匹配计算方法范文（精选9篇）
匹配计算方法 第1篇
光电稳瞄系统被誉为现代战场的眼睛和大脑,是实现先敌开火、首先命中的重要保证[1]。稳定控制是稳瞄产品中的核心技术之一,其中的PWM驱动是控制系统的一个重要组成部分。作为直流伺服的一种主要工作形式,PWM驱动已经不是新鲜技术[2,3,4]。众所周知,PWM驱动不能直接接纯阻性载荷,虽然直流电机属于感性负载,但对于高速伺服电机来说,一般要在电机回路中串连电感,否则可能导致驱动和电机异常发热、甚至烧毁。为什么要加感抗,需要加多大感值?这在很多系统中都需要依靠调试或者经验值给出。
本研究以某型光电稳瞄吊仓为研究对象,综合国内关于PWM驱动设计技巧[5,6],结合实际驱动电路特点,得出光电稳瞄系统中PWM驱动回路感值计算的方法,并列出电感匹配的设计准则,为该光电稳瞄系统的设计提供必要的依据。
1 光电吊仓PWM驱动与问题的提出
光电稳瞄吊仓采用直流伺服电机驱动转塔,其控制系统如图1所示。由图1可以看出,该光电稳瞄吊仓控制系统是双环控制结构,内环为电流环,外环为速度环。
该伺服驱动电路采用PWM双桥驱动,如图2所示。在图2中,圆圈内表示广义负载。
PWM驱动原理可以描述为:在周期T内,当t
电机电枢两端的脉宽电压信号和流过电机绕组的电流信号如图所示
在图3中,每一个脉宽周期内,电压为高电平时,电流按指数曲线上升至最高值,当电压为低电平时,电流同样按指数曲线下降。由于低电平持续时间小于高电平,电流还没有下降到最低点就上升,形成了如图3所示的电流曲线。仿真表明,对于一定的脉宽频率,回路电感值大,则电流纹波小,而当电感值小时,则电流纹波大。大的纹波将会导致驱动电路和电机发热,甚至可能致其烧毁。
同时,在工程实践中有时为了克服电机电枢本身和传动机构的静态摩擦,往往希望存在一定的电流纹波,使输出的力矩含有一类正弦脉动力矩,能够在一定程度上克服系统的摩擦非线性。
因此,PWM控制电机的驱动回路电感匹配问题本质上就是要设计合理的纹波大小。
2 电流纹波大小的计算
系统中使用的PWM驱动芯片工作过程与其原理描述并非完全一致:在零电压时,双桥截止;给定控制电压时,一桥以2倍于三角波的频率导通、另一个桥臂始终截止。纹波的计算以实际电路为准。
在0
在t1
求解式(1)和式(2),可以得到:
其中,i1(0)=i2(T-t1),i2(0)=i1(t1),Is=Vs/R,=E/R,τ=L/R。
联立方程,计算可得到:
电流纹波大小以其峰峰值为衡量指标,则有:
一般来说,T=τ,则上式由泰勒展开取一阶近似,可以得到:
式中γ—脉宽信号的占空比;f—脉宽调制频率。
当占空比为50%时,纹波最大:
由此可见,脉宽频率、调制电压和回路电感共同决定着纹波的大小,而与回路电阻无关。
3 电感设计的依据
3.1 电机发热
根据电机发热情况,纹波电流的大小应该小于工作电流的10%～20%,即有:
3.2 抑制静摩擦与稳态精度
在电机伺服控制系统中,摩擦是影响系统动态性能的一个很重要的非线性因素,静摩擦和动摩擦引起了系统低频的跳动。利用PWM产生的纹波电流来降低静摩擦、消除跳动是一种有效措施[7]。由此可得克服静摩擦的条件为:
但是脉动力矩不能太大,否则将引起精度的丢失。下面是一种根据稳态精度要求来设计克服静摩擦力矩的方法。
纹波电流、力矩与由此带来的速度和角度的对应关系如图4所示。为计算角度幅度,考虑1/4个周期内,纹波力矩有:M(t)=2Cm·ΔI·t/T,t
当执行电机所承受的惯性负载很大时,其动摩擦较小,可忽略,在1/4个周期内,电机输出角速度约为加速度的积分:
根据1/4周期时的速度为0,可以求出ω0=(-1/16J)ΔICmT。
由此可以进一步求出由纹波力矩产生的最大角度误差为:Δφ=(CmT2/81J)·ΔI=CmVs/2 592JLf3。
此值要小于系统允许的最大误差,所以有:
由此确定,式(6)～式(8)成为PWM驱动直流电机时的回路电感匹配设计依据。
4 仿真与分析
以实际系统参数为例:电机电阻约为3.75Ψ,电感值约为0.09mH,力矩常数为13.7(N·m)/A(含减速比),供电电压为28V,对象转动惯量约为1.0kg·m 2,PWM调制频率为45kHz。
在不外加电感时,按公式计算纹波大小应为0.86A,与仿真结果(如图5所示)十分吻合,但是在试验中驱动芯片烧毁。
依据式(6)～式(8)设计回路电感。首先为了降低纹波大小,按照工作电流3A设计,依据式(6)设计电感应大于252μH,在电机回路中串连340μH的电感,其最大电流纹波如图6所示,大约0.18A,系统正常工作。
将回路电感值代入式(8),由电流纹波带来的系统误差约为3.8×10-12rad,不影响系统精度。由于摩擦难以测量,公式(7)无法估计。
5 结束语
本研究结合光电稳瞄吊舱,讨论了PWM伺服驱动回路中的电感匹配问题;经推导得到了电流纹波的计算公式;揭示了纹波与频率和电压之间的关系;并从电机发热、抑制摩擦的角度提出了电感匹配的设计准则公式。
仿真与试验结果验证了该结论的合理性。同时,研究结果也为同类系统的设计提供了参考依据。
参考文献
[1]李传胪.新概念武器[M].北京:国防工业出版社,1997.
[2]JACOB T.Design and analysis of pulse width modulated am-plifiers for DC servo systems[J].IEEE Transactions onIndustrial Electronics and Control Instrumentation,1976,IECI-23(1):47-55.
[3]BENGIAMIN N N,JACOBSEN M.Pulse-width modulateddrive for high performance DC motors[C]//Industry Appli-cations Society Annual Meeting,1988:543-550.
[4]施德昌.PWM放大器在直流伺服控制系统中的应用[J].南京农业大学学报,1993,16(2):88-95.
[5]傅佩琛,赵守智.直流伺服电机的最佳开关控制频率[J].自动化技术与应用,1984,3(4):50-55.
[6]胡祐德.伺服系统原理与设计[M].北京:北京理工大学出版社,1998.
匹配计算方法 第2篇
关键词：化学竞赛；数据不匹配；误差分析
文章编号：1005–6629（2015）8–0090–03 中图分类号：G633.8 文献标识码：B
大学普通化学和高中化学竞赛关于氧化还原反应的教学过程中，经常会涉及到电极电势和反应平衡常数之间的换算，因而这些数据之间往往需要很高的吻合度。由于实验数据的来源不同，且彼此之间吻合程度不高，用不同算法得到的结果往往差别较大，有时会相差千倍。第28届中国化学奥林匹克冬令营暨决赛就发生了这样的情况。
该冬令营于2014年11月26日至30日在吉林省长春市举行，在27日的理论考试中，由于第3-2题计算相对较为复杂，又出现了一题多解的情况，引起了广泛的争论。最终命题组判定两组相差悬殊达千倍的答案都正确，这其中的原因需要从第3-2题说起。
1 原题和答案
2 讨论
该题解题过程未考虑活度和活度系数的影响，在普通化学中一般都会做此假设。
2.3 有效数字
在涉及指数和对数的运算时，有效数字的计算规则比较复杂[1]，本届冬令营并没有作要求。
以本题答案Kθ=3.9×1036为例，lgKθ=36.59，这两个数据是配套的，都被认为是有两个有效数字，特别是36.59这个数，其整数部分将会在1036体现，不计算在有效数字之列。
但是36.59是从电极电势计算得来的，这是由于在不涉及指数对数运算时，36.59有4位有效数字，这就必然要求原始数据（电极电势）的有效数字也要有4位，而本题给出的原始电极电势数据只有3位，因此，还需要去掉一位有效数字。具体计算总结见表1。
这些数据的误差是怎么发生的呢？这主要是由于测量条件的不同，这些数据之间往往存在不配套的情况，有时即使使用同一来源的数据，也会有偏差，具体见表2。
因此，这种数据之间不配套的情况在无机化学中是经常发生的，其答案相差千倍也不足为奇。但从对命题建言献策的角度，命题组如果在命题时删掉数据Eθ=-0.476V，就不会出现两个相差千倍的答案，也就没有那些不必要的争论了。
参考文献：
[1]吴勇，马宏佳.浅论全国高中化学竞赛中的有效数字问题[J].化学教育，2004，25（1）：57～58，61
[2][3]华彤文，王颖霞等.普通化学原理（第4版）[M].北京：北京大学出版社，2013.
[4]北京师范大学无机化学教研室等.无机化学（第4版）[M].北京：高等教育出版社，2002：410～426.
[5]华中师范大学等.分析化学（第4版）[M].北京：高等教育出版社，2001：397～407.
[6]迪安.兰氏化学手册（第15版）[M].北京：科学出版社，2003：8.21～8.134.
