局部自相关范文

局部自相关范文（精选7篇）

局部自相关 第1篇

以往对江苏省产业集群分布的研究多集中在定性描述的基础上, 很少用量化的指标来界定。而这样做往往对产业集群分布界定不够准确, 以致于研究出现误差。本文根据产业集群最本质的内涵出发, 通过产业集群集聚度来识别产业集群的分布, 并且从区域角度出发, 用聚集指数来研究江苏省区域产业集群空间分布的不均匀性和聚集水平。其次就是用空间局部自相关方法来研究江苏省产业集群的发展状况。

本文衡量江苏省总体产业集群的指标是区域聚集指数, 这个公式很好的反映了区域的专业化水平, 它具有下列形式:

式中, Si为区域i的聚集指数, Pi, n为大区域i中的亚区n的工业总产值占大区域i的工业总产值的比重。m为区域内部所有产业。它刻画了区域产业规模和空间分布的不均匀性和聚集水平。

由于江苏省各个地区之间在地域差异条件、资源禀赋、经济社会发展水平等方面存在巨大的地域差异, 但为了把条件相似的地市归类, 以便更加准确的把握这些地区的共同特征, 把江苏省划分为苏南、苏中、苏北三个区域来代表区际的差异, 苏南包括无锡、苏州、常州、南京、镇江五个市, 苏中包括扬州、泰州、南通三个市, 苏北包括徐州、淮安、盐城、连云港、宿迁五个市。

计算得到江苏省总体上的趋势是产业在空间上聚集程度越来越大, 分布越来越不均匀, 而苏中、苏南、苏北三大区域的聚集指数也反映了这点, 而经济发展好的区域苏南聚集的程度更是高于经济相对落后的区域苏北, 但是总体上都在加剧这种产业聚集的趋势。

增长极理论认为, 增长极具有两种效应:一种是极化效应, 一种是扩散效应。从现有格局来看, 江苏省产业集群形成的增长极主要集中在苏南地区, 其极化效应较为突出。而扩散效应则相对滞后, 以电子信息产品的制造为例, 2 0 0 3年苏南五地市工业总产值就占到全省的96.24%而其它8个地市累计起来却连4%都占不到。两极分化的态势非常明显。尤其是苏州所占比重高达6 0.5%。这些增长极与其它地方尤其是苏北地区远远拉开了差距。

我们利用区位商LQ (Location Quotient) 来判别江苏省产业集群存在的可能性。判断出江苏省存在1 2个产业集群, 但是这1 2个产业集群在各地市的发展状况如何, 这是所要研究的主要内容。本文引用了空间统计分析的方法来进行探讨。

二、江苏省产业集群发展分析L I S A

本文之所以采用空间统计分析的方法来对产业集群进行研究, 因为空间自相关可以量测空间事物的分布是否具有自相关性, 高的自相关性代表了空间现象有集聚性的存在。如果度量的空间现象是区域经济, 则空间自相关可以用于集聚经济程度的衡量。事实上, 集聚经济形成的过程就是地域经济活动集中, 以及企业间信息和思想扩散的过程。从这个意义上讲, 空间自相关分析完全可以用于产业集群的研究。

空间统计分析, 其核心就是认识与地理位置相关的数据间的空间依赖、空间关联或空间自相关, 通过空间位置建立数据间的统计关系。空间统计分析的任务, 就是运用有关统计分析方法, 建立空间统计模型, 从凌乱的数据中挖掘空间自相关与空间变异规律。

局部空间自相关可获知集聚经济程度高 (低) 的具体空间分布。而依据Anselin (1995) 提出LISA (Local Indicators of Spatial Association) 方法论说法, 局部型之所以能够推算出聚集地 (spatial hot spot) 的范围, 主要有两种:一是藉由统计显著性检定的方法, 检定聚集空间单元相对于整体研究范围而言, 其空间自相关是否够显著, 若显著性大, 即是该现象空间聚集的地区, 如:Getis和Ord (1992) 发展的Getis统计方法;另外, 则是度量空间单元对整个研究范围空间自相关的影响程度, 影响程度大的往往是区域内的特例 (outliers) , 也就表示这些特例点往往是空间现象的聚集点, 例如:Anselin’s Moran Scatterplot。

虽然空间自相关概念源于时间序列自相关, 但比后者复杂。主要是因为时间是一维函数, 而空间是多维函数。因此, 在度量空间自相关前, 还需要解决地理空间结构的数学表达。在众多的表达式中, 空间二值邻接矩阵Wi j形式简单且应用广泛。它的定义是当2个区域具有非零长度的共同边界时, 矩阵相应位置上的元素为1, 否则该元素 (包括对角线上的元素) 就为O。Wi j为二进制的邻接空间权值矩阵, 表示其中的任一元素, 采用邻接标准或距离标准, 其目的是定义空间对象的相互邻接关系。

简单的二进制邻接矩阵

江苏省的邻接空间权值矩阵为:

空间联系的局部指标 (Local indicators of spatial association, 缩写为LISA) 满足下列两个条件:每个区域单元的LISA, 是描述该区域单元周围显著的相似值区域单元之间空间集聚程度的指标;所有区域单元L I S A的总和与全局的空间联系指标成比例。

局部Moran指数被定义为:

式中:, 其中和是经过标准差标准化的观测值。

正的Ii值表示该区域单元周围相似值 (高值或低值) 的空间集聚, 负的Ii值则表示非相似值的空间集聚。通过局部Moran's I统计量, 可以得到每个县 (市) 与其周边地区产业集聚程度的估计值。局部Moran指数Ii检验的标准化统计量为:。

计算出检验统计量, 可以对有意义的局部空间关联进行显著性检验。根据“条件”随机方法或置换方法, 可以获得Ii的一个伪显著性水平。P值同样为零假设H0检验提供了基础, 即检验所有的属性值在空间上是否随机分布。

当两个区域单元的相邻区域有一些是相同的时候, 局部统计量存在着相关, 这就使得基于正态近似假设上的检验更为复杂, 这实际上属于多重统计比较的问题。这时, Ii的显著性判断可以采用Bonferroni标准, 即当总的显著性水平设定为α, 则每一个区域的显著性应采用α/n来进行判断。但必须注意, 当n相当大时, 采用此标准可能过于保守。在给定显著性水平α时.若Ii显著大于0, 说明区域i与周边地区之间的空间差异显著小;若Ii显著小于0.说明区域i与周边地区之间的空间差异显著大。

数据选取的是2003年13个地市12个产业的产值, 根据式 (2) 计算得到结果, 得出江苏省13个地市12个产业集群的Ii值, 显著性水平α/n=0.000769。

结合区域经济增长极理论以及中心一外围理论, 我们可以据此来分析江苏省各地市产业集群的发展情况。对每种组合作出解释。

1. 可以看到苏州、无锡、常州、南京产业集群发展态势非常好, 极少出现产业集群发展的“低洼地”情况, 尤其是苏州是这些产业发展的“扩散中心”和“极化中心”, 说明苏州近年来集聚进程十分迅速。这种快速集聚使得苏州成为江苏制造业发展的磁场。

2. 镇江、扬州、南通产业集群相对于上述地区发展缓慢, 本身产业集群水平处于刚刚起步, 或者是有一定的集聚水平, 但是对周边的地区相同产业发展还起不到扩散的作用。

3. 徐州、连云港、淮安、宿迁、盐城、泰州产业集群发展在江苏省处于落后地区, 很多产业的发展还处于“低洼地”的状况, 这和当地的经济发展有很大的关系, 这些地区因为经济发展相对落后, 人力、物力从该地区流向周边一些经济相对发达的地区, 因而导致了它自身的产业发展较为缓慢。

