特征信息序列

2024-10-21

特征信息序列（精选7篇）

特征信息序列篇1

0 引言

入侵检测, 就是对入侵行为的发觉和识别, 是一种试图通过观察行为、安全日志或审计数据来检测入侵的技术[1]。为此目的所研制的系统就称为入侵检测系统 (Intrusion Detection System, IDS) 。随着人类社会生活对计算机和互联网依赖程度的日益增强, 计算机系统安全也越来越成为领域内研究的热点;而入侵检测技术的研究则是这个领域中的重要分支。

现有的入侵检测技术都或多或少地存在一些不足。异常检测类技术只能发现异常系统或网络数据的出现, 却不能及时给出这些异常数据到底代表了什么样的入侵或攻击行为, 误报率高;滥用类检测技术一般只能检测到已知的入侵及其简单变种, 不能识别新出现的入侵, 特别是在用模式匹配技术[2]或状态转移分析技术[4]的滥用检测系统中, 由于实际存在的入侵种类繁多, 对应的入侵模式或入侵状态转移表数量也很多, 使得匹配分析成为盲目的试探过程, 检测效率低。

如果能将多个入侵用一个统一的模式描述, 这样就可以有效减小匹配分析过程的盲目试探性, 从而提高检测分析的效率。为此, 该文提出了基于特征信息序列语法分析的入侵检测方法。

1 特征信息序列语法分析

特征信息序列由一定的特征信息组成, 基于特征信息序列语法分析的检测分析方法的基本思想是:将同一类入侵 (比如所有的针对或利用IP数据包进行的入侵可视为一类) 用一个形式文法[8]模式描述, 所有入侵类型的文法 (即模式) 组成入侵文法库。在此基础上, 当检测分析程序面对由特定系统日志数据或网络数据包抽象而得的特征信息序列后, 对其按照模式库中相应入侵模式作自下而上的语法分析, 如果分析过程能够将这个特征信息序列最终归约为该文法模式的开始符号, 则说明这个特征信息序列确实代表了该入侵模式的一个具体入侵实例 (待分析的特征信息序列可以是由专门的数据解析程序输出, 可参阅作者的另一篇论文《基于数据解析的入侵检测技术研究》。具体用哪个入侵模式进行语法分析匹配, 要根据这个特征信息序列是由什么样的数据解析自动机识别而定, 例如, 若一个特征信息序列是由IP协议数据包解析自动机识别的, 就用IP协议对应的入侵模式) 。这样, 检测分析程序实质上就是一个语法分析器。语法分析的过程也是创建语法分析树的过程, 可以把这种针对特征信息序列的分析树称为检测分析树, 故也把这种检测分析技术称为基于检测分析树的入侵检测技术。

任何入侵模式都可用一个文法I (S, C, I, P) 描述, 其中S是入侵发生过程中关键状态的集合;C是特征信息的集合, 这里的特征信息是对单位源数据的抽象表示;I是文法的开始符号, 也是入侵模式名;P是派生式集合, 其中的每个派生式都形如Si→α, Si∈S, α∈ (S∪C) *。

在实现基于特征信息序列语法分析的入侵检测系统时, 要为每一个网络协议族建立相应的攻击模式库, 比如有TCP/IP攻击库, 库里的模式都是针对或利用TCP/IP数据包进行的攻击。其中, 每个协议对应一个入侵或攻击模式, 如TCP SYN FLOODING攻击、TCP三次握手攻击等都用TCP类攻击模式描述等;IP类攻击模式描述了所有针对或利用IP数据包进行的攻击, 如IP欺骗、IP分片攻击等;还有HTTP类攻击模式、SNMP类攻击模式等。这样检测分析程序可与数据解析程序配合, 当特征信息序列是由一系列IP协议数据包抽象而得时, 只须用IP类攻击模式对其进行匹配检测——语法分析;同样, 如果待分析的特征信息序列是HTTP协议数据包的抽象表示时, 则只须用HTTP攻击模式对该特征信息序列进行检测分析。这样可大大减少匹配分析中的盲目试探次数, 提高检测分析效率。

2 几个常见攻击的文法描述模式的构造及检测分析过程

上述思想和方法的基础是为每个入侵类型都构造一个用文法描述的模式。构造方法如下:首先, 确定将构造的模式要描述的各种入侵对应的特征信息序列, 所有的这些特征信息序列构成的集合即是文法模式描述的语言;然后, 依次构造四元组文法中的每个成员, 组成完整的文法模式。下面通过实际例子介绍文法描述的入侵模式的建立方法。

2.1 IP分片攻击和IP欺骗攻击

首先为IP分片攻击和IP欺骗攻击各自单独创建文法模式。

IP分片攻击的特征信息序列为a…a, b, c, 所有符合这个特点的特征信息序列集合即为IP分片攻击的模式要描述的语言。据此, 可以将其描述为如下以语法规则表示的攻击模式:

根据该IP分片攻击的模式, 对IP分片攻击的检测过程如下:

(1) 检测程序处于初始状态, 当IP数据包协议解析程序输出一个解析结果——特征信息序列后, 检测分析程序按照IP分片攻击模式对这个信息序列进行匹配分析。若特征信息序列的第一个特征信息是a (IP包分片标记为1) 时, 根据产生式S1→a, 检测程序归约到状态S1。

(2) 在状态S1, 特征信息序列的下一个特征信息仍然为a时, 根据产生式S1→S1a, 检测程序归约到状态S1;以此类推, 只要特征信息序列的下一个特征信息仍然为A, 则根据产生式S1→S1a, 检测程序归约到状态S1。

(3) 在若干次由S1归约到新的S1状态后, 直到特征信息序列下一个特征信息为b (接收到了所有的分片数据包, 并且没有超时) 时, 根据产生式S2→S1b, 检测程序归约到状态S2。

(4) 紧接着, 若下一个特征信息标记为c (各分片数据包的总长度小于该包数据的设定总长度, 说明有分片重叠发生) , 根据产生式S3→S2c, 检测程序归约到状态S3, 并报告发现了IP分片攻击。该检测分析过程对应的检测分析树参照图1 (a) 。

同理, 根据IP欺骗攻击的特征信息序列是f, 可以构造描述它的模式的文法:

这样, 对IP地址欺骗攻击的探测过程如下, 参照图1 (c) 的检测分析树。

在IP数据包协议解析程序输出一个特征信息序列后, 检测分析程序依据IP欺骗攻击模式进行匹配分析。若特征信息序列是f, 则根据规则展开式S4→f归约到S4状态。此时, 可向响应程序输出检测结果:发现了假冒IP地址的IP数据包。

图1 (b) 是对代表一系列正常的IP分片数据包的特征信息序列的检测分析过程对应的分析树, 即在将分片重组后得到一个与分片前完全一样的正常的IP数据包的情况。

然后, 用一个统一的文法模式描述包括IP分片攻击和IP欺骗攻击在内的所有针对IP包的攻击, 方法是:将所有针对IP数据包攻击对应的文法模式特征信息集合并为一个总的特征信息集合;将所有攻击模式的攻击状态集合并为一个总的攻击状态集合, 并引入一个新的文法开始符号IIP, 作为总的入侵类名;将所有攻击模式的派生式集合并为一个总的派生式集合, 并引入一组由新的开始符号IIP到各入侵名对应的入侵状态的派生式。这样就形成了IP类攻击的总的文法模式:

IIP (S, C, IIPFRAG, P) , 其中:

该文法是IP欺骗、IP分片攻击和正常IP分片数据的共同模式。实际上, 其他针对或利用IP数据包进行的攻击也可以包括在这个模式中, 当然, 不同类的入侵体现在模式中的不同派生式子集上。需注意的是, 按这种方法处理, 需要给每个产生式加上必要的语义规则集, 而使得描述模式的文法成为属性文法[8], 因为对不同的IP攻击的特征信息序列的分析都将归约到IIP。如果分析过程的最后是用IP→IIPFRAG, 由IIPFRAG归约到IP时, 根据语义规则中的属性计算, 就可以知道发生的是IP分片攻击而不是其他类型的IP攻击。如果能够将所有这样的利用相同的协议数据包进行的入侵用一个统一的模式描述, 那么, 只要知道待分析的特征信息序列是由什么协议数据包抽象而得的, 并用该协议对应的入侵模式进行检测分析即可。这样就避免了用多个模式依次试探匹配的盲目性及由此引起的低效率问题。

2.2 利用TCP数据包进行的攻击

用同样的方法, 可以将用TCP数据包进行的攻击抽象为如下攻击模式:

ITCP (S, C, ITCP, P)

其中:C={j, k, l, m}是以下攻击特征信息的集合:

根据这个描述模式, 对TCP SYN FLOODING攻击的探测过程, 参照图2的检测分析树。这时, 数据解析程序输出的特征信息序列可能是j…jk, 这是经过滤预处理的特征信息序列, 其中j的重复次数超过了设定的阈值:

(1) 系统开始处于正常状态, 由于协议数据包解析程序输出的特征信息序列中第一个信息标记为j, 检测分析程序根据产生式S1→j归约到S1。由此可确定出现地址假冒攻击, 并报警发现了地址假冒的IP数据包。

