導(dǎo)語：如何才能寫好一篇卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

【關(guān)鍵詞】深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 權(quán)值共享 下采樣 R-CNN Fast-R-CNN

1 緒論

隨著電子信息技術(shù)的快速發(fā)展，芯片的設(shè)計與生產(chǎn)進(jìn)入了納米時代，計算機(jī)的計算能力與計算速度得到了空前的提高，但是人們的需求是無限的，要求計算機(jī)能更加任性化的服務(wù)于我們的生活，這也就要求計算機(jī)本身能像人一樣識別與感知周圍的環(huán)境，并對復(fù)雜的環(huán)境做出正確的判斷。而圖片信息是我們周圍環(huán)境最直觀的，最容易獲取的信息，要求計算機(jī)能對為的環(huán)境做出識別與判斷也就要求計算機(jī)能夠智能的識別圖像信息。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個新的研究領(lǐng)域。通過深度學(xué)習(xí)的方法構(gòu)建深度網(wǎng)絡(luò)來抽取目標(biāo)特征進(jìn)而識別周圍的環(huán)境。卷積神經(jīng)網(wǎng)絡(luò)對圖像的處理具有平移，旋轉(zhuǎn)，扭曲不變的優(yōu)良特性。在處理圖像是更加快捷和便利。卷積神經(jīng)網(wǎng)絡(luò)使得計算機(jī)在感知識別周圍環(huán)境的能力有了巨大的提升，使得計算機(jī)更加智能。卷積神經(jīng)網(wǎng)絡(luò)擁有強(qiáng)大的特征提取能力，使得其在圖像分類識別，目標(biāo)跟蹤等領(lǐng)域有著強(qiáng)大的運(yùn)用。

1.1 國內(nèi)外研究現(xiàn)狀

1986年，Rumelhart和Mc Celland提出BP算法。BP算法反向傳導(dǎo)神經(jīng)網(wǎng)絡(luò)輸出誤差進(jìn)行訓(xùn)練神經(jīng)網(wǎng)絡(luò)。通過BP算法，神經(jīng)網(wǎng)絡(luò)能夠從大量訓(xùn)練數(shù)據(jù)中的學(xué)習(xí)到相關(guān)統(tǒng)計信息，學(xué)習(xí)到的數(shù)據(jù)統(tǒng)計信息能夠反映關(guān)于輸入-輸出數(shù)據(jù)模型的函數(shù)映射關(guān)系。

自2006年以來，Geoffery Hinton教授提出深度信念網(wǎng)絡(luò)。從此深度學(xué)習(xí)在學(xué)術(shù)界持續(xù)升溫。深度學(xué)習(xí)不僅改變著傳統(tǒng)的機(jī)器學(xué)習(xí)方法，也影響著我們對人類感知的理解，迄今已在語音識別和圖像理解等應(yīng)用領(lǐng)域引起了突破性的變革。各種相關(guān)的算法和模型都取得了重要的突破，使得深度學(xué)習(xí)在圖像分類，語音識別，自然語言處理等領(lǐng)域有廣泛的運(yùn)用。

2013年百度成立百度深度學(xué)習(xí)研究院以來我國的人工智能領(lǐng)域取得了長足的進(jìn)步。在人工智能專家吳恩達(dá)的帶領(lǐng)下，百度陸續(xù)推出一系列人工智能產(chǎn)品，無人駕駛技術(shù)，DuerOS語音交互計算平臺，人臉識別技術(shù)，美樂醫(yī)等優(yōu)秀產(chǎn)品。此外Imagenet圖像識別大賽中也誕生了一系列經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，VGG，F(xiàn)ast-R-CNN，SPP-net等等，可以說人工智能技術(shù)在近幾年得到了空前的發(fā)展。

2 深度學(xué)習(xí)概述

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個新方向，通過學(xué)習(xí)樣本數(shù)據(jù)內(nèi)在規(guī)律和深層特征深度，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)能夠像人一樣有分析和學(xué)的能力，尤其在文字處理，圖像識別，語音等領(lǐng)域更加突出。能夠自主學(xué)習(xí)一些新的東西。目前深度學(xué)習(xí)使用的典型技術(shù)是通過特征表達(dá)和分類器來進(jìn)行目標(biāo)識別等任務(wù)的。并在語音識別、圖像處理、機(jī)器翻譯等領(lǐng)域取得很多成果。

深度學(xué)習(xí)不同于以往的淺層學(xué)習(xí)，淺層學(xué)習(xí)模型值包含一個隱藏層，或者不存在隱藏層，深度學(xué)習(xí)則是由很多隱藏層組成的，上一層的輸出作為下一層的輸入，實(shí)驗(yàn)對輸入信息進(jìn)行分級表達(dá)。目前深度學(xué)習(xí)框架主要包含三種深度學(xué)習(xí)框架，如圖1、2、3所示。

3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)層次比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)復(fù)雜，卷積神經(jīng)網(wǎng)絡(luò)包含大量的隱藏層，相鄰的卷積核或者下采樣核采用局部感受野全鏈接，神經(jīng)元權(quán)值共享的規(guī)則，因此卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)的數(shù)量遠(yuǎn)比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)少，卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練和前向測試的復(fù)雜度大幅度降低，同時也減少了神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)過擬合的幾率。卷積神經(jīng)網(wǎng)絡(luò)主要有兩部分，分別是卷積核和下采樣核。卷積核主要對上一層的圖像進(jìn)行卷積運(yùn)算，提取圖像特征，下采樣核則是對上層的數(shù)據(jù)進(jìn)行將為處理，減少神經(jīng)網(wǎng)絡(luò)的復(fù)雜度。

卷積神經(jīng)網(wǎng)絡(luò)中每一個神經(jīng)元的輸入與前一層的局部感受野相連，提取局部感受野的特征，比如圖像的輪廓，顏色等特征，而這些特征不僅包括傳統(tǒng)人類能理解的特征，也包括神經(jīng)網(wǎng)絡(luò)自身能夠識別的特征，卷積核全職共享，因此這些特征提取與圖像的位置無關(guān)。

圖4是經(jīng)典的LeNet5卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，LeNet5架構(gòu)中卷積核和下采樣核交替出現(xiàn)，下采樣核及時的將卷積核生成的特征向量進(jìn)行降維，減少神經(jīng)網(wǎng)絡(luò)的運(yùn)算量。LeNet5算法在1962年幼Hubel等人提出，在識別手寫數(shù)字mnist中有極高的準(zhǔn)確率。

4 R-CNN、Fast-R-CNN對比分析

卷積神經(jīng)網(wǎng)絡(luò)在對圖像進(jìn)行識別具有平移，旋轉(zhuǎn)，扭曲不變的優(yōu)良特性，并且能夠?qū)崿F(xiàn)高準(zhǔn)確率識別圖像，但是在現(xiàn)實(shí)生活運(yùn)用中往往需要神經(jīng)網(wǎng)絡(luò)標(biāo)記出目標(biāo)的相對位置，這是傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)不具備的功能。因此在前人傳統(tǒng)卷積神經(jīng)網(wǎng)路基礎(chǔ)上對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，產(chǎn)生了具有對圖像中目標(biāo)進(jìn)行識別和定位的卷積神經(jīng)網(wǎng)絡(luò)R-CNN，F(xiàn)ast-R-CNN等改良算法。

4.1 R-CNN

R-CNN為Region Convoluntional Neural Network的縮寫即對圖像進(jìn)行局部區(qū)域的卷積處理，其核心思想主要是利用候選區(qū)圖像對物體探測中位置信息進(jìn)行精確處理和利用監(jiān)督式預(yù)訓(xùn)練和區(qū)域特殊化的微調(diào)方法，代替了傳統(tǒng)的非監(jiān)督式預(yù)訓(xùn)練和監(jiān)督式微調(diào)。

在CNN中，全連接層輸入是固定大小的，因此R-CNN用計算機(jī)視覺算法將每一張圖片分割成1000-2000張的候選區(qū)圖片后，要將這些候選區(qū)圖片進(jìn)行變換，生成固定大小的候選圖片，在訓(xùn)練提取特征時一般采用經(jīng)過預(yù)訓(xùn)練的模型參數(shù)進(jìn)行finetuning，榱嗽黽友盜費(fèi)本，模型在也將生成的候選框以及標(biāo)定的標(biāo)簽作為訓(xùn)練樣本進(jìn)行訓(xùn)練。R-CNN采用SVMs分類器對特征向量進(jìn)行分類，在訓(xùn)練SVMs時將候選框經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)提取的特征和SVM標(biāo)定結(jié)果輸入到SVMs分類器訓(xùn)練分類器模型。而在測試時將圖像全部候選框經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)提取的特征輸入到SVMs分類器中，得到每一類的評分結(jié)果。但是R-CNN在處理一張圖片是要處理需要對一張圖片1000-2000個候選區(qū)圖像進(jìn)行前向運(yùn)算，保存所有后選取圖片的特征值，要求計算硬件有大量的存儲空間，同時處理每一張圖片的時間也會增加。由于訓(xùn)練集龐大，本文采用hard negative mining method方法提高存儲的利用率。

R-CNN的體現(xiàn)出了極大的優(yōu)勢，其中MAP也可以大幅度提高，但是正如本文上述，R-CNN計算的時間成本很大，達(dá)不到實(shí)時的計算效果，R-CNN在對候選區(qū)進(jìn)行處理時會使得圖像失真，部分信息丟失。

4.2 Fast-R-CNN

Fast-R-CNN則是再次改進(jìn)的一種基于卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤定位算法。相比于R-CNN，F(xiàn)ast-R-CNN從單輸入變?yōu)殡p輸入，在全連接層后有了兩個輸出，引入了Rol層。

Fast-R-CNN在運(yùn)行的時候同樣會生成大量的候選區(qū)，同時將原始的圖片用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，將原始圖片提取的特征與生成的候選區(qū)坐標(biāo)送入Rol層為每一個候選區(qū)生成一個固定大小的特征向量。最后將Rol生成的特征向量全連接層產(chǎn)生最終的LOSS。Fast-R-CNN中的LOSS采用多LOSS模式，SoftMax LOSS用于計算K+1分類的損失，K為第K個目標(biāo)，1為背景；Regression LOSS計算候選區(qū)的四個角的坐標(biāo)。

Fast-R-CNN在MAP上有了大幅度的提升，速度也得到了提升，但是在計算候選區(qū)是仍存在瓶頸，這也是限制Fast-R-CNN速度的因素。

5 實(shí)驗(yàn)測試

對于本文提出的卷積神經(jīng)網(wǎng)絡(luò)識別圖像定位圖像目標(biāo)算法R-CNN，F(xiàn)ast-R-CNN，在本章給出實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)平臺為基于Linux系統(tǒng)的debian8下運(yùn)行caffe進(jìn)行訓(xùn)練，采用顯卡K620進(jìn)行實(shí)驗(yàn)。

訓(xùn)練模型初始化參數(shù)在是服從高斯隨機(jī)分布，R-CNN采用的網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示，F(xiàn)ast-R-CNN的網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

本次實(shí)現(xiàn)的訓(xùn)練樣本為錄制實(shí)驗(yàn)室視頻數(shù)據(jù)，將視頻數(shù)據(jù)轉(zhuǎn)換成幀圖片，對每張圖片數(shù)據(jù)進(jìn)行裁剪，裁剪后圖像大小在256*256，共有500張，再將裁剪后的圖片進(jìn)行旋轉(zhuǎn)，平移，扭曲，鏡像，加噪聲等處理，最后生成144萬張樣本圖片，其中136.8萬張圖片作為訓(xùn)練樣本，7.2萬張作為測試樣本。

6 總結(jié)

在目標(biāo)識別定位領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的圖像處理能力，對圖像的識別定位具有很高度平移，旋轉(zhuǎn)，扭曲不變形的優(yōu)良性能。卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)R-CNN和Fast-R-CNN都有強(qiáng)大的圖像處理能力。Fast-R-CNN在識別準(zhǔn)確率上比R-CNN高。R-CNN算法復(fù)雜，對一張圖片需要進(jìn)行1000-2000次的卷積運(yùn)算，特征重復(fù)提取。因此在訓(xùn)練和前向測試時，R-CNN用的時間長，不能很好的適用于處理實(shí)時圖片數(shù)據(jù)，尤其視頻數(shù)據(jù)。R-CNN在對每個候選區(qū)進(jìn)行特征提取之后需要將提取的特征向量存入內(nèi)存，降低訓(xùn)練測試時間的同時也需要耗費(fèi)大量內(nèi)存。因此從各方面分析可知，F(xiàn)ast-R-CNN性能優(yōu)于R-CNN。

參考文獻(xiàn)

[1]謝寶劍.基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法研究[D].合肥工業(yè)大學(xué)，2015.

[2]鄭胤，陳權(quán)崎，章毓晉.深度學(xué)習(xí)及其在目標(biāo)和行為識別中的新進(jìn)展[J].中國圖象圖形學(xué)報，2014（02）：175-184.

[3]陳先昌.基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與運(yùn)用研究[D].杭州：浙江工商大學(xué)，2006（04）：603-617.

[4]李彥冬，郝宗波，雷航等.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機(jī)應(yīng)用，2016.

[5]Gibson.J J.The perception of the Visual World[J].Cambridge，England，1950.

[6]HORN B，SCHUNCK P.Determining optical flow[J].Artificial Intelligence， 1981，17：185-203.

[7]R.Girshick，J.Donahue，T. Darrell，and J.Malik，“Rich feature hierarchies for accurate object detection and semantic segmentation，”in CVPR，2014

[8]Ross Girshick，Wicrosoft Research. Fast R-CNN，.

[9]R.Girshick.Fast R-CNN. arXiv：1504.08083，2015.

篇2

以上文章都結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型對交通標(biāo)志分類做了大量的研究，避免了復(fù)雜的人工特征提取算法的設(shè)計，研究結(jié)果具有一定的參考性。在現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)模型的啟發(fā)下，以上文章都采用分類器。而訓(xùn)練分類器需要大量樣本，因而在小樣本數(shù)據(jù)下，采用分類器容易造成過擬合，降低網(wǎng)絡(luò)的泛化性。同時，由于SVM分類器在小樣本數(shù)據(jù)集上具有出色分類性能，本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和多類SVM分類器[[4]的交通標(biāo)志識別模型。此模型利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取和泛化能力，使得算法在復(fù)雜環(huán)境中依然具有可靠的識別結(jié)果。  首先，本文通過遷移學(xué)習(xí)策略「51L61對AlexNet網(wǎng)絡(luò)[7]特征提取部分進(jìn)行微調(diào)，并將微調(diào)結(jié)果作為本文的特征提取器。然后將卷積神經(jīng)網(wǎng)絡(luò)提取的特征作為多類SVM分類器的輸入。同時為了進(jìn)一步防止過擬合現(xiàn)象的發(fā)生，本文在SVM分類器中加入dropout層，利用隨機(jī)置零策略進(jìn)行參數(shù)選擇。最后，文章通過實(shí)驗(yàn)結(jié)果證實(shí)本文提出的分類模型相比于采用softmax分類器有更好的準(zhǔn)確率、在復(fù)雜背景中具有較高的識別率和較強(qiáng)的魯棒性棒。1卷積神經(jīng)網(wǎng)絡(luò)和SVM

1.1  AlexNet網(wǎng)絡(luò)    

AlexNet網(wǎng)絡(luò)是著名的卷積分類網(wǎng)絡(luò)，可成功實(shí)現(xiàn)對1000類別物體的分類。其結(jié)構(gòu)可以分為特征提取器和分類器兩部分。    

特征提取器主要由卷積層、池化層、激活函數(shù)組成。卷積層由大小不同的卷積核組成，卷積核類似于傳統(tǒng)視覺中的特征提取算子。但區(qū)別于傳統(tǒng)視覺算子，卷積核參數(shù)由網(wǎng)絡(luò)自己學(xué)習(xí)得到，可以提取圖像從底層到高層的不同特征信息。池化層常連接在卷積層之后，一般常用最大池化操作。池化層可以加強(qiáng)網(wǎng)絡(luò)對平移變化的魯棒性。激活函數(shù)為網(wǎng)絡(luò)引入非線性因素，使得網(wǎng)絡(luò)可以逼近任意函數(shù)形式。    

分類層主要由全連接層和多類邏輯回歸函數(shù)組成。全連接層學(xué)習(xí)用合理的方式組合特征，可以看為函數(shù)映射。邏輯回歸函數(shù)進(jìn)行類別概率判別，邏輯回歸判別見公式。同時，為了防止全連接層過擬合，AlexNet網(wǎng)絡(luò)引入dropout層，dropout[9]采用隨機(jī)置零的方式，防止神經(jīng)元以特定的方式組合工作，從而防止深度網(wǎng)絡(luò)的過擬合。p}Y}}}=j1二(‘);B)=藝  e醉x})丫‘eBTx}' }e'  j代表類別，二(i)為輸入，k代表類別總數(shù)，8，表示將樣本x}')映射到j(luò)類的參數(shù)，B代表er,r=i,z,~…  ,，組成的矩陣，p(少‘)=j}x(仍表示x}'}屬于j類的概率。1.2標(biāo)準(zhǔn)SVM    SVM是基于結(jié)構(gòu)風(fēng)險最小化理論的有監(jiān)督學(xué)習(xí)算法，通過尋找最優(yōu)分割超平面來實(shí)現(xiàn)分類[}10}。相比于神經(jīng)網(wǎng)絡(luò)，SVM在小樣本數(shù)據(jù)集上也能表現(xiàn)出良好的分類效果，因而得到廣泛使用。標(biāo)準(zhǔn)的SVM通過尋求公式(2)的最優(yōu)解來找到最優(yōu)超分割平面。minw,b含，，w，，(2)yc> (w·二(‘)+b) >_ 1，i=1, 2,……，m尹)代表第i個樣本標(biāo)簽，x}'}代表第i個樣本特，m為訓(xùn)練集大小。分類模型設(shè)計    