粒度计算与图像匹配技术改进 第3篇
1 图像特征
图像匹配的关键因素在于选取用于描述陌生图像中潜在匹配子图和已知图像的特征。理想状态的图像特征能够有效表示图像本质, 并且不受图像中物体位移、旋转和变形影响。但是现实情况是:成像环境的影响、采样条件的差异、预处理计算的误差等都会造成陌生图和已知图像的不一致, 从而干扰图像特征的选取, 最终影响图像匹配的精确度。
1.1 基本特征
研究中应用最广泛的图像特征有:形状、纹理、颜色、空间关系等特征。
形状特征:是一种局部特征, 通常包括区域和轮廓特征两部分。区域特征描述的是图像中对象的整个形状区域, 而轮廓特征则主要针对图像中对象的外边界。从图像中分割出对象之后, 形状因子与尺寸因子结合起来可以用于区分不同物体, 机器视觉系统常常使用各种基于形状特征的检索方法来检索图像中感兴趣的目标。
纹理特征:是一种全局特征, 表现为图像区域中对象的表面特质。由于纹理仅仅是物体表面特性的一个方面, 所以不能完全体现物体的本质属性, 仅仅利用纹理特征已无法获得抽象的图像内容的。纹理特征往往需要对图像区域中多个像素点进行统计才能得出。图像匹配中纹理特征的区域性具有较大的优越性, 不会由于局部偏差导致匹配失败。同时图像特征是一种统计特征, 具有旋转不变性, 有较强的噪声抵抗能力。纹理特征得缺点是:随着图像的分辨率发生变化, 统计出来的纹理特征值有较大偏差, 另外光照、反射等因素也会干扰纹理特征的准确度
颜色特征:与纹理特征一样表现为图像区域中对象的表面特质, 也是一种最常用的全局特征。与纹理特征不同, 颜色特征一般体现在像素点的颜色特征上, 所有图像区域的像素点都为该图像的颜色特征作出贡献。但是颜色特征对图像的方向、尺寸等性质不敏感, 因此颜色特征不能有效的体现图像中对象的局部特征。
1.2 特征提取
提取颜色特征可以采用颜色直方图, 其优点在于:它能简单描述一幅图像中颜色的全局分布, 即不同色彩在整幅图像中所占的比例, 特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于:它无法描述图像中颜色的局部分布及每种色彩所处的空间位置, 即无法描述图像中的某一具体的对象或物体。改进的颜色直方图包括:直方图相交法、参考颜色表法、累加颜色直方图法等。
提取纹理特征可以采用Gotlieb和Kreyszig等人提出的灰度共生矩阵的纹理特征分析法, 通过对图像的能量谱 (灰度共生矩阵的四个关键特征:能量、惯量、熵和相关性) 函数的计算, 提取纹理的粗细度及方向性等特征参数;也可以采用以Voronio棋盘格特征法为代表的几何法——建立在纹理基元 (基本的纹理元素) 理论基础上的一种纹理特征分析方法。纹理基元理论认为, 复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成;也可以采用以马尔可夫 (Markov) 随机场 (MRF) 模型法和Gibbs随机场模型法为代表的模型法——以图像的构造模型为基础, 采用模型的参数作为纹理特征;其他方法包括:Tamura纹理特征法 (基于人类对纹理的视觉感知心理学研究, 提出6种属性, 即:粗糙度、对比度、方向度、线像度、规整度和粗略度) 、自回归纹理模型法 (simultaneous auto-regressive, SAR) 、小波变换等。
2 相似度计算
为了量化陌生图像中潜在的匹配子图和已知图像间的相似程度, 通常需要使用距离测度来完成。
2.1 理想距离测度
理想距离测度指的是陌生图像的特征元素与已知图像的特征元素是一致的, 即有一一对应的关系。
假设在复合特征空间中, 陌生图像的特征序列为:矢量X= (x1, ⋯, xi, ⋯, xn) T, 已知图像的特征序列为:矢量Y= (y1, ⋯, yi, ⋯, yn) T, xi和yi为对应的特征元素的量化值 (也可为矢量) 。
复合特征空间的匹配程度刻画为矢量X和矢量Y之间的距离测度, 用d (X, Y) 表示。
1) 马氏距离 (Mahalanobis distance) [4]
马氏距离要求已知图像的复合特征矢量Y符合协方差矩阵S-1的正态分布。由于该算子考虑了已知图像复合特征的离散程度, 其分类能力优于下述两种距离。
2) 城市块距离 (City block distance)
3) 欧氏距离 (Euclidean distance)
2.2 通用距离测度
其实匹配时, 要保证每一幅陌生图像的特征元素都和已知图像的特征元素一致是几乎不可能的。在实际应用中, 甚至连已知图像库中的每一副样本图像的特征元素是的一致性也不能百分之百的保证。通常, 解决这个问题的方法是采用豪斯多夫距离 (Hausdorff distance) [5], 即利用计算集合的相似程度来刻画图像间的相似度。
假设在复合特征空间中, 陌生图像的特征集合为X={x1, ⋯, xi, ⋯, xn} (n>0) , 已知图像的特征集合为Y={y1, ⋯, yi, ⋯, ym} (m>0) 。则这两个特征集合之间的豪斯多夫距离定义为:
其中, xi、yi分别是集合X与集合Y中的点, sup、inf分别表示集合的上确界和下确界, d (xi, yi) 表示xi与yi之间的欧式距离。
由上式可知, 豪斯多夫距离dH (X, Y) 度量了两个特征集合间的最大不匹配程度, 结果距离越小, 则表示匹配程度越高。
3 匹配算法
3.1 传统匹配算法
图像分割:把图像分成若干个特定的、具有独特性质的区域, 它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。灰度阈值分割法[6]作为一种最常用的并行区域技术在实际应用中使用的最频繁。其分割算法如下:
其中, f为输入图像, g为输出图像, T为阈值。阈值分割的优点是计算简单、运算效率较高、速度快。
图像对齐:根据一幅陌生图像在众多的已知图像中检测出匹配的子图, 即得到已知图像在陌生图像中到位置是一件复杂的工作。因为已知图像与陌生图像中潜在的匹配子图间可能存在旋转、位移、缩放、倾斜等非线性变换, 所以在传统匹配算法中, 陌生图像中潜在的匹配子图K和已知图像S存在下述对齐关系:
其中图像点 (x, y) ∈K, 图像点 (x, , y') ∈S, αij和φi是常量。考虑到成像噪音的影响, 用“≈”符号表明陌生图像中潜在的匹配子图可以由已知图像的高阶多项式近似表示。
图像匹配:经过了图像分割和图像对齐就可以在已知图像中搜索与陌生图像潜在子图匹配的图像了。假设陌生图像的尺寸为 (M×N) , 已知图像尺寸为 (m×n) , 其中M≥m, N≥n。采用逐点比较的算法进行比较, 等概率的情况下, 需要的平均比较的次数为: (M-m+1) × (N-n+1) × (m×n) /2。一对一图像的比较尚且如此, 一对多的匹配运算的数量级, 是单台计算机绝对无法承受的。
3.2 改进的匹配算法
传统的匹配算法效率低下的关键点在于:每一次匹配结论都必须等到陌生图像和已知图像中某一潜在子图的完全匹配结束才能得出。如果能在比较的过程中发现两者差异较大而立刻放弃当前匹配, 并提前进入下一轮匹配, 那么匹配效率将大大提高。目前由Barnea提出的序贯相似性检测算法 (SSDA) 能够比较方便地做到这一点, 但是起效率仍然有待提高。该文采用的匹配策略基于SSDA算法的思想, 并融入了粒度计算的理念。
传统SSDA算法
1) 定义绝对误差值
2) 取一个不变的阀值Tk
3) 在子图Si, j (mk, nk) 中随机选择像素点, 计算它同T中相应点的误差值ε, 并进行累加, 当经过r次累加, 误差和超过Tk, 则马上停止累加, 并记下当前r值。定义该算法的检测曲面为:
4) 重复第3) 步, 计算所有点的r值, 选取I (i, j) 值最大的点 (i, j) 作为匹配点。
粒度计算
粒度计算是一种全新的信息处理模式, 它的对处理对象是信息粒 (Information Granule) ——一种复杂的信息实体。从理论上来说, 对待同一事物, 粒度计算主张通过设置不同的分辨率或尺寸, 对计算中出现的知识进行辨识、认知以及阐述。
针对传统的SSDA算法, 匹配的过程等效于遍历, 除同位点外, 其它点的搜索显得非常无用, 浪费了大量的时间, 最终影响匹配效率。该文借助于粒度计算的思想, 采取金字塔式的搜索策略[7], 通过控制粒度由粗到细的变化过程逐步找到原始陌生图像中潜在匹配子图的的精确匹配点, 减少SSDA算法匹配搜索时间。若选取图像分辨率 (即子带尺寸) 作为粒度的标准, 选取灰度作为图像的匹配特征, 则粒度分层算法如下:
1) 分别求取待匹配的两副原始图像中所有像素点灰度平均值记为G0, 该层定义为L0层。
2) 将待匹配的两副原始图像分别分割成为粒度更小的2×2的4个子带, 再求取每个子带域中像素点灰度平均值, 分别记为Gi, j (0≤i≤1, 0≤j≤1) , 该层定义为L1层。
3) 以此类推, 通过对Lm-1层的子带进行再划分, 可以定义粒度更小的Lm层, 其每个子带域中像素点灰度平均值, 分别记为Gi, j (0≤i≤2m, 0≤j≤2m) 。
4) 定义Ln层为原始图像层。
按照粒度由大到小的顺序, 通过划分可以得到一个图像分层序列:L0, ⋯, Li, ⋯Ln, 他们的分辨率也是由大变小。改进的匹配过程如下:
首先从两副图的低分辨率L1层开始匹配, 确定匹配的大致位置, 由于L1层粒度大、维数小, 匹配过程会非常高效, 但是由于分辨率太低, 可能会出现多个匹配位置P1, i (1≤i≤2) 。然后在L2层上进行匹配搜索, 与传统的SSDA算法不同的是, 此时只在上一次得到的匹配点P1, i附近进行搜索, 所以计算量不会大, 得到的新的匹配点记为P2, i (1≤i≤4) 。以此类推, 基于第Lm-1层的匹配点Pm-1, i (1≤i≤2m-1) , 可以更加精确的获取第Lm层的匹配点Pm, i (1≤i≤2m) 。最终达到原始图像Ln层, 匹配过程结束。
3实验及结果分析
为了验证将粒度计算法引入图像匹配技术的有效性, 特地在.NET环境下开发一套测试软件, 在已知图像T中对陌生图像S进行匹配, 寻求人物潜在的“眼睛”, 实验得出各种匹配算法的耗时数据表:
从表1中数据可以看出:NCC (归一化相关匹配算法) 效率最低;传统SSDA由于没有进行算法优化, 承担了巨大的计算量, 比起NCC算法效率提升不够明显;而本文提出的综合改进算法在进行特征匹配时优势明显, 具有很高的实时性和技术可行性。
4 结论
本文将全面剖析当今各种图像匹配技术, 研讨了将粒度计算引入到图像匹配技术中的具体实现细节, 提出基于粒度计算的自适应阀值SSDA匹配算法, 并且通过试验证明该算法的实用性和高效性, 取得了令人满意的结果。
摘要：传统的基于内容的图像检索技术CBIR系统需要依据图像的可视特征或复合可视特征信息, 通过复杂的数学运算进行匹配, 面对海量的图像信息上述系统的运算时间将呈线性增长, 从而导致效率低下。随着粒度计算理论的完善和成熟, 该文建立起基于粒度计算的SSDA图像检索模型, 通过控制粒度的大小, 提出分层的搜索策略, 减少SSDA算法匹配搜索时间, 提高图像匹配的效率。
关键词：粒度计算,图像匹配,SSDA
参考文献
[1]钱晶, 高月松.图像检索系统中的CBIR技术研究[J].电脑知识与技术, 2011 (2) .
[2]刘晓光, 陈曦, 陈政伟, 等.基于图像灰度的SSDA匹配算法[J].航空计算技术, 2010 (1) .
[3]张铃, 张钹.模糊商空间理论 (模糊粒度计算方法) [J].软件学报, 2003 (4) .
[4]Gnanadesikan, Ramanathan, Kettenring, John R.Robust estimates, residuals, and outlier detection with multiresponse data, Biometrics, 1972 (28) :81-124.