非均衡增长理论认为, 在市场力量作用下, 极化效应总是居于主导地位。如果没有周密的经济政策干预, 区域间差异会不断扩大。由于极化效应显著, 扩散效应微弱, 苏南地区的发展水平不断提高。其经济动力和创新成果又不能有效传递至苏北。致使江苏省地区的发展差距越来越大。经济发展已经表现出较强的两极分化趋势。不仅个人收入差异巨大, 区域经济发展的差距亦在不断加大。经济发展的严重失衡会影响经济发展的效率, 也违背实现共同富裕的初衷。因此, 如何强化发达地区对落后地区的传导机制, 充分发挥增长极的扩散效应, 提高落后地区的经济发展水平, 已成为江苏经济发展过程中亟待解决的重要问题。

三、结论

无论是从产业角度还是从区域角度来讲, 江苏省产业集群发展也是极不均衡的, 这种不均衡性也导致了区域经济的不均衡发展, 从区域这个层面来看, 江苏省区域产业规模和空间分布将越来越不均匀, 聚集水平越来越高, 同时体现在次区域层面上, 苏南、苏中、苏北也表现了同样的变化趋势, 而这种集聚水平苏南高于苏中高于苏北, 这和地区经济发展程度是相吻合的。

苏州、无锡、常州、南京产业集群发展态势非常好, 极少出现产业集群发展的“低洼地”情况。镇江、扬州、南通产业集群相对于上述地区发展缓慢, 本身产业集群水平处于刚刚起步。徐州、连云港、淮安、宿迁、盐城、泰州产业集群发展在江苏省处于落后地区, 很多产业的发展还处于“低洼地”的状况, 这和当地的经济发展有很大的关系。

如果想改变这种局面, 单纯依靠市场机制自发调节, 产业集群合理布局恐怕难以实现, 或者结果恰恰相反。缪尔达尔在他的论著《经济理论和不发达地区》里就曾指出:“市场经济力量的正常趋势与其说是缩小区域间差异, 不如说是扩大区域间的差异。”全球经济发展的南北分化已经证明了这一点。江苏的发展现状也的确如此。要想增长极的扩散更有效率, 就必须实施政府干预, 采取一定的产业政策和经济手段对区域经济发展进行引导或调整。

参考文献

[1]周嵬王铮:中国三大区域增长的技术进步方向选择.科研管理, 2003, (11) :132～137

[2]Desmet K., A perfect foresight model of regional development and skill specialization, Regional Sci.&Urban Econ., 2000 (, 30) :221～242

[3]Anselin L, Local indicators of spatial association–lisa, G eographical Analysis, 1995 (, 27)

[4]Getis A, and Ord J, The Analysis of Spatial Association by Use of Distance Statistics, Geographical Analysis, 1992, 24 (3)

[5]葛莹姚士谋蒲英霞贾凌:运用空间自相关分析集聚经济类型的地理格局.人文地理, 2005, (3) :21～25

[6]蒲英霞葛莹马荣华等:基于ESDA的区域经济空间差异分析—以江苏省为例.地理研究, 2005, (11) :965～974

自适应局部线性嵌入算法 第2篇

LLE算法采用局部线性化方法,通过构建局部线性超平面,将高维、非线性数据映射到全局的低维空间中，以保持邻域点集合的结构保证具有平移、旋转不变性。LLE算法把整个数据空间分成n个局部区域，每个区域的数据可以用其邻域线性表示，只有邻域参与重构，便可从邻域几何特征获取整个低维流形。算法主要有3个步骤：

步骤1：对于高维空间中的每个数据点xi(由向量xi构成的数据集记作X,i=1,2,,n)，根据它与其他点的欧氏距离大小，寻找k个邻域数据xij(j=1,2,,k)，记作Ni={N(xi)|xi∈X}。

步骤2：根据最小二乘的原理，计算该数据点与邻域数据之间的权重wij。

步骤3：在根据权重计算低维嵌入空间数据，并尽量保持高维空间中的局部线性结构yi∈Rd(i=1,2,n)，Y={y1,y2,,yn}。

图1(a)为三维Swiss-roll均匀采集500个数据点的结果，图1(c)为非理想随机采样500个数据点结果，图1(b)为理想采样数据下LLE降维结果(k=6)，如果k选取合适，LLE能够保证较高的降维映射的准确率。图1(e)为非理想数据下LLE降维结果。对比可以看出，对同样的采样数量，当采样数据理想时，LLE算法将源数据邻域映射到了目标空间的邻域;当采样数据非理想时，LLE算法降维后的数据点混杂在一起的概率很大。同时，LLE算法对于邻域个数k的选取也至关重要，如果k太小，无法保证邻域之间的整体重叠性，从而很难保证数据的整体几何性质;如果k太大，可能会将流形上相聚较远的点化为邻域，从而使降维结果扭曲图1(d)。为了解决以上问题，提出了自适应邻域优化局部线性嵌入算法(ALLE)。

2 自适应局部线性嵌入（ALLE)

小世界网络是从规则网络向随机网络过渡的中间网络，在社会网络中，如果A与B熟悉，而B又与C熟悉，则很有可能A与C也相互认识。网络具有局部的重叠性，这种特性称之为网络的集群性。现实采样数据同样具有小世界聚类特征。在对近邻数据点进行连接时，那些性质相近的点之间联系紧密，节点的局部聚集系数较高。如果采集到的数据点很规则，对数据点进行邻域选择和连接时，就会形成类似规则拓扑结构。当数据集噪声较大或数据稀疏时，流形上的邻域数据会产生弱关联，近类数据在欧氏空间的分布就会产生不规律的现象。对同类点进行连接时，会产生类似小世界网路结构。根据小世界原理提出了一种能够根据采样数据特点自适应选择优化算法。

初始数据：N个D维实向量xi构成的高维数据集X={xi|xi∈RD},i=1,2,,n。

参数：嵌入空间维数d、初始邻域大小k、最大邻域大小kmax、最小邻域大小kmin、小世界选择概率p。

输出数据：低维嵌入向量yi,yi∈Rd,i=1,2,,n，由n个向量yi构成的数据集记作Y，其中d<

步骤1为每个样本点xi寻找k个最近邻域数据xij(数据集记作Ni,j=1,2,k)和kmax个邻域构成的集合Nmax，其中k

步骤2根据定义2和定义3计算数据点xi的邻域个数ki，并设定kmin

步骤3根据定义1计算kmax个邻域数据的局部集群系数Cij(j=1,2,kmax)。

步骤4当kik时，保留Ni作为邻域数据，并在集合(Nmax-Ni)中选择局部集群系数较大的p(ki-k)个点，按照欧氏距离选择其余(1-p)(k-ki)个距离较小的数据点。优化后的各点的邻域数据集记作No(xi)，i=1,2,,n。

步骤5用每个xi的优化后的邻域数据集No(xi)近似表示xi。通过最小化重构误差ε，得到局部重构权值矩阵Wij(这里的权值矩阵只有在邻域数据点上具有非零权值)。

该矩阵遵循2个约束条件：(1)即;(2)对于非xi邻域的点，Wij=0。

步骤6保持步骤5中的重构系数Wij不变，通过求解稀疏对称矩阵，可最小化代价函数

从而求出低维嵌入向量yi。式(3)遵循2个约束条件：

ALLE算法从路径长度和集群系数优化数据，既考虑了数据之间的欧式距离，又把数据之间的关系纳入评价标准;同时根据高维采样数据的局部数据分布特点，自适应设定邻域大小，可提高对随机采样稀疏数据和含有噪声的非理想高维数据的降维成功率。

3 结果与分析

Swiss-roll数据测试试验：分别用LLE算法和ALLE算法对理想采样3维Swiss-roll数据(采样点数n=500)进行降维，不同初始k值的对比结果如图2所示。

