纪60年代提出, 由于其结构简单, 性能稳定, 计算复杂度低, 便于硬件实现等特点, 一直是自适应滤波经典算法之一。LMS算法的优点是结构简单, 鲁棒性强, 其缺点是收敛速度很慢。固定步长的自适应滤波算法在收敛速度、时变系统跟踪速度与收敛精度方面对算法调整步长因子的要求是相互矛盾的。为了克服这一矛盾, 人们提出了许多变步长自适应滤波算法。Yasukawa等[1]提出了使步长因子正比于误差信号的大小。吴光弼[2]提出了在初始收敛阶段或未知系统参数发生变化时, 步长比较大, 以便有较快的收敛速度和对时变系统的跟踪速度;而在算法收敛后, 不管主输入端干扰信号有多大, 都应保持很小的调整步长以达到很小的稳态失调噪声, 根据这一步长调整原则, 许多学者设计了多种变步长自适应滤波算法, 分别能够满足不同场合的应用。

2 基于最小二乘准则的RLS算法

基于最小二乘准则RLS算法对输入信号的自相关矩阵的逆进行递推估计更新收敛速度快, 其收敛性能与输入信号的频谱特性无关。但是, RLS算法的计算复杂度很高, 不利于适时实现。许多文献提出了改进的RLS算法, 如快速RLS算法, 快速递推最小二乘格型算法等。这些算法的计算复杂度低于RLS算法, 但它们都存在数值稳定性问题。文献[7]为避免RLS类算法递推估计更新自相关矩阵的逆的不足, 基于最小二乘准则, 利用最陡下降法, 得到一种新的梯度型自适应滤波算法, 该算法计算复杂度较低, 收敛性能良好。

3 变换域自适应滤波算法

对于强相关的信号, LMS算法的收敛性能降低, 这是由于LMS算法的收敛性能依赖于输入信号自相关矩阵的特征值发散程度。输入信号自相关矩阵的特征值发散程度越小, LMS算法的收敛性能越好。经过研究发现, 对输入信号作某些正交变换后, 输入信号自相关矩阵的特征值发散程度会变小。于是, Dentin等1979年首先提出了变换域自适应滤波的概念。其基本思想是把时域信号转变为变换域信号, 在变换域中采用自适应算法。

4 仿射投影算法

射投影算法最早由K.Ozeki和T.Umeda提出, 它是归一化最小均方误差 (NLMS) 算法的推广。仿射投影算法的性能介于LMS算法和RLS算法之间, 其计算复杂度比RLS算法低。归一化最小均方误差 (NLMS) 算法是LMS算法的一种改进算法, 它可以看作是一种变步长因子的LMS算法, 其收敛性能对输入信号的能量变化不敏感。而仿射投影算法的计算复杂度比NLMS算法高很多。Gay等提出的快速仿射投影算法大大降低了仿射投影算法的计算复杂度。

5 共轭梯度算法

虽然RLS算法收敛速度快, 但其计算复杂度很高, 因为它需要估计逆矩阵。假如被估计的逆矩阵失去正定性, 就会引起算法发散;并且算法实现所需的存储量极大, 不利于实现。一些快速RLS算法虽降低了RLS算法的计算复杂度, 但都存在数值稳定性问题。共轭梯度自适应滤波算法不含有RLS算法中的矩阵运算, 也没有某些快速RLS算法存在的数值稳定性问题, 它保留了RLS算法收敛速度快的特点。

6 基于子带分解的自适应滤波算法

子带分解技术用于自适应滤波算法主要是基于以下考虑:对于强相关输入信号自相关矩阵的特征值发散程度很大, 使得所采用的自适应滤波算法的收敛速度和跟踪速度都很慢, 并且权值的自适应滤波器的计算量很高。

基于子带分解自适应滤波的基本原理是将输入信号与参考信号经过分解滤波器组抽取进行子带分解, 对信号按频带划分, 然后在各个子带上分别进行自适应滤波, 再将子带信号内插后通过合成滤波器组得到最后的合成信号。其中, 由于对信号进行了抽取, 使完成自适应滤波所需的计算量得以减小;而在子带上进行自适应滤波使收敛性能又有所提高。

7 结语

本文对各种类型的自适应滤波算法进行了分析总结, 可以看出, 收敛速度快、计算复杂度低、数值稳定性好是这些算法努力追求的目标, 算法与实现结构有着密切的联系, 每个算法都存在不同的等效结构, 结合实际应用还有不少问题需要研究, 在实际应用中应根据具体环境和系统要求, 结合各种算法的特点以达到最优的滤波效果。

参考文献

[1]Yasukawa H, Shimada S, Furukrawa I, et al.Acoustic echo canceller with highspeech quality[C]//Proc.ICASSP’87, 1987, 2125～2128.

[2]吴光弼, 祝琳瑜.一种变步长LMS自适应滤波算法[J].电子学报, 1994, 22, 1:55～60.

[3]Luo xiaodong, Jia zhenhong, Wangqiang.Variable step size LMS adaptivefiltering algorithm[J].Acta ElectronicaSinica, 2006, 34 (6) :1123～1126.

[4]孙恩昌, 李于衡, 张冬英, 等.自适应变步长LMS滤波算法及分析[J].系统仿真学报, 2007, 19 (14) :3172～3175.

自适应演化算法 篇5

针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法.给出了由预测残差确定自适应因子的过程.利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高.

