分布式信息融合论文-盘古文库

分布式信息融合论文（精选8篇）

分布式信息融合论文第1篇

随机奇异系统广泛地出现在社会生产的各个领域中[1],随机奇异系统状态估计问题的常用处理手段可分为降阶方法[2,3]和满阶方法[4,5]。降阶方法是通过降阶预处理和在线非奇异变换将原始奇异系统转化为两个阶次较低的快子系统和慢子系统。应用Kalman滤波理论可获得两个降阶子系统的状态估计值,从而获得原系统的状态估计值。满阶方法避免了在线非奇异变换,直接将原始系统转化为相同阶次的正常系统。但现有文献主要针对系统状态和观测都不带有滞后的随机奇异系统设计的滤波器。而时滞系统广泛出现在化学、生物和传感器网络中[6,7],因此研究带有状态或观测滞后的奇异系统的状态估计问题具有重要的理论意义和实际应用价值。

现对带有多步状态滞后的多传感器随机奇异系统进行研究,提出了线性最小方差意义下的分布式融合滤波器。首先采用满阶变换,将原始奇异系统转化为带有状态滞后的正常系统。其中局部滤波器可由现有的结果直接获得[8],为了获得分布式加权融合滤波器,还需要推导任两个传感器子系统之间的估计误差互协方差矩阵的计算公式。但所获得的正常系统的噪声不仅是同时刻相关,而且相邻时刻也相关的有色噪声,而现有文献处理的是噪声为仅相同时刻相关的白噪声的信息融合滤波问题[9,10,11]。因此,需要重新推导带有有色噪声的状态时滞系统的任两个传感器子系统之间的估计误差互协方差矩阵的计算公式。从而获得融合权重。最后,基于线性最小方差意义下的最优加权融合算法[12]获得原始奇异系统的分布式加权融合滤波器。

1问题描述

考虑带多个传感器的广义离散状态时滞随机系统

$Μ ξ (t + 1) = \sum_{k = 0}^{d} Φ_{k} ξ (t - k) + Γ w (t) (1)$

y(i)(t)=H(i)ξ(t)+v(i)(t);i=1,2,,L (2)

式中ξ(t)∈Rn为系统的状态,y(i)(t)∈Rm(i),i=1,2,,L,为第i个传感器的观测,白噪声w(t)∈Rr和v(i)(t)∈Rm(i);i=1,2,,L,分别为系统噪声和第i个传感器的观测噪声,Φk,k=1,2,,d,Γ和H(i);i=1,2,,L,为适当维数的常值矩阵。上标(i)表示第i个传感器,L表示传感器的个数。

假设1M是奇异方阵,rankM=n1<n。

假设2w(t)∈Rr,v(i)(t)∈Rm(i),i=1,2,,L是零均值的相关白噪声,且

$E {[\begin{matrix} w (t) \\ v^{(i)} (t) \end{matrix}] [w^{Τ} (k), v^{(j)}^{Τ} (k)]} = [\begin{matrix} Q_{w} & S^{(j)} \\ S^{(i)}^{Τ} & Q_{v^{(i j)}} \end{matrix}] δ_{t k} (3)$

式(3)中Qv(ii)=Qv(i),E为均值号,T为转置号,δtk是Kronecker delta函数。

假设3 对于每个子系统i有

$r a n k [\begin{matrix} Μ \\ Η^{(i)} \end{matrix}] = n (4)$

假设4 初始状态ξ(-k),k=0,1,,d与白噪声w(t)和v(i)(t),i=1,2,,L相互独立,且

Ε[ξ(-k)]=μk,Ε{[ξ(-k)-μk)

(ξ(-l)-μl]T}=P0(k,l);

k,l=0,1,,d (5)

观测[y(i)(0),,y(i)(t)];i=1,2,,L,求状态ξ(t)的分布式线性最小方差加权融合最优滤波器 $\hat{ξ}^{(o)} (t | t)$ 。

下面,将基于满阶变换,进行系统转化。

由rank[MTH(i)T]T=n,则存在nm(i)矩阵T(i),使(M+T(i)H(i))非奇异[4]。将T(i)左乘式(2)与式(1)相加可得

$\begin{array}{l} ξ (t + 1) = \sum_{k = 0}^{d} Ω_{k}^{(i)} ξ (t - k) + Ψ_{1}^{(i)} y^{(i)} (t + 1) - \\ Ψ_{1}^{(i)} v^{(i)} (t + 1) + Ψ_{2}^{(i)} w (t) (6) \end{array}$

式(6)中定义Ω $_{k}^{(i)}$ =(M+T(i)H(i))-1Φk,Ψ $_{1}^{(i)}$ =

(M+T(i)H(i))-1T(i),Ψ $_{2}^{(i)}$ =

(M+T(i)H(i))-1Γ。

令

x(i)(t)=ξ(t)-Ψ $_{1}^{(i)}$ y(i)(t);

z(i)(t)=y(i)(t)-H(i)Ψ $_{1}^{(i)}$ y(i)(t) (7)

则系统式(1)式(2)可化为如下正常系统

$\begin{array}{l} x^{(i)} (t + 1) = \sum_{k = 0}^{d} Ω_{k}^{(i)} x^{(i)} (t - k) + \sum_{k = 0}^{d} Ω_{k}^{(i)} Ψ_{1}^{(i)} y^{(i)} \\ (t - k) - Ψ_{1}^{(i)} v^{(i)} (t + 1) + Ψ_{2}^{(i)} w (t) (8) \end{array}$

z(i)(t)=H(i)x(i)(t)+v(i)(t) (9)

到此为止,已将系统式(1)式(2)转化为正常系统式(8)式(9)。系统式(8)式(9)的局部滤波器和相应的估计误差方差矩阵可由如下引理获得。

2分布式信息融合估值器

引理1[8] 在假设14下,系统式(8)式(9)基于每个传感器子系统有局部最优滤波器为

$\begin{array}{l} \hat{x}^{(i)} (t + 1 | t) = \sum_{k = 0}^{d} Ω_{k}^{(i)} \hat{x}^{(i)} (t - k | t) + \\ \sum_{k = 0}^{d} Ω_{k}^{(i)} Ψ_{1}^{(i)} y^{(i)} (t - k) + \\ Ψ_{2}^{(i)} \hat{w}^{(i)} (t | t) (10) \end{array}$

$\hat{x}^{(i)} (t - k | t) = \hat{x}^{(i)} (t - k | t - 1) + Κ^{(i)} (t -$

k|t)ε(i)(t) (11)

$ε^{(i)} (t) = z^{(i)} (t) - Η^{(i)} \hat{x}^{(i)} (t | t - 1) (12)$

$\begin{array}{l} Κ^{(i)} (t - k | t) = Ρ^{(i)} (t - k, t | t - 1) Η^{(i) Τ} Q_{ε^{(i)}}^{- 1} (t) - \\ {\begin{cases} Ψ_{1}^{(i)} Q_{v^{(i)}} Q_{ε^{(i)}}^{- 1} (t), k = 0 \\ 0, 0 < k d \end{cases} (13) \end{array}$

Qε(i)(t)=H(i)P(i)(t,t|t-1)H(i)T-H(i)Ψ $_{1}^{(i)}$ Qv(i)-

Qv(i)Ψ $_{1}^{(i)}$ TH(i)T+Qv(i) (14)

$\hat{w}^{(i)} (t | t) = \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) ε^{(i)} (t) (15)$

$Ρ_{w}^{(i)} (t | t) = Q_{w} - \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) \bar{S}^{(i)}^{Τ} (16)$

$\begin{array}{l} Ρ^{(i)} (t + 1, t + 1 | t) = \sum_{k = 0}^{d} Ω_{k}^{(i)} Ρ^{(i)} (t - k, t + 1 | t) + \\ Ψ_{1}^{(i)} Q_{v^{(i)}} Ψ_{1}^{(i)}^{Τ} + \sum_{l = 0}^{d} Ψ_{2}^{(i)} Ρ_{w x}^{(i)} (t, t - \\ l | t) Ω_{l}^{(i)}^{Τ} + Ψ_{2}^{(i)} Ρ_{w}^{(i)} (t | t) \end{array}$

Ψ $_{2}^{(i)}$ T (17)

$\begin{array}{l} Ρ^{(i)} (t - k, t + 1 | t) = \sum_{l = 0}^{d} Ρ^{(i)} (t - k, t - l | t) Ω_{l}^{(i)}^{Τ} + \\ Ρ_{x w}^{(i)} (t - k, t | t) Ψ_{2}^{(i)}^{Τ} (18) \end{array}$

P(i)(t-k,t-l|t)=P(i)(t-k,t-l|t-1)-

K(i)(t-k|t)Qε(i)(t)

K(i)T(t-l|t) (19)

$\begin{array}{l} Ρ_{x w}^{(i)} (t - k, t | t) = - Κ^{(i)} (t - k | t) \bar{S}^{(i)}^{Τ} - \\ {\begin{cases} Ψ_{1}^{(i)} S^{(i)}^{Τ}, k = 0 \\ 0, 0 < k d \end{cases} (20) \end{array}$

$\begin{array}{l} 式 (20) 中定义 \bar{S}^{(i)} = S^{(i)} - S^{(i)} Ψ_{1}^{(i)}^{Τ} Η^{(i)}^{Τ} ‚ \tilde{x}^{(i)} (* | °) = \\ x (*) - \hat{x}^{(i)} (* | °) ‚ Ρ^{(i)} (*, • | °) = \\ E [\tilde{x}^{(i)} (* | °) \tilde{x}^{(i) Τ} (• | °)] ‚ Ρ_{w x}^{(i)} (t, t - l | t) = E [\tilde{w} (t | t) \tilde{x}^{(i)}^{Τ} \\ (t - l | t)] ‚ \end{array}$

并且P $_{w x}^{(i)}$ (t,t-l|t)=P $_{x w}^{(i) Τ}$ (t-l,t|t)。初值

$\hat{x}^{(i)} (- k | - 1) = μ_{k} ‚ Ρ^{(i)} (- k, - l | - 1) = Ρ_{0} (k, l)$ ;

k,l=0,1,,d,且P(i)(t-k,t-l|t)=P(i)T(t-l,

t-k|t)。K(i)(t-k|t)为增益阵,ε(i)(t)为新息,

P(i)(t-k,t-l|t)和P(i)(t+1,t+1|t)为估计误差方差阵。

为了计算融合权重,需要计算任两个传感器子系统之间的互协方差矩阵。系统式(8)式(9)的状态方程中含有后一时刻的观测噪声。因此,噪声之间已经不再是仅相同时刻相关的白噪声,而是不仅相同时刻相关,而且相邻时刻也相关的有色噪声。这使得系统式(8)式(9)的互协方差矩阵的推导变得更加困难。接下来,我们将基于新息分析方法[13],重新推导系统式(8)式(9)的任两个传感器子系统之间的互协方差矩阵的计算公式。

