前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇卷積神經(jīng)網(wǎng)絡(luò)的基本思想范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

卷積神經(jīng)網(wǎng)絡(luò)的基本思想范文第1篇

關(guān)鍵詞：車牌識別系統(tǒng)； 智能交通； 技術(shù)

中圖分類號： TP391.4文獻標(biāo)識碼：A文章編號：1009-3044(2008)18-20ppp-0c

Research on Licence Plate Recognition System

YI Lian-jie

(Loudi Vocational and Technical College Loudi Huanan417000)

Abstract: The licence plate recognition system has an importantrole of morden intelligent traffic system. This paper narrated the key technology ofthe licence plate recognition system and discussed the existing problems and development of the licence plate recognition system.

Keywords: the licence plate recognition system; intelligent traffic system; technology

車牌識別系統(tǒng)是智能交通系統(tǒng)的關(guān)鍵部分，可廣泛應(yīng)用于交通管理、監(jiān)控和電子收費等場合。車牌識別系統(tǒng)就是以車牌作為車輛的唯一標(biāo)識，采用計算機視覺和模式識別技術(shù)對汽車車牌的自動識別。

1 車牌識別系統(tǒng)的組成

典型的車牌識別系統(tǒng)由車輛檢測、圖像采集、車牌識別等部分組成（圖1）。車輛檢測就是使用車輛傳感器或紅外線檢測等來判斷車輛是否通過某一位置。當(dāng)車輛駛過探測部位時，CCD攝像機拍攝車輛圖像，由圖像采集卡采集圖像并輸入計算機。車牌識別部分由計算機和識別軟件組成，從由CCD攝像機采集的圖像中自動尋找車牌，然后對找到的車牌進行字符切分和識別，最后獲得車牌號碼，并將識別結(jié)果送至監(jiān)控中心等場合。

圖1車牌識別系統(tǒng)的組成

在整個識別系統(tǒng)中，以車牌識別最為關(guān)鍵。識別過程有兩個步驟，首先從圖像中找出確切的車牌位置，即車牌定位，然后對找出的車牌進行字符切分和識別。車牌識別過程包含兩大關(guān)鍵技術(shù)：1.車牌區(qū)域定位技術(shù)；2.車牌字符切分和識別技術(shù)。

2 車牌定位技術(shù)

圖像輸入計算機后，系統(tǒng)要自動找出車牌的準(zhǔn)確位置。車牌區(qū)域定位是車牌字符切分和識別的基礎(chǔ)，是提高系統(tǒng)識別率的關(guān)鍵。車牌定位過程包括三個步驟：圖像預(yù)處理、車牌搜索和車牌糾偏。

2.1 圖像預(yù)處理

圖像預(yù)處理的作用：平滑去噪和車牌特征增強。

平滑去噪就是消除圖像上由于光照、車牌污損等產(chǎn)生的噪聲干擾。平滑方法主要有平均濾波、中值濾波和指數(shù)函數(shù)濾波等方法。中值濾波和指數(shù)濾波平滑效果好且能較好保持牌照和字符邊緣，但在平滑效果和處理速度方面不如平均濾波。

通常的車牌定位算法是依據(jù)車牌特征從圖像中找出車牌，因此必須使車牌區(qū)域顯示出與非車牌區(qū)域不同的獨有的特征，車牌特征增強使圖像中車牌區(qū)域明顯突出。通常有下述增強方法：邊緣檢測法、二值化法、量化法、數(shù)學(xué)形態(tài)學(xué)法。

具有不同灰度的相鄰區(qū)域之間存在邊緣，在車牌區(qū)域存在車牌邊框邊緣和車牌字符邊緣。邊緣檢測法就是要檢測出這些邊緣。有關(guān)邊緣檢測的算法很多，考慮實時性要求，采用簡單的微分算子，如一階微分算等。這些算子采用小區(qū)域模板與圖像卷積實現(xiàn)邊緣檢測。文獻[1]提出一種牌照字符邊緣特征增強的方法，該方法使用線性濾波器函數(shù)將每一行中多個連續(xù)的水平方向梯度值相加，使得字符的垂直邊緣增強。微分算子對噪聲較為敏感，因此在使用之前需要平滑去噪。LOG算子是高斯指數(shù)平滑法與Laplacian算子相結(jié)合的邊緣檢測方法，既能消除噪聲又能很好的突出車牌字符的邊緣。

二值化增強法先確定一個閾值，然后將圖像中各個像素的灰度值都與這個閾值比較，根據(jù)比較結(jié)果將整個圖像的像素點分為兩類，車牌區(qū)域歸為一類，便于車牌搜索。為了滿足實時性要求，采用簡單、快速的二值化法，如平均閾值法，反積分自適應(yīng)閾值法等。

文獻[3]使用神經(jīng)網(wǎng)絡(luò)來對彩色圖像量化，使得車牌區(qū)域的字符為一種特定的顏色，然后進行顏色過濾或線掃描，借此提取車牌。該方法首先必須選取車牌樣本圖像，并且要把RGB顏色模式轉(zhuǎn)換為HSI模式，以HSI各分量值作為輸入對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，再以訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對圖像的各像素點量化分類，該方法抗干擾能力強，量化前可不要求平滑，

