卷积神经网络的主要思想范文

导语：如何才能写好一篇卷积神经网络的主要思想，这就需要搜集整理更多的资料和文献，欢迎阅读由公文云整理的十篇范文，供你借鉴。

篇1

（江苏科技大学电子信息学院，江苏镇江212003）

摘要：在实际交通环境中，由于运动模糊、背景干扰、天气条件以及拍摄视角等因素，所采集的交通标志的图像质量往往不高，这就对交通标志自动识别的准确性、鲁棒性和实时性提出了很高的要求。针对这一情况，提出一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型，直接将采集的交通标志图像经二值化后作为输入，通过卷积和池采样的多层处理，来模拟人脑感知视觉信号的层次结构，自动地提取交通标志图像的特征，最后再利用一个全连接的网络实现交通标志的识别。实验结果表明，该方法利用卷积神经网络的深度学习能力，自动地提取交通标志的特征，避免了传统的人工特征提取，有效地提高了交通标志识别的效率，具有良好的泛化能力和适应范围。

关键词 ：交通标志；识别；卷积神经网络；深度学习

中图分类号：TN911.73?34；TP391.41 文献标识码：A 文章编号：1004?373X（2015）13?0101?06

收稿日期：2015?01?09

基金项目：国家自然科学基金面上项目（61371114）

0 引言

随着智能汽车的发展，道路交通标志的自动识别[1?3]作为智能汽车的基本技术之一，受到人们的高度关注。道路交通标志识别主要包括两个基本环节：首先是交通标志的检测，包括交通标志的定位、提取及必要的预处理；其次是交通标志的识别，包括交通标志的特征提取和分类。

如今，交通标志的识别方法大多数都采用人工智能技术，主要有下述两类形式[4]。一种是采用“人工特征+机器学习”的识别方法，如基于浅层神经网络、支持向量机的特征识别等。在这种方法中，主要依靠先验知识，人工设计特征，机器学习模型仅负责特征的分类或识别，因此特征设计的好坏直接影响到整个系统性能的性能，而要发现一个好的特征，则依赖于研究人员对待解决的问题的深入理解。另一种形式是近几年发展起来的深度学习模型[5]，如基于限制波尔兹曼机和基于自编码器的深度学习模型以及卷积神经网络等。在这种方法中，无需构造任何的人工特征，而是直接将图像的像素作为输入，通过构建含有多个隐层的机器学习模型，模拟人脑认知的多层结构，逐层地进行信息特征抽取，最终形成更具推广性和表达力的特征，从而提升识别的准确性。

卷积神经网络作为深度学习模型之一，是一种多层的监督学习神经网络，它利用一系列的卷积层、池化层以及一个全连接输出层构建一个多层的网络，来模仿人脑感知视觉信号的逐层处理机制，以实现视觉特征信号的自动提取与识别。本文将深层卷积神经网络应用于道路交通标志的识别，通过构建一个由二维卷积和池化处理交替组成的6层网络来逐层地提取交通标志图像的特征，所形成的特征矢量由一个全连接输出层来实现特征的分类和识别。实验中将加入高斯噪声、经过位移、缩放和旋转处理的交通标志图像以及实际道路采集交通标志图像分别构成训练集和测试集，实验结果表明，本文所采用的方法具有良好的识别率和鲁棒性。

1 卷积神经网络的基本结构及原理

1.1 深度学习

神经科学研究表明，哺乳动物大脑皮层对信号的处理没有一个显示的过程[5]，而是通过信号在大脑皮层复杂的层次结构中的递进传播，逐层地对信号进行提取和表述，最终达到感知世界的目的。这些研究成果促进了深度学习这一新兴研究领域的迅速发展。

深度学习[4，6?7]的目的就是试图模仿人脑感知视觉信号的机制，通过构建含有多个隐层的多层网络来逐层地对信号特征进行新的提取和空间变换，以自动学习到更加有效的特征表述，最终实现视觉功能。目前深度学习已成功地应用到语音识别、图像识别和语言处理等领域。在不同学习框架下构建的深度学习结构是不同的，如卷积神经网络就是一种深度的监督学习下的机器学习模型。

1.2 卷积神经网络的基本结构及原理

卷积神经网络受视觉系统的结构启发而产生，第一个卷积神经网络计算模型是在Fukushima 的神经认知机中提出的[8]，基于神经元之间的局部连接和分层组织图像转换，将有相同参数的神经元应用于前一层神经网络的不同位置，得到一种平移不变神经网络结构形式。后来，LeCun 等人在该思想的基础上，用误差梯度设计并训练卷积神经网络[9?10]，在一些模式识别任务上得到优越的性能。

卷积神经网络本质上是一种有监督的深度学习算法，无需事先知道输入与输出之间精确的数学表达式，只要用已知的模式对卷积神经网络加以训练，就可以学习到输入与输出之间的一种多层的非线性关系，这是非深度学习算法不能做到的。卷积神经网络的基本结构是由一系列的卷积和池化层以及一个全连接的输出层组成，可以采用梯度下降法极小化误差函数对网络中的权值和阈值参数逐层反向调节，以得到网络权值和阈值的最优解，并可以通过增加迭代次数来提高网络训练的精度。

1.2.1 前向传播

在卷积神经网络的前向传播中，输入的原始图像经过逐层的卷积和池化处理后，提取出若干特征子图并转换成一维特征矢量，最后由全连接的输出层进行分类识别。

在卷积层中，每个卷积层都可以表示为对前一层输入图像的二维卷积和非线性激励函数，其表达式可用式（1）表示：

式中：Yj 表示输出层中第j 个输出；Y l + 1i 是前一层（l + 1层）

的输出特征（全连接的特征向量）；n 是输出特征向量的长度；Wij 表示输出层的权值，连接输入i 和输出j ；bj表示输出层第j 个输出的阈值；f (?) 是输出层的非线性

1.2.2 反向传播

在反向传播过程中，卷积神经网络的训练方法采用类似于BP神经网络的梯度最速下降法，即按极小化误差的方法反向传播调整权值和阈值。网络反向传播回来的误差是每个神经元的基的灵敏度[12]，也就是误差对基的变化率，即导数。下面将分别求出输出层、池采样层和卷积层的神经元的灵敏度。

（1）输出层的灵敏度

对于误差函数式（6）来说，输出层神经元的灵敏度可表示为：

在前向传播过程中，得到网络的实际输出，进而求出实际输出与目标输出之间的误差；在反向传播过程中，利用误差反向传播，采用式（17）~式（20）来调整网络的权值和阈值，极小化误差；这样，前向传播和反向传播两个过程反复交替，直到达到收敛的要求为止。

2 深层卷积神经网络的交通标志识别方法

2.1 应用原理

交通标志是一种人为设计的具有特殊颜色（如红、黄、白、蓝、黑等）和特殊形状或图形的公共标志。我国的交通标志主要有警告、禁令、指示和指路等类型，一般采用颜色来区分不同的类型，用形状或图形来标示具体的信息。从交通标志设计的角度来看，属于不同类型（不同颜色）的交通标志在形状或图形上有较大的差异；属于相同类型（相同颜色）的标志中同类的指示信息标志在形状或图形上比较接近，如警告标志中的平面交叉路口标志等。因此，从机器视觉的角度来分析，同类型中同类指示信息的标志之间会比不同类型的标志之间更易引起识别错误。换句话说，相比于颜色，形状或图形是正确识别交通标志的关键因素。

因此，在应用卷积神经网络识别交通标志时，从提高算法效率和降低错误率综合考虑，将交通标志转换为灰度图像并作二值化处理后作为卷积神经网络的输入图像信息。图2给出了应用卷积神经网络识别交通标志的原理图。该网络采用了6层交替的卷积层和池采样层来逐层提取交通标志的特征，形成的特征矢量由一个全连接的输出层进行识别。图中：W1i（i=1，2，…，m1），W1（j j=1，2，…，m2），…，W1k（k=1，2，…，m（n?1））分别表示卷积层L1,L3,…,Ln - 1 的卷积核；Input表示输入的交通标志图像；

Pool表示每个池采样层的采样池；map表示逐层提取的特征子图；Y 是最终的全连接输出。

交通标志识别的判别准则为：对于输入交通标志图像Input，网络的输出矢量Y = [y1,y2 ,…,yC ]，有yj = Max{y1，y2 ,…,yC}，则Input ∈ j，即判定输入的交通标志图像Input为第j 类交通标志。

2.2 交通标志识别的基本步骤

深层神经网络识别交通标志主要包括交通标志的训练与识别，所以将交通标志识别归纳为以下4个步骤：（1） 图像预处理：利用公式Gray= 0.299R +0.587G + 0.114B 将彩色交通标志图像转换为灰度图像，再利用邻近插值法将交通标志图像规格化，最后利用最大类间方差将交通标志图像二值化。

（2）网络权值和阈值的初始化：利用随机分布函数将权值W 初始化为-1~1之间的随机数；而将阈值b 初始化为0。

（3）网络的训练：利用经过预处理的交通标志图像构成训练集，对卷积神经网络进行训练，通过网络前向传播和反向传播的反复交替处理，直到满足识别收敛条件或达到要求的训练次数为止。

（4）交通标志的识别：将实际采集的交通标志图像经过预处理后，送入训练好的卷积神经网络中进行交通标志特征的提取，然后通过一个全连接的网络进行特征分类与识别，得到识别结果。

3 实验结果与分析

实验主要选取了我国道路交通标志的警告标志、指示标志和禁令标志三类中较常见的50幅图像。考虑到在实际道路中采集到的交通标志图像会含有噪声和出现几何失真以及背景干扰等现象，因此在构造网络训练集时，除了理想的交通标志以外，还增加了加入高斯噪声、经过位移、旋转和缩放处理和实际采集到的交通标志图像，因此最终的训练样本为72个。其中，加入的高斯噪声为均值为0，方差分别为0.1，0.2，0.3，图像的位移、旋转、缩放的参数分别随机的分布在±10，±5°，0.9~1.1的范围内。图3给出了训练集中的交通标志图像的示例。图4是在实际道路中采集的交通标志图像构成的测试集的示例。

在实验中构造了一个输入为48×48个神经元、输出为50 个神经元的9 层网络。网络的输入是像素为48 × 48 的规格化的交通标志图像，输出对应于上述的50种交通标志的判别结果。网络的激活函数采用S型函数，如式（2）所示，其输出范围限制在0~1之间。