定理1 在假设14下,多传感器系统式(8)式(9)第i个与第j个传感器子系统之间滤波误差互协方差阵为

$\begin{array}{l} Ρ^{(i j)} (t + 1, t + 1 | t) = \sum_{k = 0}^{d} Ω_{k}^{(i)} Ρ^{(i j)} (t - k, t + 1 | t) + \\ \sum_{l = 0}^{d} Ψ_{2}^{(i)} Ρ_{w x}^{(i j)} (t, t - l | t) Ω_{l}^{(j)}^{Τ} + \\ Ψ_{2}^{(i)} Ρ_{w}^{(i j)} (t | t) Ψ_{2}^{(j)}^{Τ} + \\ Ψ_{1}^{(i)} Q_{v^{(i j)}} Ψ_{1}^{(j)}^{Τ} (21) \end{array}$

$\begin{array}{l} Ρ_{w}^{(i j)} (t | t) = Q_{w} + \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) Q_{ε^{(i j)}} (t) Q_{ε^{(j)}}^{- 1} (t) \bar{S}^{(j)}^{Τ} - \\ \bar{S}^{(j)} Q_{ε^{(j)}}^{- 1} (t) \bar{S}^{(j)}^{Τ} - \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) \bar{S}^{(i)}^{Τ} (22) \end{array}$

$\begin{array}{l} Ρ_{w x}^{(i j)} (t, t - k | t) = - \bar{S}^{(j)} Κ^{(j) Τ} (t - k | t) + \\ \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) Q_{ε^{(i j)}} (t) Κ^{(j) Τ} (t - k | t) - \\ \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) [Η^{(i)} Ρ^{(i j)} (t, t - k | t - 1) - \\ {\begin{matrix} Q_{v^{(i j)}} Ψ_{1}^{(j)}^{Τ}, k = 0 \\ 0, 0 < k d \end{matrix}] - {\begin{matrix} S^{(j)} Ψ_{1}^{(j)}^{Τ}, k = 0 \\ 0, 0 < k d \end{matrix} (23) \end{array}$

$\begin{array}{l} Ρ^{(i j)} (t - k, t + 1 | t) = \sum_{l = 0}^{d} Ρ^{(i j)} (t - k, t - l | t) Ω_{l}^{(j)}^{Τ} + \\ Ρ_{x w}^{(i j)} (t - k, t | t) Ψ_{2}^{(j)}^{Τ} (24) \end{array}$

$\begin{array}{l} Ρ^{(i j)} (t - k, t - l | t) = Ρ^{(i j)} (t - k, t - l | t - 1) - Κ^{(i)} (t - \\ k | t) [Η^{(i)} Ρ^{(i j)} (t, t - l | t - 1) - \begin{array}{l} \end{array} \\ {\begin{cases} Q_{v^{(i j)}} Ψ_{1}^{(j)}^{Τ}, k = 0 \\ 0, 0 < k d \end{cases}] - \\ [Ρ^{(i j)} (t - k, t | t - 1) Η^{(j) Τ} - \begin{array}{l} \end{array} \\ {\begin{cases} Ψ_{1}^{(i)} Q_{v^{(i j)}}, k = 0 \\ 0, 0 < k d \end{cases}] Κ^{(j) Τ} (t - l | t) + \\ Κ^{(i)} (t - k | t) Q_{ε^{(i j)}} (t) Κ^{(j) Τ} (t - l | t) (25) \end{array}$

Q $_{ε}^{(i j)}$ (t)=H(i)P(ij)(t,t|t-1)H(j)T+Qv(ij)-

H(i)Ψ $_{1}^{(i)}$ Qv(ij)-Qv(ij)Ψ $_{1}^{(j)}$ TH(j)T (26)

式(26)中初值

P(ij)(-k,-l|-1)=P0(k,l),P $_{w x}^{(i j)}$ (t,t-l|t)=

P $_{x w}^{(j i) Τ}$ (t-l,t|t),P(ij)(t-k,t-l|t)=

P(ji)T(t-l,t-k|t),P(ij)(t-k,t+1|t)=

P(ji)T(t+1,t-k|t),k,l=0,1,,d。

证明:由式(9)和式(12)有

$ε^{(i)} (t) = Η_{\tilde{x}}^{(i)}^{(i)} (t | t - 1) + v^{(i)} (t) (27)$

由式(27)得到新息互协方差

$\begin{array}{l} Q_{ε^{(i j)}} (t) = E [ε^{(i)} (t) ε^{(j)}^{Τ} (t)] = Η^{(i)} E [\tilde{x}^{(i)} (t | t - \\ 1) \tilde{x}^{(j) Τ} (t | t - 1)] Η_{+}^{(j) Τ} Q_{v^{(i j)}} + \\ Η^{(i)} E [\tilde{x}^{(i)} (t | t - 1) v^{(j) Τ} (t)] + \\ E [v^{(i)} (t) \tilde{x}^{(j)}^{Τ} (t | t - 1)] Η^{(j)}^{Τ} (28) \end{array}$

式(28)中

$E [\tilde{x}^{(i)} (t | t - 1) v^{(j) Τ} (t)] = - Ψ_{1}^{(i)} Q_{v^{(i j)}} (29)$

$E [v^{(i)} (t) \tilde{x}^{(j)}^{Τ} (t | t - 1)] = - Q_{v^{(i j)}} Ψ_{1}^{(j) Τ} (30)$

由式(28)、式(29)和式(30)可得式(26)。

由式(15)已有白噪声滤波误差方程为

$\begin{array}{l} \tilde{w}^{(i)} (t | t) = w (t) - \hat{w}^{(i)} (t | t) = w (t) - \\ \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) ε^{(i)} (t) (31) \end{array}$

由式(31)得白噪声滤波方差矩阵为

$\begin{array}{l} Ρ_{w}^{(i j)} (t | t) = E [\tilde{w}^{(i)} (t | t) \tilde{w}^{(j) Τ} (t | t)] = Q_{w} + \\ \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) Q_{ε^{(i j)}} (t) Q_{ε^{(j)}}^{- 1} (t) \bar{S}^{(j)}^{Τ} - E [w (t) ε^{(j)}^{Τ} (t)] \\ Q_{ε^{(j)}}^{- 1} (t) \bar{S}^{(j)}^{Τ} - \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) E [ε^{(i)} (t) w^{Τ} (t)] (32) \end{array}$

由式(27)有

$E [w (t) ε^{(i) Τ} (t)] = S^{(i)} - S^{(i)} Ψ_{1}^{(i)}^{Τ} Η^{(i)}^{Τ} = \bar{S}^{(i)} (33)$

将式(33)代入式(32)可得式(22)。

由式(8)和式(10)有状态一步预报误差方程为

$\begin{array}{l} \tilde{x}^{(i)} (t + 1 | t) = \sum_{k = 0}^{d} Ω_{k}^{(i)} \tilde{x}^{(i)} (t - k | t) + Ψ_{2}^{(i)} \\ \tilde{w}^{(i)} (t | t) - Ψ_{1}^{(i)} v^{(i)} (t + 1) (34) \end{array}$

预报误差方差矩阵可计算为

$\begin{array}{l} Ρ^{(i j)} (t + 1, t + 1 | t) = \\ E [\tilde{x}^{(i)} (t + 1 | t) \tilde{x}^{(j)}^{Τ} (t + 1 | t)] = \sum_{k = 0}^{d} Ω_{k}^{(i)} E [\tilde{x}^{(i)} (t - k | t) \tilde{x}^{(j)}^{Τ} (t + 1 | t)] + \sum_{l = 0}^{d} Ψ_{2}^{(i)} E [\tilde{w}^{(i)} (t | t) \tilde{x}^{(j)}^{Τ} (t - l | t)] Ω_{l}^{(j)}^{Τ} + Ψ_{2}^{(i)} E [\tilde{w}^{(i)} (t | t) \tilde{w}^{(j)}^{Τ} (t | t)] Ψ_{2}^{(j)}^{Τ} - Ψ_{1}^{(i)} \sum_{l = 0}^{d} E [v^{(i)} (t + 1) \tilde{x}^{(j)}^{Τ} (t - l | t)] Ω_{l}^{(j)}^{Τ} + Ψ_{1}^{(i)} Q_{v^{(i j)}} Ψ_{1}^{(j)}^{Τ} (35) \end{array}$

式(35)中应用了 $E [\tilde{w}^{(i)} (t | t) v^{(j)}^{Τ} (t + 1)] = 0$ ,和 $E [v^{(i)} (t + 1) \tilde{x}^{(j)}^{Τ} (t - l | t)] = 0$ ;l=0,1,,d,这引出式(21)。

将式(34) 代入 $Ρ^{(i j)} (t - k, t + 1 | t) = E [\tilde{x}^{(i)} (t - k | t) \tilde{x}^{(j)}^{Τ} (t + 1 | t)]$ ,得式(24)。

由式(11)有状态估计误差为

$\tilde{x}^{(i)} (t - k | t) = \tilde{x}^{(i)} (t - k | t - 1) - Κ^{(i)} (t - k | t)$

ε(i)(t) (36)

$\begin{array}{l} 由 x^{(i)} (t - k) = \\ \tilde{x}^{(i)} (t - k | t - 1) + \hat{x}^{(i)} (t - k | t - 1) \end{array}$

和式(31) ,式(33)和式(36)得

$\begin{array}{l} Ρ_{w x}^{(i j)} (t, t - k | t) = E [\tilde{w}^{(i)} (t | t) \tilde{x}^{(j)}^{Τ} (t - k | t)] = \\ E [w (t) x^{(j)}^{Τ} (t - k)] - \bar{S}^{(j)} Κ^{(j)}^{Τ} \\ (t - k | t) - \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) \\ E [ε^{(i)} (t) \tilde{x}^{(j)}^{Τ} (t - k | t - \\ 1)] + \bar{S}^{(i)} Q_{ε^{(i)}}^{- 1} (t) Q_{ε^{(i j)}} (t) \\ Κ^{(j)}^{Τ} (t - k | t) (37) \end{array}$

