多频段自适应范文（精选8篇）
多频段自适应 第1篇
上世纪60年代, 两位匈牙利数学家Erdos和Renyi开创性地建立了用于大型复杂网络研究的随机图理论[1]。随着网络技术和计算机处理能力的增强, 人们开始分析大规模的实际网络、人造网络的拓扑性质和动力学行为。1998年, Watts和Strogatz提出了著名的小世界网络模型, 并用来描述从完全规则网络到完全随机网络的转变。该模型的基本思想是从一个规则网络开始, 对网络中所有边按照一定的概率重连, 从而得到需要的小世界网络。这种小世界网络既具有规则网络的高聚类特性, 又具有随机网络的较小平均路径长度等特征。后来, 随着人们对复杂网络演化特性认识的深入, 相继提出并研究了多种新的演化网络模型, 并分析了复杂网络的拓扑结构与网络动力学行为之间的关系, 详细请参考文献[2]～文献[6]。
同步作为一种常见的复杂网络动力学行为, 是当今复杂网络研究的热点问题之一。在同步研究中, 是将网络中所有的节点控制到同一个状态, 即一个单一的目标上[7,8,9,10,11,12,13]。其中, 大部分网络节点之间的耦合强度是固定的 [7,8,9,10,11]。最新研究发现, 网络中节点之间的耦合强度根据网络的局部信息和全局信息进行自适应调整, 可以使网络更快地达到同步, 并且使网络的鲁棒性增强 [12,13]。然而, 在生物工程和通讯网络中, 经常碰到网络的最终控制目标不止一个, 并且节点之间的耦合强度随时间的变化而变化。例如一群飞机要对多个目标进行侦查时, 基于时间的限制和效率的考虑, 需要将这群飞机进行合理分组, 来完成侦查救助多个目标的要求。再如多个混沌振子同步时往往需要达到多个状态。当节点之间耦合强度固定时, 在文献[14]中提出了基于局部信息的分布式分组控制方法, 使得网络达到多个控制目标。本文将在此方法的基础上, 进一步研究节点之间耦合强度的自适应调整方法, 使网络达到多个控制目标。当单个节点的动力学函数为混沌的Rossler系统时, 在小世界网络上进行的仿真, 结果证实了该控制方法的有效性。
2 自适应多目标控制
2.1 控制器设计
考虑一个网络由N个线性耦合的相同节点组成, 并且每个节点为n维动态系统。节点i 的状态方程为:
undefined
式中:ui (t) 加在节点 i 上的控制输入;这里, xi= (x (1) i, x (2) i, , x (n) i) T∈Rn为节点i的状态变量;耦合矩阵A= (aij) ∈RNN表示网络的拓扑结构和节点之间的耦合强度:如果节点i和节点j之间有连边, 则aij>0, 否则, aij=0, 并且满足耗散耦合条件∑jaij=0;τ延迟时间, 通常是由于节点之间信息传输等造成的。
假设网络中的N个节点最终达到q个目标, 并且将网络中的节点分成q个组。不失一般性, 这些组中节点的集合可以写为:G1={1, 2, , N1}, G2={N1+1, N1+2, , N1+N2}, , Gq={N1++Nq-1+1, , N}, 其中 N1+N2++Nq=N。
我们的控制目标是当t→+∞时, 网络的控制目标共q个, 每组中节点的控制目标是相同的, 不同组中节点的控制目标不同。
undefined
式中:si (t) = (si1 (t) , , sin (t) ) T节点i在t时刻的控制目标。
为了使网络达到多个控制目标, 我们设计一种新型的分布式控制器:
undefined
式中:节点之间的耦合强度aij (t) = (a1ij (t) , , anij (t) ) T的变化方式为:
undefined
式中:δ>0 自适应增益。显然, 如果节点 i 和节点 j 在同一个组中, 则 si (t) =sj (t) 。
2.2 全局稳定性分析
通过构建李亚普诺夫函数, 我们对上述自适应策略的全局稳定性给出了下面的定理。
定理1:假设存在正定对角阵P=diag[p1, , pn]和 Δ=diag[Δ1, , Δn], 满足
式中:常数η>1。如果在t≥0时, 矩阵 A⨂In+IN⨂Δ是负半定阵, 其中⨂代表矩阵的Kronecker相乘, IN为N阶单位阵。则在输入为式 (3) 和耦合强度按照式 (4) 进行自适应调整时, 网络全局稳定在式 (2) 所定义的多个目标上。
证明:定义一个李亚普诺夫函数为
undefined
式中: δxi (t) =xi (t) -si (t) 节点的状态与控制目标的差; cij 实数。则有:
undefined
由于矩阵 A⨂In+IN⨂Δ 在t≥0时是负半定的, 则undefined。进一步, 对于网络中的任意一条边, 该边上的耦合强度总是有界的。因此, 总能找到一个实数cij大于该边的耦合强度, 则undefined。则式 (7) 变为:
因此,
undefined
3 仿真结果
首先, 利用文献[2]中的WS小世界网络生成算法, 构建一个每个节点的邻居为10和网络规模为100的规则网络, 然后对网络中所有的边按照概率为0.3进行重连, 得到下面仿真所用到的网络模型。然后将网络中所有节点随机地分成三个组, 每组规模分别为24, 38和38。在t时刻, 节点i的控制目标选为该组中所有节点状态的最大值, 即:
undefined
其中, N1, N2 和 N3分别为 24, 38和38。每个节点的初始状态xi1和xi3两个分量在区间[-0.6, 0.4]上随机选取。每个节点的初始状态xi2在区间[-0.3, 0.3]上随机选取。网络中节点之间的耦合强度在零时刻设置为0, 然后按照式 (4) 变化。
仿真中研究的复杂动态网络为单个节点的动力学函数为混沌的Rossler振子, 其动力学方程为:
undefined
当单个节点的动力学均为式 (11) 定义的混沌系统时, 直接计算表明式 (5) 成立的条件为P=3I3, Δ=8I3 和 η=0.54。
分布式控制器 (3) 加到每个节点的状态方程 (2) 上, 并且节点之间的耦合强度根据式 (4) 作自适应调整, 在WS小世界网络上进行仿真, 结果如图1和图2所示, 其中自适应增益δ=0.2, 延时τ=5s。
图1显示了节点的状态在达到三个控制目标的过程中随时间的变化情况。图2描绘了该小世界网络中节点之间的耦合强度随时间变化的情况。
从图1 (a) 中不难看出, 网络中所有节点状态的第一个分量xi1在t>15 s后, 第一个组内24个节点状态的第一个分量稳定在一个状态, 即图中圆形线, 第二个组内38个节点状态的第一个分量稳定在一个状态, 即图中星形线, 第三个组内38个节点状态的第一个分量稳定在一个状态, 即图中三角形线。这就意味着网络最终达到了三个控制目标, 完成了控制任务。另外, 从图1 (a) 中发现当网络达到三个控制目标后, 节点状态的第一个分量随着时间的变化而变化。因此, 人们利用这种方法来跟踪移动的目标。
与图1 (a) 类似, 从图1 (b) 中发现网络中所有节点状态的第二个分量xi2在t>16 s后, 网络中三个组中的节点状态分别达到各自的控制目标。此外, 当网络达到三个控制目标后, 节点状态的第二个分量也是时变的。
从图1 (c) 可以看出, 在t>2 s后, 网络中所有节点状态的第三个分量相差很小。为了更好地分析控制策略的有效性, 图1 (c) 中的插图描述了从20～40 s之间节点状态的变化情况。显然, 所有节点的状态共分为三个, 即达到了三个控制目标, 且这些目标是时变的。
结合图1中的三幅小图, 可以发现, 当t>16 s后, 网络中所有节点状态的三个分量均达到需要的控制目标, 完成了控制任务。
图2描述了所有节点之间的耦合强度随时间的变化情况。图2 (a) 表明了t>15 s后, 耦合强度的第一个分量aundefined不再增加而是变为一个恒定值, 即式 (4) 的右边为0。换句话说, 节点之间耦合强度的第一个分量的变化率为0, 导致了节点间的耦合强度不再变化。此时, 图1 (a) 所示的节点状态的第一个分量达到了三个需要的控制目标。
图2 (b) 表明了t>16 s后, 耦合强度的第二个分量aundefined不再增加而是变为一个恒定值。此时, 图1 (b) 所示的节点状态的第二个分量达到了三个需要的控制目标。从图2 (c) 中看出耦合强度的第三个分量aundefined在t>2 s后, 不再增加而是变为一个恒定值。此时, 图1 (c) 所示的节点状态的第三个分量达到了三个需要的控制目标。
结合整个图2中的三副小图, 可以看出, 当t>16 s后, 网络中所有节点之间的耦合强度的三个分量均不再变化。此时, 如图1所示网络达到了三个需要的控制目标。从而验证了分布式控制方法 (3) 和自适应控制策略 (4) 的有效性。
采用不同的重连概率和自适应增益时, 网络达到三个目标所需的时间te见表1。
从表1中不难看出, 对于相同的自适应增益, 重连概率越大, te越小。这一点与单一目标控制时 , 达到目标的时间随小世界网络重连概率的增加而减小相一致[7]。此外, 对于相同的重连概率, 自适应增益越大, te越小。即自适应增益越大, 网络达到多个控制目标需要的时间越短。
4 结束语
自适应压电桁架结构多目标最优控制 第2篇
根据嵌入压电作动器的自适应桁架结构的机电耦合特性,考虑了结构强度、节点最大位移以及作动器最大控制电压等约束条件,提出了以强度、位移和能耗为目标、以电压为控制参数的多目标最优控制模型.该模型通过引入权系数,使多目标问题转化为一个二次目标、线性约束的二次规划问题.限制了设计变量每一步的.运动极限,从而保证了算法的稳定性.用数值方法模拟了该模型对结构的控制效果.数值算例表明,该模型具有改善静不定结构应力状态、保证结构形变精度及调节控制能耗的功能.对于静不定结构,可以在一定程度上降低结构的最大工作应力.该模型还具有较小的能耗指标,并使控制点的节点位移尽可能小,利用该模型可以有效地实现单点或多点位移控制.