图6是交通标志的训练总误差EN 曲线。在训练开始的1 500次，误差能迅速地下降，在迭代2 000次以后是一个平稳的收敛过程，当迭代到10万次时，总误差EN可以达到0.188 2。

在交通标志的测试实验中，为了全面检验卷积神经网络的识别性能，分别针对理想的交通标志，加入高斯噪声、经过位移、旋转和比例缩放以及采集的交通标志图像进行实验，将以上测试样本分别送入到网络中识别，表2给出了测试实验结果。

综合分析上述实验结果，可以得到以下结论：（1）在卷积神经网络的训练学习过程中，整个网络的误差曲线快速平稳的下降，体现出卷积神经网络的训练学习具有良好的收敛性。

（2）经逐层卷积和池采样所提取的特征具有比例缩放和旋转不变性，因此对于旋转和比例缩放后的交通标志能达到100%的识别率。

（3）与传统的BP网络识别方法[11]相比较，卷积神经网络能够达到更深的学习深度，即在交通标志识别时能够得到更高的所属类别概率（更接近于1），识别效果更好。

（4）卷积神经网络对实际采集的交通标志图像的识别率尚不能达到令人满意的结果，主要原因是实际道路中采集的交通标志图像中存在着较严重的背景干扰，解决的办法是增加实际采集的交通标志训练样本数，通过网络的深度学习，提高网络的识别率和鲁棒性。

4 结论

本文将深层卷积神经网络应用于道路交通标志的识别，利用卷积神经网络的深层结构来模仿人脑感知视觉信号的机制，自动地提取交通标志图像的视觉特征并进行分类识别。实验表明，应用深层卷积神经网络识别交通标志取得了良好的识别效果。

在具体实现中，从我国交通标志的设计特点考虑，本文将经过预处理二值化的图像作为网络的输入，主要是利用了交通标志的形状信息，而基本略去了颜色信息，其优点是在保证识别率的基础上，可以简化网络的结构，降低网络的计算量。在实际道路交通标志识别中，将形状信息和颜色信息相结合，以进一步提高识别率和对道路环境的鲁棒性，是值得进一步研究的内容。

此外，本文的研究没有涉及到道路交通标志的动态检测，这也是今后可以进一步研究的内容。

参考文献

[1] 刘平华，李建民，胡晓林，等.动态场景下的交通标识检测与识别研究进展[J].中国图象图形学报，2013，18（5）：493?503.

[2] SAHA S K，DULAL C M，BHUIYAN A A. Neural networkbased sign recognition [J]. International Journal of ComputerApplication，2012，50（10）：35?41.

[3] STALLKAMP J，SCHLIOSING M，SALMENA J，et al. Man vs.computer：benchmarking machine learning algorithms for traf?fic sign recognition [J]. Neural Network，2012，32（2）：323?332.

[4] 中国计算机学会.深度学习：推进人工智能梦想[EB/OL].[2013?06?10].http：//ccg.org.cn.

[5] 郑胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展[J].中国图象图形学报，2014，19（2）：175?184.

[6] FUKUSHIMA K. Neocognition：a self ? organizing neural net?work model for a mechanism of pattern recognition unaffectedby shift in position [J]. Biological Cybernetics，1980，36（4）：193?202.

[7] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient ? basedlearning applied to document recognition [J]. IEEE Journal andMagazines，1989，86（11）：2278?2324.

[8] LECUN Y，BOTTOU L，BENGIO Y，et al. Backpropagationapplied to handwritten zip code recognition [J]. Neural Compu?tation，1989，1（4）：541?551.

[9] CIRESAN D，MEIER U，MAsci J，et al. Multi?column deepneural network for traffic sign classification [J]. Neural Net?works，2012，32（2）：333?338.

[10] NAGI J，DUCATELLE F，CARO D，et al. Max?pooling con?volution neural network for vision?based hand gesture recogni?tion [C]// 2011 IEEE International Conference on Signal andImage Processing Application. Kuala Lumpur：IEEE，2011，342?347.

[11] 杨斐，王坤明，马欣，等.应用BP神经网络分类器识别交通标志[J].计算机工程，2003，29（10）：120?121.

[12] BUVRIE J. Notes on convolutional neural networks [EB/OL].[2006?11?12]. http：//cogprints.org/5869/.

[13] 周开利，康耀红.神经网络模型及其Matlab 仿真设计[M].北京：清华大学出版社，2005.

[14] 孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究，2012，29（8）：2806?2810.

[15] 刘建伟，刘媛，罗雄麟.深度学习研究进展[J].计算机应用研究，2014（7）：1921?1930.

篇2

关键词：人工智能 机器学习 机器人情感获得 发展综述

中图分类号：TP18 文献标识码：A 文章编号：1003-9082 （2017） 04-0234-01

引言

人类自从工业革命结束之后，就已然开始了对人工智能的探索，究其本质，实际上就是对人的思维进行模仿，以此代替人类工作。人工智能的探索最早可以追溯到图灵时期，那时图灵就希望未来的智能系统能够像人一样思考。在20世纪五十年代，人工智能被首次确定为一个新兴的学科，并吸引了大批的学者投入到该领域的研究当中。经过长时间的探索和尝试，人工智能的许多重要基本理论已经形成，如模式识别、特征表示与推理、机器学习的相关理论和算法等等。进入二十一世纪以来，随着深度学习与卷积神经网络的发展，人工智能再一次成为研究热点。人工智能技术与基因过程、纳米科学并列为二十一世纪的三大尖端技术， 并且人工智能涉及的学科多，社会应用广泛，对其原理和本质的理解也更为复杂。 一、人工智能的发展历程

回顾人工智能的产生与发展过程 ，可以将其分为：初期形成阶段，综合发展阶段和应用阶段。

1.初期形成阶段

人工智能这一思想最早的提出是基于对人脑神经元模型的抽象。其早期工作被认为是由美国的神经学家和控制论学者 Warren McCulloch与Walter Pitts共同完成的。在1951年，两名普林斯顿大学的研究生制造出了第一台人工神经元计算机。而其真正作为一个新的概念被提出是在1956年举行的达茅斯会议上。由麦卡锡提议并正式采用了“人工智能”（Artificial Intelligence）砻枋稣庖谎芯咳绾斡没器来模拟人类智能的新兴学科。1969年的国际人工智能联合会议标志着人工智能得到了国际的认可。至此，人工智能这一概念初步形成，也逐渐吸引了从事数学、生物、计算机、神经科学等相关学科的学者参与该领域的研究。

2.综合发展阶段

1.7 7年， 费根鲍姆在第五届国际人工智能联合会议上正式提出了“知识工程”这一概念。而后其对应的专家系统得到发展，许多智能系统纷纷被推出，并应用到了人类生活的方方面面。20世纪80年代以来，专家系统逐步向多技术、多方法的综合集成与多学科、多领域的综合应用型发展。大型专家系统开发采用了多种人工智能语言、多种知识表示方法、多种推理机制和多种控制策略相结合的方式， 并开始运用各种专家系统外壳、专家系统开发工具和专家系统开发环境等等。在专家系统的发展过程中，人工智能得到了较为系统和全面的综合发展，并能够在一些具体的任务中接近甚至超过人类专家的水平。

3.应用阶段

进入二十一世纪以后，由于深度人工神经网络的提出，并在图像分类与识别的任务上远远超过了传统的方法，人工智能掀起了前所未有的。2006年，由加拿大多伦多大学的Geoffery Hinton及其学生在《Science》杂志上发表文章，其中首次提到了深度学习这一思想，实现对数据的分级表达，降低了经典神经网络的训练难度。并随后提出了如深度卷积神经网络（Convolutional Neural Network， CNN），以及区域卷积神经网络（Region-based Convolutional Neural Network， R-CNN），等等新的网络训练结构，使得训练和测试的效率得到大幅提升，识别准确率也显著提高。

二、人工智能核心技术

人工智能由于其涉及的领域较多，内容复杂，因此在不同的应用场景涉及到许多核心技术，这其中如专家系统、机器学习、模式识别、人工神经网络等是最重要也是发展较为完善的几个核心技术。

1.专家系统

专家系统是一类具有专门知识和经验的计算机智能程序系统，通过对人类专家的问题求解能力建模，采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题，达到具有与专家同等解决问题能力的水平。对专家系统的研究，是人工智能中开展得较为全面、系统且已经取得广泛应用的技术。许多成熟而先进的专家系统已经被应用在如医疗诊断、地质勘测、文化教育等方面。

2.机器学习

机器学习是一个让计算机在非精确编程下进行活动的科学，也就是机器自己获取知识。起初，机器学习被大量应用在图像识别等学习任务中，后来，机器学习不再限于识别字符、图像中的某个目标，而是将其应用到机器人、基因数据的分析甚至是金融市场的预测中。在机器学习的发展过程中，先后诞生了如凸优化、核方法、支持向量机、Boosting算法等等一系列经典的机器学习方法和理论。机器学习也是人工智能研究中最为重要的核心方向。

3.模式识别

模式识别是研究如何使机器具有感知能力 ，主要研究图像和语音等的识别。其经典算法包括如k-means，主成分分析（PCA），贝叶斯分类器等等。在日常生活各方面以及军事上都有广大的用途。近年来迅速发展起来应用模糊数学模式、人工神经网络模式的方法逐渐取代传统的基于统计学习的识别方法。图形识别方面例如识别各种印刷体和某些手写体文字，识别指纹、癌细胞等技术已经进入实际应用。语音识别主要研究各种语音信号的分类，和自然语言理解等等。模式识别技术是人工智能的一大应用领域，其非常热门的如人脸识别、手势识别等等对人们的生活有着十分直接的影响。

4.人工神经网络

人工神经网络是在研究人脑的结构中得到启发， 试图用大量的处理单元模仿人脑神经系统工程结构和工作机理。而近年来发展的深度卷积神经网络（Convolutional neural networks， CNNs）具有更复杂的网络结构，与经典的机器学习算法相比在大数据的训练下有着更强的特征学习和表达能力。含有多个隐含层的神经网络能够对输入原始数据有更抽象喝更本质的表述，从而有利于解决特征可视化以及分类问题。另外，通过实现“逐层初始化”这一方法，实现对输入数据的分级表达，可以有效降低神经网络的训练难度。目前的神经网络在图像识别任务中取得了十分明显的进展，基于CNN的图像识别技术也一直是学术界与工业界一致追捧的热点。