(2) 在归约到S1后, 分析器读到特征信息序列中下一个信息标记仍然为j, 用S1→S1j再次归约为S1;依此类推, 分析器连着若干次用S1→S1j归约为S1。

(3) 经若干次用S1→S1j归约到S1后, 若协议解析程序输出的特征信息序列中下一个信息为k, 检测分析程序根据当前状态, 用ITCPSYNFLOODING→S1k归约到状态ITCPSYNFLOODING。接着, 用ITCP→ITCPSYNFLOODING归约到ITCP, 并根据分析过程中的属性值的传递, 确定发生了TCPSYNFLOODING攻击。

(4) 在第二步后, 即经若干次用S1→S1j归约到S1后, 若协议解析程序输出的特征信息序列中下一个信息为m, 而不是k, 检测分析程序根据当前状态, 用ITCPFAKE→S1m归约到状态ITCPFAKE。接着, 用ITCP→ITCPFAKE归约到ITCP, 并根据分析过程中的属性值的传递, 确定发生了ITCPFAKE攻击。

用同样的方法, 可以为其他类型的攻击建立模式, 如针对其他网络协议数据包的攻击或针对主机系统的攻击类等。

3 入侵模式的可扩展性

黑客攻击的方式是日新月异的, 新入侵不断涌现。初始建立的模式库中没有后来才出现的入侵模式。而一个好的滥用入侵检测系统需要经常更新和丰富模式库。在新的攻击方式出现的时候, 解析程序可能发现其对应的特征信息序列, 而用相应的模式对这个新的特征信息序列进行语法分析时, 检测分析程序必然会报告异常的发生, 此时可以根据这个新的特征信息序列对相应的模式进行扩展改造——加入能够派生出该特征信息序列的派生式。比如, 如果这个新的特征信息序列是由TCP协议数据包解析程序识别的, 则检测分析程序用TCP类攻击模式对这个特征信息序列进行语法分析时应该报错, 这是因为根据已经构造TCP类攻击模式, 这个新的特征信息序列不属于对应文法模式的句子, 所以必然在分析的某一步报错——发现异常的特征信息序列。这样, 可以根据这些新出现的特征信息序列对相应的入侵模式进行修改或增加新的入侵模式。用这种方法, 入侵模式库可得到不断的更新和丰富。从这个角度说, 由于文法描述模式的可扩展性, 基于特征信息序列语法分析的入侵检测技术是一个滥用检测和异常检测的综合技术, 不仅可以确定已知类型的入侵是否发生, 还可以发现异常系统或网络行为的出现。

4 结语

本文针对滥用入侵检测常用技术存在的不足, 提出了基于特征信息序列语法分析的入侵检测技术。通过该技术, 可以有效避免匹配分析过程的盲目性和试探性, 提高检测分析的效率。另外, 由于文法描述模式的可扩展性, 使得基于特征信息序列语法分析的入侵检测技术成为具备一定异常检测能力的滥用检测技术, 即能确定已知类型入侵是否发生, 也能及时发现新出现的异常系统或网络活动的发生。

参考文献

[1]唐正军.入侵检测技术导论[M].北京:机械工业出版社, 2004.

[2]Kumar S, Spafford E.An Application of Pattern Matching inIntrusion Detection[Z].Department of Computer Science, Purdue University, CSD-TR-94-013, Coast TR 94-07, 1994.

[3]张燕, 刘方爱.IDS中一种新的模式匹配算法及其并行化[J].山东科学, 2005, 18 (11) :134-138.

[4]胡睿, 张冬茉, 杜蓬.用有限状态转换图来识别系统入侵[J].计算机工程与应用, 2001, 37 (20) :81-84.

[5]Hochberg J, Jackson K, Stallings C, et al.NADIR:An Auto-mated System for Detecting Network Intrusion and Misuse[J].Computers and Security, 1993, 12 (3) :235-248.

[6]周子庭, 李建华.系统日志分析及在主机入侵检测中的应用[J].信息安全与通信保密, 2004 (9) :31-33.

[7]刘美兰, 南相浩, 姚京松.基于审计的入侵检测系统[J].计算机工程, 2000, 26 (Z1) :127-132.

[8]陈火旺, 刘春林, 谭庆平, 等.程序设计语言编译原理[M].3版.北京:国防工业出版社, 2000.

特征信息序列篇2

目前针对图像匹配的主要方法有基于像素点匹配的归一化积相关灰度匹配、序贯相似性检测匹配(Similarity Sequential Detection Algorithm,SSDA)、基于特征匹配的[1](Scale-Invariant Features Transform,SIFT)和仿射不变特征点提取方法Harris-Affine[2,3,4]。模板匹配的主要思想是将待匹配的图像作为模板图像,以窗口的方式,在待查找的源图像中扫描一遍,通过该模板所对应区域的图像与模板图像之间的相似距离来判断识别的结果。序贯相似性检测匹配主要解决模板匹配算法计算量大的问题,模板匹配每滑动一次就要做一次匹配运算,除了匹配点外在其他匹配点做了“无用功”,导致匹配算法计算量上升,一旦发现所在的参考位置为非匹配点,立刻换到新的参考点计算,加大匹配速度。SIFT方法能够从匹配图像中提取显著不变特征,使不同视角目标或场景图像稳定匹配,该特征向量对图像尺度、旋转变化、噪声和光照变化不敏感。由于SIFT 对目标遮挡和图像混杂稳定性较强,因此在目标识别中取得良好效果。仿射不变特征方法主要解决大视角变化的图像匹配问题,在仿射高斯空间的基础上,用多尺度Harris特征点,检测算子提取适应仿射变换的特征点,然后用特征点的椭圆邻域代替圆形邻域。通过迭代估计特征点邻域的仿射形状,不断调整特征点所在的尺度、位置和形状收敛直到不变为止,最终得到仿射不变特征向量。利用像素点进行匹配的主要缺陷是计算量过大,对图像的灰度变换敏感,尤其是非线性的光照变化。此外,对目标的旋转,变形以及遮挡也比较敏感[5]。因而基于像素点匹配的方法不适合实际场景中的应用,为克服这些缺点,可以利用图像的特征进行匹配,一方面图像的特征点比像素点要少,减少了匹配过程的计算量。另一方面局部特征点[6]的匹配度量值对位置的旋转、变形以及遮挡不是很敏感,可以大大提高匹配的精度。而且特征点的提取过程可以减少噪声的影响,对灰度变化,图像变形以及遮挡等有较好的适应能力。文中采用失配函数的思想,解决像素点计算量过大的缺陷,同时利用局部特征匹配的优势,提高图像匹配的精确度和执行速度。

1 尺度不变特征

尺度不变特征(Scale-Invariant Feature Transform,SIFT)是一种计算机视觉用于侦测与描述图片中局部特征的,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量等相关特征。

局部特征的描述与侦测可以帮助识别物体,SIFT特征是基于物体上一些局部外观的兴趣点,而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度较高。基于这些特性,它们是高度显著而且相对容易撷取,在庞大的特征数据库中,容易辨识物体且鲜有误认。使用 SIFT特征描述对于部分物体遮蔽的侦测率也较高,甚至只需要3个以上的SIFT物体特征就能计算出位置与方位。在现今的计算机硬件速度下和小型的特征数据库条件下,辨识速度可接近即时运算。SIFT特征的信息量大,适合在海量数据库中快速准确匹配。

SIFT架构中的特征点是利用不同尺度下高斯滤波器(Gaussian Filters)进行卷积(Convolved),然后利用连续高斯模糊化差异,根据不同尺度下的高斯差(Difference of Gaussians)中最大最小值导出,其公式如下

D(x,y,σ)=L(x,y,kiσ)-L(x,y,kjσ) (1)

其中,L(x,y,kiσ)是在尺度kiσ的条件下,由原始图像I(x,y)与高斯模糊G(x,y,kσ)进行卷积

L(x,y,kσ)=G(x,y,kσ)*I(x,y) (2)

G(x,y,kσ)是尺度可变高斯函数

$G (x, y, σ) = \frac{1}{2 π σ^{2}} e^{- \frac{(x^{2} + y^{2})}{2 σ^{2}}} (3)$

为减少噪声对特征点的影响,避免将边缘附近的点也误认为是特征点,采用Hessian[7]矩阵对极值点进行过滤,其公式如下

$Η = (\begin{matrix} D_{x x} & D_{x y} \\ D_{x y} & D_{y y} \end{matrix}) (4)$

在得到特征点的尺度和位置信息后,为使特征点描述向量对旋转不变,需要为特征点分配角度信息。计算特征点梯度大小m(x,y)和角度θ(x,y)。

$m (x, y) = \sqrt{(G (x + 1, y) - G (x - 1, y))^{2} + (G (x, y + 1) - G (x, y - 1))^{2}} (5)$

θ(x,y)=tan-1(G(x,y+1)-G(x,y-1))/G(G(x+1,y)-G(x-1,y)) (6)

最后利用特征点的梯度方向构建一个36 bin 的角度直方图,直方图的峰值代表局部梯度的主方向。以特征点为中心取16×16个像素的窗口,分成16个4×4的子块,在每个4×4的子块上计算0°,45°,90°,135°,180°,225°,270°,315°这8个方向的梯度大小和梯度方向直方图。因此,一个4×4的子块可以得到一个8方向描述符,则16个4×4的子块可以得到128个方向描述符,这个1×128的向量就定义为特征描述符向量。如图1所示分别在不同像素下提取的SIFT匹配特征,图1(a)是相同大小测试图像和匹配图像,分辨率较低,其特征点的个数只有5个,图1(b)特征点的个数为32个,图1(c)特征点个数为43个,图1(d)特征点个数为106个。