作 者：龙连春 隋允康 作者单位：龙连春(石油大学储运与建筑工程学院,山东东营,257061;北京工业大学机电学院,北京,100022)
隋允康(北京工业大学机电学院,北京,100022)
基于自适应多模板匹配的目标跟踪 第3篇
模板相关匹配又称模板匹配, 一直以算法简单、易于实现等优点受到很多研究人员的青睐, 模板匹配算法对于图像色度不敏感, 在目标图像不出现大的形状和尺度变化的时候, 可以进行良好的跟踪。而模板匹配算法最主要的缺点就是计算量大、对于遮挡和旋转敏感[5], 简单的模板匹配在跟踪的准确度上往往会随着时间降低, 且模板匹配结果总是存在匹配模糊或多位置匹配、错误匹配等偶然误差, 在这样的情况下, 总是信任某个模板的匹配结果将会导致错误的跟踪结果, 有很多学者提出了模板匹配跟踪的改进方法[6,7,8,9], 有些学者提出了多级模板匹配, 以增加匹配结果的可信度。但由于实时性的要求, 模板的级数和运算时间支出之间很难找到平衡。
本文提出了一种DSP和FPGA分工合作的系统方法。建立通信, 由FPGA来代替DSP完成耗时计算部分。多级不同尺寸的模板和旋转模板的加入, 使系统在目标发生旋转和膨胀时也能进行准确的跟踪。本文算法的特点就是, 为了对抗目标尺寸变化和旋转, 生成了各级旋转匹配模板, 并在多级模板融合时做了合理处理, 以求得跟踪结果的准确性, 同时又保证了跟踪系统的实时性。
1 模板匹配原理
模板匹配的基本做法是把模板图像T和搜索区域S内的每一个T规模大小的图像作相似性比较, 相似性最大的位置视为T在S内的正确匹配点。基本流程如下:
1) 创建或直接获取模板图像, 其中, 模板图像包含兴趣对象, 即待跟踪的目标;
2) 设定一个相似性比较的方法和准则;
3) 以T为大小的范围框在S内逐点移动, 求取在每个坐标点处与模板的相似度结果;
4) 从所有坐标点的结果中选出相似度最大的点作为目标匹配点。
假设, 模板图像是一个WH的矩形区域图像, 搜索区域S是一个MN的矩形。相似度以图像的绝对灰度值和 (SAD) 为度量标准。从S的第一个像素点开始, 获取一个T大小的比较图像T', 计算T'和T的绝对差值和, 逐点移动比较图像的位置, 一共有可以获取比较图像的 (M-W+1) (N-H+1) 个位置, 计算每个点处的T’和T的绝对差值和。最终得到一个 (M-W+1) (N-H+1) 大小的匹配结果。如图1所示, 分别是64的模板在108的搜索区域内逐点移动, 从坐标点 (0, 0) 到 (2, 2) 、最后到 (4, 4) 的模板匹配过程示例图, 最终可以得到55的相关数据数组。
其中, 在搜索过程中, 模板匹配需要一个相似度的度量。本算法中采用的是归一化去均值互相关系数NCC (Normalized mutual Correlation Coefficient) , 传统的相关系数Cur计算如下
相关系数能够很好地表征模板和搜索区域内某点的相似度, 但是对于光线亮度变化却很敏感。一旦图像的亮度发生变化, Cur的值会整体偏离实际相似度。为了克服这个缺点, 本算法中采用了去均值处理, 计算方法如式 (2) 所示
2 多级模板匹配算法介绍
2.1 多级模板介绍
在传统的模板匹配算法中, 在搜索区域内完成一次完整的匹配得到一个匹配结果信息相关的三维相关曲面。理想的匹配结果中, 相关曲面的峰值出现在理论上的最优匹配坐标处, 峰值有且只有一个。实际应用中的匹配结果, 相关曲面不总是理想的单峰, 相关曲面的状态可以大致划分为平坦、单峰、多峰、边缘峰四种情况。针对相关曲面的多种状态, 引入多级模板, 以降低单模板匹配结果的偶然误差。图2是一个三级模板匹配实验中的三级模板图像。根据实验验证, 在本算法中, 三级模板已经能够得到良好的跟踪结果。
模板匹配算法的具体步骤是:取模板Template, 得到搜索区域Search Window, 逐点计算出模板在搜索区域内各个坐标位置的相似度, 得到相关曲面, 找出最优匹配点坐标。在多模板匹配算法中, 在得到每级模板的相关曲面结果以后, 加入了相关曲面融合的步骤。
每个WH的模板在MN的区域内进行相关匹配后都会得到一个 (M-W+1) (N-H+1) 的相关曲面。对相关曲面进行处理, 得到各曲面状态以及尖锐度情况, 根据曲面状态判定可信度, 根据尖锐度计算各级曲面在融合过程的权值, 再由各级曲面加权融合得到置信曲面, 最终由置信曲面得到最优匹配点。
2.2 抗旋转多级模板匹配
多级模板匹配算法中, 各级模板各不相同, 具体所需级数以及每一级模板大小的选取都根据视频图像的大小和目标的预测和训练尺寸所得。除了直观的模板外, 本算法中, 为了适应跟踪过程中目标发生旋转的情况, 在待匹配的模板库里增加了旋转后的模板。
在进行每一帧的模板匹配时, 旋转前的模板和旋转后的模板都要和当前目标进行匹配。由于帧与帧之间物体运动的有限性, 在目标缓慢旋转的情况下, 帧间旋转±3°可以有效地跟踪[10], 本算法为了克服快速旋转, 帧间角度差确定为10°。其中, 旋转模板同原始模板得到旋转模板的基本方法如下
式中:old_x和old_y是原始模板中像素点的位置坐标, center_x和center_y是旋转后模板图像的中点, (i, j) 是旋转后模板数据数组的位置。图3是一组原始模板和顺时针、逆时针各旋转30°后的模板示例图。
3 模板实时更新策略
每一场图像的目标匹配过程中, 需要由FPGA完成一共9次完整的相关曲面计算。在进行相关曲面融合之前, 必须要作两次判断和选择:
1) 判断目标是否旋转, 确定将进行融合的多级模板来源;
2) 判断多级模板的相关曲面置信度, 判断每级曲面是否加入融合, 计算加入融合的曲面权值, 根据选择和权值进行曲面融合, 得到置信曲面。
模板的更新是为了让模板信息更接近目标当前的信息, 越接近真实目标的模板越能得到正确的匹配结果。图4是各级相关曲面的旋转更新流程图, 假设三级原始模板为T_1, T_2和T_3, 由T_1顺时针旋转5°后得到的模板为T_1_CW, 由T_1逆时针旋转5°后得到的模板为T_1_CCW;由T_2顺时针旋转5°后得到的模板为T_2_CW, 由T_2逆时针旋转5°后得到的模板为T_2_CCW;由T_3th顺时针旋转5°后得到的模板为T_3_CW, 由T_3逆时针旋转5°后得到的模板为T_3_CCW。
在跟踪过程中, 随着目标自身的变化和摄像头的位置、角度等变化, 实际应用中的跟踪目标不可能一直保持为最初获取的模板。如果用一成不变的模板进行跟踪, 匹配度会不断下降, 最后造成目标的丢失或误匹配。所以, 很多学者提出了模板实时更新。其中, 在本算法中, 模板的实时更新主要分为两方面:
1) 在判断目标是否旋转的结果中, 如果目标旋转了, 将各级模板更新成为旋转后的模板, 作为之后搜索目标的源模板。
2) 在目标的每场跟踪过程中, 如果本场跟踪有效, 以一定的系数将当前目标信息叠加到模板信息中, 以此获得继承了原始模板信息、又不断靠近当前目标真实信息的模板。图5是更新模板的基本流程。
4 DSP和FPGA的系统介绍
由于DSP的优势在算法的实现和流程的控制上, 而FPGA的优势在并行运算上, 于是本算法中建立了双方的通信, 耗时的计算部分由FPGA来计算和完成, 其他的由DSP完成。图6是DSP和FPGA的通信连接示意图。