作 者：吴富梅 杨元喜 田育民 WU Fu-mei YANG Yuan-xi TIAN Yu-min 作者单位：吴富梅,WU Fu-mei(信息工程大学,测绘学院,河南,郑州,450052;西安测绘研究所,陕西,西安,710054)

杨元喜,田育民,YANG Yuan-xi,TIAN Yu-min(西安测绘研究所,陕西,西安,710054)

系数比例自适应算法的研究 篇6

该文详细描述了典型的系数比例归一化最小均方 (PNLMS) 算法, 最后重点介绍几种改进的PNLMS算法。

1 系数比例自适应算法 (PNLMS)

在传统自适应滤波器算法中, 没有考虑到未知线性系统冲激响应的结构特点, 简单的为每一个权重系数分配一个相同的步长参数, 结果对于小的权重系数被分配给较大步长参数, 迭代较少次数就可以收敛到其最优值, 而对大的权重系数分配同样大小的步长参数, 这个同样大小的步长参数相对于大权重系数值显得较小, 因此需要更多的迭代次数才可以收敛到期最优值, 于是最大权重系数值决定了自适应滤波器整体收敛速度。针对这个问题, Duttweiler提出了Proportionate NLMS (PNLMS) 算法[2]。PNLMS算法将一个步长控制矩阵G (n) 引入NLMS算法中, 该控制矩阵在n时刻为每一个滤波器权重系数分配一个与其绝对值成正比的步长参数。这样不同的滤波器权重得到与其自身收敛要求相适应的步长参数, 从而显著提高了算法的收敛速度。步长控制矩阵G (n) 定义为:

可以通过下式得到G (n)

式中gi (n) 为每一个滤波器权重系数收敛相适应的步长参数, p的作用是在所有系数为零时防止算法的冻结, 其值一般为0.01, 的作用是在某个系数过小或为零时防止算法的冻结, 综上所述, 系数比例LMS算法的权重系数更新方程可以写为

上式为非归一化的形式。一般更新方程的归一化有两种形式。一种形式是使用输入信号向量X (n) 的二范数对输入信号X (n) 进行归一化, 得到正是Duttweiler所提出的归一化形式系数比例NLMS算法即

式中的作用是防止由过小输入信号引起的算法发散。另一种形式是使用以系数矩阵G (n) 的加权后的输入信号向量X (n) 的二范数范数对输入信号X (n) 进行归一化, 表示如下:

式中的作用也是防止由过小输入信号引起的算法发散。

由以上可知, 比例系数NLMS算法的关键是它为每一个滤波器权重系数分配了一个与其绝对值成正比的系数, 这样在算法的迭代中, 较大系数得到了与其相适应的较大的步长参数, 从而提高了算法的收敛速度。可惜这种方法的快收敛速度只是在收敛过程前期出现, 并不会贯穿整个收敛过程。因为它为大权重系数分配大系数的同时也加剧了大小权重系数所分配比例系数的差异性, 那么在收敛过程后期较小权重系数因得不到足够的比例系数收敛速度过慢而成为算法收敛速度的最终主导因素。

自从第一个比例系数NLMS算法提出后, 学者提出了各种不同的比例系数NLMS算法, 它们的主要不同的在于使用系数比例步长矩阵G (n) 的新定义或新的权重系数更新策略来减小大小权重系数得到比例系数的差异性。

2 改进的系数比例自适应算法

2.1 IPNLMS算法

IPNLMS算法中定义的比例系数步长参数gi (n) 为

这就是基于l0范数的IPNLMS算法。在每一个系数比例参数中加入当前时刻滤波器权重系数向量估计值的均值, 这样在计算比例系数矩阵G (n) 时, 滤波器权重系数的估计误差带来的负面作用可以得到部分消除。因此, 无论未知系统冲激响应稀疏度度如何, IPNLMS算法都可以保证了相当快的收敛速度。

2.2 MPNLMS算法

在MPNLMS算法中gi (n) 定义为

式中是一个经验值, 一般取1000。

相比于其他的比例系数自适应算法, MPNLMS算法具有更快的收敛速度, 更重要的是当未知系统的冲激响应稀疏度不够时其收敛性能不会像PNLMS算法恶化的那么严重。但是它存在一个致命的缺点:无论对于专用DSP器件还是FPGA, 每次迭代中的L次对数运算都是极高的计算量, 尤其是对于长阶数的稀疏冲激响应自适应滤波器。总得来说它理论价值很高却难以工程应用。

2.3 IMPNLMS算法

为了使算法也能够处理不同稀疏度下的冲激响应, Ligang Liu提出了IMPNLMS算法该算法的比例步长参数为:

通过进行大量的仿真, 发现 (n) 和 (n) 之间存在一定的关系, 为

对于稀疏度的定义为[9]

其中,  (n) 不再像在IPNLMS算法中是一常数;在此,  (n) 是一个与稀疏度w (n) 相关的变量, 或者说, 它会随着稀疏度的变化而变化。因此, 该算法能够自动检测到冲激响应的稀疏变化情况, 然后自适应地去调整相应的参数, 从而能在稀疏度多变的环境下获得较好的性能。Ligang Liu的仿真实验也证实了IMPNLMS算法的有效性。在稀疏度较低的情况下, IMPNLMS算法要比MPNLMS算法收敛更快;在冲激响应时变的环境下, IMPNLMS算法跟踪能力要比MPNLMS算法好。