2 匹配函数

文中提出的匹配函数[8]是利用匹配本身的特征信息来决策出重新进行匹配的起始点。假设特征序列构成的描述符向量可以表示为一串由字母组成的字符串:P=abcabcacab,同样查找图像的特征序列也被表示成一串很长的字符串:S=…abacbdfe…,问题转变为在主串S中查找出是否具有P特性的匹配串。

令S=s0s1…sm-1是主串,要确定P是否在si开始处匹配。如果si≠a则接下来显然要用si-1与a比较。同理,若si=a且si+1≠b,则接下来要用si+1与a比较。若sisi+1=ab且si+2≠c,则有以下情形

S=· a b· · · ·

P=a b c a b c a c a b

其中,“?”表示S在该位置的值是多少无关紧要。第一个“?”表示si+2且si+2≠c,下一次应该用P的第一个字符直接与si+2比较,而不是与si+1比较,因为P的特征序列的第2个字符b与S中si+1相等,一定有si+1≠a。假定P的前4个特征字符和S匹配,但下一个特征字符失配,即si+4≠b

S=· a b c a · · · ·

P=a b c a b c a c a b

此时应该用si+4与P的第2个特征字符进行比较,等效于把P向右滑动,使它的子串对准S的一个子串,然后比较两个相等子串后面的第一个字符。可以得出,根据特征字符串P中的字符信息,以及匹配失效主串的字符位置,可以确定接下来应该用特征字符串中的哪个特征字符和主串的当前失配字符继续比较,而无需回去比较主串的较前位置字符。

特征串p=p0p1…pn-1的匹配函数定义为

$f (j) = {\begin{cases} \max {i, 0}, p_{0} p_{1} \dots p_{i} = p_{j - i} p_{j - i + 1} \dots p_{j}, i ≺ j \\ - 1 \end{cases} (7)$

由定义可得,如果部分匹配结果是si-j…si-1=p0p1…pj-1且si≠pj,则接下来如果j≠0,应该用si与pf(j-1)+1相比;如果j=0,用p0与si+1相比。

3 算法执行

图像匹配的过程是目标图像在测试图像中查找相似特征的目标。首先将目标图像分割,假设目标图像的大小是M×N,对图像长M进行m等分,对图像宽N进行n等分,这样目标图像就被分割成m×n个大小模块的子图像,每个子图像的大小为 $\frac{Μ \times m}{Ν \times n}$ ,同样对测试图像进行相同的处理。处理结果如图2所示。

分割好的目标图像分别计算SIFT局部特征,将计算完的特征按照图像字块的顺序从左到右从上到下排列成一行序列,其长度为m×n,目标图像就被表示成了一串具有SIFT特征的序列串,每个串的值代表了当前分块子图像的细节特征表述,如图3所示。

分块子图像的SIFT特征是1×128个特征向量描述符。它包含了该子图像的特征信息,由于每个子图像包含的细节不相同,保证了特征序列间没有太大的关联性,同时子图像内容之间是连续的,特征序列之间又保持着关联性。同样测试图像也按照上述方法进行分割,在测试图像匹配目标图像就转变到在测试图像特征序列里查找目标图像的特征序列,SIFT提取出的特征向量表述符之间的相似性采用欧氏距离的来确定,设置某一阈值σ,当特征向量之间的欧氏距离<σ时,判定这两个特征向量之间是相似或者相近的,当特征向量之间的欧氏距离>σ时,判定该特征向量之间不匹配,利用匹配函数重新定位新的匹配点,重新进行匹配,直至测试图片整个特征序列结束。

算法执行流程如下:

(1)初始化测试图片和目标图片,分别将其转化成灰度图像。

(2)测试图片和目标图片分别分割成具有相同大小的子图像,并按图像内容组织成一行序列。

(3)分别对上述一行序列进行SIFT特征提取,以向量的形式存储。

(4)计算测试图片的特征序列和目标图片的特征序列是否相近或相似,如果相似则继续匹配,否则转到(5)。

(5)利用匹配函数计算出在测试图片中失效匹配点重新匹配的位置,重复(4)。

(6)测试图像特征序列结束,输出匹配序列。

4 实验结果

本方法利用SIFT对目标分割子图像进行特征提取,将提取出的特征按照子图像分割的序列进行重构,目标图像和测试图像就转换成一行具有特征描述符的序列,对特征描述符进行匹配函数计算,进行匹配过程。图片大小直接影响到子图像的分割和特征序列的生成,同时提高各个子图像不同的特征序列之间的差异性,实验图片选取分辨率较高的1 500×1 500的测试图片和分辨率为300×300的目标图片,子图像的大小为15×15,这样测试图片就被划分为10 000个特征序列,目标图像被划分为400个特征序列。特征序列之间的相似度和相近程度用欧氏距离来确定,实验的过程中欧氏距离的误差阈值σ≤20,当欧氏距离在这个范围内,特征图片匹配。实验一方面从单张图片匹配结果进行讨论,另一方面从单张图片在模板匹配方法,序贯相似性匹配方法和SIFT本身匹配进行比较。图4显示的是匹配的结果,图4(b)中灰色区域为匹配的目标区域,如图5所示,黑色为匹配结果,从图中可以看出,除了目标区域被匹配,其他区域也被匹配,实验过程中为了降低匹配函数带来的负面影响,在最优情况下连续20个特征序列匹配,该20个特征序列就是匹配的区域,匹配过程中产生的其他匹配是因为在该20个特征序列内,其相似程度的欧氏距离都小于阈值σ≤20,由于增大了连续匹配成功的特征序列的长度以及减小特征序列的相似度的阈值,使得匹配的结果较为合理。实验的目标区域特征为房屋建筑,具有棱角和直线的特征,在区域划分很小的情况下很难区分出来,导致结果在房屋建筑上匹配有误差。

匹配函数在目的上解决了重新匹配的新配点的计算,同时又是以局部特征为匹配,而不是以单纯的像素点来匹配,加大了匹配的速度,其匹配执行速度要高于模板匹配,序贯相似匹配方法和SIFT本身匹配进行比较,表1显示了在上述匹配方法执行速度。

5 结束语

文中主要利用提出的匹配函数来对图像匹配进行快速匹配,加快图像匹配的速度,关键点在于子图像的划分和局部特征提取,子图像的大小直接影响到局部特征的提取,子图像太小,局部细节丢失严重,特征序列之间的相关性丢失,匹配函数匹配重复计算率提高,子图像太大,特征序列之间相关性过大和宽度过短,匹配函数不起作用。局部特征提取才用SIFT特征提取,一方面SIFT特征在全局图像匹配中具有良好的匹配结果,在其基础上加快处理速度。因子图像的划分和相似度的阈值是根据仿真和先验只是初步估算,接下来的工作主要研究子图像大小的划分和局部特征的提取,从图像本身特征的角度自适应划分子图像的大小以及对其局部特征的提取。

参考文献

[1]LOWE D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision(S0920-5691),2004,60(2):91-110.

[2]MIKOLAJCZYK K,CORDELIA S.Scale&affine invariant interest point detectors[J].International Journal of Comput-er Vision(S0920-5691),2004,60(1):63-86.

[3]MIKOLAJCZYK K,TUYTELAARS T,SCHMID C,et al.A comparison of affine region detectors[J].International Jour-nal of Computer Vision(S0920-5691),2005,65(1):43-72.

[4]MIKOLAJCZYK K,CORDELIA S.A performance evaluation of local descriptors[J].IEEE Transactions on Pattern Anal-ysis and Machine Intelligence(S0162-8828),2005,27(10):1615-1630.

[5]ZHAO Zhenbing,WANG Rui.A method of infrared/visible image matching based on edge extraction[C].International Congress on Image and Signal Processing,2010:871-874.

[6]田金文,杨磊.基于局部分形特征的快速图像匹配方法[J].华中理工大学学报,1996,24(2):12-14.

[7]刘小军,杨杰.基于主成分分析的放射不变特征图像匹配方法[J].系统仿真学报,2004,20(4):977-980.

特征信息序列篇3

混沌研究始于19世纪中后期法国庞加莱对太阳系稳定性问题的讨论, 从时间序列研究混沌始于Packard等提出的相空间重构理论[1]。混沌现象是自然界广泛存在的一种不规则运动, 是一种由确定的非线性动力系统生成的复杂行为。混沌中所指的无序是一种内在规律的表现, 并不是指单纯的混乱。混沌时间序列分析是混沌学的一个重要应用领域, 具有很重要的理论和现实意义。通过参考作物蒸发蒸腾量 (ET0) 计算作物需水量是世界范围内最广泛使用的方法之一。参考作物蒸发蒸腾量由于受多种因素的影响和制约, 表现出复杂的、随机的等特性。因此, 判断作物蒸发蒸腾量是否具有混沌特性, 对作物蒸发蒸腾量的预测具有非常重要的意义。目前, 已有学者研究表明参考作物蒸发蒸腾量是一类混沌系统, 如王卫光等对参考作物腾发量的混沌性识别及预测研究[2]。为此, 本文利用中国科学院水利部水土保持研究所黄土高原地区数据库中四川省成都市1951年至2000年的气象资料和地理参数, 采用P-M方法计算ET0, 通过识别其混沌动力学特征, 进一步对ET0进行预测, 为气象资料缺省条件下ET0获取、水资源的合理支配和调度提供理论依据。