在模板匹配算法中, 最耗时的计算部分是SAD的计算。在三级抗旋转跟踪算法中, 每一次搜索都需要进行共9个模板的SAD计算, 其中包括三级原始模板以及6个由三级原始模板衍生出的顺时针、逆时针旋转后的模板。要在20 ms内完成这么多的运算, 对DSP来说是个难题。于是, 考虑建立起DSP和FPGA之间的通信, 考虑到是图像信息, 设立了PPI为通信通道。
并行外部接口PPI是半双工形式, 最大可进行16位数据的传输。它有1个时钟引脚、3个帧同步以及4个专用数据引脚。DSP通过PPI的几个寄存器来设置其工作方式。在DSP和FPGA的通信系统中, 时钟和帧同步由FPGA给出, 直接连接到引脚信号。模板和待匹配图像由DSP自PPI0口传输给FPGA, FPGA进行匹配运算后所得的相关曲面结果由PPI1口送回DSP。
DSP接收图像和曲面信息时, 受时钟和同步信号的控制, 这些信号和图像数据均由FPGA给出, 实验中, DSP采用了两个外部帧同步的PPI通用模式。图7是时序示意图, 其中, DSP_PPI1SYN[2]是场同步信号VS, DSP_PPI1SYN[1]是行同步信号HS, DSP_PPI1CLK是时钟信号, DSP_PPI1数据信号。
5 系统性能分析
首先, DSP和FPGA的通信跟踪系统是为了解决运算量大、耗时长的问题。FPGA在计算SAD上比起DSP具有明显的优势, 表1是两者的计算时间对比图。
由于抗旋转模板的加入, 在目标旋转以及稳定膨胀的情况下, 系统仍然能够进行良好的跟踪, 图8是单独在DSP上完成的两级模板匹配, 图9是DSP和FPGA平台上加入旋转模板后的三级模板跟踪效果演示图。
6 小结
本文采用了DSP和FPGA的通信联调跟踪系统来完成多级抗旋转模板匹配的跟踪算法, 有效地提高了运动目标在发生旋转时的跟踪准确度, 效果良好并稳定。同时, 系统利用了DSP和FPGA各自的优势, 解决了DSP运算量大耗时长的问题, 在保证准确性的同时满足了实际应用中的实时性要求。经大量实验测试, 该系统可以进行良好的目标跟踪, 并对于目标的尺寸和角度变化具有良好的适应能力。
参考文献
[1]LATECKI L J, MIEZIANKO R.Object tracking with dynamic template update and occlusion detection[C]//Proc.IEEE 18th International Conference on Pattern Recognition.Hong Kong, China:IEEE Press, 2006:188-193.
[2]AZGHANI M, AGHAGOLZADEH A, GHAEMI S, et al.Intelligent modified mean shift tracking using genetic algorithm[C]//Proc.2010 5th International Symposium on Telecommunications (IST) .[S.l.]:IEEE Press, 2010:806-811.
[3]CAO Yueyun, XU Jianghu, LI Ke.Object tracking integrating template matching and mean shift algorithm[C]//Proc.2011 International Conference on Multimedia Technology (ICMT) .Hangzhou:IEEE Press, 2011:3583-3586.
[4]HU W C.Adaptive template block-based block matching for object tracking[J].Intelligent Systems Design and Applications, 2008 (26) :61-63.
[5]张彦梅, 宋扬.模板匹配方法在高速目标跟踪中的应用[J].北京理工大学学报, 2006, 26 (11) :1026-1029.
[6]陈明洁.智能视频监控系统目标检测和跟踪技术分析[J].电视技术, 2008, 32 (10) :85-91.
[7]王成儒, 李翠君.基于视频流的运动人体检测和跟踪的研究实现[J].电视技术, 2012, 36 (15) :124-127.
[8]王徐华, 樊晓光, 徐显亮.基于TMS320DM642的视频图像处理系统设计与实现[J].电视技术, 2009, 33 (10) :28-31.
[9]贾慧星, 章毓晋.智能视频监控中基于机器学习的自动人数统计[J].电视技术, 2009, 33 (4) :78-81.
有向网络自适应多平衡点控制 第4篇
目前,大部分的研究是将网络控制到一个平衡点上和节点之间的耦合强度是固定的[1～4]。然而,在实际的应用网络中,经常碰到网络的最终控制目标不止一个,并且节点之间的耦合强度随时间的变化而变化。对于多个控制器协调控制的多个加热炉的温度往往不止一个,这时需要对控制器进行适当的分组,使得每个小组分别控制一个加热炉达到相应的温度。文献[8]提出了一种分布式的控制策略,使得网络能够跟踪移动目标。但是对于固定的目标,由于不存在固定目标的状态反馈,所以不能够跟踪固定目标。最近人们发现当网络中节点之间的耦合根据网络的局部信息进行自适应调整时,可以容易得到网络达到控制目标时的耦合强度,并使网络更快地达到同步,并且使网络的鲁棒性增强[9～14]。对于一个连通的有向网络,当网络中某个节点只有从该节点指向其它节点的边,而不存在从其它节点指向该节点的边,则这个节点称为一个根节点。笔者在此方法的基础上,进一步研究节点之间耦合强度的自适应调整方法,发现只要对每个小组中的根节点增加反馈控制器,网络就能达到需要的多个平衡点。
1 自适应多平衡点控制
1.1 控制器设计
考虑一个网络由N个线性耦合的相同节点组成,并且每个节点为n维动态系统。节点i的状态方程为:
其中ui(t)是加在节点i上的控制输入,xi=(xi(1),xi(2),,xi(n))T∈Rn为节点i的状态变量。耦合矩阵A=(aij)∈RNN表示网络的拓扑结构和节点之间的耦合强度:如果节点i和节点j之间有连边,则aij>0;否则,aij=0,并且满足耗散耦合条件∑jaij=0。
在不考虑反馈控制和节点之间相互耦合的情况下,单个节点的动力学可以写成:
众所周知,许多混沌系统不止一个平衡点。假设每个独立的节点有p个平衡点xe1,,xep,这意味着f(xei)=0(1≤i≤p)。考虑一个网络由q(2≤q≤p)个组组成。假设这些组包含的节点数分别为N1,N2,,Nq,并且N1+N2++Nq=N。假设网络中的N个节点最终达到q个目标,并且将网络中的节点分成q个组。不失一般性,这些组中节点的集合可以写成G1={1,2,,N1},G2={N1+1,N1+2,,N1+N2},,Gq={N1++Nq-1+1,,N}。
控制目标是使得当t→+∞,节点的状态为:
为了使网络达到多个控制目标,笔者设计了一种新型的分布式控制器:
其中si是在式(6)中定义的,反馈增益d>0。
其中δci(1≤δciNi,1≤i≤q)是个整数。此外,对于每个小组中的根节点,必须增加状态反馈,即该根节点对应的hi=1。因此,对于存在根节点的小组,只需对根节点增加状态反馈;对于不存在根节点的小组,需至少从该组中随机选择一个节点增加状态反馈。显然,当网络中节点比较多时,应用这种策略的代价比较小。
