自相关算法

自相关算法（精选十篇）

自相关算法 篇1

对于同样的信道环境，当符号宽度小于最大多径时延时，接收信号往往发生了时延扩展和畸变。若只发送一个码元脉冲，接收信号可能是一串脉冲。这些增加的脉冲一旦落入下一抽样时刻，就会形成严重的码间干扰(Inter Symbol Interference,ISI)。消除码间干扰的一个办法是均衡，均衡技术的基本思想是认为信道参数在发送一帧数据的时间内是不变的。

频域均衡的最早提出是在二十世纪七八十年代[1,2]，真正对其展开研究是在九十年代后期。文献[3,4,5]提出了采用FFT和添加循环前缀(Cyclic Prefix,CP)来实现频域均衡的方法，由于频域均衡很大部分的运算量集中在时频变换上，采用FFT大大简化了频域均衡的复杂度;添加CP一方面可以吸收前面数据帧的干扰，另一方面使信道响应满足循环卷积特性。最近十多年来，设计快速收敛的自适应滤波实时修正算法已成为重要的研究课题。在接收信号总的频谱形状已知的情况下，正交LMS算法能够在部分响应系统中达到快速收敛;当干扰信号和输入信号或信道特性都不能控制时，一般要采用可快速跟踪的递归最小二乘RLS算法。这些改进的算法统称为LMS类算法和RLS类算法，但均有唯一的共通之处。即这些算法的实现都需要进行可靠的信道估计。文献[6,7]中介绍了几种无线信道的均衡技术，然而，一旦信道中有深衰落，信道估计值就会出现较深的凹陷，得到的均衡参数就会发生极大的变化。

针对此问题，本文从理论上分析了利用m序列自相关特性进行频域均衡的原理，并针对工程应用，对一种基于序列自相关特性进行频域均衡的方法进行了改进，设计了频域均衡系统的FPGA实现方案。

2 基于序列自相关特性的信道估计原理

设信道的冲激响应函数为h(t)(t≥0)，若输入X(t)(-∞<t<∞)是一个平稳过程，自相关函数为RX(τ)，输出为Y(t)也是一个平稳过程，且X(t)与Y(t)是平稳相关的，互相关函数为[8]

傅里叶变换得

若X(t)为一白噪声信号，那么RX(τ)=S0δ(τ)(S0为大于0的常数)，做傅里叶变换得SX(ω)=S0，那么，SXY(ω)=S0H(iω)。

由上述推导可得出结论:如果将一个白噪声输入信道，计算得到与输出信号的互相关函数RXY(τ)，那么就能够获得信道的冲激响应函数和传输函数。但白噪声不能通过实验重复得到。伪随机序列(Pseudo random Noise,PN)具有与白噪声类似的自相关特性，其自相关值只有两种取值。尖锐的自相关特性使得伪随机序列能够携带信道信息，因此可用于信道估计与均衡[8,9]。

作为一种有着严格数学结构的序列，伪随机序列具有其他序列不具备的特性和优点。伪随机码各码组之间的相关性很弱，受到干扰后不容易互相混淆，因而具有较强的抗干扰能力。利用伪随机序列的这一特点，可以解决传统频域均衡算法受噪声影响较大的问题。

3 信道估计与均衡算法的工程化改进

TDS-OFDM中采用的基于序列自相关性的频域均衡算法可以解决传统的频域均衡算法存在的受噪声干扰影响大的问题。由于在算法中使用了迭代方法进行干扰滤除，这种算法运算量大。为了工程实现的需要，将该算法进行以下适应性改进。一方面，为了使系统具有更强的抗码间干扰的能力，为帧体增加了循环前缀;另一方面，为了减小运算量，在对自相关值进行干扰滤除时，使用了门限比较的方式。

3.1 帧结构设计

单载波传输系统的数据帧结构如图1所示。

这种数据帧由两部分组成，即帧头和帧体。帧体是要传输的数据，而帧头既可能是循环前缀，也可能是某种独特字。独特字可以参与信道估计，即具有消除码间干扰的能力。循环前缀的作用在于吸收前帧数据的多径时延，同样具有一定的抗码间干扰的能力。为使新的数据帧结构具有较强的抗码间干扰的能力，将单载波通信系统的帧结构重新设计。当CP的持续时间大于无线信道的最大时延扩展时，可以完全消除码间干扰。因此，将帧结构进行类似改进，为帧体增加循环前缀。如图2所示。

这种帧结构的优点在于数据受到了双重保护，即在多径信道中，CP和帧头能同时起到抵抗码间干扰的作用。一方面，CP从结构上就能消除一部分码间干扰。另一方面，利用帧头数据还能对接收数据进行均衡处理。

3.2 均衡算法设计

改进后算法的实现步骤如下:

1)用接收数据和本地PN序列进行自相关运算。

2)找出自相关值中的最大值，作为主径的相关峰。

3)干扰消除。相关值中有很多小值的数据，这一方面是本地PN序列与接收信号中的多径信号和噪声进行相关运算的相关值，另一方面是PN序列的相关峰值。由于本地PN序列与噪声不相关，因此在输出相关结果作为初步信道冲激响应(Channel Impulse Response,CIR)估计前设置适当的门限，把低于门限值的相关结果清零来减小这些较小值的影响。

4)抽样、移位、填零重新构造相关值，得到数据块长度的信道估计h。重新构造相关值的目的是为了使得到的信道冲激响应是因果系统的。因此，将主径的相关值放置在开头，前径的相关值放置在末尾处。中间段数据可以用0进行填充。即得到信道估计h。

5)将时域h值再进行FFT变换到频域的H。由即得到所需的均衡器系数。

4 实现方案

本文以FPGA平台为载体，采用改进的频域均衡算法，借鉴软件无线电的设计理念，完成整个单载波频域均衡系统的硬件实现，用于复杂环境下宽带图像的无线传输，并给出实际的测试结果。

4.1 硬件实现方案

整个系统包括发射端和接收端两个部分，采用双工形式，即使用单块硬件平台同时实现收发通信的基带功能。图3为总体硬件设计图，FPGA选用Altera公司的EP3C120F484。数模转换芯片选用12位D/A转换器AD9773，工作刷新率为60 MSample/s。模数转换芯片选用10位A/D转换器AD9216，工作采样率90 MSample/s，这两个芯片具有高动态信号输入的特点。正交下变频解调器选用AD8348，中频本振为Si-4133，工作频率280 MHz，参考本振10 MHz。信息发送接口为MAX3485串口芯片，可以实现图像数据与传输系统的高速数据差分接口。

4.2 软件实现方案

该宽带图像无线传输系统码片速率为2.5 MHz，最大信息传输速率为2 Mbit/s，调制方式为OQPSK，数据帧结构如图4所示。

该帧结构可分为前后两个部分。前半部分是前导头PRE，用于帧同步、载波同步、相位同步、定时同步以及频域均衡。前导头的主要组成有:

AGC:用于接收机增益稳定。

PN1、PN2:225位PN序列，用于系统同步和频域均衡。

G:PN序列的循环前缀，用于保护PN序列，取32或64chip。

帧结构的后半部分是数据块，时隙间隔为8～10 ms。其中的DATA为256～512位数据，GD为32位数据保护块。

该无线传输系统的发射机结构如图5所示。

图像数据经过前向纠错后，加入循环前缀，并与存贮在ROM中的前导头组成信号帧，再经过数模转换后发射出去。

接收机的结构框图如图6所示。

接收信号经过模数转换、滤波后分为2路，一路为前导头序列，与本地PN序列进行相关运算后在CE模块得到信道估计值，经FFT模块转换到频域;一路为数据块，经FFT模块后在频域进行均衡处理，再经IFFT模块转换到时域，经判决后输出。

5 测试结果

仿真测试工具采用QuartusⅡ9.0软件自带的在线逻辑分析仪通过Signal Tap II界面图形显示这些数字信号。它根据设计者设定的时钟采样，采用FPGA内部存储单元，存储指定管脚和内部信号，通过Signal Tap II界面图形显示这些数字信号，以便于调试程序者，从而极大简化了FPGA的程序设计过程。

5.1 信道估计仿真分析结果

图7为信道估计单元在线测试图。图中:信号1为接收端经AD采样后，前导序列i路的时域波形;信号2为接收端经AD采样后，前导序列q路的时域波形;信号3为经过PN码并行相关运算的相关值;信号4为重构的信道估计数据实部;信号5为重构的信道估计数据虚部。

从图7中可以看出接收信号受到多径影响，存在一定的码间干扰，波形失真较为严重。另外由于采用并行相关运算，相关峰值在前导序列结束后很短时间内出现，处理时延仅为1.8μs。

5.2 信道均衡仿真分析结果

图8为信道均衡单元在线测试图。图中:信号1为信道估计值的频域特性;信号2为接收信息数据的频域输出值实部;信号3为接收信息数据的频域输出值虚部;信号4为均衡后经解调输出的基带数据I路;信号5为均衡后经解调输出的基带数据Q路。

从图中可以看出，接收信号受到多径影响，频域特性出现明显的衰落。经过均衡并解调后输出数据已经无明显的码间干扰，能够保证正常接收。

5.3 时频分析仪测试结果

使用时频分析仪测试均衡后经上变频的端口处输出，如图9所示，可以看出星座点清晰，达到了可以进行硬判决的程度，也就证明本文中设计的信道估计和信道均衡模块在实际接收机中工作正常，达到了预期的目的。

6 小结

本文利用FPGA实现了一种基于改进的m序列信道估计与均衡算法，并将其成功运用到复杂环境下宽带图像的无线传输，通过在线逻辑分析及时频分析仪实测，信道估计与均衡模块在接收机中工作较为稳定，且性能优异。

摘要：针对传统的单载波频域均衡算法存在的受信道随机噪声影响较大的缺点,利用序列自相关性进行信道估计,有效解决了随机噪声对信道均衡的影响问题,并结合工程实际,在该信道估计算法的基础上,对频域均衡的实现进行了适应性改进。选用Altera公司的EP3C120F484芯片实现了该算法,设计了频域均衡系统的FPGA实现方案。经验证,该算法能同时适应多径和噪声干扰严重的复杂信道。

关键词：信道估计,频域均衡,自相关,FPGA

参考文献

[1]WALZMAN T,SCHWARTZ M.Automatic equalization using the discrete frequency domain[J].IEEE Trans.Information Theory,1973,19(1):59-68.

[2]FERRARA E R,Jr.Frequency-domain adaptive filtering[M].COWAN C F N,GRANT P M,ed.[S.l.]:Prentice-Hall,1985.

