前言：中文期刊網精心挑選了卷積神經網絡存在的問題范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
卷積神經網絡存在的問題范文1
關鍵詞：深度學習；行為識別；神經網絡
1 概述
動作行為識別是計算機視覺領域中的一個研究熱點，已經廣泛應用于智能監控、人機交互、視頻檢索等領域中[1]。動作行為識別技術是通過對視頻或者圖像中人體動作行為做出有意義的判斷。有效表達圖像（視頻）中的實際目標和場景內容是最基本，最核心的問題。因此，對于特征的構建和選擇得到廣泛關注，例如STIP、SIFT、MSER等。但是，能通過無監督方式讓機器自動從樣本中學習到表征樣本的特征，會讓人們更好地利用計算機來實現人的視覺功能。而深度學習作為神經網絡的延伸和發展，是通過逐層構建一個多層網絡來使得機器自動學習到隱含在數據內部的關系，從而讓學習到的特征更加準確性。
文章旨在探討深度學習與機器學習（神經網絡）之間的關系，并且介紹深度學習的由來、概念和原理；同時介紹目前深度學習在計算機視覺中的應用。最后提出深度學習目前發展所面臨的問題，以及對未來的展望。
2 深度學習
2.1 深度學習概述
深度學習源于人工神經網絡的研究，是機器學習的拓展。深度學習是經過組合低層特征來形成更加抽象的屬性類別和特征，從中發現原始數據的特征表征[2]?，F在用于動作行為識別的技術是通過“動作表征”+“動作分類器”的框架來進行行為識別的。其中“動作表征”是人們手動設計特征獲取到的，也就是在目前識別框架內存在一個對動作圖像（視頻）的預處理過程。
深度學習和淺層學習相對。目前許多學習算法是淺層網絡學習方法，具有一定的局限性，例如在樣本有限的狀況下，表示復雜函數的能力有限制，且對復雜分類問題的泛化能力也會受到一定約束[3]。而深度學習通過學習深層非線性網絡結構，達到復雜函數逼近，又能在樣本少的情況下學習原始數據的特征。BP算法作為傳統神經網絡的典型算法，雖然訓練多層網絡，但僅含幾層網絡，訓練方法很不理想[3]。因為其輸入和輸出間非線性映射讓網絡誤差函數形成含多個極小點的非線性空間，因而經常收斂到局部最小，且隨著網絡層數的增加，容易過擬合。而深度學習可以獲得分布式表示，通過逐層學習算法來得到原始輸入數據的主要變量。通過深度學習的非監督訓練完成，同時利用生成性訓練避免因函數表達能力過強而出現過擬合情況。
2.2 深度學習原理
傳統機器學習僅含單層非線性變換的淺層網絡結構，而且淺層模型單一。這對于深度網絡來說易造成陷入最優或產生梯度分散等問題。因此，Hinton等人在基于深度置信網（DBNs）的情況下提出非監督貪婪逐層訓練算法，隨后提出了多層次自動編碼器深層結構，這給解決深層網絡結構相關的優化難題帶來了希望。此外Lecun等人提出的卷積神經網絡是第一個多層次結構的學習算法。同時深度學習還出現了許多結構：多層感知機、去噪自動編碼器、稀疏編碼等。
卷積神經網絡是第一個真正采用多層次網絡結構，具有魯棒性的深度學習算法，通過探究數據在空間上的相關性，減少訓練參數的數量。而且卷積神經網絡（CNN）適應性強，善于發現數據的局部特征。它的權重共享結構降低了網絡模型的復雜度，減少了權值的數量，使得卷積神經網絡在模式識別中取得了很好的結果。
自動編碼器的核心關鍵是將原始圖像（視頻）輸入信號進行編碼，使用編碼后的信號來重建原始信號，使得兩者之間的重建誤差最小。通過將原始信號編碼成另一形式，能夠有效地提取信號中的主要信息，能夠簡潔地表達原始圖像（視頻）的特征。
3 深度學習的應用
3.1 語音識別
從2009年開始，微軟研究院語音識別專家通過與Hinton合作，首先將RBM和DBN引入到語音識別聲學模型訓練中，使得語音識別的錯誤率相對減低30%，這徹底改變了語音識別原有的技術框架。在國際上，IBM、google等公司都快速進行了DNN語音識別的研究，并且速度飛快。國內方面，阿里巴巴，科大訊飛、百度、中科院自動化所等公司或研究單位，也在進行深度學習在語音識別上的研究。
3.2 視頻中的動作行為識別
準確迅速識別視頻中人的動作行為對于視頻搜索和視頻監控具有劃時代的意義。最近幾年，深度學習技術被應用于視頻動作行為識別中。如Ji等人[4]提出多層網絡的3D卷積神經網絡來學習視頻中的時空特征，并通過卷積來實現對整個視頻特征的學習，從而代替之前的時空興趣點檢測和特征描述提取。在TRECVID數據庫上進行的實驗取得了不錯效果。
4 結束語
文章對深度學習的主要概念進行了全面闡述，包括其由來、原理、研究進展和相應的應用等。在很多領域中，深度學習都表現了潛在的巨大價值，但深度學習作為淺層學習的延伸，仍處于發展階段，還有很多問題值得我們深入探討：
（1）我們需要了解深度學習的樣本復雜度，需要多少訓練樣本才能學習到足夠的深度模型。
（2）在推進深度學習的學習理論和計算理論的同時，我們是否可以建立一個通用的深度學習網絡模型，作為統一的框架來處理語音、圖像和語言。
（3）神經網絡具有前饋性連接和反饋性連接，可是我們研究的深度網絡中還沒有加入反饋連接，這些都給深度學習的研究帶來了嚴峻的挑戰。
參考文獻
[1]王亮，胡衛明，譚鐵牛.人運動的視覺分析綜述[J].計算機學報，2002，25（3）：225-237.