本文提出的分類模型主要分為兩部分，特征提取部分和多類SVM分類器。整體結(jié)構(gòu)如圖1所示。    

圖1中，特征提取器主要對輸入圖片進(jìn)行特征提取和融合，最終得到圖像的高階特征并將提取到的信息特征送入多類SVM分類器。dropout層進(jìn)行參數(shù)隨機(jī)丟失步驟，此步驟通過隨機(jī)失活神經(jīng)元可有效防止過擬合的發(fā)生;然后結(jié)合不加正則化項(xiàng)的SVM算法進(jìn)行分類，得到最終輸出結(jié)果。

2.1特征提取器    

篇3

過去10年，人們對機(jī)器學(xué)習(xí)的興趣激增。幾乎每天，你都可以在各種各樣的計算機(jī)科學(xué)課程、行業(yè)會議、華爾街日報等等看到有關(guān)機(jī)器學(xué)習(xí)的討論。在所有關(guān)于機(jī)器學(xué)習(xí)的討論中，許多人把機(jī)器學(xué)習(xí)能做的事情和他們希望機(jī)器學(xué)習(xí)做的事情混為一談。從根本上講，機(jī)器學(xué)習(xí)是使用算法從原始數(shù)據(jù)中提取信息，并在某種類型的模型中表示這些信息。我們使用這個模型來推斷還沒有建模的其他數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一種模型，它們至少有50年歷史了。神經(jīng)網(wǎng)絡(luò)的基本單元是節(jié)點(diǎn)(node)，基本上是受哺乳動物大腦中的生物神經(jīng)元啟發(fā)。神經(jīng)元之間的連接也以生物的大腦為模型，這些連接隨著時間的推移而發(fā)展的方式是為“訓(xùn)練”。

在20世紀(jì)80年代中期和90年代初期，許多重要的架構(gòu)進(jìn)步都是在神經(jīng)網(wǎng)絡(luò)進(jìn)行的。然而，為了得到好的結(jié)果需要大量時間和數(shù)據(jù)，這阻礙了神經(jīng)網(wǎng)絡(luò)的采用，因而人們的興趣也減少了。在21世紀(jì)初，計算能力呈指數(shù)級增長，計算技術(shù)出現(xiàn)了“寒武紀(jì)大爆發(fā)”。在這個10年的爆炸式的計算增長中，深度學(xué)習(xí)成為這個領(lǐng)域的重要的競爭者，贏得了許多重要的機(jī)器學(xué)習(xí)競賽。直到2017年，這種興趣也還沒有冷卻下來；今天，我們看到一說機(jī)器學(xué)習(xí)，就不得不提深度學(xué)習(xí)。

作者本人也注冊了Udacity的“Deep Learning”課程，這門課很好地介紹了深度學(xué)習(xí)的動機(jī)，以及從TensorFlow的復(fù)雜和/或大規(guī)模的數(shù)據(jù)集中學(xué)習(xí)的智能系統(tǒng)的設(shè)計。在課程項(xiàng)目中，我使用并開發(fā)了用于圖像識別的卷積神經(jīng)網(wǎng)絡(luò)，用于自然語言處理的嵌入式神經(jīng)網(wǎng)絡(luò)，以及使用循環(huán)神經(jīng)網(wǎng)絡(luò)/長短期記憶的字符級文本生成。

本文中，作者總結(jié)了10個強(qiáng)大的深度學(xué)習(xí)方法，這是AI工程師可以應(yīng)用于他們的機(jī)器學(xué)習(xí)問題的。首先，下面這張圖直觀地說明了人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三者之間的關(guān)系。

人工智能的領(lǐng)域很廣泛，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個子集，機(jī)器學(xué)習(xí)又是人工智能的一個子領(lǐng)域。將深度學(xué)習(xí)網(wǎng)絡(luò)與“經(jīng)典的”前饋式多層網(wǎng)絡(luò)區(qū)分開來的因素如下:

比以前的網(wǎng)絡(luò)有更多的神經(jīng)元更復(fù)雜的連接層的方法用于訓(xùn)練網(wǎng)絡(luò)的計算機(jī)能力的“寒武紀(jì)大爆炸”自動特征提取

這里說的“更多的神經(jīng)元”時，是指神經(jīng)元的數(shù)量在逐年增加，以表達(dá)更復(fù)雜的模型。層(layers)也從多層網(wǎng)絡(luò)中的每一層都完全連接，到在卷積神經(jīng)網(wǎng)絡(luò)中層之間連接局部的神經(jīng)元，再到在循環(huán)神經(jīng)網(wǎng)絡(luò)中與同一神經(jīng)元的循環(huán)連接(recurrent connections)。

深度學(xué)習(xí)可以被定義為具有大量參數(shù)和層的神經(jīng)網(wǎng)絡(luò)，包括以下四種基本網(wǎng)絡(luò)結(jié)構(gòu)：

無監(jiān)督預(yù)訓(xùn)練網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)遞歸神經(jīng)網(wǎng)絡(luò)

在本文中，主要介紹后三種架構(gòu)。基本上，卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一個標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)，通過共享的權(quán)重在空間中擴(kuò)展。CNN設(shè)計用于通過內(nèi)部的卷積來識別圖像，它可以看到圖像中待識別的物體的邊緣。循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)被設(shè)計用于識別序列，例如語音信號或文本。它的內(nèi)部有循環(huán)，這意味著網(wǎng)絡(luò)上有短的記憶。遞歸神經(jīng)網(wǎng)絡(luò)更像是一個層級網(wǎng)絡(luò)，在這個網(wǎng)絡(luò)中，輸入必須以一種樹的方式進(jìn)行分層處理。下面的10種方法可以應(yīng)用于所有這些架構(gòu)。

1.反向傳播

反向傳播(Back-prop)是一種計算函數(shù)偏導(dǎo)數(shù)(或梯度)的方法，具有函數(shù)構(gòu)成的形式(就像神經(jīng)網(wǎng)絡(luò)中)。當(dāng)使用基于梯度的方法(梯度下降只是方法之一)解決優(yōu)化問題時，你需要在每次迭代中計算函數(shù)梯度。

對于神經(jīng)網(wǎng)絡(luò)，目標(biāo)函數(shù)具有組合的形式。如何計算梯度呢？有兩種常用的方法：(i)解析微分(Analytic differentiation)。你已經(jīng)知道函數(shù)的形式，只需要用鏈?zhǔn)椒▌t(基本微積分)來計算導(dǎo)數(shù)。(ii)利用有限差分進(jìn)行近似微分。這種方法在計算上很昂貴，因?yàn)楹瘮?shù)值的數(shù)量是O(N)，N指代參數(shù)的數(shù)量。不過，有限差分通常用于在調(diào)試時驗(yàn)證back-prop實(shí)現(xiàn)。

2.隨機(jī)梯度下降法

一種直觀理解梯度下降的方法是想象一條河流從山頂流下的路徑。梯度下降的目標(biāo)正是河流努力達(dá)到的目標(biāo)——即，到達(dá)最底端(山腳)。

現(xiàn)在，如果山的地形是這樣的，在到達(dá)最終目的地之前，河流不會完全停下來(這是山腳的最低點(diǎn)，那么這就是我們想要的理想情況。)在機(jī)器學(xué)習(xí)中，相當(dāng)從初始點(diǎn)(山頂)開始，我們找到了解決方案的全局最小(或最佳)解。然而，可能因?yàn)榈匦蔚男再|(zhì)迫使河流的路徑出現(xiàn)幾個坑，這可能迫使河流陷入困境。在機(jī)器學(xué)習(xí)術(shù)語中，這些坑被稱為局部極小值，這是不可取的。有很多方法可以解決這個問題。

因此，梯度下降很容易被困在局部極小值，這取決于地形的性質(zhì)(用ML的術(shù)語來說是函數(shù)的性質(zhì))。但是，當(dāng)你有一種特殊的地形時(形狀像一個碗，用ML的術(shù)語來說，叫做凸函數(shù))，算法總是保證能找到最優(yōu)解。凸函數(shù)對ML的優(yōu)化來說總是好事，取決于函數(shù)的初始值，你可能會以不同的路徑結(jié)束。同樣地，取決于河流的速度(即，梯度下降算法的學(xué)習(xí)速率或步長)，你可能以不同的方式到達(dá)最終目的地。這兩個標(biāo)準(zhǔn)都會影響到你是否陷入坑里(局部極小值)。

3.學(xué)習(xí)率衰減

根據(jù)隨機(jī)梯度下降的優(yōu)化過程調(diào)整學(xué)習(xí)率(learning rate)可以提高性能并減少訓(xùn)練時間。有時這被稱為學(xué)習(xí)率退火(learning rate annealing)或自適應(yīng)學(xué)習(xí)率(adaptive learning rates)。訓(xùn)練過程中最簡單，也是最常用的學(xué)習(xí)率適應(yīng)是隨著時間的推移而降低學(xué)習(xí)度。在訓(xùn)練過程開始時使用較大學(xué)習(xí)率具有進(jìn)行大的改變的好處，然后降低學(xué)習(xí)率，使得后續(xù)對權(quán)重的訓(xùn)練更新更小。這具有早期快速學(xué)習(xí)好權(quán)重，后面進(jìn)行微調(diào)的效果。

兩種常用且易于使用的學(xué)習(xí)率衰減方法如下：

逐步降低學(xué)習(xí)率。在特定的時間點(diǎn)較大地降低學(xué)習(xí)率。

4?. Dropout

具有大量參數(shù)的深度神經(jīng)網(wǎng)絡(luò)是非常強(qiáng)大的機(jī)器學(xué)習(xí)系統(tǒng)。然而，過擬合在這樣的網(wǎng)絡(luò)中是一個嚴(yán)重的問題。大型網(wǎng)絡(luò)的使用也很緩慢，這使得在測試時將許多不同的大型神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)合起來變得困難。Dropout是解決這個問題的一種方法。

Dropout的關(guān)鍵想法是在訓(xùn)練過程中隨機(jī)地從神經(jīng)網(wǎng)絡(luò)中把一些units(以及它們的連接)從神經(jīng)網(wǎng)絡(luò)中刪除。這樣可以防止單元過度適應(yīng)。在訓(xùn)練過程中，從一個指數(shù)級的不同的“稀疏”網(wǎng)絡(luò)中刪除一些樣本。在測試時，通過簡單地使用一個具有較小權(quán)重的單一網(wǎng)絡(luò)，可以很容易地估計所有這些“變瘦”了的網(wǎng)絡(luò)的平均預(yù)測效果。這顯著減少了過擬合，相比其他正則化方法有了很大改進(jìn)。研究表明，在視覺、語音識別、文檔分類和計算生物學(xué)等監(jiān)督學(xué)習(xí)任務(wù)中，神經(jīng)網(wǎng)絡(luò)的表現(xiàn)有所提高，在許多基準(zhǔn)數(shù)據(jù)集上獲得了state-of-the-art的結(jié)果。

5. Max Pooling

最大池化(Max pooling)是一個基于樣本的離散化過程。目標(biāo)是對輸入表示(圖像，隱藏層輸出矩陣等)進(jìn)行下采樣，降低其維度，并允許對包含在分區(qū)域中的特征進(jìn)行假設(shè)。

這在一定程度上是為了通過提供一種抽象的表示形式來幫助過擬合。同時，它通過減少學(xué)習(xí)的參數(shù)數(shù)量，并為內(nèi)部表示提供基本的平移不變性(translation invariance)，從而減少計算成本。最大池化是通過將一個最大過濾器應(yīng)用于通常不重疊的初始表示的子區(qū)域來完成的。

6.批量歸一化

當(dāng)然，包括深度網(wǎng)絡(luò)在內(nèi)的神經(jīng)網(wǎng)絡(luò)需要仔細(xì)調(diào)整權(quán)重初始化和學(xué)習(xí)參數(shù)。而批量標(biāo)準(zhǔn)化有助于實(shí)現(xiàn)這一點(diǎn)。

權(quán)重問題：無論權(quán)重的初始化如何，是隨機(jī)的也好是經(jīng)驗(yàn)性的選擇也罷，都距離學(xué)習(xí)到的權(quán)重很遙遠(yuǎn)?？紤]一個小批量(mini batch)，在最初時，在所需的特征激活方面將會有許多異常值。

深度神經(jīng)網(wǎng)絡(luò)本身是有缺陷的，初始層中一個微小的擾動，就會導(dǎo)致后面層巨大的變化。在反向傳播過程中，這些現(xiàn)象會導(dǎo)致對梯度的分散，這意味著在學(xué)習(xí)權(quán)重以產(chǎn)生所需輸出之前，梯度必須補(bǔ)償異常值，而這將導(dǎo)致需要額外的時間才能收斂。

批量歸一化將梯度從分散規(guī)范化到正常值，并在小批量范圍內(nèi)向共同目標(biāo)(通過歸一化)流動。

學(xué)習(xí)率問題：一般來說，學(xué)習(xí)率保持較低，只有一小部分的梯度校正權(quán)重，原因是異常激活的梯度不應(yīng)影響學(xué)習(xí)的激活。通過批量歸一化，減少異常激活，因此可以使用更高的學(xué)習(xí)率來加速學(xué)習(xí)過程。

7.長短時記憶

LSTM網(wǎng)絡(luò)在以下三個方面與RNN的神經(jīng)元不同：

能夠決定何時讓輸入進(jìn)入神經(jīng)元；能夠決定何時記住上一個時間步中計算的內(nèi)容；能夠決定何時讓輸出傳遞到下一個時間步長。

LSTM的優(yōu)點(diǎn)在于它根據(jù)當(dāng)前的輸入本身來決定所有這些。所以，你看下面的圖表：

當(dāng)前時間標(biāo)記處的輸入信號x(t)決定所有上述3點(diǎn)。輸入門從點(diǎn)1接收決策，遺忘門從點(diǎn)2接收決策，輸出門在點(diǎn)3接收決策，單獨(dú)的輸入能夠完成所有這三個決定。這受到我們的大腦如何工作的啟發(fā)，并且可以基于輸入來處理突然的上下文/場景切換。

8. Skip-gram

詞嵌入模型的目標(biāo)是為每個詞匯項(xiàng)學(xué)習(xí)一個高維密集表示，其中嵌入向量之間的相似性顯示了相應(yīng)詞之間的語義或句法相似性。Skip-gram是學(xué)習(xí)單詞嵌入算法的模型。

Skip-gram模型(以及許多其他的詞語嵌入模型)的主要思想是：如果兩個詞匯項(xiàng)(vocabulary term)共享的上下文相似，那么這兩個詞匯項(xiàng)就相似。

換句話說，假設(shè)你有一個句子，比如“貓是哺乳動物”。如果你用“狗”去替換“貓”，這個句子仍然是一個有意義的句子。因此在這個例子中，“狗”和“貓”可以共享相同的上下文(即“是哺乳動物”)。

基于上述假設(shè)，你可以考慮一個上下文窗口(context window，一個包含k個連續(xù)項(xiàng)的窗口)，然后你跳過其中一個單詞，試著去學(xué)習(xí)一個能夠得到除跳過項(xiàng)外所有項(xiàng)的神經(jīng)網(wǎng)絡(luò)，并預(yù)測跳過的項(xiàng)是什么。如果兩個詞在一個大語料庫中反復(fù)共享相似的語境，則這些詞的嵌入向量將具有相近的向量。

9.連續(xù)詞袋(Continuous Bag Of Words)

在自然語言處理問題中，我們希望學(xué)習(xí)將文檔中的每個單詞表示為一個數(shù)字向量，使得出現(xiàn)在相似的上下文中的單詞具有彼此接近的向量。在連續(xù)的單詞模型中，我們的目標(biāo)是能夠使用圍繞特定單詞的上下文并預(yù)測特定單詞。

我們通過在一個龐大的語料庫中抽取大量的句子來做到這一點(diǎn)，每當(dāng)我們看到一個單詞時，我們就會提取它周圍的單詞。然后，我們將上下文單詞輸入到一個神經(jīng)網(wǎng)絡(luò)，并預(yù)測位于這個上下文中心的單詞。

當(dāng)我們有成千上萬的這樣的上下文單詞和中心詞以后，我們就有了一個神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集的實(shí)例。訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后編碼的隱藏層輸出表示特定單詞的嵌入。而當(dāng)我們對大量的句子進(jìn)行訓(xùn)練時也能發(fā)現(xiàn)，類似語境中的單詞得到的是相似的向量。

10.遷移學(xué)習(xí)

篇4

>> 用于腦運(yùn)作分析的前向網(wǎng)絡(luò)樣本重組樹生成算法研究 基于三角構(gòu)成規(guī)則的加權(quán)有向網(wǎng)絡(luò)拓?fù)渖伤惴?適用于網(wǎng)絡(luò)漸進(jìn)傳輸?shù)亩喾直媛是€生成算法 全排列生成算法比較分析 KenKen問題的生成算法研究 曲線生成算法的文獻(xiàn)綜述 基于列生成算法的集裝箱班輪運(yùn)輸網(wǎng)絡(luò)優(yōu)化 基于全卷積神經(jīng)網(wǎng)絡(luò)的圖像縮略圖生成算法 傳感器網(wǎng)絡(luò)中一種基于編碼的MAC生成算法 數(shù)據(jù)庫關(guān)鍵詞檢索中候選元組集連接樹生成算法的研究 基于分類隨機(jī)算法的試卷生成算法研究 分析基于列生成算法的動車組檢修計劃優(yōu)化 AOS自相似業(yè)務(wù)流等時幀生成算法的Matlab仿真分析 關(guān)于傳統(tǒng)空間緩沖區(qū)生成算法的分析 基于Bresenham的直線快速生成算法 題庫系統(tǒng)中試卷生成算法的改進(jìn) 一種可用于腦神經(jīng)網(wǎng)絡(luò)分析的有向網(wǎng)絡(luò)分解算法 形式概念演化生成算法 MPI通信代碼自動生成算法 一種啟發(fā)式雙代號網(wǎng)絡(luò)圖自動生成算法 常見問題解答 當(dāng)前所在位置：l.（Xie Qin. Framework of Brain Information Processing[Z].[2013-10-21]. .）

[30]謝勤.WAP算法連續(xù)化及其應(yīng)用[C].畢業(yè)論文，2004.