[5]R.Tyrrell Rockafellar, Roger J-B Wets, Variational Analysis, Springer-Verlag, 2005:117.
[6]Milan Sonka, VadavHhvac, RogerBoyle£.Image Processing, Amdy-sis, and Machine Vision[M].人民邮电出版社, 2003.
匹配计算方法 第4篇
摘要：在进行传递对准时，主、子惯导系统之间的安装距离、载体的弹性变形对子惯导系统的对准精度都将产生很大的影响。对影响传递对准性能的杆臂效应和挠曲变形进行了分析和建模，并建立了速度匹配、比力匹配、角速度匹配、姿态角匹配、“速度+角速度”匹配以及“速度+姿态角”匹配方法的量测方程。仿真结果表明“速度+姿态角”匹配方法性能比较优越，能够在很短的时间内估计出主、子惯导之间的安装误差角及挠曲变形角。
关键词：捷联惯导系统；传递对准；杆臂效应；挠曲变形；卡尔曼滤波
中图分类号：TJ765，2；V241 文献标识码：A 文章编号：1673-5048（2014）02-0003-06
0、引言
初始对准将直接决定捷联惯导系统的性能指标，在尽可能短的时间内使捷联惯导系统达到一个较高的对准精度是初始对准所追求的目标。
在动基座对准过程中，由于主惯导系统与子惯导系统之间存在一定的距离，当载体有角运动时，将造成主、子惯导惯性器件感受到不同的比力信息；另外，由于主、子惯导系统之间安装误差角和载体弹性变形的影响，会使子惯导系统中的惯性器件产生附加的输出值，而主惯导系统并不会敏感到这些附加的输出值。通常，子惯导系统一般采用中低精度惯性元件，为了提高对准精度，Kain提出了传递对准原理，即以载体上高精度的主惯导系统计算或测量得到的信息作为信息源，采用惯性信息匹配的方法，实时递推估计出子惯导坐标系轴相对于主惯导坐标系轴的水平失准角和方位失准角，从而达到初始对准的目的。
目前，国内外研究者围绕传递对准问题进行了大量研究。其中，文献[1]给出了主、子惯导系统速度差微分方程以及主、子惯导系统之间计算失准角微分方程的详细推导过程；文献[2]给出了主、子惯导系统之间的安装误差角模型和挠曲变形角模型，文献[3]详细推导了杆臂效应的产生机理。
匹配计算方法 第5篇
众所周知, 我国国土面积广大, 地区气候差别巨大, 在广大的北方地区冬季温度会低至-20~-40℃以下, 且冬季漫长。在此温度条件下, 一般发动机在冷态时启动会十分困难[1]。针对此问题人们想出很多办法, 如使用汽油喷灯加热发动机油底壳;给发动机加热水;使用进气预热塞或火焰塞加热进气道;乙醚喷射等等, 但这些方法存在大量缺陷, 使得效果和可操作性不理想。如使汽油喷灯存在以下问题:喷灯发出明火, 十分危险, 受风影响大;喷灯燃烧不稳定, 有可能断火等;必须有人看守, 操作环境恶劣;加热不均匀, 油底壳内油脂易结焦;油耗大, 效率低[1]。给发动机加热水也存在需要每天加水放水等操作麻烦的缺点, 另外北方水质普遍偏硬, 发动机内易结水碱。使用进气道预热或火焰塞加热会消耗大量电瓶能量, 启动效果不好, 同时火焰塞燃烧效果不稳定, 可靠性差。使用乙醚喷射强制启动会给发动机造成很大磨损, 降低发动机寿命, 增大油耗。而使用燃油液体加热器则可以克服以上不足, 使发动机内液体在较短时间内进行加热, 提升发动机的机体温度, 减少了启动阻力, 满足了发动机在低温条件下的启动要求[2]。
另外北方地区寒冷冬季, 商用车的取暖问题也不好解决, 只靠发动机余热取暖不能满足需求, 因为环境温度低, 防冻液温度升不上来。那就需要安装空气式驻车加热器直接加热驾驶室空气取暖, 或利用液体加热器将防冻液温度升上来, 再通过汽车暖风将驾驶室空气加热达到取暖的要求。
那么如何选择合适的液体驻车加热器和空气驻车加热器呢?本文主要说明商用车选择驻车加热器匹配计算的重要性及计算框图, 着重以福田重卡H4车型为例进行液体驻车加热器和空气驻车加热器的匹配计算。
1 商用车选择驻车加热器匹配计算的重要性及计算框图
我国北方地区冬季十分寒冷, 在这些寒冷地区跑运输的商用车已经有部分安装了驻车加热器, 但安装了驻车加热器的用户总是抱怨驻车加热器不好用, 原因是:有的用户装了额定放热量偏小的驻车加热器, 与商用车取暖面积及发动机功率不匹配, 导致加热时间过长, 或甚至不能使驾驶室及取暖空间达到舒适的温度;有的用户选择了额定放热量偏大的驻车加热器, 对发动机低温启动时间很短, 驾驶室取暖达到舒适温度也很快, 但是驻车加热器耗油量大、耗电量大, 为了使驾驶室保持舒适的温度, 就要频繁开关驻车加热器, 这样既不节能、不环保, 又降低驻车加热器的使用寿命。这就给我们提出一个课题, 商用车的低温启动与驾驶室取暖如何选择合适的、匹配的驻车加热器?而且这个匹配计算也相当重要, 只有在商用车安装驻车加热器前, 了解发动机的小循环防冻液系统最小容积及驾驶室的散热量 (汽车围护结构散热、汽车玻璃散热、人员及门窗漏风散热) , 就可以进行发动机低温启动的匹配计算及驾驶室取暖的匹配计算。通过匹配计算选择的驻车加热器对商用车来说即合理又经济, 还节能环保并延长驻车加热器的使用寿命。
驻车加热器在商用车上的取暖匹配计算, 首先计算出驾驶室需求热量, 再根据此热量选择加热器额定放热量。根据车身热平衡计算方程式[3]:
式中:α1—储备系数, Q—采暖系统所需换热量, Qe—车身总热负荷, QB—车体传入热量, QG—玻璃传入热量, QV—新风热负荷, QP—人体热, QM—发动机散热量, QL—车内零件散热量。
商用车采暖热负荷按公式1-1及1-2计算, 由于QP—人体热、QM—发动机散热量、QL—车内零件散热量这三项参数对车辆采暖不仅起正作用, 而且影响比较小, 因此商用车采暖热负荷计算中可以忽略此三项参数。对于空气式驻车加热器和液体式驻车加热器的热负荷计算, 其QV—新风热负荷是不同的, 空气式驻车加热器是加热循环驾驶室内的空气, 因此QV—新风热负荷主要是来自为补充车厢乘客所需输送一定量的新风, 按人体卫生要求, 每人所需的新风量标准为20~40 (m3/h·人) [4,5], 由于汽车条件限制, 新风量标准不得不降低, 对大客车空调而言, 新风量下线甚至接近10 m3/h·人[6];液体式驻车加热器是将汽车暖风芯体防冻液加热, 再通过风机将热量带入驾驶室, 因此QV—新风热负荷主要是暖风风机输送进来的新风产生的。同时无论是液体驻车加热器还是空气式驻车加热器都是车辆在驻车时进行加热的, 因此QV—新风热负荷都没有因为车辆行驶产生漏风造成的新风热负荷。根据商用车的保温措施不同α1—储备系数一般取1~1.2。
驻车加热器商用车采暖应用匹配计算框图见图1-1
2 空气式驻车加热器在福田重卡应用的匹配计算
福田H4热负荷计算:
设计条件:
车外环境温度:T1 -40℃
车内目标温度:T2 20℃
整车内表面积:A1 21.23m2
车顶内表面积:A2 3.1m2
车底内表面积:AF 5.074m2
车身内侧面表面积AS 9.6m2
前挡风玻璃面积:A3 1.958m2
前挡风玻璃水平面投影面积:A4 0.284m2
所有玻璃面积:A5 3.456m2
乘员数:N1 1
驾驶员:N2 1
(1) 汽车车体围护结构传热
注:K—车厢传热系数, 对开启式商用车, 一般取2.5w/m2·℃
F—车厢围护结构的内表面积17.774 m2
ΔT—车内外温差60℃
TR—车顶外部温度, 一般为-40℃
TS—车身侧面温度, 一般为-40℃
TF—车底外部温度, 一般为-40℃
(2) 车窗和挡风玻璃传热
注:KB—玻璃传热系数, 一般为5.5
A5—所有玻璃面积3.456 m2
ΔT—车内外温差60℃
(3) 新风产生的热负荷
注:n—乘员人数, n=2
l0—新风量/人.小时取值11m3/h.人
(最小不小于10 m3/h.人)
ρ—空气密度, 取1.424kg/m3
hi—车室内空气的焓值, hi=38 k J/kg
总热负荷为:
经过以上理论计算因此选择放热量为5KW的FJH-5B/2空气驻车加热器作为辅助加热热源匹配合理。
3 液体式驻车加热器在福田重卡应用的匹配计算
3.1 对发动机低温启动驻车加热器放热量及加热时间计算
福田重卡H4车型的发动机小循环防冻液容积最小为9.5L, 防冻液温度由环境温度-40℃升高到发动机能启动温度30℃时, 按容积计算防冻液需求热量为:
注:Q液:防冻液需求热量k J;
C液:防冻液比热4.2k J/kg·K;
ρ:防冻液密度1000kg/m3;
VY:防冻液体积0.0095 m3;
ΔT:温差70K。
福田重卡H4全驱车选择了10kw液体驻车加热器, 考虑加热器放热量60%被吸收, 则其低温启动所需时间为:
W加60%t=Q液得t=2793/ (10*0.6*60) =7.8分钟。 (1-8)
注:W加:驻车加热器额定放热量kw;
t:加热器时间分钟
用驻车加热器给发动机低温启动合理的加热时间根据经验应该定为10分钟左右, 因此福田重卡H4全驱车选择额定放热量为10kw的YJH-Q10液体驻车加热器匹配合理。实际测试数据见表1-1中2013年1月27日在黑河做的试验数据表格, 环境温度-22℃, 水温被加热到65℃时驻车加热器从打开开关工作了15分钟, 减去加热器预热时间1分钟低速稳焰时间2分钟, 加热器正常加热工作时间应为12分钟, 实际发动机小循环防冻液的容积为11 L。理论计算时间为t=4.2*11*87/ (10*0.6*60) =11.2分钟。实际测试需求时间与理论计算时间基本一致。
3.2 驾驶室取暖匹配计算
用液体式驻车加热器取暖需利用汽车暖风装置将防冻液热量带到驾驶室内, 因此与空气式驻车加热器相比, 其热负荷计算不同之处在于新风热负荷不同, 此处的新风热负荷主要由汽车暖风工作产生的。因此液体驻车加热器的新风热负荷计算如下:
注:V—暖风风量180m3/h
ρ—空气密度, 取1.424kg/m3
hi—车室内空气的焓值, hi=38 k J/kg
总热负荷为:
当用液体驻车加热器取暖时发动机是工作的, 因此加热器的放热量基本无损失全部用于了驾驶室取暖, 因此经过以上理论计算选择放热量为10kw的YJH-Q10液体驻车加热器作为辅助加热热源匹配合理。
4 小结
本文内容主要介绍了商用车匹配计算的重要性及匹配计算框图, 并接合福田重卡同步设计阶段情况, 重点介绍了空气驻车加热器及液体驻车加热器在驾驶室取暖方面的匹配计算, 以及液体驻车加热器在发动机低温启动方面的匹配计算。
参考文献
[1]方志刚李跃平侯东刘国建浅议YJH-Q10A燃油液体加热器在发动机低温启动时的应用—现代制造技术与装备2009第5期
[2]华智刚赵福堂韩占忠内燃机低温启动技术及应用内燃机2000年
[3]郭会聪昃强燃油加热器系统在电动汽车中的应用.汽车电器2010年第11期.