[2]余凱，賈磊，陳雨強.深度學習的昨天、今天和明天[J].計算機研究與發展，2013，50（9）：1799-1804.
卷積神經網絡存在的問題范文2
人工智能、大數據、光纖網絡等技術的發展和改進，人類社會已經進入到了“互聯網+”時代，有力的促進了信息化系統的普及和使用，比如證券交易所開發了結算交易系統，政府機關開發了電子政務系統，旅游景區開發了旅游住宿管理系統等，提高了行業智能化、自動化和共享化水平?；ヂ摼W雖然為人們帶來了極大的方便，提高了各行業的信息化水平，但是其也面臨著海量的安全攻擊威脅，比如數以萬計的病毒或木馬，都給互聯網的應用帶來了極大的障礙。目前，網絡中流行的攻擊包括病毒木馬、DDOS攻擊等，這些病毒木馬常常發生各類型的變異，比如2018年初爆發的勒索病毒，攻擊了很多政企單位的服務器，導致終端操作系統無法登錄和訪問，傳統的防火墻、殺毒軟件等網絡安全防御軟件已經無法滿足需求，需要引入大數據技術，以便能夠將被動防御技術改進為主動防御技術，及時的查處網絡中的病毒或木馬，從而可以提高互聯網防御水平。
1.網絡安全防御現狀研究
網絡安全防御經過多年的研究，已經吸引了很多的學者和企業開發先進的防御技術，比如360安全衛士、訪問控制列表、防火墻等，同時還提出了一些更加先進的深度包過濾和自治網絡等防御技術，這些技術均由許多的網絡安全防御學者、專家和企業進行研究提出，已經在網絡中部署喝應用，一定程度上提高了網絡防御水平。（1）防火墻防火墻是一種部署于因特網和局域網之間防御工具，其類似一個過濾器，可以不熟一些過濾規則，從而可以讓正常的數據通過防火墻，也可以阻止攜帶病毒或木馬的數據通過防火墻，防火墻經過多年的部署，已經誕生了數據庫防火墻、網絡防火墻、服務器防火墻等，使用枚舉規則禁止查看每一個協議是否正常，能夠防御一定的病毒或木馬。（2）殺毒軟件殺毒軟件也是一個非常關鍵的程序代碼，可以在殺毒軟件系統的服務器中保存檢測出的病毒或木馬基因特征片段，將這些片段可以與網絡中的數據信息進行匹配，從而可以查找網絡中的病毒或木馬，及時的將其從網絡中清除。殺毒軟件為了能夠準確的識別病毒，目前引入了許多的先進技術，這些技術包括脫殼技術、自我保護技術等，同時目前也吸引了更多的網絡安全防御公司研究殺毒軟件，最為著名的軟件廠商包括360、瑞星、江民、卡巴斯基等，同時騰訊公司、搜狗公司也開發了自己的安全管理技術，大大的提高網絡防御能力。（3）訪問控制列表訪問控制列表是一個易于配置、安裝簡單和管理容易的網絡安全防御工具，設置了黑白兩個關鍵名單，白名單收錄了安全數據源IP地址，黑名單收錄了非法的數據源IP地址。訪問控制列表已經可以在四個層次配置防御策略，分別是目錄及控制級、入網訪問控制級、屬性控制級和權限控制級。訪問控制列表級別越高訪問性能越好，但是工作效率非常慢，不能夠實時升級訪問控制列表，因此應用的場所比較簡單，一般都是不重要的中小學實驗室等，許多大型政企單位都不用這個防御措施。（4）深度包過濾深度包過濾能夠嵌入到硬件中形成一個固件，這樣就可以快速的采集網絡中的數據，然后利用深度包過濾的枚舉檢查規則，不僅檢查數據包的頭部IP地址、目的IP地址，還檢查數據包中的內容，以便能夠深入到數據包內部檢查是否存在病毒或木馬，一旦發現就可以啟動防御軟件。深度包過濾可以實施穿透式檢查規則，分析每一個協議字段，深入到內部檢查的更加詳細和全面，從而避免病毒或木馬隱藏在數據包內部，因此深度包過濾已經在很多領域得到應用，比如阿里云、騰訊云、百度云等都采用了這些技術，許多的政企單位也采用了深度包過濾技術，進一步提高了數據防御水平。（5）自治網絡自治網絡作為一種先進的互聯網安全防御技術，其采用了自動愈合的建設理念，在網絡中構建了一個冗余策略，一旦網絡受到病毒或木馬的攻擊，此時自治網絡就可以將這些一部分網絡設備隔離，同時形成一個新傳輸通道為網絡設備提供連接，知道數據修復完畢之后才能夠將這些網絡拓撲結構納入到網絡中。自治網絡可以實現自我防御，也可以調動網絡信息安全的許多的資源，將網絡病毒導入備用服務器，此時就可以殺滅這些病毒。
2.基于大數據的網絡安全防御系統設計
網絡安全防御系統集成了很多先進的技術，尤其是快速的數據采集和大數據分析技術，能夠將傳統的被動網絡安全防御模式轉變為主動，提高網絡安全防御性能。本文結合傳統的網絡安全防御功能及引入的大數據技術，給出了網絡安全防御系統的主要功能，這些功能包括四個關鍵方面，分別是數據采集功能、大數據圖1基于大數據的網絡安全防御系統功能分析功能、網絡安全防御功能和防御效果評估功能。（1）網絡數據采集功能目前，人們已經進入到了“互聯網+”時代，網絡部署的軟硬件資源非常多，訪問的用戶頻次數以億計，因此網絡安全防御首先需要構建一個強大的數據采集功能，可以及時的采集網絡中的軟硬件數據資源，將這些網絡數據發送給大數據分析功能。網絡數據采集過程中可以引入深度包過濾功能，利用這個深度包過濾可以快速的采集網絡數據，提高網絡數據采集速度。（2）大數據分析和處理功能網絡數據采集完畢之后，系統將數據發送給大數據分析和處理模塊，該模塊中包含了很多的病毒基因片段或特征，可以針對網絡數據進行智能分析，將預處理后的網絡數據與學習到的特征進行對比，以便能夠發現這些數據信息中是否潛藏著木馬或病毒，發現之后及時的將其發送給安全防御模塊。