自媒体重构

自媒体重构（共7篇）

自媒体重构 篇1

随着互联网的快速发展, 自媒体时代呈现出快速发展的态势, 使得媒体传播的速度、模式、内容都发生了深刻的变化, 因而就给传统媒体提出了新的更大的挑战, 特别是对传统媒体话语权造成了重要的影响。

一、自媒体时代对传统媒体话语权的冲击

随着自媒体的快速发展, 特别是在网络技术不断发展的今天, 自媒体依托即时通信技术不断取得新的发展, 使自媒体呈现出许多新的特点, 即自媒体使个体的人成为传播主体、自媒体具有很强的交互性、自媒体使信息传播的速度越来越快、自媒体时代信息量十分庞大但其真实性受到质疑等, 自媒体由于其开放性和海量性, 给传统媒体话语权带来了巨大的冲击, 具体说主要体现在以下三个方面:

一是自媒体更高的“自主性”给传统媒体话语权带来冲击。由于自媒体具有开放性的特点, 因而自媒体相比于传统媒体, 没有经济、政治、文化、社会等方面的禁区, 因而自媒体具有很强的信息自由度, 其自主性更高, 因而对于敏感事件的挖掘则远远超载传统媒体。比如, 近年来的网络反腐, 都是自媒体“自主性”的充分体现, 因而能够很快形成热点和焦点, 引起广泛的关注。从这一点来看, 自媒体对传统媒体话语权造成了重要的冲击, 这一点必须引起传统媒体的高度重视。

二是自媒体更强的“时效性”给传统媒体话语权带来冲击。众所周知, 自媒体具有“平民化”的特点, 因而可以说自媒体就是“平民媒体”, 由于受众的广泛参与, 这就使得自媒体的时效性更强, 信息传播速度更快, 更容易形成舆论焦点, 比如上海高层住宅楼失火事件便是路人用手机拍摄发于微博上之后一段时间, 主流媒体才有了相关报道。因而, 从这一点来看, 自媒体具有更强的“时效性”, 这一点是传统媒体无法比拟的巨大优势, 因而也对传统媒体的话语权造成了重要的冲击。

三是自媒体更多的“视角性”给传统媒体话语权带来冲击。传统媒体都属于专业媒体, 因而在传播视角方面都有明确的规定;而自媒体则与传统媒体具有很大的差异性, 自媒体由于具有很强的交互性, 受众不仅可以接收自媒体信息, 而且也可以参与其中, 这就使得自媒体的信息视角更加“多元化”。比如陕西“表哥”事件, 就是2012年陕西延安特大车祸案后, 网友搜索到杨达才被曝光拥有5块名表, 后查出其拥有83块名表。由于自媒体更多的“视角性”信息报道, 这就给传统媒体带来了巨大的冲击, 传统媒体只有通过更多视角进行传播才能确保其话语权。

二、自媒体时代传统媒体话语权重构的有效对策

自媒体时代涌现出许多新的媒介传播技术, 如微博、微信、网络等, 可以说现今社会是一个多元化的社会, 公众参与政治、文化、生活、生产等各领域的积极性不断提升, 此时对传统媒体来说, 自网络技术不断兴起后, 业界和学术界就已达成共识, 传统媒体必定会受到多种新媒介的冲击, 如今在新兴媒体传播途径不断发展的前提下, 传统媒体的地位正受到严重威胁, 传统媒体竞争力缺失也成为不可否认的事实。笔者认为, 在自媒体时代传统媒体要想拥有更多的话语权, 就必须革新理念。从技术层面分析, 传统媒体依靠新兴媒介传播技术从而更加便捷, 使其具备更强的实用价值, 而从新兴媒介对传统媒介的冲击层面分析, 因新兴媒介的不断发展, 其价值逻辑和技术也对传统媒介的发展造成了较大影响。这种影响主要体现在话语权的受众群体转移方面, 可以说受众群体获取话语权需要一个漫长的历史过程, 传统媒体盛行的时代, 因技术制约和媒介传播理念的影响, 受众群体始终处于被动接受信息的地位, 这种媒介传播形式导致受众群体无法反馈信息, 无法表达自己的主张和观点, 传统媒体的受众群体话语权主要表现为听众来信或读者来信, 这种受众群体话语权表达形式明显不足以满足受众群体的心理需求, 使得表达深度和受众面积均受到严重制约。但由于媒体产业化的发展, 受众群体在信息衍生与生产中的地位越来越重要, 其成为继经济、政治之后的第三种衍生新闻的力量, 对新闻衍生和媒介传统的影响极其深远。受众群体的这种力量是因两方面因素而确立的, 其一是社会力量的影响, 其二是媒体赋予, 受众人群潜意识下影响新闻衍生与生产。传统媒体中受众话语权尚未彰显, 而到自媒体时代后, 因网络的互动性和公众性特征, 使得受众人群的话语权愈加彰显。

自媒体时代传统媒体话语权的重构, 应着重关注传统媒介的存在意义, 即相对于传统媒介而言, 自媒体时代的公共平台建设如何与传统媒介相连, 理论上讲, 传统媒介在语言表达平台的建立上十分落后, 它在一定程度上限制了新闻传统主体, 并且在对待新闻者身份的态度上存在差异, 而自媒体时代并没有规定新闻属于大众人群, 同时也没有规定新闻属于精英人群或特定的政治、教育等人群, 可以说他为所有有意传播新闻的人提供了表达自我主张的平台, 为国民提供了一个博弈思想、发表观点的“场所”, 因此, 传统媒体要想在自媒体时代做大做强, 就必须借助这样一个平台来重构语言表达方式。

相对于新兴媒体, 传统媒体技术不足是其发展过程中的主要弊病, 传统媒体因传统方式过于单向化, 使得媒体传播很难满足受众群体的表达要求和反馈要求。在21世纪, 大众话语权在社会舆论中的地位越来越重要, 公众表达主张的欲望也越来越强烈, 传统媒体技术上存在的缺陷使得公众表达主张的需求难以被满足, 这才导致传统媒体逐渐衰落。新时期媒体融合本质应考虑渠道融合, 对传统媒体来说, 新兴媒介传播途径的诞生既是挑战, 同时也是机遇。传统媒体于信息生产上的优势极强, 而新兴媒体的传播途径极强, 由此可见, 两者优势可以互补, 新兴媒体可以利用传统媒体扩充信息生产量, 而传统媒体可以通过新兴媒体的渠道吸纳受众群体, 两者互补才是未来媒体的发展之路。除此之外, 自媒体时代的到来使得客观信息泛滥, 谣言四起, 此时就需要传统媒体担负起客观和中立的新闻专业主义精神, 事实上, 即使在当前新兴媒体日益发展的今天, 公众仍然认为传统媒体是最具权威性和真实性的, 传统媒体如何利用新兴媒体的传播渠道传递新闻传播力量, 新兴媒体如何利用传统媒体的公正、权威来弥补自身的不足, 是新闻工作者今后努力研究的重点, 同时也是传统媒体话语权重构的关键。笔者认为, 要想做好传统媒体话语权重构, 应做好以下细节工作:

一是突出传统媒体的“权威性”。权威性是传统媒体最大的优势, 这也是自媒体所无法比拟的巨大优势。尽管自媒体具有信息量大的优势, 但其“可信度”并不高, 因而传统媒体要想在自媒体时代重构话语权, 就必须突出“权威性”。这就需要传统媒体高度重视自身权威性的发挥, 特别是要在报道的深度、广度方面狠下功夫, 深入挖掘新闻事件的内涵, 特别是要学会从不同角度、侧面、环节控制新闻内容, 使其更加满足受众的需要, 同时要在“独家新闻”方面取得突破。

二是推动传统媒体的“融合性”。从总体上来看, 尽管自媒体呈现出良好的发展态势, 但自媒体与传统媒体之间却是一种“共生”的关系, 因而传统媒体要想重构话语权, 就必须在推动传统媒体与自媒体融合发展方面狠下功夫。这就需要传统媒体要将自媒体作为重要的传播渠道, 不仅拓展和延伸传统媒体的传播触角, 实现传统媒体与自媒体的融合发展之路。通过传统媒体与自媒体融合发展, 不仅能够增强传统媒体的话语权, 而且也有利于自媒体的科学发展, 这将是一个“双赢”的战略举措。

三是提升传统媒体的“吸引力”。由于传统媒体与自媒体相比, 其吸引力显著落后于自媒体, 因而要想重构传统媒体话语权, 就必须在提升传统媒体“吸引力”方面狠下功夫。这就需要传统媒体高度重视受众“亲密度”建设, 特别是向自媒体学习其吸引力方面的好做法, 尽量增强传统媒体对受众的“黏性”, 特别是要建立传统媒体与受众“互动”平台与载体方面进行创新, 通过建立“纵横交错”的关系网, 使受众对传统媒体的吸引力得到大幅度提出, 进而推动传统媒体话语权的重构。

综上所述, 随着自媒体的快速发展, 特别是由于自媒体具有很强的开放性, 使得自媒体具有更高的“自主性”、更强的“时效性”、更多的“视角性”, 这些都给传统媒体话语权造成了重要的冲击, 必须引起传统媒体的高度重视。这就需要传统媒体在深刻认识自媒体给传统媒体话语权带来冲击的基础上, 有的放矢地采取措施来应用, 特别是要在突出权威性、推动融合性、提升吸引力三个方面狠下功夫, 通过传统媒体话语权的重构, 使传统媒体在自媒体时代的竞争力和影响力得到显著提升。

自媒体重构 篇2

关键词：自适应滤波器,压缩感知,L0最小均方算法,信号重构

1 引 言

近年来出现的一个新颖理论-压缩感知(CS)理论[1,2,3,4]是一种新型的信号采样和重建方法,打破了信号处理必须遵循奈奎斯特采样定理的限制,在信号具有稀疏性(即可以在某个变换域稀疏表示)的前提下同时完成信号的压缩和采样,采样速率远低于奈奎斯特速率,大大降低了信息存储、处理和传输的成本。后端可以通过优化算法高概率恢复出原信号。这种低速采样理论目前得到国内外专家们的广泛研究,并已表明这一理论具有巨大的应用前景,目前已成功应用到核磁共振成像,模拟信息转换理论中[5]等。