[31]謝勤.一種可用于腦神經(jīng)網(wǎng)絡(luò)分析的有向網(wǎng)絡(luò)分解算法[J].數(shù)字化用戶，2014，3：113-116.（Xie Qin. An Arithmetic For Neural Network Analysis： From Directed Graph To FFN Trees [J].Digitization user，2014， 3：113-116.）

[32]謝勤.一種可用于腦神經(jīng)網(wǎng)絡(luò)分析的有向網(wǎng)絡(luò)分解算法[C].第八屆海內(nèi)外華人神經(jīng)科學(xué)家研討會論文集.北京：科學(xué)出版社，2014.（Xie Qin. An Arithmetic For Neural Network Analysis： From Directed Graph To FFN Trees [C]. Proceedings of Symposium for Chinese Neuroscientists Worldwide 2014. Beijing： Science Press. 2014.）

[33]謝勤.用于腦運(yùn)作分析的前向網(wǎng)絡(luò)樣本重組樹生成算法研究[C].電子技術(shù)與軟件工程，2016，4：258-264.（Xie Qin. FeedForward Network Sample Recombination Tree Generating Arithmetic（DG-FFN SR Trees Arithmetic） And Generation Of Sample Recombination Graph [J]. Electronic Technology & Software Engineering， 2016，4：258-264.）

（通訊作者：謝勤）

作者簡介

謝勤（1982-），男，A南理工大學(xué)碩士，中國神經(jīng)科學(xué)學(xué)會會員，工程師，近年在亞組委信息技術(shù)部完成核心信息系統(tǒng)――計時記分和成績處理系統(tǒng)項(xiàng)目實(shí)施管理方面的工作，其中計時記分系統(tǒng)投資一億。主要研究方向?yàn)橛嬎銠C(jī)科學(xué)與工程、人工智能、神經(jīng)生物學(xué)。

作者單位

1.廣州市科技和信息化局 廣東省廣州市 510000

2.第16屆亞運(yùn)會組委會信息技術(shù)部 廣東省廣州市 510000

3.廣州生產(chǎn)力促進(jìn)中心 廣東省廣州市 510000

4.廣州市科學(xué)技術(shù)信息研究所 廣東省廣州市 510000

5.廣州市科技創(chuàng)新委員會 廣東省廣州市 510000

篇5

基金項(xiàng)目:甘肅省自然科學(xué)基金資助項(xiàng)目（1014RJZA009）；甘肅省教育廳碩士生導(dǎo)師基金資助項(xiàng)目（0803-07）。

作者簡介:王燕（1971-），女，甘肅蘭州人，副教授，碩士，主要研究方向：模式識別、圖像處理、智能信息處理； 公維軍（1987-）,男，甘肅張掖人，碩士研究生，主要研究方向：模式識別。

文章編號:1001-9081（2011）07-1822-03doi:10.3724/SP.J.1087.2011.01822

（蘭州理工大學(xué) 計算機(jī)與通信學(xué)院， 蘭州 730050）

（）

摘 要:提出了一種基于雙閾值的兩級級聯(lián)分類器的人臉檢測加速方法。該方法首先應(yīng)用Gabor濾波器提取經(jīng)模板匹配保留的似人臉樣本特征，經(jīng)主成分分析（PCA）降維后的特征作為第一級BP神經(jīng)網(wǎng)絡(luò)輸入進(jìn)行檢測，在輸出端應(yīng)用雙閾值對人臉/非人臉進(jìn)行粗檢測，然后把介于雙閾值之間的人臉/非人臉模塊作為第二級AdaBoost算法設(shè)計的輸入并再次進(jìn)行精檢測，從而在提高檢測速度的同時達(dá)到提高檢測率和降低誤檢率的目的。實(shí)驗(yàn)表明，應(yīng)用雙閾值進(jìn)行級聯(lián)分類加速檢測后，該方法的檢測精度要優(yōu)于基于簡單閾值的分類器。

關(guān)鍵詞:人臉檢測；雙閾值；分類器；級聯(lián)；加速

中圖分類號:TP391.4文獻(xiàn)標(biāo)志碼:A

Accelerated algorithm of face detection based on

dual-threshold cascade classifiers

WANG Yan，GONG Wei-jun

（School of Computer and Communication, Lanzhou University of Technology, Lanzhou Gansu 730050, China）

Abstract: The paper proposed an accelerating way of face detection based on dual-threshold cascade classifiers. First, it applied Gabor filter to extract the face-like features that were retained by template matching, then put eigenvectors extracted by the way of Principal Component Analysis （PCA） into the BP neural network as first classifier, then used dual-threshold to decide face or non-face on output end, and put the face or non-face of midway between up and down threshold into the AdaBoost classifier as the second classifier to decide. In this way, it can improve the detection rate and reduce the false rate while speeding up the detection speed. The experimental results prove that the precision of cascade classifier of face detection based on dual-threshold is superior to the classifier of single threshold.

Key words: face detection; dual-threshold; classifier; cascade; acceleration

0 引言

人臉作為人類視覺中常見而復(fù)雜的模式，它所表現(xiàn)的信息在人與人的交流及人機(jī)交互領(lǐng)域都有著重要的意義。對人臉進(jìn)行檢測在安保視頻監(jiān)控，目標(biāo)身份檢測、門禁系統(tǒng)、智能人機(jī)接口和偵查犯罪等諸多領(lǐng)域都有著廣泛的應(yīng)用背景。人臉檢測可描述為對一幅給定的圖像（靜態(tài)或者視頻），采用一定的方法和策略對其進(jìn)行搜索以確定其中是否含有人臉以及人臉在圖像中出現(xiàn)的位置。

人臉是一類非剛性的自然形體,雖然具有很強(qiáng)的共性,但由于個體表情、光照、遮掩以及成像角度等因素的影響,使得人臉具有比較復(fù)雜而細(xì)致的模式變化。如果能夠很好地提取關(guān)鍵特征及設(shè)計良好的分類器，將為解決后續(xù)跟蹤識別及相似的復(fù)雜模式檢測問題提供有益的指導(dǎo),所以人臉檢測是當(dāng)前模式識別領(lǐng)域的一個熱點(diǎn)研究課題。

之前不少學(xué)者提出了各種綜合算法以及一些改進(jìn)算法，Rowley等人［1］提出了使用神經(jīng)網(wǎng)絡(luò)算法設(shè)計的人臉檢測模型，Viola等人［2］等人提出了用簡單特征訓(xùn)練級聯(lián)人臉檢測器的AdaBoost方法，這之后又有學(xué)者在此基礎(chǔ)上提出了改進(jìn)算法，如Lienhart等人提出的擴(kuò)展特征的旋轉(zhuǎn)人臉檢測［3］、支持向量機(jī)［4］等。還有學(xué)者提出各種模型算法，如膚色模型的人臉檢測［5-6］等。上述基于單一分類器的人臉檢測在一定程度上提高了檢測精度，但是由于自身特點(diǎn)的局限性，并且分類閾值的單一性等造成了進(jìn)一步提升精度和降低報警率的困難。本文通過級聯(lián)分類這種粗細(xì)檢測的原則，提出了一種基于雙閾值的級聯(lián)分類器的加速人臉檢測方法。與以往級聯(lián)的方法不同，本方法結(jié)合基于知識與統(tǒng)計的方法［7］，先應(yīng)用模板匹配將大量背景去除，只將其中很少的似人臉?biāo)腿氲谝患塀P神經(jīng)網(wǎng)絡(luò)構(gòu)成的分類器進(jìn)行雙閾值初檢，將介于上下閾值的人臉/非人臉?biāo)腿霊?yīng)用Haar特征的AdaBoost算法的第二級分類器進(jìn)行精確判別。實(shí)驗(yàn)證明該方法能夠有效提高檢測率，降低誤檢率并提高檢測速度。

1 兩級分類器的構(gòu)建

1.1 基于Gabor小波的BP神經(jīng)網(wǎng)絡(luò)分類器

1.1.1 Gabor小波特征提取

Gabor小波變換（加窗傅里葉變換）由于其小波核函數(shù)具有和人腦大腦皮層簡單細(xì)胞的二維反射區(qū)相類似的特性，使其在空間頻率、方向選擇及空間位置的局部信息上有著良好的采集和分辨能力，因此在以生物學(xué)和視覺特性為背景的圖像學(xué)和人臉檢測等多方面得到了廣泛的應(yīng)用。

二維Gabor濾波器函數(shù)形式為：

Gj（w）exp（－）［exp（ikjw）－exp（－）］（1）

其中：kj,φuu?,w（x,y）；δ為高斯窗口的尺度因子，控制濾波器的帶寬和尺度；φu與ωv控制濾波器的調(diào)制方向和頻率。只要選擇合適的δ、φu和ωv，就可以使Gabor小波濾波器構(gòu)成Gabor濾波器組來一同作用于圖像，從而實(shí)現(xiàn)目標(biāo)圖像的Gabor小波分解，得到我們所要的特征。在本文中通過檢測窗口與Gabor濾波器組卷積即可得到我們所要提取的特征。

1.1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差修正學(xué)習(xí)規(guī)則的網(wǎng)絡(luò)，它實(shí)現(xiàn)一種由輸入到輸出的非線性空間的一種映射，它的模型一般由輸入層、隱層、輸出層組成，隱層可以由一層或多層組成。該算法學(xué)習(xí)的目的是對網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，使得對任意輸入都能得到所謂期望的輸出［8］，它采用了優(yōu)化的梯度下降算法，直到調(diào)整的誤差滿足需求為止。

1.2 基于AdaBoost算法的人臉檢測分類器

1.2.1 Haar特征模板和積分圖像

應(yīng)用AdaBoost學(xué)習(xí)算法的特征級聯(lián)人臉檢測方法是由Viola和Jones提出來的，該方法采用一種“積分圖像”的表示方法，能快速從人臉中計算出所用到的人臉特征。

Haar型特征是Viola等人提出的一種簡單的矩形矩陣。Haar型特征的值是指圖像上兩個或者多個形狀大小相同的矩形內(nèi)部所有像素灰度值之和的差值。這些以圖像灰度值為自變量的矩形特征在邊緣檢測方面有著很好的表現(xiàn)能力，對人臉臉部的各種特征有很好的提取和編碼能力,檢測速度很快。

Haar型特征的計算是通過引入積分圖像實(shí)現(xiàn)的，見圖1。對于一個灰度圖像I，它的積分圖像i的定義為圖像中（x,y）點(diǎn)左上部分所有像素點(diǎn)的累加：

I（x,y）∑x′≤x,y′≤yi（x′,y′）（2）

圖1 積分圖像

這時，1、2、3、4的積分圖的值分別為A、A+B、A+C、A+B+C+D,D點(diǎn)的矩形特征可以通過4+1-（2+3）計算得出，這樣，只要對圖像遍歷一次，就可以得到積分圖，就可以在恒定的時間內(nèi)得到任意尺度下的圖像的特征。

1.2.2 AdaBoost學(xué)習(xí)算法

AdaBoost學(xué)習(xí)算法選擇少量而又非常重要的矩形特征來構(gòu)造一系列弱分類器，然后將這些弱分類器級聯(lián)起來構(gòu)成一個強(qiáng)分類器。算法通過選擇最能區(qū)分正負(fù)樣本的矩形特征。對于每一個特征，弱分類器給定一個最優(yōu)的分類函數(shù)的閾值，使得最少的樣本被錯誤分類。一個弱分類器hj（x）包含矩形特征fj，閾值θj和用于控制不等式方向的pj：

hj（x）1, pjfj（x）≤pjθj

0, 其他 （3）

具體學(xué)習(xí)算法如下：

設(shè)（X1,Y1）、（X2,Y2）、…、（Xn,Yn）為具體輸入的圖像，用Yj0,1來標(biāo)記正負(fù)樣本，T為循環(huán)次數(shù)。

1）初始化權(quán)值w1，對正樣本（Yj1）和負(fù)樣本（Yj0）有I1/（2m），1/（2n）。

2）當(dāng)t1,2,…,T時:

①標(biāo)準(zhǔn)化權(quán)值，wt,i

②對每一個特征j,訓(xùn)練相應(yīng)的分類器hj使該分類器對該特征進(jìn)行分類，誤差為εj∑Tt1wt|hj（x）－yi|。

③選擇最小誤差分類的分類器。

④更新權(quán)值wt+1,twt,jβ1－eit，若Xi被正確地分類，則ei0；反之，ei1,βt（1－ei）/t。

⑤最終的強(qiáng)分類器為：

h（x）1, ∑Tt1αtht（x）≥∑Tt1αt

0， 其他 （4）

其中αtlb （1/βt）。

2 基于雙閾值的級聯(lián)分類器的加速算法

2.1 系統(tǒng)構(gòu)造框架

為了解決基于傳統(tǒng)的檢測方法中無論是單分類器還是級聯(lián)分類器均由單一閾值造成漏檢與誤檢之間的矛盾，本文在兼顧速度的同時通過利用雙閾值設(shè)置檢測緩沖區(qū)，達(dá)到提高檢測率與降低誤檢率和漏檢率的目的。具體流程如圖2所示。

圖2 人臉檢測系統(tǒng)框架

2.2 樣本選取和圖像預(yù)處理

該系統(tǒng)所用的人臉訓(xùn)練樣本來自MIT、ORL訓(xùn)練圖庫。為了便于訓(xùn)練，統(tǒng)一將其裁剪為21×18的樣本圖像進(jìn)行相應(yīng)的分類器訓(xùn)練，在訓(xùn)練當(dāng)中可以根據(jù)后期檢測結(jié)果適時添加一些非人臉樣本，減少一定的盲目性。

無論在訓(xùn)練還是在檢測前，為了減少圖像由于光照、背景以及采集設(shè)備等造成的影響，都將進(jìn)行一定的預(yù)處理。在本系統(tǒng)中，我們采用了連續(xù)性能更好的Gamma光照補(bǔ)償，這樣當(dāng)原始圖像分布不均勻，并且主要集中在較低范圍灰度級時，經(jīng)過均衡處理后，圖像的灰度動態(tài)范圍變大，對比度增強(qiáng)，人臉特征更加突出。這樣可以進(jìn)一步減少光照等因素帶來的影響，從而更有利于提取人臉特征。

2.3 系統(tǒng)加速算法設(shè)計

傳統(tǒng)基于滑動窗的檢測方法在待測圖像中依次滑動，通過將每一個窗口送入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行判別，而經(jīng)實(shí)驗(yàn)測試一張21×18的圖片在本文所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類器中運(yùn)行時間為0.07s左右，若進(jìn)行全部窗口測試，計算量相當(dāng)大，這也是時間復(fù)雜度相對較高的原因之一。基于此，本文對基于歐氏距離的模板匹配算法［9］進(jìn)行模板改進(jìn)，去除眼睛模板，在應(yīng)用多尺度壓縮的圖像金字塔方法的測試圖片上進(jìn)行整體模板匹配［10］，通過保留與人臉相似度大的窗口位置進(jìn)行神經(jīng)網(wǎng)絡(luò)分類器測試進(jìn)而將大量背景去除，通過這種加速處理方法來提高前期算法的效率。

2.4 雙閾值級聯(lián)分類器

第一級分類器我們采用神經(jīng)網(wǎng)絡(luò)的方法［11-12］。它是通過主成分分析（Principal Component Analysis,PCA）降維［13］后進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的分類器，由于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用時存在一些問題，如容易形成局部最小問題、收斂速度問題而不能保證全局最小結(jié)果［14］，因此本文在訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)時采用具有自適應(yīng)能力的動量項(xiàng)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化設(shè)計。對隱層的神經(jīng)元來說：

Δwji（n）αΔwji（n－1）+ηδj（n）yj（n）（5）

對于輸出層來說：

Δwji（n）αΔwji（n－1）+ηδk（n）yj（n）（6）

在式（5）和式（6）中，α為動量因子，調(diào)節(jié)范圍在（0,1），其中式中第二項(xiàng)相當(dāng)于ηδ（n）y（n）－η，可以根據(jù)這一項(xiàng)來判斷誤差曲面的趨勢以進(jìn)行自適應(yīng)調(diào)整，從而不至于過大造成過沖或過小造成收斂速度慢,從而起到一定的穩(wěn)定作用。根據(jù)具體實(shí)驗(yàn)效果，得出了以下自適應(yīng)因子數(shù)據(jù)參照表，見表1。

表1 自適應(yīng)因子參照表

通過自適應(yīng)因子來調(diào)節(jié)學(xué)習(xí)速度進(jìn)而控制反饋回路。通過應(yīng)用優(yōu)化設(shè)計的BP網(wǎng)絡(luò)，其收斂速度和魯棒性得到了很大的提高。

將達(dá)到一定程度的匹配模塊經(jīng)過Gabor特征提取輸入第一級分類器，在應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行粗檢測時，如果高于雙閾值中的上閾值則直接判別為人臉，不再送入細(xì)檢測分類器；而低于下閾值的直接判別為非人臉，直接剔除；而由于訓(xùn)練集范圍的有限性及光照，遮掩等各種原因，在介于高閾值和低閾值之間的范疇中，有存在人臉的可能性。因此，把介于這兩個閾值之間的人臉與部分非人臉圖像塊再輸入基于Haar特征的AdaBoost分類算法的第二級分類器進(jìn)行再次判別，由于只檢測第一級分類器輸出介于雙閾值之間的人臉或非人臉的小尺寸圖像，所以在此進(jìn)一步進(jìn)行加速檢測。

由于第二級分類器采用灰度級上的積分特征提取，所以能夠快速地對介于雙閾值中的人臉/非人臉從灰度級上進(jìn)行確認(rèn)。最后通過這兩級級聯(lián)分類器的最終確認(rèn)并合并人臉中心位置以確定最終位置，從而得到檢測后最終的人臉圖像。