（3）網絡安全防御功能網絡安全防御與傳統的防御技術一致，采用木馬或病毒查殺軟件，因此一旦發現網絡中存在病毒或木馬，此時就可以啟動網絡安全防御工具，及時的將網絡中的病毒或木馬殺滅，并且可以跟蹤病毒或木馬來源，從而可以鎖定源頭服務器，將源頭清除掉。如果源頭涉及到犯罪就可以獲取這些證據，同時將這些證據發送給公安機關進行偵破。（4）防御效果評估功能網絡安全防御功能完成之后，系統可以針對處理效果進行評估，從而可以獲取網絡系統中的殺毒信息，將這些網絡病毒消滅，避免網絡中的病毒或木馬復發。網絡安全防御效果評估之后，還可以跟蹤大數據分析的準確度，一旦準確度降低就可以及時進行學習，從而提高網絡安全防御性能。大數據是一種非常關鍵的數據處理和分析技術，可以利用多種算法，比如BP神經網絡算法、支持向量機、深度學習、K-means算法等挖掘數據中潛在的知識，這些知識對人們是有價值的，能夠幫助人們進行決策。本文為了能夠更好的展示互聯網應用性能，重點描述了深度學習算法分析互聯網安全數據過程。深度學習算法是一種多層次的卷積神經網絡，包括兩個非常關鍵的層次結構，一個是卷積層稱為病毒數據特征提取層，一個卷積層為病毒數據特征映射層，可以識別病毒數據中的特征數據，同時將池化層進行處理，壓縮和處理池化層數據信息，比如進行預處理、二值化等，刪除病毒數據中的一些明顯的噪聲特征。池化層可以將海量的病毒數據進行壓縮，減少卷積神經網絡分析時設置的參數，解決卷積神經網絡學習和訓練時容易產生的過度擬合問題，避免病毒識別模型陷入到一個過度擬合狀態，避免無法提高病毒識別能力，還會提升病毒識別處理開銷。全連接層就是一個關鍵分類器，可以將學習到的病毒知識標記到一個特征空間，這樣就可以提高病毒識別結果的可解釋性。卷積神經網絡通過學習和訓練之后，其可以形成一個動態優化的網絡結構，這個結構可以在一定時期內保持不變，能夠實現病毒特征的識別、分析，為病毒識別提供一個準確的結果。
卷積神經網絡存在的問題范文3
人工神經網絡作為一種智能化的方法近年來在圖像數據壓縮領域得到了一定的研究與應用[6]?；谌斯ど窠浘W絡的數據壓縮主要有2個步驟：①學習訓練，將數據送入輸入層作為訓練樣本，不斷調整各層間的連接權值，從而使得網絡的輸出均方差達到最??；②壓縮編碼，將數據輸入到訓練好的網絡，壓縮后的數據通過隱含層輸出。DEM數據具有相關性和連續性的特點，即DEM數據反映的是地形連續變化的特征，高程劇烈變化的部分是少有的并且DEM網格中某一點的高程值可以通過鄰域值用非線性函數表示，這實質上非線性函數逼近或地形曲面擬合的過程?；谝陨咸攸c，學者們將人工神經網絡引入到DEM數據壓縮領域，馮琦等[7]采用BP神經網絡實現DEM數據壓縮，該研究特色在于：①采用L-M訓練算法提高單隱層網絡（SHLN）運算速率[8-9]；②基于DEM數據相關性特點設置相對誤差精度指標實現對最優BP訓練網絡的選取，在減少結點數的同時獲得較高的壓縮比；③該方法解壓過程對于計算機硬件依賴性不高，能夠進行數據的離線壓縮處理。根據DEM數據的連續性特征，趙鴻森等[10]提出了一種基于RBF神經網絡的壓縮方法，該方法將山脊線、山谷線等地形特征作為樣本點訓練集，能夠根據地形特征自適應確定網絡結構，神經網絡權值是通過網格點高程值獲得，可獲得較高的壓縮比。
基于小波變換的DEM數據壓縮
1.基于DWT的DEM數據壓縮
DWT（DiscreteWaveletTransform）適合于處理各種冗余度低、相關性低的非平穩信號的壓縮處理，對于不穩定、相關性差的DEM數據壓縮具有較好的效果。DWT對于信號的壓縮是基于其他具有多分辨率分析（MRA）這一特性,即根據Mallat算法[11]原始信號能夠被逐級分解為高頻和低頻信號，由于高頻分解信號含有絕大都數信息并且幅值小，通過設定一定的比例將最小幅值的分解系數置為0，再通過小波系數重構達到信號壓縮的目的。經過理論分析，原始信號經過DWT，重構信號與原始信號具有高度的一致性。事實上重構信號與原始信號的差別往往不可忽略，特別是對于DME數據的壓縮，壓縮后數據相對于原始數據而言存在著嚴重的邊界畸變、失真等問題，必須加以解決。針對這一問題，CHANG[12]等將二維離散小波變換的邊界問題轉變為一維離散小波變換來進行處理，研究結果表明該方法大大減小了邊界失真區域，在提高壓縮比的同時DEM重建數據精度也得以提高。
2.基于IWT的DEM數據壓縮