可以看出：当k=7的时候，LLE和ALLE均能够把3维流形数据降到2维，并保持了高维数据的结构关系。当继续增大时，LLE算法将高维数据中较远的数据点错误的映射到低维空间的邻近点，造成结果扭曲，导致了错误的分类关系，而ALLE算法中的初始k值在一定范围内变化时，均能得到正确的降维结果，所以ALLE算法解决了对k值敏感的问题(试验中ALLE参数为：kmax=1.2k,kmin=0.7k,p=0.3)。

试验中分别用LLE算法和ALLE算法对随机采样3维Swiss-roll数据(采样点数n=500)进行降维，部分对比结果如图3所示。对于随机采样数据的多次试验结果表明：当采样的数据稀疏时，流形上的邻域数据会产生弱关联,只采用欧氏距离作为判据，会把相隔较远的点映射到邻近点的位置，结果扭曲了数据的邻域结构。所以LLE的映射错误率较高，而且对于k值的变化比较敏感;而ALLE算法根据小世界原理，自适应优化邻域数据(k=9)的50个数据点的邻域自适应邻域个数，可以大大提高算法稳定性(试验中ALLE参数为：kmax=1.2k,kmin=0.6k,p=0.4)。

4 结语

针对数据维数高、非线性，从高维观测空间很难发现嵌入在数据中蕴含的规律的问题，将局部线性嵌入算法引入数据处理中，针对该算法对于非理想数据稳定性较差的特点，提出了自适应局部线性嵌入算法，能够发现高维数据的内在规律，改善了数据分类识别性能，从而为数据模式识别提供了一种新的途径。

参考文献

[1]张育林,庄健,李小虎.小世界邻域优化的局部线性嵌入算法[J].西安交通大学学报,2008,42(12):1486-1489.

[2]王和勇,郑洁,姚正安.基于聚类和改进距离的LLE方法在数据降维中的应用[J].计算机研究与发展,2006,43(8):1485-1490.

改进自适应加权的局部立体匹配算法 第3篇

关键词：立体匹配,自适应加权法,视差图,高斯分布权值,边缘权值

立体匹配技术实现了从二维图像获取三维深度信息的过程。立体匹配技术的基本原理是从多个视点观察同一物体，以获得不同视角下的图像;通过算法处理计算出相应的视差图从而获得该物体的三维深度信息。近几年来立体匹配技术成为视觉领域的研究重点，在诸如绘制虚拟视点、重构三维图像、虚拟实现方面都有广泛应用。

在诸多的立体匹配方法中，基于区域的立体匹配算法是一种重要的方法，主要以匹配窗口内视差相等为前提条件来计算匹配窗口内左右图像的相似性。但这样存在一个明显的问题，在深度不连续处由于视差跳变边缘处相邻视差明显不同，很容易造成深度不连续处的误匹配即前景膨胀。为满足区域视差相等的条件:文献[1,2,3,4]为图像中的每一点寻找最适宜的匹配窗口，这种自适应窗口方法在的适宜窗口计算上依赖初始视差的精确度，而且需要人为依靠经验估算参数并不能很好地适用于一般图像情况;文献[5,6,7]提出了多重窗的方法来解决深度不连续的问题，但该方法计算复杂度大，效率低下;文献[8,9,10,11]提出了图像分割的方法来确定匹配窗口，从而降低深度不连续处的误匹配率，但是当处理多纹理区域时该方法极为依赖精确的图像分割算法;文献[12]提出的自适应加权立体匹配法是一种经典的局部立体匹配方法。该方法是以匹配像素与待匹配像素的色度空间以及几何空间的邻近性引入权值计算，提高深度不连续区域以及低纹理区域匹配精度，但前景图像的边缘细节并没有很突出，虽然不是很依赖窗口大小，但窗口大小往往凭经验值决定，在效率和通用性方面并没有做得很好。

本文提出一种改进自适应加权的局部立体匹配算法，该算法在自适应加权代价函数的基础上提出:1)用高斯分布权值替换其几何空间表达式来精确确定窗口大小区域;2)增加边缘权值突出图像边缘，减少深度不连续的误匹配率，突出边缘细节。

经过实验验证，该改进算法能够在原有效果上较好地突出边缘细节，得到稠密视差图。

1 Yoon经典自适应加权立体匹配及其问题

1.1 Yoon经典自适应加权法步骤

如图1所示，Yoon经典自适应加权法主要包括自适应加权权值计算、匹配窗口确定、不相似性计算以及视差优选4个步骤。

1)自适应权值计算:自适应权值计算由于需要避免其他深度区域的像素点对匹配窗口权值计算结果带来的干扰，应满足匹配窗口中的匹配像素点与待匹配像素点同处于一个深度条件，其中匹配像素点表示匹配窗口中除待匹配像素外的所有像素点。如图2所示，根据同一深度条件匹配窗口中匹配像素点q和待匹配点p的自适应权值与匹配像素点q和待匹配像素点p处于同一深度的概率成正比。

经典自适应加权法的自适应权值w(p,q)可以表示为

式中:k为常数;Δcpq表示颜色差异;Δgpq表示空间临近性;Δcpq与Δgpq分别为独立的事件，所以式(1)可以表示为

自适应权值以色度空间权值f(Δcpq)和几何空间权值f(Δgpq)来描述同一深度条件，由于没有突出边缘细节的权值，边缘处的像素点由于处于区域临界位置，在几何空间权值f(Δgpq)的作用下造成归属区域不明确的结果，形成边缘毛刺现象，效果图如图3所示。

2)匹配窗口确定:匹配窗口大小是根据设计者对于目标图像大小、图像纹理细节的经验给定的。这样存在一个很大的缺陷:若匹配窗口过小，匹配窗口中的匹配像素信息不足以用于支持待匹配像素;若匹配窗口过大，匹配效率低下，增加了不必要的匹配时间。

式中:Ic表示像素点的色度值;c∈{r,g,b}，表示c属于RGB三基色取值范围内;T表示截断阈值。

式中:Np表示以p点为中心的匹配窗口中的所有像素点;表示以点为中心的匹配窗口中的所有像素点。

4)视差优选:根据WTA原则在最大视差D范围内即D个不相似性矢量值中选择最小值，该不相似矢量最小值所对应的匹配窗口即为待匹配窗口的最相似匹配窗口，取最相似匹配窗口所对应的视差值为待匹配窗口中待匹配点的匹配视差。最后对所有目标视图中所有像素点逐一求取视差，获得视差图。

1.2 Yoon经典自适应加权法存在的问题

Yoon经典自适应加权法目前存在两个明显的问题:1)由于只考虑匹配窗口中的颜色与空间关系，没有考虑前景图像的具体信息(如图像形状、边缘等)，使得深度不连续处误匹配率不够低，边缘细节十分粗糙，存在大量边缘毛刺。2)匹配窗口大小仅凭经验造成窗口过小信息不足或窗口过大匹配时间过长不通用的问题。

2 改进自适应加权立体匹配

2.1 改进自适应加权算法思路

改进自适应加权算法根据Yoon经典自适应加权法的缺陷对自适应权值进行重新考虑。

1)提出用高斯分布权值替换Yoon的几何空间权值，利用高斯分布权值中一定范围外的点对中心点影响忽略不计的特性，确定匹配窗口大小，解决匹配窗口大小仅凭经验造成窗口过小信息不足或窗口过大匹配时间过长不通用的问题。

2)提出增加边缘权值以加强图像边缘像素点的作用，确定像素区域归属，从而消除边缘毛刺，解决图像边缘处于区域临界位置，在几何空间权值的作用下造成归属区域不明确形成边缘毛刺问题。

如图4所示，改进自适应加权法流程图包括:改进自适应加权权值计算、匹配窗口确定、不相似性计算以及视差优选。

2.2 改进自适应加权权值组成

文献[12]中，Yoon提出的自适应加权法是根据格式塔视觉心理学[13]中的规律来获取稠密视差图。格式塔视觉心理学其中主要的两大规律:接近律和相似律。接近律表示人对视觉物体的感知是根据物体各部分的临近程度来判断它们是否能够组成一个整体。相似律表示人对视觉物体的感知倾向于将要素相似的部分结合在一起。色度空间权值、几何空间权值分别是根据格式塔视觉心理学中的相似律、接近律分析得出表示像素不相似性。经典自适应加权法权值w(p,q)是由色度空间权值与几何空间权值组成，权值可以表示为