在CS理论迅速发展的同时,自适应滤波算法也被大家所熟知并且发展越来越成熟。因其具有在未知环境下良好运行并跟踪时变输入统计量的能力,使得自适应滤波器成为信号处理和自动控制应用的强有力的手段,并已成功应用于通信、雷达、声纳、地震学和生物医学工程等领域。他们的基本特征是:用输入向量和期望信号响应来计算估计误差,并用该误差依次控制一组可调滤波器系数[6],在误差最小的情况下该系数达到最优。事实上,一些改进的LMS算法[7,8,9,10]提出在代价函数中加入一定的稀疏限制条件,可应用到稀疏系统识别中;压缩感知重构原信号时,首要目标是重构出信号的稀疏系数,所以这些方法同样可以应用到CS中解决CS重构问题。本文介绍了改进的自适应滤波算法与压缩感知相结合的基本思想,仿真验证了该算法的性能并与正交匹配追踪(OMP)算法进行了对比。

2 压缩感知理论概述

考虑一个实值的有限长一维离散时间信号x,在某个正交变换域Ψ上是稀疏的或可压缩的,则x可以表示为

$\mathit{x}={\displaystyle \sum _{i=1}^{{\rm N}}\psi }{}_{i}s{}_i=\mathit{\Psi }\mathit{s}(1)$

其中x和s是N×1列矢量,Ψ是N×N基矩阵(也称稀疏矩阵),s是x在Ψ域的表示。若s中非零个数K≪N,则x可称作K稀疏性。

通过一个观测矩阵Φ(M×N)随机观测原信号x,得到M×1维低速观测序列矢量y:

$\mathit{y}=\mathit{\Phi }\mathit{x}=\mathit{\Phi }\mathit{\Psi }\mathit{s}=\mathit{A}\mathit{s}(2)$

式中观测矩阵Φ需要满足受限等距约束性质(Restricted Isometry Property,RIP),常用的有高斯矩阵、伯努利矩阵、傅立叶矩阵、浑沌矩阵等;A称为M×N恢复矩阵。CS原理图如图 1。

由原理图可知压缩感知理论主要涉及三个核心问题:具有稀疏表示能力的基设计;满足受限等距约束性质的测量矩阵设计;信号重构算法设计。目前应用比较多的重构算法有BP、MP、OMP等算法,本文描述的是一种基于L0范数约束的自适应算法重构信号。

3 基于自适应滤波的压缩感知重构信号

3.1 压缩感知的自适应滤波框架

自适应滤波框架中,滤波器的输出误差e(n)定义如下

$e(n)=d(n)-\mathit{x}{}^{{\rm T}}(n)\mathit{w}(n)(3)$

d(n)为期望输出信号,x(n)=[x(n),x(n-1),…,x(n-L+1)]T为滤波器的输入矢量,w(n)=[w0(n),w1(n),…,wL-1(n)]为滤波器系数权值矢量,L为滤波器长度,n为时间变量。

CS重构问题主要是求解欠定方程y=As,假设

$\begin{array}{l}\mathit{A}=[\mathit{a}{}_1^{{\rm T}},\mathit{a}{}_2^{{\rm T}},\cdots ,\mathit{a}{}_{{\rm M}}^{{\rm T}}]{}^{{\rm T}}(4)\\ \mathit{a}{}_k=[a{}_{k1},a{}_{k2},\cdots ,a{}_{k{\rm N}}],k=1,2,\cdots ,{\rm M}(5)\\ \mathit{s}=[s{}_1,s{}_2,\cdots ,s{}_{{\rm N}}]{}^{{\rm T}}(6)\\ \mathit{y}=[y{}_1,y{}_2,\cdots ,y{}_{{\rm M}}]{}^{{\rm T}}(7)\end{array}$

则可以和自适应辨识系统各变量相对应如下表 1:

用自适应滤波框架解决CS重构问题时原理框架如图 2[11]。

由表 1和图 2可知,恢复矩阵A的每一行作为滤波器的一组输入矢量,稀疏矢量s作为滤波器系数矢量(也就是抽头权向量),由观测矩阵获得的低速观测序列yk相当于期望信号。通过自适应算法求出在输出误差e(n)最小的情况下抽头全向量的最优估计,即得到最优的稀疏系数矢量估计,再通过表达式x=Ψs可高概率重构出原信号。由于M≪N,恢复矩阵的行向量元素和观测序列中的元素应该递归式的迭代使用,以保证该框架中有足够多的输入矢量和期望信号个数,使滤波器系数快速达到收敛。综上,更新抽头权向量的具体步骤可表述如下:

(1) 初始化n=1,s(0)=0;

(2) 输入ak和yk到自适应滤波器中,其中k=mod(n,M)+1;

(3) 根据自适应算法更新s(n);

(4) 满足条件||s(n)-s(n-1)||<ε或者n>C时更新完毕,其中ε>0是给定的误差容限,C是迭代次数的最大值;

(5) 满足(4)中的条件时停止迭代,将s(n)返回向量s中并退出,否则n=n+1返回步骤(2)。

3.2 L0-LMS算法

LMS因其实现简单性及鲁棒性等特点广泛应用于自适应滤波中。其代价函数定义为

$\xi {}_{\text{L}\text{Μ}\text{S}}(n)=|e(n)|{}^2(8)$

抽头权向量更新的表达式为

$\mathit{w}(n+1)=\mathit{w}(n)+\mu e(n)\mathit{x}(n)(9)$

μ称为步长因子。

由于标准LMS算法没有利用稀疏性的特点,在对稀疏系统进行辨识时没有特别优势。近年来出现了一类针对一般稀疏系统的基于Lp(0<p<1)范数约束的自适应算法[12,13]。这类算法的核心思想是根据未知系统冲激响应稀疏的特点,在更新滤波器抽头权值的代价函数中施加稀疏性约束。L0-LMS算法利用表征稀疏性更佳的近似L0范数,是目前性能最好的稀疏系统辨识算法。其代价函数定义为

$\xi {}_{\text{n}\text{e}\text{w}}(n)=|e(n)|{}^2+\gamma ||\mathit{w}(n)||{}_0(10)$

γ称为平衡因子,用于调节稀疏性对代价函数的影响;||w(n)||0是对w(n)的一种稀疏性度量,表示权矢量中非零元素的个数。

求解L0范数最小化是一个NP-hard问题,很难直接求解。故对其代价函数进行近似表示,简化计算。最常用的||w(n)||0近似为[14]

$||\mathit{w}(n)||{}_0\approx {\displaystyle \sum _{i=0}^{L-1}(}1-e{}^{-\alpha |w{}_i(n)|})(11)$

当α→∞时,(10)式左右两边等价。

根据式(10),L0-LMS算法的代价函数可重新写为

$\xi {}_{\text{L}0-\text{L}\text{Μ}\text{S}}(n)=|e(n)|+\gamma {\displaystyle \sum _{i=0}^{L-1}(}1-e{}^{-\alpha |w{}_i(n)|})(12)$

最小化式(12),推导得到滤波系数更新表达式:

$w{}_i(n+1)=w{}_i(n)+\mu e(n)x(n-i)-\mu \gamma a\text{s}\text{g}\text{n}(w{}_i(n))e{}^{-\alpha |w{}_i(n)|}\forall 0\le i＜L(13)$

为了减小由式(13)最后一项产生的复杂度,利用泰勒级数和sgn函数的表达式:

$e{}^{-\alpha |x|}\approx \{\begin{array}{l}1-\alpha |x|,|x|＜1/\alpha \\ 0,\text{e}\text{l}\text{s}\text{e}\text{w}\text{h}\text{e}\text{r}\text{e}\end{array}\mathrm{sgn}(x)=\{\begin{array}{l}x/|x|,x\ne 0\\ 0,\text{e}\text{l}\text{s}\text{e}\text{w}\text{h}\text{e}\text{r}\text{e}\end{array}$

可将式(13)化简为

$\mathit{w}(n+1)=\mathit{w}(n)+\mu e(n)\mathit{x}(n)+kg(\mathit{w}(n))(14)$

其中k=μγ、g(w(n))=[g(w0(n)),g(w1(n)),…,g(wL-1(n))]T且

$g(x)=\{\begin{array}{l}\alpha {}^{2}x+\alpha ,-1/\alpha \le x＜0\\ \alpha {}^{2}x-\alpha ,0＜x\le 1/\alpha \\ 0,\text{e}\text{l}\text{s}\text{e}\text{w}\text{h}\text{e}\text{r}\text{e}\end{array}(15)$

kg(w(n))称作零引力项(ZA),它的引入使得大多数非零权值系数的绝对值在迭代过程中不断减小,迫使更多的系数收敛于零,从而保证解的稀疏性。

对比式(9)、(14)、(15)可知,L0-LMS算法和传统LMS算法的区别在于:滤波器权系数在沿误差梯度方向更新时,存在额外的修正量kg(w(n)),该修正量迫使零附近的权系数在小于零时增加、大于零时减小。其中参数α用于控制"吸引力"作用的范围和强度(如图 3),离零点越近的系数,ZA项对其产生的吸引力越大。当未知系统稀疏时,其系数为零的抽头占主导地位,且自适应权矢量中越小的元素对应的抽头真值为零的可能性越大,所以ZA项的引入可以加快权矢量向稀疏解收敛的速度。但是,系数离零点越近,零引力范围减小,收敛速度降低。所以实际中要权衡零引力强度和范围以确保收敛性能的折中。

综上分析,可将解决CS重构问题的L0-LMS算法总结如下:

(1) 初始化n=1,s(0)=0,选择μ,α,k;

(2) 确定输入矢量x(n)和期望信号d(n)

$k=\text{m}\text{o}\text{d}(n,{\rm M})+1、x(n)=ak、d(n)=yk$

(3) 计算误差e(n)=d(n)-xT(n)s(n);

(4) 利用LMS算法更新s(n)

$s(n)=s(n-1)+\mu e(n)x(n)$

(5) 加入零引力项

$\mathit{s}(n)=\mathit{s}(n)+k\mathit{g}(\mathit{s}(n-1))$

(6) 迭代n=n+1,直至||s(n)-s(n-1)||<ε或者n>C,结束。

3.3 仿真分析

以压缩感知为前提,仿真采用L0-LMS算法和压缩感知中常用的OMP算法重构原信号稀疏系数。具体参数设置为:随机产生长度L=256的输入信号,OMP算法重构信号时,基矩阵采用余弦基,感知矩阵为高斯随机矩阵;L0-LMS算法中迭代步长μ=0.02,平衡因子γ=0.01,"零引力"参数α=5,滤波器输入为高斯随机矩阵与余弦基的乘积信号,期望信号为高斯随机矩阵观测原随机信号得到的观测值。仿真结果如图 4和图 5所示。

