阵列神经网络

阵列神经网络（共7篇）

阵列神经网络 篇1

摘要：针对现有太阳能光伏阵列仿真实验中因采用环境温度代替光伏组件温度而导致的光伏阵列建模不正确问题,指出应在光伏电池仿真模型中区分环境温度和组件的实际工作温度;分析了光伏组件温度与环境温度和输出功率的关系,给出了一种基于BP神经网络的光伏阵列组件温度预测方法,并将预测结果与实测结果进行比较,得出结论:该方法可有效预测光伏阵列组件温度,且采用前一天数据和前三天数据都有较好的预测效果,因此实际应用时可采用前一天的数据来预测当天的组件温度。

关键词：光伏发电,光伏阵列,温度预测,BP神经网络

0 引言

太阳辐射、环境温度等对光伏阵列的输出功率有很大影响。而太阳辐射和环境温度受季节与地理位置变化的影响,具有显著的日变化和季节变化周期,这使得光伏阵列的输出功率具有很强的不确定性[1]。为了研究光伏发电系统的输出与气候环境因素之间的关系,需要对光伏阵列进行建模仿真,但绝大多数仿真没有考虑光伏组件在使用过程中的温升因素,而是直接采用环境温度作为光伏组件的工作温度[2,3,4,5],大大影响了光伏系统建模的正确性。光伏发电系统工作过程中,随着光伏组件温度的升高,短路电流稍有增加,开路电压则大幅降低,最大功率点电压降低,同时光伏阵列的最大输出功率也降低,大面积光伏阵列的输出特性因此变得更为复杂[6,7]。如果光伏阵列的输出电压低于逆变器工作电压阈值,则可能导致逆变失败。研究表明,晶体硅太阳能电池组件的结温超过25 ℃时,每升高1 ℃,功率将损失1%[8]。因此有必要在光伏电池仿真模型中区分环境温度和组件的实际工作温度。

恒压法因其简单而在光伏系统最大功率点跟踪中应用较多。该方法近似认为光伏阵列最大功率点工作电压在开路电压的0.78倍处,大多数大型并网光伏电站采取的常规恒定电压法就是基于该原理[9,10]。但该工作电压会随光伏组件温度的变化而发生改变。如果能够根据历史环境温度以及光伏组件的输出功率等参数构建光伏阵列组件温度预测模型,则可在已知当前环境温度以及光伏组件输出功率的情况下预测光伏阵列组件温度,从而修正恒压法中的工作电压值,使光伏阵列更准确地跟踪最大功率点。本文提出一种基于BP神经网络的光伏阵列温度预测方法,通过光伏电站的历史数据训练BP神经网络,从而对光伏组件的温度进行预测。

1 光伏组件温度对光伏阵列性能的影响

为了说明组件温度对输出功率的影响,笔者研究了在相同光照强度( 1 000 W/m2)下,不同的组件工作温度与光伏阵列输出特性的关系,如图1所示。

从图1可看出,在相同光照下,组件温度的变化将导致光伏阵列的最大功率点发生偏移,最大功率点处的工作电压也相应发生变化。

恒压法最大功率点跟踪算法往往设定环境温度为固定值(如25 °C),且直接将该温度作为组件工作温度,这显然不符合光伏系统的实际工作状态。本文采集了2012-02-19某公司自备500 kW光伏电站的实时运行数据,如图2所示。

从图2可看出,环境温度与光伏组件温度具有较大的差异,且二者的变化趋势差别较明显,特别是白天的温度,最大差值近20 ℃。在实际系统的最大功率点跟踪算法以及光伏系统的仿真中,若单纯采用环境温度代替光伏组件温度,将无法保证仿真的正确性,且影响恒压法最大工作点电压的确定。

图3给出了任意4 d光伏阵列温度、环境温度、两者温度差值与输出功率的实时曲线。可见光伏阵列的工作温度走势和环境温度的走势一致,且随着光伏阵列输出功率的增加,光伏阵列的温度与环境温度的差别也在增大。

2 BP神经网络

BP神经网络采用有监督学习方式,是一种按误差逆传播算法训练的多层前馈网络。BP神经网络模型拓扑结构包括输入层、隐层和输出层,层与层之间多采用全连接方式,同一层单元之间不互连,如图4所示。BP 神经网络通常具有一个或多个隐层,隐层神经元通常为sigmoid型传递函数,而输出层神经元则采用purelin 型传递函数[11]。BP神经网络能学习和存储大量输入-输出模式映射关系, 而无需事前已知这种映射关系的数学方程。其学习规则是使用梯度下降法, 通过反向传播来不断调整网络的权值和阈值, 使网络的误差平方和最小[12]。

设BP神经网络有L层,第l层有nl个神经元。设给定N个样本,对第k个训练样本,有训练误差:

undefined

式中:undefinedlj为期望值。

则总训练误差为

undefined

反向传播算法将不断修正网络权初值,直至总误差降至可接受的范围。权值修正公式为

undefined

式中:μ为学习速率,一般取0.01～1。

3 基于BP神经网络的光伏阵列组件温度预测

3.1 模型设置

本文考虑环境温度以及组件输出功率对组件温度的影响,由此构建组件温度预测模型。为不失一般性,记训练样本为D={(xi,yi),i=1,2,…n},其中xi∈X,为由环境温度和组件输出功率组成的向量;yi∈Y,为光伏组件温度。网络输入层含有2个神经元,分别对应输入环境温度和光伏组件输出功率;隐层神经元个数初始值设为5,在训练过程中,根据输入训练样本的个数自适应调整,隐层神经元激励函数采用sigmoid类型;输出层神经元个数为1,对应待拟合(预测)光伏组件温度。为了说明模型预测效果、样本数对预测结果的影响以及样本选择方法对预测结果的影响,本文进行了以下实验:首先从每个月中随机选择一天数据作为待预测样本,利用其前一天的数据作为训练样本,分析计算其预测误差;然后比较在不同训练样本情况下模型的预测能力,包括随机选择前一天数据、前三天数据以及前四天数据的平均数据等作为训练样本来预测当天数据,以分析预测精度。为了直观说明结果,本文将给出相关的温度预测曲线以及绝对误差曲线,这里绝对误差e(x*)=|u*-y*|。

3.2 实验结果与分析

徐州艾德太阳能有限公司每15 min记录一组数据,包括记录时刻的环境温度、光伏组件输出功率以及相应的光伏组件温度数据,一天共记录96组数据。本文基于该公司2011-03—2012-02的实时数据,采用Matlab R2009b软件进行仿真实验,并通过分析对比说明本文预测方法的有效性与可行性。

首先采用从每个月中随机选择一天的实时数据作为待预测样本,利用其前一天数据作为训练样本的预测方法,其预测输出结果以及预测误差分别如图5、图6所示。可见采用前一天的数据作为训练样本,利用BP神经网络可以较好地预测组件温度,预测值与实测值之间的误差较小。

为了进一步分析样本数量对预测精度的影响,笔者采用前三天的数据作为训练样本,对随后一天的光伏组件温度进行预测,其结果分别如图7和图8所示。可见对于同一天的预测,利用前一天的数据与利用前三天的数据所得到的结果基本相同,得到的结果绝对误差都比较小。

最后对不同的样本选取方法进行了仿真对比,分别采用前一天数据预测当天数据,前三天数据预测当天数据以及前四天数据平均值预测当天数据,得到的误差曲线如图9所示。可见采用前一天数据与采用前三天数据得到的预测温度与实测温度之间差别比较小,而利用前四天平均数据得到的预测温度与实测温度之间差别稍大。从图9还可以看出,在白天(即点30～70),特别在中午左右预测温度与实测温度之间的绝对误差较大,且绝对误差波动较大,这是因为白天光照比较强,组件的温度变化比较大,说明BP神经网络对于组件温度波动的跟踪能力需要进一步加强。

4 结语

对基于BP神经网络的光伏阵列温度预测方法进行仿真实验后,经分析发现,采用前一天数据和采用前三天数据都有较好的预测效果,而利用前四天数据的平均值来预测效果稍差,因此在光伏阵列组件温度的预测过程中,可以利用前一天的数据来预测当天的组件温度,这样既能达到较好的预测效果,同时可减少计算量。但应注意的是,在光照强度比较大的白天,特别是中午左右,该方法的预测误差较大,且误差的变化较大,需进一步改进该预测方法,以获得更好的预测效果。

参考文献

[1]王一波,李晶,许洪华.考虑电网安全稳定约束的光伏电站最大安装容量计算与分析[J].太阳能学报,2008,29(8):971-975.