针对匹配窗口大小仅凭经验造成窗口过小信息不足或窗口过大匹配时间过长不通用的问题，将f(Δgpq)项替换成f(ΔGpq)高斯分布权值，利用高斯分布权值中一定范围外的点对中心点影响忽略不计的特性，确定最适合匹配窗口大小。其中ΔGpq表示高斯分布权值中的空间临近性。

针对图像边缘处于区域临界位置，在几何空间权值的作用下造成归属区域不明确，形成边缘毛刺问题，增加边缘权值f(Δepq)项以加强图像边缘像素点的作用，确定像素区域归属，从而消除边缘毛刺，其中Δepq表示边缘与非边缘差异。

这样改进的自适应加权法权值可以表示为

2.2.1 色度空间权值

根据经典自适应加权法中的格式塔视觉心理学的相似律，两个像素点之间的颜色差异是由CIELab色彩空间[14]来描述的。当两个像素点在CIELab色彩空间中的距离增加时，亮点之间的颜色差异也就相应增加。基于CIELab色彩空间计算方法色度空间权值可以表示为

式中:cp、cq分别表示p、q点的CIELab色彩空间值;Δcpq表示为两个像素点颜色之间的欧氏距离，其中

式中:Lp,ap,bp和Lq,aq,bq分别是像素点p,q在CIELab空间中的L分量、a分量和b分量，γc是一个常数通常取7。

2.2.2 边缘权值

经典自适应加权法获取的稠密视差图虽然在深度不连续处能够得到较为准确的视差图，但边缘毛刺十分严重。造成此结果的主要原因是格式塔原则的接近性并且没有考虑前景图像的具体信息，由于空间临近性的关系导致深度不连续的两相邻像素有了很大的相关性。改进方法对图像进行边缘检测，突出边缘细节。其中边缘权值为改进算法新增权值项。根据上述要求，改进算法采用Canny边缘检测算法[15]先将图像边缘勾勒出来，并对边缘区域赋值概率a，非边缘区域赋值概率1即保持原本图像状态。如图5所示。

则边缘权值可以表示为

2.2.3 高斯分布权值

根据经典自适应加权法中的描述，几何空间权值满足格式塔空间邻近性原则，即两像素点间的距离越大，其几何空间权值越小。高斯分布很显然满足这个原则。高斯分布可以表示为N(μ，σ2)，其中μ是高斯分布随机变量均值，σ是高斯分布随机变量的方差。取值距离μ越近概率越大，反之概率越小;根据算法需要我们将μ值取0，并已匹配窗口中心点p为高斯分布原点。高斯分布权值可以表示为

式中:x表示pq间的水平距离;y表示pq间的垂直距离。

2.3 匹配窗口确定

Yoon的经典自适应加权法，在匹配窗口确定步骤上仅凭图像纹理、大小的经验，若给定匹配窗口过小，造成窗口内信息不足，导致视差图特别深度不连续区域误匹配率高，匹配效果十分粗糙，如图6所示;若给定匹配窗口过大，造成窗口内信息过多，由于信息过多导致程序运行时间加长，匹配效率低下。所以合理的设计匹配窗口大小对于最终得到的结果来说至关重要。本文提出的改进算法根据上文中的高斯分布权值的描述，在计算离散近似值时，3σ范围之内的越接近中心点作用越大，距离3σ以外的像素都可以看作是不起作用的。这样就可以很方便地确定匹配窗口的长宽为6σ+1，最佳窗口处理后的效果图。

2.4 不相似性计算以及视差优选

两幅图像像素间的不相似性取决于两个像素点匹配窗口内的初始匹配代价以及自适应加权权值。两幅图像中p像素点、像素点的不相似性可以表示为

式中:Ic表示像素点的色度值;T表示截断阈值，引入截断阈值是因为图像色度在色度不连续处的变化很大，像素色度不能简单的用色度差异来表示。

根据式(14)在参考图像中以水平方向性原则为准取最大视差范围内的匹配窗口并分别计算其与目标图像中匹配窗口的不相似性，然后采用简单的WTA原则选取最小值，得到单点视差

式中:Sd为最大视差值，这样最大视差范围内的最小值所对应的视差值即为目标图像像素点p点所对应参考图像最相似点之间的横轴差值。

最后重复不相似性计算以及视差优选步骤逐点求取视差值，最终得到视差图。

3 试验结果与分析

为了验证本文算法的有效性，采用美国Middlebury大学数据库(http://vision.middlebury.edu/stereo/)为实验平台，取其中Tsukuba,Venus,Teddy三幅标准图像作为实验图像。实验中窗口的尺寸Wsize大小为37，γc取值7，由于Wsize=6σ+1，所以σ取值6，边缘概率a取值0.5，最大视差范围取值30。表1给出了本文算法与Yoon自适应加权法性能指标进行量化对比的结果。其中3个指标分别为all(非遮挡区域错误匹配百分比)、untex(无纹理区域错误匹配百分比)、disc(视差不连续区域错误匹配百分比)。

本文方法将经典自适应加权法的空间权值替换为高斯分布权值，并增加边缘权值突出边缘细节。实验结果参照对象为真实视差图，以及Yoon的经典自适应加权法得出的3幅图的结论。根据图8以及表1对比结果图明显可得，经过高斯分布权值的处理，实验结果在受匹配窗口直接影响的非遮挡区域错误匹配百分比上比Yoon方法针对Tsukuba,Venus,Teddy三幅标准图分别下降了6.15%,5.61%,5.89%整体约下降6%左右，替换高斯分布权值在图像整体匹配上有明显的改善效果。经过添加边缘权值，实验结果在表示边缘细节的视差不连续区域错误匹配百分比上比Yoon方法分别下降5.11%,4.80%,5.49%整体约下降5%左右。增加边缘权值在突出边缘细节降低深度不连续处误匹配率上有明显的效果。

%

4 结束语

基于非局部均值的自适应采样 第4篇

全局光照模型考虑到环境中所有面和光源相互作用的照射效果,描述光能在环境中的传递,因而在真实感图像绘制领域起着非常重要的作用。光照方程准确定义了全局光照模型,形式上分为直接光照和间接光照部分,在数学上将光照值定义为一系列积分的和。连续积分在实际计算中无法精确计算,而采用一些统计学方法对此进行模拟。

蒙特卡罗方法( Monte Carlo method) ,也称统计模拟方法,是指当所求解问题是某种随机事件出现的概率,或者是某个随机变量的期望值时,通过某种实验的方法,以这种事件出现的频率估计这一随机事件的概率,或者得到这个随机变量的某些数字特征,并将其作为问题的解。

kajiya[1]首次将蒙特卡罗方法应用到全局光照领域,提出以建立从视点到光源的随机游动链为基础的蒙特卡罗光线跟踪算法来逐像素地生成图像。其本质就是通过概率理论,把半球积分方程进行近似简化,使之可以通过少量相对重要的采样来模拟积分。

蒙特卡罗光线跟踪计算简单,具有普适性,引入了更复杂的漫反射模型,适于计算其他确定性数值方法无法计算的复杂场景光照,可以模拟软阴影、洇色和焦散等各种全局光照效果。又通过采样算法减少了需要跟踪的光线。对直接光照部分进行渲染时的开销是巨大的,尤其当场景复杂且光线众多的时候。为了解决这一问题,涌现出了一批采样方法。