DWT是通過將信號分解系數直接置0的方式來進行壓縮處理，重構信號與原始信號不可避免地出現誤差，而基于IWT（IntegerWaveletTransform）信號壓縮，由于小波分解系數通過有限精度數（FinitePrecisionNumber）來進行精確描述，因而適合于對信號進行無損壓縮處理[13]。基于IWT的數據壓縮具有以下特點：①壓縮處理很大程度上依賴于多相矩陣因式分解的選擇，而因式分解能否對壓縮后圖像給定一個適當的誤差尺度，取決于圖形迭代函數；②IWT采用提升方案，并且均為整數運算，數據處理的速率得以提高；③IWT完全可逆，既可以實現有損編碼也可以實現無損編碼。陳仁喜等[14]將整形小波變換用于DEM數據壓縮處理，該方法首先將經過預處理的DEM數據進行整形小波變換，然后對變換系數進行閾值化處理，最后進行量化編碼。該方法最大特點是實現了數據壓縮比和質量以及數據質量和傳輸速度的很好折中，具體為：①量化方法基于SPIHT算法平面傳送思想，重要信息主要集中于高位，將小波變換后的系數直接去掉后面的n個平面位，該方法在保證數據壓縮質量的同時提高了壓縮比；②采用基于位平面掃描的算法對量化后的數據進行壓縮編碼，這使得壓縮后的數據具有質量漸進傳輸特性；③小波變換后各子帶分別進行編碼，在解碼過程中可以不對高頻子帶解碼，得到的恢復數據分辨率較低，這有利于對大型DEM數據進行快速檢索和瀏覽。
3.基于SPIHT小波編碼算法
EMZ（EmbeddedZerotreeWavelet）算法由Shaprio[15]于1993年提出,該算法包括嵌入式和零樹，在零樹結構與逐次逼近量化方法（SAQ）相結合的基礎上實現嵌入式編碼。該算法能充分利用小波系數特點使得輸出的碼流具有嵌入的優點，因而在圖像處理[16-17]、生物醫學[18]等領域得到廣泛的應用研究。但該算法也存在著如在相互獨立的零樹進行編碼時浪費大量字節等缺陷，研究者們也做了一些改進[19]。在EMZ算法基礎上發展而來的SPIHT（SetPartitioninginHierarchicalTrees）[20]算法具有能夠在保證數據壓縮質量的前提下提高壓縮比，能夠進行優化嵌入式編碼，均方根誤差和計算復雜度低等優點，并且數據壓縮后具有很好的漸進傳輸特性，目前該算法在圖像壓縮領域得到廣泛應用。地形特征是影響DEM壓縮質量的一個重要因素，平坦地區數據冗余量大而山地地勢高低起伏，數據冗余則較小，但就現有的研究方法而言將這兩種地形采用同樣地壓縮比，壓縮結果不盡如人意，李毅等[21]提出了一種基于SPIHT小波的DEM自適應壓縮方法，該方法特點在于：①考慮地形特征，根據地形的復雜度進行分析以確定數據壓縮比，從而確保數據可視化質量；②自適應性編碼，通過才用表征不同尺度的小波高頻系數和地形尺度特征向量對地形復雜度進行評估，根據評估結果自適應調節編碼算法。但該研究中數據壓縮比是根據地形視覺效果選擇，存在一定的經驗性，在實際應用中很難得到較為理想的壓縮比。
4.基于M進制小波的DEM數據壓縮
多分辨率分析是傳統二進制小波變換的基本特性，即能夠獲得信號在時間域和頻率域局部化特征，這有利于對圖像局部信息進行有效地識別和分析。當圖像經過多層小波分解時，隨著分解層數的增加，圖像信息會出現不同程度的丟失，這成為二進制小波變換的主要缺陷。在二進制小波變換基礎上發展的M進制小波變換具有如下特點：①能夠對圖像信號進行更加細致地分解，分解次數不受限制；②圖像信息更加集中，并能夠精確描述圖像的頻率分布；③圖像重構具備較高的精度；④具有對圖像信號相對狹窄的高頻部分進行放大處理和對圖像信號壓縮的特性，這克服了正交小波分解所存在的缺陷.DME由于具有海量化數據，以及復雜的地形信息等特點一直是DEM數據壓縮的難點，近年來研究者們將M進制小波變換引入DME數據壓縮領域，王宇宙等[22]提出了一種基于多進制小波變換的DEM數據壓縮方法，顧及DEM地形因素，將高頻和低頻信息分別進行編碼處理是其主要特色，具體化為：①低頻系數采用差分映射編碼，這充分顧及地面變化的連續性以及大量數據冗余的情形，能夠對低頻信息進行無損的壓縮編碼；②并未直接舍棄系數值較小的高頻小波系數，而是通過自適應對數量化表，對各個高頻小波系數子塊分別加以量化處理，能夠獲得較好的壓縮效果。但該方法不足之處在于：對數量化位數是根據壓縮率來進行確定，而事實上壓縮率不能預先得知，從而量化位數也就無法精確得獲得，基于具體地形信息的DEM數據精確壓縮也就難以實現。多進制小波函數和尺度函數的構造是基于多進制小波DEM數據壓縮的難點之一，對此呂?？萚23]構造了一種具有插值性質的多進制小波函數和尺度函數，將DEM數據轉變為二維圖像壓縮問題，能夠在保持地形特征基本不變的前提下提高壓縮比。但基于多進制DEM數據壓縮本質上是有損壓縮，細節信息的損失不可避免。#p#分頁標題#e#
基于組合算法的DEM數據壓縮
1.SPHIT算法與小波變換相結合的DEM數據壓縮
整形小波變換（IWT）采用了提升方案（LS），避免了傳統小波的卷積運算，并且計算過程完全在空間域進行，計算復雜度明顯降低，便于硬件實現。因此，IWT能夠對于冗余度較大的DEM數據進行有效地去相關性處理，實現對DEM數據的無損或近似無損的壓縮。將IWT與新型編碼方法的代表——SPIHT算法有機結合，為DEM數據壓縮提供了一種有效方法。田繼輝等[24]提出一種能夠用于應急三維GIS的DEM數據壓縮方法，該方法特點在于：①根據壓縮精度要求，實現DEM數據單位轉換；②對于每塊DEM數據均減去其最小值，在降低了小波變換級數的同時使得SPIHT編碼級數也得到降低；③通過設定一個小波系數閾值，將高于和低于該閾值的小波系數，分別進行SevenZip和SPIHT算法進行處理；④選用Int5／3實現對DEM數據壓縮處理。該方法充分發揮IWT和SPIHT算法的優勢，能夠顧及到地形平坦和起伏較大情形下的壓縮編碼，研究表明該方法取得了較好的壓縮效果，但對于DEM數據的邊界問題并未提及，仍需要進一步加以研究。