2.4 SPNLMS算法

为了使MPLNMS算法便于工程应用, 必须降低该算法的计算量, Deng采用一个折线函数来替代对数运算, 进而提出了SPNLMS算法。该折线函数主要分为两段, 第一段是可以保证小系数得到与之相适应的比例步长参数, 从而确保算法的后期收敛速度;第二段是可以保证大系数得到与之相适应的比例步长参数, 即保证大小权重系数的比例系数差异性不至于过大。这个分段函数定义如下:

使用上式替代式 (9) 中的对数函数即可得到SPNLMS算法。该算法收敛速度几乎与M P N L M S算法相当, 而计算量几乎与PNLMS算法以及IPNLMS算法相当。

3 结语

系数比例自适应算法利用了长冲激响应的稀疏结构特征, 为每一个滤波器系数引入一个新的步长参数, 即比例步长参数。本文详细阐述了典型系数比例自适应 (PNLMS) 算法的基础上, 分别介绍了几种改进的PNLMS算法:IPNLMS、MPNLMS、IMPNLMS及SPNMLS。这些算法通过比例步长参数, 使其在处理稀疏冲激响应具有良好的性能。

参考文献

[1]Z Chen, SL Gay, S Haykin.Proportionate Adaptation:New Paradigms in Adaptive Filters[J].Least-Mean-Square Adaptive Filters, 2005.

[2]Hongyang Deng, Doroslovacki.Proportionate adaptive algorithms for network echo cancelers[J].IEEE Transactions on Signal Processing, 2006 (54) :1794-1803.

[3]SL Gay.An efficient, fast converging adaptive filter for network echo cancellation[C].Pacific Grove:Asilomar conference on signals, systems and computers (ACSSC) , 1998 (32) :394-398.

[4]H Deng, M Doroslovacki.Improving convergence of the PNLMS algorithm for sparse impulse response identification[J].IEEE Signal Processing Letter, 2005, 12 (3) :181-184.

[5]J Benesty, SL Gay.An improved PNLMS algorithm[C].Orlando:Proceedings of the IEEE International Conference on Acoustic, Speech and Signal Processing, 2002:1881-1884.

[6]Zhengxing Huang, Guan Guit, Anmin Huang, et al.Regularization Selection Method for LMS-Type Sparse Multipath Channel Estimation[C].Bali-Indonesia:19th Asia-Pacific Conference on Communications (APCC) , 2013.

[7]H Deng, M Doroslovacki.Proportionate adaptive algorithms for network echo cancellation[J].IEEETrans Signal Processing, 2006, 54 (5) :1794-1803.

[8]H Deng.Adaptive algorithm of sparse impulse response identification[J].Doctoral Dissertation, Dept.of electrical and computer engineering, 2005.

自适应滤波算法分析及仿真 篇7

1 算法介绍

1.1 最小均方 (LMS) 算法

LMS算法是随机梯度算法家族中的一员, 简单性是它的一个显著特点, 而且它不需要计算有关的相关函数, 也不需要矩阵求逆运算, 因此它也是线性自适应滤波算法的参考标准[2]。

LMS算法采用的是一种瞬时估计, 即用n时刻的平方误差性能函数|e (n) |2作为瞬时均方误差ξ=E[e2 (n) ]的估值, 其实质是以当前输出误差、当前参考信号和当前权系数求得下个时刻的权系数。

LMS算法输出信号y (n) 、输出误差e (n) 及权系数W (n) 的计算公式为:

其中μ是控制自适应速度与稳定性的增益常数, 称为步长因子, 选择时, 应该综合考虑收敛速度和稳态误差的要求。

自适应滤波器收敛的条件是:

, λmax是输入信号的自相关矩阵的最大特征值。

LMS算法的优点是结构较为简单, 适应变化能力强, 但其则具有收敛的速度较慢的缺点。为了能适用于信号实时性处理的场合, 如何提高LMS这种算法的自适应速度就显得尤为重要。

局限LMS算法收敛这一要素的主要原因有:

1) 步长因子不能过大, 不然算法最终不收敛;

2) 收敛速度及均方误差不能兼得。

这两个原因都与步长有关, LMS算法中的步长是唯一能够控制算法迭代过程的参量, 必然是改进LMS算法性能的唯一着手点。

1.2 归一化最小均方 (NLMS) 算法

LMS算法是通过对梯度矢量各分量单个数据取样值的估计得到的, 没有进行平均, 才会使梯度估计中存在着噪声。NLMS引入变步长的迭代过程[3], 加快了收敛速度。

NLMS算法的输出信号y (n) 、输出误差e (n) 及权系数W (n) 的计算公式为:

此即归一化LMS算法, 其步长被输入信号的范数平方除, 因而较LMS算法具有更好的稳定性和收敛性。

1.3 递归最小二乘 (RLS) 算法

RLS算法是一个递归实现, 其收敛速率比一般的LMS滤波器快一个数量级, 因此它在线性自适应滤波器中应用非常广泛[4]。

RLS算法的输出信号y (n) 、输出误差e (n) 及权系数W (n) 的计算公式为:

其中, 增益矢量g (n) =C (n-1) X (n) /[λ+XT (n) C (n-1) X (n) ];C (n) 为自相关矩阵Rxx (n) 的逆矩阵, 其定义式为C (n) =λ-1[C (n-1) -g (n) XT (n) C (n-1) ], 且C (0) =δ-1I (I为单位矩阵, δ为小的正实数) ;常数λ是遗忘因子, 要求0<λ≤1。