[4]电子工业部第十设计研究院空气调节设计手册.中国建筑工业出版社1995年.
[5]王世平汽车空调热负荷的分析与计算制冷与空调2000年第2期.
匹配计算方法 第6篇
关键词：自动拼图,颜色直方图,HSV颜色空间,图像检索
0引言
计算机拼图是利用拼块的形状、颜色和纹理特征实现计算机对图像的自动拼接。其主要过程为:摄像机读取散乱的图像拼块并输入计算机, 计算机进行图像预处理后, 分析各个拼块的颜色、纹理和形状特征, 根据其特征进行匹配和拼接。计算机拼图系统可以为中学生演示人工智能和计算机视觉技术的最新发展。同时由于它涉及了许多机器视觉方面的问题, 例如形状分析、颜色分析、边缘匹配、模式识别、纹理提取, 可以用来解决学科间横向研究上的实际问题, 例如史前古器物的复原、刑事案件中证物碎片的复原等等[2]。所以计算机智能拼图在模式识别和机器视觉领域有着重要的研究价值[1]。
在国外的文献中可以找到很多对计算机智能拼图的研究, 这些研究多数利用了拼块的形状信息。例如Freeman和Gardner, Hirota和Ohto, Nagura等人, 以及Radack和Badler提取拼块边缘的临界点作为特征值进行拼块匹配[3,4]。但是当拼块的数量很大时, 用形状的信息对每个拼块进行匹配计算量很大, 同时单单用形状的信息很难对这些拼块进行正确的匹配。因此, 需要引用拼块的颜色信息。在系统中可以首先利用颜色进行粗匹配, 由此可以缩小匹配的范围, 从而减少运算次数, 提高运行速度。在一些形状十分相似的拼块中也可以再次进行颜色匹配, 最终确定匹配结果, 提高匹配的精度。
利用颜色信息对拼块进行匹配, 其原理类似于基于颜色内容的图像检索技术。颜色直方图作为最有效的一种颜色分析方法被使用。同时利用人对颜色的感知特性对颜色分量进行非等间隔的量化并形成特征矢量, 应用直方图相交距离进行了特征的匹配, 并且针对拼块图像自身的特点采用了图像分割技术对拼块图像的背景进行剔除的同时实现了按方向进行匹配的方法。
1颜色直方图及其匹配算法
1.1颜色直方图
现在常用的颜色模型主要有RGB、CMY、HSI、HSV、Lab等等。其中, RGB、CMY主要是基于硬件的, HSI、HSV、Lab是面向感知的。对于图像匹配的应用, 应该选择一个面向感知的彩色模型, 在众多面向感知的彩色模型中HSV颜色模型是比较常用的一种。HSV分别表示了人类对颜色进行感知的三个方面, 即色度 (Hue) 、饱和度 (Saturation) 和亮度 (Value) [6]。如图1所示。
对于彩色空间, 需要对每一个元素进行数字化, 并建立彩色直方图来表示所有像素色度空间值的分布。在彩色直方图中, 横坐标表示该图像颜色频道的分布, 纵坐标表示该图像所有像素中落入特定频道的像素数量。
1.2颜色信息的提取与量化
一幅图像拥有众多的颜色, 尤其是真彩色图像, 因此其直方图矢量则会存在众多的维数。如果对HSV空间进行适当的量化后再计算直方图, 则计算量要少得多。文中将H、S、V三个分量按照人的颜色感知进行非等间隔的量化, 从对颜色模型的大量分析, 把色调H空间分成16份, 饱和度S和亮度V空间分别分成4份, 并根据色彩的不同范围进行量化。最终把量化后的三个颜色分量合成为一维特征矢量:
L=QsQvH+QvS+V (1)
其中, Qs和Qv分别是分量S和V的量化级数, 取Qs=4Qv=4。因此可表示为:
L=16H+4S+V (2)
1.3匹配算法
在直方图特征提取后, 就要对特征进行特征相似度的匹配。特征匹配一般是通过特征的相似性度量的手段来实现的。特征的相似程度, 反映图像内容的相似程度[7]。常用的相似度匹配算法有:
绝对值距离:
欧式距离:
直方图相交距离:
其中示例图片为Q, 图像库中存储的待检索图片为T, hq (i) 和ht (i) 分别为示例图像和库中图像第i种颜色像素的频数。
2拼块的规则和特点
标准的拼图遵循一定的规则, 这使得对拼块的处理有了统一的规范, 更利于操作。其规则如下:
(1) 拼块的整体边界为矩形。
(2) 每个拼块有四个邻居, 包括顶部、底部、左侧和右侧。
(3) 拼块间通过一个拼块的凹型与其邻居拼块的凸型相互拼接在一起。
(4) 每个拼块除了其顶部、底部、左侧和右侧四个邻居外不和其他的拼块相连接。
图2为一个规则的拼块。
拼块图像拥有图像的基本特征, 因此可以利用分析图像特征的一般方法来分析拼块图像。而且通过经验可以判断某个拼块图像邻居的特征与其本身的特征是十分相似的。因此可以运用基于内容的图像检索的技术来完成拼块的匹配。
然而拼图的匹配相对于通过示例图进行图像检索又有其自身的特点。首先, 拼块图像中有背景存在, 而一般的基于内容的图像检索使用的图像不存在背景与目标。因此在拼块匹配中需要剔除背景。其次, 通过示例图进行基于内容的图像检索是对整幅图像进行检索。而拼块的匹配是检索其相邻的拼块, 因此在拼块匹配中需要利用其像素点的位置信息。
3适应拼块特征的匹配改进方法
3.1拼块图像背景剔除
对于拼块图像来说, 其背景为单一颜色, 可以预见到其直方图必有一个由背景像素点组成的波峰。图3为一个实际拼块图像和它的R、G、B三个颜色分量的直方图。
通过直方图可以看到每个分量都有一个明显的波峰。这些波峰周围的像素点即为背景。因此设计了一个自适应的算法找到波峰, 并设定一个阈值将波峰周围一定区域的像素点进行剔除。图4为背景剔除后的拼块图像 (这里为了显示效果将目标置成了白色) 和R, G, B三个颜色分量的直方图。
3.2按方向对拼块进行检索
对于拼块图像来说, 不同的方向与不同的拼块相连, 相连的拼块其相连接一侧的像素点具有相似性, 图5为一个实际拼块图像A的左右两侧与B左侧的H分量的直方图, 其中A的右侧与B的左侧相连。
通过直方图可以看到A的右侧与B的左侧都存在一个位置相近的波峰, 而同样为A图其左侧则没有这个波峰。因此引入了拼块图像的方向性, 并实现了按方向进行检索。
对于不同方向的相邻拼块检索, 按照其方向选择相应的局部区域进行特征的提取。即当向某个方向进行检索时, 会提取拼块该侧的颜色信息。例如, 要匹配拼块左侧的拼块, 就要利用拼块左侧的像素点进行特征值的提取, 而对于候选拼块要用其右侧的特征值进行匹配。
3.3算法的整体流程图以及核心代码
图6是本算法的流程图。
这里的背景剔除和选择检索方向是为了适应拼图系统的特点而加入的。对于每一个拼块图像, 首先就要剔除其背景, 只保留目标信息。然后, 选择向哪个方向检索, 由此选择特征点提取的范围。然后, 提取特征点, 按照彩色直方图的匹配算法来计算其匹配值。对于待检索的拼块图像, 按照同样的方法得出其匹配值。然后计算待检索拼块与该拼块的相似度。当遍历完所有待检索的拼块的图像, 就可以按照其相似度给出一个近似度的排序。从而找到一些最可能成为其邻居的拼块。
在程序实现时, 首先提取图像的像素点信息。程序中使用了GDI+技术, 下面为具体代码:
在对像素点的颜色信息进行量化后, 进行图像的匹配, 这里用到的是直方图相交距离匹配下面为具体代码
4实验结果及其评价
将多幅互联网上搜索到的不同内容的大小为1024×768的图像制作成12×16块的拼图, 每个拼块图像为91×91个像素。在拼块的选择上, 从192幅拼块图像中抽取了10个拼块进行了实验, 为了使选取的拼块能分散地分布在原始图中, 通过编号的位置按照一定的规律进行选择。在这里, 横向的编号以递增方式, 而纵向的编号以交替递增和递减的方式。
测试使用了CPU为P4 2.0, 内存为512M的微机。算法在vc.net2003上进行了实现, 应用了直方图相交距离的匹配算法, 对上文选出的10个拼块进行匹配。并对剔除背景和未剔除背景进行了对比实验。这里对每个拼块的4个方向进行匹配, 但是由于一些拼块为图像的边缘, 所以共检索了36次。
表1、表2是对a、b两幅图像的实验结果。
从表1的结果中可以看到, 使用直方图相交距离并进行背景剔除后可以取得比较好的效果。在对实验图a的192幅拼块图像进行检索后, 100%的拼块都可以在前十五副结果图中找到正确的结果。然而如果不进行背景剔除匹配结果就会相差很多。可见, 去掉背景信息的影响会大大提升匹配效果。同时, 由于背景不参与匹配算法的计算从而减少了一部分计算量, 提升了算法的运算效率, 减少了搜索时间。平均每幅拼块图像的搜索时间减少了近37%。
从表2中可以看到, 文中提出的算法有很好的匹配效果, 有近90%以上的拼块都可以在前15幅图中找到正确的结果。同时, 算法的运行效率较高, 每秒钟可以匹配近200个拼块图像。所以可以实现颜色的粗匹配, 从而提高运行效率。
此算法已经应用到一个实际的计算机智能拼图系统中, 图7为计算机智能拼图系统的界面图。系统提供了手工拼图和自动拼图两大功能。其中自动拼图功能指计算机进行图像预处理和图像分割后, 分析各个拼块的颜色、纹理和形状特征, 根据其特征将分散的图像拼块拼接成一幅完整的图像。该系统采用颜色、纹理以及部分边界信息成功完成了12、48块拼块的自动拼接[8]。
5结束语
以上结果可以看到利用颜色特征对拼块进行匹配, 可以得到较好的匹配效果。同时针对拼块图像的实际特点, 应用图像分割技术和按方向进行匹配的颜色特征匹配算法可以更好地实现拼块的匹配。从而可以实现拼块的粗匹配, 减少了计算量, 大大提高了系统的运行速度。同时很好的匹配效果也可以使得利用颜色特征进行拼块的匹配更加有效, 从而可以提高计算机智能拼图的匹配精度。
参考文献
[1]Min Gyo Chung, Margaret M Fleck, David A.Forsyth.Jigsaw puzzlesolver using shape and color[J].Signal Processing Proceedings, 1998, 2 (2) :877-880.