由仿真结果看,L0-LMS算法重构信号完全可行,相对于OMP算法重构信号误差更小、效果更好(其中可能存在由于选择的基矩阵和观测矩阵与原信号不是特别匹配进而导致OMP算法重构信号误差较大)。

4 总 结

将压缩感知与自适应滤波技术相结合,构造基于自适应滤波的压缩感知重构框架,根据两者的各自特点,采用具有稀疏特性的自适应滤波算法进行重构信号,可以提高信号的重构概率。本文论述了L0-LMS算法重构信号的具体思想,仿真证明该算法可以很好的应用到压缩感知中。

如今,自适应滤波技术已发展比较成熟,但压缩感知还处于初步研究阶段,学者们力图找到一种复杂度低、速度快、精度高的重构方法,而这两种技术的结合可大大提高重构信号的准确度。已有学者研究出应用到压缩感知的自适应稀疏算法,如L0-LMS、L0-EFWLMS、L0-ZAP等[11],但对于算法中各个参数的选取还需要一定的理论研究。所以,基于自适应滤波的压缩感知重构算法是压缩感知重构算法研究的一个新方向。

自媒体重构 篇3

车牌身份识别是智能交通应用中最基础的一个功能,在日益发展的交通事业中起着重要作用。我国交通的特点是车流量大、密度集中、各种不遵守交通规则的事件时有发生、事故发生率高、事故发生后逃逸事件也多有发生。作为车流分布统计和事故追责的一个基本依据,我国的交通监控系统已基本覆盖了全国。在如此庞大的监控网络中,数据的采集和传输技术也必然面临着巨大挑战。

本研究正是基于这样的应用背景应运而生的。即:为了解决图像数据传输量过大而影响实时性的问题,在监控所在地利用监控相机对车辆图像进行拍照,并在该区域子网层进行图像初步分割得到车牌图像。之后压缩车牌图像传输至上层终端,并在终端进行重构复原出车牌图像。最后进行识别等后续处理。

上述整个采集和传输过程,对于高速路这种车流速度较快以及繁华地段车辆流量大、数据传输量大的场合尤其适用。而作为整个采集传输过程中的关键,便是车牌图像的压缩和重构了。

压缩感知(compressive sensing(CS))作为一种新型的压缩方法,自2006年由陶哲轩、Emmanuel Candes[1]和Donoho[2]提出来,又由Richard Baraniuk[3]进行完善,之后便迅速风靡于图像界了。

然而压缩感知用于图像处理时其稀疏度并不知道,传统的做法只能是事先估计。直到2008年由Do T T[4]等人提出了一种稀疏度近似自适应的获取方法,关于稀疏度的获取方式才真正被陆续研究[5,6,7,8]。然而无论是Do T T[4]本人提出的方法还是后续的研究[5,6,7,8],其应用于图像处理时,图像的长和高均必须相等(即应为正方形图像),且均应为2的阶数。这一限制直接制约了其在一般图像稀疏度获取中的应用。

此外,上述已有的算法往往是以重构过程中的观测信号残差作为稀疏度准确性标准的,这在图像处理的应用中并不能直观反应重构图像效果。因此,为了避免因选择了不合适的稀疏度而影响到图像的重构效果,本文提出一种车牌图像稀疏度自适应重构的算法。该算法利用图像的峰值信噪比(PSNR)值作为重构图像的效果测度,可直接自动获得重构效果较好的车牌图像稀疏度。另外,该算法逻辑简单,且可应用于一般大小的图像,并不局限于方图像,大大增加了算法的一般性。

2、压缩感知的基本模型

压缩感知的基本思想是假定信号在某一表达域内是稀疏的,那么只要通过对该信号进行稀疏变换就能大大降低采样次数而不至于影响到信号恢复的效果。基于这一思想的压缩感知理论大致分为这样三步:稀疏表示、观测采样和信号重构

2.1稀疏表示

很多信号在自然域往往并不具有稀疏特性,要利用其在其它域内的稀疏性才能进行后续压缩重构。稀疏表示正是这样一种变换,即将原始信号映射到变换域内,得到其在变换域内对应的稀疏信号,即大部分元素为零或接近为零的信号。这个过程可表达为式(1)

其中x是原始N维信号,即x=[x1,x2,…,xN]T,Ψ为信号的稀疏基,也称稀疏字典,大小为N×N维。s是变换后的K稀疏信号,其维数仍为N。

2.2观测采样

对可稀疏化的信号进行观测采样的过程可表达为测量模型。如式(2)所示。其中x是上述可稀疏化的N维原信号,Φ为用于采样的观测矩阵,y为观测得到的信号

因信号经稀疏表示后大部分元素已接近为零,只有剩下的少量元素(K-稀疏信号含K个)携带了信号的绝大部分主要信息。因此采样次数可大大降低。可设对信号x只需做M次观测就可获知其主要信息,则Φ为M×N维矩阵,所得测量量y的维度为M×1。易知M<=N。

上述稀疏表示和采样测量过程也可表达成统一的模型为式字:

其中T为M×N传感矩阵。

2.3信号恢复

信号恢复即由测量值y重构出原始信号x的过程。这一过程可描述为式(4):

即要求出0范数最小的信号s,而这一问题常因0范数难以求解而转化为求解使得其1范数最小的信号s。当信号s被求出后就可根据s求出原有的信号x了。

3、车牌图像稀疏度的自适应获取与重构算法介绍

本算法分为两部分,首先利用车牌图像的PSNR测度值作为控制标准获取能够直接反应重构效果的稀疏度,然后可利用获得的稀疏度进行车牌图像的重构。需要说明的是,第二部分的算法流程也可同样作为第一部分试取稀疏度时的子程序进行每一次“单次车牌图像的压缩与重构”的迭代。

3.1稀疏度自适应获取算法

稀疏度自适应获取算法本质是一种“试重构”的方法。即在稀疏度取值的合理范围内选取一系列不同值进行各单次车牌的压缩与重构处理。然后以各单次车牌图像重构的效果为依据,采用重构车牌图像的PSNR作为控制指标控制循环次数,直到获取满足PSNR条件的K值,算法结束。其整体过程可见算法流程图(图1)。

该算法中所使用的PSNR指标反映了重构图像相对于原图像的相似度,即PSNR值越大,重构出的图像越接近于原图,重构的效果越好。这一指标的数学描述为式

其中MSE是原车牌图像和重构后图像之间的均方差。n是灰阶数,此处取n=8,即本文所使用车牌图像的最大灰度值为2n-1=255。

此外,从流程图中可看出,本算法除可自适应获取稀疏度外,也可自适应获得采样率。处理办法与稀疏度的获取类同,可采用运行时间作为控制量。

3.2单次车牌图像的压缩与重构

单次车牌图像的压缩与重构属于上述稀疏度自适应获取算法中最为关键的一个子算法。本文利用压缩感知理论对该子算法进行了构建,过程与第2节描述的相似。即主要使用离散傅里叶变换进行稀疏表示,高斯随机矩阵为观测矩阵,利用正交匹配追踪法(Orthogonal Matching Pursuit,简称OMP)进行车牌的恢复重构。

具体步骤如下所述:

输入:原车牌图像(由其可得到测量信号y),稀疏度K,采样率c

输出:运行时间,PSNR值,重构出的车牌图像

对每一组K,c值,计算下述步骤1)至步骤7):

步骤1):读CPU时间,读入a×b大小的车牌图像XX,并将图像XX重排成长度为N的一维向量x,x=[x1,x2,…,xN]T,N=a×b;

步骤2):对N×N大小的单位阵I进行离散傅里叶变换,得傅里叶正变换矩阵Psi。显然该矩阵满足Psi′=Psi-1,即为满足要求的正交阵;

步骤3):取M×N(其中M=c*N,c为采样率)大小的高斯随机矩阵,令其为Phi。可得到测量信号y,y=Phi*x;

步骤4):由高斯观测矩阵Phi和稀疏表示矩阵Psi可计算得到传感矩阵T,T=Phi*Psi′;

步骤5):输入稀疏度K、传感矩阵T以及测量信号y,利用OMP算法可得到稀疏化的频域向量s的重构近似信号s∧;

步骤6):利用傅里叶反变换得到原时域信号x的重构信号x∧,x∧=Psi′*s∧;并将该重构信号x∧进行重排,变为a×b大小的二维车牌图像重构信号XX1;

步骤7):再次读入CPU时间,与步骤1)中时间相减,得到整个单次车牌图像压缩与重构过程的运行时间;并计算重构车牌图像的PSNR值。

上述步骤中用于稀疏表示的离散傅里叶变换模型如式(6)。需要说明的是,因为车牌图像边长不是2的整数阶,所以无法直接使用小波变换,而使用最简单实用的离散傅里叶变换进行稀疏表示。

算法中观测矩阵Phi为M×N阶,Phi∈RM×N。该矩阵中各元素满足高斯分布,记作N(μ,δ2)。在本文中取μ=0,δ2=1,即标准正态分布。因观测矩阵是随机的,因此能够满足与稀疏表达矩阵不相关的观测条件。

上述步骤6)使用了OMP重构法来进行图像的重构,该方法是重构效果较好、使用较为广泛的一种方法。此处也可换成其它重构法进行实验,但因本文更关注稀疏度的自适应获取,故关于重构法的问题此处不再赘述。

4、实验结果及分析

本文选择了24×104大小的车牌图像进行了实验。采样率分别取为整幅图像大小的0.5、0.6和0.7倍,稀疏度K分别在图像总像素数N的1/16到1/4之间,以每隔N/32的间隔取值迭代。实验在WINDOWS7.0(32位)系统下基于MATLAB 2015a平台进行,设定阈值Threshold1=70s和Threshold2=22,其结果输出为:

重构出的图像示于图2

该重构效果虽不是最理想的,但却是PSNR值和运行时间折中的结果。可以满足实际应用的要求。

为进行对比,当采样率c=0.6固定时,在七种不同稀疏度下的重构效果示于图3。可以发现,当K<=312(即4N/32)时,重构效果会随着值增大而明显变好;但当K>312后,重构效果几乎没有太大波动。

这一现象也可从从图4中看出。图4展示了车牌图像在不同稀疏度下其峰值信噪比PSNR和运行时间随着采样率变化而变化的情况。其中a图显示,在采样率c=0.6处,稀疏度为4N/32时其PSNR在同样采样率的各种稀疏度下已非常接近最高值。结合图b中所显示的当稀疏度K=312(即4N/32)时明显降低的运行时间。充分显示本实验自适应获取的稀疏度综合效果较理想。

总之,从上述实验结果分析可得,采样率越高,运行时间越长,但恢复效果越好,即峰值信噪比越大,失真率越小。但同时,影响运行时间的关键原因主要还是稀疏度,且稀疏度的大小和运行时间几乎成正比。并且,稀疏度越大,重构效果却未必最好。这再一次说明,自适应获取合适稀疏度的算法是非常必要的。

5.结论

本文提出一种基于压缩感知的车牌图像稀疏度自适应重构方法,该方法比同类方法更具有一般性,可以适应图像大小不局限于边长为2的n阶的普通图像。同时,该算法也可自适应获取相应稀疏度下合适的采样率。这在实际应用中,既兼顾了车牌图像的重构效果又考虑了图像压缩恢复的运行时间,可满足实际应用需求。

但为了力求算法的简单适用,本文对稀疏度的循环迭代采用了等步长的方法,这一方法在某种程度上对稀疏度获取的精确性有一定影响。这一缺点将在后续研究中进行改进,以获取更为精确的稀疏度。

参考文献

[1]Candes E J,Romberg J,Tao T.Robust uncertainty principles:exact signal reconstruction from highly incomplete frequency information[J].IEEE Transactions on Information Theory,2006,52(2):489-509.