RLS算法主要应用于系统辨识、自适应控制和自适应信号处理等领域。主要优点是收敛速度快, 因此在快速信道均衡、实时系统辨识和实际序列分析中得到广泛的应用[4], 其主要缺点是每次迭代计算量大。

2 自适应算法的MATLAB仿真

2.1 LMS算法的MATLAB仿真

输入为正弦信号与随机噪声的迭加, 随机噪声的幅值小于1, 在取不同步长情况下, LMS算法的误差函数曲线如图1所示, 误差函数图中纵坐标表示误差的大小。

2.2 NLMS算法的MATLAB仿真

1) 输入为正弦信号与随机噪声的迭加, 随机噪声的幅值小于1。NLMS均值曲线图仿真结果如图2所示。每个图中的横坐标都表示迭代次数, 学习曲线中纵坐标表示均方误差的大小。

2) 当输入信号为正弦函数与噪声的叠加时, LMS和NLMS的性能对比如图3所示。

2.3 RLS算法的MATLAB仿真

仿真采用多权的自适应横向滤波系统, 期望响应是一个经过滤波的高斯随机噪声, 采用RLS算法的自适应滤波学习曲线和矢量估计误差曲线如图4所示。

3 结果分析

1) LMS算法最大的优点是易于实现, 而且对有限寄存器长度造成的实现误差不敏感, 在实际生活和生产中应用较为广泛。

由图1三组不同情况下LMS算法的误差图的对比可以看出, 开始时误差比较类似于正弦函数, 随着自适应过程的进行, 误差越来越小并且随机性增大, 随着迭代次数的增加逐渐趋于零附近。由图 (b) 、图 (c) 比较可知, u越小, 收敛速度越慢, 但稳态误差较小;由图 (a) 、图 (b) 比较可知, 阶数k越小, 收敛越快, 但稳态误差较大。从而验证了在迭代收敛过程中, 误差函数随着迭代次数的增加逐渐趋于零, 学习曲线也趋于在附近小幅度波动, 甚至为零。但是LMS算法的收敛速度和其稳定性能是相互矛盾的;步长较大时收敛速度较快, 但其稳定性较差;步长较小时收敛速度较慢, 但其稳定性较好。

2) 由图2可知, u越大, 曲线收敛的越快, 越容易趋于零, 但曲线却更不光滑, 振荡较大, 符合NLMS算法的规律。另外, 在NLMS算法中, 当u太大时, 学习曲线反而会发散;克服了LMS算法的缺点, 算法本身可看成是一种变步长的自适应算法, 它的步长大小与输入信号的信噪比有关。

3) RLS算法在收敛速度和信号稳定性方面的性能都比LMS和NLMS算法良好, 收敛速度比LMS算法快一个数量级, 收敛性能与输入信号的频谱特性无关而且对信号的跟踪能力较强, 误差较小。但是RLS算法涉及到矩阵求逆, 计算复杂度很高, 所需的存储量极大, 不利于实时实现[5]。

4 结论

本论文主要介绍了三种常用的自适应算法:LMS、NLMS及RLS, 并通过MATLAB仿真, 从收敛性、误差函数和学习曲线等方面对这三种算法进行了简单的分析。结果表明, LMS算法易于广泛的应用, 但步长因子存在难以调和的矛盾;NLMS在收敛速度上有了明显的改进, 是对于LMS的优化;RLS收敛速度和稳定性都很好, 但计算量过大, 不利于大范围推广。

摘要：主要对自适应滤波算法展开了研究和讨论, 重点对LMS算法、NLMS算法以及RLS算法做了详细的说明和对比, 在算法原理、算法性能分析方面说明了各自算法的优越性。通过MATLAB仿真, 对每种算法的收敛性、学习曲线和误差分析等方面进行了分析。

关键词：自适应,噪声对消,LMS算法,NLMS算法,RLS算法

参考文献

[1]王海峰, 陈伟, 黄秋元.基于LMS算法自适应噪声抵消器的分析研究[J].计算机与数字工程, 2009, 37 (3) :85-87.

[2]秦彦平.基于DSP地下漏水定位系统的自适应滤波器设计[D].内蒙古大学, 2010.

[3]文静, 文玉梅, 李平.基于噪声白化准则的自适应噪声抵消方法[J].仪器仪表学报, 2010, 31 (8) :1693-1698.

[4]肖林.LMS和RLS算法的研究与实现[J].中山大学研究生期刊, 2010, 31 (2) :73-81.