三、机器人情感获得

1.智能C器人现状

目前智能机器人的研究还主要基于智能控制技术，通过预先定义好的机器人行动规则，编程实现复杂的自动控制，完成机器人的移动过程。而人类进行动作、行为的学习主要是通过模仿及与环境的交互。从这个意义上说，目前智能机器人还不具有类脑的多模态感知及基于感知信息的类脑自主决策能力。在运动机制方面，目前几乎所有的智能机器人都不具备类人的外周神经系统，其灵活性和自适应性与人类运动系统还具有较大差距。

2.机器人情感获得的可能性

人脑是在与外界永不停息的交互中，在高度发达的神经系统的处理下获得情感。智能机器人在不断的机器学习和大数据处理中，中枢处理系统不断地自我更新、升级，便具备了获得情感的可能性及几率。不断地更新、升级的过程类似于生物的进化历程，也就是说，智能机器人有充分的可能性获得与人类同等丰富的情感世界。

3.机器人获得情感的利弊

机器人获得情感在理论可行的情况下，伴之而来的利弊则众说纷纭。一方面，拥有丰富情感世界的机器人可以带来更多人性化的服务，人机合作也可进行地更加深入，可以为人类带来更为逼真的体验和享受。人类或可与智能机器人携手共创一个和谐世界。但是另一方面，在机器人获得情感时，机器人是否能彻底贯彻人类命令及协议的担忧也迎面而来。

4.规避机器人情感获得的风险

规避智能机器人获得情感的风险应预备强制措施。首先要设计完备的智能机器人情感协议，将威胁泯灭于未然。其次，应控制智能机器人的能源获得，以限制其自主活动的能力，杜绝其建立独立体系的可能。最后，要掌控核心武器，必要时强行停止运行、回收、甚至销毁智能机器人。

三、总结

本文梳理了人工智能的发展历程与核心技术，可以毋庸置疑地说，人工智能具有极其广阔的应用前景，但也伴随着极大的风险。回顾其发展历程，我们有理由充分相信，在未来人工智能的技术会不断完善，难题会被攻克。作为世界上最热门的领域之一，在合理有效规避其风险的同时，获得情感的智能机器人会造福人类，并极大地帮助人们的社会生活。

参考文献

[1]韩晔彤.人工智能技术发展及应用研究综述[J].电子制作，2016，（12）：95.

[2]曾毅，刘成林，谭铁牛.类脑智能研究的回顾与展望[J].计算机学报，2016，（01）：212-222.

[3]张越.人工智能综述：让机器像人类一样思考

篇3

Abstract： Classifier selection is the key factor for data classification. K-mean classifier， ISODATA classifier and SOFM neural network classifier are compared in computational complexity and classification performance. The experiments show that three kinds of classifiers cost equal time on the same image， but the self organizing feature map neural network classifier is optimal in classification performance.

关键词： K-均值分类器；ISODATA分类器；SOFM神经网络分类器

Key words： K-mean classifier；ISODATA classifier；SOFM neural network classifier

中图分类号：TP7 文献标识码：A 文章编号：1006-4311（2013）04-0182-02

0 引言

K-均值分类器、迭代自组织数据分类器和自组织特征映射神经网络分类器在遥感图像分类方面应用广泛。王晓军等人将非监督K-均值分类用在合成孔径雷达SAR图像各极化通道上进行参数估计[1]。包健等人将K-均值算法用于高光谱遥感影像的非监督分类中，具有较强的实用性[2]。贾明明等人选取对气候变化敏感的澳大利亚作为研究区。利用了ISODATA分类结果、NDVI阈值及其时间序列主成分分析特征量对研究区土地利用/覆被进行分类[3]。李正金等人进行了基于TM卫星遥感技术和小麦估产模型的冬小麦产量监测研究，采用优化的ISODATA分类方法，结合人机交互式判读解译作物信息[4]。夏浩铭等提取地物在空间上的联系，利用神经网络分类，获得较好的地物分类精度[5]。文章阐述了三种分类器的工作原理，分析了三种分类器的计算复杂度和分类效果。

1 K-均值分类器

基本K-均值思想很简单。首先，选择k个初始聚类中心，其中k是目标分类数目。每个样本按照距离函数计算与所有聚类中心的距离，样本加入到与之距离最短的聚类中心所在分组。新样本加入后，更新该分组的聚类中心。重复训练和更新，直到每类的聚类中心不发生变化为止。当分类数目已知时，利用K-均值分类方法能够方便地计算出样本聚类中心。但是在实际应用中，分类数目可能无法估算，这在一定程度上限制了这种方法的应用。

K-均值算法特点是每次调整样本后，修改一次聚合中心和准则值，当考察完n个样本后，一次迭代运算完成，新的聚合中心和准则值也计算出来。在迭代过程中，准则值逐渐减小，直到它的最小值为止。如果在一次迭代前后，准则值没有变化，说明算法已经收敛。

2 ISODATA分类器

ISODATA算法通过对样本迭代来确定聚类的中心。每一次迭代时，首先是在不改变类别数目的情况下改变分类。然后将样本平均矢量之差小于某一阈值的类别合并起来，根据样本协方差矩阵来决定其分裂与否。主要环节是聚类、集群分裂和集群合并等处理。

ISODATA分类算法最优迭代次数很难设定，一般遥感图像的数据量大，若迭代误差取值较小，分类也很难实现。沈照庆等人[6]以某次迭代中“合并”和“分裂”都为零为求最优分类数的迭代条件，而不是预先设定迭代次数；取最大和最小隶属度取代每一个隶属度为比对特征值，提高了分类速度和精度；利用等效转换研究隶属度矩阵的迭代误差变化规律，得出变化速度趋于稳定时为求解最优隶属度矩阵的智能迭代控制，减少人为事先干预。

3 SOFM神经网络分类器

神经网络由被称作神经元的相互连接处理单元组成。自组织特征映射（Self-Organizing Feature Map，简称SOFM）网络模拟大脑的神经系统自组织特征映射的功能，在学习过程中不需要指导，进行自组织学习。SOFM网络可用于图像压缩、语言识别、机器学习和优化问题等。

训练SOFM网络时首先初始化连接权重为小的随机数，训练开始后，输入向量送入网络。每输入一个样本矢量，各神经元的加权和中必然有一个最大值，经过侧反馈作用，在最大值点周围连接权重自适应调节。SOFM网络已经证明，网络通过反复学习输入模式，可使连接加权矢量空间分布密度与输入模式的概率分布趋于一致，也就是连接权矢量空间分布能反应输入模式的统计特征。训练好的网络在竞争层产生了一个或几个最大输出，它们在竞争层中的位置反映了输入向量在自身空间的特征。

4 实验结果分析

实验选取2003年青岛市一景SPOT5图像作为数据源，截取城乡结合部某地作为实验区域，实验区域在红波波段显示为图1（a）。对于实验区的遥感图像分别采用上述分类器进行地物分类实验。

用ENVI 4.3的分类功能根据K-均值算法分类。参数设置为：分类数量15（一般为最终输出分类数的2-3倍），最大迭代次数为40（默认是15），其它参数取默认值。K-均值关注的是不同波段的灰度信息，系统自动分类时，得到的分类数目为八类，结果如图1（b）所示。从分类结果上可以看出，K-均值分类算法对水体的分类效果较好，水体用红色表示，不但能分出主河道而且显示出在耕地中有一条灌溉沟渠。绿地在分类图中用绿色表示，图上中部的绿地分类正确，但在河道附近，部分耕地错分为绿地了。耕地被分为蓝色、黄色和暗绿色三类。反射系数高的南北方向道路和屋顶较亮的厂房被归为一类，东西走向的道路两边毛刺现象严重。建筑物错分率也较高。

在ENVI 4.3环境下，利用ISODATA算法分类。参数设置为：类别数范围[5-15]（一般最小数量不能小于最终分类数，最大数量为最终分类数量的2-3倍），最大迭代次数为40（默认是15），其它参数取默认值，结果见图1（c）。从分类结果上看，ISODATA分类算法对灰度值一致性好的水体分类效果较好，水体用红色表示。能区分出主河道而且显示出在耕地中有一条灌溉沟渠，但将图像下方，靠近南北走向的道路的一间面积较大的厂房错分为水体。绿地在分类图中用绿色表示，图上中部的绿地分类正确较好，但在河道附近，相当一部分耕地错分为绿地了。耕地分类效果表较好，但有部分错分为绿地。东西走向的道路线条比较连贯，两边有点毛刺现象，但不严重。的空地用粉红色表示，居民区是暗绿色，部分工厂厂房的屋顶错分为水体。

SOFM网络利用MATLAB中的神经网络工具箱实现。设定SOFM网络的输入矢量各维的数据范围是像素灰度在[1，32]之间，邻域像素卷积[25，800]之间，学习率为0.9，距离函数是欧氏距离函数，训练步长是5000。输入训练样本，每类500个，5类共2500个样本，距离为5类，每类表征一种地物类型。网络对类型的定义储存在训练网络中。利用训练好的网络对实验图像所有像元进行分类。分类结果用灰度图像表示，像素的颜色代表分类的类型，像素的位置对于测试图像同位置的地物，如图1（d）所示。白色表示道路，浅灰表示建筑物，灰色表示绿地，深灰表示耕地，黑色表示水体。从分类结果图上看，纵横贯穿郊区的主干道和楼区内的道路基本能够正确分类。由于反射系数与道路相近，工厂厂房的屋顶也被错分为道路。建筑物、耕地和绿地总体上分类正确。水体的分类结果令人满意，主水道和灌溉的沟渠都能清楚地分出。分类器处理样本图像的时间接近，都是20分钟左右。

5 总结

K-均值分类中耕地被分三类，道路两边毛刺现象严重，建筑物错分率也较高，分类效果最差。SOFM网络对道路、水体、耕地和绿地总体上分类正确，分类正确率最高。ISODATA分类对水体、耕地、道路分类基本正确，建筑物错分较多。

参考文献：

[1]王晓军，王鹤磊，李连华，孟藏珍，马宁.基于C均值分类的极化SAR图像白化斑点滤波方法[J].系统工程与电子技术，

2008，30（12）：2389-2392.

[2]包健，厉小润.K均值算法实现遥感图像的非监督分类.机电工程，2008，25（3）：77-80.