[2]Donoho D.Compressed sensing[J].IEEE Trans.Information Theory,2006,52(4):1 289—1 306.

[3]Baraniuk,R.G.Compressive Sensing[Lecture Notes][J].Signal Processing Magazine IEEE,2007,24(4):118-121.

[4]Do T T,Gan L,Nguyen N,et al.Sparsity adaptive matching pursuit algorithm for practical compressed sensing[J].Circuits Systems&Computers.conference Record.asilomar Conference on,2008:581-587.

[5]Sun G,Zhou Y,Wang Z,et al.Sparsity adaptive compressive sampling matching pursuit algorithm based on compressive sensing[J].Journal of Computational Information Systems,2012,8(7):2883-2890.

[6]林云,王凯.一种稀疏度自适应正交多匹配追踪重构算法[J].科学技术与工程,2014,14(2):37-40.

[7]张凤珍,赵瑞珍,岑翼刚,等.基于差分的稀疏度自适应重构算法[J].计算机辅助设计与图形学学报,2015(6):1047-1052.

自媒体重构 篇4

1 火灾场景数值重构

发生火灾的自建房南北长15.8 m,东西宽11.4 m,共3层,每层建筑面积180.12 m2,3层总高8.1 m,层高2.7 m。根据火灾发生时的实际情况,对这座居民自建楼进行了FDS建模,模型XYZ方向尺寸为13.4 m×17.8 m×8.4 m。因为建筑有门窗存在,火灾发生情况下有高温烟气流出建筑,同时也有新鲜冷空气流入建筑,为合理计算室内外的质量、动量和能量交换,在建筑的东西南北四个方向以及自建房楼顶各设置1 m的延展计算区域。

1.1 网格划分

在模拟中,由于墙体表面有装修材料等可燃物,而可燃物的厚度一般只有几厘米,因此,网格的尺寸至少与墙体的厚度相当。在单个PC机上,最多可采用的网格数量为100万左右,如果采用0.1 m的网格单元,总的网格数量为233万左右,远大于单个计算机的计算极限。如果采用大于0.1 m的网格,网格单元大于墙体和墙面可燃物的厚度,计算结果不理想。基于以上的综合考虑,笔者采用均匀网格,在LINUX系统上并行运算,网格大小为0.1 m,网格数量为233万。

1.2 火源设置

火灾必定存在一个最初始的点火源,此次火源设置在实际火灾中最先起火的位置,即地下一层的楼梯间处。通过调查文献和对实际情况进行调查,设置的火源面积为0.3 m×0.3 m,热释放速率为0.3 m×0.3 m×300 kW/m2=27 kW,且热释放速率采用恒定值,火灾参数见表1所示。

1.3 可燃物设置

通过现场勘验结果可以看出,起火建筑内的可燃物主要有:楼梯间下面的杂物(主要是废纸箱子),楼梯间、走道以及房间内墙壁上的可燃装修材料,走道和房间内的顶棚吊顶可燃装修材料,房间内的棉被、褥子以及木制桌椅等。

1.4 初始边界条件设置

(1)初始室内的温度设置为环境温度,20 ℃。

(2)初始阶段只能通过左侧的铁门以及铁门上方地上一层楼梯间的通气窗与外界进行质量、能量交换。

(3)建筑物的压力分布均匀,为一个大气压。

(4)整个计算区域内速度为零,忽略外界风速对建筑内流场的影响。

(5)壁面采用无滑移边界条件,即壁面处的切向速度为零。

(6)建筑通过地下一层和地上一层楼梯平台处的门以及门上方的小窗口与外界相通。

(7)玻璃窗在火灾过程中因热应力而破碎,初始状态全部为关闭。

2 数值重构结果分析与讨论

2.1 热释放速率分析

模拟所得到的火灾总的热释放速率随时间的变化曲线,如图1所示。

由图可以看出,在火灾发生的前273 s,火势发展很慢,热释放速率一直维持在很小的值,因而273 s之前为火灾发展的第一个阶段-火灾初起阶段。热释放速率小、火势发展缓慢、明火不易被察觉是该阶段的典型特点,也是火灾扑救和人员逃生的最好时机。而诸多火灾正是在该阶段没有被及时发现、及时扑救,才酿成最后的悲惨结局。很明显,在273 s以后,热释放速率快速增长到一个很大值,300～450 s是火灾的第二个阶段-快速发展阶段。该阶段的特点是:热释放速率的增加速率在整个火灾过程中是最快的,热释放速率从最初很小的值在很短的时间内达到一个很大的值。450～900 s是火灾的第三个阶段-猛烈燃烧阶段,在该阶段热释放速率达到最大值,且热释放速率大小基本稳定,可燃物大量燃烧,室内温度较高。

笔者对“7·19”居民自建房火灾进行了数值重构,并截取了该起火灾中火焰蔓延随时间的变化过程。在273 s及其之前,对应于火灾的初起阶段,该阶段的火势发展很缓慢,火焰只出现在起火点附近,并没有向其他地方蔓延。在247 s时,起火物引燃了地下一层楼梯间的杂物,火焰顺着楼梯向上攀爬蔓延。由于楼梯间和走道的墙壁和顶棚都是用可燃材料装修,在短短的40 s中,火焰已经通过地下一层走道的顶棚蔓延至该层的整个走道。在该蔓延阶段,一部分火焰通过楼梯间向地下一层走道水平蔓延,一部分火焰通过楼梯间在楼梯间内垂直向上蔓延。在335 s左右,火焰通过楼梯间向二层走道蔓延,引燃了一层走道及顶棚的可燃装修材料,火势进一步扩大。在405 s左右,火焰已经充满了地下一层、地上一层、地上二层以及楼梯间整个空间,火势发展到了最大,这与热释放速率在该时刻达到最大值是一致的。

通过对“7·19”居民自建房火灾的火势蔓延过程可以看出,从火势稍大到火焰蔓延至整个楼梯间和走道,时间仅132 s(从273 s至405 s)。该起火灾中,火势发展迅速的原因主要有:火源在楼梯间,而楼梯间又为敞开楼梯间,连接了各个楼层的走道,建筑走道以及楼梯间空间相对狭小,火焰向各方向空间蔓延迅速;楼梯间墙壁、各个走道墙壁以及顶棚都是用可燃材料装修,可以在较短时间内被引燃,更多释放的能量进一步引燃更多的可燃、易燃材料。

2.2 烟气蔓延过程

模拟火灾烟气随时间的蔓延过程可以看出,在火灾发展的初起阶段,火灾烟气产生量小,地下一层走道处只有少量的烟气,火灾不容易被发现。在火灾发生的225 s时,火灾烟气已经在地下一层开始蔓延,烟气生成量稍有增加,并且烟气顺着楼梯间向上运动。火灾发生后的278 s左右,烟气通过楼梯间向上蔓延的同时,有一部分烟气进入了二层走道内。火灾发生后325 s左右,烟气已经蔓延至整个楼梯间和3个楼层的走道,之后烟气密度逐渐增加,烟气层高度随之下降;在该时刻,室内人员可以通过烟气发现火灾,但此时火灾已经由初起阶段向快速发展阶段转变,火势发展迅速。到359 s左右,烟气已基本填充了整个楼梯间和走道,浓密的烟气会降低室内的能见度,影响人员逃生。

2.3 走道壁面燃烧痕迹

火灾发生后,壁面通常会留下大量的燃烧痕迹和烟熏痕迹。火灾痕迹显示着火灾的发生和发展情况,是火灾调查中最重要的物证之一。在火灾调查的开始阶段,相关调查人员可以通过观察和检测建筑物内部和外部各种墙壁、顶棚等固体表面的烧损痕迹和烟熏痕迹来判定起火部位和火灾蔓延方向。通常认为,靠近火源或者更接近火焰部分一侧的可燃物燃烧和炭化程度更严重,烟熏痕迹也更明显;而远离火源的部分燃烧程度相对较低,烟熏痕迹颜色稍淡。

“7·19”火灾中,楼梯间、走道以及房间内的壁面和顶棚都用可燃材料装修,在火灾过程中,这些可燃装修材料大面积燃烧,导致该起火灾中火灾载荷大,火灾热释放速率大,建筑内温度高,烟气生成量大,能见度低。通过FDS模拟可以看出,在273 s之前,走道墙壁内的燃烧痕迹不明显,只有地下一层的1号和2号房间门框上部有少量的燃烧痕迹。随着火灾的发展,到284 s左右时,地下一层1号房间门上方的燃烧痕迹逐渐增加,而地下一层3号房间的门上方也出现微量的燃烧痕迹。随着可燃物的大量燃烧和火灾的进一步发展,壁面可燃装修材料热解和燃烧的速度增大,燃烧痕迹形成速度加快,痕迹面积变大。在火灾发生后的313 s,地上一层的1号和2号房间门上方也出现了燃烧痕迹,地下一层1号房间门上方的燃烧痕迹以门为中心向两侧扩散,而地下一层1号房间门右侧的燃烧痕迹呈现出左侧低右侧高的斜坡形状。火灾发生后的440 s左右,地下一层的走道墙壁上已经有将近一半的装修材料被烧毁,而地上一层1号房间门上方也形成了大面积的燃烧痕迹。火灾发生后的10 min左右,地下一层和地上一层走道的墙壁表面装修材料已经烧损一半左右,地上二层的走道墙壁也出现了部分烧损。