2.基于小波變換與熵編碼相結合的DEM壓縮算法
該算法實現主要有3個步驟：①小波變換，即選擇恰當的小波基函數對DEM數據進行小波變換；②量化，經過小波變換后數據相比原始數據而言更加集中，但其數量大小并未改變，必須采用一定的量化方法進行數據量化；量化通常有矢量和標量量化兩種方法；③編碼，通過將小波變換后的量化數據進行編碼，將其轉化為字符流。就整個小波壓縮流程而言，數據經過壓縮后邊界失真現象的克服，數據壓縮比的提高，以及在于量化和編碼方法的選擇是該壓縮算法的難點所在。DEM數據具有不穩定、相關性差、信息熵高，并且DEM在平原地區具有較大的冗余，而在山區則冗余度較低等特點，這使得數據壓縮比難以得到提高，常占強等[25]利用具有線性相位的雙正交小波變換與混合熵編碼相結合的方法對山區DEM數據進行壓縮處理，具體來說：首先對DEM數據進行小波變換，通過選取最大分解系數的1／6作為自適應閾值并與硬閾值函數相結合，對小波分解后的高頻系數進行處理，能夠使得大約95﹪小波系數為0；然后將高頻和低頻分解系數分別采用游程編碼和Huffman編碼；最后再次通過游程解碼和Huffman解碼進行數據解壓。該研究充分發揮了小波變換與編碼方法各自的優勢，在提高數據重建精度的同時獲得了較高的壓縮比，但小波閾值的選取局限于單一的情形，對多種情形的小波閾值的自適應確定規則的研究仍有待于進一步深入。
3.紋理優化技術與其他方法相結合的DEM數據壓縮
紋理數據作為一種重要的場景數據，在對三維DEM數據進行渲染時一般存在兩個問題：①由于采用分辨率高而且顏色豐富的紋理，從而存消耗急劇增加；②無法有處理決紋理分辨率與視距之間的關系，即相機與圖的距離較近時，圖形分辨率較大，相機與圖形距離較大時，圖形分辨率較小。Mipmap（Multi-imagepyramidmap）技術能夠很好解決以上問題，該技術由Willams提出，并很快得到了廣泛的研究和應用。從廣義角度上分析，DME數據壓縮、傳輸與顯示是一個有機整體，同屬于DEM數據壓縮范疇，即廣義DEM數據壓縮。楊曉東等[26]結合Mipmap紋理優化技術與頂點法向量編碼方法對DEM數據進行壓縮處理，該研究主要實現如下功能：①數據的漸進傳輸和顯示：通過對DEM數據進行小波變換，分別采用標量量化器和EZW對小波系數進行量化和編碼；②DEM數據優化顯示，采用頂點法向量的計算和編碼方法并結合Mipmap紋理優化技術，能夠對模型數據進行光照效果的計算。該研究突破了將DEM數據的壓縮、傳輸以及優化顯示有機結合，突破了現有的DEM數據壓縮的固有模式，為該領域提供了一個較好的研究思路。
4.基于判別規則（指標）的DEM數據壓縮
TIN由于采用不規則的空間分布高程采樣點描述地形，在數據結構、三角網生成算法等方面相對于排列規則且結構簡單的Grid數據而言，數據壓縮方面難度較大。通過預先定義某一判別規則（指標）來對數據量進行適當的取舍，從而實現對DEM數據的壓縮，是實現DEM數據壓縮處理的一種有效方法。蔡先華等[27]提出DEM數據壓縮地形描述誤差（Ep）這一判別指標來實現對DEM數據壓縮，該方法首先在充分考慮DEM高程采用點、地形描述以及數據壓縮等誤差相互影響的基礎上，確定數據壓縮誤差限值EP0；然后對不是TIN邊界的高程點產生的地形誤差Ep與所給限值進行比較，剔除小于該值的高程點，從而實現DEM數據的壓縮。三角網在地形起伏較大的情況下，相鄰法線向量之間夾角較大，而當地形平坦時，相鄰法線向量近乎平行。劉春[28]等提出一種基于TIN的DEM數據壓縮方法，該方法將相鄰三角形法線間的夾角作為判別依據，判別閾值步驟如下：①確定大概閾值T，采用該閾值進行TIN壓縮；②計算DEM采樣點高程差的方差S；③將S與壓縮誤差允許值進行比較，如果大于該值則適當減少閾值T，并重新計算；反之則增大閾值T并重新計算直到滿足要求為止。該方法間接地顧及地形特征，并且閾值的選擇是根據所給點的壓縮誤差指標進行迭代選擇的，研究表明該方法對TIN數據壓縮較為有效，但對于特殊地面模型的壓縮處理仍有待于進一步研究。
結束語
卷積神經網絡存在的問題范文4
可以看出，krisch算子的運算量比較大。其次在邊緣檢測中邊緣定位能力和噪聲抑制能力方面，有的算子邊緣定位能力強，有的抗噪聲能力比較好：roberts算子利用局部差分算子尋找邊緣，邊緣定位精度較高，但容易丟失一部分邊緣，同時由于沒經過圖像平滑計算，不能抑制噪聲。該算子對具有陡峭的低噪聲圖像響應最好；sobel算子和prewitt算子都是對圖像進行差分和濾波運算，差別只是平滑部分的權值有些差異，對噪聲具有一定的抑制能力，不能完全排除檢測結果中出現偽邊緣。這兩個算子的邊緣定位比較準確和完整，但容易出現邊緣多像素寬。對灰度漸變和具有噪聲的圖像處理的較好；krisch算子對8個方向邊緣信息進行檢測，因此有較好的邊緣定位能力，并且對噪聲有一定的抑制作用，該算子的邊緣定位能力和抗噪聲能力比較理想；laplacian算子是二階微分算子，對圖像中的階躍型邊緣點定位準確且具有旋轉不變性即無方向性。