[2]David Goldberg, Christopher Malon, Marshall Bern.A global approachto automatic solution of jigsaw puzzles[J].Computational Geometry 282004:165-174.
[3]David A Kosiba, Pierre M Devaux, Sanjay Balasubramanian, et al.AnAutomatic Jigsaw Puzzle Solver[J].IEEE.1994, 1:616-618.
[4]Makridis M, Papamarkos N.ANewTechnique for Solving a JigsawPuz-zle[J].IEEE.2006:2001-2004.
[5]刘毅, 张明.局部颜色特征在基于内容的图像检索中的应用[J].计算机应用, 2004, 24 (7) :151-153.
[6]毛力, 张晓林.基于颜色内容的图像检索原理与方法[J].情报科学, 2000, 18 (6) :552-555.
[7]郭丽, 孙兴华, 王正群, 等.一种基于目标区域的彩色图像检索算法[J].计算机工程, 2002, 28 (4) :116-117.
匹配计算方法 第7篇
云计算是一 种资源交 付和使用 模式[1]。 移动云计 算[2]是基于云计算的概念提出来的,它是指移动终端通过移动互联网以按需、易扩展的方式获得所需的IT服务的交付与使用模式。近几年,越来越多的用户使用移动设备获取Internet服务。随着移动云计算的进一步发展,移动云计算业务必将成为移动互联网服务的新热点。
目前,移动云计算下的资源分配[3]受到外界的广泛关注,而当前的资源分配大多没有综合考虑移动终端的动态性以及用户请求资源任务的差异。因此,移动云计算环境下的资源分配成为解决问题的关键。
1相关研究情况
国内外对于资源分配[4]进行了大量研究 ,但是对于移动云计算环境下的 资源分配 研究却相 对较少 。 移动云计算涉及到QoS属性的定义以及 对移动终 端性能的 影响 。因此 ,本文将QoS属性性能 与资源分 配结合起 来研究 。
在QoS属性定义方面,不同的研究提出了不同 的服务质量参数体系。文献[5]将QoS属性分为服务响应时间、花费、可靠性、可提供性及声誉5个方面。文献[6]将QoS属性分为性能、健壮性、安全性、声誉及其 它5个方面。在针对资源分配算法研究中,文献[7]提出了虚拟化环境下的遗传算法,但遗传算法通常需要一段较长的执行时间;文献[8]致力于协商满足客户SLA要求;文献[9]提出了基于虚拟机的服务优先级资源分配方案。
以上研究方案存在 以下几方 面的不足:1未考虑到QoS属性对移动终端性能的影响;2匹配时未考虑权值与节点属性之间的关系;3在资源分配时,未考虑虚拟机使用的数量以及虚拟机最小空闲空间的使用。
针对以上不足,本文提出一种在移动云计算环境下基于XML的匹配资源分配算法,通过QoS属性树建模取得移动终端的整体性能,再通过XML相似度匹配得到用户请求资源的性能,再根据相似度与资源之间的映射进行资源分配。
2移动云计算中QoS描述及匹配
在移动云计算中,终端具有的网络结构多样性、移动性、鲁棒性,使得网络开销参差不齐。再由于移动终端自身的条件各不相 同,使得移动 环境对QoS的影响很 大, QoS属性与移动终端之间联系非常紧密。
2.1QoS属性描述
移动终端的性能通过计算性能(包括CPU使用率和电池使用率)和网络性能(包括信号强度、丢包率和往返时间)这两方面的综合性能来体现。QoS属性定义如下:
定义1:CPU可用率(Ccpu),指机器在某个时间点的可运行程序情况。
定义2:电池可用 率(Cbat),移动终端 电池的可 用电量。
定义3:信号强度(Csign),用来判定通信质量的好坏。
定义4:丢包率(Closs),指所丢失数据包数量占所发送数据包的比率。
定义5:往返时延(Crtt),表示从发送端请求资源开始所经历的时延。
2.2QoS属性匹配
用户的请求资源通过任务的多少和移动终端的性能来表示,移动终端的 性能又通 过5个QoS属性来描 述。 因此,通过上述QoS属性定义,本文将QoS属性绘成一棵树,将所有的QoS属性以平 面化的形 式展示出 来。QoS带权属性树如图1所示。
其中,Qrequest表示用户请求资源的性能,Qm表示终端的性能,Qtasks表示请求资源的任务大小,Qcomp表示计算性能,Qnet表示网络性能,Ccpu、Cbat t、Csign、Closs以及Crtt如2.1节中属性定义所示。
若Ta与Tb为两棵属性树,a1,a2,a3...an,b1,b2,b3...bn分别为两棵树各属性的大小;w1,w2,w3... wn,w′1,w′2,w′3...w′n分别为两棵树上每个属性所对应的权值,则相似度计算公式如下所示:
在此基础上,云服务提供商可以根据业务的具体情况设置标准的QoS参数,从而形成理想的QoS属性树,通过将移动终端请求时所产生的QoS属性树与标准的QoS属性树进行相似性匹配,从而确定该终端请求的类型。在此类型上,可以作相应的资源调度。
以下为QoS属性树匹配公式:
其中p为匹配的相 似度,其它参照 属性定义 中的描述。
3移动云计算资源分配
上节中的QoS属性树匹配算法将移动终端请求特征树与移动云服务中心预设的QoS属性树进行了匹配,其计算结果为0~1之间的百分数p,p体现了移动终端请求相对于预期的特征。采用此相似度将用户请求分级,分别对应不同等级的虚拟机,建立相似度与资源之间的映射。 不同等级的虚拟机计算能力不同,每一种类型的虚拟机能够被相应等级的用户请求所共享,如表1所示。
当移动终端请求到达移动云中心时,首先检索云中心是否有相应等级的虚拟机,如果没有,则新建相应类型的虚拟机并将任务分配到虚拟机;否则,遍历虚拟机列表,按最小剩余空间的顺序查找满足条件的虚拟机。如果找到相应的虚拟机,则将任务分配给虚拟机;最后将云中心的虚拟机按最小剩余空间进行排序。分配流程如图2所示。
4仿真实验
为了验证移动环境中基于匹配的资源分配算法,本文使用CloudSim仿真平台作对比实验,对原始服务提供商采用的单个虚拟机方法和本算法进行比较。实验中扩展CloudSim中提出的匹配算法,以及在此基 础上的资 源调度算法,对实验结果进行分析。
本实验所采用的数据依照表1,设定m=10,虚拟机初始化类型与云中心QoS树如图3所示。
为了尽可能地模拟现实中的情况而不失一般性,移动终端中的QoS属性树的属性值相对于服务QoS属性树随机生成。在实验中随 机生成50个用户向 云中心发 送请求,实验结果见图4。
相对于传统的单个用户分配单个虚拟机的方式,本文提出了移动云计算中基于匹配的资源分配算法,采用相似度与资源之间的映射,对移动终端相同性能的请求分配到同类型的虚拟机上,充分考虑了移动终端的动态性和虚拟机空间利用率。从图5,图6可以看出,移动云计算中基于匹配的资源分配算法在虚拟机初始化个数方面有显著的提高。多组实验表明,本算法所初始化的虚拟机个数大约降低了60%。相比于传统算法,本算法在资源利用率 方面有所提高。如图5所示。
5结语
匹配计算方法 第8篇
关键词：装煤机,行走马达,匹配计算,选型设计
蟹爪式全液压装煤机属于连续作业式装载机械, 起初只用于井下煤矿, 经过采用耐磨材料和液压传动等新材料和新技术后, 可用于金属矿的井下工作。蟹爪式装载机一般为电力机械驱动, 液压控制, 履带行走。近几年采用全液压传动, 工作效率和生产率明显提高。
国内煤矿机械制造厂生产的全液压装煤机的行走机构在使用一段时间后, 会出现牵引不足和打滑等不正常现象。因此, 需要对行走机构的行走机构进行重新选型设计, 其中很重要的一环就是对行走机构的泵—马达进行匹配计算, 只有泵—马达在压力和流量上都匹配工作, 才能使装煤机行走机构稳定的工作, 故本文对某装煤机液压系统的泵—马达匹配进行了匹配计算, 为装煤机行走机构液压系统的行走马达的选型提供基础。
图1行走机构液压示意图图2装煤机行走机构行走马达能量传递图
1 行走液压马达的阻力分析
装煤机行走机构液压系统 (图1) 的行走马达的能量传递如图2所示, 当双泵同时供液时, 装煤机快速行走, 当单泵供液时, 装煤机正常行走。在装煤机行走时, 行走马达受到各种阻力, 这些阻力包括路面坡度阻力、摩擦阻力、惯性阻力、转向阻力和装载阻力。履带式装煤机在作业过程中, 工作阻力受煤层质量、蟹爪插入深度等条件影响, 其计算公式为:Fc=∑L·Wc其中Wc为铲台插入煤岩阻力, ∑L为铲台和蟹爪插入煤岩的总边沿长度, w为铲板单位长度插入比阻力, 装载阻力计算公式为:Wp=kzbw, 其中Wp为耙取阻力, k为载荷不均匀影响系数, 一般取k=1.6~1.7;z为蟹爪数, 可取z=2;b为每个蟹爪耙取煤堆边缘长度, w为铲板单位长度插入阻力。另外, 对于坡度阻力Fi=Gtanα, 转向阻力Fs, 其它阻力Ft, 通过公式计算, 得到装载机械运动的总阻力为:F=Fc+Fp+Fi+Fs+Ft。
2 泵—马达的匹配计算
2.1 基本参数计算
取装煤机行走马达的排量Vm=625ml/r。装煤机的行走传动系统的左、右两条履带各由一台行走马达通过行走减速器驱动链轮转动, 通过左、右行走液压马达的正反转动的组合, 使机器实现前进、后退和左右转向。下面分别对两种情况进行校核。
2.1.1 第一种情况 (单泵供液时最大速度) 。
泵 (P2泵) 输出的压力油经分流阀分别进入左、右行走马达回路的两组三位四通阀, 从而控制左、右液压马达的动作。
其中qbmax为泵的最大流量;Vb为泵的公称排量;nbs为泵的转速;ηbv为泵的容积效率, 取ηbv=0.9。于是
其中Vm为马达排量;nms为马达转速;ηbv为马达的容积效率, 取ηmv=0.9。
由 (1) 式和 (2) 式可得马达转速:
故马达实际最大转速为:
因行走机构减速器速比为4.21, 则履带的最大转速为:
因履带链轮中心距地面为33mm, 则r=338/2=169 (mm) , 于是, 履带的最大行走速度:
2.1.2 第二种情况 (双泵供液时最大速度) 。
