自适应波形选择

自适应波形选择（精选5篇）

自适应波形选择 第1篇

自适应波形选择的依据是,所选择的波形要能使下一次目标照射的检测概率不低于预设的检测概率门限。按脉冲宽度从小到大依次选择各波形,根据每种波形在下次照射时返回的平均信噪比计算出相应的检测概率,若某个波形可达到所需的检测概率,则选择此波形作为下次照射波形;若所有波形均不满足,则选择最后一个脉冲宽度最长的波形,这便是雷达所能提供的最佳选择。

1 雷达模型

相控阵雷达的工作频率为4 GHz,采用单脉冲幅度比较法测角,天线阵面为平面方形;波束宽度随着扫描角的增大而展宽,阵面法向的双程3 dB波束宽度为1. 6°,偏离法向60°时的波束宽度展宽至3. 2°;雷达虚警概率为10- 6,检测概率为0. 975。

相控阵天线为方形阵列,水平方向和垂直方向各55 个单元;各天线单元水平和垂直间距均为1 /2 波长;阵面法向位于0°方位角和15°俯仰角。

平面阵单波束归一化电压方向图[1]

其中,b1= 0. 25sin( Bkt- b0);b2= 0. 5π[sin( Bkt- b0) -sin(bk- b0)];e1= 0. 25sin(Ekt- e0);e2= 0. 5π[sin(Ekt-e0) -sin(ek- e0)];(Bkt,Ekt)为目标所在的方位角和俯仰角;(bk,ek)为波束指向的方位角和俯仰角。

设 θbsq,θesq分别为方位和仰角的斜视角,则与波束的电压方向图为∑kt则

方位和俯仰的差波束电压为

图1 给出了法线时(0,15°) 的和波束方向图。图2给出了波束宽度随扫描角变化的情况。

图3 给出了和波束方位与俯仰面的波瓣图,图4 给出了差波束方位和俯仰面的波瓣图,其中实线表示指向方位0°,俯仰15°,即阵面法向时的波瓣图;虚线表示波束指向方位-45°,俯仰30°方向时的波瓣图。从图中可看出,随着波束指向偏离法向,和波束宽度略有展宽。另外,和波束的副波瓣电平在20 dB以下[2,3]。

雷达参数和波形参数如表1 和表2 所示。

2 自适应波形选择

若目标RCS服从Swerling3 型分布,其理论的检测概率计算公式为[4]

其中,Save为目标回波的平均信噪比,按目标RCS平均值进行计算;TH为恒虚警情况下雷达检测门限;TH=10log10(-lnPCFARfa)。

设有Nw个脉冲波形,假设k时刻的雷达照射面积为^σave(k),可得到k时刻使用波形wi(1≤i≤Nw)预估的目标回波平均信噪比为

其中,τe(wi) 为波形wi(1 ≤i≤Nw) 对应的脉冲宽度;Rkt为雷达距离波门的中心距离;∑kt为天线和波束电压方向图;Gstc(R) 为距离雷达R处的灵敏度时间控制增益。由于下一时刻的Rkt,∑kt未知,需使用其预测值代入计算,这样便可确定出Save(tk,wi),于是有

其中,为tk时刻目标距离的预测值;为假定雷达平均波束指向误差为σtp倍的波束宽度时,预估目标与波束天线方向图,方位和俯仰的波束宽度分别为Bbw和Bew,则可按下式计算[1,2,3,4]

σpt按预设的置信度PCL计算且

双侧分位数u0. 5α[4]按 α =1 - PCL求出。由于期望目标以置信度PCL落入预测波束内,波束指向误差由方位和俯仰的标准差门限计算。

设检测概率门限记为,tk时刻选择的波形W( tk)按以下公式确定

上式中,PD(tk,wi)表示依波形变化预估的检测概率。

3 仿真实验

假设目标真实轨迹,如图5 所示,跟踪时间为400 s:起点为(15 000,3 000,6 000);0 ~ 100 s,匀速直线运动;100 ~ 200 s,第一次小机动拐弯;200 ~ 250 s,匀速直线运动;250 ~ 275 s,第二次大机动拐弯;275 ~400 s,匀速直线运动。径向距离噪声标准差为75 m,方位和仰角由雷达模型产生。雷达采用IMM[5,6,7,8,9]跟踪算法,跟踪周期为T =2 s,并分别使用固定波形和自适应波形。

为保证检测概率,固定波形使用最宽脉冲80 μs,且假设采样一次只发一个脉冲,在时间400 s内发射的总脉冲宽度 τtotal= 200 × 80 = 16 000 μs。

对上边同一次采样,同时进行自适应波形选择。假设初始3 个量测均以最大脉冲测量,则自适应波形选择如图6 所示。总采样脉冲宽度τtotal= ∑τi= 10 840 μs;单次平均脉冲宽度 τe= 10 840 /200 = 54. 2 μs。

4 结束语

由仿真数据可看出,自适应波形选择可在确保检测概率的同时,有效地节约雷达能量资源。而若要同时采用自适应采样间隔,其资源节约性能将更理想。参考文献

摘要：针对相控阵雷达的检测概率与能量资源消耗间的矛盾问题,采用了一种按照预测检测概率来自适应选择照射波形的方法,并在建立相控阵雷达模型的基础上进行了仿真。结果表明,该方法可在保证检测概率的同时,有效地节约雷达能量资源。

自适应波形选择 第2篇

基于以上考虑, 笔者提出了一种基于自适应颜色特征选择的自动白平衡方法, 这种算法不仅减轻了基于假设的算法的局限性, 而且在保持数码相机应用计算复杂度低的同时也提高了AWB的准确性。