[3]SARI H,KARAM G,JEANCLAUDE I.Channel equalization and carrier synchronization in OFDM systems[C]//Proc.Int.Tirrenia Workshop in Digital Communications.[S.l.]:IEEE Press,1993:191-202.

[4]SARI H,KARAM G,JEANCLAUD I.Frequency-domain equalization of mobile radio and terrestrial broadcast channels[C]//Proc.Globecom San Francisco.[S.l.]:IEEE Press,1994:1-5.

[5]SARI H,KARAM G,JEANCLAUDE I.Transmission techniques for digital terrestrial TV broadcasting[J].IEEE Comm.,1995,22(2):100-109.

[6]李彦兢.高速率无线通信系统中均衡技术的研究[D].上海:同济大学,2007.

[7]CHOI E-R,CHOI Jinyong,JANG Jungyup,et al.MMSE equalization with interference cancellation for SC-FDE over single frequency network channel[C]//Proc.2011 IEEE International Conference on Consumer Electronics(ICCE).[S.l.]:IEEE Press,2011:457-458.

[8]FILGER A,ZEPERNICK H-J.伪随机信号处理——理论与应用[M].甘良才,译.北京:电子工业出版社,2007.

基于混沌算法的自适应预测模型 篇2

在混沌算法神经网络的预测模型中, 适当选择非线性反馈项, 能使网络的动力学在权空间具有混沌行为, 网络系统在学习和训练过程中能够跳出能量的局域极小达到全局极小或其近似.本文基于EP进化算法建立一种自适应机制, 使得网络能够根据学习和训练的结果优化非线性反馈项. 应用这种算法的.神经网络对基于Mackey-Glass方程和Lorenz系统的时间序列进行在线预测, 结果表明,网络具有很好的自适应预测性能.

作 者：李克平陈天仑 刘恒玲  作者单位：李克平,陈天仑(南开大学物理科学院,天津,300071)

刘恒玲(北京师范大学物理系,北京,100875)

自相关算法 篇3

关键词： 农业图像；自适应维纳滤波算法；中值滤波算法；非局部均值滤波算法；噪声；清晰度

中图分类号：S126；TP391 文献标志码： A

文章编号：1002-1302（2015）08-0424-02

随着农业智能化水平的快速发展，各类农业图像提供的大量信息已经成为农产品果实自动采摘 [1]、农作物长势、病害分析 [2]、农作物产量估算 [3]的重要依据，因此农业图像的处理和分析已经成为农业智能化发展的一个重要研究方向。近年来，小波变换 [4-5]、轮廓波变换 [6]、中值滤波 [7]、自适应维纳滤波 [8]、非局部均值滤波 [9-10]等算法相继被用于图像去噪处理，并取得了较好的效果；但对于细节信息复杂的农业图像而言，去噪效果往往不尽如人意。笔者在对该领域已有成果充分分析的基础上提出了一种农业图像自适应混合滤波算法，该算法对质量不高的农业图像采用改进型中值滤波算法和自适应维纳滤波算法进行处理，充分发挥2类算法的滤波优势，从而获得高质量的农业图像。

1 改进型中值滤波算法

中值滤波算法在对图像进行处理时，通过预先设定一定大小的窗口，这样的窗口尺寸可以是3×3或者5×5，将该类窗口在图像上按照一定的顺序进行滑动，当窗口中心点处于图像中某一像素点时，如果窗口尺寸为3×3，那么该像素点的滤波值可以表示成：

f=Median{f1，f2，f3，…，f8}。 （1）

其中：f为窗口中心点像素滤波后的灰度值；f1～f8为窗口中除中心点外的其余8个像素点的灰度值；Median{}为取中间值计算方式。大量试验结果表明，该算法对于普通的数字图像滤波效果较好；但一般来说农业图像细节信息比较多，因此为了将该算法应用于处理农业图像，有必要对其进行适当改进。其步骤如下：步骤1，统计（1）式中的最大值fmax和最小值 fmin；步骤2，在尺寸为3×3窗口中提出fmax和fmin，组成集合Q= {f1，f2，f3，…，f6}；步骤3，求取集合Q={f1，f2，f3，…，f6}的平均值faverage；步骤4，将fmax、fmin以及faverage组成一新的集合Q′={fmax，fmin，faverage}；步骤5，求取集合Q′的中间值f′=Median{Q′}，从而获得窗口中心点滤波后的灰度值。

2 自适应维纳滤波算法

3 试验仿真与结果分析

本研究算法基本思路是：（1）采用“1”节中提出的改进中值滤波算法对含有噪声的农业图像进行预处理；（2）采用“2”节所描述的自适应维纳滤波算法对经过改进中值滤波算法处理后的图像进一步进行噪声抑制。

对本研究算法采用Matlab软件进行编程，试验数据为一幅处于成熟期的桃子图像。为了对该算法的性能进行全面了解：一方面引入中值滤波算法、自适应维纳滤波算法、非局部均值滤波算法与本研究算法进行试验对比；另一方面对上述几类算法的试验结果采用峰值信噪比（peak signal noise to ratio，PSNR）进行定量分析与评估。相关试验结果分别如图1至图6所示，PSNR评价结果如表1所示。

由图1至图6可知，对于受到方差为15%的高斯噪声污染的农业图像（图2）而言，采用中值滤波去噪后，结果如图3所示，由此可以看出，图中的果实边缘基本能辨认出来，但桃子果实表面噪声依然较大，这说明单纯采用该算法无法有效去除图像中的噪声。中值滤波算法处理后结果见图4，图中噪声被抑制的程度要高于图3，总体而言图4的清晰度与图5比较接近，这说明非局部均值滤波算对于受到高强度噪声污染的图像而言去噪效果并不理想，不适合处理农业图像。本研究算法处理结果如图6所示，图中的噪声基本得到消除，果实、叶片边缘基本从噪声中恢复出来，果实表面残留的噪声比较少，视觉效果整体上与图1最接近。由表1可知，4种算法对农业图像的去噪效果随着噪声强度的提高而降低，并且当噪声方差为15%时，本研究算法的PSNR值明显高于其余3种算法，这说明本研究算法对农业图像的处理是有效的。

4 结语

为了实现对农业图像的有效滤波，将改进中值滤波与自适应维纳滤波这2类算法有机结合提出了一种针对该类图像的自适应混合滤波算法。仿真试验结果表明，本研究提出的滤波算法基本适合于处理农业图像，其效果稍稍优于已有的同类型图像，对农业图像的处理具有一定的参考价值。

参考文献：

[1] 吕继东，赵德安，姬 伟 苹果采摘机器人目标果实快速跟踪识别方法[J] 农业机械学报，2014，45（1）：65-72

[2]彭占武，司秀丽，王 雪，等 基于计算机图像处理技术的黄瓜病害特征提取[J] 农机化研究，2014，36（2）：179-182，187

[3]李 红 基于CBERS-2卫星图像的石河子地区棉花产量遥感监测研究[J] 石河子科技，2007（6）：28-31

[4]王小兵，孙久运，汤海燕 一种基于数学形态学与小波域增强的滤波算法[J] 微电子学与计算机，2012，29（7）：64-67

[5]赵 辉，刘文明，岳有军，等 一种新的去噪算法在农作物图像处理中的应用[J] 江苏农业科学，2014，42（1）：371-373

[6]刘 悦，李一兵，李 骜 联合双重滤波的水下图像NSCT阈值去噪算法[J] 哈尔滨工程大学学报，2013，34（2）：251-255

[7]晏资余，罗 杨，杨 浩 图像椒盐噪声的分阶段中值滤波算法[J] 南华大学学报：自然科学版，2013，27（3）：66-70，77

[8]张 东，覃凤清，曹 磊，等 基于维纳滤波的高斯含噪图像去噪[J] 宜宾学院学报，2013，13（12）：60-63

[9]张 宇，王向阳 频域小波矩的非局部均值图像去噪[J] 小型微型计算机系统，2012，33（9）：2079-2082

[10] 张 权，桂志国，刘 祎，等 医学图像的自适应非局部均值去噪算法[J] 计算机工程，2012，38（7）：182-184，187

自相关算法 篇4

基于内容的图像检索(Content-based Image Retrieval,CBIR)是机器视觉和模式识别领域最热门的研究课题之一[1,2]。在CBIR系统中,视觉特征的提取依赖于特征的表征方式,与相似性匹配直接关联,而相似性评估常常会导致语义差[3,4],即高级用户描述的对象与低级图像特征之间的语义差异,同时也考虑查询图像自身的影响,如有噪声污染等。因此,减少语义差异和提高特征提取的效果是CBIR的主要目标[5]。

已有很多研究者对CBIR进行了研究,例如,文献[6]提出基于灰度级共生矩阵CBIR算法,灰度共生矩阵既可以表征亮度分布,又可以表征亮度与像素位置关系,因此,广泛应用于纹理特征。然而,在复杂纹理情况下表现并不稳定。

文献[7]将粒子群优化算法的进化搜索过程与用户的反馈过程有效结合,提出了一种基于粒子群的CBIR方法,本文简称为SO-RF算法,避免了初始检索对用户认知的影响以及对反馈效果造成的局限性,然而,很容易出现相关反馈提供的标注样本数不足的问题。

文献[8]使用智能搜索进行特征选择,利用改进的二进制引力搜索(IBGSA)选择最佳功能子集,改善分类的精度。虽然提高了分类精度,但IBGSA的复杂度比二进制引力搜索(BGSA)的复杂性高了很多。

文献[9]通过合并未标记的图像,提出了一种基于改进型相关反馈的CBIR算法,通过使用已标记数据观测误差函数最小化,选择综合性能最好的回归函数,同时兼顾图像的语义特征及图像空间的几何结构,然而,算法依然存在视觉特征和语义信息中的“语义鸿沟”问题。

为了提高分类精度,本文在相关反馈的基础上,采用了自组织特征重加权方法,同时在特征向量和特征表征中运用了Gabor小波和小波矩技术,称之为SOFR-RF算法,实验结果表明,本文算法具有更高的精度和更好的鲁棒性,甚至在有噪声的情况下也是如此。

1 提出的CBIR算法

本节主要介绍CBIR算法所用到的重加权方法和算法流程。

1.1 算法框架流程

使用自检有序特征重加权(Self Ordered Feature Reweighting Approach)方法的CBIR算法的流程图如图1所示,相关反馈的基本思路是减少与系统的用户交互。

提出的算法步骤如下:

步骤1:用户输入查询图像;