1 混沌理论

1.1 时间序列的混沌识别

目前在实际应用中, 经典谱估计获得广泛应用的是Welch法对信号进行分段, 允许每段的数据有部分重叠。它的基本思想是采用分段加窗的方法把一长度为N的数据XN (n) 分成L段, 每段长度为M, 并允许每段数据有部分重叠, 分别求每一段的功率谱 $\overset{^i}{Ρ}_{Ρ E R} (ω)$ 。然后加以平均, 得到平均后的功率谱:

$\tilde{Ρ}_{Ρ E R} (ω) = \frac{1}{L} \sum_{i = 1}^{L} \overset{^i}{Ρ}_{Ρ E R} (1)$

Welch法进行功率谱分析的优点如下:一是选择适当的窗函数W (n) , 并再周期图计算前直接加进去, 加窗的优点是无论什么样的窗函数均可使谱估计非负;二是在分段时, 可使各段之间有重叠, 这样会使方差减小。

由于混沌系统的策动因素是相互影响的, 因而在时间上先后产生的数据点也是相关的。Packard等建议用原始系统中的某变量的延迟坐标来重构相空间, Takens证明了可以找到一个合适的嵌入维, 即如果延迟坐标维数m≥2d+1, d是动力系统维数, 在这个嵌入维空间里可以把有规律的轨迹 (吸引子) 恢复出来。

目前计算最大的Lyapunov指数方法主要有5种:定义法延伸的Nicolis方法、Wolf方法、Jocobian方法、小数据量法和P-范数方法。M.T.Roscnstcin, J.J.Collins和G.J.De luca提出的一种小数据的计算方法操作起来比较方便, 而且具有以下优点:①对小数据组比较可靠;②计算量较小;③相对易操作。设混沌时间序列为{x1, x2, …, xN}, 嵌入维数m, 时间延迟τ, 则重相构空间:

$Y_{i} = (x_{i}, x_{i + τ}, \dots, x_{i + (m - 1) τ}) \in R^{m}, (i = 1, 2, \dots, Μ) (2)$

其中N=M+ (m-1) τ, 嵌入维数m的选取根据Takens定理和G-P算法, 时间延迟τ的选取根据C-C法。

在重构相空间后, 寻找给定轨道上每个点的最近临近点, 即

$\begin{array}{l} d_{j} (0) = \min_{x_{\hat{j}}} ∥ Y_{j} - Y_{\hat{j}} ∥ (3) \\ | j - \hat{j} | ＞ p (4) \end{array}$

式中:p为时间序列的平均周期, 它可以通过能量光谱的平均频率的倒数估计出来, 那么最大Lyapunov指数就可以通过基本轨道上每个点的最近临近点的平均发散速率估计出来。

Sato et al估计最大Lyapunov指数为:

$λ_{1} (i) = \frac{1}{i Δ t} \frac{1}{(Μ - i)} \sum_{j = 1}^{Μ - i} l n \frac{d_{j} (i)}{d_{j} (0)} (5)$

式中:Δt为样本周期;dj (i) 是基本轨道上第j对最近邻近点对经过i个离散时间步长后的距离。

1.2 混沌时间序列的预测

1.2.1 径向基函数 (radial basis function, RBF) 神经网络预测方法

RBF神经网络是局部逼近网络, 对于每个输入输出数据, 只有少量的权值需要调整, 并具有学习速度快、全局逼近性和最佳逼近性能的优点。同时训练方法快速易行。RBF神经网络完成映射f:Rm→R1, 其数学表达式为:

$\begin{array}{l} q (n + 1) = f (\vec{q} (n)) = \sum_{j = 1}^{Ν_{0}} λ_{j} φ_{j} (∥ \vec{q} (n) - \vec{c}_{j} ∥) \\ n = Ν_{0}, Ν_{0} + 1, \dots, Ν (6) \end{array}$

式中: $\vec{q} (n) \in R^{m}$ 为网络的输入向量; $φ_{i} (∥ \vec{q} (n) - \vec{c}_{j} ∥)$ 称为径向基函数; $∥ \vec{q} (n) - \vec{c}_{j} ∥$ 表示范数;λj为输出层连接权数; $\vec{c}_{j}$ 为径向基函数的中心。

1.2.2 Volterra级数自适应预测模型

自适应预测是动态调用模型参数的一种方式, 根据当前获得的数据和当前的预测误差来不断修正模型参数。该方法只需要很少的训练样本就能对混沌序列做出很好的预测, 适合小数据量的情况, 便于实际应用;并且该方法能自适应地跟踪混沌的运动轨迹, 预测精度较高。在非线性自适应预测中Volterra滤波器因其输出式滤波器核的线性函数, 可用现有线性工具来分析其滤波性能, 已成为广泛使用的预测模型之一。在实际中大量的非线性系统可用Volterra级数表征, 因此可用Volterra级数展开式来构造混沌时间序列的非线性预测模型。设非线性离散动力系统的输入为X (n) =[x (n) , x (n-τ) , x (n- (m-1) τ) ], 输出为y (n) =x (n+1) , 则此非线性系统的Volterra级数展开式为:

$x (n + 1) = h_{0} + \sum_{k = 1}^{p} y_{k} (n) (7)$

其中,

$y_{k} (n) = \sum_{i_{1}, i_{2}, \dots, i_{k}}^{m - 1} h_{k} (i_{1}, i_{2}, \dots, i_{k}) \prod_{j = 1}^{k} x (n - i_{j} τ) (8)$

式中:hk (i1, i2, …, ik) 称为k阶Volterra核;p为Volterra滤波器阶数。

2 分析与结果

2.1 ET0的混沌特征

功率谱分析方法是一种时间序列的分析方法, 采用Welch法进行功率谱分析可以很容易从功率谱上区分出时间序列是周期函数还是非周期函数。通常, 不同性质的时间序列表现出的功率谱线不同。非线性混沌序列是非周期的, 所以其功率谱线和呈等间距的周期性时间序列的功率谱不相同。本文以成都市1951-2000年的ET0为例, 利用功率谱分析方法研究ET0的时间特征, 结果如图1所示。由图1可知, ET0的频谱曲线均未出现明显的峰值或峰连成一片, 即ET0序列为混沌序列。

运动对初值极为敏感是混沌运动的基本特点。对于随机序列, 关联维数随着嵌入维数的增加而增加, 不会达到饱和, 而混沌序列则存在无标度区, 关联维数随着嵌入维数的增加而趋于饱和。本文采用G-P算法计算ET0时间序列的饱和关联维数。

用G-P算法计算成都市ET0时间序列的饱和关联维数。图2为log2C (r) ～log2r关系图, 直线的斜率即为关联维数。由图2可知, 在不同嵌入维下log2C (r) ～log2r曲线中, 存在直线相关部分, 随着嵌入维m的增加, log2r在-5～-2之间平行效果最好, 即关联维数达到饱和。因此ET0时序分布具有分形的特征, 并且直线段部分的斜率就是各自嵌入维所对应的关联维数。

图3为关联维数D (m) 随嵌入维数m的变化曲线。由图3可知, 随着m增加, 关联维数逐渐增加, m≥6时, 关联维数基本保持稳定, 对应的吸引子维数D=2.025时。吸引子维数为非整数, 说明ET0具有混沌特征。

对于离散的系统, 或者说是非线性时间序列, 通常只需计算最大的李雅谱诺夫指数即可。最大李雅谱诺夫指数是判断混沌存在和混沌特征的一个重要依据, 最大李雅谱诺夫指数大于0, 说明混沌存在;最大李雅谱诺夫指数越大, 混沌特征越强。

图4为根据小数据量法绘制的最大Lyapunov指数曲线。计算得到最大Lyapunov指数以2为底数时为2.000 6, 以e为底数时为1.386 7。最大Lyapunov指数大于0, 进一步说明ET0时间序列是混沌的, 可以对其进行混沌分析和预测。

2.2 混沌时间序列的预测

利用RBF神经网络预测方法和Volterra级数自适应预测模型对ET0进行一步预测, 通过对2种方法的预测结果进行误差分析, 进而确定ET0的预测模型。以相对误差Perr作为评价指标:

$Ρ e r r = \sum_{k = 1}^{Ν_{0}} (E Τ_{p i} - E Τ_{0 i})^{2} / \sum_{k = 1}^{Ν_{0}} (E Τ_{0 i})^{2} (9)$

式中:Perr为相对误差;N0为检验样本个数;ET0i为P-M计算值;ETpi为预测值。

图5和图6是信号归一化处理后RBF神经网络和Volterra级数自适应一步预测结果和预测绝对误差图。由图5和图6可知, 利用RBF神经网络和Volterra级数自适应得到的预测结果的预测绝对误差都较小。为进一步判定RBF神经网络和Volterra级数自适应的预测精度, 计算了预测值与计算值的Perr, Perr的计算公式见公式 (9) 。RBF神经网络和Volterra级数自适应一步预测的ET0与P-M计算的ET0的Perr分别为0.002 0和0.001 1。比较而言, RBF神经网络一步预测结果的误差大于Volterra级数自适应一步预测误差。因此, 在实际中可采用Volterra级数自适应一步预测模型进行ET0一步预测。

3 结论

采用Welch法、小数据量法、G-P关联维和C-C方法, 对成都市1951年1月至2000年12月进行混沌特征识别和分析, 并利用RBF神经网络预测方法和Volterra级数自适应预测模型对进行一步预测。结果表明:ET0具有一定的混沌特征, 其最小嵌入维数m=6时对应的吸引子维数D=2.025, 最大李雅诺夫指数大于0, 表现出复杂多变性;通过对RBF神经网络和Volterra级数自适应一步预测结果的误差的比较, Volterra级数自适应一步预测结果误差较小, 预测精度较高。因此, 在实际中可采用Volterra级数自适应一步预测模型进行ET0一步预测。

参考文献

[1]汪丽娜, 陈晓宏, 李粤安, 等.月径流时间序列的混沌特征分析[J].生态环境, 2008, 17 (6) :36-39.