1 RGB模型

为了科学的定量描述和使用颜色, 目前已经提出了一些色彩空间或彩色模型。文中用到的颜色模型为RGB颜色模型[7]。RGB颜色模型为一直角坐标系统, 其中R代表红色 (Red) , G代表绿色 (Green) , B代表蓝色 (Blue) 。在RGB颜色模型中, 每个数字图像中像素点的颜色都可以用三维空间中的第一象限中的1个点来表示。RGB颜色模型的原点表示在任何颜色分量上的亮度都为零, 因此它表示黑色;当R、G、B 3个分量亮度都达到最大时为白色;除了黑白两色位于立方体的顶点外, 立方体的另外3个顶点对应于三基色红、绿、蓝, 剩下的则对应于黄、青以及紫色。

2 基于自适应特征选择的自动白平衡方法

笔者提出的自适应特征选择方法由3部分组成:预处理、提取中性色的特征、色彩补偿, 见第79页图1。

2.1 预处理

首先将一副图像划分成块并且获取每块R, G, B的平均值。明显的, 基于块的计算比基于像素的处理带来了更高的计算增益。此外, 某些图片的信号处理芯片, 例如DM100, 只允许基于块的图像数据。因此, 对于实时应用例如数码相机使用块作为基本处理单元有着很大优势。

将每块的平均亮度与一定的阈值进行比较。如果某块的亮度小于某个阈值, 就排除它不进行进一步的处理, 保持其色彩属性, 这是由于暗淡的块包含较少的色彩并且有可能产生噪声。在这里, 阈值需要根据曝光量来进行灵活设置。例如, 在白天捕获的场景的阈值要比在晚上捕获的场景高一点。

2.2 提取中性色的特征

大部分基于假设的方法都是从捕获到场景中寻找中性色, 但获取到的中性色受场景影响, 无法保证白平衡的准确度。因此, 笔者提出了在捕获到的场景中使用自适应的方法来获取中性色。文中使用3个相辅相成的中性颜色特征:修改过的灰色世界法的特征;白斑法的特征;线性颜色聚类的特征。

对于第一个特征, 通过对简单的灰色世界假设进行一定的改正来获取中性色。为了防止由于大量相同的颜色造成的中性色的色偏, 笔者选择与相邻块具有较高差异的块。如果某块满足

阈值thnum是与相邻块具有较大差异的块的数目, thcolor是颜色差异D (Bij, Bi0j0) 的阈值。R, G, B是当前块的R, G, B值。R', G', B'是相邻块的R, G, B值。

对于第二个特征, 使用白斑法的假设来获取。白色是最敏感的一个光源, 并且最适合用来提取光源的色彩信息。因此, 将块按照亮度信息进行排序并且只取前10%的块作为近白区域。

对于最后一个特征, 使用线性颜色聚类来获取代表性颜色。在聚集的平均向量M和输入向量E之间的相似性如下定义

其中M和E包含了3个分量R, G和B。

在整个特征提取的步骤中, 从3个不同的但互补方面来获取特征块。图2显示了每个特征块的提取过程。其中, 2-a是原始图片, 2-b是原始图片的12×16块, 2-c是处理后得到的亮度比阈值高的块, 2-d是对于第一特征具有较大颜色变化的块, 2-e是第二特征的块, 2-f是在线性颜色聚类之后的代表性颜色。

2.3 色彩补偿

目前, 大部分白平衡算法都是在Von Kries假设的基础上进行不同光照下图像颜色之间的转换, 进而实现图像色彩的校正, 例如灰度世界法通过灰度平均值以及各色彩分量的平均值来计算各色彩分量的校正因子, 实现对图像色彩的校正;RGB最大值法则利用白色RGB值 (255, 255, 255) 和各色彩分量最大值来计算计算各色彩分量的校正因子。文章使用Von Kries系数法来进行场景颜色补偿, 将估计光源的坐标转换成R, G, B坐标, 白平衡通道的增益通过设置每个R, G, B分量来计算。

3 试验结果

为了验证文章算法的有效, 笔者在两组图片上测试提出的算法。第一组的图片组A, 是使用从德州设备DM100相机评估板中不同的光源中获取的, 这是配备美光科技公司300万像素CMOS传感器, 这些图像从传感器直接获得的未处理原始数据。第二组组B, 包含着使用大众消费相机开启AWB功能拍摄的图片, 但是有一点不自然的色偏。

首先, 文章提出的方法在组A中的图片上进行测试, 并且与基于假设的灰色世界法和Weng方法进行比较。图3显示, 文章提出的方法文章提出的方法产生更自然, 效果逼真的色彩补偿。

图4显示了在组B图像上的结果。其中, 图4-a和4-b的左边是使用AWB的数码相机拍摄的图片。右边的由文章算法处理后的图片甚至由大量相同的颜色区域和缺少近白区域的图片中都显示了自然的颜色。

4 结论

由于计算的有效性, 基于假设的方法被广泛应用于数码相机。然而, 它们高度依赖于假设的有效性。为了减少这种依赖性, 文章提出了一种自适应特征提取方式来寻找中性色。笔者通过使用3种特征:修改过的灰色世界法的特征、白斑法的特征以及线性颜色聚类的特征来进行自适应特征选择。试验结果表明文章提出的方法达到了合理的色彩补偿, 甚至在同一种颜色占主导地位的图片或者缺乏近白区域中也达到了较好的白平衡效果。

参考文献

[1]李峰.基于Raw格式图像自动白平衡方法[J].计算机工程, 2011, 37 (17) :211-213.

[2]Bush G.A Spatial Processor Model for Object Colour Perception[J].Journal of the Franklin Institute, 1980, 31 (1) :1-26.

[3]Land E.Lightness and Retinex Theory[J].Journal of the Optical Society, 1971, 61 (1) :1-11.

[4]Finlayson G.Gamut Constrained Illumination Estimation[J].Journal of Computer Vision, 2006, 67 (1) :93–109.