[2]茆美琴,余世杰,苏建徽.带有MPPT功能的光伏阵列Matlab通用仿真模型[J].系统仿真学报,2005,17(5):1248-1251.

[3]VIOREL B.Dynamic Model of a Complex SystemIncluding PV Cells,Electric Battery,Electrical Motorand Water Pump[J].Energy,2003,28(12):1165-1181.

[4]GOW A,MANlNG CD.Development PhotovoltaicArray Model for Use in Power-electronics SimulationStudies[J].IEE Procelectr Power Appl.,1999,146:193-200.

[5]YUSHAIZAD Y,SITI H S,MUHAMMAD A L,et al.Modeling and Simulation of Maximum PowerPoint Tracker for Photovoltaic System[C]//Proceeding of National Power and EnergyConference,2004:88-93.

[6]DENG Yi,Research on IGBT Model for ComplexCircuits and Solar Array Model for Large-scalePhotovoltaic Arrays[D].Beijing:TsinghuaUniversity,2010:23-52.

[7]KRISHNAMOORYTHY H S,ESSAKIAPPAN S,ENJETI P N,et al.A New Multilevel Converter forMegawatt Scale Solar Photovoltaic Utility Integration[C]//The 27th Annual IEEE Applied PowerElectronics Conference and Exposition,2012:1431-1438.

[8]SPERTHINO F,AKILIMALI J S.AreManufacturing-Mismatch and Reverse Currents KeyFactors in Large Photovoltaic Arrays[C]//IEEETransactions on Industrial Electronics,2009:4520-4531.

[9]王长贵,王斯成.太阳能光伏发电实用技术[M].北京:化学工业出版社,2009.

[10]ZHAO Z M,LIU J Z,SUN X Y,et al.Solar EnergyPV System and its Application[M].Beijing:ChinaScience Press,2005.

[11]HADERLIE J,CROSSLEY W.A ParametricApproach to Supercritical Airfoil Design Optimization[C]//The 9th AIAA Aviation Technology,Integration,and Operations Conference,2009:21-23.

[12]陈鸿伟,刘焕志,李晓伟,等.双循环流化床颗粒循环流率试验与BP神经网络预测[J].中国电机工程学报,2010,30(32):25-29.

广域次声传感器阵列网络系统设计 篇2

次声 (Infrasound) 是频率低于20Hz的声音。次声的频率很低, 波长很长, 传播距离很远[1][2]。次声在传播过程中能量损失慢, 能量很高的次声具有极大的破坏力。自然界中很多现象, 如海啸、火山喷发、泥石流等都能产生次声。此外, 地震也会产生次声信号[4], 由于近年来地震频频发生, 因此, 对次声信号进行采集分析具有重要意义。

目前, 世界各国应用阵列技术对次声源的监测和分析仍处于研究阶段[3], 还未形成完备的监测系统和成熟的分析方法, 其阵列存在下限频率不够低, 灵敏度不够高, 阵元数目少等不足。因此, 本文就针对地震次声信号设计了一种广域次声传感器阵列网络监测系统, 填补了我国国内次声监测网络的空白。该系统可以通过广域有线或无线网络采集并传输次声信号, 采集的数据以文件方式上传至服务器, 可以在无人看管的情况下稳定工作, 保证了数据的可靠性和稳定性。

2 系统硬件组成

广域次声传感器网络系统主要由电容式次声传感器、次声信号采集仪、连接设备、调制解调器及大屏显示器组成。一台次声信号采集仪配接一个自行研制的次声传感器组成广域最小次声网络监测系统, 也可叫阵元, 而广域次声监测系统是由多个阵元构成的。该监测系统可以对次声实时监测, 也可以将传声器采集到的数据通过互联网上传至服务器, 通过下载服务器上的数据来分析次声信号。系统总体结构框架及实物如图1所示。

2.1 电容式次声传感器

次声信号的接收通常会受到环境干扰, 尤其是对微弱信号的提取, 无可避免的会存在噪声, 因此就需要对信号进行合适的放大及滤波, 保留所需要的频率段的信息。本系统采用电容式次声传感器来完成次声信号的接收。

其基本原理是:将金属膜片平行于后极板固定, 构成平行板电容器, 二者之间的静态距离长时间保持恒定, 即头电容保持恒定, 当次声波作用于敏感头, 引起膜片与后极板之间距离的变化从而产生微小的电容变化, 转换为微弱电压变化[5]。由于电压小, 运用载波信号检测技术对信号调制和解调后, 经过低通放大对信号进行增强后输出, 如图2。

采用低压高频载波检测方法, 信号源的信号不能传输的很远, 所以要加上载波, 这样可以防止由于敏感膜太大当贴膜时而可能出现打火现象, 避免击穿膜片, 可以提高检测到的次声波信号的信噪比。将敏感单元输出的微弱信号调制输出可以降低材料和电路噪声的影响。为了降低检测信号的传输损耗, 本系统采用低阻输出技术将管道次声波信号输送到远距离的检测仪器中。

低通滤波采用巴特沃斯低通滤波器, 可用公式 (1) 表示:

undefined (1)

其中, n 为滤波器的阶数;ω是信号的角频率;ωc为截止频率, 振幅下降为-3分贝时的频率。

电容型次声频传感器频率响应受劲度 (弹性的倒数) 控制, 系统的高频由系统的劲度控制, 有平直的响应, 其下限频率很容易做得很低, 甚至为零赫兹, 灵敏度可以做得非常高。传感器只对声波敏感, 对振动不敏感, 使传感器有很好的抗干扰性能。图3所示的传感器灵敏度为339mv/Pa, 动态范围为128dB (0.00002Pa-50Pa) , 可测量频率范围0.0001Hz-100Hz, -3分贝时的频率0.01Hz-40Hz, 可感知的频率范围完全满足次声信号采集的要求。

2.2 次声信号采集仪

次声信号采集仪采用ARM9的S3C2440处理器[6], 它是一个通用网络远程采集信号并远程数据传输的智能化产品。可实现最多16路数据采集, 最高采样率为250kHz。具有两种供电方式, 一种是+9V电池供给次声信号采集仪工作电源, 在其内部转化成所需的工作电压, 在面板上的直流输出插座输出+15V, -15V, +5V三种直流电压, 其工作电流10mA, 可作为次声传感器工作电源;一种是交流220V交流供电, 适合野外有工作条件的地方, 并能够长期数天数月工作, 通过Internet网络组成广域网络大规模测量系统。

2.2.1 硬件组成

次声信号采集仪采用三星公司的16/32位RISC的S3C2440处理器[6], 是一种ARM9处理器的精简指令集的嵌入式计算机系统, 实现了MMU、AMBA BUS和Harvard高速缓冲体系结构。图4为次声信号采集仪框图, 主要有USB接口、GPS、串口、ADC、网口接口及存储模块, 此外还包括时钟控制、交直流切换及数据采集模块。

采用GPS同步及时钟校准功能, 其精度可达0.1ms, 保证了广域多路信号采集的同步性, 并可获取当前地点次声数据、经纬度数据以及温湿度数据。

2.2.2 次声信号的采集传输

次声传感器和次声信号采集仪完成信号采集后, 将次声信号通过网络以数据文件形式上传到服务器。为防止网络断开时数据丢失, 采集到的数据先存入内置SD卡或U盘等缓存中, 通过网络与服务器交换数据。也可通过修改网络传输仪的工作参数 (如采样频率、上传数据时间间隔) , 实现远程更新程序功能。次声采集仪可以通过多种模式将数据文件上传至服务器。次声信号采集传输过程流程图如图5所示。