水力计算自适应优化算法仿真研究 篇8

随着国内天然气长输管线的建设和天然气市场的快速发展,各个城市燃气管网规模都在不断扩大, 其结构也越来越复杂[1,2,3],在管网的新建和扩建中,准确、迅速的燃气管网水力计算是实现高质量的管网设计、施工以及优化管网运行调度管理的必要条件,因此燃气管网水力计算不仅仅只是成为城市燃气管网设计中的一项重要工作,而且也是各个城市燃气公司完善管网、优化管网运行管理和保障安全供气的必要手段[4,5,6,7]。

经过多年的研究实践,国内已形成了许多较为成熟的稳态燃气管网的计算方法和程序[8,9,10,11],但主要是被燃气专业设计院用于管网设计的管径选择和管网水力工况校核,而很少有城市燃气公司将其用于管网运行工况和事故工况下的分析,由于缺乏必需的方法和手段,有很多燃气公司甚至除了城市在第一次初步设计时设计单位对管网进行过管网水力计算外,在较长时期内管网和用户都已发生较大改变后没有重新对管网的水力工况重新核算和分析,原来水力计算结果已经不能客观反映出在城市管网和用户规模发较大变化的管网运行工况,这种状况对管网水力可靠性有较大的影响。目前存在的大多数水力计算程序普遍存在一个显著问题:在燃气管网水力计算过程中,常用的水力计算方法只是一种理论计算方法,计算过程中的许多参数都不可避免地存在误差,那么其计算出的结果与实际管网的运行情况必然存在一定偏差,有时甚至偏差较大,对于在较长时期内管网和用户都已发生较大改变而没有重新对管网的水力工况重新核算和分析的情况这种现象尤其突出。这个问题如果不能有效解决,那么燃气管网的水力计算就只能停留在实验室理论水平,不能够对实际工况给出较为精确的预测,缺乏水力计算应有的指导意义。

1 水力计算原理

本文利用有限元节点法对燃气管网进行水力计算,要求满足以下三个方程组:节点流量连续方程组Aq+Q=0;管段压力降方程组ATP=Δp;管段流量方程组q=C·Δp;由上述三式可得求解节点压力的方程组:

⎣A·C·AT」·P+Q=0 (1)

式(1)中A为由元素aij组成的节点关联矩阵;C为由元素$1/s{}_j^{\frac{1}{\alpha }}\cdot q{}_j^{\alpha -1}$组成的节点对角矩阵; P为节点压力向量;Q为节点流量向量;q为管段流量向量;Δp为管段压降向量;AT为矩阵转置矩阵。

计算步骤:首先初设管段流量q(0),代入式(1),求解节点压力p(1),计算出q(1);q(1)不满足要求进行修正,再形成式(1)进行逐次逼近,直到第K+1次的q(K+1)与q(K)差的绝对值满足计算精度要求为止。图1为有限元节点法水力计算过程。

为了充分说明理论水力计算方法普遍存在的显著问题,本文选用了国际上常用的计算摩擦阻力系数λ的三种公式:谢维列夫公式、柯列勃洛克公式和阿里特苏里公式。通过这三种方法,我们发现,即使在充分考虑到介质运动粘度、流动速度、管径大小及管内表面粗糙度对λ的影响的前提下,选用不同的公式来计算摩擦阻力系数λ,水力计算结果相差较大,同时,与实际测量数据的拟合程度不高,缺乏应有的精确度。另外,摩擦阻力系数λ的取值还会影响流量迭代运算的速度和收敛性。

本文以某大城市中压管网为例,该中压管网有75根管段、54个节点,4个气源厂,气源厂压力均为250Kpa,该燃气管网是由环状和枝状管网混合而成。对所编制的燃气管网水力计算程序分别选用三种不同的公式进行实例考核计算,并与实际测量数据进行比对。由于目前测流技术的问题,在城市管网中大多数都没有安装测流仪器,所获取的实测数据只有实测节点压力值和气源厂流量,因此,表1和表2只列出了气源厂流量和部分典型节点压力的实际测量值。

可以看出,选用不同的摩擦阻力计算公式进行水力计算结果有一定差别,尤其是谢维列夫公式和其他两个公式相比差别较大,另外,还可以看出,这三组计算结果与实际测量数据相比差别较大。因此,通过这个实验可以看出,无论选用哪种公式,对燃气管网的实际工况都不能够进行有效预测,缺乏足够的精确度。

2 水力计算参数自适应优化辨识

在燃气的特性参数、环境参数、管网拓扑结构及相关参数、气源厂压力和各节点流量等数据的统计准备过程中,不可避免会产生误差,尤其是管道摩阻系数的取值和节点流量的统计,由于它们具有较大的随机性和不稳定性,误差尤为突出。因此,目前一般都认为管网水力计算结果与实际值的偏差主要起因于节点流量和管道摩阻系数的不准确性。也就是说,我们可以根据实际测量管网数据对水力计算进行自适应优化处理,离线或在线动态调整优化节点流量和管道摩阻系数,使水力计算的结果和实际测量数据在一定精度条件下吻合。

2.1 参数自适应优化辨识算法

燃气管网的水力计算值和测压点处的实测值会有一压力差,理论上此压力差为零,但这是实际上是不可能的,由于目前测流技术的问题,在城市管网中大多数都没有安装测流仪器,所获取的实测数据只有实测部分节点流量、节点压力值、气源厂压力和气源厂流量。同时,由于在进行管网水力计算时还不可避免地引入其他干扰,例如,管段的当量粗糙度就是影响摩擦阻力系数的一个重要影响因素,为了从全局的角度进行优化处理,在本文中主要考虑动态调整辨识节点流量qm和管道过气能力系数rn,来降低节点压力差和气源厂流量差。一般用管道的过气能力系数rn代替摩阻系数来进行辨识,管道过气能力系数是一个复合的概念,覆盖了摩擦阻力系数、当量粗糙度和其他影响因素。另外,为了以后工作的需要,本软件在开发时还是预留了理论水力计算与管段实际流量的比对,因为不久的将来很多管网都能够实现管道测流,那么实际测量数据中就必然会包括管段流量。在本文中动态调整优化计算的数学模型最终是要在尽可能符合实际情况的前提下,通过调整节点流量qm和过气能力系数rn,将测压点处压差和气源厂流量差降到一定限度以内,并同时要使管网的水力平衡得到满足。