当要实现机器的快速行走时, 则需要转动转阀1使泵的前泵 (P1泵) 所提供的压力油也进入行走液压马达的回路。根据液压系统原理图可知, 经由分流阀到达左右行走液压马达管路由于在流量上增加了一倍, 则液体流速也相应增大一倍, 所以履带的最大行走速度:
2.2 泵—马达压力匹配
2.2.1 计算扭矩。
经计算可知系统压力损失为1.131MPa, 即泵-马达回路之间的压力损失为1.131MPa。假设泵在最大压力下工作, 即泵的出口压力为pb=18MPa, 则马达的入口压力为:pm=18-1.131=16.869MPa。
马达的压差:
马达理论最大输出转矩:
其中ηmm为马达的机械效率, 此处取ηmm=0.9。
故减速器的最大输入转矩:
2.2.2 计算最大牵引力。
其中Nm为马达理论功率;Tm为马达理论输出转矩;w为液压马达角速度;n为液压马达转速;η1为减速器与履带链轮之间的机械效率, 取η1=0.9;vlmax为履带行走最大速度, m/s;F为履带最大牵引力。
由 (3) 、 (4) 、 (5) 式可得:
当单泵供液时, 即vlmax=6.962m/min时, 一边履带最大牵引力为:
则履带最大牵引力为:
当双泵供液时, 即vlmax=13.924m/min时, 一边履带最大牵引力为:
则履带最大牵引力为F=2×F2=2×95.22=190.44 (k N) , 满足要求。
2.3 泵—马达流量匹配
液压系统中, 泵的规格和马达的规格必须达到匹配, 才能通过液压系统控制机器正常工作, 下面对控制装煤机行走机构的液压泵和马达进行校核计算:
2.3.1 排量匹配:第一种情况:正常行走 (vl=5m/min) 。
行走转速:
马达的实际转速:
马达的实际流量:
不计流量损失有 (单泵供液)
泵的实际排量:
考虑泄露等方面的影响, 基本上泵和马达的排量是匹配的。
2.3.2 第二种情况:快速行走 (vl=10m/min) 。
此时虽然马达的流量增加一倍, 但是由两个泵同时供液, 所以泵所需要的排量不变, 也是19.9ml/min。所以满足排量匹配。
3 结论
通过以上的计算分析可知, 国内某煤矿机械厂制造和设计的全液压式装煤机行走机构液压系统的泵—马达基本上匹配, 需改进的是更换行走马达的型号, 泵—马达的压力和流量保持不变, 可选择高速马达配减速箱或者直接使用不同的型号的低速马达。同时本文的计算方法也为相关工程机械行走机构的泵—马达匹配计算方法提供一种范例。
参考文献
[1]雷天觉.液压工程手册[M].北京:机械工业出版社, 1990.
[2]胡昌云, 王旭永, 朱武强.滑移式装载机行走转向液压系统的匹配计算[J].内江科技, 2011 (1) .
[3]李富柱, 邢艳芳, 戴雪芬.基于液压传动的装载机工作装置的分析[J].机械制造与自动化, 2007 (5) .
[4]蒋守仁, 蒋丹青.比例变量泵系统参数的最佳匹配[J].合肥工业大学学报:自然科学版, 1993 (4) .
[5]王英.掘进面装煤机跟机伸缩电缆吊挂装置的研制及应用[J].煤矿机械, 2010 (1) .
人—组织匹配研究方法综述 第9篇
关键词：人-组织匹配,态度,绩效,效应,测量
1 引言
人-组织匹配是人-环境匹配研究中的一个重要主题。从环境所包含的不同层面来看, 人与环境的各个维度包括职业、组织、群体、工作和他人都可能会产生不同程度的相互作用, 然而, 人与组织匹配总是人与环境匹配中的一个重要维度, 处于中心枢纽的位置。因为个体是组织的重要构成成分, 同时, 个体也通常依存于某一个组织, 组织是个体赖以生存与发展的社会单位, 组织也是个体与环境产生相互作用的重要层面[1]。
人-组织匹配的概念建立在人-环境互动理论的基础之上。这种观点认为, 不论是个人特质还是环境特征, 都不能单独解释人的行为和态度的差异, 而人与环境的交互作用能够最大程度地解释这种差异[2]。在这样的框架下面, 个人的组织行为被假设为是人和组织之间互动的结果[3]。所以, 人一组织匹配强调组织成员的个人特质与组织特质之间的相容性[2]。从概念化定义上来看, Kristof (1996) 所提出的人-组织匹配概念化定义模型是目前在人-组织匹配研究领域中, 最广为接受的一种概念化定义。Kristof (1996) 将人-组织匹配定义为当下列情况发生时, 人和组织之间的相容性: (1) 至少有一方提供了另一方所需要的东西; (2) 双方具有相似的基本特征;或者 (3) 以上两者都符合[4]。另外, 在操作化定义上, 从现有文献来看, 通常将人-组织匹配操作化定义为员工的价值观念、目标、个性与组织的相应维度之间的一致性[3]。
人-组织匹配研究通常关心的是什么导致了人-组织匹配, 以及人-组织匹配对于员工和组织而言, 会产生什么影响, 即关注于人-组织匹配的前因和后果的研究。在研究方法上, 该领域内最常见的研究方法是实证研究, 而理论研究数目则很少。
2 人-组织匹配的理论研究
在人-组织匹配的理论研究方面, Schneider、Jansen和Kristof-Brown作出了较大的贡献。其中, Schneider提出了吸引-选择-摩擦 (ASA) 理论, 而Jansen和Kristof-Brown则提出了人-环境匹配整体感知的一个理论模型。
2.1 Schneider的ASA理论
1987年, Schneider基于“员工的特征集合决定了组织特征”这样的一个命题, 提出了组织行为的员工导向模型, 即E=f (P, B) [5], 如图1所示。
随后, 他进一步提出, 组织特征由其成员特征决定是吸引-选择-摩擦 (ASA) 循环的一个自然结果。ASA模型的核心是由组织的创始人最初提出的组织目标。组织的目标以及帮助达成这些目标的流程、结构和文化是组织的创始人和他的早期同事们的特定特征 (比如个性) 的反映。随着时间的推移, 这些因素决定了被吸引、选择和留在组织中的人员的类型, 而且, 也正是这些员工的特征进一步影响了组织所特有的结构、流程和文化。图2显示了吸引-选择-摩擦与组织目标之间的关系。
总之, 互动心理模型将环境和在其中进行活动的人看作是相互独立的, 而且, 它所关注的是个人的行为。而ASA理论则认为, 环境和处于其中的人不是相互独立的, 环境就是在其中活动的人。Schneider的观点是, 结构、流程和文化是组织中人的输出结果, 而不是组织行为的原因, 同时, Schneider还强调在研究中应当增加关于人-环境匹配的环境类结果指标, 尤其是关于匹配的效率指标[5][6][7]。
虽然Schneider所提出的ASA理论认为“人构成了环境”, 但是, 群体作用理论和组织文化理论都认为, 更高层级的组织不仅仅只是其成员属性的简单叠加。由于对人员特征的简单综合仅仅反映了组织当前的成员, 而文化和气候则反映了一个组织的全部历史, 因此, 认为一个组织中的人员属性的算术平均值可以完整体现该组织的文化或者气候的观点可能是将事实过分简化了[8]。但不可否认, ASA理论强调了组织目标的重要作用, 并指出了人和环境之间的相互影响尤其是人对环境的影响, 同时, 还指出了关注组织层面效率指标的必要性, 这对于后续的人-组织匹配研究都具有重要的启示意义。
2.2 Jansen和Kristof-Brown的人-环境匹配感知的整合模型
如前所述, 人-环境匹配是一个由人和职业、组织、群体、工作以及其他人员匹配构成的整体结构, 所以, 是一个具有多维度内容的概念[9]。早期的人-环境匹配研究侧重于对整体匹配的抽象, 而近期关于人-环境匹配的大量实验研究和现场研究的主要方法是检验个人和工作环境的某一单个维度之间的匹配。这种研究对象上的聚焦虽然有利于加深对人-环境匹配各个维度上的理解, 但其缺点是无法看到人-环境匹配的整体效应。
Jansen和Kristof-Brown (1998) 和Jansen和KristofBrown (2006) 基于“人们并非只是对工作环境的某一个方面作出反应, 他们其实是和工作环境的多个维度同时嵌套的”这样一种嵌套观点, 从人-职业匹配、人-工作匹配、人-组织匹配、人-群体匹配、人-人匹配等维度, 对人-环境匹配提出了一个整体的匹配感知模型, 如图3所示。这种嵌套观点认为, 很多由匹配导致的结果不能简单地归因于人和环境的某一单个维度的匹配或者不匹配, 相反, 诸如满意、承诺、压力、调整和退缩等广泛的结果实际上更多地是对环境多个方面的匹配评估的反应[9][10]。
Jansen和Kristof-Brown (2006) 认为, 不同的维度能够预测不同的指标。比如, 人-群体匹配能够预测群体凝聚力, 而整体匹配则能够更好地预测工作满意和组织承诺[9]。另外, 绝大多数研究都假设, 不同形式的人-环境匹配的效应具有可叠加性 (例如, 在某一维度上的良好匹配可以抵消在另一维度上的不匹配) 。然而, 在环境的某一方面的不匹配也可能会对其它方面的匹配产生消极影响, 或者, 它们互相之间可能会有所影响[8]。在此基础上, Jansen和KristofBrown (2006) 对Jansen和Kristof-Brown (1998) 所提出的多种形式人-环境匹配整合模型进行了进一步的深化, 提出PEfit=s1*PV+s2*PJ+s3*PO+s4*PG+s5*PP的假设 (其中, PEfit表示人-环境整体匹配感知, PV表示人-职业匹配感知, PJ表示人-工作匹配感知, PO表示人-组织匹配感知, PG表示人-群体匹配感知, PP表示人-人匹配感知, s1～s5为权重系数) [9]。