Ward[2]将不同光线对每一点的潜在贡献亮度值按照降序排序,直到达到某一可见度阈值。这避免了一些可见性的检验,但是在处理高亮光线以及面光源的时候效果并不理想。Shirley[3]将场景分割成小的单元,根据光线在照明中的重要性进行分类。针对重要程度较高的单元,采样比较密集,而重要程度较低的单元采样则比较稀疏。然而重要程度较低光线的二次采样仍会产生较为严重的噪声。Lee[4]等利用样本像素值的方差来决定采样频率。Kirk[5]等提出所有的自适应采样均为具有统计偏差的算法,通过理论分析说明统计偏差对合成图像的负面影响不大,并提出一种消除统计偏差的策略。Tamstorf[6]等利用色调映射改进了基于置信度的自适应采样,并通过对典型生成图像的实验估算指出,一般而言自适应采样引起的统计偏差是能够忽略的。Rigau[7]等引入香农熵和f散度的概念,并建立像素噪声水平的评测标准来实施自适应采样。刑连萍[8]等人提出了基于信息熵的自适应采样方法,通过分通道的方式进行处理,有效降低了噪声值。徐庆[9]等人提出了基于模糊不确定性的自适应采样方法,以像素样本光照为基本单元建立模糊集合,在模糊集合的基础上进行评价和自适应采样,能有效降低采样次数,提高效率。

自适应采样的效率提升关键在于采样点的选择方法,本文通过非局部均值算法,在去噪的同时并计算错误率的权值地图,根据这一错误率的权值地图,分配新的采样点。从而能更有针对性的进行采样。实验表明本文的方法能有效提高自适应采样的效率,加快直接光照渲染的速度。

1 采样理论

计算场景中某一点x处的直接光照值的具体计算如式( 1) :

其中,是在视点观测到的x处直接光照值。S是光源的集合。用来表示某个点光源y与x的可见性关系。fr表示x处的双向反射分布函数( Bidirectional Reflectance Distribution Function,BRDF) 。Le是y射向x的漫反射。

在简单的场景中,式( 1) 容易求解。但是,随着场景复杂度增加,计算的开销迅速增加,难以计算出一个精确值。普遍的做法是采用蒙特卡洛法计算出一个近似估计值,用这个估计值去替代精确值。即通过N次采样{ y1,y2,…,yN} 来拟合一个概率密度函数( probability density function,PDF)。式( 1) 可变换如下:

在理想状态下,当x与y不可见时式( 2) 值为0,可见时,具体值可用上述公式计算得出。在这种理想状态下,上述求和公式中的每一项,都退化为一个常量,并且当只进行一次采样的时候,估计值也是精确的。然而,计算理想的概率函数这种方法只在最简单的场景中可行。当实际情况与理想情况相差越大,差异和噪声就越大,得到最终的结果的时间也越长。

一种经典的技术是通过估计光源的最大贡献值来进行采样,但这样存在着大量的过采样现象。此外还会导致BRDF计算困难,以及光线分割复杂度提高。因而,本文采用基于非局部均值的方法来进行自适应采样。

2 非局部均值算法

非局部均值算法[10]在对每个像素的加权平滑过程中考虑了局部结构的相似性,因而有很高的去噪效果。其基本思想是: 当前像素值由图像中所有与它结构相似的像素加权平均得到。对于每个像素的权值,采用以它为中心图像子块与以当前像素为中心子块之间的高斯加权欧氏距离来计算,权值设为此距离的负指数函数值。

在合成图像的时候,生成两个采样点相同的缓冲区域A和B。在像素p处去噪时,首先计算在缓冲区A以该点为中心的区域其和相邻q为中心的区域( 区域大小为f ) 之间的加权欧氏距离:

然后求出权值:

用这个权值去处理B缓冲区的图像,可以得到去噪之后的结果为:

同理,使用B缓冲区中得到的权值去处理A缓冲区中的图像,这样可以消除滤波系数和噪声之间的相关性。最后利用两幅图像之间的差值来代表错误率,即用错误率来代表很复杂的区域。计算一个错误率的权值。

其中,N( p,f) 表示这一区域的均值。

根据之前选择的区域大小f ,将图像进行分割。通过上式计算的 Δ( p,f)构建出一个权值地图。然后就可以根据这个权值地图来重新分配采样点。如此反复迭代,完成采样,之后用经典的光线跟踪算法完成直接光照部分的渲染。

3 自适应采样算法

本文以蒙特卡罗光线跟踪为基础,提出了基于NL-means的自适应采样算法。自适应采样的核心思想就是在合成一幅图像的时候,不同区域的像素值的变化不同,细节的丰富程度也不同。对于细节较少的区域,用较少的采样点就可以完全的表示出该区域的特征,因此在细节少的地方就采较少的点就可以了。但是对于细节比较丰富的区域就必须有大量的采样点才能够详细的表述出该区域的细节信息,进而需要大量的采样点。该算法本身是一种采样技术,主要过程如下:

Step1. 在像素区域内随机采样N个点,从视点出发N条射线通过这些点进入场景形成N个样本,计算其光照值。

Step2. 利用NL-means方法对Step1 中得到的光照值进行去噪,求得其错误率的权值地图。

Step3. 根据错误率的权值地图,判断当前图像区域的细节,决定下次迭代采样点的分配。

Step4. 重复以上步骤直至采样点分配完毕。

4 实验结果和分析

本文在基于物理的渲染( Physically based rendering toolkit,PBRT) 系统中进行实验。将此方法与传统的光线跟踪算法,基于香农熵和基于对比度的方法进行了比较,实验平台为CPU为i5 - 4590,主频为3. 3GHz,内存为8G,显卡GTX760、显存为2G。本文比较各种自适应采样算法的方式是利用各种算法在相同像素采样量的前提下生成测试场景的图像,通过比较图像的质量和合成时间。实验表明,本文的方法优于其他方法。

本文采用的场景是经典Cornell Box和Sponza。评价标准是生成图像与参考图像的总误差的均方误差RMS。

其中,n为像素个数,Pk代表生成图像的像素值,代表参考图像的像素值。

不同场景生成的图像如图1 - 2 所示。

图中可以看出本文方法的结果,在面,长方体,以及阴影处的渲染都有很高的质量。

针对三种方法RMS的对比如图3 - 4 所示。其中,图3 是针对Cornell Box场景,各种方法按每个像素采样次数增长的结果。图4 是针对Sponza场景各种方法按每个像素采样次数增长的结果。图3 - 4 表明本文算法生成图像的RMS小于其他方法。

针对两个场景,在每个像素512 次采样的情况下,进行直接光照的绘制,耗费时间如表1 所示,可见三种方法耗时接近,在到达相同RMS要求的情况下,本文方法耗时较少。

5 结束语

本文提出一种基于非局部均值的自适应采样方法,利用错误率形成的权值矩阵作为指导,来进行自适应采样,从而能够提高采样的针对性,提升最终合成图像的效果。实验结果表明,相较于传统方法,本文方法在单个像素相同采样次数的情况下具有较小的RMS,同时在达到相同的渲染效果情况下,本文方法渲染速度更快。

摘要：提出一种基于非局部均值(NL-Means)的自适应采样方法,在使用非局部均值对图像进行去噪时,使用双缓冲区来存储图像,消除滤波系数和噪声之间的相关性。利用两个缓冲区之间的差值构建出一个权值地图,作为自适应采样的依据,从而使得合成图像时能够有针对性的进行采样,最终优化直接光照的绘制效果,提高其绘制效率。实验结果表明,该方法优于香农熵等经典方法。

关键词：自适应采样,非局部均值,直接光照

参考文献

[1]Kajiya J T.The rendering equation[C]∥ACM Siggraph Computer Graphics.ACM,1986,20(4):143-150.

[2]Ward G J.Adaptive shadow testing for ray tracing[M]∥Photorealistic Rendering in Computer Graphics.Springer Berlin Heidelberg,1994:11-20.