si为节点i期望的状态,具体定义为:
节点之间的耦合强度aij(t)=[a1ij(t),,anij(t)]T的变化方式为:
式(7)中γ>0为自适应增益。
1.2 全局稳定性分析
通过构建李亚普诺夫函数,笔者对上述自适应策略的全局稳定性给出了下面的定理。
定理1假设存在正定阵P=diag{p1,,pn},Δ=diag{Δ1,,Δn}和一个常数η>0,满足:
和Δmax+λ1(B)<0,其中矩阵B=(bij)NN=A-diag{h1,h2,,hN}d,Δmax=k=m1,ax,nΔk。则在输入式(4)和耦合强度按照式(7)进行局部自适应调整时,网络关系式(1)全局稳定在式(3)所定义的多个平衡点上。
证明定义一个Lyapunov函数为:
令则有:
因为Δmax+λ1(B)<0和0>λ1(B)≥≥λN(B),则矩阵B+ΔkI是负半定的。对于网络中的任意一条边,该边上的耦合强度总是有界的。因此,总能找到一个实数大于该边的耦合强度,则-∑ε(cij-aij)T|xj(t)-sj-xi(t)+si|<0。则有:
因此:
证明完毕。
2 仿真结果
研究复杂动态网络中的单个节点的状态为典型的洛伦兹系统,其动力学方程为:
此系统有3个平衡点:[8.485 3,8.485 3,27]T、[-8.485 3,-8.485 2,27]T和[0,0,0]T。
仿真采用的有向网络拓扑模型如图1所示,网络中共有10个节点。在该网络中,节点0和节点6只有指向其它节点的边,所以这两个节点为根节点。将网络中的节点分为3组,即G1={0,2,3,5}、G2={1,8,6)和G3={4,7,9}。不失一般性,假设这3组节点的控制目标分别为[8.4853,8.485 3,27]T,[-8.485 3,-8.485 3,27]T和[0,0,0]T。
根据分布式控制器(4),每组中至少选择1个节点增加状态反馈,并且根节点必须要增加状态反馈。根据图1和分组情况,组1和组2中增加状态反馈的节点分别为0和6,组3中增加状态反馈的节点是随机选取,在下面的仿真中,选取节点7。每个节点的初始状态xi1,xi2和xi3都在区间[-5,5]上随机选取。每个节点的初始状态xi2在区间[-0.3,0.3]上随机选取。网络中节点之间的耦合强度在零时刻设置为0,然后按照式(7)变化。
分布式控制器(4)加到每个节点的状态方程(1)上,并且节点之间的耦合强度根据式(7)作自适应调整,在图1所示的有向网络上进行仿真,结果如图2、3所示,图2显示了节点的状态在达到3个平衡点的过程中随时间的变化情况。图3描绘了该有向网络中节点之间的耦合强度随时间变化的情况。其中自适应增益γ=0.5,反馈增益d=1 000。
从图2a中不难看出,网络中所有节点状态的第1个分量xi1在t>3.3s后,第1个组内4个节点状态的第1个分量稳定在一个状态,即图中虚线,第2个组内3个节点状态的第一个分量稳定在一个状态,即图中点线,第3个组内4个节点状态的第1个分量稳定在一个状态,即图中实线。这就意味着网络最终达到了3个控制目标,完成了跟踪固定目标的控制任务。
与图2a类似,从图2b和图2c中发现网络中所有节点状态的第2个分量xi2和第3个分量分布在t>3.5s和t>2.9s后,网络中3个组中的节点状态分别达到各自的平衡点。
结合图2a～c可以发现,当节点在3个分量上达到相应平衡点的目标时,它们就不再发生变化。这就意味着节点状态稳定在相应的控制目标上,即能完成跟踪固定目标的任务。
从图2中可以发现,当t>3.5s后,网络中所有节点状态的3个分量均达到需要的控制目标,完成了控制任务。根据文献[11],当单个节点的动力学均为式(10)定义的洛伦兹混沌系统时,不等式(8)满足,并且有P=I3和Δ=3I3。通过计算t>3.5s后的节点之间的耦合矩阵得到λ1(B)=-3.24,显然满足Δmax+λ1(B)<0。则根据定理1,网络将在理论上稳定在需要的多个平衡点上,正好与仿真相符合。
图3a表明了t>3.3s后,耦合强度的第1个分量a1ij不再增加而是变为一个恒定值,即式(7)的右边为0。换句话说,节点之间耦合强度的第1个分量的变化率为0,导致了节点间的耦合强度不再变化。此时,图2a所示的节点状态的第1个分量达到了3个需要的控制目标。
图3b表明了t>3.5s后,耦合强度的第2个分量a2ij不再增加而是变为一个恒定值。此时,图2b所示的节点状态的第2个分量达到了3个需要的控制目标。从图3c中看出耦合强度的第3个分量a3ij在t>2.9s后,不再增加而是变为一个恒定值。此时,图2c所示的节点状态的第3个分量达到了3个需要的控制目标。
结合图3a～c可以看出,当t>3.5s后,网络中所有节点之间的耦合强度的3个分量均不再变化。此时,如图2所示的网络达到了3个需要的控制目标,从而验证了笔者提出的分布式控制方法式(4)和自适应控制策略式(7)的有效性。
3 结束语
针对多个固定目标的控制问题,提出了一种新型的分布式控制策略,使得有向网络能够达到多个平衡点,发现有向网络中的根节点必须施加状态反馈,并且网络中节点之间的耦合强度仅根据局部信息进行自适应调整。通过构建李亚普纳夫函数给出了理论证明。当网络中单个节点为洛伦兹系统时,在有向网络上仿真验证了该控制策略的有效性。
摘要：提出了一种新型的分布式控制策略,使得有向网络能够达到多个平衡点,同时网络中节点之间的耦合强度仅根据局部信息进行自适应调整。将网络中需要达到同一个平衡点的节点划为一个小组,发现当某个小组中存在根节点时,则对根节点增加反馈控制器;当某个小组中没有根节点时,则从该组中随机选择一个节点增加反馈控制器,网络就能达到需要的多个平衡点。通过构建李亚普诺夫函数,给出了多平衡点稳定的条件。在网络单个节点的动力学函数为混沌的洛伦兹系统时,证实了该控制方法的有效性。
多聚焦图像的自适应分块融合方法 第5篇
多聚焦图像融合方法,从采用的数学方法角度可以大致分为:加权平均法、逻辑滤波器法、数学形态法、模拟退火法、图像代数法、金字塔图像融合法、小波变换图像融合法等等。这些融合方法都是能够取得良好的融合结果,但是多聚焦图像的融合又具有它自己的特点,比如图像中存在许多公共区域,而这些公共区域是不需要做出融合计算的,根据多聚焦图像的这一特点,提出一种基于像素块相似矩阵的自适应融合方法,以提高融合的效率,改善融合效果。
1 块灰度相似矩阵
1.1 灰度相似矩阵
对间距l确定的一对相邻像素(m,n)与(m,n+l)构成的像素偶,在整幅图像上统计它们在灰度数组[G1,G2]上的出现频度,该频度能反映像素之前相似的程度,即构成灰度相似矩阵[2,3]。可以将灰度相似矩阵由二维平面显示,即能清楚地表征图像中相邻像素间灰度级的分布情况。一般说来,灰度相似矩阵二维图的形象外貌大致是沿着(G1,G2)平面的45°斜线分布其中所示的灰度散布情况,可以表征图像的清晰度。灰度散布范围大,清晰度高;灰度散布范围小,清晰度差。
图1描述了聚焦图像块及其灰度相似矩阵二维图,从灰度级的分布范围来看,灰度分布比较分散,散布的范围宽,正好对应了清晰的图像;图2描述了非聚焦图像块及其灰度相似矩阵二维图,从灰度级的分布范围来看,灰度分布比较集中,散布的范围窄,也对应了非清晰的图像。
1.2 灰度相似矩阵的标准差