步骤2:特征表征步骤,用于找到输入图像与数据库中的图像的低级特征,比较输入图像的特征向量和数据库中图像的特征向量;

步骤3:寻找图像间的相似性(使用Minkowski距离)。P和Q之间的相似性表示如下:

式中:fi P和fi Q分别是P和Q的第i个特征元素;wi是权重因子。

步骤4:在用户得到结果图像集之前,系统将获得结果图像集的特征权重。

步骤5:在比较输入图像与数据库图像的相似度时,显示相似度值较小的图像集,用户将得到排名最高的图像。其中,显示图像的数量取决于显示窗口的大小和阈值的设置。

步骤6:用户对结果图像集给出反馈;

步骤7:系统学习用户的偏好;

步骤8:如果用户对系统结果满意,则结束循环;否则,重新考虑用户给出的反馈,使用特征重加权调整权重,跳转至步骤3,重复循环,直到用户满意。

1.2 自组织特征重加权

1.2.1 距离计算模型

由于不同特征表示的距离没有可比性,将距离归一化为:

数据库图像和查询图像关联,特征距离在0~1之间,数据库图像与查询图像之间的距离在0~n之间,其中,n是用到的特征数量;fi(query Im,Data Im)表示函数f_i的距离,这些距离属于相关权重。

查询图像与数据库图像集之间距离的计算模型如图2所示,为了获得更好的特征识别图像与更高权重的视觉相似性,这些特征权重全部归一化至0~1之间。每个特征计算的距离与它们的隶属权重相乘,然后相加获得总距离:

式中:n是特征的数量;wi是特征i的权重。这个距离模型的优点是它提供了重加权信息的获得方式及距离的计算方法。该模型不限制特征信息被表示在固定长度的向量中,距离并不需要使用特征权重矩阵计算,数据结构体中没有使用限制特征和相应距离的度量。

1.2.2 权重计算

使用自组织特征重加权方法,利用由用户反馈的两个数据集计算获得的数据更新特征权重。开始时,每个特征元素使用相等权重值,这些权重通过用户反馈实例进行更新,利用式(4)计算权重值:

式中:σkNr,i为图像检索的标准差;σkrel,i是第k次迭代相关或相似图像的标准差;ε是一个非常小的正值。若一个特征元素在关联的样本中变化最小,则它应该得到最大权重,因为相关样本在特征空间具有更好的表达性。在式(4)的分子项中,使用Nr的标准差作为整个数据库图像的标准差保持不变,所以不提供任何额外信息。然而,在每次迭代中,新的图像可能被检索,也会有新的σkNr,i值。这里ε值非常小,是为了避免σkrel,i=0的情况,即没有检索到相似图像,ε值取0.000 1。

文献[10]同时使用非相关图像和相关图像更新权重,判别比例的计算如下:

式中:为相关图例中占主导地位的范围内的非相关图像的数量;为所有检索图像中的非相关图像数量,其中一个特征元素的主导范围是通过相关图集中的最大值和最小值获得。δik∈[0,1],当所有非相关图像在主导范围内,δik则为0,此时,特征权重没有值,当非相关突袭都不在该范围内时,δik则为1,最大权重应该分配给该特征元素,该权重定义为:

为了最大程度地从相关图像中分离非相关图像,引入自组织权重模式,用于计算小于0或大于1的δik值,确保非相关图像集没有单一的相关图像。

2 实验结果与分析

2.1 实验数据

通过加拿大科立尔数位科技公司(Corel)收集的1 000幅图像[11]验证本文算法,包括10种语义类别的图像,即非洲人类、大象、马、花、食物、古迹和巴士等。图3给出用于每个图像的代表图像类别。图像大小为256×384像素和384×256像素的JPEG格式,本文将所有图片统一缩放为256×256。

2.2 评估标准

CBIR算法的查准率(精度)、加权精度和查全率(召回率)是文本检索中广泛使用的性能度量,也是CBIR算法评估最常见的标准[12],查准率定义为正确检索图像数与检索到的图像总数的比值,如:

式中:accur_num为准确检索图像数;Retrievaled_num为检索到的图像总数。

使用式(8)计算加权精度:

式中:nk是前k个检索图像之间的匹配数;N是检索图像数。

查全率是检索到的图像总数与被检索图像总数的比值:

式中all_num表示被检索数据库中的图像总数。

2.3 实验结果

2.3.1 无噪声情况

查询图像为50幅情况下的查全率、查准率和加权精度如表1所示。其中查询图像不添加任何噪声。从表1中可以看出,不同的查询图像有不同的结果,表现在查全率和查准率的不同,此外,随着迭代次数的增加也有所不同。

%

图4(a)是本文算法SOFR-RF与SO-RF[7]和IBGSA[8]在平均查全率方面的比较结果,进一步表明,本文算法的平均查全率优于SO-RF和IBGSA。对于前10幅图像,本文算法的平均查全率为6.72%,针对前100幅图像,可提高到37.40%,高于SO-RF(5.52%,27.13%)和IBGSA(4.47%,29.10%)。类似地,图4(b)为本文算法SOFR-RF与SO-RF和IBGSA的准确率比较结果,对于前10幅图像,本文算法的准确率为82.78%,对于前100幅图像,只降低到66.70%。SO-RF和IBGSA都是基于智能算法的图像检索算法,这些算法依赖输入的图像特征,本文SOFR-RF算法的Gabor变换和小波矩具有很好的模型描述能力,同时自组织特征重加权能较好地分离相关图像和非相关图像,弱化了对图像特征的依赖。

从图5(b)和图5(c)可以看出,实例1中基于SO-RF的CBIR检索结果中有24幅与查询样本相关,查全率为0.24,而本文算法的检索结果中有39幅与查询样本相关,查全率为0.39;从图6(b)和图6(c)可以看出,实例2中基于IBGSA的CBIR检索结果中有34幅与查询样本相关,查全率为0.34,本文算法检索结果中有42幅与查询样本相关,查全率为0.42。因此,本文算法在无噪声情况下优于其他两种CBIR检索算法。

2.3.2 有噪声情况

不论在图像传输和获取过程中,噪声在大多数情况下都存在。如何减少噪声的影响也是本文要研究的问题之一,这里研究椒盐噪声和高斯噪声对本文算法的影响。实验部分添加密度为0.2的椒盐噪声和均值为0,方差为0.05的高斯噪声。图7是数据库中一张恐龙照片添加噪声的情况,图8是含不同噪声的查询结果,从前几个排列图像可以看出,本文算法对噪声影响并不敏感,具有较好的鲁棒性。

图9(a)是本文算法SOFR-RF与SO-RF[7]和IBGSA[8]在有椒盐噪声和高斯噪声情况下平均查全率方面的比较结果,进一步表明本文算法对噪声具有较好的鲁棒性,因为Gabor变换和小波矩具有较好的目标模型描述能力,重加权在有噪声的情况下依然能较好地分离非相关图像和相关图像。对于前10幅图像,本文算法的平均查全率为5%~6%,针对前100幅图像,进一步增加到35%左右,明显优于其他两种算法。类似地,从图9(c)和图9(d)可以看出本文算法在有噪声的情况下比其他算法精度高出20%左右,此外,从4个数据图像上看,椒盐噪声的影响要比高斯噪声的影响大。

3 结论

本文提出了一种基于自组织特征重加权和相关反馈的CBIR算法,利用自组织特征重加权模式尽可能地从相关图像中分离非相关图像,确保非相关图像集没有单一的相关图像,图像检索的用户作用通过相关反馈体现。在有噪声和无噪声情况下的实验结果表明,本文算法具有较高的检索准确度和较好的鲁棒性。

摘要：针对高级用户的描述对象与低级图像特征之间的语义差异问题,提出一种基于自组织特征重加权和相关反馈的CBIR算法。首先对查询图像和数据库图像采用Gabor小波变换和小波矩技术提取图像特征向量;然后进行相似性度量,同时为了最大程度地从相关图像中分离非相关图像,引入自组织特征重加权模式,确保非相关图像集没有单一的相关图像;最后将用户反馈和特征加权循环进行,直到得出用户满意的结果。仿真实验在Corel收集的1 000幅图像库上进行,对某些类别的图像,该算法的检索精度可高达97.5%,在无噪声情况下,对于前10幅图像,该算法的准确率为82.78%,对于前100幅图像,精度仅降到66.70%,在有噪声情况下,精度下降仅3%左右。相比其他优秀算法,该算法具有更高的精度和更好的噪声鲁棒性。

自相关算法 篇5

损失数据自回归模型的随机梯度辨识算法

运用多项武变换技术将损失观测数据自回归模型转化为一种特殊形式的`模型,该模型可以利用稀少观测数据来辨识模型参数,再利用模型等价原理来估计损失观测数据,提出了基于残差的随机梯度辨识算法,仿真结果验证了提出算法的有效性.

作 者：陈晓明 丁锋 CHEN Xiao-ming DING Feng  作者单位：江南大学控制科学与工程研究中心,无锡,214122 刊 名：科学技术与工程  ISTIC英文刊名：SCIENCE TECHNOLOGY AND ENGINEERING 年，卷(期)： 8(8) 分类号：O212.1 关键词：AR 模型   参数估计   随机梯度   损失数据  

自相关算法 篇6

随着电力系统规模不断扩大和大区联网推进,大量采用高增益的励磁调节器以改善发电机电压调节精度和系统稳定性,均使得电网低频振荡现象时有出现,严重威胁系统的正常运行[1]。因此,低频振荡已成为限制大区电网互联的一个重要因素,准确、及时的低频振荡模式辨识对大电网的安全稳定运行具有重要的意义[2]。

目前电力系统低频振荡的分析方法可分为两大类:基于系统数学模型的分析方法以及基于系统实测信号的分析方法。由于系统规模较大,运行方式复杂,传统的特征值算法在实际应用中可能会出现“维数灾”问题[3]。而基于系统实测信号的分析方法不依赖于系统元件模型和参数,建模简单,且能实时在线更新振荡模式估计[4]。由于计算量、计算速度等方面的限制,基于系统模型的分析方法更适合于电力系统低频振荡的数值仿真和事故后历史数据的分析,而对于振荡模式的在线辨识来说,这种方法明显是不适用的。

随着系统辨识技术、信号处理技术以及广域测量系统(Wide Area Measurement System,WAMS)的发展,利用WAMS实测信号提取振荡特性已成为目前的研究热点,这就是基于实测信号的分析方法。其中主要包括:Prony算法、自回归算法以及自适应滤波算法。