[2]王卫光, 彭世彰, 罗玉峰, 等.参考作物腾发量的混沌性识别及预测[J].水利学报, 2008, 39 (9) :30-36.

[3]高强, 王洪礼, 管火志.基于混沌时间序列的变电站设备温度预测[J].系统工程, 2009, 16 (1) :36-40.

[4]Sivakumar B.Aphase-space reconstruction approachto predictionof suspended sedi ment concentrationin rivers[J].Jounal of Hyd-rolegic, 2002, 258:149-162.

[5]Sivakumar B, Berndttson R, Olsson J, Jinno K.Evidence of cha-os in the rainfall-runoff process[J].Jounnal of Hydrologic Sci-ence, 2001, 46 (1) :131-145.

[6]张玉梅, 曲仕茹, 温凯歌.基于混沌和RBF神经网络的短时交通流量预测[J].系统工程, 2007, 25 (11) :27-30.

[7]FRANCESCO L V V.Chaotic forecasting of discharge ti me se-ries:a case study[J].Journal of the Amercian water resourcesassociation, 2001, 37 (2) :271-279.

特征信息序列篇4

1 地质特征

代县滩上矿区位于五台隆起的西端,区内大面积分布着太古界五台群和元古界滹沱群变质砾岩,断裂构造发育并具继承性活动特征,岩浆活动频繁,形成了有利的成矿地质条件。

太古界五台群在区内主要为中部台怀亚群和上部高凡亚群。台怀亚群为一套中性-酸性火山岩及火山碎屑岩,变质岩石组合为绢英片岩、绿泥钠长片岩、绢云绿泥片岩、磁铁石英岩等,总厚度800m。其中,柏枝岩组为磁铁石英岩建造,是五台山区重要的含铁层位,并伴一定的金银矿化。高凡亚群为深海浊流沉积的正常碎屑岩,其变质岩石为一套次绿片岩相浅变质的变质粉砂岩、千枚状变质粉砂岩、千枚岩、碳质板岩等,总厚度1000余m。其中有金铜矿化,层控特征比较明显。

元古界滹沱群在区内主要为豆村亚群四集庄组,为一套陆源沉积的碎屑岩,分布在高凡—灰窑沟—南石岸—马桥一带,其变质岩石为一套变质的变质砾岩、含砾变质砂岩和变质砂岩等,厚度500~800 m。该地层中普遍含金银,局部含量较高,为含金银变质砾岩。区内第四系阶地和现代河床中砂金分布较广,有闻名的滩上阶地砂金矿床。

区内五台群和滹沱群形变剧烈,呈现北东向复杂褶皱构造和一系列断裂构造,并伴随广泛的基性岩脉贯入。燕山期断裂构造发育,以北西向为显著,具继承性特征。断裂构造的发育为岩浆侵位和矿液运移、充填提供了有利的条件。

区内岩浆岩发育,大多以滩上杂岩体为中心呈环形分布。岩浆活动主要分为两期,早期以元古代基性侵入岩脉为主,中期以中生代岩浆活动为主,晚期岩浆岩主要为新生代一些规模不大的脉状玄武岩。元古代岩浆岩主要为一系列北东及近南北向基性岩脉或岩墙。中生代燕山期岩浆活动尤为强烈,形成了具多期(次)、多岩相的滩上复式杂岩体。主要由含角砾石英斑岩、隐爆角砾岩、花岗闪长岩、闪长岩和花岗斑岩组成,复式杂岩体外侧及其附近分布有7处隐爆角砾岩筒(脉)以及一系列中酸-酸性脉岩,其岩石均属钙碱性岩浆系列。但区内金银矿化与其有直接成因关系。

2 金银矿床类型

根据以往地质工作,可将代县滩上地区金银矿(岩金)分为4个成矿类型,即构造蚀变岩型、火山次火山岩型、裂隙充填型、变质砾岩型。

2.1 构造蚀变岩型金银矿床

区内高凡—滩上北西向断裂为此类矿床的主要控矿构造,走向310°~320°,倾向北东,倾角60°~70°为张扭性正断层,断距500~800 m,具有多次活动特征,由主断裂和平行或斜交的次级断裂组成断裂破碎带,宽50~100 m,燕山期岩枝、岩脉沿断裂侵入。该断裂规模大,为导岩导矿构造,但两侧次级断裂及裂隙是主要的储矿构造。

高凡金矿主矿体赋存于区内北西向高凡—滩上断裂带及两侧的次级断裂及裂隙中。矿体呈透镜状、串珠状及脉状,矿体产状与断裂破碎带产状一致。单矿体长度一般多在10余米至数十米,最长达百米以上,厚度一般在0.5~2.0 m,个别达数米。

此类矿床以金、银为主,常伴有铜、钼、铅、锌等多种金属。金一般为每吨数克至每吨10多克,最高达47.04 g/t,银每吨百余克,伴生有多金属矿化,局部地段可达工业品位。矿石类型多属多金属银金矿石和金银矿石等。

矿石构造有压碎状、角砾状、粒状、交代状、脉状、网脉状和蜂窝状等。金属矿物以黄铁矿、方铅矿和自然金为主,次为黄铜矿、角银矿、自然银辉银矿及少量自然铅、自然锡、自然锌等。脉石矿物主要有石英、绢云母、长石、高岭土、方解石和绿泥石等。

矿体与围岩无明显界线,但其分布范围严格受断裂蚀变带控制。蚀变带由中心至边部形成黄铁绢英岩-黄铁绢英岩化岩-硅化岩。围岩蚀变比较强烈,主要以黄铁矿化、高岭土化和绢云母化为主,次为褐铁矿化、碳酸盐化、白云母化、叶蜡石化、绿泥石化和绿帘石化。蚀变矿物在空间上相互叠加,说明了成矿物质具有多期次性。

2.2 火山及次火山岩型银矿床

滩上隐爆火山区是区内重要的成矿构造体系之一。在区内豹沟—滩上—大(小)屋次沟—马桥一线,受区域北东与北西向断裂构造控制,隐爆火山角砾岩筒呈北西向串珠状产出。矿体主要赋存于隐爆角砾岩筒及内外接触带中爆发角砾岩或角砾状石英斑岩中。

产地有豹沟、马桥两处,矿体主要赋存于两地的隐爆角砾岩筒接触带中。矿体沿隐爆角砾岩筒接触带分布,矿体产状与隐爆角砾岩筒接触带产状一致。矿体呈脉状、透镜状、串珠状产出,长一般十几米至几十米,最长达200 m,厚度几十厘米至几米,如豹沟单个矿体平均厚度可达6.15m。矿石结构构造有斑状、团块状、角砾状、细脉浸染状、粒状、块状、浸染状以及碎裂状等。金属矿物以黄铁矿、方铅矿、闪锌矿和角银矿为主,次为黄铜矿、磁铁矿、浑银矿和赤铁矿等,但含少量自然银、淡红银矿、典银矿、斑铜矿、白铅矿、辰砂等。脉石矿物主要为石英、长石、高岭土、绢云母等。

矿石中主要有用矿物以银为主,金含量较低,局部铅、锌可达边界品位,铜、钼含量均不高。矿化规模以隐爆角砾岩筒内接触带较大,如豹沟矿化带宽度可达30~40m,延知可达300 m,含银品位高达665.10 g/t,均为多金属银矿石。

围岩蚀变有高岭土化、绢云母化、黄铁矿化、褐铁矿化、叶腊石化、绿帘石化和绿泥石化等。强烈的围岩蚀变主要发育于隐爆角砾岩筒的接触带中,尤以内接触带更强烈,与矿化呈正消长关系。

从以上矿体赋存部位及矿化特征可以看出,此类矿床的首要控矿因素是燕山期隐爆角砾岩筒。

2.3 裂隙充填型银金-银矿床

产地在大麻沟、灰窑沟、马桥、小舍沟等地,其中,大席麻沟、马桥、灰窑沟的矿化最佳,远景较好。矿脉多充填于区域性大断裂两侧的次级断裂及裂隙中,矿脉走向有北西向、北东向和近南北向。矿体由含金、银石英脉、碳酸盐脉与含矿蚀变岩组成,其产状与所充填的断裂及裂隙产状一致。矿体一般长几十米至百余米,最长达300多m,厚度一般0.6~2.0 m,厚者达2.5 m。矿石结构构造自形粒状、碎裂状、充填交代状、裂隙交代浸染状、片状,金属矿物以黄铁矿、方铅矿、闪锌矿为主,次为黄铜矿、自然金、角银矿、含少量自然银、淡红银矿、斑铜矿、白铅矿和自然铅等。

围岩蚀变主要以高岭土化、绢云母化、硅化、碳酸盐化和黄铁矿化为主,次为绿泥石化、绿帘石化。此类矿床由于滩上复式斑岩体的位置不同,可分为银金矿床及银矿床,其中灰窑沟、小舍沟、马桥为银矿床,含银品位最高达350 g/t,金含量较低,多为0.00~0.ng/t,马桥最高可达9.35 g/t;大席麻沟为银金矿床,含金品位2.63~14.50 g/t,银品位7.00~316 g/t,铅、锌含量均比较低,局部地段可达边界品位。