由式(27)可得

$\begin{array}{l} E [ε^{(i)} (t) \tilde{x}^{(j)}^{Τ} (t - k | t - 1)] = \\ Η^{(i)} Ρ^{(i j)} (t, t - k | t - 1) - {\begin{cases} Q_{v^{(i j)}} Ψ_{1}^{(j)}^{Τ}, k = 0 \\ 0, 0 < k d \end{cases} (38) \end{array}$

式(38)中当k=0时E[v(i)(t)x(i)T(t-k)]=-Qv(ij)Ψ $_{1}^{(j)}$ T。当0<kd时,E[v(i)(t)x(i)T(t-k)]=0,并由 $\tilde{x}^{(j)} (t | t - 1) ⊥ \hat{x}^{(j)} (t - k | t - 1) ‚ x^{(j)} (t - k) = \tilde{x}^{(j)} (t - k | t - 1) + \hat{x}^{(j)} (t - k | t - 1)$ 其中“⊥”表示正交,可得到式(38)。当k=0时,E[w(t)x(j)T(t-k)]=-S(j)Ψ $_{1}^{(j)}$ T。当0<kd时,E[w(t)x(j)T(t-k)]=0。同时将式(38)代入式(37)可得式(23)。

由式(36)可得估计误差互协方差阵为

$\begin{array}{l} Ρ^{(i j)} (t - k, t - l | t) = \\ E [\tilde{x}^{(i)} (t - k | t) \tilde{x}^{(j)}^{Τ} (t - l | t)] = \\ Ρ^{(i j)} (t - k, t - l | t - 1) + Κ^{(i)} (t - k | t) Q_{ε^{(i j)}} (t) \\ Κ^{(j)}^{Τ} (t - l | t) - Κ^{(i)} (t - k | t) E [ε^{(i)} (t) \tilde{x}^{(j)}^{Τ} (t - \\ l | t - 1)] - E [\tilde{x}^{(i)} (t - k | t - 1) ε^{(j)}^{Τ} (t)] \\ Κ^{(j)}^{Τ} (t - l | t) (39) \end{array}$

把式(38)代入式(39)可得式(25)。

观察式(7),可以发现原始奇异系统和转化后的正常系统具有相同的互协方差矩阵。下面,基于线性最小方差意义下的最优加权融合算法[12],给出原奇异系统的分布式标量加权融合滤波器 $\hat{x}$ o(t|t)。

定理2:在假设14下, 系统式(1)式(2)的分布式标量加权融合滤波器为

$\hat{x}_{o} (t | t) = \sum_{i = 1}^{L} a^{i} (t) \hat{x}_{i} (t | t) (40)$

式(40)中融合标量权重 ai(t)如下计算

$a (t) = \frac{Σ^{- 1} (t | t) e}{e^{Τ} Σ^{- 1} (t | t) e} (41)$

式(41)中 a(t)=[a1(t),,aL(t)]T and e=[1,1,,1]T 都是 L维标量, LL 矩阵 Σ(t|t) 如下定义

Σ(t|t)=(Pij(t|t))LL;i,j=1,2,,L (42)

式(42)中Pii(t|t)=Pi(t|t)和Pij(t|t), i≠j;i,j=1,2,,L由引理1和定理1计算。相应的最优融合权重如下计算

$Ρ_{o} (t | t) = \sum_{i, j = 1}^{L} a_{i} (t) a_{j} (t) Ρ_{i j} (t | t) (43)$

且有trPo(t|t)trPi(t|t);i=1,2,,L。

3仿真实例

考虑如下带三个传感器的线性离散随机奇异系统

$[\begin{matrix} 0 & 0 \\ 1 & 0 \end{matrix}] x (t + 1) = [\begin{matrix} 1 & - 1 \\ 1 & 0 \end{matrix}] x (t) + [\begin{matrix} 1 \\ 2 \end{matrix}] w (t) (44)$

yi(t)=Hix(t)+vi(t),vi(t)=Ciw(t)+ζi(t) (45)

式(45)中观测噪声vi(t),i=1,2,3相关于系统噪声w(t),Ci为相关系数。ζi(t)是独立于w(t)的零均值、方差为Qζi的高斯噪声,状态滞后步数为d=2。其目的是求分布式信息融合滤波器 $\hat{x}_{o} (t | t) 。$

在仿真中取Qw=2,C1=0.5,C2=0.4,C3=0.3,Qζ1=2, Qζ2=5,Qζ3=4, H1=[0.6 1.1],H2=[0.8 2],H3=[0.5 1.5], Ti=[1]T,i=1,2,3。初值x(0)=[0 0]T,P0=0.1I2。

表1局部和分布式融合滤波器的稳态估计误差方差比较

应用引理1可获得局部滤波器 $i = 1, 2, 3 \hat{x}_{i} (t | t)$ 和相应的误差方差阵Pi(t|t)。应用定理2可获得标量加权信息融合分布式滤波器 $\hat{x}$ o(t|t)以及相应的滤波误差方差阵Po(t|t)。图1为分布式标量加权融合滤波的跟踪图,从图中可以看到,所提出的分布式滤波器具有很好的跟踪效果。表1为局部估计误差方差和分布式融合滤波器误差方差的比较结果,从表中可以看出融合估计的精度高于所有局部估计的精度。

4结论

对带有状态滞后的多传感器随机奇异系统进行研究。首先通过满阶变换,将原奇异系统转化为带有状态滞后的正常系统。然后,基于现有的正常系统的局部估值器可直接获得原始随机奇异系统的局部滤波器和相应的估计误差方差矩阵。为了计算融合权重,推导了任两个传感器子系统之间的互协方差矩阵的计算公式。进而基于线性最小方差最优标量加权融合算法,获得了原始随机奇异系统的分布式信息融合滤波器。

摘要：基于满阶变换,原始带有状态滞后的随机奇异线性系统被转化为带有状态滞后和有色噪声的正常系统。应用新息分析方法,推导了任意两个传感器子系统之间的互协方差矩阵的计算公式。进一步,基于线性最小方差最优加权融合算法,给出了原奇异系统分布式融合滤波器。仿真研究验证了算法的有效性。

分布式信息融合论文第2篇

诸云强/徐敏/朱琦/冯敏/宋佳/杜佳

2012-11-7 16:50:28 来源：《档案学通讯》(京)2011年4期

【英文标题】On Information Resource Sharing System of Distributed Environmental Archives

【作者简介】诸云强（1977-），男，博士，中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室副研究员，主要研究方向：地学信息共享，出版专著1部，发表论文30余篇；徐敏，朱琦，环境保护部信息中心（北京 100029）；冯敏，宋佳，杜佳，中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室（北京 100101）。

【内容提要】环保档案信息资源共享对于环保档案信息资源的开发利用与流动增值，服务于探索环保新道路具有重要的意义。本文在充分总结国内外环保档案信息化管理与共享研究的基础上，对环保档案信息资源共享的需求进行了详细的分析。

Environmental Protection Archival Information Resources(EPAIR)sharing is very important for developing & using EPAIR and to promote its values.It will strong support exploring new road of environmental protection enterprise.Based on summarizing the progress of EPAIR management and sharing at home and abroad, this paper analyzes in detail the requirements of EPAIR sharing which includes functional and security requirements.【关键词】环保档案/信息资源共享/需求分析Environmental protection archives/Information resources sharing/Requirement analysis 前言

环保档案信息资源共享已经引起了环境保护行政主管部门和学术界的重视。2009年环保部专门召开环保档案专题会，强调要实现环保档案的信息化、数字化、规范化、标准化和高效利用。2010年5月，时隔16年全国环保系统档案工作会议在广东东莞召开，环保部周建副部长在讲话中指出：环保档案资源是民生资源、社会资源、政府资源和公共资源，要努力开发应用环保档案资源，拓展资源效益，搭建平台，共享信息成果等[1]。国内学者在充分认识环保档案特点（来源广泛性、内容综合性、时空特征性和应用久远性等）的基础上，指出环保档案信息资源的价值和重要作用（准确可靠的决策依据、真实有效的凭证作用、巨大的潜在性效益等）[2][3]，呼吁要更新观念、提高认识，调整服务方式、拓宽服务渠道，充分利用信息化的手段，处理好开发利用和保密的关系，大力提升环保档案信息资源利用的水平[4][5]。

为了规范数字资源长期保存系统，美国国家航空航天局（NASA）提出了开放档案信息系统（OAIS）。OAIS是一种致力于数字信息长期保存和利用的参考模型和基本框架体系，规定了数字信息长期保存系统的功能模型、信息模型、互操作模型和长久保存的管理策略[6][7]。基于OAIS，许多组织和公司开发了一系列富有特色的成果。如美国国会图书馆领导实施的“国家数字信息基础设施和保存计划（NDIIPP）”、加利福尼亚大学的数字保存仓储（DPR）、荷兰国家图书馆的长期存储和大规模电子出版物的e－Deport系统以及澳大利亚的ADRI项目等，国内北京东方飞扬软件股份有限公司的ESOAIS数字档案馆系统、国家图书馆的保存元数据方案、北京大学数字图书馆研究所等提出的中文元数据标准框架、中科院数字档案馆建设等等。欧美发达国家档案界提出并采用档案编码著录规则（Encoded Archival Description, EAD）。EAD基于SGML（Standard Generalized Markup Language），通过DTD（Document Type Definition）定义档案文献的结构和内容，可以不经转化将文献直接在网上进行发布，以此规则编码的档案检索工具可在任何计算机平台上进行查寻、检索、显示、交换[8]。国际档案理事会提出了电子文件管理软件设计的原则和功能需求[9][10]。提出电子文件管理软件系统应该遵循的8大原则，包括：软件平台必须以标准化的元数据为核心，确保软件系统跨平台、跨域的互操作，采用开放的标准和保持技术的中立，具有利用开放格式进行大批量导入和输出的能力，必须确保信息资源的安全，尽可能自动产生元数据以及软件系统必须易于使用等。同时，规定了电子文件创建（捕获、标识、分类）、维护（控制安全、融合、保留、迁移、处置）、分发（搜索、获取、可视化）和管理四大功能模块。

上述研究主要集中在档案的长期保存、管理和访问上，即使是OAIS提出的六大功能模型（收集、存储、管理、保存规划、访问、系统管理）中缺乏对于跨单位的档案交换和共享功能的专门描述。因此，在这样的背景下，开展分布式环保档案信息资源共享系统的研究具有重要的意义。本文依托环保公益性行业科研项目：环保档案信息资源共享框架构建关键技术与示范研究，将对分布式环保档案信息资源共享系统的内涵特征、总体架构、功能体系和部署应用模式进行详细的讨论。环保档案信息资源共享需求分析