通过上述分析基于最小二乘法原理,构造出水力计算寻优的目标函数如下:

minJ(qm,rn)=α1∑βi(Qi管段理论-Qi管段实际)2+

α2∑βj(Pj节点理论-Pj节点实际)2+

α3∑βk(Qk气源厂理论-Qk气源厂实际)2其中,α、β为加权因子,J为寻优目标函数,qm为节点m的集中流量,rn为管段n的过气能力系数。Qi为能够实际测量的管段的流量,Qk为气源厂流量,Pj为能够实际测量的节点压力,不能够实际测量的管段流量和节点压力不计入水力计算寻优的目标函数中。上述数学模型的物理意义可以解释为:在满足管网水力条件的约束下,在允许的调幅范围内,通过对节点流量qm和管道过水能力系数rn的动态调整辨识,使测压点的压差和气源厂的流量差降至最小。

以上所构造的数学模型,是一个非线性极值问题,存在两组变量去qm和rn,由于计算值与实测值的偏差也主要起因于这两个变量,故数学模型的求解就是通过调整变量qm和rn,来获取偏差尽可能小的管网状态估计。本文关于变量qm和rn的动态辨识调整采用变量轮换法和黄金分割法进行快速寻优[12]。由于管道使用年限的增加,气质对其产生影响,导致管壁腐蚀和结垢,管道过气能力系数也会无规律地增大,为了使管道过气能力系数尽可能准确,同时为了使自适应辨识寻优过程尽可能快,可以在自适应辨识寻优前先对管材、管径、使用年限及埋设时间具有代表性的管段进行实测其起点和终点压力值、管段流量,得到大致符合实际的这一类管段的具有代表性的管道过气能力系数,以后的辨识过程是基于此来展开的。对于节点集中流量,只有部分能够实际测量,其余部分可以按照估测分布将气源实测流量分摊到各个节点中,进行初步水力计算,然后将通过程序计算出来的数据与实际测量数据进行比对,若相差较大则动态调整各节点的流量分配重新计算,最终使计算结果接近实测值或各特征节点的压力偏差大小接近一致。此时节点流量分配最接近实际情况。获取实际测量数据时应注意各项数据同时测量,并多次采集数据,减小辨识误差,实际上,采样数据越多,辨识结果越精确。图2是自适应参数辨识算法原理图。

本算法可以采用离线辨识和在线辨识两种方式进行,采用离线辨识时,首先需要通过SCADA系统获取历史数据,通过对历史数据的比较来辨识系统参数,如果历史数据有限或离线辨识精度不够,可在离线辨识的基础上进行在线辨识,将水力计算出的压力和流量值同SCADA 系统采集的实时压力流量进行对比分析,不断利用采集的现场数据辨识系统参数,直到满足精度要求为止。图3是辨识算法流程图。

2.2自适应参数辨识优化水力计算与实际测量结果比较

鉴于篇幅有限,本文选取了五组测量数据,其中前四组用于离线自适应辨识,第五组数据作为验证自适应辨识成功与否的预测目标。仍然是以前文的某大城市中压管网为例,该中压管网有75根管段、54个节点、4个气源厂,该燃气管网是由环状和枝状管网混合而成。

在表3和表4中,自适应辨识调整过程是从第一组数据开始,不断与各组实测数据进行比较,动态调整辨识参数,表3、表4仅将4次自适应动态辨识过程结束后水力计算程序与第四组实测数据进行了比较。

表5和表6是在前面四组实际测量数据辨识的基础上,利用动态自适应辨识的结果来进行水力计算,对第五组数据进行了预测。

从表3-表6可以看出,采用了自适应参数优化辨识水力计算算法后,测压点处实测压力和计算压力的压差基本上回归到允许范围值内,本例中的8个测压点,经计算,压差都下降到2.0%以内,气源流量差也下降到5%范围内。表明了本文所应用的计算方法,消除测压点处压差的效果是很好的。计算结果证明,该程序应用的计算方法合理,运算速度快捷,运算效果良好,故该程序具有一定的实用性。

3 结 语

本文深入研究了燃气管网水力计算结果与实际测量值之间存在偏差的主要原因,并根据实际测量管网数据对水力计算进行参数自适应辨识优化处理,能够离线或在线动态调整节点流量和管道过气能力系数,使水力计算的结果和实际测量数据在一定精度条件下相吻合。

参考文献

[1]王树立,赵会军.输气管道设计与管理[M].北京:化学工业出版社,2006.

[2]孙德青,姚安林,赵忠刚.我国城市燃气事业的发展趋势[J].城市燃气,2006,379(9):35-39.

[3]李颜强,徐正康,王昌遒.全国城市燃气管道的发展和改造[C]//中国土木工程学会城市燃气分会第九届理事会第一次会议论文集,2006:44-52.

[4]左丽丽,吴长春.燃气管网水力计算节点及编号的探讨[J].煤气与热力,2005,25(3):36-39.

[5]彭继军,田贯三,刘燕.燃气管网图的计算机生成[J].山东建筑工程学院学报,2003(18):58-62.

[6]刘燕.燃气管网计算理论分析与应用的研究[D].天津大学,2004.