[3]贾明明，刘殿伟，宋开山，王宗明，姜广甲，杜嘉，曾丽红.基于MODIS时序数据的澳大利亚土地利用/覆被分类与验证.遥感

技术与应用，2010，25（3）：379-386.

[4]李正金，李卫国，申双.基于ISODATA法的冬小麦产量分级监测预报.遥感应用，2009，8：30-32.

篇4

关键词：水尺 检测 图像识别

中图分类号：TP274 文献标识码：A 文章编号：1007-9416（2013）01-0114-02

1 引言

随着航运技术的发展，船舶运输越来越受到人们的关注。船舶的水尺计重作为一种科学的计重方法，具有一定的准确性，在国际上已广泛应用，其计算结果可作为商品交接结算、理赔、计算运费和通关计税的依据。其适用于价值较低，衡重困难的大宗散装固体商品，例如煤炭、铁矿石、水泥、粮食等商品的重量计算。水尺计重的优点是省时、省力、省费用，能迅速计算出整船货物的重量，但是计算过程较为复杂，影响计重结果的客观因素较多，特别船舶刻度观测水平是影响水尺准确性最重要因素。船舶吃水线的检测目前主要依靠经过长期训练的观察人员目测船舶的水尺标志而获得船舶的实际吃水值，为了获得较为精确的数值，需要观察人员多次查看，以求得平均值。这种人眼目测船舶吃水线数值的方式，往往带有主观性，存在较大的局限性，例如：观测不方便，受环境影响大，并且观测存在一定危险。因此，本文提出采用Matlab7.0作为仿真环境，利用图像处理技术，设计船舶吃水线自动检测的算法来自动检测船舶水尺刻度数值，可以克服人工目测所引起的一系列问题，完整的记录整个观测阶段的吃水线位置，并使后续的数据处理成为可能。降低了系统复杂性，又提高了效率和准确度。

2 图像识别技术的原理

近年来，拍摄设备性能的不断完善，设备的分辨率能够达到很精确的程度，图片质量清晰度非常高，同时计算机体系结构和算法的快速发展，使得图像处理的性能和运算速度得到了较大提高，这些都为吃水线的求取提供了可能。一幅图像在计算机中可以定义为一个二维函数f（x，y），其中x和y是空间（平面）坐标，而在任何一对空间坐标（x，y）处的幅值f称为该点处的灰度，当x，y和灰度值f是有限的离散数值时，我们称该图像为数值图像，数字图像处理就是借助计算机来处理上述这些数字图像。数字图像是由有限数量的元素组成的，每个元素都有一个特殊的位置和数值，要将一副图像转化为数字形式，就要求数字化x，y和灰度值f。在此基础上，利用上述数值，设计相应的算法即可得到船舶水尺精确的刻度值。

3 船舶吃水线刻度检测算法的设计

3.1 总体结构设计

本文利用Matlab7.0作为仿真环境，通过采集到的视频图像序列，首先设计计算法检测出吃水线边缘，找到吃水线的位置，然后对船帮上刻度字进行分割，并求出水平面距离所在刻度上边缘的距离，利用BP神经网络对水尺刻度线进行识别，得到吃水线的数值。吃水线检测算法的总流程图如（图1）所示：

3.2 船舶吃水线刻度检测算法关键步骤的处理

3.2.1 图像的灰度化和二值化处理

相比彩色图像，灰度图像的边缘检测较为方便和快捷，计算量小，所以先将获取到的彩色图像转为灰度图像。而图像的二值化处理就是将图像上的像素点的灰度值设置为0至255，将采样后所得到的各像素的灰度值用矩阵表示，即灰度图的量化。所有灰度值大于或者等于阀值的像素被判定为特殊物体，灰度值小于阀值的则表示为背景或者其他物体区域。通过将灰度值投影到曲线上，则可以获得灰度值的分布特征。

3.2.2 选择合适的边缘检测算法找到吃水线的边缘

数字图像的边缘检测是图像分割，目标区域识别，区域形状提取等图像领域中十分重要的基础，边缘是图像的最基本特征之一，它是利用周围像素灰度有阶跃变化或屋顶变化的像素的集合。边缘检测算法大致分为两类：基于查找和基于零穿越的边缘检测。常用的边缘检测算法有：Roberts、Prewitt、Sobel、LOG、Canny算法等。

3.2.3 选择合适的阀值对刻度字的分割

图像分割是一种重要的图像分析技术，在对图像的研究和应用中，人们往往仅对图像中的特定部分感兴趣。为了识别和分析图像中得目标，需要将它们从图像中分离提取出来，在此基础上才有可能进一步对目标进行测量和对图像进行利用。而分割字符的思想就是利用刻度字区域黑色像素点比较多，比较集中，同时根据水尺标志的特点，每个字符之间有10cm的空隙间隔隔开，这样得到的投影图有几个比较集中却又有明显分割的投影峰值群，通过设定特定的阀值来判定特定物体，通过这种方法将找出船帮上刻度字的左右边界。

3.2.4 选择BP神经网络对船帮处水尺字符进行识别

字符识别的主流技术有：统计决策法、人工智能法、模板匹配法和人工神经元网络法等。同在字符识别领域相对比较成熟的光学字符（OCR）识别、车牌识别相比，船帮处水尺刻度字符由于表面凹凸、油漆掉色或摄像时水面反光等情况造成的字符畸变。为了提高系统的抗干扰性和自适应性，本文计划采用对噪声干扰和形变有较好适应性的BP神经网络模型方式来进行识别。BP网络是神经网络的一个分支，又称误差信号反馈网络，是神经网络中使用最广泛的一类。并尝试通过改善收敛性，神经元的个数，提高系统的识别率。

3.3 Matlab软件的使用

Matlab由美国的MathWorks公司出品，它的指令表达式与数学，工程中常用的形式十分相似。其典型的应用包括：（1）数学和计算；（2）算法开发；（3）数据获取；（4）建模、模拟和原型设计；（5）数据分析、研究和可视化；（6）科学和工程图形；（7）应用开发，包括图像用户界面的构建。MATLAB中补充了许多针对特殊应用的工具箱，图像处理工具箱是一个MATLAB函数集合，能进行图像的和、差等线性运算，以及卷积、相关、滤波等非线性运算，几乎包括了常用的图像处理操作的各种函数，只需了解这些函数的使用方法，正确调用函数就可以实现常用的各种图像处理的操作。MATLAB能支持包括：TIFF、BMP、JPEG等的图形文件的格式，用它来解决图像问题比用C，Fortran等语言完成相同的事情简捷的多。因此利用此工具，我们可以方便地从各个方面对图像的性质进行深入的研究。

本文所研究的内容是在静态图像上对吃水线进行检测，其技术路线包括图像的预处理，利用边缘检测算子对吃水线边缘进行拟合，去除干扰，得到吃水线的位置。利用船舶刻度字的特点，对其进行分割，对分割出来的字符进行识别后，得到吃水线的数值。以上都可以通过Matlab调用不同的工具箱和函数来实现。

4 结语

由于经济利益，发货人、收货方和承运人都对货物的重量非常重视，而且越来越精细、严格，如何准确计算船舶载重量成为亟待解决的问题。作为近年来快速发展起来的一个计算机学科，通过使用图像处理和分析的手段，获得水平面在图像中的准确位置，既可以克服人工目测所引起的一系列问题，完整的记录整个观测阶段的吃水线位置，使后续的数据处理成为可能，既降低了系统复杂性，又提高了效率和准确度。图像处理的对象是一幅幅拍摄下的照片，其中的吃水线位置是固定的，这样就为后续的处理和计算奠定了一个静态的基础，不会发生象人眼目测，由于景物晃动而产生的错觉。同时，拍摄下的照片作为测量的记录保存，可以满足今后复核或是查对的要求。再次，利用图像处理技术，可以大幅度降低对有经验观测人员的依赖。因此利用图像识别技术对船舶水尺测量具有广泛的应用价值。

参考文献

[1]SN/T 0187-93 进出口商品重量鉴定规程——水尺计重.

[2]陈德为，张培铭.转动式交流接触器动态过程分析与控制[J].福州大学学报：自然科学版，2008，36（1）：95—99.

[3]陈德为，张培铭.采用高速摄像机的智能交流接触器控制及其测试装置的研制[M].电工电能新技术：2009，28（3）：58-61，72.

[4]周广程.图像处理技术在船舶吃水自动检测系统中的应用[D].南京：南京理工大学，2006.

篇5

关键词：拉格朗日力学； 图像预测； 图像追踪； 天气雷达； 临近预报

DOIDOI：10.11907/rjdk.162240

中图分类号：TP317.4

文献标识码：A文章编号：1672-7800（2016）012-0001-04

0 引言

多普勒天气雷达（以下简称雷达）是现代气象业务研究及应用中不可或缺的重要工具，基于雷达回波及图像的追踪与外推是短时临近预报的关键性技术，也是长期以来的难点问题。准确而及时的雷达外推预报，可以为局地龙卷风、雷暴、短时强降水等极端灾害性天气提供预警，以便做好防御措施，最大限度保障人民及生命财产安全。

近半个世纪以来，很多学者在基于雷达资料的预报领域作出了大量卓有成效的贡献，并逐步形成了一系列较为通行的方法。例如，TREC算法通过逐区域寻求相邻时刻雷达反射率的最大相关，跟踪整个回波区域的移动，并且假设回波具有一致的移动方向[1]。CTREC算法则利用交叉相关分析，跟踪反射率因子大于一定阈值区域的移动，进而推算回波的发展[2]。TITAN是由美国国家大气研究中心（NCAR） 研发的一套风暴识别、跟踪、分析和预报系统，其利用雷达一次完整体扫所构成的三维结构数据对强回波中心进行识别追踪[3-4]。SCIT算法则更加侧重对雷暴单体的有效追踪和预测[5-7]。近年来，又有一些学者试从图形图像学中的光流技术入手，通过分析雷达回波时序图像中的光流场特征进行回波强度和位置的外推预测[8-11]。此外，还有基于神经网络、模式匹配等多种方法[12-14]。

总体来说，这些方法的共同之处是需要分析相邻时刻雷达图像（或基数据）中区域的相似性，而该相似性的度量，如最大相关法，虽然可以计算出最匹配的位置，但匹配和外推结果往往表现出发散性或多个最优解。并且，基于窗口平移的模板匹配算法无法适应区域图像的旋转和变形等情况。