模拟结果和实际火灾中的燃烧痕迹形成过程是一致的,这也正是火灾调查人员把燃烧、炭化、烟熏痕迹作为最重要的物证,并利用这些物证来判定火蔓延方向、起火部位、起火位置以及判定是否为放火案的依据。

3 小 结

通过对乌鲁木齐“7·19”居民自建房火灾进行建模,恢复火灾现场实际情况,并进行了网格划分和初始边界条件的设定,对该起火灾进行了数值重构。

在火灾发生的273 s之前,只有楼梯间下方的纸箱子等可燃物在燃烧,火势发展缓慢,而在225 s时,地下一层和地上一层的走道内可以明显看到有黑色烟气蔓延。在273 s以后,火势开始由地下一层楼梯间下方沿着楼梯向地下一层走道蔓延,火灾进入快速发展阶段,到413 s时,火势已经蔓延至地上二层的走道内。可见,该起火灾火势发展相当迅猛,从273～405 s,短短的132 s内火势已经从地下一层蔓延至了地上二层,而火灾又发生在人们午休时候,在看到烟气发现火灾时,火势已经进入快速发展阶段。一方面烟气产生量多、能见度低,易导致人员恐慌,影响人员逃生;另一方面,走道和楼梯间墙壁、顶棚都采用可燃材料装修,导致走道和楼梯间的墙壁和顶棚均猛烈燃烧,温度高,封堵了主要的疏散通道,这也说明了该起火灾短时间内造成如此重大人员伤亡的原因。

通过对燃料质量损失率的计算,得到了壁面的烧损痕迹,数值模拟的可燃物烧损痕迹与实际火灾调查的结果相符合,说明模拟的有效性,也说明火灾动力学模拟软件FDS可以有效地模拟火灾中壁面材料的烧损,再现建筑内可燃材料的烧损过程,为实际火灾调查提供有用的信息,帮助火灾调查人员判定起火部位、起火点以及火灾蔓延方向等。

摘要：采用大涡模拟技术对“7.19”乌鲁木齐市重大火灾事故进行数值重构。根据火灾事故的调查结果报告,建立与物理模型并进行网格划分和初始边界条件设定,在Linux系统下再现火灾发展的三个阶段以及烟气蔓延过程,分析此次火灾在短时间内造成大量人员伤亡的原因。通过对可燃物质量损失的计算模拟壁面装修材料的烧损痕迹图,推断起火点位置、火势蔓延方向,帮助火灾调查人员快速确定起火部位。

自媒体重构 篇5

压缩感知重构算法是压缩感知理论研究三大核心技术之一, 如何从低维的采样信号中重构原始的高维信号是其研究难点和目的。目前压缩感知重构算法[4]主要有三大类:凸优化算法, 组合算法和贪婪匹配追踪算法等, 其中由于贪婪匹配追踪算法结构简单, 计算量少, 最受重视, 应用最为广泛。目前贪婪匹配追踪算法研究成果丰富, 以正交匹配追踪算法 (orthogonal matching pursuit, OMP) [5]为代表, 还包括针对OMP算法的一系列改进算法, 主要有广义正交匹配追踪算法 (generalized OMP, GOMP) [6], 子空间追踪算法 (subspace pursuit, SP) [7], 正则化匹配算法 (regularized OMP, ROMP) [8], 稀疏自适应匹配追踪算法 (sparse adaptive MP, SAMP) [9]及其相关改进算法等[10]。但是上述算法大部分需要信号稀疏度作为先验信息, 然而实际中通常是不知道信号的稀疏度情况, 这无疑大大限制其实际的应用。现在广义正交匹配追踪算法基础上结合稀疏自适应匹配思想提出了一种稀疏度自适应正交多匹配追踪重构算法, 理论分析和实验仿真表明, 该算法具有良好重构性能和较小的计算开销, 是一种可行的压缩感知重构算法。

1压缩感知理论

压缩感知理论认为, 只要信号是稀疏的或者可压缩的, 就能够从少量的测量值中以极高的概率重构原来的信号［4］。压缩感知在获取信号的同时, 也对数据进行压缩, 用少量的采样值就已经得到信号足够有效的信息。

首先给出k-稀疏信号的定义: 如果信号x只有k个非零值或者这k个值的绝对值远远大于其他值的绝对值则称信号x是k-稀疏的。

设x = [x ( 1) , x ( 2) , x ( 3) , …, x ( N) ]T表示一维离散信号组成长度为N的原始列向量。那么用一个测量矩阵 ΦM × N ( M < < N ) 去观测信号x即满足y = Φx, 称y是M维测量信号。这里可以理解成把测量矩阵 Φ 的每一行当一个传感器去获取信号一部分信息。由于y ∈ RM, 且M < < N, 这些少量的测量值包含了信号足够的信息, 可知N维的原始信号x在采样过程中被压缩成M维观测值y, 数据量明显减少, 可设法解方程从y中恢复信号x。通常采用如下模型求解:

考虑到实际中允许一定的误差, 可将其转化为一个较简单的近似模型求解, 其中 η 是一个极小的常量

这是一个欠定方程, 即方程的个数远小于未知数, 方程有无穷多解, 需要穷举稀疏系数非零值中所有CNk种排列可能, 无法直接求解。当前间接求解这类问题的方法很多, 其中匹配追踪重构算法因为结构简单易于实现, 计算量小且重构性能较好而备受重视, 应用最为广泛。

2自适应正交多匹配追踪算法

文献[5]提出正交匹配算法 ( OMP) 是贪婪迭代从测量矩阵选取与当前信号残差相关性最大的原子, 对所有满足RIP特性［4］的矩阵和信号都可以精确重构, 但是当原始信号长度很大时, 正交匹配算法每次选取一个原子策略就显得力不从心, 效率低下, 需要非常多的迭代次数选取原子, 无疑导致重构时间大大增长, 难以忍受, 同时它需要信号的稀疏度作为先验信息, 这极大限制了正交匹配重构算法实际应用。而文献[6]提出的广义正交多匹配算法 ( GOMP) 在每次迭代时, 选取测量矩阵与当前信号残差相关性最大的s个原子, 可见相对于每次选取一个原子, 广义正交多匹配算法有更高的重构效率, 优势显著。其算法步骤如下:

输入: M维测量向量y, M × N测量矩阵 Φ, 信号的稀疏度k; 每次选择的原子数S;

输出: 信号x的k稀疏逼近^x;

初始化: 残差r0= y, 支撑集 Λ0= φ , 迭代次数t = 1;

循环执行以下步骤:

( 1) 计算| ΦTrt －1| , 取最大的S个值对应的下标存入集J中, 更新支撑集 Λt= Λt －1∪ J;

( 2) 由最小二乘计算^xt= argmin ‖y - ΦΛtx‖2及残差r = y - ΦΛtxt

( 3) t = t + 1, 如果t < k, 返回步骤 ( 1) ;

但该算法也需要原始信号的稀疏度作为先验信息, 同样实际应用也受到极大限制。稀疏自适应匹配算法 ( SAMP) ［9］很好地解决了未知稀疏度信号重构问题, 它不需要信号稀疏度作为先验信息而通过分阶段逐步扩大步长, 逼近信号真实稀疏度实现对信号精确重构。基于GOMP算法和SAMP的显著优势, 故在广义正交匹配算法 ( GOMP) 基础上结合稀疏自适应思想提出了自适应正交多匹配追踪算法。 且文献[10]研究表明, 当支撑集大小未达到信号稀疏度时, 相邻阶段信号的能量差最初下降很快, 随后下降幅度趋缓, 最后稳定在很小范围内, 表明信号能量趋于平稳, 据此作为迭代终止条件。

算法的主要步骤如下:

输入: M维测量向量y, M × N测量矩阵 Φ;

输出: 信号x的k稀疏逼近x ;

初始化: 残差r0= y, 支撑集 Λ0= φ, J = φ, 支撑集大小L = step, 阶段t = 1;

循环执行以下步骤:

(1) 计算取最大的L个值对应的下标存入集合J中, 更新支撑集Λt=Λt-1∪J。

(2) 由最小二乘计

(3) 若则转至步骤 (4) , 否则转至步骤 (5) 。

(4) 若则终止迭代, 退出循环, 否则转至步骤 (8) 。

(5) 若‖r‖2≥‖rt-1‖2, 则执行步骤 (6) , 否则, 执行步骤 (7) 。

(6) 进入下一阶段, 使支撑集大小L=L+step, t=t+1。

(7) 更新索引集Λt=Λ;更新残差rt=r, t=t+1。

( 8) 进入下一阶段, 改变步长step = 0. 5step, 索引集大小L = L + step, t = t + 1。

在步骤 ( 3) 中的参数 ε1和步骤 ( 4) 中的参数 ε2用于控制改变步长大小的选择和迭代终止条件, 且 ε1< ε2。根据相邻阶段能量差采用双重阀值控制步长大小, “以大步长快速接近, 小步长逐次逼近”, 当相邻阶段能量差接近阀值 ε1时, 说明了可以采用大步长快速接近重构信号, 极大提高重构速度; 而当相邻阶段能量差接近阀值 ε2时, 说明应该选取小步长去逐渐逼近重构信号, 这样可以很好精确重构原始信号, 获得较高的精确度。这种采用变步长的思想很好兼顾了重构效率和重构精度, 有明显的优势。 整个算法的计算量主要集中步骤 ( 2) 最小二乘求解上, 虽然变步长等有额外的计算开销, 但这种开销相对较小, 由于采用“以大步长快速接近, 小步长逐次逼近”, 算法效率和精度都好于OMP等算法, 且本算法最大的优势之一就是自适应处理, 不需要信号的稀疏度作为先验信息, 具有更好的实用性。

3实验仿真

3. 1一维信号重构仿真

为了验证提出的算法有效性, 需通过MATLAB R2010仿真软件进行了实验仿真。实验中, 一维信号采用高斯稀疏信号, 首先生成一个长度N = 256, 稀疏度k = 26的高斯稀疏信号, 这26个元素为独立分布零均值单位方差的高斯随机变量, 它们随机分布在长度为256个点上, 其他元素为零。测量矩阵为M × N的高斯随机矩阵, 其中M = 128, N = 256, 每个元素为独立分布零均值单位方差的高斯随机变量。重建效果如图1所示。

从图1中可以直观看出本文算法对一维信号有很好的重构效果, 误差很小。为了进一步说明该算法的重构性能, 实验比较了OMP, ROMP, GOMP, SP及本文算法等重构性能。实验中, 稀疏度k取不同的值, 其他参数设置与以上相同, 信号正确重构定义为重构信号x与原始x信号的k个非零元素对应位置相同且误差小于某个阀值, 这里取10－ 14。对于不同k值, 每个算法运行500次计算平均重构成功率并进行比较如图2所示。