[3]Shirley P,Wang C,Zimmerman K.Monte Carlo techniques for direct lighting calculations[J].ACM Transactions on Graphics(TOG),1996,15(1):1-36.

[4]Lee M E,Redner R A,Uselton S P.Statistically optimized sampling for distributed ray tracing[C]∥ACM SIGGRAPH Computer Graphics.ACM,1985,19(3):61-68.

[5]Kirk D,Arvo J.Unbiased sampling techniques for image synthesis[J].ACM SIGGRAPH Computer Graphics,1991,25(4):153-156.

[6]Tamstorf R,Jensen H W.Adaptive sampling and bias estimation in path tracing[M]∥Rendering Techniques’97.Springer Vienna,1997:285-295.

[7]Rigau Vilalta J,Sbert Casasayas M,Feixas Feixas M.Information theoretic refinement criteria for image synthesis[M].VDM Verlag Dr.Muller Aktiengesellschaft&amp,2008.

[8]邢连萍,徐庆.基于信息熵的蒙特卡罗全局光照的自适应抽样[J].计算机工程,2007,33(21):219-221.

[9]徐庆,陈东,陈华平,等.基于模糊不确定性的自适应采样[J].计算机辅助设计与图形学学报,2008,20(6):689-699.

基于自适应局部CV模型的图像分割 第5篇

关键词：CV模型,方差,分割,邻域信息

0 引言

图像分割的本质是按照一定的准则,将图像从医学图像中提取特殊组织信息的一个必不可少的步骤。近年来,分割方法层出不穷,常见的有:区域生长法[1],模糊聚类[2],EM算法[3]等,活动轮廓模型[4,5,6,7]。活动轮廓模型因其结果是一条清晰、完整的目标轮廓线而倍受人们关注。

活动轮廓模型主要分为两类:参数活动轮廓模型和几何活动轮廓模型[8]。参数活动轮廓模型将曲线以参数的形式表示,这是一种显式的表示方法,其好处是可以直接设计模型的外力,但参数活动轮廓模型对初始轮廓比较敏感,不能处理拓扑变化。而在几何的活动轮廓模型中,将曲线以高一维的水平集函数的某水平集(即等高线)来表示,这是一种隐式的表示方式,该类模型对初始轮廓的选择无特殊要求,可以很好地处理拓扑结构改变。

Mumford-Shah[9]模型是近年来提出的一种优秀的几何活动轮廓模型,模型的能量函数包含了对图像的区域、边界的描述,获得了同质区域全局分割效果。Chan和Vese[10]提出了一种简化Mumford-Shah区域最优划分的图像分割模型(简称C-V模型),结合了理论成熟的水平集方法处理轮廓的曲线演化,保持了水平集方法自适应处理拓扑结构变化等优点,同时适用于有梯度和没有梯度的轮廓检测,克服了弱边缘,数值计算稳定,算法实现简单并且收敛较快。但由于医学图像广泛存在不均匀性,因此传统的CV模型不能准确处理,而且曲线演化过程中,需要反复计算整幅图像的数据,计算量大,曲线演化缓慢,针对以上缺点,本文引入局部邻域信息,准确控制演化曲线,同时利用局部方差自适应调节窗口大小,克服分割结果对邻域大小的敏感性,提高分割的准确性。

1 自适应的局部CV模型

1.1 CV模型

设定义域为Ω的图像I(x,y)被演化曲线C划分为目标Ωi和背景Ωo两个同质区域,分别代表曲线C的内部和外部,各个区域的平均灰度均值为ci和co。CV模型的能量函数为:

其中,L(C)为演化曲线C的长度,Si(C)为演化曲线C的内部区域面积,μ,v≥0,λa,λb>0是各项能量的权值系数。当演化曲线C没有位于两个同质区域的边界时,能量F(C)不能达到最小值;只有演化曲线位于两个同质区域的边界时,能量F(C)才能达到最小值。能量函数的最小化可以通过水平集来实现。

设闭合曲线C是符号距离函数φ的零水平集,即C={x|φ(x)=0},并设φ为内正外负的符号距离函数,即φ(Ωi)>0,φ(Ωo)<0。Chan和Vese以欧拉拉格朗日方法推导出了满足式(1)并以水平集函数表达的能量函数和曲线进化方程为:

其中,为进化曲线的曲率,δ(φ),H(φ)分别是Dirac函数和Heaviside函数:

变量ci和co表达式如下:

1.2 自适应的局部CV模型

传统的CV模型以背景和目标灰度同质为分割结果,迭代过程中需要反复计算整幅图像的统计特征,计算量大。由于成像方式,医学图像常常具有非均匀性,所以传统的CV模型不能准确分割非均匀图像。自适应的局部CV模型不考虑远离演化曲线的区域信息,仅仅计算曲线附近的邻域信息,同时用局部方差判定邻域窗口的大小。如图1所示,(a)为待分割图像,黑色圆圈为目标;(b)中红色曲线为演化曲线C,白色圆圈为曲线附近的点,蓝色方框为邻域信息,被演化曲线划分为内部和外部两个区域;(c)为自适应确定的邻域窗口大小,最大的蓝色方框为最终的邻域窗口大小。如果一个区域为同质区域,则方差为0,需要增大窗口大小,直到邻域内方差大于零,停止。局部方差定义如图1所示。

2 实验结果及讨论

图2是模拟的正常人脑的MR图像,胼胝体为细长结果,与周围组织灰度相近,增加了分割难度,传统的CV模型不能将其从脑部图像中准确分割出来,如图2(b)所示,CV模型误将与胼胝体灰度相近的组织划分为目标区域,本文方法准确地将胼胝体从人脑图像中分割出来,如图2(c)所示。

图3为真实的脑部MR图像,脑膜瘤与硬膜、脑壳及颈部一些软组织灰度相近,CV模型不能准确分割脑膜瘤,演化曲线受远离曲线的灰度不均匀性影响较大,本文方法能准确分割出脑膜瘤,CV模型演化300次,本文方法演化100次,算法收敛速度快。

图4为腹部CT图像,由于肾脏与毗邻组织,如肝部灰度相近,所以CV模型误将其分割为目标,本文的方法可以准确分割两个目标,不仅演化曲线不受周围组织的影响,同时不受肾脏内部区域不匀质的影响,分割结果准确,CV模型迭代500次,本文方法迭代200次,算法收敛速度快。

(a)初始轮廓位置和原图像;

(b)CV模型分割结果;

(c)本文方法分割结果

图4 CV模型和本文方法对比(参见下页)

3 结论

本文提出了一种自适应的局部CV模型,利用局部方差判定领域窗口的大小,为曲线附近的每一点自适应地选择一个合适的窗口,克服了传统CV模型计算量大,对于具有强度不均匀性或复杂结构的医学图像不能准确分割的缺点。分割合成和真实的医学图像实验结果表明,本文算法中的演化曲线不再受区域内外非匀质的影响,算法收敛速度快,分割结果准确。

参考文献

[1]QinAK,ClausiDA.Multivariateimagesegmentationusing semantic region growing with adaptive edgepenalty[J].IEEE Transactions on Image Processing,2010,19(8):2157-2170.

[2]依玉峰,高立群,郭丽.基于全局空间相似性的模糊聚类算法[J].东北大学学报(自然科学版),2012,33(2):178-181

[3]李鹏飞,龙观水,景军锋.EM算法在纹理织物图像分割中的应用[J].西安工程大学学报,2012,26(2):195-199.

[4]高燕,刘永俊,陈才扣.基于局部区域力的活动轮廓模型图像分割研究[J].计算机仿真,2011,28(11):258-261.

[5]Chen MeiMei,Guo ShuXu,Qian XiaoHua.Fingervein image segmentation based on an improvedLBF active contour model[J].Journal of JinlinUniversity(Engineering and Technology Edition),2011,41(4):1171-1176.