[5]章毓晋.基于内容的视觉信息检索[M].北京:科学出版社, 2003.

[6]Macdonald L W.Colour Imaging:Vision and Technology[M].Berlin, Germany:[s.n.], 1999.

自适应波形选择 第3篇

HMIPv6[1]是一种有效的微移动管理协议, 它依靠MAP对移动节点进行分层管理。但是, HMIPv6中默认采用的最远MAP选择算法过于简单, 缺少有效的开销管理和负载分担机制。本文提出了一种支持负载分担的MAP选择算法, 该算法利用MAP的优先级值来表征其负载情况, 并根据MAP负载的变化, 动态调整其优先级值。此外, 本文还将速度因素引入了MAP协议开销的计算。算法实现简单, 开销管理和负载分担效果好。

1 相关研究工作

为尽量避免域间移动的发生, HMIPv6采用了最远MAP选择算法 (F-MAP) , 即选定访问域内优先级不为0且距离最远的MAP作为MN的注册对象, 通过最大限度地扩大MN所处MAP域的范围来降低发生域间移动的概率, 但该算法存在以下问题: (1) 没有进行开销管理; (2) 无负载分担机制。

为解决F-MAP的不足, 最初有基于移动性[2] (M-MAP) 和会话移动率[3]的优化方案被提出, 这些方案都仅着眼于如何进行开销管理, 没有建立负载分担机制, MAP仍可能出现负载过重的情况。文献[4] (P-MAP) 以上述研究为基础, 提出了一种新的MAP选择算法, 该算法将MAP负载情况纳入考察范畴, 开销代价小。但是, 该算法也存在两个问题: (1) 未将移动节点的速率因素纳入协议开销的计算范围, 而在实际环境下, 移动节点的速度千差万别, 是影响协议开销的一个重要因素; (2) 未将移动节点的流量作为MAP优先级值调整的一个因素, 而事实上, 移动节点流量的大小将直接影响到MAP的性能。

2 自适应MAP选择算法

2.1 算法描述

设NN进入的新访问域中存在n个MAP, 记为G={MAP1, MAP2, …, MAPn}, n∈[1, +∞) 。利用每个MAP具有优先级 (范围为0～15, 默认为10) 且能够根据自身情况 (本地策略、负载等) 对优先级进行调整的特点, 令RA中“MAP选项”提供的优先级信息 (用符号P表示) 来定性表征MAP的负载情况。即优先级高, MAP负载就轻;优先级低, MAP负载就重。并做如下定义。

定义1 准最佳MAP 对于特定的MAPi (MAPi∈G) , 若它对应的协议开销Ci≤Cj, (MAPj∈G, j≠i) 恒成立, 则MAPj∈H (H⊆G) , 称集合H中优先级最高的MAP为准最佳MAP, 记为MAP*, 其优先级记为P。其中, MAP对应的协议开销是指MN选择该MAP所造成的协议开销, 它包括MN切换时的注册开销和业务传输开销。

定义2 分担门限ζ 衡量MAP负载轻重的基准 (ζ∈ (1, 15) ) , 由协议配置。对于特定MAPi, 若优先级Pi低于ζ, 则认定它负载偏重, 需要进行负载分担。

定义3 适应度因子σ (P, C) 设MAP的优先级为P, 对应的协议开销为C, 则有:

$\sigma ({\rm P},C)=\{\begin{array}{l}0{\rm P}<\xi \\ +\infty {\rm M}A{\rm P}={\rm M}A{\rm P}{}^{*}\text{且}{\rm P}\ge \xi \\ {\rm P}/C\text{其}\text{它}\end{array}$

它是评价MAP与MN匹配程度的指标, σ (P, C) 值越高, MAP与MN就越匹配。

定义4 最佳MAP 对于特定的MAPi (MAPi∈G) , 若σ (Pi, Ci) ≥σ (Pj, Cj) (MAPj∈G, j≠i) 恒成立, 则MAPi∈K (K⊆G) , 称集合K中优先级最高的MAP为最佳MAP, 记为MAPbest。

2.2 协议开销计算

计算出集合G内各个MAP对应的协议开销是算法进行MAP选择的前提, 本节将依据fluid flow mobility model[5]来推导协议开销计算公式。

为了详细推导信令开销公式, 我们作如下假设: (1) AR域为正六边形, 边长为l;每个MAP域 (如图1所示) 呈正六边形且由K个距离环构成, 不同MAP域对应的K值可不同, MAP域之间允许部分重叠或包含, 位于MAP域中心处的小区 (或称子网) 称为第0环, 第k (0<k≤K) 环围绕在第k-1环之外, 共包含了6k个小区; (2) 移动节点以密度ρ在MAP域内均匀分布, 平均速度为v, 运动方向在[0, 2π]内均匀分布。

由此可得到MAP域的小区周长L (K) :

L (K) =12K+6

NAR、NMAP分别表示AR域与MAP域内移动节点的个数, 那么有:

${\rm N}{}_{AR}=\rho S{}_{AR}=\rho \frac{3\sqrt{3}}{2}l{}^2$

${\rm N}{}_{{\rm M}A{\rm P}}=\rho S{}_{{\rm M}A{\rm P}}=\rho (3{\rm K}{}^2+3{\rm K}+1)\frac{3\sqrt{3}}{2}l{}^2$

以速度v穿越AR和MAP边界的移动节点个数为:

RAR=6ρvl/π

RMAP= (12K+6) ρvl/π

因此, MN跨越AR域和MAP域的切换概率为:

${\rm P}{}_{AR}=R{}_{AR}/{\rm N}{}_{AR}=\frac{4}{3}\sqrt{3}\frac{v}{l\pi }$

${\rm P}{}_{{\rm M}A{\rm P}}=\frac{4(2{\rm K}+1)\sqrt{3}}{3(3{\rm K}{}^2+3{\rm K}+1)}\frac{v}{l\pi }$