从图2可以看出, ROMP算法在k = 20开始出现重构失败, SP, GOMP等算法在稀疏度k = 65处重构成功率已经相当低, 而本文提出的算法在k > 50才开始出现重构失败, 而其他算法此时的重构成功率下降很厉害, 并且在k > 65本文算法还是有很大概率能精确重构信号。

3. 2图像重构仿真

实验采用大小为256 × 256的lena图像作为测试图像, 为了便于测量矩阵的设计, 对lena图像进行分块处理, 即将256 × 256的lena图像分成256个16 × 16的图像块, 利用离散余弦变换对图像块进行稀疏处理并排成列生成列信号, 这样也便于后续相关处理。利用该方法预处理后, 每个图像块变成为大小为256的列向量, 测量矩阵采用M × N的高斯随机矩阵, 其中M = 128, N = 256即采样率M/N = 0. 5。实验中步长取4, 图3直观地列出了采样率M / N = 0. 5时, 256 × 256的lena图像采用不同重构算法时的重构效果, 由图3可以明显看出本文算法的图像重构效果比其他算法重构的效果好。

为了进一步客观比较算法重构效果, 表1列出了采样率为M/N = 0. 5时, 256 × 256的lena图像采用OMP、ROMP、GOMP、SP及本文算法时的峰值信噪比 ( PSNR) , 运行时间等性能指标。可以看出, 采用本文算法的重构图像PSNR最高, 说明重构效果最好, 而且算法运行时间也较短。由于OMP等算法需要信号稀疏度作为先验信息, 需要对稀疏度进行估计, 估计过大或过小都会引起重构质量大打折扣, 而本文算法能自适应地根据相邻阶段重构信号的能量差调节步长选取, 逐渐扩大支撑集, 实现信号精确重构。

4结论

在GOMP算法基础上结合SAMP算法自适应思想, 针对稀疏度未知信号提出了一种改进的自适应适应正交多匹配算法, 能够对信号实现精确重构。 该算法利用相邻阶段重构信号的能量差控制步长转换, 在初始阶段利用大的步长快速接近, 提高重构速度, 后续阶段小步长逼近信号真实稀疏度, 最终实现对信号的精确重构。理论和仿真实验表明, 本算法在主观效果和客观数据上能实现对未知信号的较好重构, 且重构效率和质量也较优于同类算法, 是一种可行较好的重构算法。

摘要：压缩感知理论是一种利用信号稀疏性或可压缩性对信号进行采样同时压缩的新颖的信号采样理论。针对稀疏度未知信号重构问题, 提出了一种稀疏度自适应正交多匹配追踪重构算法。该算法在广义正交匹配算法 (generalized orthogonal multi matching pursuit, GOMP) 基础上结合稀疏自适应思想。根据相邻阶段信号能量差自适应调整当前步长大小选取支撑集的原子个数, 先大步接近, 后小步逼近信号真实稀疏度, 从而实现对信号精确重构。实验仿真结果表明, 该算法能有效精确重构信号。具有良好的重构性能和较高的重构效率。

关键词：压缩感知,稀疏性,匹配追踪,重构算法,正交匹配,自适应

参考文献

[1] Candès E J.Compressive sampling.Proceedings on the International Congress of Mathematicians:Madrid, August 22—30, 2006:invited lectures, 2006:1433—1452

[2] Candès E J, Romberg J, Tao T.Robust uncertainty principles:Exact signal reconstruction from highly incomplete frequency information.IEEE Transactions on Information Theory, 2006;52 (2) :489—509

[3] Candes E, Romberg, Tao T.Stable signal recovery from incomplete and inaccurate measurements.Communications on Pure and Applied Mathematics, 2006;59 (8) :1207—1223

[4] 石光明, 刘丹华, 高大化, 等.压缩感知理论及其研究进展.电子学报, 2009;37 (5) :1070—1081

[5] Tropp J, Gilbert A.Signal recovery from random measurements via orthogonal matching pursuit.IEEE Transactions on Information Theory, 2007;53 (12) :4655—4666

[6] Wang J, Kwon S, Shim B.Generalized Orthogonal Matching Pursuit.IEEE Transactions on Signal Processing, 2012;60:6202—6216

[8] Dai W, Milenkovic O.Subspace pursuit for compressive sensing signal reconstruction.IEEE Transactions on Information Theory, 2009;55 (5) :2230—2249

[9] Needell D, Vershynin R.Uniform uncertainty principle and signal recovery via regularized orthogonal matching pursuit.Foundations of Computational Mathematics, 2009, 9 (3) :317—334

[10] Do T T, Gan L, Nguyen N, et al.Sparsity adaptive matching pursuit algorithm for practical compressed sensing.2008 42nd Asilomar Conference on Signals, Systems and Computers, IEEE, 2008:581 —587

自媒体重构 篇6

关键词：“功夫”,男子气质,刻板印象

成龙曾经如此评价李小龙:“李小龙是香港电影史无前例的头号明星。生前是一座丰碑, 逝后是一个传奇。”[1]“李小龙”是华人电影的精神丰碑, 也是“功夫”世界的传奇英雄。客观地说, 李小龙电影的成就不在于剧情的严谨, 或者电影本身制作的精良;而在于他为之后香港电影特别是功夫武侠电影在世界范围的传播立下了汗马功劳。李小龙以其华丽功夫, 在国际影片上掀起了强劲的功夫旋风。在李小龙之后, 许多外文词典里都出现了一个新词:“功夫” (kung fu) 。更重要的是, 李小龙的电影以犀利充满力度的拳脚, 充满肌肉力量的阳刚身材颠覆了西方关于华人男性阴柔化的刻板印象, 使世界见识“功夫”, 认识华人男性的伟岸气质, 通过银幕内外的自塑形象改写好莱坞为代表的西方世界对现代中国、功夫中国的认识想象。

一、阴柔型的“被阉割”男性—李小龙之前好莱坞对华人男性形象的塑造

在近百年来好莱坞建构华人形象的漫长历程中, 华人男性或者被塑造为变态的、与白人世界为敌的“撒旦”;或者被塑造成和善的、对白人社会不具有威胁性的“家臣”[2]。“傅满楚”和“陈查理”分别代表了这两个典型。

傅满楚 (也翻译成“傅满洲”) , 出自英国作家萨克斯·罗默 (Sax Rohmer) 1913年首发的一系列以华人为假想敌的邪恶博士。这个“长着莎士比亚额头和撒旦的脸、集东方民族所有的残忍与一身的华人形象”[3]很快被搬上了好莱坞银幕, 成为好莱坞“种族之恨” (racist hate) 想象的典型代表。

陈查理是出自于美国作家厄尔·比格斯 (Earl Derr Bigge rs) 1925年首发的一系列小说中的华人侦探。比格斯“以同情的眼光, 塑造一个代表法律和正义的、温和的中国人”[4], 这位在比格斯小说中颇受欢迎的华人侦探被好莱坞搬上了银幕。陈查理作为对傅满楚形象的反面, 成为了李小龙之前美国公众心目中最为典型的华人形象之一, 代表了好莱坞对华人的“种族主义之爱” (racist love) 。

不管是代表邪恶威胁的傅满楚, 还是代表友善智慧的陈查理, 这两位李小龙之前最具代表性的华人男子形象, 共同贴上了当时好莱坞想象华人的标签——缺乏男性气概、“非性化”。冷酷的傅满楚留着大辫子和长指甲的形象, 在美国人看来充满了女性化的特质, 伴随着傅满楚经常性地对白人男性的抚摸动作, 暗示了华人男性的同性恋倾向;而肥胖、憨态可掬被刻意剥夺性欲本能的陈查理, 对于白人女性同样缺乏男性的性吸引力。和东方女子经常扮演的性诱惑的角色不同, 华人男子扮演的是“性威胁”与“性无能”的角色。“女性化”的华人男性形象一度在好莱坞泛化成为美国公众想象华人男性的刻板印象。这种刻板印象造成了全社会对华人男性的偏见与误解, 另一方面, 也成为华人明星在好莱坞银幕的极大束缚。

二、“中华大丈夫”—李小龙对好莱坞华人刻板印象的反叛与颠覆

与同时期以全球华人作为主要观众群体的邵氏功夫电影不同, 李小龙的电影在观众群的定位之中, 很明确地包含了非华裔观众群体的成分。邵氏只是借鉴了好莱坞的先进技术和经营模式, 虽然在张彻等人的影片中也开始引入了好莱坞的叙事模式, 但是邵氏的核心文化理念仍聚焦于传统中国, 迎合的主要是港澳台、东南亚、美加等离散华人的审美趣味。邵氏的几大导演——胡金铨、张彻、楚原、刘家良等更多的是依托自身深厚的中华传统文化积淀来建构电影中的大中华想象。对于李小龙就不同了, 好莱坞是他直接面对的挑战, “拍给好莱坞看”——成为李小龙电影自觉不自觉的情感倾向。

李小龙的个人经历与大洋彼岸的另一个国度密切相关。李小龙1940年11月27日出生在美国旧金山三藩市, 李小龙的本名“李振藩”便源自这个美国华人聚集的城市。美国是李小龙接受高等教育的地方, 同时也是影响李小龙一生的重要区域。1965年, 李小龙成为20世纪福克斯公司的签约演员, 这也标志着李小龙正式进入好莱坞的影视界。在1966年投入制作并开播的电视剧集《青蜂侠》, 李小龙饰演男二号加藤, 这个角色为李小龙在美国打响了一定的知名度, 但他在好莱坞始终得不到重用。在20世纪六七十年代的好莱坞, 当时好莱坞银幕上充斥着对华人的偏见, 华人演员根本无法在好莱坞银幕上获得重要的角色。一些好莱坞经典的华人形象, 如“傅满楚”、“陈查理”、《大地》的女主角“阿兰”都是由白人化妆扮演。

在美国的生活经历, 更让李小龙深刻地认识到好莱坞对华人的偏见:“男性华人在美国大众文化表述中缺乏男性的魅力, 没有潇洒的外表, 没有令人赞叹的男子汉气概, 而是懦弱、无能、消极, 不是具有同性恋倾向, 就是没有情欲本能, 使得华人原本应该具有的男性性别角色受到了质疑。”[5]