2.5 算法描述

根據(jù)粗細(xì)檢測的原則，對檢測圖片進(jìn)行分類器級聯(lián)檢測，由第一級神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行粗檢測，在與第二級分類器級聯(lián)時，通過設(shè)置雙閾值接口算法來進(jìn)行細(xì)檢測從而達(dá)到既降低計算復(fù)雜度又提高精度的目的。具體算法描述如下：

1）初始化分類器，預(yù)處理測試集圖片

2）FOR i1:n//n為測試集圖片數(shù)

Input classifier_gabor&bp（ ）//進(jìn)入第一級分類器

FOR j1:m //m為第一級分類器初檢圖像塊數(shù)

IF wj>Threshold_up

yj+1 accept//加入到人臉集

ELSE IF

（wjThreshold_down）

Input classifier_adaboost（ ）//進(jìn)入第二級分類器

IF （wj>Threshold_adaboost）

yj+1 accept//再次確認(rèn)加入到人臉集

ELSE discard

ELSE discard

END

END

Threshold_up與Threshold_down為系統(tǒng)第一級分類器的上下閾值。

3 系統(tǒng)測試結(jié)果與分析

為了驗(yàn)證該算法的加速性能與檢測率，采用2組實(shí)驗(yàn)進(jìn)行檢測，第一組采用一張320×240的標(biāo)準(zhǔn)視頻的一幀靜態(tài)多人臉圖像進(jìn)行速度檢測，驗(yàn)證本文算法的加速性能；第二組進(jìn)行識別率檢測，首先對CMU實(shí)驗(yàn)室的CMU_PIE中的gallery圖庫中的68張簡單背景正面人臉進(jìn)行檢測，由于背景單一且為單人臉，檢測率最高達(dá)到了100%，同時為了進(jìn)一步驗(yàn)證算法設(shè)計的有效性，我們對部分MIT+CMU的測試圖片以及室外收集的部分圖片進(jìn)行了測試（包含120張圖片，235個人臉，其中包括部分不超過±20°的側(cè)面人臉），并對單一使用AdaBoost算法檢測人臉與BP神經(jīng)網(wǎng)絡(luò)、Gabor+BP神經(jīng)網(wǎng)絡(luò)人臉檢測方法做了對比實(shí)驗(yàn)，實(shí)驗(yàn)1和實(shí)驗(yàn)2的結(jié)果如下所示，圖4為應(yīng)用雙閾值級聯(lián)分類器的對比效果。

表2 不同算法檢測速度和檢測率

圖3 部分測試圖片檢測效果

圖4 雙閾值級聯(lián)分類效果對比

通過以上實(shí)驗(yàn)結(jié)果表明，本文提出的算法在精確度和魯棒性上有了明顯的提高，從表2的檢測速度上來看，雖然本文提出的算法相比AdaBoost算法較慢，但比傳統(tǒng)算法有很大幅度的提高，有進(jìn)一步提升的潛力；同時從圖4中可以清晰地看出，應(yīng)用雙閾值粗細(xì)檢測方法能進(jìn)一步降低誤檢率，精度有相對較大的提升。

4 結(jié)語

本文提出了一種基于雙閾值的兩級級聯(lián)分類器的人臉加速檢測方法，通過模板匹配方法來降低在分類器中的計算時間，同時在兩級級聯(lián)分類器之間設(shè)置雙閾值接口進(jìn)行級聯(lián)檢測，并在第一級分類器的收斂性上做了一定的改進(jìn)，在加速的同時更加提高了精度。通過應(yīng)用雙閾值級聯(lián)分類器的加速算法判斷人臉/非人臉，解決了基于傳統(tǒng)閾值分類器在檢測當(dāng)中的矛盾問題，速度也有相應(yīng)的提高，誤檢率進(jìn)一步降低，系統(tǒng)整體性能得到了提升。

參考文獻(xiàn):

［1］ ROWLEY H A, BALUJA S, KANADA T. Neural network-based face detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20（1）:23-38.

［2］ VIOLA P, JONES M. Rapid object detection using a boosted cascade of simple features［C］// Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2001:511-518.

［3］ LIENHART R, MAYDT J. An extended set of haar-like features for rapid object detection［C］// Proceedings of the International Conference in Image Processing. New York:IEEE, 2002:900-903.

［4］ HEISELE B, SERRE T, POGGIO T. A component-based framework for face detection and identification［J］. International Journal of Computer Vision, 2007, 74（2）:167-181.

［5］ HSU R L, ABDEL-MOTTALEB M, JAIN A K. Face detection in color images［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24（5）:696-706.

［6］ 月書仁,梁昔明,葉吉祥,等.基于臉部信息和支持向量機(jī)的人臉檢測［J］.計算機(jī)應(yīng)用,2006,26（5）:1032-1034.

［7］ 梁路宏,艾海舟,徐光佑,等.人臉檢測研究綜述［J］.計算機(jī)學(xué)報,2002,25（5） :449-458.

［8］ 王志良,孟秀艷.人臉工程學(xué)［M］.北京:機(jī)械工業(yè)出版社,2008.

［9］ 梁路宏,艾海舟,徐光佑,等.基于模板匹配與人工神經(jīng)網(wǎng)確認(rèn)的人臉檢測［J］.電子學(xué)報,2001,29（6）:744-747.

［10］ 林宇生,楊靜宇. 基于Gabor濾波特征和支持向量機(jī)的人臉檢測［J］. 計算機(jī)工程與應(yīng)用, 2007, 43（1）:33-34.

［11］ 聶祥飛,郭軍.基于Gabor小波的人臉檢測［J］.計算機(jī)工程,2006,32（21）:44-46.

［12］ 頊改燕,徐華,翟忠武,等.基于Gabor濾波器和BP神經(jīng)網(wǎng)絡(luò)的人臉皮膚皺紋區(qū)域自動識別［J］.計算機(jī)應(yīng)用,2010,30（2）:430-432.

篇6

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)；故障測距；小波包；相對誤差

0 引言

我國礦井配電網(wǎng)多為6kV單側(cè)電源供電系統(tǒng)，采取中性點(diǎn)非有效接地方式，屬于小電流接地系統(tǒng)（NUGS）。饋電回路選用多段短電纜徑向延伸為各種井下高低壓電機(jī)、電氣設(shè)備、照明及各種通信、自動化裝置和儀表、儀器提供電能。由于井下工作環(huán)境惡劣，供電電纜經(jīng)常發(fā)生接地、斷線、短路等故障，據(jù)電力部門統(tǒng)計，其中單相接地故障的發(fā)生率最高。盡管發(fā)生單相接地故障時，線電壓仍然對稱，暫時不影響對負(fù)荷的連續(xù)供電，但就礦井這類危險易爆場所而言，當(dāng)發(fā)生單相接地故障時，應(yīng)盡快跳閘斷電以確保安全。為此，必須及時對故障點(diǎn)進(jìn)行定位、排除故障、加快恢復(fù)線路供電。

NUGS饋線的故障定位問題一直以來未得到滿意的解決，這與其自身的特點(diǎn)有關(guān)。由于電網(wǎng)變壓器中性點(diǎn)不直接接地，造成單相接地電流無法形成小阻抗回路，故障電流主要由線路對地電容電流提供，其數(shù)值較小，且基波分量幅值故障前后變化不大，使得定位保護(hù)裝置很難準(zhǔn)確進(jìn)行故障選線和定位。考慮到井下環(huán)境條件和負(fù)荷的特殊性，礦井配電網(wǎng)與傳統(tǒng)意義上的NUGS存在一定的差異：單相接地產(chǎn)生的暫態(tài)分量較穩(wěn)態(tài)分量大得多，暫態(tài)波形畸變嚴(yán)重，應(yīng)研究利用暫態(tài)電氣量進(jìn)行故障測距的可行性；饋電線路分支少、長度短，對測距精度要求高[1]。

鑒于上述原因，本文就井下配電網(wǎng)故障測距問題進(jìn)行研究，以期提高故障測距的精度和可靠性。

1 BP網(wǎng)絡(luò)的結(jié)構(gòu)和算法

BP網(wǎng)絡(luò)結(jié)構(gòu)上類似于多層感知器，是一種多層前饋神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)權(quán)值的訓(xùn)練算法為誤差反向傳播（BP）學(xué)習(xí)算法。如圖1所示為一典型3層BP網(wǎng)絡(luò)模型。

圖1 3層BP網(wǎng)絡(luò)模型

以圖示BP網(wǎng)絡(luò)模型為例說明網(wǎng)絡(luò)的學(xué)習(xí)過程：

（1）初始化。為每個連接權(quán)值wij、wjt、閥值θj、θt賦予（-1，1）區(qū)間的隨機(jī)值。

（2）給定輸入輸出目標(biāo)樣本。給定輸入向量Xp=（x1，x2，...，xn）和期望目標(biāo)向量Tp=（t1，t2，...，tm），p∈1，2，...，P。

（3）計算網(wǎng)絡(luò)各層的輸出。由輸入樣本、連接權(quán)值、閥值及各層神經(jīng)元傳遞函數(shù)計算隱含層和輸出層的輸出。

（4）計算網(wǎng)絡(luò)實(shí)際輸出與期望輸出的一般化誤差。系統(tǒng)的目標(biāo)函數(shù)為：

E=■■■（t■-y■）2=■E■（1）

網(wǎng)絡(luò)通過調(diào)整權(quán)值和閥值使?jié)M足預(yù)先設(shè)定的一個極小值。

（5） 利用目標(biāo)函數(shù)調(diào)整網(wǎng)絡(luò)的權(quán)值和閥值。BP算法按照目標(biāo)函數(shù)梯度的反方向?qū)W(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整，使目標(biāo)函數(shù)收斂，即實(shí)際輸出接近目標(biāo)輸出。對于第p個輸入樣本的權(quán)值、閥值，按下式修正，式中？濁為學(xué)習(xí)速率。

？駐w=-？濁■， ？駐θ=-？濁■（2）

對應(yīng)的權(quán)值、閥值按下式調(diào)整，式中為迭代步數(shù)。

w（k+1）=w（k）+？駐wθ（k+1）=θ（k）+？駐θ（3）

（6）隨機(jī)選擇下一組學(xué)習(xí)樣本向量進(jìn)行訓(xùn)練，直到P個樣本對訓(xùn)練完畢。

（7）重新從P個學(xué)習(xí)樣本中隨機(jī)選取一組輸入、目標(biāo)樣本對，返回步驟（3），直到目標(biāo)函數(shù)E收斂于給定值，若訓(xùn)練次數(shù)大于設(shè)定的最大訓(xùn)練次數(shù)，則網(wǎng)絡(luò)不收斂。

由于BP算法學(xué)習(xí)速率為固定值，收斂速度較慢，且可能會產(chǎn)生多個局部極小值，另外網(wǎng)絡(luò)的隱含層層數(shù)和神經(jīng)元數(shù)目的選擇尚無理論指導(dǎo)，因此網(wǎng)絡(luò)具有較大的冗余性。為了克服以上不足，提出了許多改進(jìn)算法，從改進(jìn)途徑上分為兩類：

一類為啟發(fā)式學(xué)習(xí)算法，如動量BP算法、彈性算法、學(xué)習(xí)率可變的BP算法等；另一類為快速優(yōu)化算法，如擬牛頓算法、LM算法等。

2 基于BP小波神經(jīng)網(wǎng)絡(luò)的故障測距

小波包具有正交特性、信號分解后的信息量是完整的，因此利用小波包算法分析信號頻率的分布情況，能夠有效提取信號的暫態(tài)特征。對于電纜線路而言，其暫態(tài)零序電流的自由振蕩頻率一般在1500～3000Hz之間[2-3]。本文利用小波包提取該頻段的暫態(tài)零序電流信號模極大值作為神經(jīng)網(wǎng)絡(luò)模型的輸入，以期實(shí)現(xiàn)高精度的故障測距。

2.1 小波基的選擇

在利用小波包提取模極大值時，小波基的選擇十分重要，選擇不同的小波基對信號進(jìn)行分解，可以突出不同特點(diǎn)的信號特征。Daubechies小波系是信號分析處理中常用的一類小波，具有緊支性、正交性，滿足精確重構(gòu)條件，但由于其不具有對稱性，因而其邊界效應(yīng)會隨尺度的增加而擴(kuò)大，引起分解誤差；Morlet小波常用于信號表示、圖像特征的提取和識別；Mexican hat小波則用于系統(tǒng)辨識。

3次B樣條小波是一種具有線性相位的緊支對稱小波，分頻能力強(qiáng)，頻帶相干小，由于具有對稱性，只要采取合理的延拓方式，其邊界效應(yīng)引起的誤差可忽略不計。

B樣條基函數(shù)的遞推公式如下：

N■（x）=1，x■≤x≤x■0，x？埸x■，x■N■（x）=■N■（x）+■N■（x）（4）

3次B樣條基函數(shù)N■（x）在xi，xi+4上具有局部支集性，表達(dá)式如（5）所示。

（5）若取參數(shù)x■=i（i=0，1，...，n）為節(jié)點(diǎn)即為均勻B樣條基，再對均勻B樣條基作參數(shù)變換，在每個子區(qū)間內(nèi)以參數(shù)代換，在每個子區(qū)間的值均為u0，1。3次B樣條基函數(shù)的表達(dá)式如式6所示。

由于二進(jìn)小波包變換具有平移不變性，不會引起正交小波包變換在所分析信號不連續(xù)處產(chǎn)生的偽吉布斯現(xiàn)象[4]。故本文利用3次B樣條小波包對短路故障電流進(jìn)行卷積型二進(jìn)小波包分解，以期獲得更顯著的故障特征信息。

N■（x）=■，x■≤x≤x■■+■，x■≤x≤x■■+■，x■≤x≤x■■，x■≤x≤x■0，x？埸x，x■

（5）

N■（u）=■u3■（-3u3+3u2+3u+1）■（3u3-6u2+4）■（-u3+3u2-3u+1） 0≤u≤1（6）

2.2 分解尺度的選擇

如何選擇分解尺度對于零序電流暫態(tài)分量的模極大值提取至關(guān)重要，尺度取得越大，信號與噪聲的表現(xiàn)差異越明顯，越有利于兩者的分離。但分解尺度取得越大，則對應(yīng)的頻帶寬度越窄，采樣點(diǎn)數(shù)過小，不利于下一步的信號分析[5-7]。

由于本文仿真的采樣頻率取1MHz，則Nyquist頻率為5kHz，為提取暫態(tài)零序電流1500～3000Hz頻率段分量，小波包分解層數(shù)為3，考慮小波包頻帶劃分規(guī)則，?。?，3）、（3，7）頻帶的零序電流暫態(tài)分量即可滿足要求。

2.3 BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的選擇

欲利用BP小波神經(jīng)網(wǎng)絡(luò)計算井下配電網(wǎng)故障測距，必須首先確定BP網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，如各層的初始權(quán)值、閥值，學(xué)習(xí)速率，各層節(jié)點(diǎn)數(shù)、傳遞函數(shù)等，只有確定了網(wǎng)絡(luò)的最佳配置，才能有效解決所提出的問題[8]。

（1）網(wǎng)絡(luò)層數(shù)的確定。Hecht-Nielsen已經(jīng)證明，在不限制隱層節(jié)點(diǎn)數(shù)的情況下，含有一個隱層的BP網(wǎng)絡(luò)能夠?qū)崿F(xiàn)任意非線性映射。Cybenko指出，當(dāng)隱層傳遞函數(shù)選用S型傳遞函數(shù)時，單隱層足以滿足解決任意判決分類問題的需要，兩個隱層則能夠?qū)崿F(xiàn)輸入圖形的映射。增加隱層數(shù)可以進(jìn)一步提高精度，但同時會增加網(wǎng)絡(luò)權(quán)值的訓(xùn)練時間。另外，增加隱層神經(jīng)元個數(shù)也能降低誤差，訓(xùn)練效果也更易觀察，因此，應(yīng)優(yōu)先考慮增加隱含層神經(jīng)元的個數(shù)。對于本文研究的故障測距問題，網(wǎng)絡(luò)需要較快的收斂速度，因此采用單隱層網(wǎng)絡(luò)。

（2）各層節(jié)點(diǎn)數(shù)目的確定。網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)等于輸入向量的維數(shù)。由于井下電網(wǎng)大多數(shù)實(shí)時運(yùn)行參數(shù)如負(fù)荷、系統(tǒng)等效阻抗可由監(jiān)控終端獲得，其它隨機(jī)性因素如發(fā)生故障線路、故障時刻可由故障后可測信息準(zhǔn)確識別，不可知變化因素僅包括接地過渡電阻及故障點(diǎn)位置，并且神經(jīng)網(wǎng)絡(luò)的內(nèi)插性能優(yōu)于外推性能，故輸入向量維數(shù)等于3，分別為（3，3）、（3，7）頻帶零序電流暫態(tài)分量的模極大值和故障點(diǎn)過渡電阻值。輸出層節(jié)點(diǎn)數(shù)為1，表示故障點(diǎn)位置。隱含層節(jié)點(diǎn)數(shù)的選擇比較復(fù)雜，需要依據(jù)經(jīng)驗(yàn)和經(jīng)過多次實(shí)驗(yàn)確定，選取過多將導(dǎo)致學(xué)習(xí)時間過長，過少將引起容錯性差，對未經(jīng)學(xué)習(xí)的樣本識別能力低。根據(jù)Hebe準(zhǔn)則可以確定最佳隱含層節(jié)點(diǎn)數(shù)的參考值。另外，也可先令隱含層節(jié)點(diǎn)數(shù)可變，開始時給以較小數(shù)值，學(xué)習(xí)到給定訓(xùn)練次數(shù)最大值，若未達(dá)到收斂精度則再增加節(jié)點(diǎn)數(shù)，直至達(dá)到合理數(shù)值為止。經(jīng)過多次仿真訓(xùn)練，隱層節(jié)點(diǎn)數(shù)為11時，網(wǎng)絡(luò)的訓(xùn)練誤差最小。