HMIPv6的协议开销总体上可分为以下两部分:

(1) 位置更新开销

MN发生切换后, 单位时间内向MAP (或HA/CN) 发送注册信令的开销, 记为Clocation。MN的位置更新过程分为全局注册和本地注册, 令它们各自的开销为Cg和Cl。, 则有Cg>>Cl, 为简化分析, 文中假定Cg、Cl都为常量。那么有:Clocation= (3K2+3K+1) PARCl+PMAPCg。

(2) 分组传递开销

发往MN的分组在到达MN之前单位时间内所需的链路传送开销, 记为Cpacket。它包含MAP处理开销CMAP、HA处理开销CHA以及链路传送开销CT三类。

设λd为MN的分组到达率, 有:CMAP=λd (Clookup+Crouting) 。

其中, Clookup为MAP查找绑定更新映射所需开销, 它与MAP维护的绑定更新列表大小 (或者说MAP域内的MN数量) 成正比;Crouting为MAP查找通往MN路由所需的开销, 它与MAP域中的小区数量有关。因此有:

$\begin{array}{l}C{}_{{\rm M}A{\rm P}}=\alpha \lambda {}_d({\rm N}{}_{{\rm M}A{\rm P}}+{\rm N}({\rm K}))\\ =\alpha \lambda {}_d[\rho (3{\rm K}{}^2+3{\rm K}+1)\frac{3\sqrt{3}}{2}l{}^2+(3{\rm K}{}^2+3{\rm K}+1)]\end{array}$

其中, α为单位路由表项查询开销。

当有新的CN要与MN建立通信时, 它首先将分组发送到MN的家乡网络, 这些分组会被HA截获处理后转发给MN注册的MAP, 之后再由该MAP发送给MN。只有在收到MN的注册信令后, 该CN才能将随后的分组直接发给被注册的MAP, 从而避免了“三角路由”。令λf为HA处要发往MN的分组到达率, 则HA的处理开销:

CHA=λfφHA

其中, φHA为HA处理单个分组的平均开销。

链路传送开销CT与距离因素有关, HMIPv6以跳数来近似反映距离。设节点A与B之间的距离用跳数值dA-B表示, τ和β分别为有线链路和无线链路的单位传输开销, 则:

CT=τ[ (λd-λf) (dCN-MAP+dMAP-AR) +λf (dCN-HA+dHA-MAP+

dMAP-AR) ]+βλddAR-MN

最终由Ctotal=Clocation+Cpacket计算出:

$C{}_{total}=\frac{4}{3}\sqrt{3[}(3{\rm K}{}^2+3{\rm K}+1)C{}_l+\frac{(2{\rm K}+1)}{(3{\rm K}{}^2+3{\rm K}+1)}C{}_g]\frac{v}{l\pi }+[\alpha (3{\rm K}{}^2+3{\rm K}+1)(\frac{3\sqrt{3}}{2}\rho l{}^2+1)+\tau (d{}_{C{\rm N}-{\rm M}A{\rm P}}+d{}_{{\rm M}A{\rm P}-AR})+\beta d{}_{AR-{\rm M}{\rm N}}]\lambda {}_d+[\tau (d{}_{C{\rm N}-{\rm H}A}+d{}_{{\rm H}A-{\rm M}A{\rm P}}-d{}_{C{\rm N}-{\rm M}A{\rm P}})+\phi {}_{{\rm H}A}]\lambda {}_f$

通常访问域中的MAP数量很有限, 算法通过计算得到各MAP对应的协议开销是可行的。计算过程不繁琐, 和协议总开销相比, 该环节所付出的开销代价可忽略不计。

2.3 MAP优先级的调整

随着MAP上注册的MN数量的增加, MAP的负载就越来越大。MAP的负载并不仅仅与MN的数量有关, 而且与MN的数据到达率λd有关, 分组到达的越多, 其负载越大。因此有:

Pt=P0-f (∑λMAPi-∑λMAPj)

其中, MAPi为新注册的MN, MAPj为新解除注册的MN, f (x) 为处理开销与优先级值的相关性函数, 一般而言, 该函数是一个线性函数。采用这种方法, MAP就能够根据其负载的变化, 动态调整其优先级值。

3 模拟与性能分析

利用协议开销计算公式, 对F-MAP、P-MAP及文中提出的新MAP选择算法 (NP-MAP) 的性能进行仿真比较。实验参数值如下:ρ=0.0001;l=200;Cl=20;Cg=300;α=0.01;λf=0.01;φHA=20;τ=1;β=2;dCN-HA=12;dAR-MN=1;ζ=3。假设CN的个数是1, MN进入的访问域中包含5个MAP, 分别为MAP1、MAP2、MAP3、MAP4、MAP5 (相关特征如表1所示) 。

3.1 开销管理

若λd固定, 则协议开销是速度v的线性函数。如图2所示, 取λd=1, 此时, 若采用F-MAP, 则选择MAP4为MAPbest;若采用P-MAP, 则选择MAP5为MAPbest;当采用NP-MAP时, 当速度v<1时, NP-MAP会选择MAP5为MAPbest, 当速度v>1时, NP-MAP则选择MAP3为MAPbest。

若速度v固定, 则协议开销是λd的线性函数。如图3所示, 取v=10, 此时, 若采用F-MAP, 则选择MAP4为MAPbest;若采用P-MAP, 则选择MAP5为MAPbest;当采用NP-MAP时, 当λd<9.7时, NP-MAP会选择MAP3为MAPbest, 当λd>9.7时, NP-MAP则选择MAP5为MAPbest。