为了克服相关性度量算法所遇到的问题，本文考虑对位移场的分析加以分层，也就是每个特征运动被认为是确定在相对粗糙的空间分辨率下的平稳变化趋势的总和，然后衍生为更高的空间分辨率下的小幅度局部修正，并对此过程进行多次迭代。对于位移场的分析，将充分考虑雷达回波所指示风暴的动力学特征，运用拉格朗日力学相关理论构建预测模型。该方法的研究意义在于进一步提高中小尺度、强对流天气事件的预测能力，且相对于光流等一些大运算量算法，本方法运算规模更小，进而能够更好地满足短临预报业务高时效性的要求。

1 理论与方法基础

1.1 雷达回波外推预测

大量研究表明，合理的外推预测算法可以为降水、雷暴、冰雹等对流天气的预报提供重要支撑[15-17]。基于外推预报的一般性描述为：

其中，pt（x，y）表示任一位置的回波强度，U和V分别表示回波在水平和垂直方向上的偏移量，由U和V共同组成回波移动的速度矢量。g表示一个函数，用来计算单位时间间隔后回波强度的变化。根据式（1），Δpt（x，y）反映了任一点（x， y） 在t 时刻回波强度的变化情况，U和V反映了回波移动的方向和速度。此外，函数g代表一个拉格朗日动力学过程，在此过程中雷达回波的强度是由其沿回波路径移动时在拉格朗日坐标系统中的历史变化推导出的，也就是用当前回波演变的趋势预测回波未来的位置和强度。究其趋势预测的方法，多年来诸多学者作出很多研究，本文主要从拉格朗日力学角度进行分析，提出一种雷达回波图像追踪预测的方法。

1.2 拉格朗日力学

拉格朗日力学是由Joseph Lagrange[18-19]最早提出的一种力学分析方法。由于该方法引用了广义坐标的概念，使得对力学相关问题的研究更具普适性。

在雷达回波图像预测研究中，如何准确得到回波运动矢量是预测需要解决的关键问题。在不考虑天气系统的非线性变化时，拉格朗日力学模型能够满足构建回波发展演变过程的算法要求，式（1） 可以改写为：

有研究表明，对整个回波图像采用统一的U和V所构成的位移矢量，可适用于对大尺度天气系统的预测分析，如对卫星图像的外推预测和云导风的分析[20]。但对于局地强对流天气系统，预测结果往往与实际偏差较大。因此，这也是本文将重点阐述解决的问题。

2 雷达图像追踪预测

2.1 基于拉格朗日力学的追踪算法

在上述理论基础上，根据大气运动演变发展的规律及其在雷达回波图像上的表征特点，构建基于拉格朗日力学的追踪算法模型，如式（3） 所示。

该模型假定所预测的回波图像是当前和过去若干个回波图像以固定时间间隔而变化的函数。f2表征一个用于估测单位时间间隔前后回波图像各相应网格点回波强度值变化率的函数，即回波的演变趋势。在不断生消、发展的对流系统中，ΔP可以为正，也可以为负数。式（4）～式（6） 进一步表明了函数f1和f2，即回波移动矢量及回波强度的计算方法。

2.2 中心极值滤波

为了降低雷达杂波对位移矢量计算的不良影响，本节提出采用一种滤波器对雷达基数据进行滤波处理。其基本思想是：逐网格分析回波强度特征，如果某格点的值大于周边最相邻一圈（共8个网格）的最大值，或者该值小于周边最相邻一圈的最小值，则将当前网格点回波强度值用上述8个网格的最大值或最小值替代。

如图1所示，位于当前中心点的数值39大于其最邻近一圈8个网格的最大值。因此，使用数值23替换当前网格的39。

从图像上看，该滤波方法可显著降低图像中的椒盐噪声，从实际效果上看，该方法可以有效过滤单点的杂波奇异值，较传统的均值滤波和中值滤波更好地保留了回波细节[21-22]，特别是回波中梯度变化较大的边缘区域。

2.3 分层外推预测算法

由于天气系统复杂多变，特别是尺度较小的局地强对流，其生命周期短的只有几分钟到几十分钟，由于其空间尺度小，生消速度快，因此，包括基于拉格朗日力学在内的各种线性关系外推算法，其预测准确性都存在一定的局限性。为了改善这一问题，本节提出采用分层的外推预测方法。该思想最早由Bellerby等 [20]提出，并研究应用于卫星图像的云顶平流场分析中。

该算法的关键流程为：先将当前雷达回波图像逐级抽稀，降低图像的分辨率，以模糊回波细节，由此粗略估算出回波主体的移动趋势；然后再反向逐级提高图像分辨率，在较粗的移动趋势基础上，细化和订正位移矢量的细节。从而产生一个在空间上连续和平滑的且不受模板边界不连续性影响的矢量场。计算方法如式（7）所示：

对于每一级抽稀计算，都是将当前一级各网格点的回波强度值经由公式（7）计算，并往复迭代。其中P表示某一点的回波强度，L和L-1代表抽稀的层级，在本文下述实验中，采用的最高层级为4。

在计算两个相邻时刻图像中回波的位移时，可以借鉴交叉相关法，计算方法如式（8），在每个选定的匹配窗口遍历出最大相关矩阵的位置，从而输出位移矢量。

式（8） 中，P和P’ 分别表示相邻两个时刻（如t-Δt与t）的回波，（x， y） 表示图像中的某一点，X和Y表示匹配窗口的大小。再将两幅回波图像之间的网格还原或内插到其先前空间分辨率的两倍，重复上述匹配。该迭代过程还考虑到了由非矩形网格代表的局部扭曲，结合这些局部扭曲，使外推预测算法能够适应旋转、扩展、缩小等回波图像形态上的变化。如此插值和匹配计算，迭代直到网格分辨率达到原始雷达图像分辨率。

3 实验与结果分析

3.1 实验数据说明

为检验所述方法的预测效果，本实验数据使用2016年6月南京地区多普勒天气雷达的基数据文件。该雷达使用VCP-21体扫模式，探测周期为6分钟。实验选用1.5°和2.4°仰角的基本折射率数值。为方便计算，实验前将原始数据由极坐标系统转换为平面直接坐标系统，数据的图像分辨率为920×920。为减少样本数量，从全部7199个基数据文件中筛选出以230库长为半径，其覆盖区域内具有大面积强回波的数据文件，共计880个。

3.2 实验结果分析

为检验雷达回波图像预测的准确性，使用与预测同一时刻的雷达实际探测数据作比对分析，计算过程采用交叉相关检验法。

首先以自然日为单位，统计逐日样本数据中每份预测结果与实况交叉检验的相关系数的平均值，如图2所示。

图2中3种图案标记分别表示预测6分钟、30分钟和60分钟的检验结果，每个值代表当日所有样本检验结果的平均值。横坐标为2016年6月的逐个日期，纵坐标为相关系数，其中横坐标4、5、9、10等日期没有标记图案，原因是这些日期的当日为晴天或少云，体现在雷达上没有强的大面积回波，因此没有列入样本数据进行分析。从图2中还可以看出，本方法预测未来6分钟的结果与实况相比，相关系数超过87%，平均达到93%以上，而随着预测时效的延长，预测准确率逐步下降，在未来60分钟的预测中，全月平均相关系数为70%左右。

进一步统计分析每次预测准确率的稳定性。以6月19日全天样本数据为例，统计每批样本所预测6、12、18至60分钟结果分别与实况交叉相关检验的情况，如图3所示。

图3中，每个柱状条的顶端和底端分别表示检验的相关系数的最大值和最小值，柱状条中间的黑色方形表示相关系数的均值。可以看出，随着预测时效的增长，其预测准确率的个体差异也随之增大。在前6分钟的预测中，该差异约为3%，30分钟时约为8%，而到预测60分钟时，差异进一步增大到20%。结果与强对流天气系统具有生命史短、突发性强，水气生消发展变化快的特点是相一致的。

4 结语

由于天气系统复杂多变，特别是对于中小尺度的对流系统，其生消、发展时间短、变化快，如何进行准确、有效的预报是提升当今短时临近预报的关键环节之一。考虑到大气中水气等物质的移动变化应遵循一般力学规律，而拉格朗日力学正是表征和计算动力学问题的普适性方法，因此，本文的预测动力模型建立在拉格朗日力学关系基础之上。又由于天气系统的变化表现在雷达图像上，其回波图形具有相当的不确定性，因此，本文提出采用分层的位移场分析方法，先假定位移矢量是在相对粗糙的空间分辨率下的平稳变化趋势的总和，然后在更高空间分辨率下作小幅度局部修正，并如此进行多次迭代。为了减少低仰角杂波对实验结果的影响，提出采用中心极值滤波对实验数据进行处理。结合上述理论构建起基于拉格朗日力学的追踪预测模型及算法流程，以雷达基本反射率因子作为输入场，追踪和预测回波在空间和时间上的位移矢量，并由此预测未来一段时间雷达回波的位置和强度。

实验部分采用1个月样本数据对本算法模型进行检验，通过预测结果与同时刻实况的比对分析，得出两者的相关性和个例稳定性等评价指标。结果表明，该方法能够较好地预测局地天气系统的演变过程，在未来30分钟的预测中准确率平均超过80%，且对于辅助预报未来60分钟内的局地龙卷风、强降水、雷暴等灾害性事件具有实践应用的价值。

参考文献：

[1] 刘红艳，魏鸣.多普勒雷达风场资料在临近预报中的应用[J].大气科学学报，2015（4）：483-491.

[2] 郑永光，林隐静，朱文剑，等.强对流天气综合监测业务系统建设[J].气象，2013（2）：234-240.

[3] 周康辉，郑永光，蓝渝.基于闪电数据的雷暴识别、追踪与外推方法[J].应用气象学报，2016，（2）：173-181.

[4] DIXON M， WIENER G.TITAN：thunderstorm identification，tracking，analysis，and nowcasting―a radar-based methodology[J].Journal of Atmospheric & Oceanic Technology， 1993， 10（6）：785-797.

[5] SHAH S， NOTARPIETRO R， BRANCA M.Storm identification，tracking and forecasting using high-resolution images of short-range X-band radar[J].Atmosphere， 2015， 6（5）：579-606.

[6] 庄旭东，胡胜，陈荣，等.“雨燕”中风暴算法与新一代雷达SCIT产品的对比分析[J].热带气象学报，2011（3）：299-306.