矿床的主要控矿因素为区域性断裂构造所派生的裂隙系统,尤其是北西向和北东向裂隙系统更重要,单个裂隙一般宽0.2~1.0 m,局部宽可达2.0 m,裂隙面比较平直,裂隙两侧可见强烈的围岩蚀变,蚀变范围一般为裂隙的5倍。

3 主要成矿类型的地质特征及成矿规律对比分析

3.1 不同成矿类型的地质特征对比分析

高凡构造蚀变岩型银金矿床,矿体产于北西向高凡—滩上断裂带及两侧的次级断裂及裂隙中,燕山期岩枝、岩脉沿断裂侵入。豹沟火山及次火山岩型银矿床,矿体产于隐爆角砾岩筒接触带中,矿体沿隐爆角砾岩筒接触带分布。大席麻沟、马桥裂隙充填型银金和银矿床,矿脉充填于区域性大断裂两侧的次级断裂及裂隙中,构造带往往位于花岗斑岩中或隐爆角砾岩筒边部。

3.2 不同成矿类型的矿物组合特征对比分析

高凡金矿床以金、银为主,视为铜、钼、铅、锌等多金属。而矿物组合以黄铁矿、方铅矿、自然金为主,次为黄铜矿、角银矿、自然银辉银矿等。豹沟、马桥银矿床矿物组合以黄铁矿、方铅矿、闪锌矿、角银矿为主,次为黄铜矿、磁铁矿、浑银矿、赤铁矿、镜铁矿等。大席麻沟、马桥矿床矿物组合以黄铁矿、方铅矿、闪锌矿为主,次为黄铜矿、自然金、角银矿等。从不同类型矿床的矿物组合特征可以看出,各类矿床矿物组合特征基本相似,矿物组合显示了以滩上岩体为中心成矿温度由高向低的变化。

3.3 不同成矿类型的围岩蚀变对比分析

高凡金矿床围岩蚀变主要以硅化、黄铁矿化、高岭土化和绢云母化为主,次为褐铁矿化、碳酸盐化、白云母化和绿帘石化。豹沟、马桥银矿床围岩蚀变主要为高岭土化、绢云母化、黄铁矿化和绿帘石化等。大席麻沟、马桥矿床围岩蚀变主要为高岭土化、碳酸盐化、黄铁矿化、绿泥石化和绿帘石化等。从以上围岩蚀变特征可以看出基本相似,说明成矿条件基本相同。

3.4 不同成矿类型的成矿物质来源对比分析

滩上矿区燕山期岩浆岩活动频繁,各类型矿床无论在空间上或成矿物质组合上均可看出与该期岩浆活动关系密切,说明各类矿床虽类型不同,成矿物质来源是相同的。

4 结束语

特征信息序列篇5

细菌分泌系统的发现, 是近年来细菌致病机制研究的重要进展。革兰氏阴性菌有许多分泌蛋白通过多种机制被运送到菌体细胞外, 直接与宿主细胞发生相互作用而发挥其毒性。分泌系统是其中非常重要的运输机制之一, 目前已发现的有五种分泌系统[1], 由一些具有特殊功能的蛋白质组成。其中, 革兰氏阴性菌三型分泌系统 (The type III secretion system, TTSS) 与多种危害性极大的动植物病害相关, 如鼠疫、痢疾、水稻白叶枯病等等[2]。三型分泌系统的组成结构高度保守, 由20种以上的蛋白质组成, 是最复杂的蛋白质分泌系统之一。虽然构成III型分泌系统的结构蛋白保守, 但是该系统所分泌出去的效应蛋白 (effector) 差异性很大, 如何识别这些蛋白质, 找出引导它们分泌的信号, 对于了解该系统的机制具有及其重要的作用。

本文从蛋白质氨基酸序列出发, 提取序列特征用于识别三型分泌系统的效应蛋白, 并根据已知效应蛋白的特点, 分段考察氨基酸序列N端, 取得了良好的分类效果。

1 三型效应蛋白氨基酸序列的已知特性

三型分泌系统的效应蛋白并不保守, 其氨基酸序列差异性非常大, 有些效应蛋白根本不存在同源蛋白。然而, 研究人员发现许多效应蛋白的氨基酸序列N端存在一些共同特点。如:前50个氨基酸中至少有10%的丝氨酸;前12个残基缺少酸性氨基酸;第三或第四个氨基酸是异亮氨酸、亮氨酸、缬氨酸、脯氨酸, 或者有时是丙氨酸, 并且常常跟在脯氨酸、或极性、碱性氨基酸之后[3]。可以看出, 这些共性都是比较笼统的, 导致泌出的具体信号是否存在尚无定论。而且并不是所有的效应蛋白都满足这些特征, 有的只满足其中的1条或2条, 也有的所有都不满足。

由于验证效应蛋白需要复杂的生物实验, 生物学家亟需一套计算方法来预测可能的效应蛋白。

2 已有的蛋白质序列特征提取方法

从蛋白质序列中提取能够表示序列特征的有效信息, 并结合模式分类算法, 将这些信息用适当的数学、计算方法来描述或表示, 使之能够准确反映蛋白质的序列信息与功能之间存在的某种关联, 这一过程对于蛋白质功能研究是非常重要的, 所以受到越来越多生物学研究者的重视。

蛋白质序列的特征提取直接关系到预测质量的高低, 因此是基于计算方法的蛋白质功能预测研究中的关键环节。目前, 研究人员已开发了多种蛋白质序列特征提取方法。根据所利用的数据资源不同, 这些方法主要可以分为三类:基于氨基酸单体或多联体的组成和位置的方法[4,5], 利用氨基酸的物理、化学及生物性质的方法[6], 以及基于注释的方法。第一类主要是考察氨基酸单体或氨基酸多联体的出现频率、出现位置特征;第二类考虑物理化学和生物性质, 比如溶剂可接触性、极性、二级结构等等;第三类结合现有数据库中的注释信息, 如基因本体 (Gene Ontology) 、功能域等等。由于序列数据是最容易得到的, 因此第一类方法最为普遍。本文也将氨基酸序列数据作为研究对象, 从中抽取特征。

3 分段特征提取方法

根据已有的研究发现, 三型分泌系统效应蛋白的N端序列可能隐含着分泌信号[7], 前15个氨基酸被认为是最重要的区域, 而分泌信号通常包含在前50个氨基酸区域内[8];然而也有学者认为最大的分泌信号区域应包含前100个氨基酸长度[5,6]。根据这些论断, 我们将效应蛋白N端氨基酸序列分为三段, 分别进行考察, 即提取数据集中所有蛋白质样本的前100个氨基酸, 然后分为三段, 分别为1~15为第一段, 16~50为第二段, 51~100为第三段。对这三段序列分别统计k联体 (1≤k≤5) 的出现次数, 选择频率较高的k联体的出现次数构成特征向量。

4 数据实验

4.1 数据集

由于假单胞菌是目前所有含有III型分泌系统的革兰氏阴性细菌中被研究的最充分的菌种, 尤其是丁香假单胞菌番茄致病变种DC3000 (Pseudomonas syringae pv.tomato DC3000) 这一菌株中的效应蛋白被发掘地比较透彻, 因此我们主要在这一细菌的多个菌株的基因组上进行了实验, 除了把研究最透彻的DC3000株作为训练样本, 还包括其他两个菌株pv.syringae B728a和pv.Phaseolicola 448A中已知的效应蛋白。我们收集了三个菌株中所有已发现的效应蛋白, 共283条序列, 作为正类样本;同时提取出所有DC3000株中的非效应蛋白, 从中去掉假设蛋白 (hyperthetical protein) 之后作为负类样本。注意, 虽然DC3000株中的效应蛋白已被研究地很透彻, 但不排除还有未发现的效应蛋白, 所以我们去掉所有假设蛋白, 负类样本中可能还含有效应蛋白而注释错误或者不全的情况, 此处忽略。经过去冗余之后, 得到108个正样本和760条负样本。

4.2 实验结果

根据之前的研究[9], 我们将各种不同长度的k联体混合构成特征向量。当k为2, 3, 4, 5时, 分别取k联体个数为200, 100, 150和40, 并保留所有氨基酸单体, 此时的分类效果最佳。这样一共有510个特征, 统计这510个k联体或单体在每条序列中出现的次数。再用五折交叉验证的方法来进行实验, 分类器选用支持向量机。评估标准使用总体准确率, 查准率 (precision) 和查全率 (recall) 。实验结果如下表1所示。

从表1的结果, 我们可以看出, 在第二段 (长度从16到50) 中, 查准率的值比其他两组的值将近高了20%, 而且其他两个参数的值也比另外两组的高。其次是第一段 (1~15) 。由此可以推断前50个氨基酸对于识别效应蛋白确实是最重要的。

为了得到更好的预测效果, 我们把由三段不同序列区域提取的特征向量合并, 构成总维数为1530维的特征向量, 再进行分类实验。得到的总准确率、查准率和查全率分别为95.6%, 70.4%和92.7%。从这一结果可以看出, 将三段的特征向量合并后, 准确率有所提高, 尤其是查全率有了相当大的提高。这说明三段区域对于识别三型分泌蛋白都有一定价值。