在局域网模式时, 通过路由器上网, 第一步要搭建服务器。服务器IP与次声信号采集仪的IP要在一个域段内。硬件连接好以后, 插好加密狗, 登录服务器来修改次声信号采集仪的参数配置, 设置完成后拔掉加密狗关机, 再开机, 仪器就能正常工作了。采集的数据以文件方式上传至服务器, 当服务器关闭或者网络不通时, 由于数据无法上传至服务器, 会暂存在SD卡中。待服务器正常以后, 等待下一个文件传输时刻, SD卡中的数据会自动文件上传至服务器。

在广域网模式时, 分为有线和无线传输, 无线传输用GPRS模式[7]或者3G上网模块。有线传输数据为2进制, 每批数据形成一个文件, 可通过电话线ADSL、小区宽带网络、固定IP地址等网络连接方式向远程FTP服务器传送采集数据。同局域网方式类似, 第一步也要搭建服务器。修改次声信号采集仪的设置, 此时服务器IP与次声信号采集仪IP可以不在同一个域段内。

无论是广域网模式还是局域网模式, 都具有定时快速采集功能, 即可以通过人工操作对所关心的时间段和采样率进行设置的定时快速采集, 此时采样率比较高, 理论上采样率可达250kHz。

3 系统软件设计

该系统软件主要是在嵌入式Linux操作系统基础上开发的应用程序。在完成了系统硬件的设计之后, 对各个硬件部分编写了相应的驱动程序, 并对硬件的各个部分进行了测试, 保证了系统硬件部分运行的稳定性和可靠性。数据分析显示模块, 在VS2005的环境下, 采用可视化编程语言Visual C++[8], 融入OLE、SQL及数据库技术进行编程。该模块可实现数据下载、数据波形显示[9]、频显示、图形的放大、缩小及保存等功能。

对次声信号的处理主要采用matlab软件作为信号的处理工具, 并采用自行编程的开源数据库管理系统MYSQL, 结合SQL语句创建的数据库, 在QT的编译环境下[9], 用C++编写自动入库程序, 通过matlab软件对信号进行处理。图6为编程实现的数据显示界面。

4 数据处理

采用matlab软件对信号进行分析处理。图7是在2011年3月11日日本大地震发生前监测到的异常次声信号。地震前8天, 即2011年3月2日3时, 北京香山监测站的INSAS2008传感器检测到了主周期500s的地震前兆次声波 (灵敏度50mV/Pa) 。图8是图7次声信号的频谱图, 能量主要集中在0.003Hz-0.008Hz之间的低频部分, 且有多个峰值。

5 结束语

本文设计的次声信号采集系统适合广域范围内次声信号的接收与采集, 可靠性高。该系统为广域网络次声传感器阵列的设计以广域范围为基础, 实现提供了理论依据和实践支持, 并且通过数据分析, 对研究大气次声波的多样性及其与自然现象的关系提供了新的参考。

预计在将来可以实现次声信号可以以类似噪声地图的形式显示, 并大大缩短了更新周期。应用该次声监测系统对次声波信号进行长期监测与分析, 发现了一种与地震相关的低频次声波信号, 对地震前兆预测和预防有一定的意义。

参考文献

[1]马大猷, 等.现代声学理论基础.科学出版社, 1987.

[2]魏新元, 等.广域次声网络监测系统的设计.电声技术, 2011,

[3]林琳, 等.基于广域网络测量传感器阵列的大气低频次声波观测研究, 2010.

[4]郑菲, 等.次声信号与地震关系研究.中国地球物理第二十一届年会论文集, 2005.

[5]谢金来, 等.高灵敏度宽频带电容次声传感器, 核电子学与探测技术, 2003

[6]李亚峰.ARM嵌入式linux设备驱动实例开发[M].北京:中国电力出版社, 2008.

[7]赵亮, 黎峰.GPRS无线网络在远程数据采集中的应用[J].计算机工程与设计, 2005, 26 (9) :2552-2554

[8]汪翔, 袁辉.Visual C++实践与提高.网络编程篇[M].北京:中国铁道出版社, 2001.

[9]蔡志明, 卢传富, 李立夏等.精通Qt4编程[M].北京:电子工业出版社, 2008.

阵列神经网络 篇3

集成成像因其具有连续视差、不需要助视设备、无立体观看视疲劳等优势,是最有希望实现3D电视的真3D显示方法之一[1]。到目前为止,研究人员解决了集成成像3D分辨率低[2,3]和景深小[4,5,6]等问题[7,8,9,10,11]。如何让集成成像3D显示被众多家庭用户所接受,成为了亟待解决的问题。在传统集成成像的拍摄和显示过程中,所使用的微透镜阵列参数相同,而在实际的电视系统中,我们无法让所有的家庭用户的集成成像3D显示器都具有相同的参数,同样地,广播电视系统也不可能为每一种参数的集成成像3D显示器都拍摄一组与之对应的3D显示片源。因此,只有让微图像阵列与不同参数的集成成像3D显示系统兼容,才能实现理想的集成成像3D电视播放。本文提出基于不同微透镜阵列参数的集成成像微图像阵列生成方法,该方法能实现不同参数的微图像阵列与微透镜阵列间的兼容,且重建的3D图像不会产生图像缩放和图像畸变。

1原理

本文提出的集成成像方法的原理示意图如图1所示,在拍摄过程中,微透镜阵列1包含M1×N1 个透镜元,其节距和焦距分别为p1和f1,三维场景的3D信息被微透镜阵列1记录在其焦平面上,获得微图像阵列1;在显示过程中,微透镜阵列2包含M2×N2 个透镜元,其节距和焦距分别为p2和f2,因此拍摄过程中的微透镜阵列1和微图像阵列1与显示过程中的微透镜阵列2和微图像阵列2具有不同的参数。本文推导出像素映射算法将拍摄获得的微图像阵列1生成显示时所需的微图像阵列2,由微透镜阵列2和微图像阵列2重建的3D图像没有发生图像畸变,且保持原 三维场景 的尺寸大 小和空间位置。

图2所示为推导的像素映射算法,包含虚拟显示和虚拟拍摄两个步骤。在虚拟显示步骤中,微图像阵列1和微透镜阵列1重建出三维场景深度反转的3D图像。在虚拟拍摄过程中,微透镜阵列1和2的间距为L,微透镜阵列2与图1(b)显示过程中的微透镜阵列2参数相同,微图像阵列1和2的图像元分辨率都为r×r。如图2所示,微图像阵列1上第m列n行的图像元中第i列j行的像素记为I1(m,n)i,j,该像素发出的光线被微透镜阵列1和2折射,到达微图像阵列2上第m′列n′行的图像元中第i′列j′行的像素位置上,该像素记为I2(m′,n′)i′,j′。因此像素I1(m,n)i,j与像素I2(m′,n′)i′,j′之间存在如下关系:

式中,round(·)函数代表四舍五入取整数。当计算出的i′和j′值大于图像元分辨率r时,应舍弃该像素以避免相邻图像元间的串扰。这样,将m从1到M1循环取值,n从1到N1循环取值,i从1到r循环取值,j从1到r循环取值,就能将微图像阵列1中的所有像素映射到微透镜阵列2的焦平面上,生成显示过程所需的与微图像阵列1参数不同的微图像阵列2。

图2中,微透镜阵列1和2的间距L决定了再现3D图像的深度。设在拍摄过程中,3D物体到微透镜阵列1的距离为la,在显示过程中,重建的3D图像的深度为

当la=L时,3D图像显示在微透镜阵列2上;当la>L时,3D图像显示在微透镜阵列2之后;当la<L时,3D图像显示在微透镜阵列2之前。

在像素映射过程中,当微图像阵列1中相邻图像元的像素发出的光线被微透镜阵列1和2折射后,到达微图像阵列2中,将产生如图3所示的串扰像素,因此微透镜阵列1和2的焦距和节距应满足式(7)的关系,以避免串扰像素的出现。

当在微图像阵列1中找不到像素与微图像阵列2中的像素I2(m′,n′)i′,j′对应时,微图像阵列2中就产生了无信息像素,如图4所示。因此微图像阵列1、2和微透镜阵列1、2的单元数量M1×N1和M2×N2 应满足式(8)和式(9),以避免无信息像素的出现:

式中ceil(·)函数表示向上取整数。

2实验及验证

实验中,3D场景由三个位于不同深度的平面图像组成,如图5所示,相机阵列模拟微透镜阵列1对3D场景进行拍摄。Z轴表示不同平面图像与相机阵列的距离,分别是60 mm,100 mm和150 mm。我们对本文提出的方法、无参数改变的传统方法、以及文献[11]所述的直接缩放方法进行了实验比较,所用的器件参数如表1所示,其中本文提出的方法中微透镜阵列1和2的参数满足公式(7)~(9),生成的三幅微图像阵列2如图6(a)~(c)所示。

我们采用基于深度平面的计算机重建实验来产生三种方法重建的3D图像在纵向的截面图,该方法可以很容易的获得重建3D图像的纵向放大率。因为微透镜阵列1和2的间距为L=100mm,因此无参数改变的传统方法重建的无畸变3D图像的深度应分别为-50mm,0mm和40mm。图7(a)和(b)分别为本文提出的方法和传统方法重建的3D图像,它们分别在-50mm,0mm和40mm的深度上能清晰成像,说明其纵向放大率为1。图7(c)所示为直接缩放方法重建的3D图像,分别在 -42.8mm,0mm和34.3mm处清晰成像,说明该方法重建的3D图像的纵向放大率约为0.86。

同样,我们进行了集成成像光学3D显示实验来验证重建3D图像的横向放大率。因为三幅微图像阵列2的分辨率较高,我们采用爱普生高分辨率彩色打印机将三幅微图像阵列2打印出来,并与相应参数的微透镜阵列2进行精密耦合,获得的三幅集成成像3D画如图8所示。图中直尺用来测量再现3D图像“II”的横向尺寸,如图8(a)和(b)所示,本文提出的方法和传统方法重建的3D图像“II”的横向尺寸都为67.5mm,因此它们的横向放大率为1,而图8(c)所示的直接缩放法重建的3D图像“II”的横向尺寸变为43.5mm,因此其横向放大率约为0.644。因此上述实验验证了本文提出的方法能生成不同参数的微图像阵列2,且重建的3D图像没有发生图像缩放和图像畸变。

3结论

阵列神经网络 篇4

关键词：声矢量传感器,来波方向估计,水声通信

2009年1月7日收到

声波传播是水下无线通信的主要方式, 现有水声通信的研究已从传统点对点的通信方式向水声通信网络转变[1]。基于接收阵列的水声来波方向估计是建立网络拓扑, 同时也是其他水声信号处理的重要课题。矢量水听器由传统的无指向性声压水听器和具有自然指向性的质点振速水听器复合而成, 较传统声压水听器能得到更多的信息, 被广泛应用于水声信号的来波方向估计中。例如Wong等将电磁波方向估计的经典ESPRIT算法和MUSIC算法应用于水声信号方向估计[2], 陈伟华等进一步拓展到宽带水声信号源的方向估计[3]。

上述研究的一个普遍假设是接收阵列具有理想增益。当不同接收阵元存在增益差别时, 这种差别反映为来波角度估计的误差, 从而降低角度估计的准确度。存在增益差别时的来波方向估计在电磁波方向估计中已有较成熟的研究, 但在水声方向估计方面研究较少。本文把声矢量传感器阵列的增益当作未知参数, 和来波方向一起估计。其中二维来波方向利用旋转不变性求解[4], 阵列增益利用子空间正交性求解。两者迭代使用直到算法收敛。仿真结果显示了算法的有效性。

1 信号模型

考虑一个均匀方形接收阵列, 有M×M个声矢量传感器均匀放置在x-y平面的格点{mxΔ, myΔ} ({mx, my=0, …, M-1}) 上, 其中Δ表示相邻两个声矢量传感器之间的距离。假设共有K个不相关的窄带信号投射到矢量阵上, pk (t) 表示第k个入射源的复信号, 从方位角φk、仰角θk入射到接收阵列。则第 (mx, my) 个声矢量传感器的输出表示为

$\mathit{y}{}_{\mathit{m}{}_{\mathit{x}},\mathit{m}{}_{\mathit{y}}}(\mathit{t})={\displaystyle \sum _{\mathit{k}=1}^{\mathit{{\rm K}}}\mathit{u}}{}_{k}p{}^{m{}_x}q{}^{m{}_y}p{}_k(t)+\mathit{e}{}_{m{}_x,m{}_y}(t)(1)$

(1) 式中

$\mathit{u}{}_k=\left[\begin{array}{c}\sin \theta {}_k\cos \phi {}_k\\ \sin \theta {}_k\sin \phi {}_k\\ \cos \theta {}_k\\ 1\end{array}\right],p=e{}^{\frac{\text{j}2\text{π}f\text{s}\text{i}\text{n}\theta {}_k\cos \phi {}_k}{\text{Δ}}},q=e{}^{\frac{\text{j}2\text{π}f\text{s}\text{i}\text{n}\theta {}_k\sin \phi {}_k}{\text{Δ}}}(2)$

emx, my (t) 代表接收信号的噪声。uk称为阵列流形, 代表由于入射角度的不同而引起的增益区别, 当阵元存在增益差别时, 实际的阵列流形变成Γmx, myuk, 其中Γmx, my是实对角矩阵, 其元素代表阵元每个传感器的实际增益。将所有阵元的接收信号组成如下接收矢量

$\mathit{y}(t)=[\mathit{y}{}_{0,0}(t)\cdots \mathit{y}{}_{0,{\rm M}-1}(t)\cdots \mathit{y}{}_{{\rm M}-1,0}(t)\cdots \mathit{y}{}_{{\rm M}-1,{\rm M}-1}(t)]{}^{\text{Τ}}(3)$

则接收信号可以表示为

$\mathit{y}(t)={\displaystyle \sum _{k=1}^{{\rm K}}\mathit{\Gamma }}v{}_{k}p{}_k(t)+\mathit{e}(t)=\mathit{\Gamma }Vp(t)+\mathit{e}(t)(4)$

(4) 式中

$\begin{array}{l}\mathit{\Gamma }=\text{d}\text{i}\text{a}\text{g}\{\mathit{\Gamma }{}_{0,0}\cdots \mathit{\Gamma }{}_{0,{\rm M}-1}\cdots \mathit{\Gamma }{}_{{\rm M}-1,0}\cdots \mathit{\Gamma }{}_{\mathit{{\rm M}}-1,\mathit{{\rm M}}-1}\}(5)\\ \mathit{V}=[\mathit{v}{}_1\mathit{v}{}_2\cdots \mathit{v}{}_{\mathit{{\rm K}}}](6)\\ \mathit{v}{}_k=[\mathit{u}{}_k\cdots \mathit{u}{}_{k}q{}^{{\rm M}-1}\cdots \mathit{u}{}_{k}p{}^{{\rm M}-1}\cdots \mathit{u}{}_{k}p{}^{{\rm M}-1}q{}^{{\rm M}-1}]{}^{\text{Τ}}(7)\end{array}$

2 算法描述

当阵列不存在增益误差时, 来波角度可以用经典算法, 如二维ESPRIT算法求解[4]。增益误差的存在将影响来波方向估计的准确度。本文将实际增益, 即Γ的对角元素, 当作参数估计的一部分, 和来波角度进行联合估计。算法采用如下的结构:

初始化:Γ=I (即假设阵列不存在增益误差)

步骤1:利用二维ESPRIT算法求解来波角度;

步骤2:基于步骤1的来波角度, 估计阵列增益;

重复步骤1, 步骤2直到收敛。

步骤1和步骤2都基于接收信号自相关矩阵的特征值分解, 如下:

$\begin{array}{l}\mathit{R}{}_y=\text{E}[\mathit{y}(t)\mathit{y}{}^{{\rm H}}(t)]=\frac{1}{{\rm N}}{\displaystyle \sum _{i=1}^{{\rm N}}\mathit{y}}(t{}_i)\mathit{y}{}^{{\rm H}}(t{}_i)=\\ \mathit{E}{}_s\mathit{D}{}_s\mathit{E}{}_s^{{\rm H}}+\mathit{E}{}_n\mathit{D}{}_n\mathit{E}{}_n^{{\rm H}}(8)\end{array}$