[7] DUAN Y， XU Y， ZHI S.Application analysis of the hail suppression operation based on the improved SCIT Algorithm[J].Meteorology & Disaster Reduction Research， 2014（15）：23-29.

[8] 曹春燕，陈元昭，刘东华，等.光流法及其在临近预报中的应用[J].气象学报，2015（3）：471-480.

[9] GARCIA F， CERRI P， BROGGI A， et al.Data fusion for overtaking vehicle detection based on radar and optical flow[J].2012， 7（2272）：494-499.

[10] 王兴，王新，苗春生，等.基于GPU加速的雷暴追踪外推方法研究[J].南京师范大学学报：工程技术版，2015（1）：35-42.

[11] STAINVAS OLSHANSKY I， BILIK I， BIALER O.Doppler-Based Segmentation and Optical Flow in Radar Images： US20160084953[P].2016.

[12] 盛仲飙.BP神经网络在数据预测中的应用[J].软件导刊，2016（1）：147-148.

[13] 王利卿，黄松杰.基于多尺度卷积神经网络的图像检索算法[J].软件导刊，2016（2）：38-40.

[14] WANG X， GU Y H， MIAO C S， et al.Parallelization and performance optimization of radar extrapolation algorithm with OpenCL[J].Journal of Internet Technology， 2016（17）：323-330.

[15] .雷达外推预报与暴雨数值模式融合预报降水方法研究[D].北京：中国气象科学研究院，2013.

[16] 张蕾.多普勒雷达回波演变的动力学分析及临近预报算法改进[D].南京：南京信息工程大学，2015.

[17] FOX N I， WEBB R， BALLY J， et al.The impact of advanced nowcasting systems on severe weather warning during the sydney 2000 forecast demonstration project：3 November 2000[J].Weather & Forecasting， 2004， 19（1）：97-114.

[18] 李艳艳.相似空间中不变的欧拉-拉格朗日方程[J].河南大学学报：自然科学版，2014，03：273-276.

[19] ERICKSEN R E， GUITERAS J J， LARRIVEE J A， et al.A parachute recovery system dynamic analysis [J].Journal of Spacecraft & Rockets， 1967， 4（3）：321-326.

[20] BELLERBY T J.High-resolution 2-D cloud-top advection from geostationary satellite imagery[J].IEEE Transactions on Geoscience & Remote Sensing， 2006， 44（12）：3639-3648.

篇6

中图分类号:TN919-34;TP391.4 文献标识码:A

文章编号:1004-373X(2010)18-0101-03

Image Matching Algorithm Based on SIFT Feature Point

GAO Feng1, WEI Shao-hua1, WANG Xue-tong2

(1. North Institute of Information Engineering, Xi’an Technological University, Xi’an 710025, China;

2. School of Computer Science and Engineering, Xi’an University of Technology, Xi’an 710048, China)

Abstract: SIFT feature point is a kind of feature which is invariant to scale. Method for generation scale space of image is presented, then steps for picking up sift key point are provided. Vectors for describing key point are generated based on the gradient magnitude and orientation of pixels neighboring to the key point. Matching algorithm is presented based on vectors. The experiment shows that it is efficient for image matching.Keywords: SIFT algorithm; image matching; scale space; Gaussian kernel

0 引 言

图像匹配技术是图像处理和计算机视觉领域的┮幌瞠重要技术。图像匹配,就是在机器识别事物的过程中,将已知图像与陌生图像的全部或部分在空间上对准,根据已知模式的图像在一幅陌生图像中寻找对应该模式的子图像过程。图像匹配所涉及的应用领域包括工业检测、遥感地形匹配、光学和雷达图像跟踪、工业流水线自动监控、交通管理、医疗诊断、图像检索等诸多领域。

目前,图像匹配技术有基于与像素灰度相关的匹配、基于图像特征的匹配、基于语义网络的匹配以及基于神经网络和遗传算法的匹配等多类方法。近年来,基于局部不变量描述符的方法在图像匹配领域取得了显著进展。SIFT[1](scale invariant feature transform)方法是Lowe在2004年提出的一种局部不变特征点的提取方法。SIFT特征是图像的局部特征,对旋转、尺度缩放和亮度变化保持不变,对视角变化、仿射变换和噪声也保持一定程度的稳定性。SIFT还具有独特性、多量性和可扩展性等多项特点。基于SIFT特征的算法目前在图像拼接[2]、遥感图像[3]的配准等很多领域都得到了应用。

1 SIFT算法

SIFT是通过在图像的尺度空间内,将定位极值点作为匹配候选关键点,并提取极值点的方向参数,最后获得匹配所需关键点描述符的一种算法。使用SIFT算法实现图像匹配主要有以下几个步骤:

1.1 检测尺度空间极值点

尺度空间(Scale space)思想最早由Iijima于1962年提出,20世纪80年代Witkin和Koenderink[4]的奠基性工作使得尺度空间方法获得较快发展。1994年Lindeberg等人建立的线性尺度空间方法被广泛采用[5-6]。

尺度空间方法的基本思想是:在视觉信息的处理过程中引入一个尺度参数,通过连续变化的尺度参数获得不同尺度下的视觉处理信息,然后综合这些信息以便深入挖掘图像的本质特征[5]。

给定图像I(x,y),其所对应的尺度空间表示L(x,y)Э梢杂梢桓鼍砘核和图像卷积得到[7]。

L(x,y;δ)=g(x,y;δ)*I(x,y)(1)

g(x,y;δ)=12πδ2e-(x2+y2)/(2δ2)(2)

式中:g(x,y;δ)是高斯卷积核,也是尺度变换惟一的线性核[8],其中,δ是尺度参数,对应高斯核函数的方差,改变δ的值可以获得一组图像的尺度空间表示[2]。

对相邻尺度的图像做差分,可以获得一组DoG(difference of gauss)图像D(x,y;δ)。

D(x,y;δ)=[g(x,y;kδ)-g(x,y;δ)]*I(x,y)

=L(x,y;kδ)-L(x,y;δ)(3)

图像的空间极值点是该点与其相邻8个点及相邻两个尺度所对应位置的18个点共27个点中的最大值点[9],如图1所示。

图1 DoG尺度空间局部极值检测

1.2 精确定位极值点

DoG算子会产生较强的边缘响应,且在1.1节中检测到的极值点精度为像素级。

通过拟合三维二次函数可以将极值点插值定位到亚像素精度。将D(x,y;δ)Taylor展开可得:

D(x)=D+DTXX+12XT2DX2X(4)

式中:D及其导数是采样点的估计值;X是距采样点的偏移量。此时,极大值点的位置X′Э梢杂上率饺范:

X′=-D-1X2•DX(5)

一个定义不好的高斯差分算子的极值在横跨边缘处有较大的主曲率,而在垂直边缘的方向有较小的主曲率。主曲率是通过一个2×2的Hessian矩阵H求出的。即:

H=DxxDxy

DxyDyy(6)

导数由采样点相邻差估计得到。主曲率由H的特征值计算得出,令│廖最大特征值,β为最小特征值,令│=rβ,г蛑髑率由下式确定:

Tr(H)2Det(H)=(α+β)2αβ=(r+1)2r(7)

选取合适的主曲率阈值,可以去除不稳定的边缘响应点,从而获得精确定位的极值点作为关键点。

1.3 指定关键点方向参数

利用关键点邻域像素的梯度方向分布特性为每个点指定方向参数,可以使算子具有旋转不变性。

梯度m(x,y)和方向θ(x,y)Э梢杂上旅娴墓式计算:

m(x,y)=[L(x+1,y)-L(x-1,y)]2+[L(x,y+1)-L(x,y-1)]2

θ(x,y)=atan 2[(L(x,y+1)-L(x,y-1)]/[L(x+1,y)-L(x-1,y)]}(8)

实际计算时,在以关键点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0~360°,其中每10°为一个柱。直方图的峰值代表了该关键点处邻域梯度的主方向,即作为该关键点的方向。

当存在另一个相当于主峰值80%能量的峰值时,将这个方向认为是该关键点的辅方向。一个关键点可以被指定具有多个方向,这可以增强匹配的鲁棒性。

至此,每个关键点已经检测完毕,每个关键点具有3个信息:位置、所处尺度和方向,由此可以确定1个SIFT特征区域。

1.4 生成关键点描述符

先将坐标轴旋转为关键点的方向,以确保旋转不变性;再以关键点为中心取8×8的窗口,图2左边的中央黑点为当前关键点的位置,每个小格代表关键点邻域所在尺度空间的一个像素,箭头方向代表该像素的梯度方向,长度代表梯度模值,圆形区域为高斯加权范围;然后在4×4的小区域上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成1个种子点,如图的右部分所示。此图中一个关键点由2×2共4个种子点组成,每个种子点共有8个方向向量信息。邻域方向性信息联合的思想增强了算法的抗噪声能力,同时对于含有定位误差的特征匹配提供了较好的容错性。

图2 关键点邻域方向和方向特征向量

这样,对于一个关键点就可以产生2×2×8共32个数据,形成一个32维的特征向量。此时的SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响。再继续将特征向量规一化,可以去除光照变化的影响。

1.5 匹配

生成2幅图像的特征向量后,采用关键点特征向量的欧几里德距离作为两幅图像中关键点相似性的判定度量。取一幅图像中的某个关键点,并找出其与另一幅图像中距离最近的前2个关键点,在这两个关键点中,如果最近的距离除以次近距离小于某个阈值Th,则接受这一对匹配点。降低这个比例阈值,匹配点数量会减少,但匹配过程更稳定。反之,匹配点数量会增多,但稳定性随之会变得稍差。

1.6 实验及结果

在图3(a)和图3(b)中各包含了两幅图像,每幅图像大小均为326×245像素。其中,右边为待匹配物品的图像,左边为待匹配物品放入复杂场景后所形成的图像。图中连线的两端是两幅图像中对应的匹配点。

图3 SIFT匹配结果

为了增强匹配的稳健性,在匹配过程中,对每个关键点使用4×4共16个种子点描述,这样对于一个关键点会产生一个128维的特征向量。匹配过程中采用阈值Th=0.6,在去除不稳定响应点时采用r=10。

在图3(a)左边的图像中,除了匹配区域的尺度有变化外,被匹配的目标区域还发生了遮挡,但未遮挡部分仍与右侧图像中的模板图像正确匹配。图3(b)中的待匹配图像区域是物体在发生约90°旋转后所形成的,此时仍能正确匹配。

2 结 语

通过原理分析和实验结果验证,用SIFT算法提取的匹配关键点是一种局部描述符。使用SIFT算法实现图像匹配具有对尺度变化、旋转、光照和视角变化的稳定性。当发生部分遮挡时,仍可实现有效匹配。基于SIFT特征点实现图像匹配是一种有效方法。SIFT可进一步应用于图像检索,视频跟踪等多个领域。

参考文献

[1]LOWE D. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004;60(2):91-110.