但該算子容易丟失一部分邊緣的方向信息，造成不連續的檢測邊緣，同時抗噪聲能力比較差，比較適用于屋脊型邊緣檢測（將在第3節中討論）。 2.2 最優算子 最優算子又可以分為馬爾算子（log濾波算子）、坎尼（canny）邊緣檢測、曲面擬合法。 torre和poggio[5]提出高斯函數是接近最優的平滑函數，marr和hildreth應用gaussian函數先對圖像進行平滑，然后采用拉氏算子根據二階導數過零點來檢測圖像邊緣，稱為log算子。對于log算子數學上已經證明[6]，它是按照零交叉檢測階躍邊緣的最佳算子。但在實際圖像當中，高斯濾波的零交叉點不一定全部是邊緣點，還需要進一步確定真偽[7]；坎尼把邊緣檢測問題轉換為檢測單位函數極大值問題，根據邊緣檢測的有效性和定位的可靠性，研究了最優邊緣檢測器所需的特性，推導出最優邊緣檢測器的數學表達式。與坎尼密切相關的還有deriche算子和沈俊算子，它們在廣泛的意義下是統一的；曲面擬合的基本思想是用一個平滑的曲面與待測點周圍某鄰域內像素的灰度值進行擬合，然后計算此曲面的一階或二階導數。該方法依賴于基函數的選擇，實際應用中往往采用低階多項式。 2.3 多尺度方法 早期邊緣檢測的主要目的是為了處理好尺度上的檢測和定位之間的矛盾，忽略了在實際圖像中存在的多種干擾邊緣，往往影響到邊緣的正確檢測和定位。 rosenfeld等[8]首先提出要把多個尺寸的算子檢測到的邊緣加以組合；marr倡導同時使用多個尺度不同的算子，并提出了一些啟發性的組合規則。這一思想后來經witkin等發展成了尺度空間濾波理論，說明了不同尺度上的零交叉的因果性；lu jain對二維信號進行了類似的研究；yuille和poggio證明了對于任意維信號，當用高斯函數濾波時，尺度圖中包含了數目最小的零交叉，并且可以由粗到細地跟蹤這些零交叉。 多尺度信號處理不僅可以辨識出信號中的重要特征，而且能以不同細節程度來構造信號的描述，在高層視覺處理中有重要的作用。 其中小波變換是近年得到廣泛應用的數學工具。與傅立葉變換和窗口傅立葉變換相比，小波變換是時間和頻率的局域變換，因而能有效地從信號中提取信息，它通過伸縮和平移等運算功能對函數或信號進行多尺度細化分析，解決了傅立葉變換不能解決的很多困難問題，因而被譽為“數學顯微鏡”。信號突變點檢測及由邊緣點重建原始信號或圖像是小波變換應用的一個很重要的方面。 從邊緣檢測的角度看，小波變換有以下幾個優點： （1）小波分解提供了一個數學上完備的描述； （2）小波變換通過選取合適的濾波器，可以極大地減小或去除所提取的不同特征之間的相關性； （3）具有“變焦”特性：在低頻段可用高頻分辨率和低時間分辨率；在高頻段可用低頻分辨率和高時間分辨率； （4）小波變換可通過快速算法來實現。 文獻[9]提出了一種基于層間相關性的小波邊緣檢測算法，依據的是信號主要分布在低頻部分或低尺度部分，而噪聲分布于高頻部分或高尺度部分的特點。另外小波變換具有較強的去相關性，變換后的小波系數之間仍然存在大量的相關性質，即小波系數在不同分辨率下的對應系數之間具有較強的相關性或稱層間的相關性。通過對比該方法能夠較好多的防止噪聲干擾，又能有效地保留圖像邊緣。 2.4 自適應平滑濾波方法 該方法是邊緣檢測的一個重要方法[10]，無論是對于灰度圖象處理還是距離圖像和平面曲線處理都是非常有效的。它的優點是： （1）平滑濾波的迭代運算使信號的邊緣得到銳化，此時再進行邊緣檢測，可以得到很高的邊緣定位精度； （2）通過自適應迭代平滑，實現了將高斯平滑之后的階躍邊緣、屋頂狀邊緣和斜坡邊緣都轉化為理想的階躍邊緣，提高了圖像的信噪比； （3）經過多次迭代運算，圖像按邊緣分塊實現自適應平滑，但不會使邊緣模糊； （4）應用自適應平滑濾波得到一種新的圖像尺度空間描述。 2.5 其他方法 近年來隨著模糊數學、神經網絡的發展，人們不斷探索將其應用于圖像的邊緣檢測中。文獻[11]和[12]依據模糊理論討論了邊緣檢測算法的抗噪性和檢測速度問題，并證明了模糊集合理論能較好地描述人類視覺中的模糊性和隨機性；應用人工神經網絡提取圖像邊緣成為新的研究分支，目前已提出了很多算法，具有計算簡單功能強的特點，但是速度慢，穩定性差。但是神經網絡邊緣檢測可以避免自適應確定閾值的問題，具有較好的容錯性和聯想功能。 2.6 邊緣檢測的步驟 邊緣檢測分為彩色圖像邊緣檢測和灰度圖像邊緣檢測兩種，由于彩色圖像有八種彩色基，在邊緣檢測時選用不同的彩色基將直接影響實時性、兼容性和檢測效果，因此本文只限于灰度圖像的邊緣檢測研究，其步驟如圖2.1所示。