3.2 负载分担

我们仍然使用上一节中的环境。假设在F-MAP中, MAP每接受10个MN的注册, 其优先级值就会减1。

如图4所示, F-MAP会使负载过度集中, 导致单点瓶颈现象的产生, 协议鲁棒性差。

如图5所示, 与P-MAP类似, NP-MAP使得MAP的优先级值向门限ζ收敛, 未出现图4中负载过度集中的情况, 负载分担效果显著。同时, NP-MAP避免了P-MAP中大量小数据量MN使MAP优先级值急剧降低情况的发生。

4 结 论

本文在分析比较了HMIPv6现有几种MAP选择算法基础上, 针对它们在开销管理和负载分担方面的不足, 提出了一种支持负载分担的新MAP选择算法。该算法利用MAP的优先级值来表征其负载情况, 并根据MAP负载的变化, 动态调整其优先级值。此外, 该算法还将速度因素引入了MAP协议开销的计算。算法实现简单, 开销管理和负载分担效果好。模拟表明, 该算法在开销管理和负载分担方面的整体性能明显优于F-MAP和P-MAP, 且更灵活通用。

摘要：HMIPv6是一种有效的微移动管理协议。当移动节点进入一个域时, 它会选择一个MAP进行注册。针对HMIPv6的特点, 提出了一种支持负载分担的MAP选择算法。该算法利用MAP的优先级值来表征其负载情况, 并根据MAP负载的变化, 动态调整其优先级值。此外, 还将速度因素引入了MAP协议开销的计算。模拟结果表明, 该算法实现简单, 开销管理和负载分担效果好。

关键词：HMIPv6,MAP,开销管理,负载分担

参考文献

[1]Soliman H, Castelluccia C, El Malki K, et al.Hierarchical Mobile IPv6Mobility Management (HMIPv6) .RFC4140, August 2005.

[2]Natalizio E, Scicchitano A, Marano S.Mobility anchor point selectionbased on user mobility in HMIPv6 integrated with fast handover mecha-nism[C]//IEEE Wireless Communications and Networking Confer-ence, New Orleans, LA, 2005, 3:1434-1439.

[3]杨怡, 吴清亮.基于会话特征的MAP选择算法[J].东南大学学报, 2007, 37 (5) :798-802.

[4]陈魏鑫, 林林, 韩国栋.分级移动IPv6中的移动锚点选择算法[J].计算机应用, 2008, 28 (6) :1481-1485.

自适应波形选择 第4篇

网络化制造作为一种现代制造新模式, 正日益成为制造业研究和实践的一个热门领域。实现网络化制造的一个关键是动态联盟盟员的选择和优化问题, 所选择合作伙伴的优劣以及组合是否最优将直接影响动态联盟的性能, 甚至决定动态联盟运营的成败[1]。为此, 提出了一种解决盟员动态选择的算法, 该算法很好地解决了动态联盟盟员如何被动态选择和淘汰的问题, 结果也表明该算法是符合实际运做的。

1 动态盟员选择

1.1 选择中的评价因素

建立一个科学的资格指标体系是对候选盟员企业进行评价的前提, 站在盟主的角度, 对于盟员选择的评价因素往往包括生产时间、成本、质量、候选伙伴信誉度、生产能力, 以及物流成本、物流时间等因素。一般认为, 在国际市场竞争中, “时间 (T) 、质量 (Q) 、成本 (C) 、服务 (S) 和柔性 (F) ”是成功的关键因素[2,3]。同时考虑到决策者具有不同的偏好, 因此盟员选择成为典型的多目标优化求解问题。

1.2 问题的表述

制造企业动态联盟盟员选择优化问题可描述为:存在一组具有一定时序依赖关系的任务, 每项任务需要合作伙伴企业来完成 。优化目标就是为每项任务选择合适的合作伙伴使整个任务以最佳性能 (时间、成本、质量、服务等) 完成, 这是一个多目标优化问题。

设整个产品的开发制造任务为所有n个任务集合。记为: T= { w1, w2, …, wn };Ei = {eij |j ∈[ 1, mi ]}, i = 1, 2, …, n, 表示可以完成任务Ti 的候选企业集合, mi为可以完成任务Ti的候选企业数量; peij= {teij , qeij , ceij , reij, seij …}, 表示企业eij完成任务Ti的性能参数集合。其中, teij为时间, qeij为质量, ceij为成本, reij和seij分别为风险和服务指标。记T为完成所有任务 (整个任务执行过程) 所用时间;C为完成所有任务所用成本; Q为完成所有任务质量指标;S和R分别是服务和风险指标。

1.3 建立多目标优化模型

由上述可知, 该问题的优化目标就是从众多的潜在伙伴中要选择一个最优盟员企业集合U={u1, u2, …, un}, 且u∩Ei = {ui} , 使得:

为此, 可以采用下式表示联盟成员选择多目标优化问题, 即:

min (J) = { f1 (x) , f2 (x) , …, f5 ( x ) } , s. t. gi ( x) ≥0 (2)

式 (2) 中, gi ( x) 为约束条件, min (J) 表示向量目标函数, fi ( x ) 为各个目标函数, 可以采用专家评分法、层次分析法 (AHP) 、熵值法等进行确定, 式中

其中,

由于过程中存在并发和并行任务, 所以整个任务执行过程的执行时间T无法用解析式表示。上述的T解析式是针对过程结构和企业组合方案已确定情况下而得出。

2 基于改进自适应遗传算法的盟友选择算法

由Dean Schniederjans提出线性目标规划方法来求解伙伴选择问题, 由于线性规划方法要求各约束条件彼此相容, 即其可行解非空, 但是在伙伴选择问题中许多约束条件恰恰是互相矛盾的, 例如质量和价格, 时间和风险等等[4]。遗传算法具有简单通用、鲁棒性强、适于并行处理等优点, 采用遗传算法可以比较客观真实的反映伙伴选择过程中的组合问题。