(8) 式中对角矩阵Ds包含Ry的K个最大特征值, Es包含K个最大特征值对应的特征向量。Dn包含Ry其他特征值, En是这些特征值对应的特征向量。

2.1 步骤1:来波角度估计

令V1表示V去掉最后4行后得到的子矩阵, V2表示V去掉首4行得到的子矩阵, 信号处理中的旋转不变性指V1和V2有相同的结构, 他们之间的关系可以用一个旋转矩阵联系:V2=V1Σp[4]。根据 (6) 式中V的构造, 易知Σp=diag{p1p2 … pK}。基于特征值分解, 易知Es和ΓV张成相同的子空间, 即存在可逆矩阵T, 使得Es=ΓVT。定义$\overline{\mathit{E}}{}_s=\mathit{\Gamma }{}^{-1}\mathit{E}{}_s$, 令$\overline{\mathit{E}}$1, $\overline{\mathit{E}}$2分别为$\overline{\mathit{E}}$s去掉最后4行和首4行后得到的子矩阵, 得到$\overline{\mathit{E}}{}_1=\mathit{V}{}_1{\rm T}‚\overline{\mathit{E}}{}_2=\mathit{V}{}_2{\rm T}=V{}_1\Sigma {}_p\mathit{{\rm T}}$, 经计算可以得到

$(\overline{\mathit{E}}{}_1^{{\rm H}}\overline{\mathit{E}}{}_1)\overline{\mathit{E}}{}_1^{{\rm H}}\overline{\mathit{E}}{}_2=\mathit{{\rm T}}{}^{-1}\Sigma {}_p\mathit{{\rm T}}(9)$

(9) 式显示{p1p2 … pK}的值可以通过对 ($\overline{\mathit{E}}$${}_1^{\mathit{{\rm H}}}$$\overline{\mathit{E}}$1) $\overline{\mathit{E}}$${}_1^{\mathit{{\rm H}}}$$\overline{\mathit{E}}$2的特征值分解估计。利用类似的方法, 对V的行进行重新排列后, 可以估计{q1q2 … qK}的值[4], 本文利用文献[5]的算法完成{pk}和{qk}之间的配对。来波角度可以由一组配对结果{pk, qk}计算

$\theta {}_k=\arcsin \sqrt{p{}_k^2+q{}_k^2}；\phi {}_k=\arctan \sqrt{q{}_k/p{}_k}(10)$

2.2 步骤2:阵列增益估计

因为Γvk属于Es所张成的子空间中, 根据子空间的正交性:E${}_n^{{\rm H}}$Es=0, 可

$\mathit{E}{}_n^{{\rm H}}\mathit{\Gamma }v{}_k=0‚k=1,\cdots ,{\rm K}(11)$

令Λk表示由vk所有元素组成的对角矩阵, g表示由Γ所有对角元素组成的列向量, 上式可重写为E${}_n^{{\rm H}}$Λkg=0, 进一步得到

$\mathit{g}{}^{{\rm H}}\mathit{\Lambda }{}_k^{{\rm H}}\mathit{E}{}_n\mathit{E}{}_{\mathit{n}}^{\mathit{{\rm H}}}\mathit{\Lambda }{}_{k}g=0‚k=1,\cdots ,{\rm K}(12)$

考虑所有用户的组合, 得到

$\mathit{g}{}^{\mathit{{\rm H}}}\left[{\displaystyle \sum _{\mathit{k}=1}^{\mathit{{\rm K}}}\mathit{\Lambda }}{}_{\mathit{k}}^{\mathit{{\rm H}}}\mathit{E}{}_{\mathit{n}}\mathit{E}{}_{\mathit{n}}^{\mathit{{\rm H}}}\mathit{\Lambda }{}_{\mathit{k}}\right]\mathit{g}\stackrel{\mathbf{d}\mathbf{e}\mathbf{f}}{{\displaystyle =}}\mathit{g}{}^{\mathit{{\rm H}}}\mathit{W}\mathit{g}=0(13)$

于是阵列增益组成的矢量是W矩阵零特征值对应的特征向量。实际中, 由于噪声的影响, 将g估计为W最小特征值对应的特征向量。因为特征值分解中一般已经将特征矢量进行归一化。由特征值分解得到的g和实际值存在一个尺度因子。但这一尺度因子只影响接收信号整体幅度的变化, 不会影响来波方向估计性能。

3 仿真结果

仿真中考虑一个2×2接收阵列, 两个窄带入射信号, 入射角为:{θ1, φ1}={0.569, 0.474}, {θ2, φ2}={0.381, 0.464}。入射信号有相同的载波频率, 但其基带信号为零均值、互不相关信号。仿真中阵元间隔Δ等于入射信号半波长。各阵元的实际增益如表1所示。

仿真中首先考察算法的收敛速度, 在30dB信噪比下得到图1结果。可以看到增益估计和角度估计的收敛速度很快。增益估计结果没有收敛到真实值, 这是因为特征值分解中将增益矢量进行了归一化, 其估计结果和实际值存在未知的乘子。从图1还可以看到由于噪声的影响增益估计存在一定的误差, 但角度估计结果基本收敛到准确值。

图2给出了本文算法的角度估计结果, 本文算法步骤1中将增益估计结果应用于接收信号的信号子空间:$\overline{\mathit{E}}{}_s=\mathit{\Gamma }{}^{-1}\mathit{E}{}_s$, 相当于是一个校正过程, 因此称为有校正算法。作为比较, 图中也给出了无校正的结果。可以看到本文的联合估计算法在存在增益误差时明显提高了性能。

4 结论

声矢量传感器在长期的使用过程中, 由于老化程度的不同, 可能会存在不同的增益, 在进行来波方向估计时必须考虑增益差别的影响。本文在这方面提出了一种联合估计算法, 仿真结果显示算法有很快的收敛速度, 在3次迭代后基本已经收敛。同时其角度估计性能优于传统只考虑角度估计的算法。

参考文献

[1]桑恩方, 乔钢.基于声矢量传感器的水声通信技术研究.声学学报, 2006;31 (1) :71—67

[2]Wong K T, Zoltowski M D.Self-initialting MUSIC-based direction finding in underwater acoustic particle velocity-field beamspace.IEEE J Oceanic Eng, 2000;25 (2) :262—273

[3]陈华伟, 邱小军, 赵俊渭.一种基于声矢量传感器阵的宽带源二维波达方向估计算法.声学学报, 2006;31 (3) :270—275

[4]高飞, 吴瑛, 熊霞.基于ESPRIT算法的多信号二维DOA分离估计.无线通信技术, 2005;31 (5) :19—21

磁盘阵列设备选型要点 篇5

关键词：存储技术,SAN,控制器,链路,磁盘

笔者在项目核心存储设备选型时, 对当前市场主流的SAN、NAS、CAS存储设备进行了分析比对。对SAN+CAS、SAN+NAS、全SAN三种方案进行了技术分析和成本估算。前两种方案存在着管理复杂、对基础网络要求高、共享性低等特点;基于项目采用Windows 2008平台下SQL Server 2008数据库的FILESTREAM管理大数据量, 经过认真调研, 通过仔细对照, 对行业企业级存储设备:包括SUN ST6000系列、HP EVA8000系列、EMC CX4系列、NETAPP FAS3000系列、HDS AMS2000系列进行综合分析后, 存储区域网 (Storage Area Network, 简称为SAN) 成为项目的首选。

1 磁盘阵列

市场主流磁盘阵列分为软件和硬件两种, 软件磁盘阵列指的是用一块SCSI卡与磁盘连接, 硬件磁盘阵列指的是阵列柜中具有背板的阵列。硬件磁盘阵列是一 个完整的磁盘阵列系统与系统相接, 内置CPU, 与主机并行动作, 所有的I/O都在磁盘阵列中完成, 减轻主机的负担, 增加系统整体性能, 加速数据的存取与传输。

SAN是一种通过光纤交换机等连接设备将磁盘阵列、磁带等存储设备与相关服务器连接起来的高速专用子网。

旨在对主流的企业级磁盘阵列产品控制器冗余设计、断电保护技术、缓存大小、磁盘阵列的扩展性、前后端链路设计、存储带宽、IOPS大小、磁盘链路设计、存储的管理灵活性、磁盘阵列支持的协议、磁盘阵列的兼容性、远程磁盘阵列维护管理的支持、服务能力等进行综合分析。