數(shù)學(xué)形態(tài)學(xué)表示以形態(tài)為基礎(chǔ)對圖像進行分析的數(shù)學(xué)工具，它的基本思想使用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對應(yīng)形狀以達(dá)到對圖像分析和識別的目的。數(shù)學(xué)形態(tài)學(xué)有四種基本的運算：膨脹，腐蝕，開啟和閉合。出于以下兩個意圖而使用形態(tài)學(xué)方法：1.將開啟和閉合結(jié)合起來，消除二值化后的車牌區(qū)域中存在的細(xì)小空洞；2.采用水平線段的結(jié)構(gòu)元素膨脹，使二值化后的車牌區(qū)域成為一連通區(qū)域。

需要說明的是，上述方法往往不是單獨使用，如二值化法是對邊緣檢測后的圖像進行，而形態(tài)學(xué)方法是在二值化圖上實現(xiàn)。不能簡單的評價圖像預(yù)處理方法的優(yōu)劣，因為這與所對應(yīng)的車牌搜索方法緊密相關(guān)。

2.2 車牌搜索

車牌搜索就是根據(jù)車牌區(qū)域特征在圖像中尋找車牌的過程。根據(jù)搜索的方式可把車牌搜索方法分為以下幾種：投影統(tǒng)計法、線掃描法、模板匹配法和反Hough變換法等。車牌搜索法要與相應(yīng)的車牌增強法配合使用(見表2)。

表2車牌增強法用于不同搜索法的情況

投影統(tǒng)計法對邊緣化或二值化圖像進行水平和垂直累加投影，根據(jù)投影直方圖呈現(xiàn)的連續(xù)峰、谷、峰的分布的特征來提取車牌，或?qū)τ尚螒B(tài)學(xué)膨脹運算后的圖像水平和垂直投影，在投影圖上尋找波峰和波谷而確定車牌位置。文獻[24]提出的采用高斯指數(shù)函數(shù)對投影圖平滑，能有效消除投影圖的毛刺，使車牌位置為明顯的波峰，提高車牌定位的精度。

線掃描搜索法則是對邊緣化或二值化后的圖像逐行水平掃描，穿過車牌區(qū)域的掃描線因為字符邊緣的存在，灰度呈現(xiàn)起伏的峰、谷、峰的變化，或頻繁交替出現(xiàn)亮基元、暗基元的特征，以提取車牌。文獻[3]用神經(jīng)網(wǎng)絡(luò)對彩色圖像量化之后，再逐行水平掃描，分別獲取顏色向量和長度向量，能與標(biāo)準(zhǔn)車牌區(qū)域的顏色向量和長度向量匹配的為車牌區(qū)域。

模板匹配搜索法是以特定的模板在圖像區(qū)域滑動，以與模板匹配的局部區(qū)域為車牌。使用的模板有線模板、倒”L”角模板、矩形框模板。線模板以水平線段或垂直線段為模板，來檢測車牌的邊框角點；倒“L”模板以倒“L”結(jié)構(gòu)為模板來尋找車牌邊框的左上角；矩形框模板以一個與車牌長寬比例相當(dāng)?shù)木匦慰蜃鳛槟０澹谡麄€圖像區(qū)域滑動，以符合某一判別函數(shù)值的區(qū)域作為車牌區(qū)域。

反Hough變換搜索法是基于車牌形狀特征的方法，先對圖像進行Hough變換，然后在Hough參數(shù)空間尋找車牌的四個端點。

上述搜索法可以結(jié)合使用，如文獻[25]提出的自適應(yīng)邊界搜索法，先用倒”L”模板尋找車牌邊框的左上角，然后用水平線掃描和垂直線掃描找出下邊框和右邊框。投影統(tǒng)計搜索法和線掃描搜索法處理速度快，能對大小不同的車牌識別，但定位精度不高和出現(xiàn)虛假車牌的情況，需要提高定位精度和去除虛假車牌的后續(xù)工作。模板匹配搜索法能比較準(zhǔn)確的找到車牌位置，但難以滿足實時性要求，可以采用神經(jīng)網(wǎng)絡(luò)或遺傳算法來加快搜索進程。反Hough變換搜索法除了能準(zhǔn)確找到車牌位置，還能確定車牌的傾斜角度，對噪聲、輪廓線中斷不敏感，但在有直線干擾下可能實效，文獻[28]提出的快速Hough變換的策略能滿足實時性要求。

2.3 車牌糾偏

由于車輛運行軌跡不定、攝像機位置偏斜等原因，使得圖像中車牌扭曲，為了后續(xù)正確的車牌字符切分和識別，就須對車牌糾偏，使車牌達(dá)到規(guī)范的位置和大小。采用的糾偏方法通常先是用Hough變換確定水平邊框傾斜角度和垂直邊框傾斜角度，然后糾偏。文獻[22]提出使用Rodan 變換可用來確定傾斜角度。

3 車牌字符識別技術(shù)