信息共享是指在一定程度的开放条件下，同一信息资源为不同用户共同使用的服务方式[11]。何建邦等认为：从信息共享的表象看，共享是信息的共同使用，但从信息共享的本质特征上看，信息共享必须解决信息质量最优化，共享程度最高效等实质问题，其核心是需要对信息技术进行不断创新，对使用规则进行共同约定[12]。因此，环保档案信息资源共享不仅包括环保档案信息资源的交换、共享访问，而且还应包括为提高环保档案信息资源质量的著录管理过程。

2.1 环保档案信息资源共享功能需求

根据《环境保护档案管理办法》规定：县级以上地方各级环境保护行政主管部门对本辖区环境保护档案工作实施监督管理，并在业务上受上级环境行政主管部门和同级档案行政主管部门的监督、指导和检查。因此，环保档案信息资源共享功能需求主要体现在以下几个方面：

本单位内部员工能够按照权限进行本部门环保档案信息资源的著录、归档、管理，对本单位环保档案信息资源进行检索和按权限的访问、查阅。

环境保护行政主管上级部门需要查看到下级单位环保档案信息资源的目录及元数据信息，以便能够全面准确地了解、掌握下级单位环保档案信息资源的状况，方便对下级单位环保档案工作的监督和检查。

下级单位也希望能够实时接收到上级单位相关的环保档案信息资源，特别是文书档案。

环保系统不同行政区划的同级单位也存在相互调阅环保档案信息资源的需求，特别是开展跨区域的合作研究、发生跨区域环境污染事故时，希望能够快速调阅相关的档案信息。

其他部委的相关单位或社会公众希望能够查看对外公开的环保档案信息资源。

2.2 环保档案信息资源管理功能需求

当前，我国各省采用的环保档案管理系统并不统一，甚至于在县市层面大部分还没有对环保档案进行信息化管理，更缺乏与共享系统一体化的管理系统。因此，想要开展全国一盘棋的环保档案共享，首先要解决环保档案信息资源管理的问题。环保档案信息资源管理的功能需求主要包括：

环保档案著录归档管理权限设置。对环保档案信息资源著录、归档、管理的人员及其权限进行分配。

环保档案著录模板设置。对不同级别（文件级、卷宗级等）或不同类别（文书、科技、多媒体等）的环保档案的著录元数据项进行设置。

环保档案著录。利用计算机系统录入分类、分级的环保档案元数据信息，以及档案全文原件及其附件信息。可以单条记录录入，也可以批量导入（如自动接收电子政务平台或业务系统中已有的文书或业务文件信息）。

环保档案归档。对已著录的档案进行完整性、规范性、安全性等方面的审查，确定保管期限进行归档。

环保档案查询借阅。按权限进行环保档案的查询检索，在线浏览或离线借阅等。

环保档案统计分析。可以按照类别、、处室等对环保档案进行统计。

2.3 环保档案信息资源共享安全需求

环保档案作为对国家和社会有保存价值的各种文字、图表、声像等不同形式的历史记录，涉及国家安全和社会稳定。因此，在环保档案信息资源共享利用过程中，必须要处理好安全的问题，要做到内外有别，对未公开档案一定要把好关，严格掌握。以维护国家的根本利益[4]。根据《环境保护档案管理办法》规定：“环保部门保存的档案主要供本部门利用。其他系统或部门的工作人员查阅档案时，需持本单位介绍信，说明利用目的和范围，并经环保部门有关负责人批准后方可查阅。查阅涉及党和国家秘密的环境保护档案必须经过分管档案工作的行政领导及保密部门批准；查阅未公开的档案，必须经过有关业务部门负责人批准；摘录和复制档案，必须经过环保档案管理机构负责人批准。”因此，环保档案信息资源共享的安全需求主要包括：

本单位内部员工根据授权的用户名和密码及权限，可以查看档案目录及相应的全文及附件信息。用户名和密码仅在本单位局域网中使用，在公网上不可以使用。

环保行政主管部门上下级之间的档案信息资源交换只进行目录级、元数据的交换。根据“环保档案信息资源交换管理办法”（需要环境保护行政主管部门制定）各单位可以控制交换哪些档案目录和元数据，其他单位只能看到档案目录和元数据，而不能浏览档案全文。环保系统档案信息资源的交换基于环保政务专网进行。

对于没有到开放期限的环保档案，只公开档案的目录。合法公民和组织经系统身份验证后可查询未开放的档案目录，以及已经开放的环保档案全文信息。环保档案信息资源的公开，需要单独设置公开库，环保档案公开库与环保档案内部全集库要进行物理上的隔离，公开库放置在外网，环保档案库放置在内网或专网上。

注释：

① 环保档案信息资源共享需求，主要基于对环保部办公厅文档处，以及在全国环保系统档案工作会议上对各省市环保档案管理部门的调研整理形成。

【参考文献】

分布式信息融合论文第3篇

对于Zigbee节点N>2的多节点情况,所有节点不仅存在着共同的公共监视区,而且各节点间也可能存在局部公共监视区,如图1给出了Zigbee节点N=3情况下的公共监视区平面示意图。其中,Ⅰ区为3个节点的公共监视区;Ⅱ区为节点N1和N2间的公共区;Ⅲ区为节点N2和N3间的公共区;Ⅳ区为节点N3和N1间的公共区。从示意图中不难看出,可以通过N1分别和N2、N3进行数据关联校验,然后再进行N2和N3数据关联校验,这样Ⅰ区的轨迹多关联了二次;由于关联在数学上是等价关系,即对Ⅰ区的轨迹而言,N1与N2关联校验一次之后,再对N2和N3进行一次关联校验即可。因此,N1与N3关联校验时可不考虑Ⅰ区的轨迹,而只考虑他们之间的监视公共区(Ⅳ区)轨迹;对Ⅰ区各节点公共区的轨迹也可以单独处理,有两种方法:一种是N1和N2关联,然后N3和N2关联,再运用等价关系的可传递性形成N个节点的共同关联轨迹。另一种方法是将其化成多节点分配问题,共同监视区轨迹处理完后,再分别处理两个节点间的重叠区的轨迹。这两种方法的优点是直观、简单、容易理解、工程上容易实现,当节点N较少时处理速度较快;但当节点N较多时处理速度成倒指数规律衰减,同时,这种处理方式缺乏严格的数学描述。所以,为提高分析轨迹关联的科学性、严密性,下面采用多节点分配方法探讨Zigbee多节点传感器数据融合中的轨迹关联问题。

1 多节点关联问题的求解

对于多节点关联问题的求解,其复杂程度随着节点数量的增大成指数规律增长[3]。基于测量的多节点分配方法可以形成一套完整的算法。下面先讨论传感器测量的划分。

考虑有3个Zigbee节点传感器形成的观察量Zj1,j2,j3={Znjn} $_{n - 1}^{3}$ 。Zj1,j2,j3是来自j1、j2和j3 Zigbee节点传感器测量的集合;针对划分测量,假定测量Zn0n,n=1,2,3的引入可以是在测量单个和两个节点传感器的检测目标交互中,把观测量看作是由3个传感器形成的观测量。若传感器j1在位置ωt丢失目标,而传感器j2和j3的测量源于目标t,则这一情况的似然函数可表示为

$Λ (Ζ_{0 j_{2} j_{3}} |$ ω $_{t}) = (1 - Ρ_{D_{1}}) Ρ_{D_{2}} Ρ_{D_{3}} f ([Ζ Ζ (Ζ] Ζ [Ζ Ζ)]_{2 j_{2}} |$ ω $_{t}) f ([Ζ Ζ (Ζ] Ζ [Ζ Ζ)]_{3 j_{3}} |$ ωt) (1)

式中,Z0j2j3是3个传感器对位于目标真实位置向量ωt处的同一目标的测量集合;PDs是传感器s的检测概率;Zsjs表示传感器s的第js测量值。这一事件的似然函数为

$Λ (Ζ_{j_{1} j_{2} j_{3}} |$ ω $_{t}) = \prod_{s = 1}^{3} [Ρ_{D_{s}} f ([Ζ Ζ (Ζ] Ζ [Ζ Ζ)]_{s j_{s}} |$ ωt)]u(js)[1-PDs]{1-u(js)} (2)

式中,u(js)为二值示性函数,当js=0时,u(js)=0;否则,u(js)=1。

这样一来,一个可能的划分是把集合Z划分成两个与目标互联的测量子集Zt和没有与其他目标互联的虚拟测量子集Zf,表示为γ={Zt,Zf},其中,Zt={Zj1j2j3},ji=1,2,3,…,ni,i=1,2,3;Zf={Ziji},ji=1,2,3,…,ni,i=1,2,3;γ={Zt,Zf}表示集合Z划分成子集Zt,Zf的可能,把集合分成测量子集和虚拟测量子集;在静态传感器测量数据互联中,对一个位置进行全面测量估计至少需要两个传感器;否则就是认为虚拟测量子集。因此,测量集合Z的最佳关联划分是把Z划分为来源于目标的测量子集Zt和虚警子集Zf,这时只需求解γ与γ0的最大联合似然函数比,即

$\max_{γ \in Γ} = \frac{L (γ)}{L (γ_{0})} (3)$

$\begin{array}{l} 式中, L (γ) = f [Ζ | ξ (γ) = [\prod_{Ζ_{j_{1} j_{2} j_{3}}}] \land (Ζ_{j_{1} j_{2} j_{3}} | ω_{t})] \\ [\prod_{s = 1}^{3} (\frac{1}{Ψ_{s}})^{n_{s} - Τ_{s} (γ)}] \end{array}$

。Ts(γ)是在划分γ中的传感器s检测的目标数。

$L (γ_{0}) = f [Ζ | ξ (γ_{0})] = [\prod_{s = 1}^{3} (\frac{1}{Ψ_{s}})^{n_{s}}] (4)$

真实目标位置ωt近似于极大化广义似然比的极大似然估算值 $\hat{ω}_{t}$ ,所以式(4)中的ωt可用 $\hat{ω}_{t}$ 代替,该估算值可从3个传感器测量获得,即

$\hat{ω}_{t} = \arg (\max_{ω_{t}} \hat{Λ} (Ζ_{j_{1} j_{2} j_{3}} | ω_{t}))$ (5)

2 近似测量

近似测量算法采用节点状态估算推导形成,节点状态估算算法为

$\hat{X}_{s i_{n}} (k | k) = \hat{X}_{s i_{n}} (k | k - 1) + Κ_{s i_{j}} (k) [\hat{Ζ}_{s i_{n}} (k) - Η_{s} (k) \hat{X}_{s i_{n}} (k | k - 1)] (6)$