其中邊緣定位是對邊緣圖像進行處理，以得到單像素寬的二值邊緣圖像，通常使用的技術是閾值法和零交叉法。邊緣定位后往往存在一些小的邊緣片斷，通常是由于噪聲等因素引起的，為了形成有意義的邊緣需要對定位后的邊緣進行鏈接。通常有兩種算法：局部邊緣鏈接和全局邊緣鏈接。 3 邊緣模型的分類及性能分析 本小節從邊緣檢測“兩難”問題出發，總結了實際圖像中可能出現的七種邊緣類型，并分別給出了數學模型描述，最后分析比較了不同邊緣類型表現出的特性及不同類型的邊緣定位與平滑尺度的關系。 3.1 邊緣檢測的“兩難”問題 首先來了解一下邊緣檢測的常用定義[13]：邊緣檢測是根據引起圖像灰度變化的物理過程來描述圖像中灰度變化的過程。引起圖像灰度不連續性的物理過程可能是幾何方面的（深度的不連續性、表面取向、顏色和紋理的不同），也可能是光學方面的（表面反射、非目標物體產生的陰影及內部倒影等）。這些景物特征混在一起會使隨后的解釋變得非常困難，且實際場合中圖像數據往往被噪聲污染。信號的數值微分的病態問題：輸入信號的一個很小的變化就會引起輸出信號大的變化。令 f（x）為輸入信號，假設由于噪聲的影響，使 f（x）發生了一個很小的變動： 式(3.1) 其中 ε<<1。對式（3.1）兩邊求導數則： 式(3.2) 由式（3.2）可以看到，若w足夠大，即噪聲為高頻噪聲時，會嚴重影響信號 f（x）的微分輸出，進而影響邊緣檢測的結果。為了使微分正則化，則需要先對圖像進行平滑。然而圖像平滑會引起信息丟失，并且會使圖像平面的主要結構發生移位。另外若使用的微分算子不同，則同一幅圖像會產生不同的邊緣，因此噪聲消除與邊緣定位是兩個相互矛盾的部分，這就是邊緣檢測中的“兩難”[14,15]。 3.2 邊緣分類及性能分析 圖像中的邊緣通常分為：階躍邊緣、斜坡邊緣、三角型屋脊邊緣、方波型屋脊邊緣、樓梯邊緣、雙階躍邊緣和雙屋脊邊緣[1]。 （1）階躍邊緣 模型為： f（x）=cl（x） ，其中 c>0為邊緣幅度， 為階躍函數。若存在噪聲，可以選用大尺度的模板平滑圖像，不會影響邊緣的定位。 （2）斜坡邊緣 理想的斜坡邊緣模型為：，其中s為邊緣幅度，d為邊緣寬度。斜坡邊緣的檢測不僅跟尺度有關，還與邊緣本身的寬度有關，若邊緣寬度比較小，則在小的平滑尺度下也能檢測到邊緣；無論是檢測極值點還是過零點，邊緣的定位都沒有隨著尺度的變化而變化。因此，對于斜坡邊緣若存在噪聲，可以選用大尺度的模板平滑圖像。而不會影響到邊緣定位。 （3）三角型屋脊邊緣 模型為：，其中s為邊緣幅度，d為邊緣寬度。對于三角型屋脊邊緣若存在噪聲可以選用大尺度的平滑模板，而不會影響邊緣的定位。 （4）方波型屋脊邊緣 方波型屋脊邊緣的模型為：，其中s為邊緣幅度，d為邊緣寬度。對于方波型屋脊邊緣檢測，不僅與平滑尺度有關，還與邊緣寬度有關，若存在噪聲，可以選用大尺度的平滑模板，而不會影響邊緣的定位。 （5）樓梯邊緣 樓梯邊緣模型為：，其中c1、c2、l均為常數。這種檢測的特點是平滑后的樓梯邊緣不能準確定位，必須對檢測到的邊緣位置進行移位校正。 （6）雙階躍邊緣 雙階躍邊緣與方波型屋脊邊緣相同，不同之處為：雙階躍邊緣的邊緣點為x=-d/2與 x=d/2，而方波型屋脊邊緣的邊緣點為 x=0。雙階躍邊緣的兩個邊緣點通過檢測一階導數的兩個極值點和二階導數的兩個過零點獲得。因此對于雙階躍邊緣大尺度下不能準確定位，必須對檢測到的邊緣位置進行移位校正。 （7）雙屋脊邊緣 模型為：， 其中：
卷積神經網絡存在的問題范文5
關鍵詞：小波變換;多分辨率分析;諧波;電能質量
中圖分類號：TM714.3 文獻標識碼：B
文章編號：1004373X(2008)0313402
Application ofWaveletandMulti―resolution
Theory to the OilfieldDistributionNetworkHarmonic Detection
WEN Jiabin1,LI Jinghua1,ZONG Jidong2
(1.Electric & Electronic Engineering College,Harbin University of Science Technology,Harbin,150040,China;
2.The Seventh Oil―producing Factory，Daqing Oil Field Co.Ltd.,Daqing,163000,China)
Abstract：Regarding low voltage distribution network of The Seventh Oil―producing Factory，Daqing Oil Field as the research background,the power quality of multi―points in this factory is detected.In view of the harmonic situation，the wavelet and multi―resolusion theory with favorable retractility and translation characteristic is selected,using Matlab to analyze the harmonic current,according to the harmonic reconstruction and the error account,the method of harmonic detection is proved to have very good performance.