（3）初始權(quán)值的選取。初始權(quán)值的選擇對于網(wǎng)絡(luò)能否收斂和訓(xùn)練的速度關(guān)系密切。若權(quán)值選擇過大，會使加權(quán)輸入處于激勵函數(shù)的飽和區(qū)，導(dǎo)致無法進(jìn)行權(quán)值的調(diào)整。威得羅等人提出一種權(quán)值初定策略，選擇權(quán)值的量級為S1的r次方，其中S1為第一層神經(jīng)元數(shù)目，利用此方法可以在較少的訓(xùn)練次數(shù)下獲得滿意的訓(xùn)練結(jié)果。本文選擇的輸入層及隱含層至輸出層的初始權(quán)值均為0.25。

（4）訓(xùn)練算法的選擇。給定一個具體問題，采用何種訓(xùn)練算法對于是否能夠達(dá)到目標(biāo)誤差及網(wǎng)絡(luò)收斂速度的影響很大。就中等規(guī)模的前饋神經(jīng)網(wǎng)絡(luò)而言，LM算法的訓(xùn)練函數(shù)trainlm可以獲得比其它任何一種算法更小的均方誤差，且收斂速度最快，在精度要求較高時，該算法的優(yōu)點(diǎn)尤其突出。本文選擇LM算法對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

（5）學(xué)習(xí)速率的選擇。一般情況下傾向于選擇較小的學(xué)習(xí)速率以保證訓(xùn)練過程的穩(wěn)定性，但是過小的學(xué)習(xí)速率會導(dǎo)致訓(xùn)練時間過長，收斂速度很慢，無法保證網(wǎng)絡(luò)的誤差值跳出誤差曲面的低谷而最終趨于最小誤差，一般選擇范圍在0.01～0.9之間。

3 系統(tǒng)仿真及測距結(jié)果

深井供電系統(tǒng)仿真模型如圖2所示。各模塊參數(shù)如下：進(jìn)線電纜（In line）采用YJV42，線路正序參數(shù)為：R1=0.078/km，L1=0.27mH/km，C1=0.695F/km，零序參數(shù)為：R0=0.106/km，L0=1.223mH/km，C0=0.358F/km；配電電纜（Line）采用YJV32；采區(qū)電纜（Mine line）、負(fù)荷電纜（Load line）采用UPQ，正序參數(shù)為：R1=0.024/km，L1=0.516mH/km，C1=0.308F/km，零序參數(shù)為：R0=0.196/km，L0=3.98mH/km，C0=0.203F/km；采區(qū)變壓器（MineT1）型號為KBSG-200/6/0.69kV，Ud%=4%，I0%=2.5%；隔爆移動變電站（MineT2）選用KBSGZY-315/6/1.2kV，P0=1400W，Pd=2200W。負(fù)荷變壓器采用SL7-100/6/0.4kV。線路長度分別為：進(jìn)線電纜取1km；

配電電纜1、3、4取0.5km；配電電纜2取0.4km；采區(qū)電纜長度均取0.3km；負(fù)荷電纜取0.2km。電源線電壓有效值6.3kV，X/R ratio=7。

考慮配電線路1在不同故障點(diǎn)位置和過渡電阻下發(fā)生單相接地故障（數(shù)據(jù)窗取故障前1ms至故障后4ms共5ms）得到的暫態(tài)零序電流經(jīng)小波包分析后（3，3）、（3，7）頻帶的模極大值（為防止邊界效應(yīng)引起的信號值突變，取前2000個采樣值進(jìn)行模極大值分析）經(jīng)歸一化處理后所形成的訓(xùn)練和測試樣本集，對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并測試網(wǎng)絡(luò)的測距性能。

選取的訓(xùn)練樣本集如下：

（1）過渡電阻值分別為0.01、5、50、100、150、200、250、300、350、400、450、500；

（2）在靠近線路兩端發(fā)生故障時，應(yīng)適當(dāng)減小故障距離以提高測距精度。故障點(diǎn)位置分別為：0.01km、0.02km、0.025km、0.075km、0.125km、0.175km、0.225km、0.25km、0.3km、0.325km、0.375km、0.425km、0.475km、0.48km、0.49km。

組合兩因素可形成12×15=180個訓(xùn)練樣本集。

訓(xùn)練誤差曲線如圖3所示，經(jīng)2794次迭代后誤差收斂于0.00099829，基本達(dá)到了設(shè)定的目標(biāo)誤差0.001。

為檢驗(yàn)訓(xùn)練后BP網(wǎng)絡(luò)的推廣能力即測距效果，采用非訓(xùn)練樣本集進(jìn)行測試，選取的測試樣本集如下圖3：

圖3 BP網(wǎng)絡(luò)訓(xùn)練誤差性能曲線

（1）過渡電阻值分別為25、75、125、175、225、275、325、375、425、475；

（2）故障點(diǎn)位置分別為0.015km、0.05km、0.1km、0.15km、0.2km、0.275km、0.35km、0.4km、0.45km、0.485km。

組合兩因素形成10×10=100個測試樣本集。

對于給定的測試樣本集，經(jīng)BP網(wǎng)絡(luò)前饋運(yùn)算得到的實(shí)際測距結(jié)果及相對誤差分別如表1、表2所示。

其中，L表示實(shí)際故障距離，l表示測量距離。

相對誤差e=（實(shí)際故障距離-測量距離）線路總長×100%。

由表2可知，對于測試樣本集，訓(xùn)練后的BP網(wǎng)絡(luò)測距相對誤差隨過渡電阻值的增加有增大的趨勢，最大誤差達(dá)到了-16.56%，且出現(xiàn)在過渡電阻為475時，同時注意到在故障點(diǎn)接近線路兩端時，由于適當(dāng)增加了訓(xùn)練樣本，測距相對誤差明顯減小，因此，通過增加訓(xùn)練樣本數(shù)量有望進(jìn)一步提高測距精度。

4 結(jié)論

通過研究得出以下結(jié)論：

1）采用小波包提取故障暫態(tài)零序電流的模極大值能有效表征故障時所蘊(yùn)含的物理現(xiàn)象，為準(zhǔn)確進(jìn)行故障測距提供了有效的數(shù)據(jù)。

2）BP神經(jīng)網(wǎng)絡(luò)具有良好的分類及擬合功能，能在獲得大量樣本數(shù)據(jù)的基礎(chǔ)上，訓(xùn)練出符合要求的前饋型網(wǎng)絡(luò)，為煤礦井下電網(wǎng)故障測距提供強(qiáng)有力的手段。從測距相對誤差結(jié)果來看，基于小波分析與BP神經(jīng)網(wǎng)絡(luò)的故障測距方法能基本滿足測距要求。另外，本文下一步的工作將在樣本集數(shù)量、網(wǎng)絡(luò)結(jié)構(gòu)等方面進(jìn)行更為深入的研究。

【參考文獻(xiàn)】

[1]丁恩杰，王超楠，崔連成.礦井配電網(wǎng)輸電線路故障測距方法的研究[J].中國礦業(yè)大學(xué)學(xué)報，2006，35（3）：311-316.

[2]竇新宇，李春明.小電流接地系統(tǒng)行波測距方法研究[J].電力科學(xué)與工程，2010，26（2）：51-53.

[3]季濤.基于暫態(tài)行波的配電線路故障測距研究[D].濟(jì)南：山東大學(xué)，2006.

[4]姚李孝，趙化時，柯麗芳，等.基于小波相關(guān)性的配電網(wǎng)單相接地故障測距[J].電力自動化設(shè)備，2010，30（1）：71-74.

篇7

技術(shù)快速進(jìn)步確保安全

人臉識別是基于人的臉部特征信息，應(yīng)用人工智能模式識別和計算機(jī)視覺技術(shù)鑒別個體身份的一種生物識別技術(shù)。從人工智能的角度來看，人臉識別其實(shí)是機(jī)器視覺的一個分支。曠視科技智能商業(yè)產(chǎn)品線資深總監(jiān)宋晨表示，人臉識別實(shí)際上就是給機(jī)器賦能，讓它具備一雙眼睛的能力，讓它像人一樣去想、去看，從而“學(xué)會”各種檢測、判斷、識別和測量。

人們看好人臉識別，因?yàn)樽鳛樯锟勺R別技術(shù)，人臉識別有其獨(dú)特的優(yōu)勢。一方面，人臉識別具有非接觸性和非侵?jǐn)_性，不接觸人體就可以直接通過攝像頭在一定距離內(nèi)進(jìn)行識別，從而實(shí)現(xiàn)更大范圍、更多方位的信息采集，不需要被采集者配合，更易被大眾接受。另一方面，人臉識別的硬件門檻更低，指紋識別需要特定采集芯片，但人臉識別只需要攝像頭，智能手機(jī)上的相機(jī)和城市視頻監(jiān)控體系中的高清攝像頭已足夠滿足需要。

但人臉識別應(yīng)用的快速推進(jìn)，仍來自于技術(shù)的快速提升?！拔覀冏钤缭谏钲诘某売嬎銠C(jī)上做人臉識別，要花28天進(jìn)行迭代，但現(xiàn)在同樣的工作在6塊GPU芯片上只需要6個小時，這就是硬件提升帶來的瓶頸突破。”商湯科技CEO徐立告訴記者。宋晨則對此解釋說，人臉識別所需要的圖像處理和深度學(xué)習(xí)能力，是基于GPU的訓(xùn)練來產(chǎn)生的，它代表著高速和價廉的計算能力。

而在硬件之外，卷積神經(jīng)網(wǎng)絡(luò)則在算法上大幅提升了人臉識別的精度。2014年前，在人臉檢測評測平臺FDDB上，學(xué)術(shù)界獲得的最好檢測精度是84%，但在2015年以后，通過使用卷積神經(jīng)網(wǎng)絡(luò)算法，眾多人臉檢測應(yīng)用的準(zhǔn)確率提升到90%以上，現(xiàn)在最高正確率已經(jīng)超過99%。北京大學(xué)信息科學(xué)技術(shù)學(xué)院智能科學(xué)系教授徐超表示，考慮到人眼識別的正確率僅有97%多，人臉識別技術(shù)已經(jīng)超過了人的識別能力，在識別效率上更是遠(yuǎn)超人類。

但對于人臉識別技術(shù)來說，“認(rèn)得準(zhǔn)”只是第一步，還需要足夠安全，能夠抵抗各種攻擊，比如偽造面具、使用照片或者3D軟件“換臉”等方式。螞蟻金服生物識別負(fù)責(zé)人陳繼東告訴記者，活體檢測是其中最核心的技術(shù)，“我們通過一系列軟件算法來判斷攝像頭前的是不是‘活人’，一是基于動作交互的識別模型，所以用戶會被要求做出眨眼、搖頭、張嘴等動作，通過檢測過程中動作的連續(xù)性，以此讓照片難以通過。但對于會模擬動作的視頻，或者預(yù)先制作好的動作視頻，我們還需要圖像的分析，比如說區(qū)分正常的圖像和通過軟件模擬、視頻剪輯的圖像之間有多大的差異”。曠視科技公司則表示，合成臉在圖形特征上會與真人有很大的差異，并不容易通過框體檢測和對翻拍的圖形特征分析檢測。

判斷“你是你”和“你是誰”

“臨川區(qū)榮耀網(wǎng)吧43號機(jī)器，一位17歲男性未成年人正在上網(wǎng)！”江西省撫州市文化綜合執(zhí)法支隊的工作人員手機(jī)上接到這樣一條彈窗報警信息?！斑@正是應(yīng)用了人臉識別技術(shù)，用戶在網(wǎng)吧上網(wǎng)時要拍照，這張照片會與上網(wǎng)者的身份證照片比對，一旦發(fā)現(xiàn)是未成年人，我們的技術(shù)監(jiān)管平臺就會報警?！睋嶂菔形幕C合執(zhí)法支隊支隊長胡光斌表示。

在沈陽地鐵，人臉識別系統(tǒng)同樣成為話題。在短短11天內(nèi)，這套系統(tǒng)連續(xù)抓獲了3名網(wǎng)上逃犯。這是沈陽警方首次應(yīng)用智能人臉識別系統(tǒng)追逃，在包括沈陽站等3個地鐵站，有人從高清攝像頭前經(jīng)過，就會被連續(xù)拍攝20到30張角度不同的照片并與警方數(shù)據(jù)庫比對，一旦相似度評分超過83分，系統(tǒng)就會自動報警，并對目標(biāo)拍攝一條10秒鐘的即時視頻。

在中科院自動化研究所雷震博士看來，這兩個應(yīng)用場景正對應(yīng)了人臉識別應(yīng)用的兩個方向：用來確定“你是你”的1：1確認(rèn)和用來判斷“你是誰”的1：N辨認(rèn)。“1比1確認(rèn)是將人臉圖像與圖片庫中的圖像進(jìn)行比對，是目前比較成功的應(yīng)用，精準(zhǔn)度已經(jīng)很高；1比N人臉?biāo)阉?，先要在視頻中確認(rèn)人臉的位置，然后抽取一適合進(jìn)行人臉識別的圖片，最后則將這張圖片與N張照片比對，看是否有相符的一張，技術(shù)上講要難得多?！崩渍鹫f。

“在身份確認(rèn)上，以前是人來做，現(xiàn)在交給機(jī)器，流程沒有變，只是效率大大提升，因此在各個傳統(tǒng)行業(yè)中滲透得最為迅速?！毙炝⒈硎?。

的確，如果說“1比N人臉?biāo)阉鳌蹦壳盎具€集中于安防領(lǐng)域“試水”，那么在“1：1確認(rèn)”方向，人臉識別應(yīng)用則成熟得多。拿金融領(lǐng)域來說，陳繼東介紹，目前支付寶在高風(fēng)險支付、修改密碼、實(shí)名認(rèn)證等48個場景使用刷臉驗(yàn)證，在支付寶的4.5億實(shí)名用戶中，有三分之一“刷過臉”。今年2月，螞蟻金服的“刷臉支付”還被知名科技雜志《麻省理工科技評論》評為全球十大突破性技術(shù)之一。

“做到從實(shí)名到實(shí)人，人臉識別起了非常重要的作用。在金融領(lǐng)域的人臉識別技術(shù)應(yīng)用，除了準(zhǔn)確度和安全級別之外，還需要極高的穩(wěn)定性、可靠性和極低的實(shí)時響應(yīng)?！标惱^東說。而在金融領(lǐng)域之外，證明“你是你”還在智能門禁、智能考勤、刷臉安檢、個稅申報、養(yǎng)老金領(lǐng)取資格認(rèn)證等場景被廣泛使用。

防攻擊能力需不斷提升

如果說在確認(rèn)“你是你”和搜索“你是誰”兩個方向上，人臉識別技術(shù)還都是“把人能做的事做得更好”，那么人臉識別技術(shù)還能完成“人無法完成的事情”。

今年年初，廈門的一些珠寶店在貨架上裝上了人臉識別系統(tǒng)，能夠分析每個用戶在柜臺前停留的時間?！癡IP客戶一到店，人臉識別系統(tǒng)就能將消息推送到店員手機(jī)上，同時還能顯示出這些客戶以往的購買記錄。如果記錄到一個客戶上次在哪個貨架停留的時間久，下次這一信息也會推送給店員?！睆B門瑞為信息技術(shù)有限公司負(fù)責(zé)人詹東暉說。人臉識別技術(shù)與線下商業(yè)的“親密接觸”，被視為是“互聯(lián)網(wǎng)+線下零售”的一個全新方向。

篇8

關(guān)鍵詞：語義標(biāo)記；三維人臉；網(wǎng)格標(biāo)記；隨機(jī)森林；正方形切平面描述符

DOIDOI：10.11907/rjdk.171139

中圖分類號：TP317.4

文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2017）006-0189-05

0 引言

在計算機(jī)視覺與圖像領(lǐng)域，對于二維圖像人臉的研究（包括人臉識別、人臉檢測、人臉特征點(diǎn)標(biāo)記等）非常多，并且取得了很大進(jìn)展。特別是近幾年，隨著深度學(xué)習(xí)算法的應(yīng)用，對于二維人臉的研究有了極大突破[1]。然而，相對于二維人臉，人們對三維人臉研究較少。三維人臉的研究是以人臉的三維數(shù)據(jù)為基礎(chǔ)，結(jié)合計算機(jī)視覺和計算機(jī)圖形學(xué)，充分利用三維人臉的深度信息和其它幾何信息，解決和克服現(xiàn)有二維人臉研究中面臨的光照、姿態(tài)、表情等問題[3]。三維人臉模型標(biāo)記與分割是將三維人臉網(wǎng)格模型上的頂點(diǎn)進(jìn)行分類，將人臉劃分為幾個區(qū)域，例如眉毛、眼睛、鼻子、嘴等。對這些區(qū)域的標(biāo)記與分割對三維人臉重建、特征點(diǎn)定位和表情動畫等方面的研究都起著重要作用。三維人臉的研究是模式識別和圖形學(xué)領(lǐng)域活躍且極具潛力的研究方向之一，在影視、游戲動畫、人臉識別、虛擬現(xiàn)實(shí)、人機(jī)交互等方面都有著廣泛應(yīng)用[2-3]。

目前，許多對三維人臉方面的研究，包括三維人臉重建、識別與跟蹤、姿態(tài)估計及特征點(diǎn)標(biāo)記等，都是基于深度圖的方法[4-7]。Fanelli等[6-8]提出一種方法，將從深度數(shù)據(jù)估算人臉姿態(tài)表達(dá)為一個回歸問題（Regression Problem），然后利用隨機(jī)森林算法解決該問題，完成一個簡單深度特征映射到三維人臉特征點(diǎn)坐標(biāo)、人臉旋轉(zhuǎn)角度等實(shí)值參數(shù)的學(xué)習(xí)。通過訓(xùn)練數(shù)據(jù)集建立隨機(jī)森林，該數(shù)據(jù)集包括通過渲染隨機(jī)生成姿態(tài)的三維形變模型得到的5萬張640*480深度圖像。在實(shí)驗(yàn)部分，對Fanelli等提出的從深度圖中提取特征的方法與本文的特征提取方法進(jìn)行了對比。與文獻(xiàn)[6]中的方法相比，Papazov[9]提出了一個更為復(fù)雜的三角形表面patch特征，該特征是從深度圖重建成的三維點(diǎn)云中計算獲得的，主要包括兩部分：線下測試和線上測試。將三角形表面patch（TSP）描述符利用快速最近鄰算法（FLANN）從訓(xùn)練數(shù)據(jù)中尋找最相似的表面patches。