灰度相似矩阵二维图中的灰度散布范围可以通过标准偏差[4]值来定量确定。对不同的l(l=1,l=2),获得共生矩阵f(G1,G2)后,求得其在灰度数组[G1,G2]中,任一灰度级G1确定的情况下,另一灰度级G2散布的标准偏差σ。
式(1)中
图3所示为聚焦图像块灰度相似矩阵的标准偏差值,图4所示为非聚焦图像块灰度相似矩阵的标准偏差值,它们的中值分别为28.43和2.496 9,相差非常悬殊,标准偏差值体现了图像的聚焦情况,可以作为分块及融合依据。
2 自适应分块及其融合方法
2.1 自适应分块方法
配准后的多聚焦图像如果简单的划分为清晰的和模糊的两个部分,会忽略了输入图像在成像方面的差异,并且人类的视觉系统对图像边缘区域非常敏感。很好的划分清晰和模糊两个区域,需要以逐步逼近的方法来对其进行分块,即采用自适应分块的融合[57]方法。本文采用的分块方法如图5所示。
分块的具体步骤描述如下:
步骤1:首先将待融合源图,分解成MN大小的若干个图像块,M,N根据源图的大小来确定;
步骤2:求取每个图像块的块灰度相似矩阵,并计算它们的标准偏差;
步骤3:保留步骤2中结果相同的图像块,并将块内的像素值写入融合结果图的对应位置;
步骤4:根据多聚焦图像的特点,从步骤2中计算结果不同的图像块中选取位于边界的图像块再次细分;
细分方法为:先细分割位置接近整幅图像边缘的图像块,即图像块左上角像素的行号最小和最大的图像块以及图像块左上角像素的列号最小和最大的图像块;细分方法则根据图像块的位置从其远离图像中央部分的角来递行递列减少图像块的大小。
步骤5:对细分后的图像块分别执行步骤24,直至细分割次数达到3次为止;此时,若仍然存在对应位置的子图像块的灰度共生矩阵的标准偏差不相同,则对细分前的图像块采用2.2中的方法进行融合。
2.2 融合方法
对于融合源图中灰度相似矩阵不相同的图像块进行融合,可以采用基于偏差中值的融合方法。该方法对选中的像素块采用偏差中值及像素在融合源图像像素值来确定融合图像中的像素值,其表达示如下所示
式(3)中:
F(i,j)为融合图像;
S1(i,j)为融合源图1;
S1min为源图1块内灰度最小值;
S1max为源图1块内灰度最大值;
S2(i,j)为融合源图2;
S2min为源图2块内灰度最小值;
S2max为源图2块内灰度最大值;
A为融合源图1的块内偏差中值;
Am为融合源图1的块内偏差最大值;
B为融合源图2的块内偏差中值;
Bm为融合源图2的块内偏差最大值。
3 实验与结果分析
用本文提出的方法对图6图9中四组多聚焦源图像[8]进行融合实验,初始分块大小为3232,融合结果如图6(c)、图7(c)、图8(c)、图9(c)所示,为了方便对分块图像融合的结果进行比较,同时也给出了基于小波变换的融合结果,如图6(d)、图7(d)、图8(d)、图9(d)所示。表1给出了相应的融合结果的客观评价,评价结果表明,基于块灰度相似矩阵的自适应分块融合结果优于基于小波变换的融合结果。
从图6(c)和图6(d)可以看出,图6(d)的融合图片有些模糊,而在图6(c)中却很清晰。如图7(c)和图7(d)所示,自适应分块的融合结果就比较清晰,能够将两幅源图像中的清晰部分集成在一幅图像中。而基于小波的融合结果显示,两个部分都出现模糊,效果不怎么理想。如图8(c)所示,本文方法的融合结果能看清蘑菇的纹理,小波融合结果看起来稍微模糊。而在图9中,可以看出两种方法都存在一点小小的模糊。
为了客观的评价本文方法的融合结果,特采用标准差、清晰度、最大偏差和空间频率作为评价指标,其结果示于表示中。标准差反映图像灰度相对于平均值的离散情况,在某种程度上,标准差也可用来评价图像反差的大小,若标准差大,则图像灰度级分布分散,图像的反差大可以看出更多的信息。观察表中标准差的结果可知,该方法得到的融合结果略优于小波融合结果;图像的清晰度是反映图像对微小细节反差的表达能力,用来评价图像的清晰程度,一般采用平均梯度法来衡量,平均梯度越大,则图像的清晰度越高,观察表中清晰度的结果可知,该方法得到的融合结果略优于小波融合结果;最大偏差即灰度相似矩阵的最大偏差,可以反映图像灰度的分散情况,即最大偏差大的图像质量更好,观察表中最大偏差的结果可知,本文方法得到的融合结果优于小波融合结果;空间频率反映了一由图像空间域的总体活跃程度,数值越大,表明图像质量越好,观察表中空间频率结果可知,本文方法得到的融合结果与小波融合结果接近。
4 结论
本文中提出的基于像素块灰度相似矩阵的自适应多聚焦图像融合的方法,利用了多聚焦图像的特殊性质,选取了能反映图像块清晰程度的灰度相似矩阵偏差中值,选择中值大的图像块用来得到融合图像。经观察及客观指标:标准差、清晰度、最大偏差、空间频率的比较,得出结论,说明提出的多聚焦融合图像方法优于常规小波变换的融合方法。
摘要：人类的视觉系统对图像边缘区域非常敏感,属于不同区域的像素在边缘位置处的相似性最低。为了体现多聚焦图像在成像方面的差异,突出不同图像中的聚焦景物,提出一种基于像素块灰度相似矩阵的自适应多聚焦图像融合方法。方法以像素块灰度相似矩阵及其偏差中值作为融合的分块及融合准则,即根据像素块的灰度相似性来对融合源图进行自适应分块并依据偏差中值对分块后的图像进行融合的方法。由实验、主观评价及客观评价(标准差、清晰度、最大偏差、空间频率)结果显示,该方法优于常规小波变换融合方法。
关键词：灰度相似矩阵,偏差中值,自适应分块,多聚焦图像融合
参考文献
[1]孙巍.像素级多聚焦图像融合算法研究.长春:吉林大学博士学位论文,2009
[2]孙韶媛,王利平,张保民,等.基于二维直方图分析的二元子图微光图像增强处理.红外与毫米波学报,2003;22(3):220—224
[3]阳魁,黄新生,徐婉莹.结合灰度共生矩阵的多分辨率图像融合策略.计算机应用研究,2012;29(3):1181—1184
[4]张闯,柏连发,张毅.基于灰度空间相关性的双谱微光图像融合方法.物理学报,2007;56(6):3227—3233
[5]刘维杰,刘斌,彭嘉雄.基于分块的不可分小波多聚焦图像融合.计算机工程,2011;37(2):205—207
[6]狄红卫,韩耀东,陈木生.一种自适应的多聚焦图像融合方法.中国图象图形学报,2006;11(3):353—356
[7]苗启广,王宝树.一种自适应PCNN多聚焦图像融合新方法.电子与信息学报,2006;28(3):466—450
多频段自适应 第6篇
通信抗干扰是保证无线通信有效性和可靠性的重要手段之一，因此抗干扰理论与技术一直是军事无线通信领域研究的热点，并伴随着干扰技术、战术的发展而不断进步[1]。当前，常见的干扰样式有单音干扰、多音干扰、宽带干扰、部分频带干扰、脉冲干扰、扫频干扰[2]。针对不同的干扰样式，传统的抗干扰决策主要根据长期实践经验采取人工调整频率或简单自适应的方法来实现。在复杂电磁环境中，干扰样式多，变化快，依靠人工调整系统参数或简单自适应已无法适应抗干扰的需要。
当前，认知无线电[3]思想得到广泛关注。文献[4]提出应用人工智能技术来研究认知引擎，并构建了基于标准遗传算法(GA)的认知无线电决策引擎，文献[5]讨论了应用遗传算法的认知无线电参数调整功能的实现问题。为此，我们基于认知无线电理论，提出基于干扰认知的多参数联合自适应抗干扰决策引擎，根据干扰环境、使用要求、信道资源等自主地对自身参数进行决策，使系统获得最佳的抗干扰能力，达到可靠、有效传输信息的目的。