車牌定位之后就要對車牌字符識別。這一過程包含下列幾個步驟（見圖2）：車牌二值化，字符切分，字符特征提取和字符識別。這里只討論后三個步驟。

圖2 車牌字符識別步驟

3.1 字符切分

字符切分把車牌上的字符分開，得到一個個的字符圖像。常用的字符切分方法有投影法、模板匹配法、區(qū)域生長法、聚類分析法等。

投影法把車牌圖像垂直累加投影，形成峰谷交替的投影直方圖，找到投影圖的各個谷就能把字符分開。模板匹配法以字符大小的矩形作為模板，根據(jù)字符的寬度初步確定每個字符的起始位置，然后以此模板在初定位置附近滑動，找到最佳匹配位置而切分字符。區(qū)域生長法對每個需要分割的字符找一個像素作為生長起點的種子，將種子像素周圍鄰域中與之相同或相近性質(zhì)的像素合并到種子像素所在的區(qū)域，然后將這些新像素當(dāng)作新的種子繼續(xù)進行上述過程，直到再沒有滿足條件的像素可被包含進來?；诰垲惙治龅姆椒▽嚺茍D像從上到下逐行掃描，如屬于字符類的兩像素間距離小于閾值，可認(rèn)為兩像素為同一字符，由此而得字符像素的聚類。

3.2 字符特征提取和車牌字符識別

目前使用的車牌字符特征提取的方法可歸納為下述三種：1.基于字符統(tǒng)計特征。計算字符圖像的多階原點矩，多階中心矩以及中心慣性矩，以中心矩與中心慣性矩的比值作為字符特征向量，這樣提取的特征量具有平移，旋轉(zhuǎn)和尺度不變性，但運算量大；也有把字符在多個方向上的投影（如水平方向，垂直方向，右斜方向，左斜方向）和二階中心矩的比值作為特征向量。2.基于結(jié)構(gòu)特征。輪廓特征，粗網(wǎng)格特征，層次輪廓特征以及字符特征點.這類特征提取計算量較少，但對噪聲和位置變化比較敏感，需要去噪和對字符歸一化。3.基于變換。對原始特征（像素點矩陣）進行傅里葉變換、K-L變換或小波變換等，提取的特征向量反映字符的結(jié)構(gòu)特征和統(tǒng)計特征，相似字符的特征矢量距離較大，效果較好。實際應(yīng)用中往往是多種特征的提取，多種特征提取方法的使用。

對車牌字符特征提取之后，就把相應(yīng)的特征值輸入分類器識別，目前對于車牌字符的分類識別方法歸納為下列幾種。（1）模板匹配。該方法首先對待識字符進行二值化并將其縮放為字符數(shù)據(jù)庫中模板大小，然后與所有的字符模板比較匹配，計算相似度，以最大相似度者為識別結(jié)果。（2）PCA子空間分類器。子空間分類器由訓(xùn)練樣本相關(guān)矩陣的特征向量構(gòu)成，單個模式的子空間建立彼此獨立，相互之間沒有聯(lián)系，以待識別字符的特征向量與所對應(yīng)的子空間距離最小作為結(jié)果。（3）基于人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)有抗噪聲、容錯、自適應(yīng)、自學(xué)習(xí)能力強的特點。多隱含層的BP神經(jīng)網(wǎng)絡(luò)，BAM(Bidirectional association memories)神經(jīng)網(wǎng)絡(luò)方法，自諧振ART神經(jīng)網(wǎng)絡(luò)識別等是此方法的典范。（4）基于邏輯規(guī)則推理的識別方法。文獻[18]提出基于歸納推理的字符識別，該方法在訓(xùn)練時自動生成識別規(guī)則。（5）基于隨機場圖像模擬的識別方法。該方法識別率高，并且可對灰度圖像直接提取字符特征，抗干擾性強。另外使用感知器的識別，通常感知器只用于相似字符對的識別，作為其他識別方法的補充。

4 總結(jié)與展望

從已有車牌識別系統(tǒng)的性能分析來看，正確識別率和識別速度兩者難以同時兼顧。其中原因包括目前的車牌識別技術(shù)還不夠成熟，又受到攝像設(shè)備、計算機性能的影響。

現(xiàn)代交通飛速發(fā)展，LPR系統(tǒng)的應(yīng)用范圍不斷擴寬，對車牌識別系統(tǒng)的性能要求將更高。對現(xiàn)有的算法優(yōu)化或?qū)ふ易R別精度高、處理速度快、應(yīng)用于多種場合的算法將是研究的主要任務(wù)。

參考文獻：

[1] 廖金周,宣國榮.車輛牌照的自動分割[J].微型電腦應(yīng)用,1999(7):32-34.

[2] 劉智勇.車牌識別中的圖像提取及分割[J].中文信息文報,2000(3):29-34.

[3] Wu Wei,Mingjun Wang.An Automatic Method of Location for Number_Plate Using Color Features IEEE 2001.

[4] 郭捷,施鵬飛.基于顏色和紋理分析的車牌定位方法[J].中國圖像圖形學(xué)報,2002,7(5):473-476.