2 主要指标分析

2.1 控制器

在采用光纤磁盘阵列, 一般都采用带智能磁盘控制器的磁盘阵列。磁盘控制器是介于主机和磁盘之间的控制单元, 配置有专门为I/O进行过优化的处理器以及一定数量的Cache。控制器上的CPU和Cache共同实现对来自主机系统I/O请求的操作和对磁盘阵列的RAID管理。控制器磁盘阵列释放了大量主机资源, 来自主机的I/O请求由控制器接受并处理, 阵列上的Cache则作为I/O缓冲池, 能够大大提高磁盘阵列的读写响应速度, 显著改善磁盘阵列的性能。一般中高端光纤盘阵都采用双控制器, 而高档阵列多采用多控制器, 从而充分发挥光纤磁盘的高可用特性, 可以配置成为Active/Active模式或者Active/Passive模式。

Active/Passive意味着一个控制器为主动处理I/O请求, 而另外一个处于空闲状态, 以备用于在主控制器出现故障或者处于离线状态时接管其工作。而Active/Active存储系统包含一个由电池支持的镜像缓存, 控制器中缓存中的内容被完整的镜像至另外一个控制器中, 并能够保证其可用性。

磁盘阵列体系结构, 如图1所示, 对比了单控制器、双控制器和多控制器磁盘阵列性能和成本投入之间的相对关系, 企业应根据业务重要性和预算投资情况进行选择。

2.2 通道数量和带宽

磁盘阵列作为数据的存储设备, 供前端应用系统使用, 需要磁盘阵列提供接口, 主要利用光线交换机与服务器主机或其他网络设备相连接。现在大多数外接主机通道均基于SAN连接具有FC接口, 接口速率大小为2G、4G, 部分可支持8G FC接口。

磁盘阵列后端区别为FC、SAS链路, FC链路市场主流依然是4G或8G链路;而在中高端产品中使用3G的SAS链路, 还受单条8m的长度制约, SAS 2.x规范已在考虑超过20m的连接距离, 并为扩展到12Gb/s的SAS-3做准备。

磁盘阵列有单主机通道磁盘阵列和多主机通道磁盘阵列之分。单主机通道磁盘阵列只能接一台主机, 多主机通道磁盘阵列可接多个主机系统, 并同时使用, 有很大的灵活扩充能力, 可以群集 (Cluster) 的方式共用磁盘阵列。前端主机通道数越多表示可接主机数量越多, 支持带宽越大;而后端通道数量越多, 表示该阵列可扩展性就越高。

2.3 磁盘类型

SATA (Serial Advanced Technology Attachment) 一种基于行业标准的串行硬件驱动器接口, 是由Intel、IBM、Dell、APT、Maxtor和Seagate公司共同提出的硬盘接口规范。 在数据传输的过程中, 数据线和信号线独立使用, 并且传输的时钟频率保持独立。

SAS (Serial Attached SCSI) 即串行连接SCSI, 是新一代的SCSI技术, 和现在流行的SATA硬盘相同, 都是采用串行技术以获得更高的传输速度, 并通过缩短连结线改善内部空间等。SAS的接口技术可以向下兼容SATA。SAS可以和SATA以及部分SCSI设备无缝结合。中端磁盘阵列对扩展性和端对端数据完整性的要求更高, 与SATA比较SAS 2.0的参数更为合适, 而且, 与4Gb/s FC相比, 6Gb/s SAS在速度规格上更具优势, 电气兼容性也更好。

较之500G/750G/1TB硬盘, 在单盘容量上, SSD还有很多研发工作要做;在可靠性上, SSD每个存储单元的连续擦写寿命也是厂家在新的技术、新的纠错能力上需要提高的;更重要的, 还是价格, 相对其他传统硬盘SSD的价格还不是一般应用所能接受。

如表1所示比较了四类磁盘类型适用的应用场景, 供读者参考。

2.4 最大可用容量

中高端磁盘阵列产品中, 可扩展磁盘数最大可达到960块, 最小磁盘数也能达到300盘左右, 而市场上主流单盘容量为FC 300G或450G 15Kr/min磁盘, 最大存储容量是指磁盘阵列设备所能存储数据容量的极限, 通俗的讲, 就是磁盘阵列设备能够支持的最大硬盘数量乘以单个硬盘容量就是最大存储容量, 即960×450/1024=422T, (1TB = 1024GB) 。实际上这个数值还取决于所使用RAID的级别和数据热备盘的比例。采用不同的RAID级别和热备盘数量, 有效的存储容量也就有所差别, 如果采用7D+1P的RAID5级别加上10%热备盘数量, 可用容量最大可达316T, 这完全满足对目前非数据中心的应用需要。

如表2所示, 从单盘容量、磁盘扩展能力测算磁盘阵列的最大存储容量和可供应有系统使用最大可用容量。

2.5 IOPS (每秒输入输出次数)

在同等情况下, 100%顺序读、100%顺序写、100%随机读、100%随机写这四种IOPS中, 100%顺序读的IOPS最高。因此, 很多厂商公布的那些非常高的IOPS数据实际上是将被测存储系统配置了尽量多的小容量、高转速磁盘且每个磁盘装载数据量不多、设置为RAID-10时测出的100%顺序读 (Sequential Read) IOPS的最大值。

决定IOPS的主要取决与阵列的算法, cache命中率, 以及磁盘个数。阵列的算法根据不同的阵列而不同。cache的命中率取决于数据的分布、cache size的大小、数据访问的规则以及cache的算法。如果一个阵列, 读cache的命中率越高表示它可以支持更多的IOPS。

每个物理硬盘能处理的IOPS是有限制的, 如表3所示。

如果一个阵列有150块15Kr/min的光纤盘, 最大IOPS理论值为150×150=22500, 如果超过这个值, 硬盘的响应就会变的非常缓慢而不能正常提供业务。

假定一个业务iops是10000, 读cache命中率是30%, 读iops为60%, 写iops为40%, 磁盘个数为150, 那么在raid5与raid10的情况下, 单个磁盘的iops为:

raid5: (10000* (1-0.3) *0.6+2* (10000*0.4) * (1-0.3) + 2 * (10000*0.4) ) /150

= (4200 + 5600 + 8000) /150

= 119

raid10: (10000* (1-0.3) *0.6 + 2* (10000*0.4) ) /150

= (4200 + 8000) /150

= 81

可以看出, 因为raid10对于一个写操作, 只发生2次io, 所以, 同样的压力, 同样的磁盘, 每个盘的iops只有81个, 远远低于磁盘的极限iops。

2.6 存储带宽

吞吐量主要取决于阵列的构架, 光纤通道的大小以及硬盘的个数。阵列的构架与每个阵列不同而不同, 他们也都存在内部带宽, 不过一般情况下, 内部带宽都设计的很充足, 不是瓶颈的所在。

光纤通道的影响还是比较大的, 如数据仓库环境中, 对数据的流量要求很大, 而一块4Gb的光纤卡, 所能支撑的最大流量应当是4Gb/8 (小B) =500MB/s的实际流量, 2块光纤卡才能达到1GB/s的实际流量。

当光纤通道的瓶颈不存在的时候, 就需要分析硬盘的个数, 如表4, 比较了不同的硬盘流量大小。

那么, 一个150块15Kr/min的光纤硬盘阵列, 硬盘上最大的可以支撑的流量为150×13=1950MB/s, 就需要4块4Gb的光纤卡。 这对于主流的前端支持8条4Gb的光纤通道的中高档阵列来说, 超过150块15Kr/min磁盘的应用, 就需要支持8条以上前端通道的扩展能力。

2.7 其他

对中高端磁盘阵列, 主要用于大中型企业核心数据存储, 存储的管理如卷的灵活配置、LUN的MAPPING等日常维护工作以及磁盘阵列的兼容性, 比如, 对主流操作系统的支持, 对集群软件的支持;磁盘阵列远程可维护管理的支持、阵列可支持的快照、复制等功能以及容灾的支持级别等;作为在逻辑上SAN的核心, 光纤通道交换机连接着主机和存储设备, 其功能和稳定性决定整个SAN网络内数据安全以及设备厂商的服务能力都是在设备选型中必须要考虑。

3 结束语

SAN允许独立地增加它们的存储容量, 也使得管理及集中控制更加简化。而且, 光纤接口提供了10 km的连接长度, 这使得物理上分离的远距离存储变得更容易。通过SAN存储网络可以方便实现:大容量存储设备数据共享、高速计算机与高速存储设备的高速互联、灵活的存储设备配置要求、数据快速备份以及提高数据的可靠性和安全性。

参考文献

[1]韩晓明.光纤磁盘阵列技术选型[J].计算机世界报, 2006, 19 (25) .