2.1 编码, 决定初始化种群

本文在遗传算法中采用整数编码的方式, 设X= (x0, x1, …, xi, …, xN-1) 是一条染色体, 代表群体中的一个个个体 (或一种伙伴的组合形式) , 其中, xi, 为整数, 且0<xi, ≤mi , mi 为Ti中候选伙伴的个数, i从0 到N-1。采用随机方法生成初始种群。

2.2 确定适应度函数

遗传算法在进化搜索中基本不利用外部信息, 仅以适应度函数为依据, 利用种群中每个个体的适应度函数值来进行搜索, 因此适应度函数的选取至关重要。一般而言, 适应度函数是由目标函数变换而成的。定义相对适应度函数为:

且${\displaystyle \sum _{i=1}^5\lambda }{}_i=1(9)$

2.3 适应交叉和变异概率

算法从杂交变异后产生的新的种群和父种群 (原种群) 中, 按照适应度大小选取前N个个体, 组成下一代新种群, 产生的新一代种群保留了每代的较优个体。遗传算法的参数中交叉概率Pc和变异概率Pm的选择直接影响算法的收敛速度。Pc过大会使高适应度的个体结构被很快破坏, 过小则会令搜索过程缓慢以至停滞不前;Pm过大会导致遗传算法变成纯粹的随机搜索算法, 过小则不易产生新的个体结构。为保证最佳盟员选择的合理性和算法的快速收敛性。这里提出改进自适应动态调整交叉算子与变异算子的机制。在遗传过程中, 设fmax是群体中的最大适应度$\overline{\text{f}}$是群体的平均适应度值, f′是执行交叉操作双方中较大的适应度值, 则自适应交叉与遗传概率可由下式表示

若群体中个体趋于相同时, 个体的适应度接近群体的平均适应度, 当等于最大适应度值时, 交叉率和变异率的值等于零。为此, 式 (10) 做了进一步的改进, 使群体中最大适应度值的个体的交叉率和变异率不为零, 分别提高到Pc2和Pm2, 这样在一定程度上提高了群体中表现优良的个体的交叉率和变异率, 使得他们不会处于一种停滞不前的状态, 从而选择出最优的个体组成动态联盟。

2.4 算法的终止条件

当最优个体适应度值的平均值与当代最优个体适应度值之差在规定的代数内不发生明显变化时, 就可以认定算法已不再具有继续优化的能力, 可以终止算法的寻优, 并且输出群体中多个较优的个体作为备选伙伴, 供盟主选择。

3 实例仿真

某企业有一项工作要提交给企业联盟, 该项工作是要按所提供的实物原型做出电火花加工用电极, 它可分为A、B、C、D、E、F六个任务。要求每个任务要从若干个伙伴中选择一个来承担该任务, 应用自适应遗传算法求解一个最优伙伴组合方案。从而找出完成所有任务的最优盟员组合。因篇幅所限, 各初始数据略。式 (8) 中的加权系数λi分别取为:0.2、0.3、0.3、0.1、0.1。

采用上述自适应遗传算法进行求解。初始染色体种群选择30, Pc1取0.9 , Pc2取0.6, Pm1取0.1 , Pm2取0.001。通过自适应遗传算法求解, 目标函数收敛很快, 经过200次的迭代获得的最优解为3.581 6 (用时为26 s) , 标准遗传算法目标函数的最优解为3.615 2 (用时为38 s) .对比可见, 自适应遗传算法可以在较短的时间内获得最优的解。AGA 比SGA 具有更快的收敛速度。事实上, 当任务数和盟员数增加时, 自适应遗传算法的优越性将更加明显。由于篇幅所限, 在此不在给出其他计算的具体数据。算例结果表明提出的自适应遗传算法用于解决此类问题是有效的。

4 结束语

针对动态联盟盟员选择优化问题, 提出了一种自适应遗传算法, 该算法设计了自适应交叉和变异概率, 使其在遗传过程中根据适应度自动选择, 加快了搜索速度, 避免了算法的早熟现象。通过保持迭代过程的最优解, 并保证收敛于全局最优解。为开发盟员伙伴选择提供了很高的应用价值。

摘要：针对网络化制造中动态联盟盟员选择优化问题, 分析了盟友的评价指标体系, 建立了盟友选择的多目标优化模型, 并在此基础上提出一种自适应遗传算法。该算法设计了自适应交叉和变异概率, 使其在遗传过程中根据适应度自动选择, 从而使群体中每个个体对环境的变化具有自适应调节能力。通过保持迭代过程的最优解, 加快了搜索速度, 并保证收敛于全局最优解。

关键词：动态联盟,盟员选择,自适应遗传算法

参考文献

[1]范玉顺.网络化制造的内涵与关键技术问题.计算机集成制造系统-CIMS, 2003;9 (7) :576—582

[2]沈斌, 宫大, 赵红.产品生命周期支持下的网络化制造平台的研究.制造业自动化, 2006;28 (2) :17—20

[3]范玉顺, 刘飞, 祈国宁.网络化制造系统及其应用实践.北京:机械工业出版社, 2003

[4]李全龙, 徐晓飞.动态联盟伙伴选择的一种自适应遗传算法.高技术通讯, 2001;11 (10) :66—69

自适应波形选择 第5篇

在国防军事应用方面, 一直都需要获得高分辨率图像, 这对于提高对军事目标的识别能力和预警能力具有重要意义。实现图像缩放可以从硬件方面着手[1], 比如提高单元阵列上像素的数目, 但是会增加光学器件的制造难度和生产成本, 且目前每个CCD的尺寸已经达到极限50μm2。因而从软件方面对图像进行插值以提高分辨率是目前主要的研究方向, 传统的线性插值方法[2,3] (如最近临插值、双线性插值等) 已获得了广泛的应用, 但是这类算法基于空间不变模型, 插值后会在图像的边缘区域造成块效应或边缘模糊现象, 影响实际的插值效果。