正如同在李小龙的传记式影片《李小龙传》 (Dragon:The Bruce Le e Story, 1993) 中所表现的:“他极其憎恨美国主流文化对亚洲和亚裔美国男人的表现。他决意要与爱德华·G·罗宾逊、约翰·韦恩、马龙·白兰度、詹姆斯·迪恩及克林特·伊斯特伍德等大牌明星所饰演和代表的硬汉形象一决高低。”[6]

打破好莱坞言说华人的话语霸权, 借助电影重建华人尊严、向全世界展示华人男性的“大丈夫”气概, 成为李小龙作品的重要主题。

(一) “阳刚肌肉男”一扫华人男性阴柔化的颓风

李小龙在电影中, 令人印象最深刻的除了他华丽凌厉的拳脚功夫之外, 那便是他强壮健美的男性身体。袒胸赤膊露出强健的肌肉、时刻准备出击的李小龙形象经常出现在书、DVD的封面以及影迷网站的页面上, 成为李小龙的标志形象。

李小龙再三在银幕上展示健美肌肉分明的肌体, 其目的很明显是对好莱坞华人男性刻板印象的宣战。通过展示自己肌肉强健的肌体, 来展示符合好莱坞审美观念的“男性气概”。

英文中的男性气概/男性气质表述为masculinnity。这是以肌肉muscle为词根发展出来的单词。从英语中的构词法便可以显示西方对于男性气概的表述是建立在充满肌肉力量的强健体魄之上的。2006年, 美国国家广播公司 (NBC) 评选出了影视界十大铁血男演员, 梅尔·吉布森、罗伯特·德尼罗、史泰龙、阿诺·施瓦辛格等人并列成为美国人心目中的阳刚型铁血男性的代表。这些男性性格不同, 所塑造的形象更是千姿百态, 但却共同具有强健的肌肉和发达的运动神经, 代表了美国人对男性气质最直接的认同与想象。李小龙也位列其中, 成为美国人所追捧的铁血硬汉代表之一。

在中国文化语境中, 袒胸赤膊以暴露肌肉力量并非是表露华人男性气质的最佳途径。而美国人所推崇的“肌肉男”很显然也不符合中华传统文明中女性对玉树临风翩翩佳公子的审美想象。直到20世纪六七十年代, 受到当时西方“健美”热潮在香港传播的影响, 邵氏的张彻、刘家良电影中才大规模地出现光着上身的“肌肉男”形象。早在邵氏成功打入好莱坞的功夫电影《天下第一拳》中, 男主人公罗烈便是一个坦胸露肌肉的复仇者形象。邵氏银幕“肌肉男”的出现立足于对中国阳刚传统的恢复和实现作品转型的需要——从黄梅戏转向功夫武侠片, 从女星为主打转向以男星为导向, 从重视阴柔美感到凸显阳刚力量。

不同于张彻、刘家良等人展示男性身体的目的恢回复中国的阳刚传统以修正自身审美倾向的需要。李小龙展示身体很明显是为了“脱”给好莱坞看, 通过有意识地展示自己的身体来反击好莱坞对华人男性的偏见。借助西方对“肌肉阳刚型”男性气概的认同来重建华人男子的尊严。

英国学者裴开瑞是这样评价李小龙展示身体的政治意义:“李小龙将自己的身体作为赢得国家之间和种族之间斗争的武器进行展示, 在很大程度上被认为是中国、亚洲或者第三世界受压迫者的胜利……”[7]这种胜利的前提主要是建立在对美国现代男性承认的前提之下。正如学者裴开瑞所言:“如果李小龙的明星形象印证了华人男子在国际竞争的舞台上获取胜利的能力, 那么, 他也同时印证了华人男子对现代美国男性气质的承认。”[8]或者我们从另一个角度来解读“对现代美国男性气质的承认”——利用好莱坞原有的话语模式, 利用好莱坞原有的中国形象为蓝本, 加以“反写”和“颠覆”, 从而反作用于“好莱坞中国形象”。

笔者认为有意识地对好莱坞中国形象加以利用和改编, 当属从李小龙开始的。李小龙将自己的身体当成反对好莱坞种族歧视的工具, 李小龙将体魄问题提升到民族尊严的高度, 将躯体与个人命运及民族荣誉联系起来, 通过画面强有力地回击了好莱坞对华人男性懦弱无能的偏见, 同时也重建了中华民族阳刚自信心!

(二) 现代气质的个人英雄

李小龙所塑造的“中华大丈夫”形象, 既是对中国传统文明的继承, 同时为自身塑造的华人形象注入了部分的美国现代精神。

电影中的李小龙虽然身怀绝技, 但从来不会主动出手。在《唐山大兄》中, 李小龙饰演的郑朝安离家前, 母亲千叮万嘱不能轻易动武, 并赠送了玉佩以提醒他克制和忍让。每次李小龙动手之前, 影片都要极力铺陈恶势力对影片主人公及其亲人同伴的欺凌。然后才忍无可忍的爆发。“压迫——忍耐——忍无可忍”的情节模式在李小龙的电影中得到了多次重复。这是极为“中国化”的叙述方式。“战”与“不战”——中华文明的悖论:一方面不推崇暴力, 另一方面, 在汉字“武”的构成中便隐含了“止戈为武”——通过暴力来争取正义、实现和平、维护尊严。李小龙“忍无可忍才被迫出手”的武打模式, 绝不主动挑衅, 更不是单纯的炫耀武力, 而是为正义和公平而使用暴力的方式, 继承了中华文明对“武者”的“武德”的想象。

另一方面, 李小龙将以邵氏为代表的表现古代中国的侠客形象, 替换成了真正具有现代意义的中国现代英雄形象。这不仅仅体现在李小龙电影发生的背景一律都是现代社会 (《精武门》的民国背景已经是李小龙作品故事背景的时间上限) 。而同时他为人物所注入更多的是现代精神。

正如在《李小龙电影的美学特色与工业机制》一文中所指出的:“李小龙影片所塑造的经典英雄形象到现在仍被广泛追捧, 甚至香港本土动作片的拍摄至今依然以李小龙电影为衡量标准。最为主要的原因是李小龙不但完成了香港武侠片中经典英雄形象的成功转型, 同时成功改变了香港武侠电影中主体人物形象所传达出的精神内涵。”[9]

李小龙之前的香港武侠电影中的英雄形象是历史的, 他们身上承载得更多的是“家”、“国”、“天下”的重责大任。在20世纪五十年代一系列关德兴主演的黄飞鸿电影中, “黄飞鸿”就是这样一位凝聚传统中华人文理想的道德楷模。邵氏代表导演胡金铨影片中的剑客何尝也不是中国传统人格理想的艺术化身。张彻的电影主人公是李小龙之前, 最具现代意义的现代“反英雄”形象。因为张彻更多地是狂、傲、血腥、残忍之态来实现反抗。张彻笔下的“反英雄”常常无视中国文化传统儒、道、崇尚和平、温和谦厚的主流戒律, 不受礼教体制约束地快意恩仇, 表现出追求个性解放和自由的精神, 侧重新时代的个性解放。

李小龙在表现个人英雄主义、张扬个性色彩方面, 倒是与张彻有着某些方面的共同之处。在李小龙的所有电影中, 基本上都是李小龙一人孤军奋战, 极力凸显李小龙的个人色彩, 颇具有好莱坞式“孤胆英雄”的气魄。伊冯·塔斯克尔 (Yvonne Tas ke r) 在她的关于中国武侠动作电影中的种族和男性气质的论文如此评价华人英雄与好莱坞英雄文化属性上的差别:“华人英雄常常为了群体、并且作为群体的一分子而战斗, 但是, 在美国的文化传统中, 英雄已经变成一个越来越孤立的形象 (孤胆英雄) 。”[10]在这里, 重视个体力量的彰显本身便是美国现代性的重要命题。在胡金铨等人的作品中, 侠客往往是以群体的形式来实现力量的展示。在李小龙的电影中, 孤胆英雄更吻合的是西方的文化传统。导演张彻如此评价李小龙的电影:“李小龙拍片如此少而影响如此巨大, 他究竟好在哪里?这似乎是一句多余的话, 尽人皆知他的‘功夫’好。但我以为他的功夫当然好, 却不是如此简单, 只凭‘功夫’好是不能有如此巨大的成就的。我以为, 他的长处是把中国传统和现代结合!……而他本身亦充溢着现代气质。”[11]

与张彻执着于个人恩仇不同, 李小龙在凸显个人英雄主义的同时, 传承了中国传统武侠打抱不平、惩恶扬善的主题, 而且以个人行为来捍卫家国安全和民族尊严。李小龙在荧幕上的个人表现, 却很容易被华人观众解读成是代表了整个中华民族抵御外敌的胜利。“故而不论李小龙怎样描写个人行为, 都会被看成是民族的象征:这个人的胜与败, 便是民族的胜与败。……也正因如此, 李小龙才会成为华人世界的一种精神偶像与精神象征”[12]。以在20世纪六十年代末, 全球范围兴起的民族运动和反帝国主义运动为背景, 他的作品中洋溢着浓重的民族主义精神、反抗强权精神, 使李小龙成为了全世界被压迫者所共同推崇的中华大丈夫。

美国学者袁书在《美国语境中的功夫片读解:从李小龙到成龙》一文中援引赵春平的观念指出李小龙的影片串联中国被西方列强和日本屡次打败并饱经欺辱的历史记忆, 用暴力反抗的形式帮助离散华人在“共产党领导的中国大陆以外重构自己的文化身份”这就是“李小龙电影中的民族主义和反殖民主义在曾为殖民地的国度和民族聚居地轻而易举地找到了自己的观众”[13]的原因。

在观影过程中, 李小龙电影所表现出的以中华武术精神为核心的具有追求和平、捍卫正义、提倡忍耐和自制的“普世价值”, 也以一种春雨润无声的形式融入到西方公众的观影体验中。在某种程度上无形间松动了这些国家根深蒂固对华人的偏见——他以其勇武功夫和华丽影像征服世界, 实践他在《精武门》中所说的“中国人不是东亚病夫”的华人当自强的民族宣言。