Keywords：wavelet transformation;multi―resolution analysis;harmonic;power quality
1 引 言
目前，油田鉆采系統與油氣集輸系統的驅動裝置逐步由恒速的交流電動機傳動改為可調速的電氣傳動系統，油田電系統中電力半導體裝置日益增多，導致供配電網中諧波日益嚴重，這對用電設備和系統設備產生嚴重危害,必須對其進行研究并采取相應的措施。
本文對大慶油田有限責任公司第七采油廠葡三聯合站、敖包塔聯合站、葡四聯合站站內低壓配電網進行大量點的電能質量檢測，針對近年來應用變頻設備、無功補償裝置對電網及其用電設備產生的諧波影響這一問題，運用小波方法開展諧波檢測技術的研究。
從國內外的現狀來看，主要的諧波測量及分析方法有4種：基于傅里葉變換的諧波檢測方法；基于瞬時無功功率理論的諧波檢測方法；基于人工神經網絡的諧波分析、檢測方法；基于小波變換的諧波分析、檢測方法。本文主要選用小波變換的方法對諧波電流進行檢測分析。
2 小波變換與傅里葉變換
小波變換的思想來源于伸縮和平移方法，其概念是在1984年由法國地球物理學家J．MorLet正式提出[1]。小波變換作為一種新的數學工具，是傳統傅里葉變換的發展，在信號處理領域中有著巨大的潛在應用前景。傳統的快速傅里葉變換，是對信號在整個時間過程中變化情況的分析，所以盡管在頻域內是局部的，在時域內卻是全局的、非局部的。小波是一個時間函數，他的正負波動同時速降為零，其傅里葉變換也呈現為帶通濾波器的頻率特性，也就是說，小波在時域和頻域內都是局部化的。將小波函數伸縮和平移得到的一組函數稱為分析小波，他在時域和頻域內也是局部化的。與窗口傅里葉變換不同的是，小波變換的時間――頻率窗不是固定不變的，這也是小波變換與傅里葉變換相比最大的優勢。因此小波變換非常適合于提取電力信號中的暫態信號。
3 小波多分辨率分析法
采用正交小波變換時，任意信號X(t)∈L2(R)可采用多分辨率分解公式表示為:
式中，φj,k=2－J/2φ(2－Jt－k)為尺度函數；Ψj,k=2－J/2為小波函數；{φj,k(t)}為尺度空間Vj的標準正交基；{Ψj,k(t)}為小波空間Wj的標準正交基。Vj－1=VjWj，其中Wj為Vj在Vj－1空間的正交補空間。J為尺度j的某個特定值,分解系數aj(k)和dj(k)分別稱為離散平滑近似信號和離散細節信號。其遞推公式如下：
式中，h0和h1分別是低通數字濾波器和高通數字濾波器的單位取樣響應。取h1(k)=(－1)kh0(k)，構成正交鏡像對稱濾波器組。aj+1(k)和dj+1(k)分別是h0(－k)和h1(－k)卷積后再抽取得到的信號序列。多分辨率分解只是對低頻部分進一步分解，而高頻部分則不予以考慮。所以小波多分辨率信號分解可用多抽樣率子帶濾波器組來實現，在小波分解中，設采樣頻率為fs，則 x(n)占據的頻帶為0～fs/2 ， 經過J級分解，得到d1(k)，d2(k)，…dj(k)，aj(k)這J＋1個號序列，所占據的頻帶依次為fs/4～fs/8，fs/8～fs/16，…,fs/2j+1～fs/2j，0～fs/2j+1，由此可以將所需的頻段提取出來，這就是用濾波器組實現小波多分辨率分析的原理[2]。
圖1 三層分辨率分解樹結構圖
Daubechies小波具備刻畫信號的全局和局部奇異性變化的特點，尤其是對局部奇異變化非常敏感。由前邊的分析可知多分辨率分析的實質是不同尺度下的帶通濾波器和低通濾波器的設計。
4 檢測實例分析
本文以大慶油田有限責任公司第七采油廠的三聯輸油崗2號外輸泵進變頻50 Hz電流為例進行分析，測量儀器選用日本日置電能質量分析儀，圖2為根據測量數據繪制出來的電流波形和基波波形。
根據所測的電流繪制的電流頻譜圖見圖3，測量數據表明在接入變頻器情況下電流諧波較為嚴重，以5次、7次為主且已超出GB/T14549―93《電能質量公用電網諧波》的標準。
在進行小波變換時，根據Daubechies小波的變換原理[3] ，選用db24小波進行4次分解，采樣頻率為3 kHz。經小波分解，得到不同頻帶分量，具體的各高頻、低頻部分如圖4所示。
圖2 測得的原始電流及其基波電流
圖3 2號外輸泵諧波電流頻譜分析
圖4 小波分解后的低頻、高頻部分
圖4為經過db24小波分解后的高頻及低頻部分，其中，a(4)～a(1),b(4)～b(1)的頻帶如表1所列：
其低頻系數為a(4)，他所占據的頻帶為0～f/25，原始信號中占0～93.75 Hz范圍內的僅含基波，所以由a(4)重構即可得基波分量。
將提取基波波形放大(見圖5)，與原基波波形比較，可以看到，低頻的第四層將正弦信號中的最低頻率組成清晰地分離出來了。
圖5 提取的基波放大波形
圖6為經dbN小波重構后的諧波波形及重構誤差，由圖6可知，重構后的波形與原波形誤差很小，僅為9.671 0e-8，重構效果較好。
圖6 經dbN小波重構后的波形及誤差
由于小波分析是基于多分辨率分析的信號處理理論，因而在上述諧波檢測仿真中，不同的尺度具有不同的時間和頻率分辨率，因而小波分解能將原始信號的不同頻率成分分開，所以諧波可以檢測出來。
5 結 語
本文對大慶油田有限責任公司第七采油廠變頻、無功補償裝置的諧波電流進行了檢測分析，運用具有良好的伸縮、平移特性的小波分析方法，對諧波進行了仿真研究。分析和仿真結果表明，小波多分辨分析法可以有效地檢測電力系統的電壓和電流中的諧波含量并分解出基波信號和諧波信號，故其可以應用于諧波的檢測和補償。
參考文獻
[1]胡昌華,張軍波.基于Matlab的系統分析與設計――小波分析[M].西安:西安電子科技大學出版社,2001.
[2]梁玉娟,李群湛,趙麗平.基于小波分析的電力系統諧波分析[J].電力系統及其自動化學報,2006,15(6):67―70.