2 抗干扰决策引擎模型
不同的使用环境，对通信传输的要求不同，为此我们建立三个通信决策准则即误码率最低准则、信息传输速率最大准则、功率消耗最小准则。抗干扰决策引擎就是在干扰认知的基础上，针对不同的干扰样式和使用准则，自主选择频率、功率、编码方式、调制方式等多个工作参数，得到较优的参数组合，以最小的代价获得较好的抗干扰效能，有效提高通信系统的可靠性和有效性。初步设想的抗干扰决策引擎框图如图1所示。
假设抗干扰决策引擎需要调整的n个参数为X={x1,x2，，xn}，其中n为参数个数，具体参数可以是功率、频率、调制方式、编码方式等，为适应外部条件，抗干扰决策引擎需要对某些目标函数进行优化，以满足战场使用要求。设抗干扰决策引擎需要优化的目标函数为f={f1,f2，，fm}，其中m为目标函数个数。目标函数的选择要求能反映当前链路质量，如误码率、数据数率、发射功率等均可作为目标函数。为使问题求解简单化，可将各目标函数进行归一化处理，其中，最小化误码率、最小化功率消耗、最大化数据传输速率的归一化目标函数可用下式表示。
其中，pbe为比特错误率，P是平均功率，Pmax是最大功率，B是带宽，m是调制进制数，mmax是最大调制进制数，琢、茁是当前环境对功率的影响因子，Cr是编码码率，L是为码字长度。
对BPSK，比特错误率为：
对M-PSK，比特错误率为：
对M-QAM，比特错误率为：
其中m是调制阶数，即每个符号上映射的比特数，为比特信噪比与频率的关系，另外为不同码率下的编码增益。
但是，通信要求的实现不可能同时满足各项目标函数都达到最优，例如实现最小化误码率可能就要以增大发射功率为代价。为此，根据不同的战场环境和使用要求，可将不同目标函数赋予一定权重，假设棕i(1≤i≤m)表示战场需求对目标函数fl的偏好程度，则抗干扰决策引擎就是解决一个有偏好的多目标优化问题，即如何调整系统参数实现有偏好的多目标优化，目标函数如(7)所示。
抗干扰决策引擎就是解决如何选择系统参数取值来实现给定权重下(7)式的最大化。
3 算法实现
抗干扰决策引擎解决的是一个优化问题，现行的优化算法有很多种，例如遗传算法、模拟退火算法、粒子群算法、蚁群算法等。遗传算法是以自然选择和遗传理论为基础，将生物进化过程中适者生存规则与群体内部染色体的随机交换机制相结合的搜索算法，具有在寻优空间进行全局搜索的能力，适合于解决各种优化问题[6]。为此，我们将遗传算法引入抗干扰决策引擎研究。本文初步探讨用遗传算法解决抗干扰决策引擎优化问题。
3.1 遗传算法
标准遗传算法过程包括编码、适应度计算、选择、交叉、变异几个过程。
对参数进行编码是实现遗传算法的首要问题，常用的编码方式有二进制编码、灰色编码、动态参数编码等。本文谈论用二进制编码方式进行编码。将决策引擎需要调整的n个参数进行相应编码然后连接在一起构成一个染色体，如图2所示。其中，每个参数编码的位数根据参数的取值范围和精度而定，取值范围越大、精度越高相应的染色体长度越长。
在遗传算法中，适应度用来区分群体中个体的好坏，以此来选择适应度好的优秀个体遗传到下一代，同时淘汰适应度低的个体。在抗干扰决策引擎中，我们将目标函数设置为适应度衡量机制，通过轮盘赌方式进行选择[7]。
交叉就是生物的交配与繁殖，是指父代间按照某种方式交换部分位基因从而产生两个新的个体，这种新的个体往往具有更高的适应度。交叉方式通常有单点交叉、双点交叉、均匀交叉和算术交叉4种[8]。本文拟采用单点交叉算法，交叉的概率选择决定了交叉操作的频率，频率越高收敛速度越快，但频率太高就会造成算法过早收敛，陷入局部最优解中。
所谓变异，是指将个体编码串种的某些基因值用其他基因值替换来形成新个体，它可以增加个体多样性，从而增强遗传算法全局搜索的能力。常用的变异方法有基本位变异、均匀变异、高斯变异、二元变异[9]。本文拟采用基本位变异方法，变异概率一般不能取过高，否则会造成寻优随机化。
综上所述，应用遗传算法实现抗干扰决策引擎步骤为：
(1)初始化种群随机生成一组染色体;
(2)按照目标函数计算个体适应度值，并通过轮盘赌方式选择进入下一代的个体;
(3)对当前种群按给定的概率进行交叉、变异操作;
(4)验证停机准则，即进化到最大代数或者个体适应值趋于稳定，否则跳转步骤2。
算法流程图如图3所示。
3.2 仿真分析
本文用MATLAB进行仿真验证。假设敌方干扰是低功率宽频带干扰，信干比较优的频点已由干扰认知得到;遗传算法种群规模取20，最大进化代数取50，交叉概率取0.85，变异概率取0.05。设抗干扰决策引擎需要调整的参数为：频率、功率、调制方式、信道编码方式，其取值范围与编码位数如表1所示。
仿真验证中，设定决策引擎要实现的目标函数包括最小化误码率、最小化功率消耗、最大化信息传输速率，同时假定信道类型是加性高斯白噪声信道，并给出各通信频点的信干比。通过遗传算法对单个目标函数进行优化结果如表2所示;对有偏好的多个目标函数优化进行3次实验验证，实验一适用于对误码率要求较高的数据传输，实验二适用于要求功率消耗较低的通信场合，实验三适用于对数据传输速率要求较高的通信场合，目标函数权重如表3所示，优化结果如表4所示。
通过表2可知，遗传算法对单个目标优化的结果与理论最优值结果一致，频率取到了信干比最高的频点，信道编码取到误码最小的方式。由表4知，实验一在频率与功率间进行了折中实现了误码率最小化;实验二的参数调整在保证正常通信质量的情况下实现了功率最小消耗;实验三在兼顾误码率和频带效率的同时实现了数据传输速率的最大化，优化的结果与权重设置对应一致。实验结果表明遗传算法能够按照给定的目标函数权重进行有偏好的多目标优化，得到满足当前战场环境的参数选择，验证了遗传算法在抗干扰扰决策引擎中应用的有效性。
4 结束语
从仿真结果可知，遗传算法能够根据环境条件、用户使用要求等信息对目标函数进行优化，使系统得到最佳参数选择;同时它还能够对给定权重下有偏好的多目标函数进行优化，给出一组最优参数折中值，验证了抗干扰决策引擎功能的有效性。考虑到特定环境下抗干扰决策引擎对参数选择的时效性以及遗传算法本身收敛早熟和爬山能力弱等特点，后续研究可探讨其他优化算法或较复杂的遗传操作，进一步提高抗干扰决策引擎的决策性能。
参考文献
[1]姚富强.通信抗干扰工程与实践.北京:电子工业出版社,2008
[2]Varshey P K,Weiner D D,A Knowledge-Based Integrated Rejection Scheme for Direct-Sequence Spread Spectrum Systems.New York:Syracuse University,1999
[3]Mitola J III.Cognitive radio:An Integrated Agent Architecture for Software Defined radio.Stockholm,Sweden:Royal Institute of Technology,2000
[4]NEEL J,REED J,MACKENZIE A.Congnitive Radio Network Performance Analysis.Congnitive Radio Technology.Scottsdale,AZ:Elsevier,200r.