4.3 结果比较

为了进一步说明分段特征提取的效果, 我们比较了不分段的实验结果。按照同样的取k联体的方法和数量, 直接统计前100个氨基酸中这些k联体的出现次数, 从而构成特征向量, 五折交叉验证的结果为:总准确率95.0%, 查准率69.4%, 查全率88.2%。前两个指标值与采用分段的结果稍微差一点, 但就查全率来说, 采用分段的特征提取比不分段要高出4.5%, 总体分类效果有明显提升。

5 结束语

三型分泌系统效应蛋白的识别在微生物学领域是一项重要的研究课题, 因其分泌信号很不明确, 人们对它们的工作机理尚不清楚。本文采用分段式的特征提取方法将原始氨基酸序列N端分为三段, 分别转换为数值化特征, 并使用支持向量机进行分类, 取得了较好的分类效果。实验结果显示, 效应蛋白的前50个氨基酸对识别最为有用, 尤其是16~50的分类准确率最高, 然而51~100这段区域仍可能包含分泌特征, 因为基于三段区域所提取的特征合并起来获得了最好的分类效果。本文提出的计算方法可以用于三型分泌系统效应蛋白的自动化识别, 也进一步验证了引导三型分泌过程的信号确实与效应蛋白N端氨基酸序列密切相关。

摘要：三型分泌系统广泛存在于动植物致病菌中, 是最复杂的蛋白质分泌系统之一。三型分泌系统可以向宿主细胞分泌毒力因子, 又称效应蛋白, 从而导致疾病的发作。目前已知的三型分泌系统的效应蛋白很有限, 它们并没有明确的分泌信号, 识别较困难。本文主要介绍三型分泌系统效应蛋白的计算预测方法, 根据其N端序列的特点, 采取分段式的特征提取, 取得了良好的预测效果。

关键词：特征提取,三型分泌系统,氨基酸序列

参考文献

[1]王健, 赵立平.细菌III型分泌系统[J].生命的化学, 2011, 21 (2) :5759.

[2]汪莉, 王玉民, 岳俊杰, 梁龙, 黄培堂.III型分泌系统分子伴侣研究进展[J].微生物学报, 2005, 44 (6) :840-844.

[3]Petnicki-Ocwieja T., et al.Genomewide identification of proteins secreted by the Hrp type III protein secretion system of Pseudomonas syringae pv.tomato DC3000, Proceedings of the National Academy of Sciences, 99 (11) :7652, 2002.

[4]Arnold R., et al.Sequence-based prediction of type III secreted proteins, PLoS Pathogens, 2009, 5 (4) , e1000376.

[5]Wang Y., Zhang Q., Sun M.&Guo D.High-accuracy prediction of bacterial type III secreted (T3S) effectors based on position-specific amino acid composition profiles, Bioinformatics, 2011, 27 (6) :777-784.

[6]Yang Y., Zhao J., Morgan R., Ma W.&Jiang T.Computational prediction of type III secreted proteins from gram-negative bacteria, BMC Bioinformatics, 2010, 11 (Suppl1) , S47.

[7]He SY, Nomura K and Whittam TS.Type III protein secretion mechanism in mammalian and plant pathogens.BBA-Molecular Cell Research, 2004, 1694 (1-3) :181-206.

[8]Guttman DS, Vinatzer BA, Sarkar SF, Ranall MV, Kettler G and Greenberg JT.A functional screen for the type III (Hrp) secretome of the plant pathogen Pseudomonas syringae.Science, 2002, 295 (5560) :1722-1726.

特征信息序列篇6

二十世纪音乐 (通常亦称为现代音乐) 风格的兴起和形成, 可以追溯到19世纪末晚期浪漫派甚至更早的一些时候。回顾20世纪这一百多年的音乐历史, 其整体性的特征是沿着对古典大小调体系回避——脱离——以致完全抛弃大小调调性思维这样一个轨迹发展的。

20世纪音乐的调性概念一开始就体现出两种不同的发展趋势。其一主要表现在对传统调性观念的进一步复杂化, 以致于完全模糊传统的功能关系, 达到逐步瓦解传统调性体系的目的。这种特征主要体现在19世纪末的一些作品中。其二则主要是以勋伯格为首的表现主义作曲家, 他们一开始就竖起了无调性的大旗, 明显地避开了两极之间的过渡地域, 从彻底的调性直接转向了彻底的无调性。

本文主要论述“新维也纳乐派”代表人物阿诺尔德·勋伯格 (Arnold Schoenberg) 、阿尔班·贝尔格 (Alban Berg) 、安东·韦伯恩 (Anton Webern, ) 对十二音体系建立所做出的不同贡献, 及他们对20世纪音乐产生的重大影响

一、勋伯格——对传统音乐的突破

勋伯格是系统阐述和发展十二音体系最重要的人物。在对传统写作方法的思考中, 他认为其中不断出现的半音性以及它连续不断的转调, 会破坏一个大型音乐作品整体的统一性。由此他开始走向完全不要调性的概念, 并不断地运用“半音性的整个资源”。他开始“解放不协和”, 和弦不再以三度构成, 他往往把和弦建立在四度上, 有时像德彪西一样用全音阶, 这在强调色彩效果的同时, 也有否定调性感觉的效果。

不难看出, 勋伯格这种音乐创作的演变根植于他早期对瓦格纳的继续——其早期作品《升华之夜》 (1899) 显示了极端发展的半音化和声, 调性的扩张和游移, 配器风格色彩绚丽都是对瓦格纳风格的强烈追求。1909年勋伯格创作的《三首钢琴曲》和《五首管弦乐小品》冲破了调性的束缚, 瓦解了传统的功能和声, 完成了无调性音乐的建构。此后又经过研究探索, 于1923年进入十二音序列的创作时期。

要引起我们注意的是勋伯格音乐形式上的大胆的探索, 蕴含着深刻的人文主义实质。面对着资本主义社会的各种矛盾和弊端的日益暴露、经济危机和世界大战的接踵而来的种种现实, 人们的理想、信仰、道德观念、价值观念, 都不可避免地受到了极大冲击。于是勋伯格用独具匠心的音乐语言, 打破晚期浪漫主义音乐的浮夸风格;用迥异于传统的创作技法寻求新的表现途径;用独特的内容与风格表现当时的社会氛围;用极端主观的方式表达他们的理想;用戏剧性的矛盾冲突表达他们内心深处的焦虑与不安;用讽刺怪诞的手法揭示他们的孤独与绝望。

勋伯格认为越是不和协的音响越能表达戏剧性的矛盾冲突, 越能形象、逼真地反应当时的社会现象。在他的音乐中, 自然地流露出对现实世界的夸张和扭曲, 从一种畸形、病态的描述中展示了艺术家对于现实生活的理解与感受, 是当时社会生活的缩影。德国作曲家埃斯勒说:“勋伯格没有使他所处的社会秩序变形, 他没有将它美化, 没有给它涂脂抹粉, 他在他的时代, 他的阶级面前举起了一面镜子, 镜子里所照出的不是美德, 但确实真实的。”

勋伯格努力寻找、探索新的创作技法, 将原于传统而又独特创新的结构与风格、音乐要素与表现方式有机地结合起来, 在有限的音乐材料面前, 创造性地开拓各种表现途径, 探索各种合理的结构原则, 并随着结构思维的变化而发展, 在音乐的演绎过程中逐渐形成和完善。用极端的力度变化和无调性的刺激性语言, 构建了激进的音乐风格, 掀起一场音乐语言的革命。

二、贝尔格——序列音乐的浪漫主义

贝尔格一直追随着勋伯格的艺术风格而进行创作, 当勋伯格开始用十二音作曲之后, 贝尔格也开始了自己的音乐试验。贝尔格不像勋伯格、威伯恩一样倾向于在小规模音乐结构中创作, 他很少将小型的音乐结构作为自己情感表达的载体。相反, 在他的音乐作品中经常采用马勒式的宏大篇章表达深沉、悲伤的感情。

贝尔格一直在调性和十二音之间寻求妥协, 对十二音手法的处理远比勋伯格和威伯恩更为自由。在传统的思维中, 十二音音乐是机械的、毫无感情的。但是, 十二音技法只是一种手段, 而对于音乐风格的把握, 不同的作曲家有各自的见解。贝尔格是一个常常将个人经历和情感融入到音乐中的作曲家, 对他来说音乐必须表达明确的内容。贝尔格从来不是一位“有体系的”作曲家, 从来不接受一种学说或一种理论的约束, 他对十二音技法的运用实际上始终没有改变他固有的音乐风格和某些惯用的作曲手法。因此, 即使采用十二音作曲, 在他的作品中仍能看到传统音乐的痕迹。

也正因为如此, 我们不难感受到贝尔格的作品中浓郁的浪漫主义气息, 他在十二音技法与传统音乐的结合中创造出完全属于自己的全新的音乐语言, 给表现主义音乐增添了更多的感情力量和淡雅色彩。他把勋伯格枯燥的作曲方法同感情表现结合起来, 使这种新的、比较抽象的语言同样能够抒发人的感情, 给人于艺术的感染力。贝尔格的代表作品格局《沃采克》一直在西方备受欢迎, 堪称是表现主义音乐中最有影响的力作。