[2]张朝伟,周焰,吴思励,等.基于SIFT特征匹配的监控图像自动拼接[J].计算机应用,2008,28(1):191-194.

[3]李晓明,郑链,胡占义.基于SIFT特征的遥感影像自动配准[J].遥感学报,2006,10(6):885-891.

[4]WITKIN A P. Scale-space filtering[C]//Proc. 7th International Joint Conference on Artificial Intelligence.[S.l.]: IJCAI, 1993:1019-1022.

[5]孙剑,徐宗本. 计算机视觉中的尺度空间方法[J].工程数学学报,2005,22(6):951-962.

[6]LOWE D. Object recognition from local scale-invariant features[C]//International Conference on Computer Vision. Greece: ICCV,1999:1150-1157.

[7]LINDEBERG T P. Internal report TRI TA-NA-P8808[R]. Stockholm, Sweden: Royal Institute of Technology, 2000.

[8]BABAUD J, WITKIN AP, BAUDIN M, et al. Uniqueness of the Gaussian kernel for scale-space filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(1): 26-33.

篇7

[关键词] 电力系统 励磁涌流 小波变换 应用

0.引言

小波变换(wavelet analysis)作为数学学科的一个分支，汲取了现代分析学中诸如泛函分析、数值分析、Fourier分析、样条分析、调和分析等众多分支的精华。它是泛函分析、傅立叶分析、样条分析、调和分析和数值分析的完美结晶，小波变换在短短的几年中，受到了科学界、工程界的高度重视，并且在信号处理、图像处理、模式识别、量子场论、天体识别、地震预报、矿产勘测、故障诊断、状态监视、机器视觉、CT成像、话音识别、彩色复印、数据电视、音乐、雷达、刑事侦破等十几个学科领域中得到(或将得到)广泛的应用。

小波变换是一种时域-频域分析，它在时域-频域同时具有良好的局部化性质。它可以根据信号不同的频率成份，在时域和空间域自动调节取样的疏密频率高时，则密；频率低时，则疏。基于小波变换的这些优良特性，可以观察函数、信号、图像的任意细节，并加以分析。从而，小波变换在信号分析与重构、信号和噪声分离技术、特征提取、数据压缩等工程应用上，显示出优越性，而这些正是100多年来大量应用于工程领域的Fourier变换所无法做到的。它在时域和频域同时具有良好的局部化性质以及多分辨率(MultiresolutionAnalysis)分析的特点。具体表现在：

(1)小波变换能随信号频率的变化自动调节时域-频域窗口，能敏感信号的变化；

(2)多分辨分析可以以任意精度表示出信号；

(3)利用小波包可得到信号在时域-频域空间的最佳分解；

(4)利用快速小波变换可快速进行矩阵运算；

(5)利用多尺度边缘回复理论，能以较高的压缩比压缩数据。

对于具有奇异性的信号分析用傅立叶变换是无能为力的，这是因为傅立叶变换是纯频域分析方法，它在时域上没有任何分辨能力。它即不能刻划出暂态行波到达观测点的准确时刻，也不能确定行波幅度和极性。为小波变换的数学理论和方法在数学界被认为是傅立叶分析的重大发展，在应用科学领域被认为是工具和方法上的重大突破，它迅速地在信号处理、图象边缘检测、模式识别等领域得到有效广泛的应用。

电力系统继电保护是一门综合性的科学，它既古老又年轻，这是因为它已有着近一百年的历史，同时又像一些新兴科学一样处于不断发展中。

在断电保护中，最关健的环节是故障信息的提取与识别。微机保护中，数字信号处理已成为故障信息的提取与识别的基本手段。目前微机保护原理基本上是用工频量实现的，有些保护中也用到二次、三次或五次谐波，为了从故障信息中获取上述分量，傅立叶变换是一个十分有效工具，并得到非常广泛的应用。从继电保护技术观点看，小波变换最突出的特点是：它在时域和频域同时具有良好的局部化性质，因此成为分析象暂态行波这样非平稳变化或具有奇异性的其它故障信号的锐利工具。

1.小波变换理论基础

1.1 小波变换

小波变换的诞生为信号特别是非平稳信号分析在工具和方法上取得了重大突破。“小波”的小是指局部非零，具有紧支型和衰减性；“波”是指具有波动性，包含频率的特性。小波变换的目的就是既要看到信号的全貌，又要看到信号的细节。

短时傅里叶变换(STFT)的窗口函数是通过函数时间轴的平移与频率限制得到，由此得到的时频分析窗口具有固定的大小。对于非平稳信号而言，需要时频窗口具有可调的性质，即要求在高频部分具有较好的时间分辨率特性，而在低频部分具有较好的频率分辨率特性。为此特引入窗口函数，设则可定义关于的连续小波变换为：

(1)

其中，aR且a≠0。式(1)定义了连续小波变换，a为尺度因子，表示与频率相关的伸缩，b为时间平移因子。

很显然，并非所有函数都能保证式(1)中表示的变换对于所有f∈L2(R)均有意义；另外，在实际应用尤其是信号处理以及图像处理的应用中，变换只是一种简化问题、处理问题的有效手段，最终目的需要回到原问题的求解，因此，还要保证连续小波变换存在逆变换。同时，作为窗口函数，为了保证时间窗口与频率窗口具有快速衰减特性，经常要求函数ψ(x)具有如下性质：

其中，C为与x，无关的常数，ε>0。

小波变换原理示意图如图1所示。

同时可定义相应的小波变换的逆变换为：

等式(3)右端前面的尺度因子保证小波基函数的范数(norms)全都相等。因为：

1.2 小波变换的多分辨率分解

在实际应用中，信号的可测分辨率是有限的，我们不可能计算在所有的尺度2j上的小波变换，分辨率2j应取有限值。我们把变换限定在一个最大尺度和最小尺度之间，20表示最高分辨率，2j表示最低分辨率。为了建立小波变换的信号分辨率分解表示，引入函数，且其Fourier变换满足条件：

因为小波满足，我们可得到，Fourier变换的能量集中在低频，所以为低通特性的平滑函数。定义平滑算子

其中，它表示在分辨率为2j时信号的低通滤波分量。

能量转换公式：

式中，表示信号的细节分量，表示信号的低通平滑分量。当2j越大时，包含的信号细节(高频成分)越少，且这部分丢失的信息可以从小波变换中来恢复。此时称集合为信号的小波变换多分辨率分解表示，也即是有限尺度的小波变换。以上分析为信号处理提供了一个清晰的分层框架。

1.3 图象的二进小波变换

设是一适当平滑的二元函数，满足条件，。记，图象被函数在尺度下的平滑作用由卷积运算实现，即。取基本函数如下：

则相应的小波变换如下：

当尺度时，如果、的Fourier变换满足：

则称为的二维二进小波变换。可以导出：

分别表征了图象 沿方向的偏导数，因此二维小波变换矢量就是梯度。

1.4 Mallat 算法

Mallat 和 Meyer 等人从不同尺度间信息增量表示方法出发，运用多分辨分析思想，并结合数字滤波器理论，提出正交小波变换的一种塔式结构快速算法，称为Mallat算法，其在小波变换中的地位相当于FFT在经典傅里叶分析中的地位。由双尺度方程可以推出滤波器组方程：

Mallat算法分解过程如图2所示。

分解公式为：

S为离散信号与低通分解滤波器h(k)经过卷积运算，然后下采样可得到尺度1上的近似信号a0(原信号中的低频分量)；S与高通分解滤波器g(k)经过同样的步骤可得到尺度1上的细节信号d1 (原信号中的高频分量)。连续进行下去，即可得到S在不同尺度上的近似信号以及细节信号。这就是Mallat的分解算法。设原始信号长度为N，在一次算法过程中，由于将卷积运算后的信号进行了下采样，即只取运算结果的一半长度，因此得到的结果数据长度为前一个数据长度的一半，依次分解下去，则数据长度越来越少，如分解n次后，数据长度即为2-nN。

Mallat重构算法的思想是：原始信号可由分解算法所得的近似信号和细节信号经逐级重构后近似逼进，这种逼进的精确度与所选的小波函数相关，这就是Mallat塔式重构算法的思想。在重构算法中，其滤波器组为h(k)和g 2.小波变换在电力系统中的应用

小波变换作为一种先进的数学理念，在数学研究领域方面取得了杰出的成果。现在小波变换己经渗透到自然科学、应用科学、社会科学等诸多领域，当然在电力系统中的应用也不例外，小波变换在电力系统中的应用主要在以下几个方面：

2.1电力设备状态监视、故障的诊断方面

电力系统中，有相当一部分的电气故障都是由于不同原因所导致的绝缘劣化和损坏引起的。绝缘的劣化和损坏，首先表现为绝缘内部和表面局部放电，然后发展为故障。如果对电力设备的绝缘内部和表面局部放电现象事先进行检测和分析.就可以大大较少电力系统电力设备的故障率。通过检测局部放电的性质和强弱，可以了解绝缘损坏大程度，判断进一步发生绕组短路等严重故障的可能性，好作预防和解决措施。对变压器局部放电信号的小波变换，基于小波变换的脉冲极性别方法，用以鉴别变压器内、外部放电，并选用Haar小波作为小波基，实际明能够有效地区分内、外部放电，并能有效地消除外部放电的影响。

2.2电力系统的电能质量分析方面

电力系统电能质量主要表现为电力系统的电流、电压、频率的质量。由于变频调速设备、可编程逻辑控制器、各种自生产线等对电能质量敏感的用电设备广泛应用于电力系统，以及计算机产业的快速发展，过电压、欠电压、电压凹陷和凸起、电压间断、电压波动和闪变、各种电压瞬变现象及谐波等电能质量问题，引起了电力部门和用户的广泛关注。因此必须采取合理的措施以提高电能质量。建立电能质量检测和分析系统，对其进行正确地检测、评估和分类是十分必要的。