[7]田贵三,等.燃气管网水力计算研究[J].哈尔滨工业大学学报,2003,7(3):40-45.

[8]杨昭,张甫仁,诸强.燃气管网动态仿真的研究及应用[J].天然气工业,2006,26(4):105-108.

[9]左丽丽,吴长春,丁明江.输配气管网稳态仿真问题的的拓广[J].中国石油大学学报:自然科学版,2006,30(1):111-114.

[10]管延文,荣庆兴,等.燃气管网模拟分析软件的开发与应用[J].上海煤气,2006(5):35-38.

[11]Seleznev Vadim.Numerical Simulation of a Gas Pipeline Network usingComputational Fluid Dynamics Simulators[J].Journal of Zhejiang U-niversity,2007,8(5):755-765.

自适应PSD控制的改进算法 篇9

本文对Marsik和Strejc的研究工作及其他学者的工作进行了分析,应用根轨迹法,分析了PSD控制系统性能,提出了新的最优参数配置原则,通过仿真实验进行比较研究。

1 无辨识PSD控制系统分析

1.1 无辨识PSD控制器基本原理

PSD(Proportional、Summing、Differencing)即为PID的离散形式,其增量表达式如下:

由文献[2]可知,当满足下述条件时,系统具有较好的性能:

式中,和分别为系统误差e(t)的一、二阶差分绝对值的均值,且有:

由最优条件可得:Te(k)=2Tv(k)(3

增量表达式简化为:

1.2 无辨识PSD控制系统的根轨迹分析

一般情况,设Te(k)=αTv(k),则PSD控制器的脉冲传递函数为

式中,U(z)和E(z)分别为PSD控制器的输入和输出信号的Z变换(见图1),则PSD控制器的零点为

由于Tv(k)>0,z1,2模的范围为

该式表明,利用IFA算法的PSD控制零点均分布在一个单位圆内。无论增益g(k)从0至+?如何变化,两条根轨迹是由位于单位圆内的闭环极点开始,终止于可能同样位于单位圆内的零点。这表明IFA确保至少两个闭环极点分布在单位圆内。

式(6)表明,当α<4(包括文献[2]中提出的最优值α=2)时,那么系统将有一对共轭复零点,在某些情况下,闭环系统均不能稳定。

例如,当被控对象为双积分环节时:

系统的根轨迹方程为

式中,K*∈(0,+∞)为根轨迹的增益,z1,2为PSD控制器的两个零点。

当α<4时,系统根轨迹如图2所示,位于单位圆内的两条根轨迹(图中细实线曲线)终止于PSD的两个复数零点,而其它两条轨迹(图中粗实线曲线)位于单位圆外。这表明有两个闭环极点分布在单位圆内,而其它的极点在单位圆外,在这种情况下,基于IFA的PSD控制系统必定是不稳定的。

当4≤α<∞,系统根轨迹如图3所示,两条根轨迹(图中细实线曲线)各自终止于位于实轴的两个零点z1,2,而其它两条根轨迹(图中粗实线曲线)在各自终止于z=-1和z=-∞之前先在单位圆内运行。所以,如果能满足α≥4,取合适的增益g(k),那么系统将有可能保持稳定。根据式(2)及上述分析,取α=4,即

2 仿真验证

2.1 惯性环节

考察如下二阶惯性环节:

采样周期取TS=0.1s,选取α=2。

采样周期取TS=0.1s,图4中的曲线分别为α=2,4,8时的阶跃响应曲线。由该图可知,在惯性环节中,α=2并非为最优值。当α为4,8时,系统的超调量显著降低,收敛加速。

2.2 积分环节

考察如下积分环节:

采样周期取TS=0.1s,选取α=2。

采样周期取TS=0.1s,图5中的曲线分别为α=2,4,8时的阶跃响应曲线。由该图可知,在积分环节中,α=2同样并非为最优值。当α为4,8时,系统的超调量显著降低,收敛加速。

3 结论

应用根轨迹法修改了Marsik和Strejc的无辨识PSD控制方法中Te(k)=2Tv(k)的最优参数α=2,发现如果能满足α≥4,取合适的增益g(k),那么系统更易稳定。

摘要：为增加控制系统的稳定性、提高系统动态响应性能,应用根轨迹法对Marsik和Strejc的无辨识PSD自适应控制方法进行分析,讨论了原算法中某一最优参数的局限性,给出了新的最优参数选择原则。仿真实验表明,在新的最优参数范围内,系统的超调量显著降低,收敛加速。

关键词：PSD,无模型控制,自适应控制,根轨迹

参考文献

[1]Ziegler J G,Nichols N B.Optimum se-ttings for automatic controllers[J].Trans.ASME,1942,11(64):759-768.

[2]Marsik J,Strejc V.Application of Identification-free Algorithms for Adaptive Control[J].Automatica,1989(2):273-277.

[3]丁红,舒迪前,王京.无需辨识的PSD自适应控制器及其应用[J].冶金自动化,1994(2):35-39.

[4]江青茵.无辨识自适应控制预估算法及应用[J].自动化学报,1997(1):107-111.

[5]秦志明,卢秀梅.一种新的控制算法在主汽温控制中的应用研究[J].仪器仪表用户,2005(2):4-6.

[6]赵金宪,王秀琴,王忠礼.无辨识自适应控制算法改进分析[J].控制工程,2004(1):24-26.