[5] 章毓晉.圖像工程(上)――圖像處理與分析[M].清華大學(xué)出版社.

卷積神經(jīng)網(wǎng)絡(luò)的基本思想范文第2篇

論文摘要:當(dāng)點擴展函數(shù)未知或不確知的情況下,從觀察到的退化圖像中恢復(fù)原始圖像的過程稱為圖像盲復(fù)原。近年來,圖像盲復(fù)原算法得到了廣泛的研究。本文在介紹了盲圖像恢復(fù)算法的現(xiàn)狀的基礎(chǔ)上進一步研究其的發(fā)展方向。

一、引言

圖像恢復(fù)是圖像處理中的一大領(lǐng)域,有著廣泛的應(yīng)用,正成為當(dāng)前研究的熱點。圖像恢復(fù)的主要目的是使退化圖像經(jīng)過一定的加工處理,去掉退化因素,以最大的保真度恢復(fù)成原來的圖像。傳統(tǒng)的圖像恢復(fù)假設(shè)圖像的降質(zhì)模型是己知的。而許多情況下,圖像的降質(zhì)模型未知或具有較少的先驗知識,必須進行所謂的盲恢復(fù)。其重要性和艱巨性而成為一個研究熱點。目前所能獲取的觀測圖像是真實圖像經(jīng)過觀測系統(tǒng)成像的結(jié)果。由于觀測系統(tǒng)本身物理特性的限制,同時受觀測環(huán)境的影響,觀測圖像和真實圖像之間不可避免地存在著偏差和失真,稱觀測系統(tǒng)對真實圖像產(chǎn)生了降質(zhì)。圖像恢復(fù)的目的就是根據(jù)降質(zhì)的觀測圖像分析和計算得出真實圖像。

二、圖像盲恢復(fù)算法的現(xiàn)狀

總體來說,圖像盲復(fù)原方法主要分為以下兩類:一是首先利用真實圖像的特別特征估計PSF,然后借助估計得到的PSF,采用經(jīng)典的圖像復(fù)原方法進行圖像的復(fù)原。這類方法將PSF的估計與圖像的復(fù)原過程分為2個不同的過程,因而具有較少計算量的特點；二是PSF辨識和真實圖像估計相結(jié)合,同時辨識PSF和真實圖像。這類算法較為復(fù)雜,計算量較大。另外,對于點擴展函數(shù)也考慮了空間變化的復(fù)雜情況。針對目前的盲復(fù)原算法的現(xiàn)狀,根據(jù)退化模型的特點,重新將算法分為空間不變的單通道盲復(fù)原算法、空間不變多通道盲復(fù)原算法和空間變化圖像盲復(fù)原算法3類。

（一）單通道空間不變圖像盲復(fù)原算法

在這類算法中,最為常用的是參數(shù)法和迭代法。

1）參數(shù)法。所謂參數(shù)法,即模型參數(shù)法,就是將PSF和真實圖像用某一類模型加以描述,但模型的參數(shù)需要進行辨識。在參數(shù)法中,典型的有先驗?zāi)：孀R法和ARMA參數(shù)估計法,前者先辨識PSF的模型參數(shù),后辨識真實圖像,屬于第1種類型的圖像盲復(fù)原算法,因而計算量較?。缓笳咄瑫r辨識PSF和真實圖像模型參數(shù),屬于第2種類型圖像盲復(fù)原算法。

2）迭代法。所謂的迭代法,不是通過建立模型而是通過算法的迭代過程,加上有關(guān)真實圖像和PSF的約束來同時辨識PSF和真實圖像的方法。迭代法是單通道

圖像盲復(fù)原算法中應(yīng)用最廣泛的一類算法,它不需建立模型,也不要求PSF為最小相位系統(tǒng),因而跟實際更為接近。在這類算法中,迭代盲復(fù)原算法(IBD),基于非負(fù)性和決策域的遞歸逆濾波器算法(NAR2RIF),基于高階統(tǒng)計特性的最小

熵算法等最為典型。

（二）多通道二維圖像盲復(fù)原

多通道二維圖像盲復(fù)原,這類方法將數(shù)字通訊領(lǐng)域應(yīng)用的一維多通道盲原分離算法擴展到二維情況并用于圖像的盲恢復(fù)。這類算法中有兩種代數(shù)方法,一種是先辨識模糊函數(shù),再采用常規(guī)的恢復(fù)算法進行復(fù)原；另一種是直接對逆濾波器進行估計。此類算法的優(yōu)點在于不需對初始圖像進行估計,也不存在穩(wěn)定性和收斂性問題,對圖像以及模糊函數(shù)的約束是松弛的,算法具有一般性。但是第1種算法要求采用復(fù)原算法具有收斂性；第2種算法對噪聲敏感。