在計算機(jī)圖形學(xué)領(lǐng)域，網(wǎng)格理解在建立和處理三維模型中起著重要作用。為了有效地理解一個網(wǎng)格，網(wǎng)格標(biāo)記是關(guān)鍵步驟，它用于鑒定網(wǎng)格上的每個三角形屬于哪個部分，這在網(wǎng)格編輯、建模和變形方面都有著重要應(yīng)用。Shapira等[10]利用形狀直徑函數(shù)作為分割三維模型的一個信號，通過對該信號的計算，定義一個上下文感知的距離測量，并且發(fā)現(xiàn)眾多目標(biāo)之間的部分相似性；隨后，Sidi等[11]提出一個半監(jiān)督的聯(lián)合分割方法，利用一個預(yù)定義的特征集實(shí)現(xiàn)對目標(biāo)的預(yù)先分割，然后將預(yù)先做好的分割嵌入到一個普通空間，通過使用擴(kuò)散映射獲得最終的對網(wǎng)格集的聯(lián)合分割。網(wǎng)格標(biāo)記的一個關(guān)鍵問題是建立強(qiáng)大的特征，從而提高各類網(wǎng)格模型標(biāo)記結(jié)果的準(zhǔn)確性，增加泛化能力。為了解決該問題，Kalogerakis等[12]提出采用一種基于條件隨機(jī)場算法的方法來標(biāo)記網(wǎng)格。通過對已標(biāo)記的網(wǎng)格進(jìn)行訓(xùn)練，成功地學(xué)習(xí)了不同類型的分割任務(wù)；Xie等[13]提出一種三維圖形快速分割與標(biāo)記的方法，用一系列特征描述法和極端學(xué)習(xí)器來訓(xùn)練一個網(wǎng)格標(biāo)記分類的神經(jīng)網(wǎng)絡(luò)；Guo等[14]提出用深度卷積神經(jīng)網(wǎng)絡(luò)（CNNs）從一個大的聯(lián)合幾何特征中學(xué)習(xí)網(wǎng)格表示方式。這個大的聯(lián)合幾何特征首先被提取出來表示每個網(wǎng)格三角形，利用卷積神經(jīng)網(wǎng)絡(luò)的卷積特征，將這些特征描述符重新組織成二維特征矩陣，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練與學(xué)習(xí)。

本文提出一種新的幾何特征描述符（正方形切平面描述符）來表示人臉模型上的頂點(diǎn)特征，利用隨機(jī)森林算法對三維人臉模型頂點(diǎn)進(jìn)行訓(xùn)練，實(shí)現(xiàn)對人臉模型上頂點(diǎn)的分類（屬于鼻子或是眼睛區(qū)域等），從而實(shí)現(xiàn)三維人臉模型的區(qū)域標(biāo)記。這種新描述符并非從深度圖提取的簡單矩形區(qū)域特征，而是直接從三維人臉模型計算獲得，在人臉的姿勢、尺寸、分辨率的改變上具有一定魯棒性。因此，訓(xùn)練過程是在三維人臉模型上執(zhí)行的，這種數(shù)據(jù)相對于真實(shí)的深度圖數(shù)據(jù)更容易獲取（例如在文獻(xiàn)[6]中使用的訓(xùn)練數(shù)據(jù)）。

1 特征描述符與三維人臉區(qū)域分割

1.1 正方形切平面描述符

從一個三維人臉模型M的所有頂點(diǎn)上隨機(jī)選取一個種子點(diǎn)P，根據(jù)三維人臉模型的幾何結(jié)構(gòu)，計算該種子點(diǎn)的法向量，此時根據(jù)一點(diǎn)和法向量即可確定一個切平面。確定正方形的邊長L和正方形的方向。正方形的方向（正方形局部坐標(biāo)系）是根據(jù)全局坐標(biāo)系下建立的正方形，通過法向量轉(zhuǎn)換而成。建立正方形局部坐標(biāo)系，以便于計算三維人臉上的點(diǎn)到正方形的投影距離，減少程序運(yùn)行時間，從而可以確定一個正方形切平面塊S。在這種情況下，根據(jù)正方形切平面塊S，可以計算出一個簡單且具有魯棒性的幾何描述符V。將正方形邊長分成K等份，正方形則細(xì)分為K2個小正方形，如圖1（a）所示。模型M上的所有點(diǎn)向正方形切平面塊上投影，如果投影點(diǎn)在正方形內(nèi)，此點(diǎn)則肯定在K2個小正方形中的某一個正方形內(nèi)，稱該點(diǎn)屬于該小正方形或者稱小正方形包含該點(diǎn)。每個小正方形的描述符是其包含所有點(diǎn)投影距離的平均值?？紤]到人臉模型的幾何特征，有些人臉部分存在于正方形上面，有些部分則存在于正方形下面，因此每個點(diǎn)的投影距離有正負(fù)之分。整個正方形切平面塊的描述符V是所有小正方形描述符的簡單串聯(lián)。在實(shí)驗(yàn)部分，本文將對邊長L和劃分的小正方形個數(shù)K2對分類的準(zhǔn)確率進(jìn)行對比研究。

使用每個小正方形包含所有點(diǎn)的平均投影距離作為描述符，使得該描述符對噪聲、數(shù)據(jù)分解和分辨率上的變化具有魯棒性，這在實(shí)驗(yàn)部分有所體現(xiàn)。許多三維幾何特征已經(jīng)在一些文章中被提出，包括Spin Images（SI）[15]、3D shape context （SC）[16]、 SHOT[17]和MeshHOG[18-19]。這些描述法都根據(jù)局部坐標(biāo)系定義并且依賴于大量的平面法向量，使噪聲數(shù)據(jù)對結(jié)果產(chǎn)生一定影響。和以上描述法相比，本文描述符取平均投影距離，并且正方形取的足夠大，使描述法更加簡單、有效且具有魯棒性。除三維幾何特征外，許多文章也對三維模型投影生成的深度圖進(jìn)行了特征選取和處理。例如，F(xiàn)anelli等[6-8]在深度圖中選取patch，然后在patch中隨機(jī)選取兩個矩形框F1、F2，如圖2所示。以像素點(diǎn)的深度值和幾何法向量的X、Y、Z值作為隨機(jī)森林的4個特征通道，F(xiàn)1和F2中所有像素點(diǎn)某個特征通道平均值的差值作為隨機(jī)森林每棵樹節(jié)點(diǎn)的二元測試。二元測試定義為：

本文在實(shí)驗(yàn)部分對上述特征選取方式與本文提出的正方形描述符在三維人臉區(qū)域標(biāo)記上的結(jié)果進(jìn)行了比較。

1.2 數(shù)據(jù)庫與人臉區(qū)域分割

訓(xùn)練階段的正方形切平面描述符均取自于高分辨率的人臉網(wǎng)格模型，這些訓(xùn)練模型由Basel Face Model （BFM）[20]生成。BFM是一個公開、可獲得的基于PCA的三維形變模型，由200個人臉對象的高分辨率三維掃描創(chuàng)建而成。通過從一個正態(tài)分布取樣的PCA系數(shù)，BFM能被用來生成任意數(shù)量的隨機(jī)網(wǎng)格人臉。此外，在所有生成的人臉網(wǎng)格模型上，對應(yīng)頂點(diǎn)的索引都是一樣的。例如，在所有訓(xùn)練模型上，在鼻尖的頂點(diǎn)有相同的索引數(shù)字，這將帶來諸多便利。對于訓(xùn)練模型，只需在任意一個BFM人臉模型上進(jìn)行一次人臉區(qū)域的手動標(biāo)記，即可知道每個訓(xùn)練模型要分割的區(qū)域上各點(diǎn)的索引，如每個模型鼻子區(qū)域的所有頂點(diǎn)索引都是一樣的。

對訓(xùn)練模型進(jìn)行手動分割標(biāo)記（只需分割標(biāo)記一次），將一個三維人臉模型分割為10個區(qū)域：左眉毛、右眉毛、左眼睛、右眼睛、左臉頰、右臉頰、鼻子、上嘴唇、下嘴唇、下巴，剩下部分屬于其它區(qū)域。如圖3所示，對三維人臉模型進(jìn)行區(qū)域分割，不同的分割區(qū)域用不同顏色進(jìn)行標(biāo)記，每個區(qū)域包含很多三維人臉模型頂點(diǎn)。由于很多三維人臉模型額頭部分包含的頂點(diǎn)相對較少，特征信息也相對較少，所以將額頭區(qū)域劃分至其它區(qū)域。人臉模型的每個區(qū)域包含的所有頂點(diǎn)屬于同一類，根據(jù)上述BFM數(shù)據(jù)庫特點(diǎn)可知，數(shù)據(jù)庫中任何一個人臉模型每個區(qū)域包含的所有頂點(diǎn)索引都是一致的。

2 隨機(jī)森林算法分類標(biāo)記人臉區(qū)域

2.1 隨機(jī)森林算法

分類回歸樹[21]是一個強(qiáng)大的工具，能夠映射復(fù)雜的輸入空間到離散或者分段連續(xù)的輸出空間。一棵樹通過分裂原始問題到更簡單、可解決的預(yù)測以實(shí)現(xiàn)高度非線性映射。樹上的每一個節(jié)點(diǎn)包含一個測試，測試的結(jié)果指導(dǎo)數(shù)據(jù)樣本將分到左子樹或是右子樹。在訓(xùn)練期間，這些測試被選擇用來將訓(xùn)練數(shù)據(jù)分組，這些分組對應(yīng)著實(shí)現(xiàn)很好預(yù)測的簡單模型。這些模型是由訓(xùn)練時到達(dá)葉子節(jié)點(diǎn)的被標(biāo)記的數(shù)據(jù)計算而來，并且存儲于葉子節(jié)點(diǎn)。Breiman[22]指出雖然標(biāo)準(zhǔn)的決策樹單獨(dú)使用會產(chǎn)生過擬合，但許多隨機(jī)被訓(xùn)練的樹有很強(qiáng)的泛化能力。隨機(jī)被訓(xùn)練樹的隨機(jī)性包括兩方面，一是用來訓(xùn)練每棵樹的訓(xùn)練樣本是隨機(jī)選取的，二是每棵樹上的二元測試是從使每個節(jié)點(diǎn)最優(yōu)的測試集中隨機(jī)選取的。這些樹的總和稱為隨機(jī)森林。本文將三維人臉模型區(qū)域的標(biāo)記與分割描述為一個分類問題，并利用隨機(jī)森林算法來有效地解決它。

2.2 訓(xùn)練

訓(xùn)練數(shù)據(jù)集是由BFM生成的50個三維人臉模型。從每個模型上隨機(jī)取n=10 000個頂點(diǎn)樣本，每個頂點(diǎn)對應(yīng)一個正方形切平面塊。本文實(shí)驗(yàn)中森林由100棵樹建立而成，森林里每個樹由隨機(jī)選取的一系列塊（patch）{Pi=Vfi，θi}構(gòu)建而成。Vfi是從每個樣本提取的特征，即正方形切平面描述符，f是特征通道的個數(shù)，正方形劃分為K2個小正方形，f=K2。實(shí)值θi是這個樣本所屬的類別，例如鼻子區(qū)域類別設(shè)為數(shù)字1，那么鼻子區(qū)域內(nèi)的頂點(diǎn)樣本所對應(yīng)的θ=1。建立決策樹時，在每個非葉子節(jié)點(diǎn)上隨機(jī)生成一系列可能的二元測試，該二元測試定義為：

這里的Pi∈{L，R}是到達(dá)左子樹或右子樹節(jié)點(diǎn)上的樣本集合，wi是到左子樹或右子樹節(jié)點(diǎn)的樣本數(shù)目和到父節(jié)點(diǎn)樣本數(shù)目的比例，例如：wi=|Pi||P|。

2.3 測試

通過BFM生成55個三維人臉模型，其中50個人臉模型作為訓(xùn)練數(shù)據(jù)，剩下5個人臉模型作為測試數(shù)據(jù)。測試數(shù)據(jù)依然取10 000個樣本點(diǎn)，并且知道每個樣本點(diǎn)屬于哪一個區(qū)域，通過測試數(shù)據(jù)計算三維人臉模型網(wǎng)格點(diǎn)分類的準(zhǔn)確率。為了測試提出方法的有效性，研究過程中從網(wǎng)上下載獲取了其它三維人臉模型，對人臉模型上的所有網(wǎng)格點(diǎn)通過之前訓(xùn)練好的隨機(jī)森林模型進(jìn)行分類。因?yàn)槠渌四樐Ｐ团cBFM生成人臉模型的尺寸、坐標(biāo)單位等不一致，所以本研究對這些測試模型進(jìn)行了后期處理，對正方形的邊長按照模型尺寸的比例M行選取。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境

本文三維人臉標(biāo)記與分割所用的訓(xùn)練和測試三維人臉模型由BFM生成，50個模型作為訓(xùn)練數(shù)據(jù)，5個模型作為測試數(shù)據(jù)。每個模型包含53 490個頂點(diǎn)和106 466個三角形網(wǎng)格，每個訓(xùn)練模型選取10 000個頂點(diǎn)樣本。用C++和OpenGL、OpenCV等庫對三維人臉模型數(shù)據(jù)進(jìn)行采樣，得到每個樣本的正方形切平面描述符。在Matlab平臺下用隨機(jī)森林算法對數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，并對實(shí)驗(yàn)結(jié)果進(jìn)行可視化。

3.2 實(shí)驗(yàn)結(jié)果

利用已訓(xùn)練好的模型對測試數(shù)據(jù)集上三維人臉模型的所有頂點(diǎn)進(jìn)行分類，計算頂點(diǎn)分類的準(zhǔn)確率。準(zhǔn)確率（Accuracy Rate）計算公式為：

準(zhǔn)確率=預(yù)測正確的頂點(diǎn)個數(shù)（m）人臉模型上所有頂點(diǎn)個數(shù)（N）

根據(jù)文獻(xiàn)[10]提出的類似描述符參數(shù)選取以及參數(shù)優(yōu)化策略，經(jīng)過多次實(shí)驗(yàn)，研究發(fā)現(xiàn)正方形邊長L和正方形劃分的小正方形數(shù)目K2兩個參數(shù)的選取對頂點(diǎn)分類準(zhǔn)確率有著一定影響。實(shí)驗(yàn)中選取參數(shù)L∈{60，80，100}、參數(shù)K2∈{9，16，25，36}進(jìn)行對比，具體對比結(jié)果如表1、表2所示（其中表1中K2為16，表2中L為80mm）。

根據(jù)上面兩個表格，可以明顯得出，L=80mm，K2=25時頂點(diǎn)分類準(zhǔn)確率最高。接下來對L=80mm，K2=25情況下的三維人臉模型區(qū)域進(jìn)行標(biāo)記，可視化結(jié)果如圖4所示，上邊是原始三維模型數(shù)據(jù)，下邊是標(biāo)記后的結(jié)果。（a）、（b）模型標(biāo)記圖是由BFM生成的三維人臉模型區(qū)域標(biāo)記的結(jié)果，模型有53 490個頂點(diǎn)。為了驗(yàn)證本文方法的一般性和對分辨率具有不變性，（c）～（e）模型標(biāo)記圖是非BFM生成的其它三維人臉模型的標(biāo)記結(jié)果，模型約有5 000個頂點(diǎn)。以上所有圖都是對三維人臉模型所有頂點(diǎn)進(jìn)行標(biāo)記的結(jié)果。

文獻(xiàn)[6]～[8]中提到的基于深度圖的特征提取方法（見圖1），同樣利用隨機(jī)森林算法進(jìn)行了實(shí)驗(yàn)，并與本文的正方形特征描述符的實(shí)驗(yàn)結(jié)果進(jìn)行了比較，如表3所示。將深度圖投影到96*96大小，深度圖patch所取邊長c深度圖大小的比例和正方形所取邊長與模型大小的比例相等。

由表3可得，對三維人臉模型頂點(diǎn)級分類和區(qū)域標(biāo)記問題，本文提出的特征描述符的標(biāo)記結(jié)果優(yōu)于深度圖patch特征選取方法。此外，由于深度圖的一些局限性，直接對三維模型處理要比對深度圖處理更有優(yōu)勢。

3.3 結(jié)果討論與分析

圖4中5個模型頂點(diǎn)數(shù)目、三角形面數(shù)目和頭部姿勢都不一樣，驗(yàn)證了本文所提方法對于姿勢、模型尺寸和模型分辨率具有較好的魯棒性。并且其對不同的眉毛、眼睛、臉頰區(qū)域也能進(jìn)行很好的區(qū)分，將左右眉毛、左右眼睛和左右臉頰用同一顏色、不同符號進(jìn)行顯示。本文提出的描述符和直接對三維模型處理的方法，與在深度圖上選取特征方法相比具有一定優(yōu)勢。由于手動分割人臉區(qū)域時，很難避免分割粗糙，區(qū)域交界處有的部分頂點(diǎn)沒有包含進(jìn)去，因此在區(qū)域交界處頂點(diǎn)的分類誤差會相對略大，特別是嘴唇之間的部分。另外，三維人臉模型中額頭和下巴的頂點(diǎn)和特征相對較少，所以相較于其它區(qū)域，這兩個區(qū)域的頂點(diǎn)分類誤差也會略大。

4 結(jié)語

本文提出一種基于正方形切平面描述符的三維人臉區(qū)域標(biāo)記方法。將這種幾何特征描述符作為選取樣本的特征，通過隨機(jī)森林算法，對三維人臉模型進(jìn)行區(qū)域分類和標(biāo)記。該方法可有效識別出三維人臉模型的眉毛、眼睛、鼻子、嘴巴和臉頰等區(qū)域，這對三維人臉特征點(diǎn)的定位及其它三維人臉方面的研究都具有重要意義。本文提出的方法對三維人臉模型頭部姿態(tài)、模型尺寸、模型分辨率具有較好的魯棒性。和基于深度圖的方法相比，本文提出的方法具有更好的泛化能力，是一種行之有效的特征提取方法。

然而，手動分割人臉區(qū)域的做法在一定程度上略顯粗糙，特征選取速度亦仍需優(yōu)化。同時，本文僅對三維模型上所有頂點(diǎn)所屬區(qū)域進(jìn)行標(biāo)記，沒有將標(biāo)記后的結(jié)果結(jié)合三維分割算法進(jìn)行區(qū)域分割優(yōu)化。如何對相關(guān)算法加以改進(jìn)，將是下一步需要解決的問題。

參考文獻(xiàn)：

[1]SUN Y， WANG X， TANG X. Deep convolutional network cascade for facial point detection[J]. Computer Vision & Pattern Recognition，2013，9（4）：3476-3483.