贝尔格绝不是浪漫主义的坚守者, 却从未脱离浪漫主义。尽管他采用无调性和十二音作为其音乐语言的构成, 然而作曲家本身擅长的悠长旋律线和连绵气息, 使作品的整体音乐气息和表情都展现为浪漫主义式的。贝尔格作品的标题性都极为鲜明。标题性本身就是浪漫主义时期的产物;尤其在晚期高度发展的浪漫主义音乐中, 作曲家最热衷的往往是痛苦、死亡、宿命等主题, 而且他也往往在音乐中记述私人的情感体验。

三、威伯恩——序列音乐中的古典主义

不同于贝尔格尽力把它拉回“过去”, 使它向传统靠拢, 威伯恩更倾向“未来”, 更具“先锋性”。威伯恩把勋伯格的作曲规则运用的更加彻底, 更加极端, 更加理性化, 因而使他的音乐语言更加抽象、主管, 带有更多的试验的性质

威伯恩继承了勋伯格主张中特别新颖和激进的因素, 在“新维也纳乐派”三位大师中, 他最彻底地割断了与调性的联系。他的音乐以高度的简洁凝炼而著称, 全部三十一首作品的录音加起来还不到三个小时, 勋伯格曾形象地把他的作品比喻为“一部小说紧缩成一声叹息”。威伯恩对十二音序列的应用也越来越复杂, 一方面是序列设计的微分和对称, 另一方面把代表他特色的音色和节奏等其他要素序列化, 把音乐推向了整体序列主义。他作品中简洁的复调织体新颖的“点描”式配器以及对称排列等结构原理, 使他的音乐成为先锋派的新起点。

如果说十二音作曲法对勋伯格来说这是旧的形态的一个回归, 那么对威伯恩来说则是一个开始。十二音的技巧为他作品中的逻辑性原则寻求到了出路。具体来说有以下几个点:

首先是旋律、和声的零碎和片断。在他的作品中, 音乐往往缺少流畅的、长线条的声部进行, 多用宽音程的跳进, 常将整小节或部分小节截成一段一段, 相互之间好像失去了联系。

第二是织体的节俭。威伯恩的音乐具有室内乐性质, 即使在他不常使用的大型乐队中也是如此。配器与旋律、和声的零碎片断相结合, 总是运用不同乐器的频繁转换, 以及不同演奏法的特殊效果, 突出乐器音色的不断变化。

第三是曲式结构的简短。威伯恩常用倒影、节奏移位等对位手法, 很少主题的模进或者重复。威伯恩认为:主题一旦开始, 就表现了它所要说的东西, 接着就必须出现某些新的东西。

第四是他的配器。一条旋律线可以同时分配给不同的乐器承担, 近似中世纪的分解旋律, 有时候仅仅是一、二个音、很少有四、五个音连续用同一音色奏出。最终得到一个全部由或明或暗的音响忽闪交融, 形成独特的、色彩平衡的织体。

结语

通过对个人风格的分析, 我们不难看出, 尽管他们三人都创作十二音作品, 但就风格特点而言, 老师勋伯格站在中心, 是十二音技术的发明者, 两个学生则将老师的技术推向相反的两个方向:威伯恩的十二音更加严谨, 而贝尔格则给十二音“松绑”, 给它以较多的自由。勋伯格是承上启下的关键人物, 贝尔格和威伯恩则在各自的作品中完善发展了十二音理论。勋伯格以他天才的创新精神和孜孜不倦的努力, 彻底打破了一大小调体系为中心的调性体系, 开创了无调性音乐的先河, 并进一步把自己的理论完善为十二音体系, 成就了20世纪音乐的宗师地位。贝尔格和威伯恩则通过自己的创作, 极大地拓展了十二音体系的空间, 丰富了序列作曲手法的表现力。

摘要：本文主要论述“新维也纳乐派”代表人物阿诺尔德·勋伯格 (Arnold Schoenberg) 、阿尔班·贝尔格 (Alban Berg) 、安东·韦伯恩 (Anton Webern, ) 对十二音体系建立所做出的不同贡献, 及他们对20世纪音乐产生的重大影响

关键词：现代音乐,序列音乐,勋伯格,贝尔格,威伯恩

参考文献

[1]保罗·亨利·朗.顾连理, 张洪岛, 杨燕迪, 汤亚汀译.《西方文明中的音乐》.贵阳.贵州人民出版社.2009

[2]唐纳德·杰·格劳特, 克劳德·帕利斯卡.汪启璋, 吴佩华, 顾连理译.《西方音乐史》.北京.人民音乐出版社.1996

[3]苏琳.传统与革新并举的勋伯格钢琴音乐.电影评介.2008 (19)

[4]刘文平.勋伯格十二音作品中的序列派生手法研究.天津音乐学院学报.2008 (03)

[5]钟峻程.十二音体系的零值思辨.黄钟-武汉音乐学院学报, 1987, (03)

[6]姚恒璐.威伯恩早期作品中的潜调性关系及其半音组织设计.中央音乐学院学报, 1993, (03)

特征信息序列篇7

GPS变形监测系统中，监测点的位移是基于基准点保持静止这一前提的，基准点位置的变化将直接影响监测点的位移量，从而扰乱各类监测点的变形监测成果。因此有必要对基准点的运动进行分析，以确保基准点的位移量在设计要求范围内。

本论旨在分析西龙池上水库GPS基准站的坐标时间序列，合理分析坐标序列中的各种信号来源，并初步揭示其成因，针对坐标时间序列，尝试建立合理的数学模型和随机模型来描述其周期特征和噪声特征。

1 坐标时间序列的获取

1.1 基线解算

基线处理采用的是MIT和SIO共同研制的GAMIT软件，该软件是世界上最优秀的GPS数据处理软件之一。

采用IGS事后精密星历，选择联合解算的11个IGS永久跟踪站为WUHN、BJFS、LHAZ、USUD、SHAO、KIT3、POL2、URUM、KUNM、TNML、SUWN，解算策略为：1)采用广播星历中的卫星钟差参数;2)采用根据伪距观测值计算的接收机钟差;3)采用LC观测值;4)采用萨斯塔莫宁模型进行对流层延迟改正，并用分段线性法每两个小时估计一个折射量偏差参数;5)卫星及接收机天线的相位中心偏差改正采用GAMIT缺省值;6)顾及潮汐改正;7)截止高度角15°，历元间隔30s;8)采用松弛IGS轨道。

1.2 网平差

平差的基准站为SHAO、BJFS、URUM、KUNM、LHAZ、SUWN、USUD、TNML。由于ITRF2005框架坐标中，上述几个IGS跟踪站的坐标通过速度场归算得到，因此其精度有限，为了防止约束平差时IGS跟踪站的误差影响TN01、TN02的坐标，采用最小约束平差法，将距离TN01、TN02较近且观测质量好、数据连续的SHAO站固定，得到各测点的最小约束平差坐标。为防止由于框架定向、尺度不一致引起的不同期坐标差异，本文仔细分析了最小约束平差的结果，将与之较吻合的5个IGS跟踪站作为公共点，进行7参数转换，统一各期观测值之间的旋转和尺度因子。

2 周期特征

由于地球的运动和各种地球物理现象的存在，比如季节变换、重力、水文动力等，基准站会保持周期性的变化，反应在坐标时间序列上就是周期特征，不同的物理现象则会导致不同的周期。

频谱分析是研究时间序列周期变化的重要方法，它通过计算各谐波频率的振幅，找出最大振幅所对应的主频，从而揭示变化周期。该方法有助于确定准确周期并可判别具有隐蔽性和复杂性的周期，但其是完全频域化的分析方法，无法同时兼顾时间序列在时域内的特性，对于非平稳数据的分析也存在一定缺陷。由于本文涉及的时间序列存在间断，故采用LombScargle周期图法进行分析，得到的结果为：

1)基准站TN01和TN02的周期性趋于一致，有相同或相近的运动趋势;

2)基准站N方向和E方向主要周期为0.24年和0.31年，而U方向的主要周期为0.15年，三个方向的周期并不严格一致;

3)水平方向功率谱数值为107数量级，而高程方向达到了108数量级，可见高程方向的周期特征比水平方向更为明显;

4)对于时间跨度较短的时间序列，并不一定能提取出年周期、半年周期等长周期项，相反可以提取出较短的周期项。

3 噪声特征

3.1 求谱指数

GPS噪声可以用一种被称之为幂律过程的统计模型来描述。不同的谱指数对应不同的噪声类型，当时为白噪声，时为闪烁噪声，时为随机漫步噪声。除白噪声以外的其它噪声统称为有色噪声。

通过计算谱指数可以直接辨别GPS坐标时间序列的噪声特性，但不能确定具体的噪声类型，计算得到TN01北、东、高程方向谱指数分别为-0.4246、-0.4316、-0.7602, TN02为-0.5074、-0.4302、-0.7631。

可以看出基准站所有坐标分量的谱指数值均介于-1～0之间，由此可知其不具有纯白噪声(k=0)的特性。从而可以得出结论，基准站TN01和TN02坐标分量既含有白噪声，又含有有色噪声。

3.2 极大似然估计

通过极大似然估计法求不同噪声模型下的极大似然值可以进一步研究噪声的特性，确定噪声的类型。极大似然估计法的优点为精确度高并可同时估计噪声分量等参数。

本文选取四种噪声模型：白噪声(WN)、白噪声+闪烁噪声(WN+FN)、白噪声+随机漫步噪声(WN+RWN)和白噪声+闪烁噪声+随机漫步噪声(WN+FN+RWN)，分别计算极大似然值，从而确定出最佳噪声模型。