（三）空間改變的圖像盲復(fù)原方法

在許多實際的應(yīng)用中,模糊往往是空間變化的,但由于處理工作的難度,目前的研究較少,基本有相關(guān)轉(zhuǎn)換恢復(fù)和直接法兩類。

相關(guān)轉(zhuǎn)換恢復(fù)的基本思想是區(qū)域分割,即將整幅圖像分為若干局部區(qū)域,然后假設(shè)在各個局部區(qū)域模糊是空間不變的,利用空間不變的圖像復(fù)原有關(guān)算法進行復(fù)原。這類方法都是基于窗口的模糊辨識技術(shù),圖像的估計取決于窗口的大小,由于模糊參數(shù)是連續(xù)變化的,在范圍較大時空間不變的假設(shè)是不成立的,因而模糊的估計精度較差,而且這種方法只能針對部分空間變化的模糊進行處理,缺乏通用性;其次在區(qū)域的邊上存在振鈴現(xiàn)象。

直接法的基本思想是直接對圖像進行處理。如采用簡化的二維遞推卡爾曼濾波器進行圖像模型和模糊模型的直接轉(zhuǎn)換方法,其缺點是只能針對有限的模型,而且模型數(shù)增加,計算量會顯著增大；采用共軛梯度迭代算法,但只見到一個31×31的文本圖像處理的結(jié)果報道,對于大圖像處理效果尚需進一步的研究；將空間變化圖像系統(tǒng)建立成馬爾苛夫隨機模型,對復(fù)原過程,采用模擬退火算法進行最大后驗估計的方法,這種方法避免了圖像的窗口化,并能克服模糊參數(shù)不連續(xù)性造成的影響,但這種方法只能局限于將模糊過程建立成單參數(shù)的馬爾苛夫隨機模型的情況,而且計算量也較大。

三、圖像盲恢復(fù)的應(yīng)用前景

(1)現(xiàn)有算法的改進以及新的算法研究?，F(xiàn)有各種算法還存在許多不足,有必要對算法進一步改進。如IBD算法中,如何選擇初始條件才能保證算法的收斂;如何選擇算法終止條件才能保證恢復(fù)的質(zhì)量;如何選擇濾波器中的噪聲參數(shù)才能減少噪聲的影響。又如NAR2RIF算法中,如何進一步解決噪聲敏感問題,支持域的確定以及如何將算法擴展到非均勻背景的情況等。提出新的算法更好地解決圖像盲復(fù)原問題,也是今后研究的熱點。

(2)基于非線性退化模型的圖像盲復(fù)原算法。在實際應(yīng)用中,嚴(yán)格來講,所有的退化模型都是非線性的。對模型采用線性化的方法進行近似處理,雖然算法簡單,但對非線性嚴(yán)重的情況處理效果并不理想?；诙囗検揭约吧窠?jīng)網(wǎng)絡(luò)兩種參數(shù)模型處理非線性信號盲分離算法,算法擴展到二維圖像情況需要進一步研究。研究基于非線性退化模型的圖像盲復(fù)原算法也是下一步研究方向之一。

(3)去噪處理算法研究。加性噪聲的存在,使圖像的復(fù)原問題變成了一個病態(tài)問題,而且由于一般假設(shè)只知道噪聲的統(tǒng)計特性,因此要從退化圖像中完全去除噪聲是不可能的。另外,由于噪聲的存在,恢復(fù)的效果并不理想,結(jié)合降噪的圖像盲恢復(fù)的算法研究有很現(xiàn)實的意義,這方面也進行了部分工作。為克服噪聲的影響,一般采用先進行降噪,后進行復(fù)原；二是將降噪和復(fù)原同時進行這兩類方法。目前,大多數(shù)算法中將噪聲描述成高斯噪聲進行研究,在實際應(yīng)用時有較大局限性。對于非高斯情況的研究采用基于噪聲的高階統(tǒng)計特性的去噪算法研究也是很重要的研究方向,也可采用其他類型的方法進行降噪,利用自組織映射的非線性獨立組件分析方法進行圖像降噪處理算法。

(4)實時處理算法。算法的的復(fù)雜性是制約算法應(yīng)用的一個重要方面?？刹捎谜齽t化的離散周期Radon變換的方法將二維的卷積轉(zhuǎn)化為一維進行處理,以提高算法的速度；也可采用神經(jīng)網(wǎng)絡(luò)的實時處理算法。算法的實時性是算法實際應(yīng)用的先決條件。

(5)應(yīng)用研究。算法的應(yīng)用是推動算法研究的動力。雖然圖像盲復(fù)原算法在天文學(xué)、醫(yī)學(xué)、遙感等方面獲得了較大的應(yīng)用,但將算法應(yīng)用到一般的工業(yè)圖像實時檢測、機器視覺、網(wǎng)絡(luò)環(huán)境下的圖像傳輸恢復(fù)、刑事偵破等方面還有大量的工作要做。

參考文獻：

[1]薛梅,楊綠溪.用于含噪二值圖像的改進NAS-RIF圖像盲復(fù)原算[J].數(shù)據(jù)處理.2006.17.(2).