搜索模式自适应快速运动估计算法 篇10

视频编码标准H.264/AVC的压缩效率比MPEG-2、MPEG-4提高了近1倍[1],与此同时也造成了运算量的大幅增加,因此高效快速的运动估计算法成为H.264实时编码器实现的关键。由于运动是视频序列固有的根本特征,所以有效利用和适应运动特征的运动估计算法可以显著提高搜索速度和编码效率。

目前,典型的快速搜索算法有三步搜索法、四步搜索法、菱形搜索法、六边形搜索法、预测运动矢量场自适应搜索算法(PMVFAST)、具有匹配预判的自适应不规则模板搜索算法(AIPS-MP)等。此外,我国研究人员还提出了非对称十字型多层次六边形网格搜索算法(UMHexagonS)[2,3],这种算法采用整数像素运动估值,在高码率、大运动图像序列编码中能保持较好率失真性能,运算量很低,已被H.264标准采纳。

2 PAFME算法

实验发现,UMHexagonS算法的搜索策略也存在一些缺点和不足,如:对于不同的运动序列都采用固定的搜索模板和相同的搜索策略,这样虽能保证较高的搜索精度,但由于没有充分利用不同序列及不同块的特征,不能自适应地结束搜索,因此存在较多的冗余搜索点,造成搜索开销增大。笔者结合H.264标准采用的可变块尺寸运动估计技术的特点,提出了一种搜索模式自适应的快速运动估计算法(Search Pattern Adaptive Fast Motion Estimation,PAFME),并通过实验测试了算法性能。PAFME算法主要采用以下核心技术:初始搜索点预测,多搜索模式选择,利用经验阈值调整搜索模式的使用。

该算法的主要思想是在保证图像质量的前提下,减少算法中的冗余搜索点,从而加快运行速度。在该算法中使用由经验得到的整数型常数作为基值;对不同尺寸的块类型,采用对基值进行简单的移位操作,以作为不同的判断阈值。

在搜索的过程中,首先对初始预测点集中的部分预测点(中值预测点及原点)进行搜索,包括小菱形四点搜索和可能的密集搜索步骤;仍不满意,再搜索上层块类型预测点,而后按当前最佳点进行小菱形搜索或可延伸的六边形和小菱形搜索步骤。算法流程如图1所示。

3 实验结果与分析

把新算法嵌入到H.264的标准参考软件JM12.4中进行测试比较,以验证其有效性。测试条件:在基本框架下,采用SATD和RDO指标,搜索范围为所有编码模式,1/4像素精度,参考帧数为1,第一帧为I帧,其余为P帧。测试序列有:Forman(QCIF,10 f/s(帧/秒)),Paris(CIF,15 f/s),Football(SIF,30 f/s),各100帧。之所以选用纹理和运动复杂度各不相同的3种测试序列,格式、帧率均有差异,是为了充分测试算法对不同内容的视频序列在不同目标下的应用性能,并且选用4种量化参数以测试算法在不同码率下的性能。

采用亮度信号的峰值信噪比(PSNRY)、比特率、整数像素精度运动估计总时间(t)等指标对PAFME算法与JM12.4参考软件采用的快速算法(JM12.4FME)的性能进行比较,实验结果详见表1。可见,PAFME算法具有以下特点:1)PSNRY平均损失0.018 d B,最大不超过0.088 dB,所以新算法对视频重建质量的影响可忽略;2)比特率的增加未超过0.7%,所以新算法对编码效率影响很小;3)运算量有较大降低,整像素精度运动估计速度提升明显,耗时平均减少33%。

对上述测试序列,在不同量化参数下,PAFME算法与JM12.4FME相比,其整像素精度运动估计的耗时百分比(tPAFME/tJM12.4FME)见图2。由图可见,在不同量化参数下,PAFME算法性能稳定,即新算法的有效性受量化参数影响较小。对不同特征的信号序列,算法性能有所差异,对运动一致性较好的序列,整像素精度运动估计的耗时可减少35%以上,搜索速度较快。

4 小结

笔者针对现有算法的不足,提出搜索模式自适应的快速运动估计算法PAFME,结合H.264标准采用的可变块尺寸运动估计算法的特点,利用运动矢量在时空域及不同编码模式间的相关性,设计了初始搜索中心的预测方法。通过测试发现:自适应的搜索模式选择规则可以显著地加快运算速度,并保持了视频质量和码率基本不变,为高速的运动估计提供了一种新的方向。

摘要：提出了一种搜索模式自适应快速运动估计算法(PAFME),首先利用变块尺寸运动估计的特点与运动矢量的时空域相关性,预测初始搜索中心;采用多种搜索模式以适应不同运动特征,提出了搜索模式自适应的选择机制,以节省不必要的搜索点加快搜索速度;又能避免陷入局部极小。实验结果表明,与H.264/AVC的参考软件JM12.4相比,该算法使整像素精度运动估计的速度提高了30%～40%,同时保持了图像质量和码率基本不变。

关键词：运动估计,搜索模式自适应,H.264

参考文献

[1]OSTERMANN J,BORMANS J,LIST P,et al.Video coding with H.264/AVC:tools,performance,and complexity[J].IEEE Circuits and Systems Magazine,2004,4(1):7-28.

[2]CHEN Zhibo,ZHOU Peng,HE Yun.Fast motion estimation for JVT,Doc.JVT-G016[C]//Proc.7th JVT Meeting,2003.Pattaya,Thailand:JVT,2003.