[2]Marc Farley, 孙功星.SAN存储区域网络[D].机械工业出版社, 2001.

[3]冯丹, 熊建刚.磁盘阵列cache数据一致性的研究与实现[J].华中科技大学学报 (自然科学版) , 2005, 33 (10) .

[4]贾军, 许英.图书馆磁盘阵列选构方略剀谈[J].绥化学院学报, 2005, 25 (4) .

[5]王朗.磁盘阵列存贮系统及其选择[J].高校图书馆工作, 2003 (1) .

微透镜及其阵列研究概况 篇6

1 微透镜及其阵列的产生与发展

1.1 微透镜及其阵列的产生

在20世纪70年代, 细微加工技术的应用促使微电子学诞生。微电子学的诞生使电路实现了微型化。但大部分功能器件仍是常规尺寸。于是, 在20世纪80年代初期, 首先出现了微机械和微电器。为了与这些微型元器件匹配, 光学也必须进入微型化时代。因此, 在20世纪80年代中后期便出现了微光学。

1970年, 美国康宁公司3名科研人员采用改进型化学气相沉积工艺和高温拉丝技术, 成功地制作出芯径只有几十微米且传输损耗只有20 Db/km的低损耗石英光纤, 开创了微小光学的新篇章。

科学的进步总是与技术的发展相得益彰, 光学元件的微型化势必会向阵列元器件方向发展。因此, 在20世纪80年代中后期, 一种新型的微光学阵列器件发展起来。它采用当时先进的光刻工艺, 将结构均匀的微透镜整齐地排列起来, 微透镜阵列就此诞生。

1.2 微透镜及其阵列的发展

微透镜阵列的出现促使光学元件进一步向微型化、集成化的方向发展, 因此, 基于微光学技术的光纤通信、光信息处理和光传感等技术也于20世纪末期蓬勃发展并至今方兴未艾。

1992年, 日本Sony公司成功将微透镜阵列与CCD单片集成制作出高灵敏度的CCD器件。通过在CCD上集成微透镜阵列, 使光聚焦在CCD光敏元上, 其灵敏度及信噪比得到了大幅改善。

1994年, 菲利普研发中心成功制作出二维大面积图像传感微透镜阵列, 其各个微透镜直径为190μm, 间隔为200μm。这在保证了图像分辨率的情况下, 大大加快了传感器件的响应速度。

1997年, 美国林肯实验室研究人员运用质量转移法制作出了折射非球形微透镜阵列, 应用于锥形谐振腔激光器的光束准直, 成功使衍射受限光束的发散角控制在0.43°, 并实现了单模光纤的耦合。

2005年, 韩国研究人员报道称成功将微透镜阵列用于超大尺寸的三维成像显示技术中。这大大扩大了显示器的视场范围, 使三维成像技术迈入了新的时代。

2006年, 美国斯坦福大学的研究人员成功将微透镜阵列集成于数码相机中, 替代了传统的单一透镜成像, 大大增加了相机的聚焦深度和视场角, 使远处和近处的像同时成像清晰。

目前, 国际上关于微透镜的研究单位主要有美国麻省理工学院、韩国先进科技研究院、日本Keio大学等。在国内, 研究人员对微透镜及其阵列也进行了深入研究并取得了广泛的应用——成都光电所将其成功地用于激光光束诊断、波前测量、激光光束整形和对光学元件的质量评估等实际场合;浙江大学也对微透镜在密集多载波分复用器中的应用作了深入研究。

2 微透镜及其阵列的制造方法简介

由于微透镜及其阵列的应用日益广泛, 它的制备方法也受到广泛的关注和深入的研究。到目前为止, 已经出现了很多制备微透镜阵列的方法, 比如光刻胶熔融法、二元光学光刻法、飞秒激光光刻和酸刻蚀法、离子束刻蚀、灰度掩模法、热压模成型法等。光刻胶熔融法因其制作过程简单、成本较低, 对仪器精度要求不高, 目前得到了广泛的应用。但用此方法制作出的微透镜的球冠高度普遍较小, 无法实现大的数值孔径, 这限制了其应用价值。灰度掩膜法的应用实现了对加工精度的改善, 但其精度控制对器材要求较高, 成本也相对提高, 因此, 应用范围相对较小。

科学家们一直在寻找新的更加廉价、高效的微透镜制备方法, 比如目前尚在研究中的“压痕腐蚀法”。该方法采用非接触式技术, 无需事先铺设光刻胶或掩膜, 大大降低了工艺复杂度和制作成本, 且制作出的微透镜面型比之前的方法更为可控, 可实现微米及亚微米尺度高质量微透镜及其阵列的精密制造。

3 微透镜及其阵列的应用

在微光学中, 微透镜阵列地位重要、可应用范围广, 可用于光数据传输、光信号处理、光计算、光互连等。具体来说, 可用于复印机、图像扫描仪、传真机、照相机以及医疗卫生器械的相关光学部件中。此外, 微透镜阵列器件微型化和集成化的实现使得其具有很强的适应性。如果将椭圆形折射微透镜阵列用于半导体激光器, 可以实现激光器的聚焦和准直, 还可将其用于光纤集成回路和光学集成回路, 实现光学器件更有效的耦合。在光纤通信中, 来自自由空间的入射光被椭圆形微透镜耦合进光纤, 从光纤出来的光也可以由椭圆形微透镜实现校准。目前, 微透镜阵列在原子光学领域有也所应用, 分束器、马赫一曾德尔干涉仪、原子波导等都可以利用微透镜阵列来实现, 也可使用微透镜阵列对中性原子进行量子信息处理或捕获原子。

4 微透镜及其阵列的发展前景

目前, 微透镜及其阵列正逐渐在各个领域中崭露头角, 尤其是在通信、国防及航空航天等领域。如今, 科技发展迅猛, 各个产业都呈现微型化、智能化和集成化的发展趋势。作为微光学领域的核心元件, 现有微透镜的制备技术在未来将不足以满足社会需求。因此, 对微透镜阵列使用的材料、制作工艺和用途等进行研究是十分必要的。由于现有微透镜制备工艺复杂, 不能同时满足造价与精确度要求, 因此, 微透镜技术还停留在小规模生产阶段。但随着技术的不断创新和改进, 其应用前景十分可观。

5 启示

微光学、微芯片以及微系统的出现将给传统光学、传统工业以及人们的生活带来根本性的改变。目前, 我国现有微透镜的制备技术距离国际水平还有一定的差距, 但随着新方法的不断提出和改进, 在不远的将来, 微透镜产业必将成为一个有着广阔前景的新兴产业。

摘要：介绍了微透镜及其阵列的产生与发展, 分析和比较了微透镜的制备方法。此外, 结合微透镜的光学性质简述了微透镜的应用, 并展望了微透镜的应用前景。

关键词：微透镜,阵列,光学元件,微光学

参考文献

[1]刘浩.基于微透镜阵列的仿生复眼结构研究[D].武汉:华中科技大学, 2008.

[2]许乔, 叶钧, 周光亚, 等.折射型微透镜列阵的光刻热熔法研究[J].光学学报, 1996 (09) .

[3]柯才军.微透镜阵列的设计、制作及与CCD的集成技术[D].武汉:华中科技大学, 2005.

[4]杨国光.微光学与系统[D].浙江:浙江大学, 2008.