1)Prony算法及其改进型[5,6,7]是目前低频振荡研究中应用最多的一种在线算法,但对信号噪声较敏感,其算法的最大缺点是只能对振荡信号进行模式识别,这就意味着只有当系统由于人为操作或故障出现扰动时,Prony算法才是有效的,但是这时再分析振荡模式对低频振荡在线监测的及时预警显然是不利的。

2)自回归方法的主要模型——自回归滑动平均(Auto Regressive Moving-Average,ARMA)模型[8]或其变形,由ARMA模型的传递函数,可求出系统对应各模式的频率、阻尼比等信息。文献[9]基于ARMA模型,运用最小二乘法对修正Yule-Walker方程进行参数估计,采用块处理(Block-processing)技术计算低频振荡模态参数,但其数据窗长度对于估计准确度影响很大,较难确定。自回归模型类方法应用于电力系统振荡模式识别还不够成熟,在模型定阶、数据窗长度、估计准确性、鲁棒性等方面存在问题,需要对算法做深入的改进研究。

3)自适应滤波算法将自回归模型和自适应滤波器有机地结合在一起,可利用各种成熟的自适应滤波算法估计模型参数。文献[10]利用最小均方(Least Mean Squares,LMS)自适应滤波技术估计系统的低频机电模式。LMS算法根据估计误差对白化滤波器的抽头权系数进行自动调节,使得滤波器输出的均方误差最小,从而实现滤波器的自适应,而抽头权系数就能被用于跟踪滤波器输入的模式信息。仿真结果显示LMS算法对平稳模式和时变模式都能进行跟踪,但该算法的收敛速度较慢,且对阻尼的估计误差较大,需要对算法进行改进。

因此,本文通过对基本LMS算法的研究,首次提出采用解相关LMS自适应滤波算法应用于对实际系统进行辨识。本文算法本身属于LMS算法范畴,针对输入信号的相关性做了相应研究,通过对输入信号的“解相关”提高LMS算法的抗扰动性,并通过与基本的LMS算法辨识效果的比较验证了该改进算法对低频振荡模式的辨识具有更好的精确性且提高了收敛速度,更具有实际的工程意义。

1 基本LMS算法原理

自适应滤波算法仍将电力系统噪声信号输出看作是由感兴趣频率范围内近似平稳的白噪声输入引起的,然后将输出通过自适应滤波器进行分析以得到滤波器传递函数,最后根据传递函数的主导根就可以估计出系统的振荡模式信息。LMS算法及解相关LMS算法对实际系统辨识流程的基本原理框图如图1所示。

首先是从实际电力系统中的某个PMU子站中提取原始数据,对原始数据进行降采样处理,然后进行提取趋势项和零均值预处理,其处理后的有功功率作为基本LMS算法及解相关LMS算法的输入u(n)。

LMS算法有三个基本的运算步骤如下。

第一步:构造一个阶数为M的横向滤波器,滤波器的输出为滤波器抽头权向量w(n)与输入信号u(n)的乘积。

第二步:计算滤波器输出与原始信号的误差。

其中,e(n)表示滤波器在n时刻的估计误差。

第三步:对LMS滤波器权向量进行递推更新。

其中:w(n)为第n次迭代(也即时刻n)的权向量;μ为更新步长;实际输入数据向量为u(n-1)=[u(n-1),u(n-2),…,u(n-M)]T;w(n)=[w1(n)，w2(n),…,wM(n)]T是一个时变的滤波器抽头权向量;M是滤波器的阶数。

通过LMS算法运算处理后生成的w(n)能够用来估计输入信号u(n)的模式。然后通过构造一个差分多项式找到Z域的根,继而可转换到S域,就能确定输入信号的模式。其具体实现可通过式(4)~式(6)来实现。

式(4)为构造的差分多项式,通过式(4)可求得离散系统的特征根λi,λi*。然后通过文献[11]中提出的离散系统与连续系统之间的转换方法可以得到低频振荡模式频率及阻尼比的计算公式为

式(5)中:Δ为采样时间间隔;fi为振荡频率;ξi为对应模式的阻尼比。

2 解相关LMS算法原理

文献[12]中提出自适应梯度算法包括LMS算法及其各种变型和改进算法,本文所阐述的解相关LMS算法即为基本LMS算法的改进型,也属于自适应梯度算法的范畴。

在LMS算法中,有一个独立性的假设:假定横向滤波器的输入向量u(1),u(2),…,u(n)是彼此统计独立的向量序列。当它们之间不满足统计独立的条件时,基本LMS算法的性能下降,且其结果对系统的极点、频率及阻尼等辨识有较大偏差,尤其是其收敛速度会比较慢。因此,在这种情况下,就需要解除各时刻输入向量之间的相关(这一操作称为“解相关”),使它们尽可能保持统计独立。解相关LMS算法包括时域解相关LMS算法和变换域解相关LMS算法,本文采用时域解相关LMS算法。

定义u(n)与u(n-1)在n时刻的相关系数为

根据该定义,若a(n)=1,则称u(n)是u(n-1)的相关信号;若a(n)=0,则u(n)与u(n-1)不相关;当0

显然,a(n)u(n-1)代表了u(n)中与u(n-1)相关的部分。若从u(n)中减去该部分,则这一减法运算相当于“解相关”。现在用解相关的结果作为更新方向向量v(n),如式(8)。

另一方面,步长参数μ(n)应该满足如式(9)最小化解。

通过对式(9)的最优化问题求解得到

综合式(7)~式(10),并结合基本LMS算法可以得到解相关LMS算法。其具体算法公式为

上述算法中,参数ρ为修整因子(trimming factor),文献[13]中提出的修整因子一般是一个数量级很小的正数。

解相关LMS算法可视为一自适应辅助变量法,其中辅助变量由v(n)=u(n)-a(n)u(n-1)给出。辅助变量的选择原则是:它应该与滞后的输入和输出强相关,而与干扰不相关[14]。

3 算例仿真分析

本文采用Matlab的Power System Analysis Toolbox(PSAT)对New-England 10机39节点测试系统(如图2所示)进行仿真测试。仿真过程中可采取断开系统中任意支路改变系统结构,本文仿真算例采取断开支路1-2改变系统结构。特征值分析可得断开1-2支路后系统存在的区域间低频振荡模式如表1所示。通过对测试系统在小扰动过程中线路支路8-9的有功功率数据进行低频振荡模式辨识(通过功率谱分析,支路8、9能最好地体现可观性),并将辨识结果与特征值分析结果进行比较,验证本文算法的有效性。

通过特征值分析,可得39节点系统存在1个区域间的弱阻尼低频振荡模式,如表1所示。

3.1 PSAT时域仿真

首先,对39节点系统各负荷节点注入高斯白噪声来模拟实际电力系统负荷随机负荷扰动。考虑到随机小扰动波动一般在5%以下,此次仿真设置注入高斯白噪声的信噪比为40 db来模拟1%的随机负荷扰动。

仿真参数设置:固定积分步长选为50 ms,仿真总时间30 min。本文选取仿真带动态数据是在仿真15 min时短暂断开节点1-2支路获得,断开时长为0.5 s(加入扰动信号能更好地体现本文算法的鲁棒性)。该信号30 min时域仿真曲线如图3所示。

3.2 低频振荡模式辨识

首先对上述信号进行降采样处理,本文所取采样率为fs=5 Hz;然后进行提取趋势项和零均值预处理,将预处理后信号用于低频振荡模式辨识。对上述采样数据分别用LMS算法,以及解相关LMS算法分别进行运算。其中LMS算法和解相关LMS算法均采用M=17阶自适应滤波器[11]。运算后得到系统的频率和阻尼比后,进行系统主导模式的提取。

图2中仿真信号的辨识结果如图4所示。

本文算法经过短暂的冷启动过程后辨识的主导模式结果基本在特征值分析结果附近波动。从图4可知,本文算法辨识的主导模式结果基本与特征值分析结果相接近。两种算法辨识结果的均值及标准差统计结果如表2所示。

对图5进一步分析可得本文算法对主导模式频率的辨识在20 s左右可稳定在误差±2%以内,而基本LMS算法则需大约300 s;本文算法对主导模式阻尼比的辨识结果在50 s左右稳定在真值附近,常规算法需600 s左右。因此,本文算法的收敛速度比常规算法要快,可对电网低频振荡模式进行更为有效及时的在线辨识和预警。

4 PMU实测数据分析

为验证本文低频振荡模式辨识算法对实际电网WAMS数据的辨识效果,本文选取某电网某条线路带扰动的实测有功功率信号进行辨识,分别采用LMS算法、解相关LMS算法及传统ARMA算法进行分析比对。

首先是从实际电力系统中的某个PMU子站中提取原始数据,其采样频率为25 Hz,采样周期为40 ms。首先对上述信号进行降采样处理,本文所取采样率为fs=5 Hz,采样周期为200 ms,然后进行提取趋势项和零均值预处理,其处理后的有功功率测试采样数据如图5所示。

如图5所示,对其中的动态信号采用Prony方法分析得到其系统主导模式的频率为0.46 Hz,阻尼比为12.86%,以此作为下面几种算法辨识结果的参考基准。对上述采样数据分别用传统ARMA递推算法(启动参数为AR=18;MA=6)、LMS算法、以及解相关LMS算法的启动参数与第三节算法仿真中启动参数一致。辨识结果如图6所示(图6(a)为主导模式频率辨识效果比较图,图6(b)为主导模式阻尼比辨识效果比较图)。

从图6中可以看出,在模式的频率估计上(若定义辨识效果数值与Prony算法参考值的误差不超过5%视为收敛),传统ARMA递推算法比系统客观频率值偏高,其收敛后频率均值在0.57 Hz左右,阻尼比的辨识效果欠佳;基本LMS算法其频率值和阻尼比均高于系统实际值,对实际系统的模式估计偏差较大(误差均大于5%),不利于系统的在线辨识;解相关LMS算法收敛后频率均值为0.45左右,阻尼比均值在12.35%左右,与参考值的误差均小于3%。该算法收敛速度快,抗干扰能力强,且其频率值和阻尼比都接近于参考值。

5 结论

本文首次提出采用解相关LMS自适应滤波算法应用于对实际系统进行辨识。针对输入信号若相关性较强会影响系统辨识的收敛速度和精度,本文算法解除了输入信号的相关性,大大提高了LMS算法在电力系统低频振荡在线辨识中的收敛速度及精度,且相比传统的ARMA算法以及基本LMS算法精度更高,更稳定。算例分析结果表明,本文算法能够对系统振荡模式辨识,其辨识精度和速度满足工程实际要求,可实现电网低频振荡模式在线辨识。