式中, $\hat{Ζ}_{s i_{s}} (k)$ 为局部节点s用于更新第i个局部轨迹的近似测量;Ksis(k)是局部节点s的第is个局部轨迹的滤波增益。根据式(6)求解 $\hat{Ζ}_{s i_{s}}$ 有

$\hat{Ζ}_{s i_{n}} (Κ) = Η_{s} (k) \hat{X}_{s i_{n}} (k | k - 1) + Κ_{s i_{s}}^{+} (k) [\hat{X}_{s i_{n}} (k | k) - \hat{X}_{s i_{n}} (k | k - 1)] (7)$

式中,K+sis(k)是Ksij(k)的逆阵或伪逆阵。局部节点仅向融合中心传送状态估计值,不传送近似测量值,通过式(7)可以在融合中心获得局部Zigbee节点的近似测量值。近似测量构造要求信息融合中心已知轨迹状态值 $\hat{X}_{s i_{n}} (k | k - 1)$ 、状态估计值 $\hat{X}_{s i_{n}} (k | k)$ 。增益矩阵Ksij(k)和测量矩阵Hs(k)之所以可作为近似测量,是因为构造的结果可能不是实际测量值,这取决于局部节点使用的数据关联算法。当局部节点使用最近邻域互联算法时,所构成的测量值是局部近似算法中使用的实际测量值[4];但当局部节点使用联合概率数据为互联算法(JPDA)或混合归并(MR)算法时,重新构成的算法结果不产生实际测量值;因而原测量值需要加权平均。N≥3时多节点分配方法适用于各节点公共监视区的轨迹关联校验。对各局部节点间的局部公共区则要利用N=2时的各种轨迹关联算法或使用二维分配模型求解。

3 结束语

在多数目标跟踪的应用中,获得大量精确的传感器数据较困难[5]。例如:Zigbee无线车辆门禁控制系统中,只能每几秒钟测量一次小区门前内外机动车的位置,当获取的信息不足时,所采用的模型的精度就显得尤为重要。原因有二:第一如果控制系统对目标状态的采集频率高于Zigbee传感器的频率,那么就要用到跟踪器对位置的预测值,不同的模型对这个预测值的质量影响很大;第二是为了优化Zigbee传感器的性能,必须最大限度地利用来自传感器的有限数据,在多数近似测量算法中,只能通过开发一些精度的实用模型来实现。上述节点状态估算算法有效地改善了Zigbee传感器的性能,提高了跟踪精度。

参考文献

[1]CHANG K C,SAHA R K,BAR-SHALOM Y.On opti-meal track-to-track fusion[J].IEEE Trans on AES,1977,33(4):1271-1276.

[2]CUAN Jian,HE You,PENG Yingning.Distributed CFARdetector based on local test signal processing[J].Journal ofElsevier,2009,80(2):373-379.

[3]杨露箐,耿伯英.多传感器数据融合手册[M].北京:电子工业出版社,2008.

[4]何友,王国宏,陆大金,等.多传感器信息融合及应用[M].北京:电子工业出版社,2007.

分布式信息融合论文第4篇

自动聚焦是图像获取的关键技术，在数字成像系统、计算机视觉和视频监控等领域有着广泛的应用。其中，区域选择定位是自动聚焦技术领域的热点研究课题，目前主要包括一维区域法、中心取窗法、多点取窗法和非均匀采样取窗等方法。文献[1,2]中阐述，传统光学相机的成像过程中，聚焦窗口通常选取中心区域。中心取窗法能适应图像处理的大部分场景，但过度依赖主体景物成像在图像中心，对主体景物成像大小不具有自适应能力，且在主体景物偏离中心以及主体景物不是单一目标的情况下性能严重下降。文献[3,4]中，非均匀采样主要是对图像的不同区域用不同的采样率，保持中心采样率最高，边缘部分的采样率随半径的增加呈指数形式降低。如果能找到合适的非均匀采样函数，则经过非均匀采样后得到的数字图像就比原图像数据量小，达到减少图像数据量的目的。非均匀采样区域选择算法是对整幅图像进行采样，运算中仍然包含了大量的背景信息，并且算法复杂，需要设计复杂的浮点运算，占用更大存储空间处理。

一维区域法、中心取窗法、多点取窗法这3种方法主要是通过在整幅图像中截取整块或多块的几何区域来达到减少计算量的目的，方法单一固定，只能适应特定的场合，对其他很多图像处理场景不具有适应性。而非均匀采样选择法实际是对整幅图像进行采样，计算中包含较大比重的背景信息，影响聚焦准确性，且其算法设计复杂，要占用大量的存储空间处理，效果并不明显。本研究从深入理解聚焦“区域”概念着手，跳出固定几何图形选区的传统误区，认为区域也可指图像内某一性质相同或近似的离散像素点集合，提出基于图像灰度直方图区域选择的自动聚焦改进算法。

1 图像聚焦算法原理

自动聚焦首先是利用聚焦评价函数对目标采集图像进行清晰度评价，然后根据调焦算法来控制电机移动方向和步长进行极点搜索，直至获取图像最佳质量的一个控制反馈。它包括3个模块：聚焦区域选择算法、聚焦评价函数和极点搜索算法。聚焦评价函数是在聚焦过程中计算当前图像的清晰度，判定图像是否清晰；聚焦区域选择是通过算法分离目标与背景，从而减少系统计算量，提高聚焦精度和速度；极点搜索算法是实现聚焦点的搜索和定位，获取清晰图像。

在实际应用中，Sobel算子是最常用清晰度评价方法。假设待评价图像f(x,y)的分辨率为M×N，根据Sobel边缘检测算子原理，首先把经典的两个3×3算子方向模板拓展至8方向模板：

然后根据Sobel算子，对图像中每个点进行邻域卷积计算，提取8个方向上的边缘成分：

则图像中每个像素点的梯度值可以表示为：

再以表征图像整体噪声的灰度标准差作为阈值：

式中：F(x,y)为点f(x,y)处的灰度值；μmean为图像灰度均值。

把所有大于阈值的梯度值，即把被认为是图像边缘像素的梯度值相加，以边缘梯度能量和定义为图像的清晰度评价算子，即：

当聚焦越好时，图像细节越丰富，高频分量越多，相邻像素具有更大的梯度函数值，上述算子的值就会越大。因此，聚焦最好的图像就具有最大边缘能量，其评价函数值也就最大。

2 融合直方图区域选择的自动聚焦算法

前面已经讨论过中心取窗法、多点取窗法和非均匀采样选择等传统方法的局限性和缺点，本节主要是依据直方图原理，设计新的聚焦区域选择算法。根据先验知识，一幅图像的背景信息占据图像的大部分像素，而目标景象只占据少部分的图像信息。在传统算法中，清晰度判决计算要对图像的所有像素点进行遍历，计算量大、缺乏实效性，且背景复杂，影响聚焦准确性。论文在分析图像直方图基础上，提出通过直方图分布估算背景值，减少参与清晰度计算数据量的改进算法。

2.1 背景区域标记过滤

根据直方图的主要思想，图像的某种性质（实际中应用最多的是图像灰度）的统计直方图是一个1-D的离散函数（设图像的性质总级数为L):

式中：sk为图像f(x,y)的第k级性质值，nk是f(x,y)中具有性质值为sk的像素的个数；N是图像像素总数。在直方图中，对应每个性质级k的统计值是图像中具有该级性质值的像素的个数。图1是本试验的观察对象大便细胞图，图2是该图的灰度直方图。

从图中可以看出，频度最大点nk(max)附近对应背景区域。标记此时的灰度值为K，在K两边取门限T，则可以定义背景区域为灰度值在(K-T)～(K+T)之间的像素点，其中，T可以根据具体的应用场景经试验统计得出。

2.2 融合直方图区域选择的自动聚焦算法

(1）图片背景区域像素点标记。实验以医学显微镜为研究手段，以大便细胞样本为观察对象，首先在显微镜量程内对观察对象进行粗搜索聚焦，并定位到一个人为调整较为清晰的位置，采集这个聚焦位置的样本图片，标记为fL。论文就以fL作为背景区域计算对象图，以灰度间隔为0～255对fL进行直方图统计，抽取并标记nk(max)，并标记此时的灰度值为K。预设分割门限为T，则背景像素灰度值区域即为(K-T)～(K+T)，其中，T为经验值，取值15。然后以fL为中心，重新对观察对象进行细搜索，在电机上下200步的范围内每5步采集一幅图片，得到总计81帧的图片序列(f1,f2,⋯,fL,⋯,f80,f81)，则fL编号为f41。

(2）去除背景点图像序列清晰度计算。对于图像序列(f1,f2,⋅⋅⋅,fL,⋯,f80,f81)，图片fi的清晰度计算定义为：

式中，F(x,y)是图像fi中像素点fi(x,y)的灰度值。

依次计算序列(f1,f2,⋯,fL,⋯,f80,f81)中每幅图片的清晰度，得到清晰度值序列El(l=1,2,⋅⋅⋅,80,81)。对El进行归一化后，得到如图3所示的清晰度评价曲线。

3 试验仿真与分析

3.1 聚焦效果分析

利用Matlab仿真平台，按照中心区域法、非均匀采样取窗法、融合直方图的区域选择法以及原图直接计算法，采用八方向Sobel算子清晰度评价算子对(f1,f2,⋯,fL,⋯,f80,f81)整个图像序列进行聚焦评价，查看各种窗口选择算法的聚焦评价曲线如图4所示。

各区域取窗法在搜索图像序列最清晰位置时都做出了准确的评判。本实验样本由于电机镜头对环境光线较为敏感，以致各窗口选择法都同时出现了双峰的现象，且中心取窗法和非均匀量化采样法由于在取窗过程中没有准确地抓取目标像素，引入百分比过多的背景与边缘信息，导致主峰与偏峰几乎到了相互混淆的地步，很容易造成误判。而本文采用图像像素灰度直方图法分离背景成分，较为准确的标记和抓住了目标信息，评价曲线更为陡峭，且能显著地抑制噪声干扰，避免了误判错判的不良后果。

3.2 聚焦时间分析

从实验结果来看，在聚焦评价过程中，执行最快的是中心取窗法，本文方法次之，而直接sobel法，即对全图进行计算的方法则较慢，非均匀采样法则耗费了大量的时间。中心取窗法由于对固定区域像素执行清晰度计算，步骤比较简洁，所以耗时最短，但是其评价曲线在四种方法之中最为起伏，尤其是相比本文方法，其稳定性相差甚远。如表1所示。

4 结语

本文设计实现了融合图像灰度直方图的自动聚焦算法，摒弃传统固定几何图形选取聚焦区域的作法，通过图像灰度直方图统计，有效地分离了绝大部分的背景信息，较为准确的抓住了目标像素。算法极大地减少了图像清晰度评价的计算量，提高了聚焦的实效性，且能有效地抑制噪声产生的影响，避免错判误判，图像清晰度评判的准确性、稳定性都表现的比较优越，算法具有非常广泛的适用性。

摘要：聚焦区域选择是自动聚焦系统的一个重要模块,在分析研究中心取窗和非均匀采样取窗等传统聚焦区域选择算法局限与不足的基础上,提出结合图像灰度直方图的自动聚焦区域选择算法,通过直方图来分离目标与背景,让目标像素直接参加清晰度计算,从而达到减少运算量的目的。实验表明,此算法加快了清晰度运算,改善了聚焦效果。

关键词：灰度直方图,自动聚焦系统,区域选择算法,目标分离

参考文献

[1]WON C S,PYAN K.Automatic object segmentation in imageswith lou depth of field[C]//IEEE International Conference onImage Processing,2002:805-808.