[5]Timothy R.Newman.Multiple Objective Fitness Functions for Cognitive Radio Adaptation,2008
[6]Miller B L,Goldberg D E.Genetic algorithms,selection schemes,and the varying effects of noise.Evolutionary Computation Journal,1996;4(2):l13～131
[7]周明,孙树栋.遗传算法原理及应用,北京:国防工业出版社,1999
[8]郑立平,郝忠孝.遗传算法理论综述.计算机工程与应用,2003,31:50～53
[9]戴晓晖,李敏强,寇纪松.遗传算法的性能分析研究.软件学报.2001,12(5)742～750
多用户存储中自适应动态预取策略 第7篇
(1)二级Cache结构预取[1]。该策略根据Cache结构设计,通过减小Cache访问的延迟,提高二级Cache命中率[2];适应面广,可以应用在储存优化系统中,但是对于多用户海量随机访问,预取效率很难有所提高。
(2)自适应预取策略[3]。该策略考虑了预取的盲目性问题,通过调整预取长度提高预取效率。但是自适应预取只是在连续数据请求的情况下有效,在用户请求地址完全不连续的情况下,预取数据基本失效。由于自适应预取算法将多用户数据请求当成随机数据请求,基本上不预取数据,因此预取性能受到限制。
通过构建一个智能动态预取策略的优化系统对多用户访问服务系统进行优化。其中预取的数据是优化系统能否发挥作用的一个重要因素。因此选择动态调整Cache大小和调整预取长度相结合的方式。实现了多用户数据存储设备通过网络为所有工作站的共享。
1 相关工作
参考文献[1]通过分析Cache失效行为特性,设计了一种步长自适应的二级Cache预取机制,该预取机制动态调整预测访存模式及预测量。文中所选算法基于自适应算法,该算法仅对用户数据保存在某一磁盘的连续地址有效,对多用户访问的非连续地址访问对象预取失效。虽然多用户的数据请求之间的逻辑存储地址信息是不连续的,但对于每个用户的数据请求的逻辑存储地址的分布是连续的,可以把这种数据请求当作不完全的随机请求,而且是有一定跨度的有规律请求,因此可以通过分解多用户数据来获得若干个顺序数据请求。再利用自适应方式调整Cache,从而产生本文的多用户Cache自适应动态预取算法。
引入Cache结构之后,CPU的访存时间由Cache命中时间、Cache失效率[4]、Cache失效开销这三个因素共同决定,其决定关系如下:
Cache访存时间=Cache命中时间+Cache失效率Cache失效开销
本文的主要设计工作包括:
(1)分析多用户请求信息特性,设计一种识别不同用户数据、调度相应Cache的预取机制。
(2)分析多用户请求的Cache失效开销,调整阈值参数,实时统计命中率。通过分析多用户请求系统Cache开销函数,选择合适的Cache结构参数,最大可能地提高Cache性能[5]。
2 多用户Cache自适应动态预取机制
2.1 识别多用户数据请求
多用户通过网络服务器系统对存放在磁盘阵列中的数据发出请求,此时的数据请求序列特点是有规律的随机数据请求,每个用户的数据请求逻辑存储地址的分布是连续的[3]。针对多用户,引入每个用户的唯一标识ID,由此产生分布式访问各磁盘组的请求序列。磁盘阵列控制器在接收到主机发送过来的、包含逻辑地址数据信息的多个用户读请求命令后,将该命令进行预命令分解,并生成各物理盘的磁盘读请求子命令。子命令信息包括逻辑首地址、数据长度、用户ID号及访问次数。只要将请求的逻辑首地址和数据长度与Cache组中记录的值相比较,就可以快速查找出当前请求的数据是否在Cache组中。多用户访问预取的整个流程如图1所示。
2.2 工作流程
磁盘阵列包括N个磁盘Cache组,每个磁盘Cache组中有M个Cache区。Cache区数目则是根据磁盘阵列接收顺序请求的数目和预取阈值H确定。本算法将每个顺序请求定位调度给Cache组中相应的Cache区间。图2中A、B、C缓存区间分别代表调度给A、B、C三个用户的请求序列的Cache区间,这三个顺序请求序列交错组成一个磁盘组随机请求序列。
在多用户查询Cache组过程中,无论是否命中Cache区间,都要对Cache进行更新。Cache区间的具体更新过程如下:
(1)若命中预取区间,则将命中项计数器Count值加1。然后将新命中数据块放入Cache区地址单元的头部。
(2)若没有命中Cache组中的任何一个有效项,则所有有效项的Count计数值减1,同时在预取Cache组中分配一个新区间,并将该区间的Count值置1。在Cache组内淘汰Count值最小的Cache数据块。
动态Cache预取算法用来以优化自适应算法的另一措施是通过预取命中率实时统计来调整预取长度参数。通过设置一个窗口函数[5],在窗口滑动之前,Cache命中次数为H,统计出滑动到某一位置时Cache命中次数Hs。这样就可以得到Cache命中率p=H/Hs。下面定义命中率的函数f(p)。设当前窗口长度为Dcur,滑动后的长度为Dnext,则Dnext=Dcurf(p);其中f(p)是p的增函数,且当p>0.5时,f(p)>1;当p<0.5时,f(p)<1。这样,当Cache命中率较高时,窗口不断增大,直到达到系统允许的最大值;当Cache命中率较低时,窗口不断减小,直到预取值为0。
2.3 算法分析
多用户系统存在多个用户共享一台服务器的情况。多用户访问采取M/G/1排队模型[6],两个参数为λ1和λ2的poisson流请求同时进入服务器处理系统。用户向共享服务器发出请求命令,服务器空闲时用户能够得到立即服务,否则排队等待。
多用户访问泊松输入如图3所示。服务器处理两种请求:(1)常规请求,不能直接从本地磁盘上的预读Cache中得到用户请求响应;(2)预取请求,可以由Cache直接响应的请求。所有用户发出的服务器请求具有相同的优先级,它们加入同一个队列等待服务。假设用户请求不调用磁盘数据传输时,则消耗的系统资源非常少,因此当用户请求可从缓存Cache中满足时,此次请求将不会产生系统代价。
(1)代价函数C
对于一个给定的系统,用户的数据请求到达率为λ。假设系统中的数据块访问率都为p(p>0或p=0),预取不影响用户的关于访问下一个数据块的可能性p。在数据已经被预取情况下,用户仍然以相同的概率λ发出请求。常规请求到达率和预取请求到达率分别为λ1、λ2。因此,用户能从本地Cache缓存中获得请求响应的概率为λ-λ1,等价于pλ2,因为在缓存Cache中的所有数据块被访问的概率为p。即如式(1),在泊松流请求系统中,x单位时间内响应数据请求的时间t为:
其中,s平均大小的为请求数据块,b为网络带宽[7],与当前的网络负载有关。忽略在本地缓存中获取数据的代价,f为系统的负载。在多用户系统中,一个常规请求的代价是该系统的资源代价和响应延迟代价[7]之和:
其中,aIO为将单位大小的数据从磁盘介质上读到内存中(或将内存中的数据写到磁盘上)的代价因子,它与磁盘的读写速度、系统内存等资源有关;aT为在单位时间内通过网络传输数据所需的代价因子。
多用户的请求到达率为泊松流λ,有Pλ2的概率能从本地Cache缓存中得到响应,有λ1以常规访问送到服务器访问磁盘。因此用户请求得到响应的的平均代价为:
其中,0<λ2<λ/p,0
(2)预取率λ2的最佳值
假设p和λ都已知,希望找到λ2的预取值,从而最大限度地减少每个用户请求的平均代价C。λ2的值一旦被确定,可以通过计算公式λ1=λ-pλ2计算得到。
在p=1,λ2=λ时以及P=0,λ2=0时均可得到最小代价C,此时所有请求数据都可以从Cache缓存中获取。考虑0
在稳定系统中b>(λ+(1-p)λ2)s。当pb>λs时,代价函数C对λ2的2阶导数一直小于0,这表明在d C/dλ2=0处代价函数C取得最大值。求解d C/dλ2=0,得到λ2′为:
代价函数C在λ2′=0处取得最大值,系统代价随着λ2增加而减少。给定λ2、p、(aIO/aT)值,随着λ2在变化范围[0,(λ/p)]内增加,更多的预取数据块被概率p访问到,同时系统代价函数C减小。因此预取所有概率p的数据块将使访问代价函数降低到最小值。pb<λs的情况,对于所有λ2,有d C/dλ2>0,即随λ2的增加代价函数C的值也同步增加,此时数据都不能被预取。
(3)预取阈值
在pb>λs这样的系统中找到一个预取的阈值H,当p>H,λ2′<0时,所有用户请求数据可以通过访问概率p从Cache缓存中得到,将预取阈值设置为H。当且仅当式p>H成立,系统的代价函数C在λ2<0获得最小值,其中f=(λs/b)。
容易证明H>f,如果p>H,则p>f,得到pb>λS,λ2′<0。p取决于负载f、带宽b和固定的aIO/aT。当系统的负载f增加时,预取阈值有增大的倾向,即更少的数据块需要预取。当(aIO/aT)比值很小时,则增加负载不与预取阈值同步增大。此时f负载较低时,预取不能节省大量时间;随着负载的增加,它需要更长的时间来传输文件,预取可以节省更多的时间。因此,可通过减小阈值来增加预取数。可以证明,当且仅当b>(aIO/aT)以及固定的aIO/aT时,减小阈值随负载f从0增加而减小。预取阈值H在负载时取得最小值。
3 测试及分析
本文以视频服务器为例对以上算法进行验证。在视频网络服务器系统中模拟5个用户访问1 000个共享数据,并让用户对服务器进行长时间的访问。记录用户对磁盘阵列中数据不同访问次数下的预取命中率,动态预取算法与自适应[6]预取的命中率对比如图4所示,明显看到动态Cache预取算法具有更好的预取效果。
使用Iometer测试软件模拟在多用户数据请求条件下,分别测试自适应预取策略和动态预取算法性能。将磁盘阵列上的硬盘分为5个分区,模拟5个吧顺序用户请求,两种算法测试性能对比如表1所示。
动态Cache预取算法在达到2个用户数时,体现出更大的优越性,此时常规自适应预取算法的I/O传输率下降了60%,而动态Cache预取算法的I/O传输率没有任何下降。但是Cache组Cache区间的个数与多用户请求序列数必须同比增加,否则算法的性能下降很大。原因是当顺序请求序列数大于磁盘Cache组的Cache区间数时,导致Cache命中率下降。因此通过相应加大磁盘Cache组中Cache区间的数目来实现高效的磁盘预取性能。
在单和多用户系统中,固定式aIO/aT,系统容量越大,预取阈值就越高。然而,仅在多用户系统中的预取阈值受系统负载f的影响。通过分析3个重要函数:代价函数C、预取率λ2的最佳值及预取阈值H,达到动态调整系统缓存负载f来获得最小的预取阈值H,识别并分解多用户个人信息,动态调度Cache区间,减小Cache负载,从而得到最高预取命中率,解决了多用户访问共享服务系统中预取失效率高的问题。
参考文献
[1]靳强,郭阳,鲁建壮.一种步长自适应二级Cache预取机制[J].计算机工程与应用,2011,47(29):56-59.