[6]Li Wang,Chunming Li,Quansen Sun,et al.Activecontours driven by local and global intensity fittingenergy with application to brain MR imagesegmentation[J].Computerized medical imagingand graphics,2009,33(7):520-531.

[7]Fu Rong,Ran Yangjiu,Sun Xiaoguang,et al.Improved active contour model and visual attentionbased image segmentation method[J].ComputerApplications and Software,2011,28(9):5-8.

[8]赵骥,邵富群,张学东.基于改进的变分GAC模型矢量图像分割[J].控制与决策,2011,26(6):907-910.

[9]Yan Nei Law,Hwee Kuan Lee,Andy M.Yip.Semi-supervised subspace learning for Mumford-Shahmodel based texture segmentation[J].Optics Express,2010,18(5):4434-4448.

局部自相关 第6篇

针对遗传算法局部搜索能力差的缺陷, 一些学者提出了将遗传算法与局部搜索算法相结合的方法用于解决函数优化[1,2]和多段供应链[3]等优化问题。本文也提出了一种遗传算法与局部搜索算法相结合的方法, 这种方法与上述方法最大的区别在于局部搜索过程中引入了混沌, 同时, 混沌局部搜索是否进行受自适应策略控制, 这种方法以下简称为ACLSGA。

2 自适应混沌局部搜索策略的遗传算法 (ACLSGA)

2.1 混沌局部搜索

混沌是自然界广泛存在的一种非线性现象, 具有随机性、遍历性和对初始条件的极度敏感性等特点, 在一定范围内能够按其自身的规律不重复地遍历所有状态。本文采用的混沌系统为[4]:

式中, k为迭代次数, k=1, …, K, K为最大的迭代次数。α、β为控制参数, α∈ (0, 1) , 当β>=2时, 方程式 (1) 是一个混沌系统。

混沌局部搜索描述为:

begin

设置混沌系统参数和混沌搜索次数M;

根据混沌系统得到一个长度为M的混沌序列;

选择当前种群中的最佳个体vc;

混沌搜索初始计数器t=0;

while (t<M)

叠加混沌序列中某一项到vc中任一维上形成新个体vn;

计算新个的适应度值;

2.2 自适应策略

遗传算法在初始进化阶段具有较好的多样性, 而到了后期个体之间的多样性不断减少, 进化过程缓慢或停滞。为了充分发挥遗传算法自身的特点, 混沌局部搜索并不是在一开始就执行, 而要等到遗传算法进化到一定的程度才执行。进化程度的度量标准引入文献[1]中的一种自适应策略, 这种自适应策略定义为:

如果FVR (t) >1, 则执行混沌局部搜索, 否则不执行混沌局部搜索。

2.3 自适应混沌局部搜索策略的遗传算法的描述

本文研究的问题为连续变量的全局最小最优问题, 这类问题可以描述为:f:S→R为n维实值函数。函数f在S域上全局最小化就是寻求点Xmin∈S, 使得f (Xmin) 在S域上全局最小, 即坌X∈S:f (Xmin) <f (X) 。

用遗传算法解决上述问题通常采用实数编码的具有精英保留选择机制的遗传算法[5]。本文遗传算法的交叉方式、选择方式和变异方式分别采用均匀算术交叉、锦标赛选择和高斯变异, 这种遗传算法以下简称为RGA。根据上面的情况, ACLSGA的步骤为:

步骤1:初始化参数:种群规模NP, 种群最大进化代数Gmax, 问题的维数D, 输入变量的上界H和下界L。

步骤2:初始化种群:

其中, rand为 (0, 1) 的均匀分布的一个随机数。

步骤3:置进化代数G=1。

步骤4:执行一次RGA, 找出适应度值最佳的个体Xbest, 记Xbest的适应度值为Fbest。

步骤5:计算连续两代平均的适应度比值, 若, 则转步骤7, 否则继续。

步骤6:执行2.1中的混沌局部搜索。

步骤7:, 如果G<Gmax, 转步骤4;否则继续。

步骤8:输出Xbest和Fbest。

3 仿真实验

为检验ACLSGA的有效性, 从文献[6]中选择2个基准的全局最小化函数来进行评价, 两个测试函数如下:

3.1 Sphere函数

3.2 Griewank函数

上述函数中, f1为单峰独立函数, f2为多峰独立函数, 2个函数的全局最小值都为0。

下面, 对ACLSGA和RGA进行比较。实验环境为Matlab中, 种群规模NP=50, 种群最大进化代数Gmax=1500, 混沌控制参数α=0.9、β=2.0, 混沌搜索次数M=25。以20次实验的最大最优值、最小最优值、平均值、标准差作为比较的评价标准, 得到的寻优结果如表1所示。

从表2中可以看出, 2个函数对应性能指标ACLSGA都比RGA要好。

为了更好地比较两种算法总的寻优结果, 20次实验每代平均的收敛结果如图1和图2所示。图中, 纵坐标为误差函数|f (x) -f (x) |的对数值 (误差函数中, f (x) 为全局最优值, f (x) 为算法找到的最优值) , 横坐标为进化代数, 蓝色实线、红色实线分别表示RGA、ACLSGA的收敛曲线。从收敛曲线图上可以看出, ACLSGA的收敛速度比RGA都要快。

4 结束语

本文提出了一种自适应混沌局部搜索策略的遗传算法 (ACLSGA) , 通过2个测试函数优化结果比较证明:ACLSGA比RGA的寻优效果好, 收敛速度快。

参考文献

[1]Yun, YS.Hybrid genetic algorithm with adaptive local search scheme[J].Computers&Industrial Engineering, 2006, 51 (1) :128-141.

[2]Yun, YSu, Moon C, Kim D.Hybrid genetic algorithm with adaptive local search scheme for solving multistage-based supply chain problems[J].Computers&Industrial Engineering, 2009, 56 (3) :821-838.

[3]Coskun Hamzacebi.Improving genetic algo-rithms'performance by local search[J].Applied Mathematics and Computation, 2008, 196 (1) :309-317.

[4]YANG LI-JIANG, CHEN TIAN-LUN.Appli-cation of Chaos in Genetic Algorithms[J].理论物理通讯 (英文版) , 2002, 38 (2) :168-172.

[5]田小梅, 龚静.实数编码遗传算法的评述[J].湖南环境生物职业技术学院学报, 2005, 11 (1) :25-31.

高峰公司井下局部通风的相关改进 第7篇

关键词：金属矿山,深部开拓,独头巷,通风

1 矿区概况

大厂矿田是罕见的锡石硫化物多金属特富矿体, 开发利用价值极高。目前已探明的矿石综合品味达到20%以上, 其中主要有价金属为:Sn、Zn、Pb、Sb、Ag, 另外还含有硫等严肃和稀有贵金属元素, 如铟等, 可综合回收利用。

由于民采的滥采乱挖, 高峰公司100号矿体的可利用资源已日益减少。因此, 生产线日益向深部延伸, 为了满足矿井的生产和安全的需要, 需要开掘大量的井巷工程。为开掘井巷而进行的通风称为掘进通风, 也称为局部通风。掘进通风的目的就是稀释并排除井巷掘进施工过程中产生的有毒有害气体与矿尘, 并提供良好的气候条件。随着探矿、开拓的深度增加, 矿体现有的通风系统需要改善, 来调节井下深部作业的气候条件, 而深部独头巷作业面的通风条件则成为影响正常生产的主要原因, 合理的布置局扇通风系统是解决这一问题的有效途径。因此, 应该把握局部通风的方法, 机械设备的使用和质量要求及安全措施等。

2 局部通风存在的问题

(1) 掘进工作面风量不足, 不能满足生产要求。主要原因:一是局部通风机选型不合理, 风压、风量不能满足要求;二是风筒直径小, 或风筒悬挂质量差, 造成通风阻力大;三是风筒破洞多, 接口不严或接口断开, 有的甚至用尼龙编织袋代替风筒, 工作面有效风量小, 有效风量率低。