[2]KIM Yoon,LEE June-Sok,MORALES A W.A video camerasystem with enhanced zoom tracking and auto white balance[J].IEEE Transactions on Consumer Electronics,2002,48(3):428-434.

[3]张乐,姜威,高赞.数字图像一阶矩的自动聚焦区域选择算法[J].光学技术,2008(2):163-164.

[4]GAO Yun,REEVES S J.Optimal sampling in array-based image formation[C]//Proceedings of 2000 Internaltional Conferenceon Image Processing.[S.l.]:IEEE,2000,1:733-736.

[5]章毓晋.图像分割[M].北京:科学出版社,2001.

[6]朱铮涛,黎绍发,陈华平.基于图像熵的自动聚焦函数研究[J].光学精密工程,2004,12(5):537-542.

[7]朱孔凤.用高斯非均匀采样解决自动聚焦中的误判[J].光学技术,2005(6):910-912.

分布式信息融合论文第5篇

21世纪以来,随着国内建筑师对地域建筑文化思想的觉醒,掀起了古典建筑现代传承的创作热潮。在对于古典园林与地域建筑相结合的漫长的探索过程中,建筑师们创作出了很多融合古典园林文化的地域建筑优秀作品。通过系统的整理对比分析21世纪以来此类地域建筑案例的地理分布及类型, 归纳总结出这一时期的地域建筑呈现出了理性拓展、多元融合的发展特征。

1.建筑地域分布理性拓展

1.1地域建筑创作横向拓展

融合古典园林文化的地域建筑在地域上呈现横向拓展的发展趋势:起初从上世纪50至70年代,岭南建筑学派首先尝试古典园林文化与现代建筑相结合, 江浙一带民居设计大量结合园林元素,北京地区民族式建筑尝试园林风格。1970至1990年代,两广地区首次尝试高层建筑与园林文化相结合;苏州和杭州相继出现的大型酒店开始结合江南私家园林;北京地区开始注重园林符号的诠释并尝试摆脱传统建筑形制束缚。1990年代至21世纪,四川地区和陕西地区开始进行地域建筑和园林空间的结合;江浙地区的园林结合博览建筑蓬勃发展;北京周边地区开始尝试与国外先进理论的碰撞结合。21世纪以来地域建筑设计百花齐放,全国范围内除东北和西北地区均出现地域建筑和古典园林相结合的情况,注重园林空间的体验和意境营造。从地域建筑时间推演表可以看出(表1),随着时代的发展,我国具有古典园林文化的地域建筑在地域分布上呈现出理性拓展的特点。

1.2地域建筑地理分布与古典园林区位理性吻合

融合古典园林文化的地域建筑在地理分布上与中国古典园林的地域分布高度吻合,这体现出本土建筑师对地域建筑的因地制宜性的准确理解,从当地的园林空间处理特点中汲取养分,创造出真正具有当地园林文化的地域建筑,而不是盲目地借鉴其他古典园林的文化进行融合。

以明清皇家园林为聚集地的北京等地区,建筑师在进行地域建筑设计时,充分考虑北方皇家园林仿景缩景、中轴对称与灵活布局相结合的文化特性。例如贝聿铭大师创作的中国银行总行大厦(北京),在主体建筑中根据轴线布置内庭院,并采用传统的“一池三山”的古典造园思想。钓鱼台国宾馆芳菲苑入口设计巧妙地与园林景观相融合,但空间序列仍呈现垂直的中轴关系。北京银泰中心屋顶花园酒吧的园林景观处理则采用经典的北京四合院对称庭院的园林思想。北京红砖美术馆更是借鉴了北京颐和园的造园思路, 将建筑展示区设置为中轴景观对称,而其内部的园林空间则采用自由灵活的设计手法(表2)。

以江南私家园林为聚集地的苏浙地区,建筑师则汲取了江南私家园林叠山理水、朴素典雅的造园思想和步移景异、轻柔流动的空间营造策略,在他们各自的创作中重点通过文化意境营造和建筑细部表达古典园林文化。无锡灵山禅修中心采用灵活的建筑布局,建筑与景观园林流动结合,相互交融,形成景观点与流线的穿插结合。王澍的中国美术学院象山校区规划采用江南私家园林散点透视的建筑布局精髓,以动线作为整个学校的空间组织手段。贝聿铭的苏州博物馆新馆首先是运用江南私家园林因地制宜的造园思路,将新建筑巧妙融合到周边园林风景中,其次将古典园林符号进行浓缩提炼,运用到现代建筑空间上,营造空间意境(表3)。

以巴蜀园林为聚集地的川滇地区,建筑师抓住巴蜀园林“文、秀、清、幽”的特点,将空间与山地地形巧妙结合营造园林景观,丰富空间层次。云南昆明的“隐舍”充分回应山地地形,巧妙利用场地高差创造立体景观园林,达到纵情山水间的空间意境。成都华清坊大量吸取四川民居的建筑特点,在保证建筑防潮和通风的物理条件的基础上,利用底层架空等营造园林空间,融合园林文化。刘家琨的鹿野苑石刻艺术博物馆,建筑与基地内部的竹林进行巧妙融合,将建筑隐藏在山水之间。类似的建筑还有刘家琨的水井坊博物馆,李晓东的淼庐等(表4)。

以岭南私家园林为聚集地的两广地区,建筑师通过“高墙冷巷”和“连房博厦”的设计手法将建筑与庭院进行有机结合,形成以小见大、壶中天地的空间意境。都市时间设计的美伦酒店及公寓利用蜿蜒曲折的建筑形体,将场地围合切割成为若干个小型的庭院,并利用地形丰富景观层次。东莞万科棠樾利用高墙深巷体现岭南园林曲径通幽的文化情趣,建筑与庭院紧密结合,庭院虽小但十分精致。类似的建筑还有何镜堂建筑创作工作室,松山湖凯悦酒店等(表5)。

2. 地域建筑类型多元融合

进入21世纪之后,随着建筑师对古典园林艺术在文化内涵和空间意境上的深入研究以及国外先进技术理论的引入,融合古典园林文化的地域建筑的建筑类型从最初的博览建筑、居住建筑逐渐向各种建筑类型进行拓展。博览建筑有程泰宁的浙江美术馆、良渚文化博物馆、李可染艺术馆等;住宅单体建筑代表作有李晓东的淼庐,张永和的长城脚下公社之二分宅等;居住区有万科润园、东莞万科棠樾、黄山一号公馆别墅等;酒店会所类建筑有隐舍、三间院、晴翠园会所等;教育建筑有李晓东的玉湖完全小学,王澍的中国美术学院象山校区,何镜堂的重庆工学院花溪校区图书馆等。至今已经在各种建筑类型均有建树,建筑类型向多元化全面化发展, 各种类型、体量、形式、功能的地域建筑均开始对古典园林的文化内涵进行尝试性的融合( 表6)。

3. 总结

综上所述,21世纪以来我国融合古典园林文化的地域建筑呈现出理性拓展、多元融合的趋势。体现在建筑的地理分布逐渐从个别地区拓展到全国大部分地区,地域建筑与所处地域古典园林文化巧妙融合;地域建筑从单一类型拓展为建筑多元化发展,无论是民用建筑还是公共建筑都开始注重与古典园林的结合。对于此类建筑发展的分析研究,有利于今天建筑师们更加清晰地了解我国此类地域建筑发展趋势,把握中国古典园林文化的精髓,创作出真正具有古典园林文化意境特质的地域建筑,使得融合古典园林文化的地域建筑蓬勃发展。

摘要：21世纪以来,随着国内建筑师致力于中国古典园林文化在地域建筑中的表达研究,创作出了很多融合古典园林文化的地域建筑优秀作品。通过对这些地域建筑的系统梳理,选取典型案例对其建筑的地域分布、类型进行了剖析比对研究,揭示此类地域建筑的发展现状及趋势。

信息资源体统配置的分布式机制研究第6篇

一、分布式信息资源配置的协同配置

信息资源分配模式与信息资源关系结构有关, 也与诸多取用因素有关, 因为信息资源的多目的性、多配置主体性, 配置过程和配置规则也受到了多种影响因素的共同制约, 因此, 在信息资源的产生、关系组织、网络流通等环节中, 为了发挥信息资源的最大优势, 就必须在多个需求配置主体之间, 建立起协同工作的和谐关系。协同学, 是有效管理事物及事物之间协同关系的运作规律研究科学, 在特殊的环境下, 多子系统的复杂系统在子元素之间产生相互关联, 产生自我组织协同效应, 将没有规律的复杂系统整合成有序运行的线性系统, 将系统的效果发挥到最大。

在信息资源的分配中, 各获取主体之间就相当于复杂系统中的子系统或子元素, 形成了一个开放式的信息流通系统, 在这样一个复杂的系统中, 科学配置主体间关系, 使之形成具有协同效应的新集群, 才更有利于信息资源分配的高效利用。为此, 我们必须坚持科学的协同分配理论, 寻找合适的协同关系, 优化资源配置规律。信息资源的高效应用是信息资源配置好坏的主要指标, 在分布式信息资源配置机制中, 以信息资源的配置最大收益为主要参考量, 在不同的单位之间以资源配置收益形成协同关系, 在信息资源配置主体之间建立起合作、协作、共享等配置联系, 彻底摆脱传统配置机制中资源单一分配的局限性, 扩大信息资源可共享的空间。