因此, 国内外许多学者都致力于寻找能够获得更好视觉效果的新插值方法[4,5,6], 这些方法首先需要获得图像准确的边缘方向信息, 进而采用不同的插值方法。如何精确地估计出边缘方向尚是一个仍待解决的问题, 这些算法不可避免地会造成插值后图像存在较多的人工加工痕迹, 影响视觉质量。为了解决这一问题, Li和Orchard于2001年提出一种利用低分辨率图像内在局部结构特性和统计特性对高分辨率图像未知像素进行插值的NEDI[7,8]算法。该算法具有良好边缘保持特性, 然而它在计算插值系数时采用简单的矩形模板, 且对未知点进行插值时使用的单一窗口往往不能正确反映出高低分辨率像素间的几何对偶关系。

针对这些问题, 本文提出了一种改进的NEDI方法, 首先使用圆形模板提高插值系数计算的准确性, 然后进一步提出一种自适应多窗口选择方法来确定最佳的插值窗口。该算法在很大程度上能够消除边缘模糊和振铃效应, 提高了插值后图像的视觉质量。

1 经典NEDI算法

NEDI算法的基本思想是先计算低分辨率图像各像素点的局部协方差系数, 再利用低分辨率与高分辨率协方差间的几何对偶性来计算高分辨率图像中需要插入的像素点的值。

设低分辨率图像X的矩阵大小为H×W, 相应的高分辨率图像Y矩阵大小为2H×2W, 即Y2i, 2j=Xi, j。为简单起见, 插值只限制在4个方向, 即该点在高分辨率栅格中对角线方向最近邻4点, 如图1所示, 则有:

通过式 (1) 可以实现由Y2i, 2j=Xi, j插值得出Y2i+1, 2j+1。

由于自然图像可以假设为一个局部平稳的高斯过程, 由经典Wiener滤波理论可知, 最优的MMSE (Minimum Means Square Error) 线性插值系数α是:

式中, R=[Rkl] (0≤k, l≤3) , r=[rk] (0≤k≤3) 表示在高分辨率图像中的局部协方差。高分辨率图像中的Rkl, rk和低分辨率中的具有几何上的对偶性, Rkl和在不同的分辨率上以相同的方向分别连接一对像素, 同理rk和也是如此。通过这种几何对偶性, 计算中可以用后者估计前者。

低分辨率上协方差系数可采用标准方法在一个局部模板 (大小为M×M) 中计算得到:

式中y=[y1…yk…yM2]T为一个包含M×M个点像素的数值向量, 这M×M个像素包含在一个局部模板内;C为4×M2数值矩阵, 其第k列向量为yk对角线方向的最近邻4点像素值。结合式 (2) 和式 (3) , 得到:

至此, 对于每一个位于 (2i+1) (2j+1) 的点Y2i+1, 2j+1, 式 (2) 给出了最优的插值权值α。可得Yi, j (mod (i+j, 2) =0) 的估算方法

很明显, 式 (1) 对于Yi, j (mod (i+j, 2) =1) 是不成立的, 因为该点对角线方向的最邻近4点并不是低分辨率上的点。分析发现, Yi, j (mod (i+j, 2) =1) 可以由Yi, j (mod (i+j, 2) =0) 得到, 如:

Yi, j (mod (i+j, 2) =1) 的计算与Yi, j (mod (i+j, 2) =0) 的相似, 二者只相差一个伸缩系数21/2和旋转系数π/4, 只需少量改动就可以对Yi, j (mod (i+j, 2) =1) 进行估计。

使用经典NEDI算法将图像放大两倍需要两个步骤, 第一步插值原始四个像素的中心点, 第二步插值会用到第一步生成的像素点, 从而可能导致误差传递, 影响最终的插值结果。文献[9]提出的算法在进行第二步插值时则利用待插值点周围相邻的6个降采样点, 如图2所示, 可以消除误差累积问题, 但是插值系数计算不精确以及高低分辨率协方差不能总满足几何对偶性的缺陷依然没有得到解决。

2 本文改进算法

2.1 圆形模板

经典NEDI算法在估计局部协方差时使用了一个中心位于待插值点的矩形模板 (如图3所示) , 使用这种模板虽然计算简单, 但却不具备方向性, 无法兼顾模板内像素边缘的方向, 因此不能准确估计局部区域的几何特性, 而这恰恰正是导致经典NEDI算法插值后图像边缘部分出现振铃效应的主要原因。且经典NEDI采用M×M矩形模板是基于假设模板中所有像素对α的计算具有相同的贡献, 然而实际上由于模板中每个像素点到中心待插值点的距离不一致, 影响程度也并不相同, 因而这种假设往往并不成立。为了解决这一问题, 本文提出一种中心位于待插值点的圆形模板用以计算插值系数, 模板示意图如图4所示 (模板半径用MT表示) 。使用该圆形模板消除了原矩形模板中四个拐角点对插值系数估计的干扰, 保证插值算法满足各向同性, 从而提高插值系数计算的准确度。

2.2 自适应多窗口选择

经典NEDI算法采用单一窗口进行插值是假设在窗口中高分辨率区域与低分辨率区域具有相同的局部统计信息, 然而这种假设在许多情况下是不成立的。如图5所示, 以边缘AB为例, 在经典NEDI算法的插值窗口a (中心位于点 (2i, 2j) ) 中不满足几何对偶性, 而在窗口b (中心点位于 (2i, 2j+2) ) 中却包含与之最相似的边缘信息。可见不加选择的使用单一窗口有时并不能正确地反映出局部区域的几何特性, 存在高低分辨率协方差系数几何对偶性无法满足的缺陷, 为了解决这一问题, 本文进一步提出了一种自适应多窗口选择方案。将原始NEDI算法中插值窗口的中心点分别置于待插值点对角线上4点 (2i, 2j) 、 (2i, 2j+2) 、 (2i+2, 2j) 、 (2i+2, 2j+2) 上, 即如图5所示的4种插值窗口。