卷積神經(jīng)網(wǎng)絡(luò)的基本思想范文第3篇

1動載荷反演分析理論研究

20世紀(jì)70年代以來，廣大學(xué)者在動載荷反演分析技術(shù)方面傾注了大量的心血，做出了卓有成效的工作，Stevens［1］、Dobson和Rider［2］、HirotsuguIn-noue等［3］、Nordstron和Nordberg［4］、許鋒等［5］，對動載荷反演分析技術(shù)不同發(fā)展階段進行了總結(jié)．動載荷反演分析理論，廣義上可以分為頻域法和時域法，從研究工況上可以劃分為三類:一是載荷作用位置和載荷歷程均未知，確定載荷作用位置和時間歷程;二是載荷作用位置已知，確定動載荷作用時間歷程或頻域信息;最后是移動載荷反演，若載荷移動速度已知，隱含了已知的作用位置信息，可以歸為第二類．下面詳細(xì)闡述動載荷反演分析理論的發(fā)展歷程．

1．1頻域研究進展動載荷反演分析頻域法是發(fā)展較早、比較成熟的反演分析方法．頻域法分析的基本思想，將動力學(xué)系統(tǒng)在時域內(nèi)輸入與輸出的卷積關(guān)系，轉(zhuǎn)化為頻域內(nèi)輸入與輸出的乘積關(guān)系，在頻域內(nèi)建立系統(tǒng)的頻率響應(yīng)函數(shù)模型，再通過系統(tǒng)的輸出估計系統(tǒng)輸入．常用的頻域直接求逆法的過程為，假定要反演的載荷數(shù)目為Ni，實測響應(yīng)數(shù)目為N0，則在頻域內(nèi)，要反演的輸入動載荷F(ω)與測量的輸出響應(yīng)X(ω)之間滿足另外，結(jié)構(gòu)動力學(xué)響應(yīng)分析常用的模態(tài)坐標(biāo)轉(zhuǎn)換法［6－9］，也應(yīng)用到動載荷反演頻域分析中，在通過理論計算或模態(tài)試驗方法獲得結(jié)構(gòu)模態(tài)參數(shù)的情況下，通過模態(tài)坐標(biāo)轉(zhuǎn)換得到頻域下的輸入載荷．在頻域內(nèi)，響應(yīng)X(ω)在模態(tài)坐標(biāo)和物理坐標(biāo)下滿足關(guān)系二十世紀(jì)七十年代末，Barlett和Flannelly采用頻域法用加速度響應(yīng)識別了直升機主軸的動態(tài)載荷［10］．1982年，Giansante等用上述方法識別出了AH－1G直升機飛行時主軸和尾槳所受的外載荷，解決了該理論在實際應(yīng)用中的非線性問題［11］．1984年，Ewins等通過測量結(jié)構(gòu)動應(yīng)變，在頻域內(nèi)重構(gòu)了作用于復(fù)雜壓縮機葉片上的動載荷，對響應(yīng)選取及對識別精度的影響進行了討論，提高了低頻段動載荷反演精度［12］．J．A．Fabunmi討論了結(jié)構(gòu)動載荷反演中模型約束問題等因素對反演結(jié)果的影響［13］．N．Okubo等用頻響函數(shù)直接求逆法研究了三種不同實際結(jié)構(gòu)(車床、汽車發(fā)動機和空調(diào))的動載荷反演問題［14］．1984年，李萬春等在頻域內(nèi)對武裝直升機模型的載荷六要素進行反演，并在結(jié)構(gòu)輕度非線性方面給出修正方案［15］．1987年，Stevens詳細(xì)探討了動載荷反演問題的發(fā)展前景及面臨的困難，指出測量噪聲、在固有頻率附近頻響函數(shù)的病態(tài)和頻響函數(shù)的測量誤差是動載荷反演分析技術(shù)發(fā)展不快的主要原因;同時，指出測量響應(yīng)的數(shù)目超過待反演載荷數(shù)目在一定程度上能減輕頻響函數(shù)病態(tài)和測量噪聲產(chǎn)生的誤差，頻響函數(shù)矩陣的條件數(shù)、模態(tài)分辨率矩陣、數(shù)據(jù)分辨率矩陣是評價反演結(jié)果好壞的一種尺度［1］．隨后針對動載荷反演頻域分析法的研究，許多學(xué)者分析了頻響函數(shù)矩陣的計算特性，發(fā)現(xiàn)在共振頻率附近頻響函數(shù)的條件數(shù)較大，直接用(2)或(3)式進行動載荷反演求解，得到的解是不穩(wěn)定的［1，16］．針對這種現(xiàn)象，一些數(shù)學(xué)物理反演問題求解理論［17－20］應(yīng)用于動載荷反演頻域分析，將(2)式的求解形式修正為阻尼最小二乘的正則化求解形式，λ是正則參數(shù)，L是微分算子，一般情況下取單位矩陣．LiuYi等針對共振頻率處頻響函數(shù)矩陣求逆的不穩(wěn)定性，以及測量噪聲和頻響函數(shù)矩陣含有測量噪聲等問題，建立了基于(7)式的動載荷反演頻域求解模型，并提出了基于Morozov廣義偏差原理的正則化參數(shù)選取方法［21］，選擇正則參數(shù)．對于隨機動態(tài)載荷的反演，常用(3)式輸入載荷譜的形式進行求解;近年來，根據(jù)林家浩教授提出的結(jié)構(gòu)動力學(xué)正問題求解的虛擬激勵法［22－24］，林家浩、智浩、郭杏林等又發(fā)展了隨機動態(tài)載荷反演的擬虛擬激勵法［25－29］，郭杏林等對逆虛擬激勵法開展了試驗研究［30－31］，李東升等針對逆虛擬激勵法在動載荷反演中，共振頻率附近頻響函數(shù)矩陣秩虧現(xiàn)象，提出了動載荷功率譜反演的廣義小量分解法［32］，其解的形式與方程(7)類似．至此，動載荷反演頻域法研究，已經(jīng)從理論上解決了在共振頻率附近頻響函數(shù)矩陣為病態(tài)，動載荷反演結(jié)果不穩(wěn)定的問題．總的來說，動載荷反演頻域分析方法，動態(tài)標(biāo)定簡單、便于實現(xiàn)，特別適合于穩(wěn)態(tài)動載荷反演;而對一些短樣本的沖擊類型動載荷反演存在一定的局限性，這是由于頻域分析法要保證頻域內(nèi)有足夠的頻率分辨率，要求采樣數(shù)據(jù)具有足夠的長度，而這類載荷提供的采樣數(shù)據(jù)往往有限;另外，在反演精度方面，頻域反演法中模態(tài)參數(shù)的確定和高階模態(tài)參數(shù)的截斷也會帶來反演誤差;另外，頻域內(nèi)反演結(jié)果不直觀，難以做到實時反演，因此，近年來許多學(xué)者由頻域法研究轉(zhuǎn)向時域研究．