摘要：为提高电力系统低频振荡现象的实时监测水平,提出一种基于横向滤波器模型的解相关最小均方误差递推算法进行低频振荡模式辨识。该改进算法在原有最小均方自适应滤波算法的基础上,解除输入信号之间的相关性,提高了算法辨识的精度和收敛速度。通过对New-England10机39节点系统的仿真数据分析以及南方某电网实测线路的辨识计算,其结果验证了该改进算法对低频振荡模式辨识的有效性。并通过与基本的LMS(最小均方)算法以及传统ARMA(自回归-滑动平均)算法辨识效果的比较,验证了该改进算法对低频振荡模式的辨识具有更好的精确性且提高了收敛速度,更具有实际的工程意义。

自适应Memetic算法 篇7

遗传算法是一种全局优化算法, 是模拟生物在自然界中的进化过程而形成的, 已在机器学习、组合优化、图像处理和自适应控制等领域中广泛应用。然而大量研究与实践显示, 遗传算法全局搜索能力很强而局部搜索能力不是很强, 且容易过早地收敛, 相反, 局部搜索算法搜索目的性很强, 能够很快收敛到局部最优解, 因此将局部搜索算法与遗传算法相结合, 可以提高遗传算法的优化性能。我们称这种混合算法为遗传局部搜索算法, 也可称作Memetic算法。

Memetic算法是一种局部搜索侧略与全局搜索策略相结合的算法[1]。相比传统的遗传算法, 这种结合机制使其在某些问题优化中的搜索效率快很多。Memetic算法提出的是一个概念, 一种框架, 不只是混合遗传算法或拉马克进化算法。在这种框架下, 不同搜索策略的选取可以形成不同的Memetic算法, 比如局部搜索算法可以选取模拟退火、爬山搜索、禁忌搜索、贪婪算法等, 全局搜索算法可以选取进化规划、进化策略、遗传算法等。

全局搜索策略与局部搜索策略耦合的过程中有以下6个方面[2]需要注意: (1) 局部搜索的频率; (2) 个体进行局部搜索的概率; (3) 种群中可进行局部搜索的范围; (4) 局部搜索的强度; (5) 局部搜索方法的选择; (6) 如何减小通过引入局部搜索算子而增加的计算时间。

局部搜索算法有很多, 不同的局部搜索算法对特定优化问题的优化效率差别很大。自适应Memetic算法, 即可以根据优化问题的不同自适应的选取局部搜索算子的Memetic算法, 成为优化算法领域新的研究方向。Krasnogor在文献[3]中提出了对多种局部搜索算法进行整合, 并依据局部搜索邻域的选择函数与当前算子的搜索情况来选取局部搜索算法的策略。文献[4]中用“hyperheuristic”一词来描述将多个局部搜索算法整合, 不同个体采取不同局部搜索算法的策略。Smithz提出了Coevolving Memetic算法, 采用某种策略选择局部搜索算法[5]。这种策略, Ong and Keane描述为“meta-Lamarckian learning”[6]。文献[7]总结了自适应Memetic算法的研究现状。

局部搜索个体的选择策略同样是Memetic算法的研究重点。文献[8]中提到了基于离散度的策略来确定局部搜索点。文献[9]中提到了基于适应值、空间分布及精英保留等策略来确定局部搜索点。

本文选取基于离散度的策略来确定局部搜索点, 并且将多种局部搜索算法与遗传算法结合, 形成多种Memetic算法。将这些算法应用于基准函数优化中, 通过对每种算法的优化特性进行观察, 进一步提出了基于离散度的自适应Memetic算法 (DAMA, 即Diversity-based Adaptive Memetic Algorithm) 。通过将该种算法与传统Memetic算法作对比, 表明该算法具有更强的通用性, 更高的效率和更好的鲁棒性。

1 基于离散度的自适应Memetic算法

1.1 耦合策略及参数设置

(1) 局部搜索算法的选取策略:局部搜索算法的效率。局部搜索算法的选取策略在自适应Memetic算法中有很多。相比排序法、随机法、经验法, 本文通过局部搜索算法的搜索效率来选择局部搜索算法。单纯形搜索法、方向加速法、拉格朗日搜索法与模式搜索法组成了局部搜索算法库。对前面的局部搜索点随机选择局部搜索算法, 组建局部搜索算法的优化效率库, 然后, 后面的局部搜索点根据前面局部搜索算法在周围已搜索点的优化效率选择局部搜索算法。

下式用于计算局部搜索算法的优化效率:

上式中:

i———优化代数;

bestvars———最优点变量;

bestfitness———最优点适应度。

(2) 局部搜索点集的选取策略:离散度原则。为求得最优解, 种群中的个体最好每个都进行局部搜索, 然而为了提高优化效率, 在实际问题优化中, 不能对每个个体都进行搜索。在局部搜索点的选取上有很多算法, 比如适应值法、随机法、离散度法等[5,6]。本文在局部搜索点的选择上选取基于离散度的策略, 具体策略如下: (1) 将种群中的最优点确定为局部搜索点; (2) 单位化其他搜索点到最优点的距离; (3) 去掉种群中距离最优点相对距离较小的点; (4) 当局部搜索点的个数满足要求时, 停止搜索, 否则转步骤 (1) , 继续搜索。

(3) 局部搜索点选取搜索邻域的策略。不同的搜索邻域对算法的优化效率具有很大的影响。搜索邻域的选取取决于个体的不同类型:对种群中的最优个体选取小的搜索领域, 进行精确搜索;为使其他局部搜索点共享最优个体的搜索信息, 其它局部搜索点的搜索邻域半径定为搜索点到最优个体的距离 (见图1) 。

(1、2、3、4、5为局部搜索点, 1是种群中的最优点)

(4) 局部搜索点选取搜索强度策略。需要进行深度搜索的点, 如每代种群中的最优点, 搜索强度高, 搜索次数可设置相对较多, 如8倍变量个数, 其他局部搜索点不需要进行深度搜索, 搜索次数可设置相对低一些, 如4倍变量个数。

1.2 算法流程

算法流程见图2。

2 数值实验

Ackey、Sphere、Rastrigin和Griewank[10]等测试函数组成数值试验的测试函数集, 具体函数特性见表1。为体现DAMA算法的优越性, GA及传统Memetic算法 (MA-POWE, MA-SIMP, MA-HOJE, MA-LAGRH) 共同参与数值实验, 进行对比。各算法的参数设置如表2。对所有函数在20维的情况下进行测试, 中止条件为运算5 000次, 各实验均独立运行20次, 选函数最优点的平均值及方差来确定算法的效率和鲁棒性, 结果见图1、表3。

GA遗传算法;

MA-POWE方向加速法与遗传算法结合的Memetic算法;

MA-HOJE模式搜索法与遗传算法结合的Memetic算法;

MA-SIMP单纯形搜索法与遗传算法结合的Memetic算法;

MA-LAGRH拉格朗日法与遗传算法结合的Memetic算法;

DAMA自适应Memetic算法。

以上测试表明, 与其它5种算法相比, DAMA在Rastrigin与Ackey测试函数的优化中效率最高, 在Rastrigin与Sphere测试函数的优化中效率较高。对不同的局部搜索算法, DAMA需要进行优化效率的评估, 导致DAMA在某些问题领域上的优化效率不如传统Memetic算法。为提高DAMA的优化效率, 在实际问题的优化中需要优化人员根据优化问题的特性自行设置DAMA中局部搜索算法的数量与种类。测试结果表明, DAMA算法相比其它5个算法, 具有更强的通用性。

3 结语

针对遗传算法局部搜索能力差且易过早收敛的缺点, 本文提出了一种基于离散度的自适应Memetic算法 (DAMA) , 该算法通过离散度来确定局部搜索点, 然后根据局部搜索算法的效率自动选择局部搜索算法。数值试验表明, DAMA比遗传算法 (GA) 及4种传统Memetic算法 (MA-POWE, MA-SIMP, MA-HOJE, MA-LAGRH) 更具通用性, 效率也更高。

摘要：在处理多峰函数的优化问题时, 遗传算法局部搜索能力差, 并且容易早熟。针对这种问题, 将遗传算法与多种局部搜索算法相结合, 形成多种Memetic算法。通过进行数值优化实验, 发现算法的优化效率有所提高, 但是局部搜索算法的不同对优化性能影响很大。为解决这种问题, 在传统Memetic算法的基础上提出了一种使每代个体根据局部搜索算法的搜索效率自适应选取局部搜索算法的Memetic算法, 即基于离散度的自适应Memetic算法。通过测试函数测试, 这种算法具有更高的效率和更强的通用性。

关键词：多峰函数优化,遗传算法,局部搜索算法,离散度,自适应Memetic算法

参考文献

[1]P MOSCATO.On evolution, search, optimization, genetic algorithms and martial arts:towards memetic algorithms, publication report 790[J].Caltech Concurrent Computation Program, 1989.

[2]YEW-SOON ONG, MENG HIOT LIM, XIANSHUN CHEN.Research frontier:memetic computation-past[Z].Present&Future.

[3]N KRASNOGOR, B BLACKBURNE, J D HIRST, et al.Multimeme algorithms for the structure prediction and structure comparison of proteins, in parallel problem solving from nature[J].Lecture Notes in Computer Science, 2002.

[4]P COWLING, G KENDALL, E SOUBEIGA.A hyperheuristic approach to scheduling a sales summit[C]//PATAT 2000, Springer Lecture Notes in Computer Science.Konstanz, Germany, Aug.2000:176-190.

[5]J E SMITH ET AL.Co-evolution of memetic algorithms:initial investigations, in parallel problem solving from nature—PPSN VII, G.Guervos et al., Eds.Berlin, Germany[J].Springer, Lecture Notes in Computer Science, 2002:537-548.

[6]Y S ONG, A J Keane.Meta-Lamarckian in memetic algorithm[J].IEEE Trans.Evol.Comput, vol.8, pp.99-110, Apr.2004.

[7]ONG Y-S, LIM M-H, ZHU N, et al.Classification of adaptive memetic algorithms:a comparative study[J].IEEE Trans Syst Man Cybern Part B.

[8]M W S LAND.Evolutionary algorithms with local search for combinatorial optimization.Ph.D.Thesis[J].University of California, San Diego, 1998.

[9]W E HART.Adaptive global optimization with local search[D].PhD thesis:University of California, 1997.