在4个插值窗口中选择高低分辨率上边缘信息最相似的作为最优窗口, 这一相似程度可以用均方误差来描述:

其中Y (k) 是未知的高分辨率点像素值, 是利用N阶线性预测方程对Y (k) 的估计值, 其矩阵表示形式为:

将式 (2) 、式 (7) 带入式 (6) , 并根据几何对偶性用低分辨率的和y来替换高分辨率上相应的未知量, 那么均方误差可表示为:

在实际计算中, 利用式 (8) 分别计算四个模板对应的JE, 并选择最小均方误差所对应的插值系数作为最优系数。在第二步插值时, 可采用文献[9]的方法, 不同在于多窗口的中心分别位于待插值点周围的6个降采样点处。

为降低算法复杂度, 文献[8]采用一种混合插值方法, 即只对边缘周围的像素点 (或称边缘像素点) 进行协方差自适应插值, 而对光滑区域的像素点 (或称非边缘像素点) 仍然进行双线性插值。本文为了降低运算复杂度也采用相同的方法, 其中对边缘区域的划分利用Sobel算子[10,11]。

3 仿真结果比较

用改进的算法实现两组图像的插值放大, 并将其与传统的线性插值方法和经典NEDI算法进行比较。实验条件为:Intel Dual-Core CPU 2.70GHz, 1G内存, 算法使用Matlab R2008a编写。

实验一:主观视觉效果对比。如图6显示Flower图像放大2倍后局部视觉效果对比。图7显示字符图像放大4倍后的视觉效果。从图6、图7可以看出, 传统的线性插值算法会造成放大图像边缘细节明显的退化, 最邻近插值得到的图像边缘处有严重的块效应, 双线性插值基本消除了块效应, 但边缘模糊明显, 导致图像轮廓不清晰。经典NEDI算法能够保持边缘的清晰度, 却存在明显的振铃现象, 而本文算法则在保持边缘锐利的同时消除了这些不良影响, 视觉效果优于以上算法。

实验二:客观质量评价对比。采用峰值信噪比来定量分析图像放大后的效果。峰值信噪比的定义[12]为:

式中, M×N为图像大小, f (i, j) 、g (i, j) 分别表示插值前后的图像位置 (i, j) 处的灰度值。PSNR反映了插值图像在边缘位置与原图像相符合的程度, 一般情况下, PSNR越大, 说明图像质量越高, 具体对比结果见表1所示。

可以看出经典NEDI算法和本文算法具有较高的峰值信噪比, 本文算法的峰值信噪比又要较高于经典NEDI算法, 这与实验结果所表现出的视觉效果一致。

4 结语

与使用单一窗口的经典NEDI算法相比, 本文算法采用了圆形模板并结合自适应多窗口选择方法, 可以更好地反映出低分辨率图像的局部统计信息, 插值后能够消除边缘附近大部分的振铃现象, 得到边缘更为清晰锐利的高分辨率图像。改进后的算法复杂度较高, 如何降低运算复杂度, 实现实时处理, 是本文后续需要研究的问题。

摘要：经典NEDI (New Edge-directed Interpolation) 算法计算插值系数时使用矩形模板, 存在不能兼顾模板内像素方向性的缺陷, 而且在插值时仅使用单一窗口, 可能导致高低分辨率上协方差不满足几何对偶性, 造成插值后图像边缘存在比较明显的振铃现象, 影响视觉质量。针对该问题, 采用中心位于待插值点的圆形模板计算插值系数, 并进一步依据最小均方差判决准则提出一种自适应多窗口选择方法来确定最佳的插值窗口。实验结果表明, 相对于传统的插值方法, 该算法能够更好地保持边缘信息, 插值结果具有良好的视觉效果, 峰值信噪比也得到了明显提高。

关键词：图像缩放,NEDI,插值系数,多窗口,峰值信噪比

参考文献

[1]符祥, 郭宝龙.图像插值技术综述[J].计算机工程与设计, 2009, 30 (1) :141-144.

[2]Castleman K R.Digital Image Processing[M].New Jersey:Prentice Hall, 1996.

[3]Parker J A, Kenyon R V, Troxel D E.Comparison of Interpolating Methods for Image Resampling[J].IEEE Transactions Medical Imaging, 1983, 2 (1) :31-39.

[4]Wang Q, Kreidieh R.A New Orientation-Adaptive Interpolation Method[J].IEEE Transactions on Image Process, 2007, 16:889-900.

[5]Hwang J W, Lee H S.Adaptive Image Interpolation Based on Local Gradient Features[J].IEEE Signal Processing Letters, 2004, 11 (3) :359-362.

[6]Battiato S, Giuffrida E U, Rundo F.A cellular nerual network for zooming digital colour images[C]//Int.Conf.on Consumer Electronics (ICCE) Tech.Dig..New Jersey:IEEE, 2008.

[7]Li Xin, Orchard M T.New edge-directed interpolation[J].IEEE Transactions on Image Processing, 2001, 10 (10) :1521-1527.

[8]Li Xin, Orchard M T.Edge directed prediction for lossless compression of natural images[J].IEEE Transactions on Image Processing, 2001, 10 (6) :813-817.

[9]陈小蔷, 张俊, 吴乐南.一种改进的边缘方向插值算法[J].中国图象图形学报, 2004, 9 (6) :684-687.

[10]冈萨雷斯.数字图像处理[M].2版, 北京:电子工业出版社, 2007.

[11]江雯, 陈更生, 杨帆, 等.基于Sobel算子的自适应图像缩放算法[J].计算机工程, 2010, 36 (7) :214-216.