[2]CAO C， WENG Y， LIN S， et al. 3D shape regression for real-time facial animation[J]. Acm Transactions on Graphics， 2013， 32（4）：96-96.

[3]CAO C， HOU Q， ZHOU K. Displaced dynamic expression regression for real-time facial tracking and animation[J]. Acm Transactions on Graphics， 2014， 33（4）：1-10.

[4]SEEMAN E， NICKEL K， STIEFELHAGEN R. Head pose estimation using stereo vision for human-robot interaction[C].ICAFGR， 2004 Sixth IEEE International Conference on Automatic Face and Gesture Recognition. IEEE， 2004： 626-631.

[5]BREITENSTEIN M D， KUETTEL D， WEISE T， et al. Real-time face pose estimation from single range images[C]. Proc.IEEE put.Vis.Pattern Recognit， 2008：1-8.

[6]FANELLI G， GALL J， GOOL L V. Real time head pose estimation with random regression forests[C]. IEEE Conference on Computer Vision & Pattern Recognition， 2011：617-624.

[7]FANELLI G， WEISE T， GALL J， et al. Real time head pose estimation from consumer depth cameras[C].Pattern Recognition Dagm Symposium， Frankfurt/main， Germany， 2011：101-110.

[8]FANELLI G， DANTONE M， GALL J， et al. Random forests for real time 3D face analysis[J]. International Journal of Computer Vision， 2013， 101（3）：437-458.

[9]PAPAZOV C， MARKS T K， JONES M. Real-time 3D head pose and facial landmark estimation from depth images using triangular surface patch features[C].IEEE Conference on Computer Vision and Pattern Recognition. 2015：4722-4730.

[10]SHAPIRA L， SHALOM S， SHAMIR A， et al. Contextual part analogies in 3D objects[J]. International Journal of Computer Vision， 2010， 89（2）：309-326.

[11]SIDI O， KAICK O V， KLEIMAN Y， et al. Unsupervised co-segmentation of a set of shapes via descriptor-space spectral clustering[C].SIGGRAPH Asia Conference. 2011.

[12]KALOGERAKIS E， HERTZMANN A， SINGH K. Learning 3D mesh segmentation and labeling[J]. Acm Transactions on Graphics， 2010， 29（4）：157-166.

[13]XIE Z， XU K， LIU L， et al. 3D shape segmentation and labeling via extreme learning machine[J]. Computer Graphics Forum， 2014， 33（5）：85-95.

[14]GUO K， ZOU D， CHEN X. 3D mesh labeling via deep convolutional neural networks[J]. Acm Transactions on Graphics， 2015， 35（1）：1-12.

[15]JOHNSON A E， HEBERT M. Using spin images for efficient object recognition in cluttered 3d scenes[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 1999， 21（5）：433-449.

[16]FROME A， HUBER D， KOLLURI R， et al. Recognizing objects in range data using regional point descriptors[J]. Lecture Notes in Computer Science， 2004.

[17]TOMBARI F， SALTI S， STEFANO L D. Unique signatures of histograms for local surface description[C].European Conference on Computer Vision Conference on Computer Vision. Springer-Verlag， 2010：356-369.

[18]ZAHARESCU A， BOYER E， VARANASI K， et al. Surface feature detection and description with applications to mesh matching[C]. IEEE Conference on Computer Vision & Pattern Recognition， 2009：373-380.

[19]ZAHARESCU A， BOYER E， HORAUD R. Keypoints and local descriptors of scalar functions on 2D manifolds[J]. International Journal of Computer Vision， 2012， 100（1）：78-98.

[20]PAYSAN P， KNOTHE R， AMBERG B， et al. A 3D face model for pose and illumination invariant face recognition[C].IEEE International Conference on Advanced Video & Signal Based Surveillance. IEEE Computer Society， 2009：296-301.

[21]BREIMAN， LEO. Classification and regression trees[M].Classification and regression trees /. Chapman & Hall/CRC， 1984：17-23.

[22]MITCHELL. Machine learning[M]. McGraw-Hill， 2003.

篇9

2.基于層次分析法FDM工藝中分層方案的決策張劍峰，彭安華，ZhangJianfeng，PengAnhua

3.頁輪干式磨削Ti6Al4V合金霍文國，徐九華，傅玉燦，蘇宏華，HuoWenguo，XuJiuhua，F(xiàn)uYucan，SuHonghua

4.基于博弈論的8自由度整車懸架參數(shù)優(yōu)化設(shè)計宋崇智，趙又群，謝能剛，王璐，SongChongzhi，ZhaoYouqun，XieNenggang，WangLu

5.近空間飛行器泛函連接網(wǎng)絡(luò)自適應(yīng)預(yù)測控制都延麗，吳慶憲，姜長生，DuYanli，WuQingxian，JiangChangsheng

6.用戶自主完好性監(jiān)測新算法楊傳森，徐肖豪，劉瑞華，趙鴻盛，YangChuansen，XuXiaohao，LiuRuihua，ZhaoHongsheng

7.改進(jìn)的CFD/CSD耦合系統(tǒng)設(shè)計方法及其計算安效民，徐敏，陳士櫓，AnXiaomin，XuMin，ChenShilu

8.基于帶限隨機(jī)信號相位譜的分?jǐn)?shù)延時估計方法柏業(yè)超，張興敢，唐嵐，BaiYechao，ZhangXinggan，TangLan

9.噪聲與共振環(huán)境下的數(shù)字助聽器魯棒聲源定位法趙立業(yè)，李宏生，ZhaoLiye，LiHongsheng

10.簡化Q矩陣的漸增式擴(kuò)張生成算法楊淑群，丁樹良，丁秋林，YangShuqun，DingShuliang，DingQiulin

11.動態(tài)數(shù)據(jù)驅(qū)動的森林火災(zāi)仿真框架及其實(shí)現(xiàn)燕雪峰，胡小林，古鋒，郭松，YanXuefeng，HuXiaolin，GuFeng，GuoSong

1.微型CT系統(tǒng)適用的心肺運(yùn)動檢測新方法田豐，梁春峰，郭曉蓮，胡廣書

2.電子直線加速器輻射場優(yōu)化的蒙特卡洛模擬趙洪斌，張新，包尚聯(lián)，黃斐增，李泉鳳

3.應(yīng)用綠色半導(dǎo)體量子點(diǎn)進(jìn)行乳腺癌原位成像許恒毅，ZoraidaP.Aguilar，蘇懷朋，BenjaminJ.Jones，John.D.Dixon，熊勇華，魏華，AndrewY.Wang

4.7T磁共振seipin鼠活體無損顯型陳春曉，劉雯卿，彭新桂，居勝紅

5.不同掃描條件下的小動物成像評估賈鵬翔，王浩宇，閆鑌，李磊，陳健，張鋒，包尚聯(lián)

6.錐束CT重建圖像中環(huán)狀偽影的擬合校正羅守華，吳婧，張波，陳功

7.帕金森大鼠模型的影像特性胡光霞，錢志余，孫濤，楊天明，王文宏，謝捷如

8.激光治療鮮紅斑痣手術(shù)機(jī)器人雙目視覺系統(tǒng)的實(shí)時立體匹配唐曉英，應(yīng)龍，劉偉峰

9.激光照射離體血液的衰變規(guī)律張楓，劉瑩，楊成方，李雷

10.中風(fēng)患者康復(fù)期運(yùn)動皮層網(wǎng)絡(luò)的功能磁共振成像郝冬梅，秦文，于春水，董會卿，劉楠

11.基于虛擬現(xiàn)實(shí)的血管內(nèi)介入手術(shù)三維導(dǎo)絲運(yùn)動模擬周正東，PascalHaigron，VincentGuilloux，AntoineLucas

12.基于高斯分解的乙醚-水溶液熒光光譜分析韓彩芹，宋春元，吳斌，劉瑩，駱曉森，倪曉武

13.探針式光纖探頭的有效檢測深度李韙韜，錢志余，陳春曉，肖笛

14.水溶性近紅外熒光發(fā)射的PbS量子點(diǎn)的合成與表征曹潔，李杉，鄧大偉，顧月清

15.基于振動模型的呼吸運(yùn)動估計與偽影反卷積校正許全盛，袁克虹，于麗娟，王文志，葉大田

16.IMRT逆向計劃中的混合多目標(biāo)梯度算法李國麗，盛大寧，王俊椋，景佳，王超，閏冰

17.非正定矩陣對磁共振擴(kuò)散張量導(dǎo)出量的影響張懷岺，任紅潤，金新安，何青，高嵩

18.基于IHE-RO框架的一體化放療信息管理系統(tǒng)構(gòu)建邱學(xué)軍，戴建榮，符貴山，黃金帶，冒蘇

19.基于功能核磁共振成像的右腦額下回情緒處理朱詢，高嵩，胡佩誠

1.基于魯棒性參數(shù)設(shè)計法的多超聲電機(jī)驅(qū)動機(jī)器人的控制孫志峻，帥雙輝，黃衛(wèi)清，SunZhijun，ShuaiShuanghui，HuangWeiqing

2.沖擊滑動耦合作用下的材料磨損魏勇強(qiáng)，王黎欽，WeiYongqiang，WangLiqin

3.基于潛在成分的時變系統(tǒng)損傷的概率神經(jīng)網(wǎng)絡(luò)分類袁健，周燕，呂欣，YuanJian，ZhouYan，LüXin

4.高速氣流吹襲防護(hù)氣動特性的數(shù)值模擬魏濤，張大林，WeiTao，ZhangDalin

5.邊界層壁面振動誘導(dǎo)T-S波的直接數(shù)值模擬曹衛(wèi)東，李躍，蔣婷，CaoWeidong，LiYue，JiangTing

6.在線稀疏最小二乘支持向量回歸機(jī)及其應(yīng)用趙永平，孫健國，王，ZhaoYongping，SunJianguo，WangJiankang

7.基于線性參數(shù)變化自適應(yīng)觀測器的魯棒故障診斷陳偉，姜斌，張柯，楊浩，ChenWei，JiangBin，ZhangKe，YangHao

8.基于特征點(diǎn)運(yùn)動矢量估計的動態(tài)序列圖像運(yùn)動目標(biāo)跟蹤黎寧，周建江，張星星，LiNing，ZhouJianjiang，ZhangXingxing

9.短消息公鑰加密構(gòu)造Tag-KEM方案陳原，陳丹，董慶寬，ChenYuan，ChenDan，DongQingkuan

10.基于支持向量機(jī)和線性判別分析的維數(shù)約減方法及其應(yīng)用楊波，YangBo

11.更強(qiáng)的密鑰交換可證安全模型任勇軍，王建東，徐大專，莊毅，RenYongjun，WangJiandong，XuDazhuan，ZhuangYi

12.基于陰影信息的多視角SAR圖像識別楊露菁，郝威，王德石，YangLujing，HaoWei，WangDeshi

1.絕緣層厚度對孔電解加工穩(wěn)定性和精度的影響王維，朱荻，曲寧松，黃紹服，房曉龍，WangWei，ZhuDi，QuNingsong，HuangShaofu，F(xiàn)angXiaolong

2.基于信息公理的車間布局問題評價方法王曉勇，唐敦兵，樓佩煌，WangXiaoyong，TangDunbing，LouPeihuang

3.噴丸強(qiáng)化10Ni3MnCuAl鋼的表面性能繆宏，左敦穩(wěn)，王，汪洪峰，MiaoHong，ZuoDunwen，WangHongjun，WangHongfeng

4.高速銑削系統(tǒng)穩(wěn)定性動態(tài)優(yōu)化新方法宋清華，萬熠，艾興，趙軍，劉戰(zhàn)強(qiáng)，SongQinghua，WanYi，AiXing，ZhaoJun，LiuZhanqiang

5.局部粗糙邊界層流中二維T-S波的非線性演化陸昌根，吳衛(wèi)國，戚琴娟，LuChanggen，WuWeiguo，QiQinjuan

6.運(yùn)動激波與氣泡串相互作用的多介質(zhì)數(shù)值模擬張軍，任登鳳，譚俊杰，ZhangJun，RenDengfeng，TanJunjie

7.基于格子Boltzmann方法的可壓縮翼型繞流模擬鐘誠文，李凱，孫建紅，卓從山，解建飛，ZhongChengwen，LiKai，SunJianhong，ZhuoCongshan，XieJianfei

8.正交投影二次曲面立體圖的斜置對稱面檢測王翔，丁運(yùn)亮，WangXiang，DingYunliang

9.機(jī)會維修策略下的多部件系統(tǒng)可用度仿真蔡景，左洪福，呂德峰，CaiJing，ZuoHongfu，LüDefeng

10.基于運(yùn)動物體高階多普勒效應(yīng)的橫向速度估計張興敢，柏業(yè)超，ZhangXinggan，BaiYechao

11.考慮位移的土壓力計算方法張小平，胡明亮，ZhangXiaoping，HuMingliang

12.基于層次分析法的橋梁承載力檢算方法張麗芳，艾軍，ZhangLifang，AiJun

1.5坐標(biāo)數(shù)控加工刀軸矢量規(guī)劃方法姬俊鋒，周來水，安魯陵，張森棠，JiJunfeng，ZhouLaishui，AnLuling，ZhangSentang

2.基于彎振模態(tài)的螺紋桿式直線超聲電機(jī)張健滔，黃衛(wèi)清，朱華，趙淳生，ZhangJiantao，HuangWeiqing，ZhuHua，ZhaoChunsheng

3.兩自由度球面并聯(lián)機(jī)構(gòu)動力學(xué)分析李成剛，王化明，朱劍英，LiChenggang，WangHuaming，ZhuJianying

4.基于封閉空間輻射模態(tài)的結(jié)構(gòu)聲有源控制姜順明，陳南，JiangShunming，ChenNan

5.并聯(lián)式混合動力車能量控制策略設(shè)計王愛華，WangAihua

6.支持向量機(jī)的正定核謝志鵬，XieZhipeng

7.類生物化自適應(yīng)制造系統(tǒng)控制結(jié)構(gòu)王雷，唐敦兵，萬敏，袁偉東，許美健，WangLei，TangDunbing，WanMin，YuanWeidong，XuMeijian

8.渦扇發(fā)動機(jī)排氣系統(tǒng)斜切波瓣強(qiáng)迫混合器氣動和混合特性數(shù)值研究單勇，張靖周，徐亮，ShanYong，ZhangJingzhou，XuLiang

9.航天器推進(jìn)劑晃動與控制系統(tǒng)之間耦合效應(yīng)的混合型估算方法齊乃明，董鍇，李運(yùn)遷，趙寶山，QiNaiming，DongKai，LiYunqian，ZhaoBaoshan

10.低空空域航空器飛行安全分析王世錦，隋東，WangShijin，SuiDong

11.基于Voronoicell的RNNk近似查詢與計算郝忠孝，李博涵，HaoZhongxiao，LiBohan

1.燃?xì)怛?qū)動彈跳器郭堅毅，王化明，朱劍英，王正東，GuoJianyi，WangHuaming，ZhuJianying，WangZhengdong

2.模糊自組織網(wǎng)絡(luò)在刀具磨損狀態(tài)監(jiān)測中的應(yīng)用申志剛，何寧，李亮，ShenZhigang，HeNing，LiLiang

3.輥彎成形仿真分析與參數(shù)優(yōu)化郭烈恩，趙亞莉，涂文斌，GuoLieen，ZhaoYali，TuWenbin

4.等離子體氣動激勵的誘導(dǎo)氣流速度的實(shí)驗(yàn)研究李益文，李應(yīng)紅，周章文，賈敏，宋慧敏，吳云，LiYiwen，LiYinghong，ZhouZhangwen，JiaMin，SongHuimin，WuYun

5.新的被動自適應(yīng)起落架緩沖器設(shè)計與著陸性能研究朱書華，童明波，許杰，ZhuShuhua，TongMingbo，XuJie

6.平行航路安全評估新方法隋東，SuiDong

7.串聯(lián)磁路混合勵磁爪極發(fā)電機(jī)的研究趙朝會，秦海鴻，嚴(yán)仰光，ZhaoChaohui，QinHaihong，YanYangguang

8.基于改進(jìn)微粒群算法的無人機(jī)姿態(tài)控制參數(shù)智能整定浦黃忠，甄子洋，王道波，胡勇，PuHuangzhong，ZhenZiyang，WangDaobo，HuYong

9.基于距離和角度信息的無線傳感器網(wǎng)絡(luò)定位算法諸燕平，黃大慶，ZhuYanping，HuangDaqing

篇10

關(guān)鍵詞：拉格朗日力學(xué)； 圖像預(yù)測； 圖像追蹤； 天氣雷達(dá)； 臨近預(yù)報

DOIDOI：10.11907/rjdk.162240

中圖分類號：TP317.4

文獻(xiàn)標(biāo)識碼：A文章編號：1672-7800（2016）012-0001-04

0 引言

多普勒天氣雷達(dá)（以下簡稱雷達(dá)）是現(xiàn)代氣象業(yè)務(wù)研究及應(yīng)用中不可或缺的重要工具，基于雷達(dá)回波及圖像的追蹤與外推是短時臨近預(yù)報的關(guān)鍵性技術(shù)，也是長期以來的難點(diǎn)問題。準(zhǔn)確而及時的雷達(dá)外推預(yù)報，可以為局地龍卷風(fēng)、雷暴、短時強(qiáng)降水等極端災(zāi)害性天氣提供預(yù)警，以便做好防御措施，最大限度保障人民及生命財產(chǎn)安全。