自适应竞争遗传算法研究 篇8

遗传算法具有良好的全局搜索性能，减少了限于局部最优解的风险，鲁棒性强，适用于并行处理，搜索不依赖于梯度信息。标准的遗传算法(SGA)收敛速度太慢，交叉率和变异率固定等缺陷，对提高控制系统的响应速度和控制精度不利，严重影响到遗传算法实际应用，Srinvivas等提出的一种使交叉概率pc和变异概pm随适应度自动改变的方法—自适应遗传算法 (AGA) 。本文研究了基于自适应竞争的遗传算法，采用保优竞争策略。保持最优个体算法就是在每一代的遗传操作中，保持当前一定数量的最优解，它们不参加变异和交叉操作。为了避免过早的陷入早熟，用当前代最优个体取代适应度最差个体，参与交叉变异。自适应竞争遗传算法是个体能够根据自身的适应度大小，自动决定交叉率和变异率且自动取舍是否直接转入下一代还是参与遗传操作。运用MATLAB对其进行仿真，结果显示该算法的有效性。

（二）自适应竞争遗传算法的实现

自适应竞争遗传算法实现过程如下：

1. 初始化：

确定遗传操作的参数：种群大小，染色体长度、进化代数、交叉率和变异率由自适应函数给出。

2. 编码：

本文采用二进制编码方式，二进制的长度由问题解的控制精度确定，这里选择其长度为20，采用二进制编码的优点就是遗传操作方便。

3. 计算各个体的适应度值：

这里的是求一函数的最大值，故可直接把函数实值作为其适应度，由二进制转十进制函数计算出个体适应度值和平均适应度fagv。

4. 保优竞争：

当个体适应度值大于平均适应度fagv的个体即被选中，共计为N个，再次计算该N个体的平均适应度fagv1，当选中的个体大于平均适应度fagv1，直接进入下一代。其中存在两次竞争，第一次和第二次竞争淘汰下来的进行交叉变异操作。

5. 确定交叉率fc和变异率fm自适应函数：

由各个体的适应度大小自行决定交叉率fc和变异率fm的大小，为了避免过早地陷入局部最优，采用两次竞争的最优个体替代最差个体，并给其较小的交叉率和变异率进行遗传操作，具体的确定法则见式 (1) 和式 (2) 。

其中，式2中，0

6. 进行交叉变异操作：

由第四步的公式编写交叉变异函数，分别对其进行调用，计算经过遗传操作的个体适应度，与第一次竞争的优胜个体进行重组操作。

第六步判断遗传操作是否结束：判断是否达到给定的遗传代数，是，给出最优个体，否，则返回第3步。

（三）Matlab编程实现

为了对比验证该算法的有效性，本文采用雷英杰编著的《MATLAB遗传算法工具箱及应用》第七章7.1的例题函数，并与之进行对比。

利用遗传算法计算下面函数的最大值：

选取和例题一样的初始条件，种群个体数目为40，每个种群长度为20，不使用代沟值，取而代之的是竞争操作。

编程环境是基于英国设菲尔德(Sheffield)大学的MATLAB遗传工具箱，标准的遗传算法的交叉率和变异率固定，这里用的是自适应，即各个体的交叉率和变异率是不一样的，要实现这一功能，必须扩展工具箱函数，使其交叉率pc和变异率pm能符合矩阵操作，即可满足自适应操作要求。

保优竞争操作实现代码如下:

（四）仿真结果分析

图1是采用自适应竞争遗传算法对式3进行寻优操作的最后结果图。

图2是自适应竞争遗传操作每代最优解和种群均值的变化曲线。

从图2中可以得出, 运用自适应竞争遗传操作, 在5代之内即可寻到该函数的最大值，运用标准的遗传算法须经过25代后才寻到最优解，如果选择函数选择sus函数时，还有可能陷入局部最优，如图3。

（五）结语

通过仿真发现自适应竞争遗传算法的有效性，时效性，对标准的遗传算法进行了优化，提高控制系统的响应速度和控制精度，对遗传算法实际应用起到一定帮助，但是遗传算法在最优解附近的精调能力较弱，解决办法可用遗传算法与神经网络进行结合，这在后面的研究工作有待体现。

摘要：遗传算法具有良好的全局搜索性能, 鲁棒性强, 适用于并行处理, 但标准的遗传算法 (SGA) 收敛速度太慢, 交叉率和变异率固定等缺陷, 对提高控制系统的响应速度和控制精度不利, 严重影响到遗传算法实际应用。文章主要研究了基于自适应竞争的遗传算法, 采用保优竞争策略, 仿真显示该算法的有效性。

关键词：自适应,遗传算法,保优竞争

参考文献

[1]刘战国, 童明俶, 王明渝, 黄萍.遗传算法在BP网络PID控制中的应用仿真[J].计算机仿真, 2009, 26 (10) :207-211.

[2]王焱, 孙一康.GA-BP网络混合建模方法及其在冷轧参数优化中的应用[J].济南大学学报 (自然科学版) , 2001, 15 (4) :319-322.

[3]吴琦, 胡德金, 张永宏, 徐鸿钧.GA-BP网络建模在套料钻性能预测中的应用[J].兵工学报, 2006, 27 (3) :494-497.

[4]姚有领.智能自适应解藕控制及其在板形板厚综合控制中的应用[D]:[博士学位论文].上海:上海大学机电工程与自动化学院, 2007.

自适应重生鱼群优化算法 篇9

人工鱼群算法[1]是李晓磊等人于2002年提出的一种基于动物自治体的新型寻优策略。该算法模拟了自然界中鱼群的觅食、聚群和追尾行为。为了突出人工鱼群算法的全局寻优能力,李晓磊等[2]将人工鱼群算法与遗传算法进行对照,测试后得到其效果更佳,且人工鱼群算法具有集群智能、良好的并行性、参数和初值的鲁棒性强等优点,在工程上已得到广泛使用[3,4,5,6,7,8]。李亮等[4]于2006年构造了一种两点禁忌寻优算子以避免寻优过程中的迂回搜索,并将其应用到两个复杂土坡的最小安全系数搜索中;方金城等[5]于2011年引入实数编码对鱼群算法进行改进,并将其应用于配送决策问题中;陈安华等[7]于2012年通过定义相似度因子和聚类判别因子,建立了模拟人工鱼群追尾行为的机械故障聚类诊断模型,并将之应用于机械故障特征信息的聚类分析。

通过反复实验发现人工鱼群算法设计思路简单,求解低维优化函数时能够保持较高的精度,且能够较快地获取全局最优解。但我们在实际中遇到的往往是庞大的工程问题,决策变量的维数较高,导致搜索范围的空间复杂度大大增加。这时应用传统的人工鱼群算法很容易陷入局部最优,算法的精度和收敛速度也随之下降。针对以上的不足,本文对人工鱼群算法进行改进,给鱼群注入“新生命”和引入动态拥挤度因子,使其在处理高维优化函数时仍能保持较高的精度。主要思想是在算法迭代过程中,一方面给种群注入“新生命”,丰富了种群的多样性;另一方面通过控制拥挤度因子的值及时地调整鱼群的行为,这样扩大了鱼群的搜索范围,有效地避免算法陷入局部最优。同时,利用仿真实验研究了该方法的有效性。

1 自适应重生鱼群优化算法

1.1 优化问题的描述

一个优化问题描述如下:

式中,f(X)表示目标函数,X表示决策变量,S表示可行域。

1.2 传统人工鱼群算法的描述

鱼群搜索食物的过程主要包括觅食、聚群和追尾三种行为。觅食表现在当鱼在它的视野范围内发现食物时,则朝该方向游动;聚群是每条鱼在游动过程中尽量地朝邻近伙伴的中心游动,并避免过分拥挤;追尾是指当某条鱼发现该处食物丰富时,其他鱼会快速尾随至此。

在一片水域中,鱼往往能自行或尾随其他鱼找到营养物质比较丰富的地方,因而鱼聚集数目最多的地方往往是水域中营养丰富的地方。人工鱼群智能算法求解最优化问题就是模拟鱼群搜索食物过程的特点,把可行解域看成一片水域,函数在可行解域中的极值点视为水域中鱼群的食物源,函数值视为食物源的食物浓度。然后从构造单条人工鱼开始,通过模拟鱼的觅食、聚群和追尾行为,实现所有人工鱼聚集在食物源中心的附近,再比较相应食物源的浓度值,得出最优食物源,其对应位置的坐标就是最优化问题的解。

鱼的视野范围(记为Visual)是有限的。它在水域中随机游动,若在其视野范围内发现某点的食物浓度大于当前位置的食物浓度,则它会朝食物浓度大的点方向进行移动,移动的步长用step表示。游动到一定的程度,鱼在它的视野范围内可能有多条鱼,此时会产生聚群现象。若每一条鱼当前位置的食物浓度低于视野范围内鱼群的中心位置的浓度,鱼群的拥挤度不是太大,则鱼会朝中心位置移动;同时鱼群中的鱼还会有追尾现象发生,每一条鱼会探索其视野范围内最大食物浓度位置中的鱼,若拥挤度还没有达到极限位置,则鱼会朝最大食物浓度位置游动。

传统的人工鱼群算法经反复实验发现:决策变量X的维数增多时,算法的精度和收敛速度大大地降低了,无法得到全局最优解。实际问题中的许多待优化问题往往是高维的,如资源配送问题、线路设计问题等。因此本文在传统的鱼群算法基础上不断地给鱼群注入新的“生命”,动态修订鱼群拥挤度因子的上限值,更加符合自然界中鱼群的搜索食物的过程。改进后的鱼群算法称为自适应重生鱼群优化算法,适合大规模的优化问题的求解。

1.3 反向学习的基本概念

反向学习是智能搜索中的一种方法,已经被证明是随机搜索算法中的一种有效方法[14,15]。下面介绍反向学习中几个基本的概念。

1.3.1 反向数

定义1若x∈[a,b]是一维实空间R1中的点,则x的反向数x*=a+b-x。

1.3.1 反向点

定义2若p=(x1,x2,…,xn)是n维实空间上的一点,且xi∈[ai,bi],i=1,2,…,n,则p所对应的反向点p*(x1*,x2*,…,xn*),其中xi*=ai+bi-xi,i=1,2,…,n。

1.4 自适应重生鱼群优化算法

1.4.1 鱼群重生

鱼群重生是指每次迭代的开始根据上轮迭代所得的N个位置,生成这N个位置分别对应的反向点,重新得到N条人工鱼,给人工鱼注入新的生命,相当于产生新的N个位置。然后把N个位置与上轮迭代所得N个位置的食物浓度进行比较,选取食物浓度最大的前N个位置作为人工鱼的现处位置来参与进化,是对人工鱼的一种更佳的估计。每次迭代通过不断地给人工鱼注入“新生命”,丰富了种群的多样性,人工鱼的搜索范围扩大,跳出局部最优的机会增大,提高了算法获得全局最优的可能性。