将小波变换应用于电能质量偏差故障的检测、定位和研究。其核心思想是把一个给定的干扰信号分解为原信号的平滑和细节的两种信号，但其独特之处是构造了一个双正交复小波，采用了Mallat的塔式二进制快速算法，只须计算分解后1-3尺度上的平滑分量与尺度4上的细节分量，而不像其他方法上必须同时计算各个尺度上的细节分量与平滑分量，节省了将近一半的计算时一间。

2.3电力系统谐波分析方面

电力系统中发生故障时，谐波是不可避免地要出现的成分。由于谐波的存在，电力设备的正常工作要受到影响，因此我们需要进行谐波治理。电力系统谐波，增加了不必要的损耗，而且给通信设备的运行要造成有害的干扰等。为了避免这些谐波的不良影响，就有必要对其加以分析和抑制。小波变换将在此类信号变换投影到不同的尺度上会明显地表现出高频、奇异高次谐波信号的特性，特别是小波包具有将频率空间进一步细分的特性，将很好的为抑制高次谐波提供依据.进行电力系统谐波分析与处理，是小波变换在电力系统中应用的重要任务之一。

2.4电力系统的暂态稳定分析方面

当电力系统受到大扰动时，表征系统运行状态的各种电磁信号参数均会发生急剧变化和振荡。对这样的一个突变、局部化的信号进行分析，小波变换无疑是一个很好的选择。小波变换捕捉和处理微弱突变信号的能力可用于基于微弱信号的电力系统暂态稳定预测研究上，其“局部细化与放大”的特性，能够识别和追踪系统变量的微弱突变，进而推断出引起突变的局部故障时间和地点，提高电力系统暂态稳定预测的实时性和准确性。随着电力系统向巨大化、复杂化发展，暂态信号的分析和检测对电力系统的故障诊断和电能质量的评估具有重要意义。最近几年来，小波变换在电力系统故障分析，特别是暂态信号的分析中进行了广泛的研究。可利用小波变换的奇异性特质，对故障暂态信号进行详细性划分，选择合适的小波函数对故障暂态信号进行检测。

2.5电力系统动态安全分析方面

当电力系统受到扰动时会造成系统电压波动，过低的电压会危及电力系统运行稳定性，严重时可能造成“电压崩溃”。因此，研究电压的动态响应日趋重要。当系统受到扰动后便电压突变信号。应用小波变换将突变信号分解到不同尺度上再分别分析这些突变信号的幅值和相位的大小，以便判别电力系统动态安全运行状况。

在合闸或开闸瞬间产生冲击的高幅值电压经常破坏变压器绕组的绝缘。检测变压器绕组绝缘的通常是使用标准冲击试验方法，该方法应用傅立叶变换算法分析变压器频域内的信号分解结果。然而FFT分析在频谱尖峰时刻存在频谱遗漏。为了获得更好的信号分析，该文应用小波变换技术在变压器绕组故障时的暂态现象，选择Db系小波作为小波基，并在单相变压器正常情况和绕组匝间短路情况下进行不同测试。

2.6输电线路的故障定位方面

现代数字式行波保护和故障点测距装置在测量点所感受到的故障暂态电压和电流信号实质上是一种非平稳信号，持续时间也很短(约为几个毫秒)，而故障信息便主要蕴含于各个行波浪涌到来时所产生的信号奇异点中。因而我们必须用高速的数据采集技术来捕捉行波信号，并同时监视多条线路，这就需要保存多次的故障记录，会产生大量的数据需要存储和远距离运输。过多的数据会增加传输的时间甚至影响传输的可靠性，因此很有必要对采集到的故障暂态行波信息进行压缩处理。

将离散小波变换用于输电线路故障暂态行波信息的压缩，并对信号压缩的比例进行了相应的研究，实验证明信号的采样点数越多，奇异点越少，则越有利于故障信息的压缩，经重构后信号中的信息损失也越小。利用输电线路故障后的暂态电流行波中所包含的故障信息，故障的突变点和其小波变换模极大值之间的关系来进行故障定位。通过分析模极大值分布，电流行波的不同成分被明显地区分开来，这样故障和折射行波就可以识别。无用的成分被过滤掉，折射的行波到达时间不同表明故障的位置。

2.7 电力系统的负荷预测方面

由于用户用电的随机性，电力系统的负荷是在随时变化着的，相应的电力系统的功率分布、母线电压、功率损耗以及电能损耗等也在随时地变化。因此在计算上述的电力系统的参数时，必须了解负荷随时间的变化规律。己采用的各种负荷预测的方法有时间序列法，神经网络法等等。电力负荷具有特殊的周期性，负荷以天、周、年为周期发生波动，大周期中套小周期。小波变换能将各种交织在一起的不同频率组成的混合信号分解成不同频带上的块信号，对负荷序列进行小波变换，可以将负荷序列分别投影到不同的尺度上。各个尺度上的子序列分别代表着原序列中不同频域的分量，它们可以清楚地表现出负荷序列的周期性。

基于多分辨分析的思想，对负荷序列进行正交二进小波变换，把原负荷序列投影到各个不同的尺度上，可以清楚地看到负荷序列逐渐细微的周期性。在此基础上，分别对各个尺度上变换得到的负荷子序列进行预测，再利用预测结果进行信号重构，就可以得到完整的预测结果。

2.8小波变换用于信号奇异性检测原理

虽然涌流与故障电流都是暂态量，但由于其产生机理不同，其表现形式不同，主要是其各自的谐波成分不同，而谐波成份相对于基波来说是比较小的，这样由于基波的影响就可能造成涌流与故障电流间微小差别的消失。具体就是它们各自的某些奇异点会变得隐蔽起来。如果我们将基波滤掉，就会使这些本己不明显的奇异点显露出来。然后我们就可通过小波变换找出这些奇异点，由于涌流和短路电流的谐波成份不同，其奇异点的分布应不同。这样我们可根据其奇异点的不同分布，即小波变换模极大值的不同分布将其区分开来。

奇异性信号是指信号本身或它的某阶导数在某一时刻存在突变的信号，信号的奇异性通常携带有最重要的信息。奇异性检测就是要将信号的奇异点识别出来，并判断其奇异性程度。长期以来，傅里叶变换一直是研究函数(即信号)奇异性的主要工具。但是，由于傅里叶变换缺乏空间局部特性，它只能确定一个函数奇异性的整体性质，难以确定奇异点在空间的位置及分布情况，而信号的奇异性或突变性在很多情况下是非平稳信号最关键和最重要的性质。例如：机械故障、电力系统故障、脑电图心电图中的异常等，都对应于测试信号的突变点。虽然它们发生的背景不同，但如果将测得的数据作为一个信号来看，都集中体现在如何提取信号中的突变点的位置及判定其奇异性(或光滑性)的问题上，因此对信号奇异性的检测具有特别重要的现实意义。由于小波变换同时具有良好的时域和频域局部特性以及对信号的自适应能力，所以利用小波变换来分析非平稳信号的奇异性是一种行之有效的方法。

2.9利用小波变换的奇异检测法鉴别励磁涌流

在电力系统故障信号分析中，人们关注的是故障电流或电压的突发时刻及其对应的频谱特征，希望可以及时的判断出故障类型和故障的突发时刻。对这样的突发信号的分析，傅立叶分析是无能为力的。

目前，小波变换在变压器励磁涌流与内部故障的判别的应用研究主要集中于高次谐波检测和奇异点检测。高频检测反映的是差流状态突变产生的高次谐波，高频细节出现的位置对应于变压器饱和、退饱和时刻或故障发生时刻。若差流的高频细节突变周期出现，则为励磁涌流；若出现一次后便很快衰减为0，则为内部故障。奇异点检测利用了小波变换模极大值原理，检测的是差流状态突变而产生的第2类间断点，奇异点与涌流间断角相对应。

小波变换虽然是一种先进的数学理论，但它跟Fourier变换一样也仅仅只是一种信号处理的工具。在励磁涌流识别中的应用也只是作为一种工具，正因为跟傅氏变换的相似性，它在涌流识别方血的应用也局限于波形识别和谐波分析方面，具体的说可以应用它在检测信号奇异性和特征抽取方面的特长。

小波变换作为一种多分辨率的时一频局部分析方法，它在信号突变点(边缘)和奇异检测方面具有优良特性，它的极值点往往跟信号的奇异点相联系。而励磁涌流在间断角处的电流非常小(接近于零)，拐点处对应于铁芯磁化曲线拐点S，该处具有一定的奇异性。我们可以通过分析涌流的小波分解系数极值点在各尺度上的变化来检测间断处，从而测量出间断角。该原理从本质上来说还是属于间断角原理。

3.结束语

本文依据信号变换的理论和方法，介绍了小波变换应用于工程的基本理论和方法，并从电力系统的角度出发讨论了小波变换的特点及应用现状和发展前景。多尺度分析体现在小波的时频窗具有自适应性，能够对信号进行由粗及精地分析。基于多尺度分析理论，建立了类似于FFT的小波变换Mallat快速算法，使小波变换技术走向实用。奇异性检测理论反映了小波具有在时、频两域突出信号局部特征的能力。信号的突变边缘往往包含丰富的信息，小波变换后突变的奇异点会有不同于其它的特征出现，在工程应用中主要使用模极大值来表征这些瞬变点。电力系统中发生故障会出现某些电气量的突变，利用奇异性检测理论对故障信号进行特征提取，再建立起相应的判断依据，这是基于小波变换的微机保护基本思路。

本文总结了小波变换在电力系统中的应用方向，并把小波变”换应用于励磁涌流的鉴别。利用小波变换在信号奇异性检测抽取方面的特长来区分励磁涌流和故障电流的方法。利用小波变换对电力系统的非平稳信号进行分析和处理，可突出短路故障信号，同时滤掉大量的噪声干扰信号，大大提高了保护装置的可靠性。

参考文献：

[1]张贤达.现代信号处理(第二版)[M].清华大学出版社,2002.10.

[2]赵晓坦，苏鹏声.离散序列小波变换在微机继电保护中的应用[J].继电器,2002，30(10).

[3]蔡晖.小波变换在变压器微机保护中的应用[D].河海大学硕士学位论文,2002.3.

[4]王建赜,李威,冉启文,纪延超.解析信号小波变换及其在电力系统中的应用[J].电力系统自动化,2000.11.25.

[5]葛宝明，王祥珩等.电力变压器的励磁涌流判据及其发展方向[J].电力系统及其自动化,2003.27(22).