近半個世紀(jì)以來，很多學(xué)者在基于雷達(dá)資料的預(yù)報領(lǐng)域作出了大量卓有成效的貢獻(xiàn)，并逐步形成了一系列較為通行的方法。例如，TREC算法通過逐區(qū)域?qū)で笙噜彆r刻雷達(dá)反射率的最大相關(guān)，跟蹤整個回波區(qū)域的移動，并且假設(shè)回波具有一致的移動方向[1]。CTREC算法則利用交叉相關(guān)分析，跟蹤反射率因子大于一定閾值區(qū)域的移動，進(jìn)而推算回波的發(fā)展[2]。TITAN是由美國國家大氣研究中心（NCAR） 研發(fā)的一套風(fēng)暴識別、跟蹤、分析和預(yù)報系統(tǒng)，其利用雷達(dá)一次完整體掃所構(gòu)成的三維結(jié)構(gòu)數(shù)據(jù)對強(qiáng)回波中心進(jìn)行識別追蹤[3-4]。SCIT算法則更加側(cè)重對雷暴單體的有效追蹤和預(yù)測[5-7]。近年來，又有一些學(xué)者試從圖形圖像學(xué)中的光流技術(shù)入手，通過分析雷達(dá)回波時序圖像中的光流場特征進(jìn)行回波強(qiáng)度和位置的外推預(yù)測[8-11]。此外，還有基于神經(jīng)網(wǎng)絡(luò)、模式匹配等多種方法[12-14]。

總體來說，這些方法的共同之處是需要分析相鄰時刻雷達(dá)圖像（或基數(shù)據(jù)）中區(qū)域的相似性，而該相似性的度量，如最大相關(guān)法，雖然可以計算出最匹配的位置，但匹配和外推結(jié)果往往表現(xiàn)出發(fā)散性或多個最優(yōu)解。并且，基于窗口平移的模板匹配算法無法適應(yīng)區(qū)域圖像的旋轉(zhuǎn)和變形等情況。

為了克服相關(guān)性度量算法所遇到的問題，本文考慮對位移場的分析加以分層，也就是每個特征運(yùn)動被認(rèn)為是確定在相對粗糙的空間分辨率下的平穩(wěn)變化趨勢的總和，然后衍生為更高的空間分辨率下的小幅度局部修正，并對此過程進(jìn)行多次迭代。對于位移場的分析，將充分考慮雷達(dá)回波所指示風(fēng)暴的動力學(xué)特征，運(yùn)用拉格朗日力學(xué)相關(guān)理論構(gòu)建預(yù)測模型。該方法的研究意義在于進(jìn)一步提高中小尺度、強(qiáng)對流天氣事件的預(yù)測能力，且相對于光流等一些大運(yùn)算量算法，本方法運(yùn)算規(guī)模更小，進(jìn)而能夠更好地滿足短臨預(yù)報業(yè)務(wù)高時效性的要求。

1 理論與方法基礎(chǔ)

1.1 雷達(dá)回波外推預(yù)測

大量研究表明，合理的外推預(yù)測算法可以為降水、雷暴、冰雹等對流天氣的預(yù)報提供重要支撐[15-17]?；谕馔祁A(yù)報的一般性描述為：

其中，pt（x，y）表示任一位置的回波強(qiáng)度，U和V分別表示回波在水平和垂直方向上的偏移量，由U和V共同組成回波移動的速度矢量。g表示一個函數(shù)，用來計算單位時間間隔后回波強(qiáng)度的變化。根據(jù)式（1），Δpt（x，y）反映了任一點(diǎn)（x， y） 在t 時刻回波強(qiáng)度的變化情況，U和V反映了回波移動的方向和速度。此外，函數(shù)g代表一個拉格朗日動力學(xué)過程，在此過程中雷達(dá)回波的強(qiáng)度是由其沿回波路徑移動時在拉格朗日坐標(biāo)系統(tǒng)中的歷史變化推導(dǎo)出的，也就是用當(dāng)前回波演變的趨勢預(yù)測回波未來的位置和強(qiáng)度。究其趨勢預(yù)測的方法，多年來諸多學(xué)者作出很多研究，本文主要從拉格朗日力學(xué)角度進(jìn)行分析，提出一種雷達(dá)回波圖像追蹤預(yù)測的方法。

1.2 拉格朗日力學(xué)

拉格朗日力學(xué)是由Joseph Lagrange[18-19]最早提出的一種力學(xué)分析方法。由于該方法引用了廣義坐標(biāo)的概念，使得對力學(xué)相關(guān)問題的研究更具普適性。

在雷達(dá)回波圖像預(yù)測研究中，如何準(zhǔn)確得到回波運(yùn)動矢量是預(yù)測需要解決的關(guān)鍵問題。在不考慮天氣系統(tǒng)的非線性變化時，拉格朗日力學(xué)模型能夠滿足構(gòu)建回波發(fā)展演變過程的算法要求，式（1） 可以改寫為：

有研究表明，對整個回波圖像采用統(tǒng)一的U和V所構(gòu)成的位移矢量，可適用于對大尺度天氣系統(tǒng)的預(yù)測分析，如對衛(wèi)星圖像的外推預(yù)測和云導(dǎo)風(fēng)的分析[20]。但對于局地強(qiáng)對流天氣系統(tǒng)，預(yù)測結(jié)果往往與實(shí)際偏差較大。因此，這也是本文將重點(diǎn)闡述解決的問題。

2 雷達(dá)圖像追蹤預(yù)測

2.1 基于拉格朗日力學(xué)的追蹤算法

在上述理論基礎(chǔ)上，根據(jù)大氣運(yùn)動演變發(fā)展的規(guī)律及其在雷達(dá)回波圖像上的表征特點(diǎn)，構(gòu)建基于拉格朗日力學(xué)的追蹤算法模型，如式（3） 所示。

該模型假定所預(yù)測的回波圖像是當(dāng)前和過去若干個回波圖像以固定時間間隔而變化的函數(shù)。f2表征一個用于估測單位時間間隔前后回波圖像各相應(yīng)網(wǎng)格點(diǎn)回波強(qiáng)度值變化率的函數(shù)，即回波的演變趨勢。在不斷生消、發(fā)展的對流系統(tǒng)中，ΔP可以為正，也可以為負(fù)數(shù)。式（4）～式（6） 進(jìn)一步表明了函數(shù)f1和f2，即回波移動矢量及回波強(qiáng)度的計算方法。

2.2 中心極值濾波

為了降低雷達(dá)雜波對位移矢量計算的不良影響，本節(jié)提出采用一種濾波器對雷達(dá)基數(shù)據(jù)進(jìn)行濾波處理。其基本思想是：逐網(wǎng)格分析回波強(qiáng)度特征，如果某格點(diǎn)的值大于周邊最相鄰一圈（共8個網(wǎng)格）的最大值，或者該值小于周邊最相鄰一圈的最小值，則將當(dāng)前網(wǎng)格點(diǎn)回波強(qiáng)度值用上述8個網(wǎng)格的最大值或最小值替代。

如圖1所示，位于當(dāng)前中心點(diǎn)的數(shù)值39大于其最鄰近一圈8個網(wǎng)格的最大值。因此，使用數(shù)值23替換當(dāng)前網(wǎng)格的39。

從圖像上看，該濾波方法可顯著降低圖像中的椒鹽噪聲，從實(shí)際效果上看，該方法可以有效過濾單點(diǎn)的雜波奇異值，較傳統(tǒng)的均值濾波和中值濾波更好地保留了回波細(xì)節(jié)[21-22]，特別是回波中梯度變化較大的邊緣區(qū)域。

2.3 分層外推預(yù)測算法

由于天氣系統(tǒng)復(fù)雜多變，特別是尺度較小的局地強(qiáng)對流，其生命周期短的只有幾分鐘到幾十分鐘，由于其空間尺度小，生消速度快，因此，包括基于拉格朗日力學(xué)在內(nèi)的各種線性關(guān)系外推算法，其預(yù)測準(zhǔn)確性都存在一定的局限性。為了改善這一問題，本節(jié)提出采用分層的外推預(yù)測方法。該思想最早由Bellerby等 [20]提出，并研究應(yīng)用于衛(wèi)星圖像的云頂平流場分析中。

該算法的關(guān)鍵流程為：先將當(dāng)前雷達(dá)回波圖像逐級抽稀，降低圖像的分辨率，以模糊回波細(xì)節(jié)，由此粗略估算出回波主體的移動趨勢；然后再反向逐級提高圖像分辨率，在較粗的移動趨勢基礎(chǔ)上，細(xì)化和訂正位移矢量的細(xì)節(jié)。從而產(chǎn)生一個在空間上連續(xù)和平滑的且不受模板邊界不連續(xù)性影響的矢量場。計算方法如式（7）所示：

對于每一級抽稀計算，都是將當(dāng)前一級各網(wǎng)格點(diǎn)的回波強(qiáng)度值經(jīng)由公式（7）計算，并往復(fù)迭代。其中P表示某一點(diǎn)的回波強(qiáng)度，L和L-1代表抽稀的層級，在本文下述實(shí)驗(yàn)中，采用的最高層級為4。

在計算兩個相鄰時刻圖像中回波的位移時，可以借鑒交叉相關(guān)法，計算方法如式（8），在每個選定的匹配窗口遍歷出最大相關(guān)矩陣的位置，從而輸出位移矢量。

式（8） 中，P和P’ 分別表示相鄰兩個時刻（如t-Δt與t）的回波，（x， y） 表示圖像中的某一點(diǎn)，X和Y表示匹配窗口的大小。再將兩幅回波圖像之間的網(wǎng)格還原或內(nèi)插到其先前空間分辨率的兩倍，重復(fù)上述匹配。該迭代過程還考慮到了由非矩形網(wǎng)格代表的局部扭曲，結(jié)合這些局部扭曲，使外推預(yù)測算法能夠適應(yīng)旋轉(zhuǎn)、擴(kuò)展、縮小等回波圖像形態(tài)上的變化。如此插值和匹配計算，迭代直到網(wǎng)格分辨率達(dá)到原始雷達(dá)圖像分辨率。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)說明

為檢驗(yàn)所述方法的預(yù)測效果，本實(shí)驗(yàn)數(shù)據(jù)使用2016年6月南京地區(qū)多普勒天氣雷達(dá)的基數(shù)據(jù)文件。該雷達(dá)使用VCP-21體掃模式，探測周期為6分鐘。實(shí)驗(yàn)選用1.5°和2.4°仰角的基本折射率數(shù)值。為方便計算，實(shí)驗(yàn)前將原始數(shù)據(jù)由極坐標(biāo)系統(tǒng)轉(zhuǎn)換為平面直接坐標(biāo)系統(tǒng)，數(shù)據(jù)的圖像分辨率為920×920。為減少樣本數(shù)量，從全部7199個基數(shù)據(jù)文件中篩選出以230庫長為半徑，其覆蓋區(qū)域內(nèi)具有大面積強(qiáng)回波的數(shù)據(jù)文件，共計880個。

3.2 實(shí)驗(yàn)結(jié)果分析

為檢驗(yàn)雷達(dá)回波圖像預(yù)測的準(zhǔn)確性，使用與預(yù)測同一時刻的雷達(dá)實(shí)際探測數(shù)據(jù)作比對分析，計算過程采用交叉相關(guān)檢驗(yàn)法。

首先以自然日為單位，統(tǒng)計逐日樣本數(shù)據(jù)中每份預(yù)測結(jié)果與實(shí)況交叉檢驗(yàn)的相關(guān)系數(shù)的平均值，如圖2所示。

圖2中3種圖案標(biāo)記分別表示預(yù)測6分鐘、30分鐘和60分鐘的檢驗(yàn)結(jié)果，每個值代表當(dāng)日所有樣本檢驗(yàn)結(jié)果的平均值。橫坐標(biāo)為2016年6月的逐個日期，縱坐標(biāo)為相關(guān)系數(shù)，其中橫坐標(biāo)4、5、9、10等日期沒有標(biāo)記圖案，原因是這些日期的當(dāng)日為晴天或少云，體現(xiàn)在雷達(dá)上沒有強(qiáng)的大面積回波，因此沒有列入樣本數(shù)據(jù)進(jìn)行分析。從圖2中還可以看出，本方法預(yù)測未來6分鐘的結(jié)果與實(shí)況相比，相關(guān)系數(shù)超過87%，平均達(dá)到93%以上，而隨著預(yù)測時效的延長，預(yù)測準(zhǔn)確率逐步下降，在未來60分鐘的預(yù)測中，全月平均相關(guān)系數(shù)為70%左右。

進(jìn)一步統(tǒng)計分析每次預(yù)測準(zhǔn)確率的穩(wěn)定性。以6月19日全天樣本數(shù)據(jù)為例，統(tǒng)計每批樣本所預(yù)測6、12、18至60分鐘結(jié)果分別與實(shí)況交叉相關(guān)檢驗(yàn)的情況，如圖3所示。

圖3中，每個柱狀條的頂端和底端分別表示檢驗(yàn)的相關(guān)系數(shù)的最大值和最小值，柱狀條中間的黑色方形表示相關(guān)系數(shù)的均值?？梢钥闯觯S著預(yù)測時效的增長，其預(yù)測準(zhǔn)確率的個體差異也隨之增大。在前6分鐘的預(yù)測中，該差異約為3%，30分鐘時約為8%，而到預(yù)測60分鐘時，差異進(jìn)一步增大到20%。結(jié)果與強(qiáng)對流天氣系統(tǒng)具有生命史短、突發(fā)性強(qiáng)，水氣生消發(fā)展變化快的特點(diǎn)是相一致的。

4 結(jié)語

由于天氣系統(tǒng)復(fù)雜多變，特別是對于中小尺度的對流系統(tǒng)，其生消、發(fā)展時間短、變化快，如何進(jìn)行準(zhǔn)確、有效的預(yù)報是提升當(dāng)今短時臨近預(yù)報的關(guān)鍵環(huán)節(jié)之一?？紤]到大氣中水氣等物質(zhì)的移動變化應(yīng)遵循一般力學(xué)規(guī)律，而拉格朗日力學(xué)正是表征和計算動力學(xué)問題的普適性方法，因此，本文的預(yù)測動力模型建立在拉格朗日力學(xué)關(guān)系基礎(chǔ)之上。又由于天氣系統(tǒng)的變化表現(xiàn)在雷達(dá)圖像上，其回波圖形具有相當(dāng)?shù)牟淮_定性，因此，本文提出采用分層的位移場分析方法，先假定位移矢量是在相對粗糙的空間分辨率下的平穩(wěn)變化趨勢的總和，然后在更高空間分辨率下作小幅度局部修正，并如此進(jìn)行多次迭代。為了減少低仰角雜波對實(shí)驗(yàn)結(jié)果的影響，提出采用中心極值濾波對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理。結(jié)合上述理論構(gòu)建起基于拉格朗日力學(xué)的追蹤預(yù)測模型及算法流程，以雷達(dá)基本反射率因子作為輸入場，追蹤和預(yù)測回波在空間和時間上的位移矢量，并由此預(yù)測未來一段時間雷達(dá)回波的位置和強(qiáng)度。

實(shí)驗(yàn)部分采用1個月樣本數(shù)據(jù)對本算法模型進(jìn)行檢驗(yàn)，通過預(yù)測結(jié)果與同時刻實(shí)況的比對分析，得出兩者的相關(guān)性和個例穩(wěn)定性等評價指標(biāo)。結(jié)果表明，該方法能夠較好地預(yù)測局地天氣系統(tǒng)的演變過程，在未來30分鐘的預(yù)測中準(zhǔn)確率平均超過80%，且對于輔助預(yù)報未來60分鐘內(nèi)的局地龍卷風(fēng)、強(qiáng)降水、雷暴等災(zāi)害性事件具有實(shí)踐應(yīng)用的價值。

參考文獻(xiàn)：

[1] 劉紅艷，魏鳴.多普勒雷達(dá)風(fēng)場資料在臨近預(yù)報中的應(yīng)用[J].大氣科學(xué)學(xué)報，2015（4）：483-491.

[2] 鄭永光，林隱靜，朱文劍，等.強(qiáng)對流天氣綜合監(jiān)測業(yè)務(wù)系統(tǒng)建設(shè)[J].氣象，2013（2）：234-240.

[3] 周康輝，鄭永光，藍(lán)渝.基于閃電數(shù)據(jù)的雷暴識別、追蹤與外推方法[J].應(yīng)用氣象學(xué)報，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] 莊旭東，胡勝，陳榮，等.“雨燕”中風(fēng)暴算法與新一代雷達(dá)SCIT產(chǎn)品的對比分析[J].熱帶氣象學(xué)報，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，陳元昭，劉東華，等.光流法及其在臨近預(yù)報中的應(yīng)用[J].氣象學(xué)報，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] 王興，王新，苗春生，等.基于GPU加速的雷暴追蹤外推方法研究[J].南京師范大學(xué)學(xué)報：工程技術(shù)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] 盛仲飆.BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測中的應(yīng)用[J].軟件導(dǎo)刊，2016（1）：147-148.

[13] 王利卿，黃松杰.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索算法[J].軟件導(dǎo)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] .雷達(dá)外推預(yù)報與暴雨數(shù)值模式融合預(yù)報降水方法研究[D].北京：中國氣象科學(xué)研究院，2013.

[16] 張蕾.多普勒雷達(dá)回波演變的動力學(xué)分析及臨近預(yù)報算法改進(jìn)[D].南京：南京信息工程大學(xué)，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] 李艷艷.相似空間中不變的歐拉-拉格朗日方程[J].河南大學(xué)學(xué)報：自然科學(xué)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.