1.4.2 动态拥挤度因子

拥挤度因子是用来刻画人工鱼群聚集的规模,拥挤度因子δ的设定是避免人工鱼过分地聚集在某个极值点的周围,使得人工鱼能够更广泛的寻优。传统的人工鱼群算法中把δ设定为一个常数,这样设计会影响算法的性能。若δ选取偏小,人工鱼在逼近极值的同时会避免过分拥挤而随机走开,或者受其他人工鱼的排斥作用,不能精确逼近极值点,且导致收敛速度很慢;若δ选取过大,容易陷入局部最优,致使算法出现停滞现象。

现引入动态拥挤度因δk来更加确切地模拟鱼搜索食物的过程。事实上,鱼群在寻找食物开始时,每条鱼在其视野范围内并不拥挤,为更广泛地搜索,避免鱼群过度集中,拥挤度因子δ应该取较小的值;随着鱼群搜索过程的继续,鱼群就会进行聚群和追尾行为,这时鱼的周围变得越来越拥挤,这时为保证最优食物源的周围有更多的鱼,避免因拥挤限制鱼群的聚集,δ应随着搜索的进行而增加。但是迭代后期,鱼群趋于成熟和稳定,鱼群容易陷入局部最优,致使算法停滞不前。这时为了提高人工鱼跳出局部最优的能力,我们应抑制鱼群的聚群和追尾行为,鼓励其进行觅食行为和随机游动,这时我们就要抑制δ的值并适当地降低。鉴于此,随着迭代次数k的不同,拥挤度因子δ也不同,即鱼群算法的拥挤度因子δ应该是迭代次数k的函数δk=δ(k)(δk称为动态拥挤度因子),且两者的函数关系大致如图1所示。

由此,鱼群算法中拥挤度因子的上限值δ修正为动态值δk。利用Matlab软件进行拟合,得到其变化规律可以利用正态分布来刻画,且拟合函数为:

其中m代表最大迭代次数。

鱼群算法经过上面两个方面的改进就称为自适应重生鱼群算法,其算法步骤为:

步骤1

设定每条人工鱼的视野范围为Visual,移动步长恒定为step,拥挤度因子为δ,最大迭代次数为m。

步骤2

初始化鱼群。在可行域S内随机生成N条人工鱼。第i条人工鱼的当前位置为Xi,其对应的食物浓度Yi(=-f(Xi))(i=1,2,…,N)。

步骤3

测定N条人工鱼在当前位置下的食物浓度Yi(1≤i≤N),记录食物浓度最大值Ymax和相应的位置Xmax,即作为公告板的初始记录(Xmax,Ymax)。

步骤4

鱼群重生。设这N条人工鱼当前位置为{X1,X2,…,XN},反向生成另外N条人工鱼的位置{X'1,X'2,…,X'N},且计算相应的食物浓度{Y1,Y2,…,YN}和{Y'1,Y'2,…,Y'N}。将{Y1,Y2,…,YN}和{Y'1,Y'2,…,Y'N}合在{Y1,Y2,…,YN,Y'1,Y'2,…,Y'N}进行比较,并取出其中前N个较大的食物浓度{Y1max,Y2max,…,YNmax}及它们所对应的人工鱼的位置{X1max,X2max,…,XNmax}。最后Ximax代替Xi即可(i=1,2,…,N)。

步骤5

动态拥挤度因子δk:

步骤6

聚群。设第i条人工鱼当前位置为Xi,探索其视野范围内的人工鱼的数目nif及中心位。如果(δk为拥挤度的上限值),则朝中心位置的方向按照式(1)前进一步,否则执行步骤8。

步骤7

追尾。设第i条人工鱼当前位置为Xi,探索其视野范围内的人工鱼中食物浓度最大的人工鱼Xj。如果Yj>Yi且,则朝人工鱼Xj的方向按照式(1)中的方法前进一步,否则执行步骤8。

步骤8

觅食。在人工鱼Xi的视野范围内随机选择一个位置Xj。若Yj>Yi,则朝Xj的方向按照式(1)中的方法前进一步,否则重新随机选择位置Xj,判断是否满足前进条件。若尝试Try_number次后仍不满足前进条件,则执行步骤9。

步骤9

随机移动。人工鱼在其可行域S内按照式(2)随机移动一步,产生一个新的位置Xnext。

步骤10

评估N条人工鱼现处位置下的食物浓度Y',并与公告板的初始记录进行比较。若Y'max≥Ymax,则更新公告板,否则不更新。

步骤11

用新确定的人工鱼位置,从步骤4开始重新搜索,直到迭代结束。

2 实验与仿真

2.1 高维优化函数极值问题

选择以下非线性优化函数来验证自适应重生鱼群优化算法的性能:

该非线性优化函数的全局最优解的周围分布着很多局部最优解。且容易看出,对任意的自然数n,该优化问题的最优解为X=0,最优值为1。

下面的仿真实验中,算法参数设置如下:人工鱼的数量为50,视野范围为1,移动步长为0.05,最大试探次数为50,最大迭代次数的设定:实验1为500次,实验2和3为50次。

实验1

图2为采用传统人工鱼群算法求解式(3)所得的最优值随维数n的变化曲线;图3为维数n=11时传统人工鱼群算法的寻优曲线。从图2可以看出随着维数n的增大,传统人工鱼群算法的最优值越来越偏离1,精度大大地降低。当维数n>5时,传统人工鱼群算法的求解误差≥0.25,所以其适用范围受到一定的局限性。且从图3中可以看出当维数n=11时,传统人工鱼群算法在迭代初期就陷入局部最优,始终无法跳出,所得的最优值0.366与1相差很大。

通过实验1可以得出:如果问题(3)要求求解误差≤0.25,则传统人工鱼群算法的适用范围为维数n≤5。但是实际的工程问题很复杂,所对应的优化问题的维数往往不止5。

实验2

图4-图6为自适应重生鱼群优化算法与传统的人工鱼群算法维数不同比较的仿真结果。图4表示当维数为2时,两种算法寻优曲线的比较。从图4可以看出虽然两种算法都能得到最优值,但改进后的人工鱼群算法比传统的人工鱼群算法的收敛速度快。图5表示当维数为5时,两种算法寻优曲线的比较。从图5可以看出当迭代次数为40次时,传统的人工鱼群算法已经陷入局部最优,并且所得的最优值0.87。但是自适应重生鱼群算法所得的最优值仍能逼近于1,求解精度比传统的人工鱼群算法高,且收敛速度快。图6表示当维数为11时,两种算法寻优曲线的比较。从图6可以看出传统的人工鱼群算法所求的最优值在0.4左右,与式(3)的最优值偏离很大,已经无法适用。但是自适应重生鱼群算法所得最优值仍保持在0.75以上,求解精度仍比传统的人工鱼群算法高。

通过实验2可以得出:本文自适应重生鱼群优化算法在收敛速度和全局寻优能力上都比传统的人工鱼群算法更佳,大大拓宽了人工鱼群算法的适用范围,在解决复杂的工程问题上更胜一筹。

实验3

图7为两种算法运行时间的比较结果。从图7可以看出在相同的迭代次数内,当维数n≥6时,两种算法的运行时间相当,也就是说,与传统人工鱼群算法相比,本文算法的复杂度并没有增加,说明本文提出的算法不仅复杂度没有增加,且各项性能都有大幅度的提高,在工程上适用范围广。

由此可以得出结论:处理高维优化函数问题时,自适应重生鱼群优化算法与传统人工鱼群算法相比,具有寻优速度快、精度高、复杂度相当等优点,成功地拓宽了其在工程上的应用。

2.2 旅行线路的优化

旅游线路的优化的问题是旅行商(TSP)问题的一种典型代表。近几年来对于TSP问题的求解提出了许多优化算法,其中仿生算法是研究的热点[9,10,11,12]。它具有传统算法不可替代的优势,如:非线性性、自组织性和并行性等。本文引用文献[13]中设计旅行线路为例,来直观地反映自适应重生鱼群优化算法与其他算法的优劣。

按照实数编码的原理,对各个城市进行重新编号。为验证本文算法的性能,同时引入遗传算法和传统的人工鱼群算法进行求解。此时的优化函数为城市之间的欧氏距离之和。相关参数设置如下:人工鱼数目为10;最大迭代次数:遗传算法为1500,传统和改进后的人工鱼群算法为500;最多试探次数为100;视野范围为6;移动步长为2;拥挤度因子为0.8(遗传算法与文献[13]的参数设置一致)。现设置出发点都为重庆,且必须经过每一个城市且仅一次,最后回到重庆。

由文献[13]可知,利用遗传算法得出的最优路线,所对应的最优值为18 997.8 km。采用传统的人工鱼群算法设计旅行路径的结果,其对应的最优值为18 596.9 km。从优化效果来看,传统人工鱼群算法的寻优效果比遗传算法的效果更好些。采用自适应重生鱼群优化算法设计旅行路径的结果。对应的线路安排如下:重庆—>贵州—>南宁—>海口—>澳门—>香港—>广州—>长沙—>合肥—>南京—>上海—>杭州—>台北—>福州—>南昌—>武汉—>郑州—>太原—>石家庄—>济南—>哈尔滨—>长春—>沈阳—>天津—>北京—>呼和浩特—>西安—>银川—>兰州—>西宁—>乌鲁木齐—>拉萨—>昆明—>成都—>重庆;所对应的最优值为17 595.3 km。从优化效果来看,自适应重生鱼群优化算法的寻优效果比遗传算法和传统的人工鱼群算法的效果都更佳。图8为自适应重生鱼群算法的寻优效果图。从寻优的速度来看,本文算法能够快速地找到较优路径,并且运行时间短。

通过三种算法的比较可以得出:本文在迭代过程中采用鱼群重生和利用正态分布调整拥挤度因子的思想设计所得的自适应重生鱼群优化算法,在实际的应用中能够得到更佳的效果,并且求解精度高,收敛速度快,成功地拓宽了传统的人工鱼群算法在工程上的应用。

3 结语

本文针对人工鱼群算法在处理高维优化函数时的缺点,提出了自适应重生鱼群算法。通过鱼群重生和利用正态分布动态调整拥挤度因子的结合,不仅每次迭代都给鱼群注入“新生命”,使鱼群得以重生,而且能自适应地调整鱼群的行为。实验表明:经自适应重生鱼群优化算法提高了求解高维优化函数的收敛速度和精度。最后为验证本文算法的有效性,将其用于34个城市旅游线路的优化,并与传统的人工鱼群算法和遗传算法相比。结果表明:本文算法寻优精度高,得到的线路最优,成功地拓宽了其在工程上的应用。