1．2時域研究進展與頻域動載荷反演分析技術(shù)研究相比，時域法研究相對較晚，但時域反演結(jié)果直觀、便于應(yīng)用，對非平穩(wěn)載荷、瞬態(tài)沖擊類型載荷反演具有一定的工程應(yīng)用價值，受到工程界的青睞，發(fā)展至今逐漸形成了以Duhamel積分離散展開為基礎(chǔ)的動載荷反演模型［33－45］、基于狀態(tài)空間形式的動載荷反演析模型［46－59］，另外，函數(shù)空間展開逼近方法［60－72］、和現(xiàn)代智能算法［73－76］等，在動載荷反演問題中也有廣泛應(yīng)用，下面對這些方法進行評述．動載荷反演進入時域研究初期，大多是以Du-hamel積分離散展開為基礎(chǔ)，建立動載荷反演分析模型，它是建立在求解Volterra第一類積分方程的理論基礎(chǔ)之上，下面簡述已知位移反演動態(tài)輸入載荷的計算過程．線性時不變系統(tǒng)的結(jié)構(gòu)動力學(xué)方程可寫為始條件qr(t0)、qr(t0)，并利用(10)至(11c)式可以求得廣義力Qr(tj)，不斷重復(fù)這一過程可以得到Qr(t)的時間序列．同理，利用廣義速度、廣義加速度，或三者的混合形式都可得到積分間隔內(nèi)階躍載荷的求解形式．針對積分時間間隔內(nèi)載荷線性變化形式，張運良等推導(dǎo)了基于Duhamel形式的動載荷反演求解公式［40－41］．隨著動載荷反演時域分析技術(shù)的深入研究，許多學(xué)者發(fā)現(xiàn)，這種遞推迭代格式的動載荷反演分析方法，對初始條件敏感，隨著積分步數(shù)的增加，存在誤差累積．文獻［36－38］將動力學(xué)求解方程，寫為脈沖響應(yīng)函數(shù)與輸入動態(tài)載荷的卷積形式，建立動載荷的反演求解方程，并引入正則化求解來抑制測量噪聲引起的干擾［39］．隨著系統(tǒng)辨識技術(shù)、控制理論的發(fā)展，結(jié)構(gòu)動力學(xué)方程的狀態(tài)空間求解方法也發(fā)展起來，在狀態(tài)空間建立動載荷反演分析模型，也引起了廣大學(xué)者的興趣．方程(8)所示的結(jié)構(gòu)動力學(xué)方程，可寫為如下所示的狀態(tài)空間形式()+定義為矩陣偽逆，這就是基于逆結(jié)構(gòu)濾波器(InverseStructuralFilter，ISF)載荷識別方程，從形式上建立了測量響應(yīng)與輸入載荷之間的遞推求解格式，但矩陣A^往往是數(shù)值不穩(wěn)定的，Steltzner和Kammer并沒有直接使用(18a)式來反演輸入動態(tài)載荷，而是利用(18a)建立了Markov參數(shù)的計算格式，進而反演輸入動態(tài)載荷［50］．為解決矩陣A^的數(shù)值不穩(wěn)定，Allen等對ISF進行改進，提出了DMISF(DelayedMulti－stepISF)［51］;Law等提出了狀態(tài)空間形式的移動載荷識別方法，并利用動態(tài)規(guī)劃法解決反演結(jié)果擾動過大的問題［52］;隨后正則化技術(shù)、靈敏度分析法等優(yōu)化求解方法，也應(yīng)用于狀態(tài)空間形式的動態(tài)載荷反演分析，進一步解決反演結(jié)果擾動太大的問題［53－56］．基于函數(shù)逼近的動態(tài)載荷反演分析，即將輸入動態(tài)載荷表示為一系列函數(shù)或參數(shù)的形式，通過確定這些函數(shù)或參數(shù)，進而確定輸入動態(tài)載荷［57－66］．最常見的是將結(jié)構(gòu)輸入動態(tài)載荷，時域上在傅立葉空間展開、空間域上在模態(tài)空間展開，通過確定傅立葉級數(shù)、或模態(tài)空間的系數(shù)，進而確定輸入動態(tài)載荷［57－59］．然而，傅立葉空間展開存在高頻截斷，模態(tài)空間是整個結(jié)構(gòu)全局的空間函數(shù)，反映的是整個結(jié)構(gòu)的振動特性，輸入載荷往往處于結(jié)構(gòu)的局部位置，并且模態(tài)空間函數(shù)在結(jié)構(gòu)約束邊界處往往為零，這樣使得動載荷在模態(tài)空間展開具有一定的局限性．Jiang等針對模態(tài)函數(shù)在結(jié)構(gòu)約束邊界為零的現(xiàn)象，將空間分布載荷在Legendre多項式空間展開，并成功應(yīng)用于Euler梁上空間分布動態(tài)載荷［60］和作用于薄板上的空間分布載荷［61］．Liu等針對模態(tài)空間展開分布動態(tài)載荷的局限性，提出了一種改進的空間分布動態(tài)載荷反演方法，將空間局部位置的輸入載荷表示為一系列空間正交基函數(shù)的形式，通過重構(gòu)函數(shù)系數(shù)來確定空間分布動態(tài)載荷，并引入正則化技術(shù)來解決動載荷反演問題的病態(tài)特性［62］．張方等將空間分布動態(tài)載荷表示為廣義多項式的形式，成功重構(gòu)空間分布動態(tài)載荷［63］．另外，還有學(xué)者在時間域上，將輸入動態(tài)載荷表示為基函數(shù)的形式，通過重構(gòu)基函數(shù)的系數(shù)進而確定輸入動態(tài)載荷［64－65］．隨著數(shù)值仿真技術(shù)的發(fā)展，一些智能算法如遺傳算法、神經(jīng)網(wǎng)絡(luò)、蟻群算法等逐漸發(fā)展起來，并應(yīng)用到動載荷反演分析，豐富了輸入動態(tài)載荷反演分析的求解方法［66］．