二、分布式信息资源协同配置机制的构建

分布式资源协同配置机制的基本组成。分布式资源协同, 是针对配置主体而言的。分布式主要就是针对配置主体在资源空间上, 将传统平面资源网络, 形成可利用率更高的立体式网络, 因此分布式资源协同机制将对配置主体、信息产生源、共用关系产生影响。从宏观层面上来说, 信息资源的配置机制一方面要对信息资源的分配进行控制, 还要对信息资源的增加关系进行控制, 也就是对整个信息资源池进行动态关系优化。因此分布式资源信息配置机制更能满足整个网络的信息取用需求, 各个信息资源子系统之间也能通过协同关系进行联系, 形成一个有序的宏观资源网络, 再结合配置主体的有序关系, 整体构成一个自发有序系统。

协同机制是信息资源有序存取和协同处理的关键, 要具备一定的可操作性, 过于死板不利于信息资源在机制主体之间的交流;协同关系要有足够的灵活性, 及时调整协同关系, 绕过走不通的配置通路, 有效提高协同工作效率;还有就是协同机制要有足够的辐射性, 要能够满足大范围多元主体的协作, 增加协作主体的同时通过合理的网络调整, 形成更加稳固可靠的协同关系。协同机制中有协同配置实现、协同控制、协同反馈三种子机制。

首先, 协同配置的实现, 对于信息资源配置模式进行优化, 首先对信息资源进行有序参量化, 再通过协同学效应, 对多元主体的获取关系进行优化, 从而优化信息资源的协同利用效率。在协同配置生效后, 还要对协同效果进行评估, 主体对于资源的获取是否有效, 信息资源是否配置均匀等, 再整合形成优化协同配置目标, 如果该目标满足当前环境, 则可以实现信息资源的高效利用, 如果没有满足, 则重新对资源信息进行配置有序规划。在信息资源配置机制达到协同效果最优的情况, 还要提供一个反馈机制, 也就是在多元主体之间通过协同反馈对协同配置机制产生动态调整, 试图形成信息资源共享的动态平衡关系。

三、结束语

总而言之, 信息资源的配置还需要更多的实际数据进行分析, 并能够通过协同反馈机制进行调整, 在动态的平衡关系中, 逐渐找到适合全网资源取用的科学的资源配置机制。

摘要：信息资源在网络中分布于不同地区, 来自于不同行业, 这些分散的资源自配置利用时, 配置主体的多元性是配置方式的决定性因素, 只有通过协同运作模式, 才能让信息资源的配置更加合理, 运用更加高效。本文从协同学原理出发, 以科学协同工作为主要目标, 重点研究信息资源的协同配置中的关键因素, 并在协同配置的基础上实现信息资源的有效控制与反馈, 通过信息资源分配模型, 来对数据的分配做更加详细的分析。

关键词：信息资源,配置方式,分布式

参考文献

[1]周献红.我国政府信息资源配置研究[J].图书馆学研究.2010 (17)

[2]郭变桃.我国信息资源配置制度存在的问题及解决对策[J].中共山西省委党校学报.2010 (03)

[3]余以胜, 李丹.面向行业创新联盟的知识资源整合研究[J].情报理论与实践.2010 (03)

分布式交通信息系统的研究第7篇

1 发展现状

我国高速公路迅猛发展的十几年里,各种交通管理系统的建设基本都是沿着单一功能、独立建设的模式进行,集中式、垂直化的自上而下的信息管理体系成为了主流。但是,随着高速路网结构的日益复杂和多样,金字塔式的多级结构的信息处理方式越来越难以满足信息时代的数据共享的需求。随着信息化、智能化交通系统研究应用的深入发展,从单个交通信息系统的独立运行方式,逐步向交通信息平台主导互联应用的方向转变;从主要为行业管理服务,逐步向兼顾为社会公众服务的方向转变,以满足社会对交通信息的全方位需求,以及不同业务部门之间交通信息共享需求。

2 系统结构

分布式交通信息系统,通过子系统分别对各种交通数据和信息进行采集,按照统一规则对交通系统状态进行处理和分析,通过互联网在综合信息平台进行整合和发布。系统结构采用物理上独立、逻辑上互联的方式,规范数据结构,定义传输接口。各子系统对原始交通数据进行本地化存储和管理,利用分布式的数据处理方法和信息平台互操作技术,对处理后的交通数据进行共享,从而极大的减少信息系统的数据处理量。逐步实现交通信息标准化、智能化、信息化和网络化的发展特征。

处于地理和空间位置不同的子系统,包含了数据采集,信息处理、控制策略和本地存储等诸多独立功能。分布式设计有利于数据信息资源在整个综合系统中合理的分配和优化,克服了传统集中式数据处理带来的资源紧张和响应瓶颈的缺陷。通过统一的标准接口将处理后的交通数据借助互联网技术和GIS平台进行整合,形成开放式、可扩展的交通信息系统。系统结构框图如图1所示。

各个子系统通过综合交通信息平台来进行数据交换和功能协作,子系统的数据采集和处理仍然在自身系统中实现。交通状态、统计分析、辅助决策则依托综合交通信息平台的大量数据和信息来实现。每个子系统都通过标准接口连接到综合交通信息平台上,只有符合规范的数据才能通过这个平台进行传递和交换。

3 数据处理技术

分布式交通信息系统中,起支撑作用的关键基础和核心就是各种数据处理技术。它在不同的子系统中进行采集、存储、交换、整合和控制,它包含了数据标准、数据传输、数据融合、数据挖掘等技术。

3.1 数据标准

交通信息系统的数据来源于各子系统,每个子系统的设备组成、数据格式、传输方式等都有着很大不同。要实现交通数据在不同子系统和信息平台间相互传递和共享,就必须规范和遵循共同的数据标准,这是实现数据共享和交互的前提条件。数据标准定义了数据采集、传输、存储、处理等各个环节的数据种类和数据格式,规定了子系统与交通信息系统实现互联互通的传输接口,为进一步数据的整合和处理做出标准和规范。

3.2 数据传输

交通信息系统的数据包括交通流量、气象数据、视频图像、管理信息和诱导信息等。子系统采集的数据量是非常大的,因此数据的存储和传输就成为关键。为了减轻综合系统的数据处理负担,各子系统按照统一数据标准,利用数据压缩技术,对数据进行本地化存储和管理。根据互联网传输媒介的特点,将交通流量转换成交通状态,将视频信号压缩成H.264格式,充分利用GIS信息平台的优势,使子系统中大流量、高带宽的原始数据经过处理,变成可以通过Internet传输的小流量、低带宽的数据,以满足交通信息系统数据传输的要求。

3.3 数据融合

交通信息系统分析和处理各种不同数据的过程就是信息融合。子系统对路面传感器、视频采集的各种实时数据进行归纳和整合,通过交通信息平台按照交通模型和判定规则进行分析,综合考虑气象、事故、施工、交通管制等各种因素和条件,自动生成交通诱导信息,在GIS平台发布实时路况信息。以智能化、自动化、网络化的技术手段,建立基于核心算法和预测模型的交通信息系统。

3.4 数据挖掘

交通信息系统的数据是多样化的,子系统的分布式数据库和系统平台的核心数据库,形成分级存储,逐级共享的数据资源库。通过数据融合分析处理,充分发挥采集数据的潜力,寻找交通数据模型的决策支持,建立集成不同种类不同应用的数据仓库。充分挖掘交通数据在交通预测模型、智能交通诱导,交通数据统计,交通系统控制等领域中应用。

4 总结

分布式交通信息系统由众多不同的子系统组成,以分布式数据库和集成化信息平台为基础,对子系统提供的交通信息通过数据融合处理,建立数据模型,实施数据共享,发布诱导信息,从而为内部管理和公众服务提供完善的信息平台。

随着智能交通技术的发展,利用信息化手段对高速公路信息系统进行数据共享和功能集成,实现整个路网结构的有效整合。通过交通信息系统平台向用户提供出行信息服务,已成为现代化高速公路重要服务内容。可以预见,分布式交通信息系统未来将在高速公路智能化信息化的发展中起到重要作用。

参考文献

[1]关积珍.ITS共用信息平台系统结构及集成.交通运输系统工程与信息,2002,(4)

[2]李瑞敏,陆化普.综合交通信息平台发展状况与趋势研究.公路交通科技,2005,(4)

分布式视频编码中边信息的产生第8篇

分布式视频编码(Distributed Video Coding,DVC)是与传统视频编码完全不同的一种编码技术。20世纪70年代,Slepian和Wolf提出了一种针对相关信源的无损分布式信源编码理论[1],而Wyner和Ziv将这一理论应用于有损情况,对边信息只在解码端出现时的率失真函数进行了分析[2]。在随后的二十多年里,这一理论一直没有得到实质性的应用。直到近十年,Girod等人将该理论应用于视频编码领域[3],由此产生了一种新的视频编码技术,即分布式视频编码。与传统视频编码中编码复杂、解码相对简单的配置方案不同,分布式视频编码可实现编码简单而解码相对复杂的配置[4]。在分布式视频编码方案中,运动补偿帧间预测主要用于解码端,由此可大大降低编码器的复杂度。分布式视频编码的这一特点非常适合于移动多媒体通信及无线视频传感器网等新技术。在这些新技术中,编码器往往位于移动或便携式终端内,存储、运算能力以及功耗都受到限制,因此要求编码器尽量简单。而解码器可放置于基站或数据处理中心,有条件完成较复杂的算法。

图1是一个简化的分布式视频编码系统框图[5]。其中,编码端将待压缩的视频序列按一定间隔拆分为两路,即WZ帧序列和关键帧(K帧)序列。K帧的编码方式与传统视频编码中的帧内编码相同,而WZ帧则采用分布式信源编码方式进行,即先对其进行量化,然后进行信道编码得到检验位。该校验位与K帧编码数据一起传到解码端。在解码端,K帧编码数据进行帧内解码。另外,利用视频序列的帧间相关性,由解码后的K帧数据和重建的WZ帧数据计算出边信息,边信息实际上就是对WZ帧的预测。将边信息作为信息位,与收到的校验位一起进行信道解码和重建,最终恢复WZ帧数据。显而易见,在该系统中,编码端只需进行帧内编码和信道编码,计算复杂度较低。而解码端需要进行帧内解码、边信息产生、信道解码和WZ帧重建。其中,边信息的产生方法较为复杂,通常需要用到类似于传统视频编码中运动补偿帧间预测的方法。另外,信道解码算法通常也比信道编码方法复杂。因此,该系统编码端的复杂度要远低于解码端。