摘要：针对传统人工鱼群算法求解高维优化问题收敛速度较慢,易于陷入局部最优,提出自适应重生鱼群优化算法。首先在每次迭代过程中,不断地给鱼群注入“新生命”使鱼群得以重生;然后采用正态分布动态调整拥挤度因子的上限值使得算法更贴近于鱼群搜索食物的过程。实验结果表明,改进后的算法既保证收敛速度、增加算法获得全局最优的可能性,又适用于求解大规模的优化问题。其中的两个算例采用改进的鱼群算法进行优化,优化结果与实际具有良好的一致性,说明了改进算法的有效性和实用性。

自适应车牌抓拍识别算法研究 篇10

图像分割作为图像识别领域最重要的技术方法之一,具有广泛的应用前景,图像分割就是经原始图像分割成若干个封闭的、具有特定意义和性质的区域,并从中提取出感兴趣的区域。图像分割是图像分析的基础和关键步骤,分割技术的优劣直接关系到后续图像分析的可靠性和有效性,因此,提高图像分割技术至关重要,现有的图像分割技术对特定区域跟感兴趣区域存在明显差异性的图像处理结果较为理想,而对于图像中包含复杂的环境以及特定区域过多或者感兴趣区域较小时,简单的图像分割技术的分割效果并不理想,因此,提高图像分割技术的适应性以及分割的准确性显得尤为重要[1,2]。

国内外学者在图像分割方面做了大量研究,取得了一定的成果,张晶等人从图像分割技术的基本原理出发,对典型的图像分割技术进行阐述和说明,且对图像分割技术在机车检测、生物医药等领域的应用做了介绍,对图像分割技术的未来发展趋势作了预测。欧阳鑫玉对传统的阈值分割法、边缘检测法以及区域分割法作了陈述,此外,对出现的新兴图像分割方法作了简要介绍,并指出未来图像的发展趋势。上述两人只对图像分割作了理论陈述[3],并未对图像分割中存在的关键技术以及解决方案提出理论依据。刘保利针对SAR图像局部灰度值的统计特征和像素空间的方差分布,建立了MarkovGAR模型对SAR图像进行分割,此种方法在一定程度上大大提高图像的分割提取精度,但此种方法只适应用高分辨率的图像,其使用范围较窄。上述研究在一定程度上促进了图像分割技术的发展,但都不同程度的存在缺陷,本文通过不断调整X、Y方向的阈值检测范围达到图像分割的自适应,该方法能够有效获取不同方向上图像梯度的最大变化率,依据阈值检测结果确定最佳的分割区域,从而确定感兴趣的目标区域。最后,以复杂环境下的车牌图例作为算例对所提算法进行验证,测试结果表明,自适应图像分割算法在一定程度上能够适应复杂的环境条件。

1、图像阈值分割技术

灰度阈值分割技术[4,5]是最为常见的并行区域技术,它在图像分割中应用范围最广的,本文所提及的算法也是建立在阈值分割方法之上的。所谓的阈值分割方法实际上就是将输入图像f到输出图像g作如下变换,

将大于等于(或者小于等于)阈值的像素作为背景元素,生成一个而至图像,其中,T是预先设定的阈值,阈值选取的好坏决定该方法成败。由此可见,图像阈值算法的关键是确定阈值,如果能够确定一个合适的阈值就可以准确的将图像分割开来。该方法适用于物体与背景有较强的对比性,感兴趣区域的灰度比较单一,该方法总可以得到封闭的连通域的边界。

阈值分割中阈值的选取依据:仅仅依赖像素灰度的全局阈值;依赖于像素灰度和其周围领域的局部特征性质的局部阈值以及依赖像素灰度、周围领域局部特性以及坐标位置有关的动态阈值。本文选取第三种阈值选择方法。

2、小波去噪

小波变换[6,7]将信号与一个在时频两域均有良好局部特性的小波函数进行卷积,是一种线性变换,它对原始信号进行时频两域分解,其基本思想就是:各种信号频率高低不同的分量具有不同的时变特性,通常较低频率成分的频谱特性随时间的变化较为缓慢,而频率较高成分的频谱特性变化迅速,这样就可以规律的非均匀地划分时间轴和频率轴,这可以在不同频带范围内获得较为合适的时间分辨率和频率分辨率。小波去噪的数学描述就是对图像f(x,y)进行二维小波变换如下:

式中:s为小波尺度,通常取2的次幂,**为二维卷积运算,将上式简记为向量形式:

图像小波去噪就是将图像与小波基函数进行卷积运算。

3、自适应分割技术

本文所提出的自适应图像分割技术[8,9]涉及到两个阈值的设定,即灰度阈值和X、Y方向的阈值检测范围。对于数字图像,其存储的一般格式为二维矩阵,对图像处理就是对图像原始矩阵进行相应的初等变换,首先通过矩阵元素间的差分求得图像的梯度值,由于经差分求解后,梯度矩阵的维数会减小,为了保证梯度矩阵跟原始图像矩阵具有相同的大小,对图像的边缘进行补充,补充时依据下式进行,

其中,u为原始图像,g为图像的梯度。

试验中所采集到的图像进行灰度化处理,运用小波对其进行去噪,选取的小波函数为db2,分解层数设为3,去噪结果如下图所示:

经小波去噪后图像的基本特征被很好的保留了下来,这保证了后续图像分割的可靠性和有效性,为图像后续处理提供了可靠的数据。灰度值阈值的确定需对原始图像的灰度值的分布进行分析,灰度值的分布范围一般会呈现出双峰特性,波峰就是感兴趣区域与背景区域的灰度均值,下图是图像灰度值的统计分布,从图中可以看出,灰度在60-70之间出现了较大波峰,因此在充分考虑了灰度统计分布后初步确定灰度阈值范围约为60-70之间,图像分割必须给出确定的灰度阈值,为此,本文运用遗传算法确定最佳的灰度阈值,候选解的范围设定为60-70,初始解g0=60,将每个候选解阈值下的图像X、Y方向的阈值检测结果作为适应度函数,只适应就是依据图像的统计特征初步确定图像的阈值范围,进而利用优化算法对候选解区域进行细化,最终得到最佳的阈值。

图像沿X、Y轴的阈值检测就是给定一个阈值,在此阈值下,通过设定阈值的移动范围,沿图像矩阵的行与列进行搜索,对大于阈值的次数进行统计,图4、图5是X、Y方向位距离下灰度极差的变换情况。

图4、5只列举了一行或一列的灰度极差。在求极差时,距离区间的选取也具有一定的随机性,若选取的距离区间过大,则目标区域边界像素梯度的变化情况很难获取到,若取的距离区间过小,致使计算量大大增加,且图像隐含的噪声对目标域边界的确定影响很大,有时根本无法获取到真实的目标区域边界(即便图像经过去噪处理,图像还会隐含一些无法剔除的噪声,这些噪声往往会对处理结果产生重要的影响)。本文选取行的距离区间为30,列的距离区间为15,再通过行列遍历确定目标区域的沿X、Y轴的范围。最终确定目标区域范围如下图所示。

从图中可以看出,通过自适应分割算法后,图像的目标区域被准确的确定下来,可见,该算法具有较强的适应性,能够适应复杂的环境,对车牌的扫描以及检测提供了一种新的思路。

4、结束语

图像分割技术作为图像处理技术推广的关键性因素,对图像分析起着基础性作用,现有的图像分割技术的适用范围较窄,复杂的环境对图像分割又提出了新的要求。本文针对现有图像分割技术存在的技术缺陷,对阈值分割技术进行了扩展,提出自适应的阈值分割技术,在对图像进行灰度化以及去噪处理后,对图像的灰度统计特征进行分析,将具有双峰特性的灰度统计分布的波峰处的灰度区间作为遗传算法的候选解域,利用遗传算法确定最佳的灰度阈值,将初始解设定为候选解的下限,将每个候选解阈值下的图像X、Y方向的阈值检测结果作为适应度函数,从而保证灰度阈值是跟图像的灰度统计特征有关的变量,这间接就是提高了灰度阈值分割技术的适用范围。最后利用所提出的算法对车牌图片进行分割,分割结果显示:该算法能够有效提取出药品的商标,该算法对复杂的车牌的自动化获取提供了一种新的思路,对图像分割技术的推广具有重要意义。

摘要：现有图像分割技术对复杂的环境适应性并不强,在有外界因素干扰的情况下,简单的图像分割技术根本无法满足工程实践的精度要求,针对此种情况,提出一种自适应的图像分割方法,利用小波分析剔除图像噪声,在充分保留图像原始信息的情况下再对图像进行分割处理,该分割方法能够根据不同的环境状况,不断调整X、Y方向的阈值检测范围,获取不同方向上图像最大的梯度变化率,通过图像梯度变化率以及X、Y方向的阈值变化确定最佳的分割区域。最后,以复杂环境下车牌照图例作为算例对所提算法进行验证,测试结果表明,自适应图像分割算法在一定程度上能够适应复杂的环境条件。

关键词：图像分割,阈值检测,自适应

参考文献

[1]张晶,王黎,高晓蓉等.数字图像处理中的图像分割技术及其应用[J].信息技术,2010(11): 36-39..

[2]欧阳鑫玉,赵楠楠,宋蕾等.图像分割技术的发展[J].鞍山钢铁学院学报,2002,25(5):363-366.

[3]刘保利,田铮.基于灰度共生矩阵纹理特征的SAR图像分割[J].计算机工程与应用,2008,44(4):4-6.

[4]付峰,应义斌.生物图像阈值分割方法的研究[J].浙江大学学报(农业与生命科学版), 2003,29(1):108-112.

[5]梁忠伟,叶邦彦,彭锐涛等.基于灰度直方图拟合曲线的数字图像对于只分割技术研究[J].现代制造工程,2007 (9):103-105.

[6]甘亚辉,戴先中,李新德等.小波边缘检测在焊缝图像处理中的应用[J].华中科技大学学报(自然科学版), 2008(S1):65-67.

[7]贾超,王耀坤,邢晶晶.利用小波多尺度积实现裂纹缺陷的边缘检测[J]计算机工程与应用,2011,47(15):219-221.

[8]张伟,蒋宏,任章.自适应多阈值图像分割算法[J].自动化技术以应用,2007,26(8):71-73.