2動載荷反演分析技術(shù)工程應(yīng)用及研究難點

動載荷反演分析問題，在理論方面已有許多研究成果，在實際工程中也有一些嘗試性地應(yīng)用［67］，但總的來說動載荷反演分析技術(shù)工程應(yīng)用還不充分，目前還沒有形成像結(jié)構(gòu)動力學(xué)正問題分析一樣被廣泛應(yīng)用的分析工具，為使動載荷反演分析技術(shù)在實際工程中得到充分應(yīng)用，仍有一些難點問題值得我們努力．(1)建立考慮模型誤差的動載荷反演分析理論．動載荷反演問題是繼系統(tǒng)辨識技術(shù)之后，發(fā)展起來的結(jié)構(gòu)動力學(xué)第二類反演問題．當(dāng)前的動載荷反演分析理論，大多是建立在系統(tǒng)辨識模型具有較好精度的前提下，討論測量響應(yīng)誤差，對動載荷反演分析結(jié)果的影響．在數(shù)值仿真過程中，這種影響可以完全忽略，但要應(yīng)用于實際工程，不可避免地會碰到系統(tǒng)模型與實際工程存在差異的問題，特別是對一些復(fù)雜系統(tǒng)，這種問題會表現(xiàn)地更為突出．(2)發(fā)展結(jié)構(gòu)與載荷互相耦合的非線性系統(tǒng)動載荷反演分析技術(shù)．當(dāng)前的動載荷反演分析理論，大多是在線性系統(tǒng)的基礎(chǔ)上發(fā)展起來的，在實際工程中許多結(jié)構(gòu)系統(tǒng)是非線性的，甚至是與輸入動載荷產(chǎn)生耦合．(3)發(fā)展在線實時反演技術(shù)．動載荷反演分析技術(shù)，除了為結(jié)構(gòu)優(yōu)化設(shè)計和結(jié)構(gòu)疲勞壽命評估，提供有效地輸入依據(jù)外，還可更好地為服務(wù)于結(jié)構(gòu)系統(tǒng)實時辨識、結(jié)構(gòu)健康監(jiān)測、動力學(xué)控制等，而在線實時動載荷反演分析技術(shù)就顯得尤為重要．(4)建立有效地動載荷反演分析結(jié)果評估準(zhǔn)則．與數(shù)值仿真模型相比，在實際工程中，響應(yīng)測點的數(shù)目是有限的，信息缺失造成的不適定問題會更為突出，對通過少量的測量響應(yīng)反演得到的輸入載荷進行正確地評估，也是動載荷反演分析過程中值得關(guān)注的研究內(nèi)容．

3小結(jié)