Jansen和Kristof-Brown (2006) 提出的这个公式意味着, (1) 首先, 某一方面的良好匹配可以弥补其它方面的不匹配。 (2) 其次, 个人的、环境的和时间上的因素决定了哪些匹配维度对人-环境匹配会产生最大的影响。比如, 个人的以往工作经验会决定他们强调的是哪些方面的匹配, 那些在较多的公司中工作过的个人更强调人-组织匹配, 而那些从事过更多种类工作的人则更强调人-工作匹配[9]。而环境的文化强度也会影响各个权重系数的分配。文化强度被定义为在何种程度上存在一组可识别的规则、价值观念和信念[9]。Kristof (1996) 认为, 在具有多种不同子文化的组织中, 相对于在具有一种主导文化的组织中, 人-组织匹配对于个人层面指标的影响将较弱[4]。在雇佣过程的不同阶段, 各种形式的人-环境匹配具有不同的重要性。其中, 人-职业匹配在最早期阶段最为重要, 人-组织匹配在人员筛选和长期任期中最为重要, 人-人匹配在招募和雇佣后阶段最为重要, 人-工作匹配在整个过程中都很重要, 而人-群体匹配只有在雇佣后阶段, 才开始变得重要起来[9]。 (3) 最后, 这个公式还包含着这样的假设, 即不同类型的匹配之间很可能会相互影响, 尤其是在考虑长时期内的多维度人-环境匹配时。多维度的匹配有可能随着时间的推移而发生变化;即使环境没有任何变化, 匹配的不同方面的权重仍有可能发生变化, 从而导致不同的判断和结果[9]。
由于员工的工作态度和行为受到人-环境整体匹配感知的影响, 或者, 从员工工作绩效的构成来看, 由于员工的整体绩效既包括任务绩效, 又包括周边绩效, 所以, 所有类型的匹配都和员工的工作绩效相关[8]。这意味着试图要提高人-组织匹配水平的管理人员应当考虑到所有这些环境因素[4], 雇员对于这些环境因素的重视程度以及在这些环境因素上的匹配程度, 都有可能会影响员工的整体匹配感知, 进而影响员工的工作绩效和组织整体绩效。所以, Jansen和Kristof-Brown的人-环境匹配感知的整合模型强调了整体匹配感知而非单一维度匹配感知的重要性, 指出了各种形式匹配之间可能存在的相互关系和相互作用, 为人-组织匹配研究提供了一个更为系统和完整的框架。当然, 该模型可能存在的缺陷包括这仅仅只是一个较为简单的线性模型, 而实际情况下各个匹配维度之间的相互作用可能要来得更为复杂, 同时, 该模型也尚未经过实证检验等。
3 人-组织匹配的实证研究
目前绝大多数的人-组织匹配研究都采用了实证研究的方法, 其中, 主要涉及到对匹配的测量方法以及对实际匹配的计算方法两个方面的问题。
3.1 对人-组织匹配的测量方法
(1) 人-组织匹配的类型及其相应的测量方法。在人-组织匹配研究领域, 通常将人-组织匹配划分为感觉匹配、主观匹配和客观匹配三种类型。感觉匹配是由对相容性的直接评估来定义的[8]。Kristof (1996) 将这种匹配和实际匹配区别了开来。感觉匹配将匹配概念化定义为一个人对于在组织中是否匹配良好的直接整体判断。使用这样的概念化定义也就意味着只要感觉到存在匹配, 而无论这个人是否和组织具有相似的特征, 或者是否和组织的特征相互补, 都可以认为达到了良好的匹配[4]。实际匹配是指这样一个术语, 它用来描述研究者通过将各自独立评估的个人变量和环境变量进行直接对比来间接评估匹配的一种测量方法。French等 (1974) 将实际匹配区分为主观匹配和客观匹配。主观匹配是指由个人所感知和报告的人和环境之间的匹配, 而客观匹配则是指个人的实际情况和独立于个人对它的感知的环境之间的匹配[8]。这三种人-组织匹配类型划分如图4所示。
在对人-组织匹配的测量上面, 对应于感觉匹配、主观匹配和客观匹配, 存在着直接测量、个人层面间接测量和跨层面间接测量这几种不同的方法。如图5所示。
对于感觉匹配的直接测量是简单地要求评价者对于自身和组织之间存在着什么程度的匹配做出评价[3]。比如, Posner、Kouzes和Schmidt (1985) 是使用直接测量来评估价值观念一致性的一个例子, 经理人员直接评价他们的价值观念和组织的价值观念的相容性如何, 以及他们需要在个人原则和组织期望之间做出妥协和折衷的频率如何。那些认为自己的价值观念和组织的价值观念高度一致的个人相比于那些认为这种一致性很低的个人, 报告了一系列的积极效应, 比如, 更大的个人成就感, 更高的组织承诺[4]。
个人层面的间接测量是指对于个体和组织在相同维度或者特征上的评价是从相同的来源获得的, 并对这两个评价进行比较[3], 这种测量方法是和主观匹配相对应的。在个人层面的间接测量中, 组织方面的结构是个人对于这些特征的知觉。测量时通常包括要求每一个回答者回答诸如“你认为什么是有价值的?”以及“你所在的公司认为什么是有价值的?”这样互相之间具有相似性的问题, 然后使用差值法或者多项回归分析技术, 来计算对这些问题的回答之间的相似性, 从而实现对实际的人-组织匹配的个人层面的测量。所以, 在实际匹配的个人层面研究即主观匹配研究中, 所有的测量都发生在个人层面的分析上[4]。
跨层面的间接测量是指将一个个体对于他自己的特征的评价和一个从不同来源获得的、对组织在相同维度上的评价或者描述相比较[3], 它是和客观匹配相对应的。其中, “从不同来源获得的对组织在相同维度上的评价或者描述”可以是诸如组织结构等客观存在的资料, 也可以是组织中其他成员对组织特征的评价的整合。所以, 在实际匹配的跨层面研究即客观匹配研究中, 测量分别发生在个人层面和组织层面的分析上[4]。
另外, 在人-组织匹配的测量方面, 还存在着同构测量和同时测量这两个问题。
(2) 同构测量 (commensuratemeasurement) 。同构测量就是用相同的内容维度来描述个人和组织[4]。在评估人-组织匹配时, 有些研究者推荐使用这种方法来进行操作, 因为它保证了所研究特征的相互关联性。然而, Patsfall和Feimer (1985) 则认为, 同等维度测量并非是必需的, 因为可以使用一个先验的假设来预测一个组织中任何个人特征的匹配维度[4]。另外, Schneider (1987) 与Furnham和Schaeffer (1984) 各自从不同的角度出发指出, 在很多情况下, 人和组织实际上是混合的主体。组织环境由组织中的人所创造[5], 而且, 人-组织匹配是动态的和弹性的, 因为人们在改变他们所处环境的同时, 也在不断地适应环境[11]。所以, Schneider (2001) 认为, 对人和组织进行同构测量这种想法很可能是自欺欺人的[6]。
Kristof (1996) 认为, 虽然在个人和组织层面上可能具有相似的特征结构, 但这两个层面仍然具有某些内在的区别, 所以, 要想实现完美的同构测量是很困难的[4]。VanVianen (2001) 也指出, 人和组织的构成内容是否相互关联以及如何相互关联, 在很大程度上依赖于这些构成内容的特定性质以及如何对这些构成内容进行评估[11]。Kristof (1996) 对此提出的建议是, 对于一致性匹配, 应当竭尽全力来最大化测量的同量 (commensurability) 。这可以保证高水平的匹配意味着个人和组织在特定特征比如诚实性这一价值观念或者社会福利目标上面的相似性。然而, 对于互补性匹配, 同量的水平应当依赖于研究结构的范围。比如, 在狭义定义的匹配上, 诸如报酬水平等直接测量的特征匹配可以简单地通过诸如“你所得到的报酬是多少?”和“你想要多少报酬?”之类的同构测量问题来加以评估。然而, 在广义定义的匹配上, 对于潜在特征 (latentcharacteristics) 并没有那么容易进行同构测量, 因为这些特征具有内在的多维性。例如, 一个组织可以通过多种形式来满足员工的成就需要, 比如, 提供绩效奖金、佣金和正式的认可仪式。由于满足成就需要具有多种方式, 因此, 没必要进行严格的同构测量。但是, 使用非同构测量的研究者必须要精确界定他们所调研的结构和维度, 以及个人和组织的结构为什么在概念上是相关的[4]。
(3) 同时测量 (concurrentmeasurement) 。同时测量是指在同一个时点上测量预测变量和效标变量, 而分开测量则是在某一个时点上先测量预测变量, 然后, 在隔开某个时间段之后, 再测量效标变量。如图6所示。
一般的观点认为, 如果是由同一个主体对人-组织匹配和工作态度进行评价, 而且, 对人-组织匹配和员工的工作态度是在相同时点上进行测量, 那么, 相比于对这两者在不同时点上进行测量, 所得到的人-组织匹配对员工工作态度的效应将更大一些。因为根据自我认知理论和认知失调理论, 个人倾向于维持感知的内部一致性。如果某个人将工作环境评价为没有提供匹配, 但仍然报告说他对工作环境高度满意, 那么, 这将导致个人的认知失调。所以, 个人倾向于在对人-组织匹配和工作态度的评价上保持内在逻辑的一致性[8]。
Kristof-Brown等 (2005) 检验了对于预测变量和效标变量的同时测量和在不同时点分开测量是否对人-组织匹配对于工作满意、组织承诺和离职倾向等态度的效应大小起到调节作用。结果显示, 对于工作满意和组织承诺, 同时测量的效应较大, 然而, 对于离职倾向而言, 情况却发生了变化。在将Vancouver和Schmitt (1991) [12]排除之后, 同时测量和分开测量方式下的人-组织匹配对于离职倾向的效应大小变得完全一样[8]。
关于在人-组织匹配的测量上面, 究竟应当采用直接测量还是间接测量, 还存在着一些争论。比如, Edwards (1991) 认为, 虽然对于感觉匹配的直接测量能够显示出人-组织匹配和个人层面变量之间的显著相关性, 但是, 因为直接测量容易混淆个人和环境的构成, 所以, 要保证同等维度的测量几乎是不可能的。另外, 当直接测量和对于工作相关态度的测量同时进行时, 一致性偏见 (比如, “我想我匹配得很好, 所以我肯定对我的工作感到满意”) 就可能会潜在地影响到结果[4]。因此, Edwards (1991) 认为应当采用间接测量, 对个人特征和组织特征进行独立评估, 从而对相似性或者互补性加以验证, 而无需由那些处于分析情境中的个人对于匹配做出清晰的判断[4]。然而, 也有研究者赞成或者并不反对使用对感觉匹配的直接测量。比如, Schneider等 (1995) 强调, “人构成了环境”, 而且, 不应该在环境的概念化定义过程中, 将环境和在环境中有所行为的个人进行割裂和作出区别对待[7]。Kristof-Brown等 (2005) 认为, 虽然使用同一评价者或者同时测量方法有可能会危害所报告的关系的真实性, 但是, 在互动心理学领域内, 普遍认为只有当人们感知到与环境的匹配时, 他们才会受到这种匹配的影响, 因此, 虽然使用同一评价人有可能会夸大匹配和态度类指标之间的关系, 但这和人为偏差比起来, 可能更能够反映真实情况。所以, 对于哪一种方法是最佳方法没有简单的答案[8]。