三、从“误读”走向另一种“误读”—传播过程的接受与误读

李小龙以凌厉的姿态、鲜明而阳刚的形象, 以及强大的票房号召力强迫好莱坞正视现代中国, 阳刚的中国和勇于抗争的中国。李小龙在世界范围内掀起了中国功夫热, 堪称20世纪的文化奇观。他是第一个令好莱坞不得不刮目相看的华人巨星。为此, 好莱坞不得不局部修正自身对华人男性的偏见。李小龙之后, 好莱坞的荧幕中华人男性不再局限于傅满洲似的邪恶变态, 也不再局限于“陈查理”似的无害无进攻性的“白人家奴”, 更不再是只能从事洗衣、做饭的梳辫子的异类。李小龙以其阳刚气质和华丽的拳脚功夫为华人自塑形象争取了更为广阔的表演空间。正如美国学者袁书表示:“李小龙以自己的拳脚代表了某种民族主义, 并使自己的身躯衍化成民族主义的电影表达。他彻底改造了亚洲男人的形象, 并赋予它政治和文化意义, 使自己的影片成为对亚裔美国人政治与文化的一种表达。”[14]“彻底改造了亚洲男人的形象”——笔者对这一观点并不能完全地同意, 但是无可否认, 李小龙改变了世界对中国, 特别是华人男子的认知, 为亚洲男性树立起更阳刚和伟岸的姿态。

“如果没有李小龙, 就不会有人听说过成龙。”[15]正是在李小龙之后, 越来越多的以功夫为重要元素的香港电影开始在世界范围内得到青睐。在好莱坞更是如此。以至于“功夫”成为好莱坞想象中国最重要的核心元素之一。

李小龙塑造了一位神化的中国大丈夫形象, 改变了好莱坞对华人男性缺乏阳刚气概的刻板偏见。“通过借鉴现代的美国男性气质的元素, 李小龙给‘武’带来了新的活力, 在抛弃旧式华人男性气质的许多落后因素的同时, 产生了新的力量。”[16]好莱坞通过李小龙自塑华人形象修正某些误读的时候, 产生了新的“误读”。

以李小龙为代表的香港功夫电影所引领的“功夫旋风”, 令好莱坞产生了新一轮的东方想象。这种东方想象建立在法制无法伸张的华人世界, 华人坏蛋和英雄全部以“功夫”来一决高下。正义伸张与否, 并非取决于法律的运作结果, 而是取决于武力的高低。换句话说, 李小龙电影中的个人英雄主义倾向, 好莱坞将之解读成为华人世界法纪的缺失;而李小龙电影中惩恶扬善的道德主题, 则掩盖在他华丽的拳脚功夫之下。斯图尔特·卡明斯基 (Stuart Kaminsky) 在《作为贫民窟神话的功夫片》一文认为:“李小龙的电影并没有显现出日本武士片或美国西部片那样的常见善恶感, 而是宣扬暴力、复仇和毁灭”[17]。在华人观众眼中, 李小龙惩恶扬善、反抗压迫的侠义行为正是李小龙魅力之所在。这一行为却被视为没有“善恶感”的“宣扬暴力、复仇和毁灭”。卡明斯基站在美国中产阶级的立场根据的分析, 的确是代表了一部分美国公众对李小龙电影的误读。

除此之外, 李小龙从中华传统伦理和审美倾向出发所设定的不好女色的男子形象, 被好莱坞解释成为了“另类的阉割”。与美国人所欣赏的风流成性的邦德不同, 李小龙对女性角色总是抱着疏离而冷漠的态度。在中国, “好色”是英雄侠士的大忌, 却往往成为阴险小人的标签, 特别是对于一名武者而言, 沉迷于“性”便是对自身武德的玷污。好莱坞电影从来就不会把男子在性和情欲方面的节制当成好事来正面歌颂。对于美国学者詹·雅金森而言, 李小龙令人失望地“塑造了西方文化替亚洲男子建构的无性欲角色, 并且从来没有和片中的女性角色过过夜——这在詹姆斯·邦德影片中是不可思议的”。[18]

此外, 李小龙在影片中所表现出不怕痛, 战无不胜的非凡超人力量, 再加上他在事业辉煌时期的突然逝世, 影像的传奇加上现实的扼腕使之成为了世界影坛的神话。不少学者就直接以“神话英雄”来定位李小龙[19]。“神话英雄”固然是对李小龙传奇色彩的肯定, 另一方面暗示了李小龙作品中“人性”的缺失。实际上李小龙在电影中已经有意无意地意识到这点, 因此他也在影片中刻意设计了一些来突显影片主人公作为普通人的一面, 例如在《猛龙过江》中, 李小龙在意大利餐馆中不懂得意大利文胡乱点菜的笑话。可惜, 后来的导演包括李小龙自身并没有强化普通人这一趋向, 而是极力地刻画他在拳脚方面的无敌能量和战无不胜的战神气质, 显得严肃有余而亲切不足, 可以令人仰望却很难与之对话。

于是, 好莱坞一方面修正自己对华人男性柔弱、阴柔化的误读之际, 又延续了另一种误读——即剥夺中国男子的性特征, 把中国男子描写成只是靠拳脚闯天下、毫无人情味和绅士风度的格斗机器。而且好莱坞的某些评论家, 更把李小龙的不近女色误读成为了“同性恋”。在英国学者裴开瑞的研究文章《明星变迁:李小龙的身体, 或者跨区 (国) 身躯中的华人男性气质》中花了相当篇幅讨论相关问题[20]。

自媒体重构 篇7

1 模块化可重构机械臂PID参数自调整总体结构

模块化可重构机械臂PID参数自调整总体结构, 如图1所示。该控制系统下控制器的PID参数整定, 主要有粗调和精调两大部分。第一部分为粗调部分, 采用基于构形辨识的PID参数调整方法, 由上位机完成, 该部分首先对进行机械臂系统进行构形识别, 确定组成该机械臂系统的模块的类型、数量和排列顺序等;其次, 建立已知构形下的运动学模型和力学模型, 确定相应模块的质量、速度、转矩等参数;最后, 根据关节模块的类型和输出的转动惯量值在上位机的PID参数库中提取每个关节模块控制器的初始PID参数值。第二部分为精调部分, 采用基于模糊自适应的PID参数调整方法, 依据模糊PID控制, 对每个关节控制器的PID参数进行精确的整定, 以关节模块输出的位置与期望位置的偏差和偏差的变化率作为系统的输入, 运用模糊推理实现对原始的PID参数的优化自调整, 使得PID参数达到动、静态性能指标, 提高路径跟踪的精度, 提高系统的鲁棒性和快速性。

2 基于构形辨识的PID参数调整方法

该部分为整个PID参数调整方法中的粗调部分, 完全由上位机完成, 包括对机械臂系统的构形辨识、建立相应构形下的运动学模型与力学特性、建立PID参数库。

2.1 构形辨识

上位机软件对模块化可重构机械臂依次通过同类构形生成树辨识、同序构形树枝辨识和边约束条件辨识三个步骤, 来确定关节模块的类型和数量、关节模块的排列顺序和连杆模块的类型。

2.2 模块化可重构机械臂运动学及力学特性

通过对可重构机械臂系统的构形的辨识, 分别对每个关节在当前位姿下所应具有的速度和加速度的大小, 计算出关节所要输出的力矩值的大小, 从而建立模块化可重构机械臂构形与关节力矩的映射关系。

2.3 建立PID参数库

初始PID参数库中的参数是在模块化可重构机械臂构形确定和已知每个关节模块的输出力矩的前提下, 依靠单关节模块加载模拟负载的情况下, 离线调试出来的, 这些PID参数能够在给定负载下使关节平稳运行, 能够满足伺服要求。建立的PID参数库存储在上位机中, 为机械臂系统的关节控制器提供初始的PID参数值。

3 基于模糊自适应的PID参数调整方法

本系统设计的位置伺服模糊PID控制器是两输入、三输出的结构。以位置误差e=θr-θ以及误差变化率ec=e (k) -e (k-1) 为输入, 位置环PID控制器参数调整量ΔKp、ΔKi、ΔKd为输出量。利用模糊控制规则对PID参数在线调整, 来满足任意时刻偏差和偏差变化对PID参数整定的要求。

3.1 确定变量的隶属度函数

位置误差是由码盘检测到的模块实际的位置信息与上位机传来的目标位置相比较, 得到的位置偏差。根据专家经验设计位置误差e和位置置误差变化量ec的论域都为[-10, +10], 选取7个语言变量, 其模糊子集为{NB, NM, NS, ZO, PS, PM, PB}。

输出ΔKp、ΔKi、ΔKd为模糊集上的归一化论域为[-1, +1], 模糊子集同样为{NB, NM, N S, ZO, PS, PM, PB}。

3.2 确定模糊控制规则

基于工程设计人员的技术知识和实际操作经验的总结, 利用e和ec对系统不确定量的估计, 对PID三个参数ΔKp、ΔKi、ΔKd在线调整估计, 所建立的模糊矩阵, 如表1所示。

3.3 解模糊化过程

本文采用重心法将模糊量转变成精确量, 即:

4 系统实验

本实验的实验系统为模块化可重构机械臂。PID参数的调试使用TI提供的DSP系列芯片的集成开发环境CCS进行, 通过CCS软件实时的对位置反馈信息进行观测与记录。本实验以其中一个中关节为观察对象。

首先, 应用基于构形辨识的PID参数调整方法, 进行机械臂系统构形在线辨识, 获取该关节的初始PID参数值, 得到辨识结果如图2所示, 得到的该关节的位置环初始PID参数为:Kp=30, Ki=0;Kd=5。单纯使用该初始值对关节控制器中的PID参数进行初始化, 通过CCS软件, 观测该关节的位置信息, 所记录的该中关节的位置反馈曲线, 系统超调量较大, 调节时间大约为229ms, 如图3所示。然后, 在加载模糊自适应的PID参数自调整方法下, 所记录的该中关节的位置反馈曲线, 系统的超调量较小, 调节时间大约为104ms, 并且记录此时的位置环PID参数为:Kp=30, Ki=5;Kd=5, 如图4所示。

5 结束语

本文提出一种适用于本模块化可重构机械臂系统的PID参数自调整控制算法, 主要是上位机系统和下位机系统的相互配合, 实现了对构形变化后的PID参数自调整。通过上位机对模块化可重构机械臂系统进行构形辨识, 给出各个关节控制器的初始PID值。然后, 进行关节模块的位置伺服控制, 当实现构形变化时, PID参数可以在线自调整。该算法可以有效的改善系统的动、静态性能, 提高系统的鲁棒性, 并具有实际的应用价值。

参考文献

[1]刘明尧, 谈大龙, 李斌, "可重构模块化机器人现状和发展[J].机器人, 2001.

[2]张晓东, 孙汉旭, 贾庆轩, 周留栓, "机器人模块化关节模糊自适应伺服控制系统[J].北京邮电大学学报, 2007.

[3]姜勇, 王洪光, 潘新安, 余岑, 何能.模块化可重构机器人的构形在线自主辨识[J].机械工程学报, 2011.