磁盘阵列技术及其选择 篇7

关键词：磁盘阵列,级别,选择

磁盘阵列(Redundan Arrayof Inexpensive Disk)简称RAID技术,是一种在多个磁盘机或光盘机按一定的规则上分散信息的方法。它使用磁盘分条(disk striping,RAID级别0)、磁盘镜像(disk mirroring,RAID级别1)和带有奇偶校验的磁盘分条(disk striping with parity,RAID级别5)之类的技术组成一个快速、超大容量的外存储器子系统,来达到冗余性,减低潜伏时间,增加磁盘读写的带宽,提高从硬盘崩溃中恢复的能力。它在阵列控制器的控制和管理下,实现快速、并行或交叉存取,并有较强的容错能力。从用户观点看,磁盘阵列组成的磁盘组就像是一个硬盘,用户可以对磁盘阵列的操作与单个硬盘一样进行分区、格式化等,不同的是磁盘阵列的存储速度要比单个硬盘快很多,而且可以提供自动数据备份,因此这一技术广泛为多媒体系统所欢迎。

1 产生原因

随着中央处理器CPU的处理速度飞速增长,内存的存取速度也随之大幅增加,而数据储存器磁盘的存取速度相对发展较为缓慢,从而造成整个存储设备的运行速度不能和其他硬件系统相匹配,形成计算机系统数据传输速度的瓶颈,降低了计算机系统的整体性能,如果不能有效地提高磁盘的存取速度,CPU、内存及磁盘间的不平衡将使CPU及内存的改进形成浪费。因此,有效地利用磁盘空间,增加磁盘的存取速度,同时要防止因磁盘的故障而造成的数据丢失,成为电脑专业人员和用户的迫切需要。磁盘阵列技术的产生解决了增加存取速度、保证数据安全性、有效地利用磁盘空间、平衡CPU、内存及磁盘的性能差异,提高电脑的整体工作性能的问题。

2 常用技术

2.1 硬件RAID与软件RAID

硬件磁盘阵列指的是硬件RAID基于硬件设备,系统独立于主机之外来管理RAID子系统,内置CPU与主机并行动作,所有的I/O都在磁盘阵列中完成,减轻主机的负担,增加系统整体性能,有SCSI总线主控与DMA通道,以加速数据的存取与传输,并且它在主机处只用一个磁盘来代表每一组RAID阵列。

软件磁盘阵列是一个程序,在内核磁盘编码中实现各类RAID级别,因此它不需要昂贵的磁盘控制器卡或热交换底盘,软件RAID提供了最廉价的解决方法。其最大的缺点是大大增加了主机的负担,对于大量输入输出的系统,很容易使系统瘫痪。

2.2 RAID级别

目前,获得广泛使用的RAID级别有RAID 0、RAID 1、RAID 10、RAID 5和RAID 6。

RAID 0将数据分条并行读/写在多个磁盘上,数据传输率高,读写速度快,有很好的性能表现,但是RAID 0没有冗余保护功能,RAID组中任何一块磁盘的损坏都会造成数据的丢失。所以RAID 0不能算真正的RAID结构,对于数据安全性要求很高的环境不适用。

RAID 1提供了最高的可靠性,一块盘上的数据都镜像到RAID组中的另外一块磁盘上,当原始数据繁忙时,可直接从镜像拷贝中读取数据。当一个磁盘失效时,系统可以自动切换到镜像磁盘上读写,而不需要重组失效的数据。但是这种方式也是磁盘阵列中单位成本最高的,对磁盘的利用率不高,只有一半的磁盘空间能够存放数据,存放同样的数据要多买一倍的磁盘。

RAID 5是在所有磁盘上交叉地存取数据及奇偶校验信息,要求至少有3块硬盘,允许一块盘出现损坏,通过其他盘可以恢复数据,RAID 5改善了利用率的问题,但是因为要计算校验信息而使得写性能有所下降。RAID 5更适合于小数据块和随机读写的数据。

RAID 6和RAID 5一样采用了校验数据的方法,和RAID5不同的是RAID 6有两份检验数据,可以保证同一RAID组中两块磁盘同时故障而不丢失数据。

RAID 10是RAID 0和RAID 1的组合,是将2个独立的RAID 1组成一个RAID 0,RAID 0同样浪费了一半的磁盘,但是它提供了一倍的速度和单磁盘损坏的数据安全性,只要同一个RAID 1中2个磁盘不同时损坏,就能保证数据安全性。

3 RAID选择考虑的因素

3.1 存储速度

RAID0在读写速度上比较快,是普通不做RAID的两倍左右,所以RAID0常被用于对存储效率要求较高,但对数据安全性要求不高的应用解决方案中。RAID1存在冗余镜像,数据读写效率要比RAID0低。RAID5写入速度比较快,从整体上来看,性价比比较高,所以被大范围内采用。理论上说,RAID10有RAID1的镜像冗余,也有RAID0的速度,但经过测试发现RAID0、RAID1、RAID5、RAID10中RAID10的写入速度是最慢的,结果显示写入速度由高低的顺序是:RAID0>不做RAID>RAID1>RAID5>RAID10

3.2 数据容量价格和安全性的平衡

从容量方面来考虑,RAID 0由于没有冗余,所以没有磁盘损失,容量是所有RAID级别中利用率最高的。但是,RAID考虑主要集中在数据安全和性能方面,加强数据保护应该是第一位的。RAID1中只要有一个成员是完好的就能保证数据是完整安全的。由于RAID1有镜像冗余,所以磁盘利用效率并不高,造成磁盘浪费较大。RAID 5相比其他有冗余的阵列类型损失的容量最少。但RAID 5只能接受损失一个驱动器,对于只有3个驱动器的阵列,RAID 5所提供的数据保护能力不如RAID1。也许有人认为对3个驱动器中丢失一个驱动器数据与丢失两个驱动器中任何一个数据相比差别不大。但对于大型阵列同时出现丢失两个驱动器数据的概率就会增加,这时RAID 6是一个很好的选择。RAID 6常被用于大型阵列中,损失的存储容量和性能非常小,而且接受丢失任何两个驱动器的信息。所以在大容量磁盘比较昂贵的情况下,RAID 5和6可以提供足够“物廉价美”的存储子系统。随着驱动器存储容量不断扩大,成本不断降低,购买更多驱动器获得更高冗余以保证数据安全成为用户主要考虑的因素。RAID10继承RAID0的速度和RAID1的冗余安全,只要不出现一对磁盘损坏的情况,整个系统不会出现数据丢失。所以RAID10数据安全性要比RAID5和RAID6高,但是存储容量损失较大。

3.3 可靠性

对于RAID可靠性中,校验计算也带来风险。对于RAID1和RAID 10来说,不需要通过计算来创建带校验的条带。数据只是以一种稳定的方式被写入。当一个驱动器发生故障,它的另一个配对驱动器就会接过负载,在更换驱动器之前驱动器性能可能会有一些降低。既没有影响现有驱动器数量的重建流程,也没有校验条带的重建。带校验的RAID阵列如:RAID5和RAID6执行重建操作的时候,通常会实施一个复杂的流程,逐步检查阵列的所有内容,将丢失数据写回到被替代的驱动器上,虽然这种计算很简单,但是也有可能出错。因此,从数据的可靠性方面RAID 1和RAID 10要优于RAID5和RAID6。

除了考虑这些标准外,软硬件RAID也关系到成本和性能问题。硬RAID速度快,但价格高;软件RAID便宜,但速度慢,主要应用于基于IDE接口的中低档磁盘阵列中。

4 结语

用户在选择磁盘阵列产品时,要根据对速度、可靠性和安全性的需求选择最适合的RAID产品。当前RAID已经是一项比较成熟的技术,全世界还有很多服务器系统没有配置RAID。随着服务器存储对数据安全性、扩展性等方面的需求越来越高,以及RAID性能不断的提高和成本的不断降低,RAID技术的广泛普及将成为大势所趋。

参考文献

[1]王宇.廉价磁盘冗余阵列RAID的技术策略[J].哈尔滨商业大学学报,2002,18(3).

[2]郑平泰,等.磁盘数据安全技术与编程实例[M].水利水电出版社,2007,3.

[3]李东.磁盘阵列的安全管理[J].电力信息化,2004,(06).