(2) 局部通风机产生循环风。原因: (1) 供给局部通风机的风量不能满足局部通风机的吸风量; (2) 局部通风机安装位置不当, 有的甚至把局部通风机安装到了掘金的独头巷内; (3) 有的矿井在主要通风机停运的状况下, 井下照常运转局部通风机而产生循环风。

(3) 局部通风机无计划听风。局部通风机时开时停, 有的人来通风, 人走风停, 有的工作面放炮后才通风排烟, 甚至有的一台风机多面供风, 或长时间停运, 掘进头无风作业。主要原因:一是员工没有充分认识掘金通风的重要性, 局部通风意识差;而是局部通风机无专人管理, 员工随意开停;三是一些矿井不投入, 舍不得花钱上装备, 没有制约手段, 有的为了省点儿停运。

(4) 临时停电停风后在恢复作业前, 掘金巷道不按规定启动局部通风机进行通风, 原因主要是没相关的安全措施和制度, 有制度却违章作业, 不严格执行规章制度。

3 解决方法和改进措施

(1) 掘金工作面风量

矿井总体设计对掘进巩固中欧面的数量和缝补, 一般根据采掘比大致确定, 掘进工作面风量可按表1.1选取, 该表已考虑了巷道断面大使用设备多等因素和局部通风的必备风量。

(2) 局扇位置的选择

独头巷道掘进爆破后, 容易发生炮烟熏人中毒窒息事故, 客观原因是通风难度大, 通风管理原因是局扇、风筒布置不规范, 风筒未能随井巷及时跟进, 工作面通风不力等。独头巷道通风时间的长短、通风质量的好坏, 在风机功率保证的前提下, 主要取决于风筒口到工作面的距离。

建立有效地局扇通风系统

合理布置局扇通风系统 (压入式通风;抽出式通风;混合式通风3种方式)

管好风筒, 足够的通风时间, 掘金工作面和通风不良的采场, 应安装局部通风设备。局扇应有完善的保护装置。

局部通风的风筒口与工作面的距离:压入是通风应不超过10米;抽出式通风应不超过5米;混合式通风, 压入风筒的出口应不超过10米, 抽出风筒的入风口应滞后压入风筒的出口5米以上。

人员进入独头工作面之前, 应开动局部通风设备通风, 确保空气质量满足作业要求。独头工作面有人作业时, 局扇应连续运转。

(1) 压入式局部通风

风筒口与工作面的距离应<10米;局扇吸入口在贯穿想到上风侧, 且距独头巷道口应>10米;局扇从贯穿风流巷道中吸取的风流不得超过该巷道风量的70%。

(2) 抽出式局部通风

风筒口与工作面的距离应<5米;局扇吸入口在贯穿风巷道下风侧, 且距独头巷道口应>10米;局扇从贯穿风流巷道吸取的风流不得超过该巷道风量的70%。

(3) 混合式局部通风

压入风筒口与工作面的距离应<10米;抽出式局扇出风口在贯穿风巷道下风侧, 且距独头巷道口>10米;抽出风筒入风口与压入进风口距离应>10米, 且与压入风筒出风口距离应>5米;局扇从贯穿风流巷道中吸取的风流不得超过该巷道风量的70%。

(3) 风筒的改进

独头巷掘金巷道的通风问题长期的不到解决, 风筒的通风效果不好也是主要原因之一。具体有以下几点。

1) 通风阻力大。独头掘金通风中大多配以小直径风筒, 使之选用的风筒与局扇不匹配, 因此在局扇风压不够的时候随意串联风机, 这样虽然由于风筒直径小而节省了风筒的购置费用, 但实际上增加了局扇的购置费用, 且通风阻力有所增大, 因而增加了通风费用。

2) 漏风量大。在使用缝纫加工的胶质布或塑布软风筒时, 一方面由于不了的选材不当造成风筒本身透气性大, 另一方面由于针眼多, 针眼处漏风量也大;而软风筒在接头处的连接不当, 也是造成软风筒漏风量大的一个主要原因。一般认为, 使用硬质风筒通风比软风筒通风可靠, 但由于硬质风筒管节短, 接头多, 接头处漏风量大, 通风效果也没有明显好转。

3) 管理混乱。在风筒的安装中没有严格遵循平、直、顺的原则, 增加了风筒的通风阻力和风筒的破损。

(4) 对风筒的要求

风筒应吊挂平直、牢固, 接头严密, 避免车碰和炮崩, 并应经常维护, 以减少漏风, 拐弯应平缓, 拐急弯使用弯头, 降低阻力。同一掘进工作应使用同一规格的风筒。风筒实行编号管理。严禁使用非阻燃材料的风筒。

风筒吊环不得直接挂在顶、帮上, 要求沿掘进方向拉一根8#铁丝, 将风筒挂在8#铁丝上, 8#铁丝必须伸展拉紧成一条直线, 风筒吊挂做到逢环必挂。

风筒连接要求正向联接, 双反压边, 两道套接的铁环间距不得超过5㎝, 确保连接牢固, 不漏风。

风筒通过通风设施需穿墙时, 必须使用硬质风筒。

风筒与顶、帮锚杆、锚索、金属网接触部分, 必须加强保护, 防止扎破漏风;风筒跨皮带机头或距离皮带高度小于50㎝时, 必须用胶皮保护风筒 (避免大块矸石划破风筒) ;在巷道里架棚、推车、搬运材料设备不能刮坏风筒, 有可能对风筒造成损坏的, 必须提前采取有效的保护措施后再施工。

风筒出现断开、产生破口及发生大面积撕裂等造成工作面风筒出口风量减小时, 掘进队必须立即停止生产作业, 汇报调度室, 组织人员抢修, 保证掘进工作面正常供风。

(5) 减小风阻的措施方法

降低局部阻力的方法:1) 大小断面的连接处要有过渡。2) 避免将大、小断面不同的井巷直接相连, 连接时应将连接处建成逐渐矿大或减小的形状。3) 避免井巷拐陡弯, 拐弯处应建成斜面或圆弧形状, 并在允许的条件下增加拐弯处的曲率半径。4) 在风流发生剧烈冲击处设置导风板, 在扇风机风硐的直角拐弯处设置导风板, 安设这样的导风板后, 可是原来的局部阻力系数降低60%。

降低正面阻力的方法:1) 避免在通风景象中对方杂物或停放矿车, 尤其在风速较大处不应设置正面阻力物。2) 可将永久性的正面阻力物制成流线型。3) 井巷中间有立柱 (顶子) 时, 应将其排列整齐, 最好是将其顺风流排成一列, 生产管理中应注意经常清除井巷内的堆积物。

4 结束语

随着我国矿山强化开采技术和集约化生产的发展, 独头巷道的掘金长度也越来越长, 因此独头巷掘金工作面的通风难题在国内各个矿山均有存在。高峰公司在实施以上措施方法后, 深部开拓作业面的作业环境获得有效地提高和完善, 日常的生产能力和掘金速度也有了大幅提高。因此, 只有从根本上完善井下局部通风, 从而进一步保证生产工人的身体健康和机械设备的有效运行, 才能让企业实现“以人为本”的安全生产原则, 才能使企业的经济效益进一步提高, 才可以使企业实现真正意义上的持续发展。

参考文献

[1]陈永在.深不中断局部通风问题的研究[J].金属矿山, 2009 (S1) .

[2]徐殿森.关于局部通风的几个问题[J].煤炭技术, 2008, 27 (5) .

[3]张荣财.降低矿井井巷通风阻力的方法[J].煤炭技术, 2009, 28 (9) .

[4]采矿设计手册编委会.采矿设计手册 (上册) [M].北京:中国建筑工业出版社, 1986.

[5]采矿设计手册编委会.采矿设计手册 (下册) [M].北京:中国建筑工业出版社, 1986.