在图1所示的系统中,可以认为在原始的WZ帧和边信息之间存在一个假想信道。如果解码端产生的边信息精度高,也即预测的WZ帧与原始的WZ帧之间差别小,就说明该假想信道的误码少,这时只需传送少量的校验位即可达到良好的纠错性能,由此可实现大的压缩比。可见,边信息在分布式视频编码中起着非常重要的作用,边信息的精度直接影响到编码系统的压缩性能。下面将详细介绍分布式视频编码系统中边信息的产生方法。

2 边信息的产生方法

边信息的产生方法大致分为两类,第一类是只利用解码端数据产生边信息,第二类是从编码端传送一些辅助数据以提高边信息的精度。在第一类方法中,比较简单的一种是平均值内插法。在这种方法中,被预测的WZ帧中的每一个像素就是与该帧相邻的前后两帧相同位置处两个像素的平均值。平均值内插法没有考虑到图像的运动情况,因此当画面内容变化较大时,这种方法得到的边信息精度较低。

为了获得精度较高的边信息,可借鉴传统视频压缩中的运动补偿预测方法,即利用运动矢量对WZ帧进行运动补偿预测,得到边信息。值得注意的是,DVC中运动矢量的产生方法与传统视频压缩中的运动矢量产生方法有所不同。在传统视频压缩中,运动矢量由编码端计算,直接将被预测帧与参考帧进行比较就可得到运动矢量。而DVC中,运动矢量由解码端计算,由于解码端无法得到被预测帧(即WZ帧),因此只能借助于其它方法得到运动矢量。文献[6]使用了对称运动矢量(Symmetric Motion Vectors,SMV)对WZ帧进行运动补偿内插。使用对称运动矢量需假设某一像块从n-1到n时刻的运动矢量与从n到n+1时刻的运动矢量相同,即假设像块做线性匀速运动。这样一来,WZ帧的运动矢量就可通过相邻帧的运动估计获得。

在第二类方法中,比较有代表性的是文献[7]提出一种编码端传送hash码字的方法。在这种方法中,编码端将每一个WZ帧都分割成NN(如88)的像块,对每一像块进行下采样和量化,量化后的数据即为该像块的hash码字。将每一像块的hash码字与前一帧(参考帧)对应像块的hash码字进行比较,当差别超过某一阈值时,则将其hash码字传送到解码端。解码端在产生边信息时,对于没有传送hash码字的像块,直接用已解码的前一帧对应像块的数据;对于传送hash码字的像块,可根据hash码字的匹配情况在已解码的前一帧中进行运动估计和运动补偿预测。

基于SMV的方法不需要从编码端传送辅助数据,这有利于降低码率。但SMV方法需假设像块做线性匀速运动,当该假设不成立时,产生的边信息精度较低。基于hash码字的方法可提高边信息的精度,但代价是增加了码率。传送的hash码字越多,越有利于提高边信息的精度,但同时hash码字在码流中所占的负荷也越大,码率也相应提高。

针对上述情况,本文提出一种产生边信息的方法,即基于SMV和hash码字的运动补偿内插法。这种方法结合了SMV方式和hash码字方式的优点,在只传送少量hash码字的情况下,可有效提高边信息的精度。系统构成如图2所示。

在编码端,将每一个WZ帧分成88的像块,计算每一个像块的hash码字。将每个像块的hash码字与前一帧对应位置像块的hash码字进行比较,如果差值小于某个设定的阈值,则传送一个“无hash码字”的标志;如果差值大于该阈值,则将该像块的hash码字传送到解码端。严格来说,此时的编码器已不属于帧内编码系统,因为每个WZ帧都需要和前一帧进行hash码字比较,前一帧的hash码字也需要存储。但由于hash码字数据量很少,与传统视频编码器的运动估计及帧存储器相比,hash码字的比较和存储对编码器增加的负担几乎可以忽略。

在解码端,根据hash码字的传送情况逐像块确定边信息。对于某个特定的像块,如果有hash码字传送,则利用该hash码字进行运动补偿内插。方法是在前后两个解码帧中分别进行运动估计,确定前向运动矢量和后向运动矢量,然后进行前向预测和后向预测,并将预测结果进行平均,即得到该像块的边信息。与文献[5]有所不同,这里采用的是运动补偿内插方式,而不是简单的前向预测,这样做可进一步提高预测精度。

对于没有传送hash码字的像块,可采用基于SMV的运动补偿内插方式产生边信息,其原理如图3所示。设第n帧为WZ帧,第n-1帧和第n+1帧分别为A帧和B帧,A帧和B帧为关键帧或已解码的WZ帧。Mn为WZ帧中的某一个像块,Mn-1和Mn+1分别为A帧和B帧的同位置像块。首先以B帧为参考帧,搜索与Mn-1最匹配的像块,得到运动矢量(i,j)。然后以(i/2,j/2)作为Mn的运动矢量,以B帧为参考帧,对Mn进行后向运动补偿预测,得到预测结果Xn+1,如图3a所示。同理,再以A帧为参考帧,搜索与Mn+1最匹配的像块,得到运动矢量(i′,j′)。然后以(i′/2,j′/2)作为Mn的运动矢量,以A帧为参考帧,对Mn进行前向运动补偿预测,得到预测结果Yn-1,如图3b所示。最后,将Xn+1和Yn-1进行平均,就得到了Mn的运动补偿内插值,即Mn的边信息。

3 仿真结果

对几种不同的边信息产生方法进行了计算机仿真,并对结果进行了比较。这几种方法分别为:基于SMV的运动补偿内插方式,基于hash码字的前向预测方式,以及笔者提出的基于SMV和hash码字的运动补偿内插方式。

仿真方法为,在图2所示的系统中,假设所有的偶数帧为WZ帧,所有的奇数帧为K帧。为简化起见,假设解码端已得到原始的K帧数据。在此前提下,在解码端用不同方法产生边信息,并与原始的WZ帧进行比较,计算其PSNR值。PSNR值越大,说明边信息的精度越高。仿真时使用的序列为QCIF格式的Foreman,Carphone,Claire以及Mother and Daughter,长度均为361帧。仿真时只考虑了亮度信号。

hash码字的产生方法是,对每一个88的像块进行下采样和量化,变成44的像块,每个像素量化为32级,即每个88像块的hash码字为80 bit。在编码端,计算WZ帧每个像块的hash码字与前一帧相同位置像块的hash码字之间的均方差,并根据各像块均方差的大小确定是否传送该像块的hash码字。

表1列出了4个序列的仿真结果。表中第一列边信息产生方式中,1为基于SMV的运动补偿内插方式,2为基于hash码字的前向预测方式,3为笔者提出的基于SMV和hash码字的运动补偿内插方式。hash码传送率是指每帧图像中传送hash码的像块数占总像块数的百分比。若hash码传送率太小,则在边信息产生过程中起不到太大作用;若hash码传送率太大,则hash码字在码流中所占的负荷会很大,没有实际意义。因此,笔者对每一个序列进行仿真时只选择了两种比较适中的hash码传送率。

从表1的数据可以看出,与方法1相比,方法3产生的边信息精度均有所提高,最多可达1.87 d B(Carphone序列)。另外,hash码传送率提高时,边信息精度也相应提高。与方法2相比,方法3产生的边信息在同样的hash码传送率下也都有所提高,最多可达4.98 d B(Foreman序列,hash码传送率5.7%)。由此可见,笔者提出的边信息产生方法可有效提高边信息的精度。

4 结论

边信息在分布式视频编码中起着非常重要的作用,边信息的精度直接影响到编码系统的压缩性能。笔者分析了边信息的产生原理,介绍了几种常用的边信息产生方法。在此基础上,提出了一种新的边信息产生方法,即基于SMV和hash码字的运动补偿内插法。该方法将SMV方法和hash码字方法结合在一起,兼顾了两者的优势。仿真结果表明,该方法在只传送少量hash码字的情况下,可有效提高边信息的精度。

摘要：阐述了分布式视频编码中边信息的产生原理,介绍了几种主要的边信息产生方法,提出了一种新的算法,即基于对称运动矢量和hash码字的运动补偿内插法。最后,对不同的边信息产生方法进行了计算机仿真,仿真结果表明,提出的方法可明显提高边信息的精度。

关键词：分布式视频编码,边信息,运动补偿内插,对称运动矢量

参考文献

[1]SLEPIAN J D,WOLF J K.Noiseless coding of correlated infor-mation sources[J].IEEE Trans.Information Theory,1973,19(7):471-480.

[2]WYNER A D,ZIV J.The rate-distortion function for source cod-ing with side information at the decoder[J].IEEE Trans.InformationTheory,1976,22(1):1-10.

[3]GIROD B,AARON A M,RANE S,et al.Distributed videocoding[J].Proceedings of the IEEE,2005,93(1):71-83.

[4]史萍,罗坤.分布式视频编码中符号Turbo码交织器的设计[J].电视技术,2008,32(4):35-37.

[5]史萍.分布式视频编码在视频压缩和容错视频传输中的应用[J].中国传媒大学学报,2007,3(9):39-46.

[6]AARON A,ZHANG R,GIROD B.Wyner-Ziv coding of motionvideo[C]//Conference Record of the Thirty-Sixth Asilomar Conferen-ce on Signals and Systems,2002.Pacific Grove,CA:IEEE Press,2002:240-244.

分布式信息融合论文

分布式信息融合论文第1篇

分布式信息融合论文第2篇

分布式信息融合论文第3篇

分布式信息融合论文第4篇

分布式信息融合论文第5篇

信息资源体统配置的分布式机制研究第6篇

分布式交通信息系统的研究第7篇

分布式视频编码中边信息的产生第8篇

分布式信息融合论文

猜你喜欢

栏目

最近更新

热门标签

分布式信息融合论文

分布式信息融合论文 第1篇

分布式信息融合论文 第2篇

分布式信息融合论文 第3篇

分布式信息融合论文 第4篇

分布式信息融合论文 第5篇

信息资源体统配置的分布式机制研究 第6篇

分布式交通信息系统的研究 第7篇

分布式视频编码中边信息的产生 第8篇

分布式信息融合论文

猜你喜欢

栏目

最近更新

热门标签

分布式信息融合论文第1篇

分布式信息融合论文第2篇

分布式信息融合论文第3篇

分布式信息融合论文第4篇

分布式信息融合论文第5篇

信息资源体统配置的分布式机制研究第6篇

分布式交通信息系统的研究第7篇

分布式视频编码中边信息的产生第8篇