[2]徐炜遐,李琼,蒋艳凰.一种自适应负载的I/O调度算法[J].计算机工程与科学,2009,31(11):1-29.
[3]张敏.一种基于SAS技术的高性能硬件磁盘阵列的设计与实现[D].江西:南昌大学,2007.
[4]张燕,胡英坚,姜涛.基于排队网络RAID存储系统的性能评价模型[J].长春工业大学报(自然科学版),2010,1(3):471-475.
[5]姜国松,谢长生,丁红,等.RAID控制器中I/O调度算法研究[J].小型微型计算机系统,2008,29(4):773-776.
[6]王培.网格环境下基于滑动窗口的信任模型研究[D].秦皇岛:燕山大学,2010.
多频段自适应 第8篇
传统通信领域教学涉及很多抽象的理论学习,学生理解起来比较困难。针对这一问题,美国国家仪器(NI)公司开发了Lab VIEW图形化软件开发环境[1]和可重配置的射频硬件——通用软件无线电平台[2,3](USRP),避免了采用复杂的可编程门阵列(FPGA)开发技术[4],为通信领域教学、科研和快速开发提供了可扩展的解决方案。
软件无线电的核心是把硬件作为无线通信的基本平台,把尽可能多的通信功能用软件实现。一般来说,软件无线电系统具有较强的灵活性,通过软件的更新、加载可以增加新的功能、适应新的通信模式;同时,采用标准化、模块化软硬件体系结构[5],具有很强的开放性和可扩展性。本文研究了基于软件无线电的模式识别技术,接收机利用先验信息识别信号采用的调制方式和对应的调制参数,并提取发射机发送的数据信息[6,7]。
本文利用通用软件无线电平台(USRP)和Lab VIEW编程环境,搭建了多模式自适应软件无线电实验平台。在描述多模式自适应无线传输原理的基础上,给出了实验平台的实现框图,重点研究了前导序列的设计以及相应的调制识别方法,并给出了详细的实现过程、功能界面和测试结果。本文将抽象的数学理论与实际应用相结合,从而有助于激发学生的学习兴趣,并展开更为深入的无线通信实践,提高学生的创新意识。
1 软件无线电收发信机设计
无线通信链路从信源开始,发送信号通过编码和调制经由发射机发送,通过无线信道传输,由包含所有信号处理功能的接收机接收并还原出发送信息,最后结束于信宿。常见的无线通信链路流程如图1 所示。
本文在上述流程的基础上,设计了数据包结构,通过引入调制方式指示来支持多种不同调制方式的数据发送,并且在接收端通过自适应模式识别提取出调制方式信息,并且进行解调。
1.1 数据包结构设计
数据包结构如图2 所示,其中,保护频带允许Rx,PLL,滤波器等进行初始化,同步序列用于帧和符号的同步,包序号用于接收端对接收包进行重新排序并检测丢失的数据包,调制方式携带调制信息,接收端用来进行调制识别,数据段是长度可变的数据区域,用于在Rx端动态检测长度,填充部分用于滤除边界效应。
实验设计中选用了四种不同的MPSK(多进制数字相位)调制方式,MPSK调制利用具有多个相位的正弦波来表示多组二进制信息码元。并且,本实验将信息以数据包的形式传送,涉及数据包的设计,可供学生们更好地了解数据包结构以及通信过程中数据包的传输原理。
1.2 调制方式识别
调制方式识别是介于信号检测和信号解调之间的步骤,图3 给出了调制识别模块在接收机中的位置示意图。
在本软件无线电实验平台中,接收机通过信号能量检测将数据包切分,利用默认的BPSK解调方式解调出数据包中携带的解调信息,再利用得到的解调信息进行解调,重建数据。
2 基于USRP的多模式无线实验平台实现
2.1 平台组成
基于USRP的软件无线电平台由NI USRP-2920 和运行在计算机上的Lab VIEW编程环境构成,两者通过千兆以太网相连,如图4 所示。在发射端,计算机通过Lab VIEW实现编码、调制等功能,经过USRP-2920,通过天线发射出去。在接收端,天线接收到的信号,经过USRP-2920 传送到计算机,用Lab VIEW实现解码、解调等功能。
2.2 Lab VIEW下的实现流程
对于发射机,首先配置USRP参数并设置调制方式、包结构等的参数。发送启动后,发送端将发送信息按设定的数据包格式分片,并加入保护间隔、同步序列、包序号、调制方式等包头信息,然后各包以I/O数据流的形式通过发送端USRP被循环发送。发射机设计流程如图5 所示。
对于接收机,配置好相应参数,启动接收,接收到调制方式信息包后,调制信息将按预设的BPSK方式将传送信息的调制方式识别出来,之后继续接收信息包,并按识别出的调制方式进行解调,还原出发送信息。接收机设计流程如图6 所示。
2.3 Lab VIEW实现代码
首先发送信息以ASCII码转换成比特流,经过LabVIEW信源编码和信道编码模块,再经MPSK调制模块得到正弦波,该携带发送信息的波经过上变频后被发送端USRP由天线发送出去。信息经过无线信道由接收端USRP接收天线接收之后,波首先通过下变频,后被解调、均衡还原出比特流,最后经解码重建原始信息。
按照收发机设计原理进行Lab VIEW代码的编写,无线通信链路收发机的关键Lab VIEW源程序如图7所示。
发射机采用了生产-消费模式,在对数据进行发送预处理之后,交给USRP进行射频发送,采用该发送模式可以避免数据传输给USRP时,USRP缓冲区发生溢出错误,同时又可以连续发送,保证了发信机的工作效率。
接收机收到USRP上传的采样数据后,首先要从这些数据中获取信号噪声门限,通过该门限便可以实现数据包的正确切分;将采样窗口中的数据进行分包处理后,输出至接收数据重采样与解调模块,该模块主要实现数据降采样,并按照指定模式解调出用户数据;解调出的数据的有效性至此还无法判断,下一个函数模块的主要功能便是用来实现数据正确性的判断,数据正确接收则保留,出错则舍弃;数据包正确接收之后,按照数据包序号将信息重组,完成信息接收工作。
2.4 无线实验平台工作界面
完成收发机软件参数配置以及发送端的发送信息加载,收发机同时运行进行信息的收发,可查看收发过程的信息传送以及星座图显示,从而在真实的信号交互中理解无线通信链路的各个过程。
图8 给出了无线传输实验平台的发射机和接收机的工作界面示例。
图8(a)是发射机的工作界面,通过该界面可以配置采用的调制方式,并利用配置的调制模式传输文本信息;图8(b)是接收机界面,通过自适应模式识别获取所采用的调制方式,并且利用识别出的调制模式进行解调,得到对应的星座图并提取出文本信息。
3 结语
本文利用Lab VIEW软件在USRP-2920 平台上设计并搭建了一个多模式自适应软件无线电实验平台。应用该实验平台,高校学生可方便、简易地调整各项传输参数,开展无线通信课程的实践。该平台可帮助他们将抽象的数学理论同实际应用相结合,在与真实信号的交互中,激发他们的学习热情,帮助他们更好地理解所学理论知识。此外,学生还可以在此平台上展开无线通信的其他实践,提高创新意识。
参考文献
[1]莫金荣,胡圣波.基于USRP/Lab VIEW的DQPSK收发机设计[J].贵州师范大学学报,2014,32(6):96-99.
[2]PENG Senlin,YU Morton.A USRP2 based reconfigurable multi-constellation multi-frequency GNSS software receiver front end[J].GPS Solutions,2013,17(1):89-102.
[3]MITOLA J.Software radios-survey,critical evaluation and future directions[J].IEEE Aerospace and Electronic Systems Magazine,1993,8(4):25-36.
[4]WELCH T B,SHEARMAN S.Teaching software defined radio using the USRP and Lab VIEW[C]//Proceedings of 2012 IEEE International Conference on Acoustics,Speech and Signal Processing.Kyoto:IEEE,2012:2789-2792.
[5]薛铭文.软件无线电技术的调制方式的自动识别[D].哈尔滨:哈尔滨工业大学,2006.
[6]卜婷.基于Lab VIEW的典型通信信号调制、参数识别及模拟实验研究[D].南京:南京理工大学,2012.