综之, 由于个人对于人-组织匹配的感知驱动了他们对于情境的反应, 所以, 使用直接测量方法对于了解人-组织匹配感知的可能结果是有益的。而对于直接测量方式下可能出现的共同方法偏差, 其主要的控制方法包括程序控制和统计控制。程序控制指的是研究者在研究设计与测量过程中所采取的控制措施, 比如从不同来源测量预测变量与效标变量, 对测量进行时间上、空间上、心理上、方法上的分离, 保护反应者的匿名性、减小对测量目的的猜度以及改进量表项目等[13]。周浩和龙立荣 (2004) 认为, 研究者首先应该考虑采用程序控制, 因为这些方法是直接针对共同方法偏差的来源而设计的。但是, 在某些研究情境中, 受条件限制, 上述的程序控制方法无法实施, 或者无法完全消除共同方法偏差, 这个时候就应该考虑在数据分析时采用统计的方法来对共同方法偏差进行检验和控制[13]。3.2计算实际匹配的方法
对于人-组织匹配的三种类型, 在样本数据的统计处理方法上, 情况略有不同。其中, 对于感觉匹配, 由于只涉及到个人对于人-组织匹配感知的整体评价以及相关效标这样两类数据, 对于匹配有直接的测量数据而无需计算, 因此, 评估感觉匹配的研究通常使用这些直接测量结果和效标变量之间的相关性来代表人-组织匹配的作用大小。而对于包含主观匹配和客观匹配在内的实际匹配, 由于涉及到对个人特征的评价、对组织特征的评价以及对相关效标变量的评价三类数据, 因此, 需要对个人和组织在相关特征上的差异进行计算[3], 并在此基础上, 判断人-组织匹配对于相关效标的作用大小。在计算实际匹配的方法上面, 目前还存在着一定的争论。
在计算实际匹配以及判断实际匹配和效标变量之间的关系上面, 目前在人-组织匹配研究领域中, 主要采用差值法 (differencescores) 和多项回归分析法 (polynomialregression analysis) 这两种方法。
差值法是指将个人和组织的测量结果相减, 得出一个反映双方之间相似性的一个单一指标。几十年来, 差值法在微观和宏观组织研究中广为使用[14]。研究者们通常使用代数差 (X-Y) 、绝对差 (X-Y) 或者平方差 (X-Y) 2等两变量一致性指标。在有多个预测指标的情况下, 通常使用诸如代数差的和 (D 1) 、绝对差的和 (D) 、平方差的和 (D 2) 、欧几里得距离 (D) 或者两个剖面之间的相关性 (Q) 等剖面相似指标 (profilesimilarityindices, PSIs) [4]。
尽管差值法在人-组织匹配研究中得到了广泛的使用, 但是, 这些方法也存在着很多的问题[8]。问题之一是由于差值法没有显示个人在每一个要素上对整体分数的贡献而引起的概念的模糊性。第二个问题是由于数据处理过程丢弃了个人和环境变量的绝对水平, 因此, 存在信息丢失的问题。第三个问题是, 在具有多个预测指标的情况下, 采用差值法得出的结果虽然能够较好地反映整体匹配情况, 但也可能对差异的来源不敏感。它们没有反映大量的要素可能会导致双方之间的差异, 虽然这些要素可能代表了非常不同的心理体验。最后, 在差额计分公式里边, 对于系数的符号和大小也有着严格的约束, 而实际数据却几乎没有证实这样的约束条件[4]。综之, 差值法的优点是能够抓住匹配的整体性质, 但其缺点是概念的模棱两可、信息丢失、对差异来源的非敏感性以及过于严格的约束条件等[8]。
Edwards (1993) 提出了计算实际匹配的另外一种替代方法, 也就是多项回归分析法[14]。这种方法的使用是基于这样的一些假设: (1) 对于人-组织匹配和效标之间的关系应当从个人特征、组织特征和效标变量三个维度来加以考虑; (2) 在分析中应当使用三维响应曲面来描述个人和组织双方对效标变量的联合影响;以及 (3) 应当考虑将差值法所暗含的约束条件作为假设条件, 这些假设条件应当是能够被检验的。使用这种方法时, 研究者首先需要选择能够最好地说明数据的概念模型的函数形式, 并识别出相应的约束和非约束回归等式。通过使用这些等式中的任意一个等式来测试该模型, 并且对它们的结果加以比较, 那么, 和概念模型相应的函数形式就可以被直接加以检验, 而不只是假设[4]。从根本上来说, 多项回归分析法避免了将对人和组织测量的结果混合成某一个单一的分数从而来评估匹配, 取而代之的是, 人和组织测量的结果 (X和Y) 以及相关的更高阶的项目 (X 2, XY和Y 2) 都可以作为预测变量。由于X和Y以及因变量都是唯一的, 因此, 可以在三维曲面图中对匹配关系加以描述[8], 而且, 这种对于曲面图的视觉检查通常能够揭示出更为复杂的关系[14][15]。比如, Kristof-Brown等 (2005) 的研究发现, 采用多项回归分析法的研究通过对曲面图的检验, 所得到的关于人-组织匹配和相关效标变量之间关系的结论, 和传统上对对称匹配的关注是有分歧的。这些研究指出, 当人和环境的得分都高时, 相比于这两个得分都低的情况, 态度指标的得分可能是最高的。另外, 这些研究中的大多数都指出, 当发生不匹配的情况时, 效果是不对称的, 比如, 当环境条件过剩时, 对态度的负面影响是微乎其微的, 而当人的条件得不到满足即环境条件不足时, 态度得分将会急剧下降[8]。另外, 相比于使用其它计算匹配手段的研究的荟萃分析估计值, 使用多项回归方法的人-组织匹配研究通常会产生较大的效应[8][3]。
多项回归分析法虽然解决了差值法所固有的一些问题, 但这种方法也有一些缺陷。一是使用多项回归分析法可能产生的更高阶项 (比如, X 2、Y 2和XY) 的概念有效性问题。虽然这些更高阶项可能会受到实证支持, 但除非它们和理论是相关的, 否则它们对于概念理解是没有帮助的。二是有一些研究者认为, 差值法有可能代表了一些和它们的组成要素在概念上有所区别的内容, 所以, 多项回归分析法所分析的组成内容和差值法所分析的结构是不一样的[4]。
到目前为止, 关于采用何种方法来测量和计算匹配的问题, 观点仍未取得一致。一是在对于实际匹配的计算方法上面, Edwards认为, 很多人-工作匹配和人-价值观念匹配文献在方法论上都存在瑕疵, 以至于严重影响了其对于所获得的结果的解释能力, 尤其是那些使用了剖面相似指标 (PSIs) 的研究所提出的匹配和效标变量之间的关系, 当用多项回归方法对它们重新加以分析时, 其结论往往不能得到支持[8]。而Kristof-Brown (2005) 等则认为, 虽然Edwards的这种说法是有一定道理的, 但是, 在绝大多数研究中, 多项回归分析的结果是进一步证实了而不是否定了差值法所得出的这样一个重要的结论, 那就是人和环境之间的匹配对于个人而言是有益的。而且, 任何领域的进步都只有在认识到以往研究的不足、在可行的情况下对此加以改进、以及在将原有的研究结果和改进后的研究所得到的结果加以比较之后, 才能获得。所以, 问题并没有严重到要将差值法这种传统的研究方法加以取消的地步, 而这种传统方法从它出现开始, 已经持续半个多世纪不断地激励着人们对人-环境匹配领域问题的研究兴趣[8]。二是在对于匹配的测量方法上面, 有很多研究者采用了间接测量的方法, 他们假设人会对个人特征和组织特征进行分开评估, 然后采用一定的方法对两者的特征进行比较, 在此基础上, 确定人-组织匹配的程度, 并由此决定后续的工作态度和工作行为。而Schneider (2001) 则认为, Lewin在提出个人 (P) 和情境 (E) 的结合导致了个人行为的观点的时候, 并未进一步指明, 这种结合是P×E, (P-E) 2, P+E+P×E, 或者其它形式。所以, 如果把人和环境分离开来, 那么, 就在某种程度上违背了“结合”这个概念。因此, 直接研究匹配并无不妥, 因为直接评估匹配可以和Lewin关于“结合”的概念背后的主旨保持一致, 从而保证了人和环境相结合的首要地位[6]。所以, 虽然人可能会对个人特征和组织特征分别进行评估, 并对这两者加以比较, 但个人究竟采用了什么样的方法对这两者之间的差异进行处理, 并最终得出匹配程度的结论, 这个过程是非常复杂的, 而且, 对于不同的个人来讲, 在处理方法上面以及在处理过程中对各个维度的权重分配等方面很可能存在着差异, 因此, 简单地用差值法或者多项回归分析法来代表这种处理方法和处理过程, 很可能会造成人为的偏差。所以, 在对匹配感知的形成机制尚未达成清晰的认识之前, 直接使用个人对人-组织匹配的整体感知来预测人的工作态度和工作行为, 也不失为一种科学合理的方法。
4 结束语
综上所述, 在人-组织匹配研究领域, 目前的研究多采用实证研究方式, 理论研究数目很少。所以, 未来的研究应当在对已有研究进行整理、分析的基础上, 增加理论研究的数量和深度, 建立关于人-组织匹配的理论模型, 以对未来的研究提供理论指导。
其次, 在实证研究方法上, 一方面, 在匹配的测量上, 应当根据研究结构的范围, 来决定是选择直接测量还是间接测量, 以及在多大程度上实现同构测量。另外, 对于直接测量方式下可能出现的共同方法偏差, 应当采用相应的程序控制和统计控制方法来加以抑制。另一方面, 在对实际匹配的计算上, 可以考虑在同一项研究中同时运用差值法和多项回归分析法等方法, 以在排除其它因素影响的基础上, 对不同计算方法所得出的结论进行对比分析, 从而更好地比较这些方法的优劣, 同时, 也有利于在将来的研究中, 能够更好地选择合适的研究方法, 或者, 对这些方法进行取长补短的运用。
最后, 在人-组织匹配研究中, 应当运用系统的观点, 综合考虑人-组织匹配和其它类型的人-环境匹配的共同作用以及和其它相关的调节变量的共同作用, 以更全面和深入地理解人-组织匹配和相关效标变量之间的关系。
【匹配计算方法】相关文章：
匹配计算05-19
匹配方法05-29
多极数电机极槽匹配的新方法09-13
基于矩匹配的、多标的实物期权估值方法研究09-12
匹配岗位05-08
匹配模型05-12
材料匹配06-01
知识匹配06-02