量子力学特征范例(3篇)

量子力学特征范文

关键词：数字摄影测量；点线特征；特征算子；特征提取；教学研究

中图分类号：G642.4文献标志码：A文章编号：1674-9324（2014）26-0191-04

一、引言

数字摄影测量是摄影测量在信息化时代的必然发展，在基础地理信息数据生产、工业控制测量与工程变形监测、土地资源管理、矿产资源调查、城市规划、文化遗产保护以及军事等众多领域都有重要的应用，是既有深厚理论基础又有广泛应用领域的学科和技术。许多高等院校的测绘工程或环境工程、地理信息系统以及摄影测量与遥感等专业都开设有数字摄影测量专业课程。

在数字摄影测量的研究和生产实践中经常需要提取数字影像中的点线特征，如经典的Moravec、Förstner点特征提取算子，一阶、二阶差分线特征提取算子以及Zuniga-Haralic定位算子等。许多文献报道了对这些特征算子的研究结果，如文献[1]给出了Moravec、Förstner以及Zuniga-Haralic算子的计算流程，文献[2，3，4]对点特征提取算子进行了比较研究，文献[5]研究了数字摄影测量征点的提取方法，提出了改进的角点提取方法，避免了原始Harris方法中选择经验常数k的不确定性和随意性的缺陷。

对这些点线特征提取算子的研究，多数文献和教材由于篇幅限制和侧重不同，都只是给出了相关算子的模型和计算过程，而对这些算子的设计初衷和构造理论基础分析重视不够，这给数字摄影测量学课程教学中学生对算子的学习和理解带来困难。本文分析了数字摄影测量中的一些经典特征提取算子，从方法论和解决问题的角度，通过设计原理分析或实践-理论-再实践等模式，给出了这些算子最初设计的理论基础，解释了这些算子的提出者为什么这样设计特征提取算子，本文的立意更侧重于“授之以渔”，有助于数字摄影测量领域工程技术人员和相关专业学生对点线特征提取的理解，并在理解的基础上对算子进行改进或创新，培养学生分析问题和解决问题的能力，体现素质教育的精神。教学实践表明，这种方法收到了较好的教学效果，得到学生好评。

二、关于线特征提取的差分算子

尽管已有大量先进的线特征检测算子，但在学习线特征提取算子内容时都是从最基本的差分算子，如一阶差分、二阶差分以及Laplacian边缘检测算子等开始引入[6]。对该部分内容的学习，如果仅仅讲解不同差分算法的提取步骤，那么学生只知道用该算子检测计算，而不知道为什么用这种算子，不理解最初研究人员设计差分算子的驱动源泉。作者在理解分析这部分内容时，采用了类似于实践-理论-再实践的模式，首先对实际问题中的“边缘”抽象建模，然后用理论对模型进行分析，得到严格理论框架下的结论，最后将得到的结论用于“边缘检测”实践。这里的抽象建模就是将实际遥感影像中的边缘总结抽象为两种类型，即“阶梯型”边缘和“条状型”边缘，如图1之（a）、（b）所示。其所对应的理想一维强度函数即为图形（c）、（d）。由于传感器分辨率以及噪声的影响，实际探测到的两种类型边缘的抽象解析函数应该是理想函数光滑或平均后的结果，即如图1之（e）、（f）所示。对（e）、（f）求一阶、二阶偏导数，分别得到如（g）、（h）、（i）、（j）所示的导函数。

分析图1中的（c）、（e）、（g）、（i）可以发现，将一维影像灰度函数抽象到连续可微函数f（x），真正的边缘位置P或（e）中的Px分别对应着一阶导函数的局部极大值位置P′，和二阶导函数的局部零交叉（zero-cross，又称过零点）位置P″。对离散的数字影像来说，影像灰度函数的偏导数常用Robert离散差分来代替，即x、y方向偏导数分别用和计算，常用上述两个差分的算术根即近似影像灰度函数f（x，y）在（x，y）处的导数。当用一阶导数极大值检测遥感影像边缘时，那么在Robert梯度计算准则下，就得到边缘检测的Robert算子响应：

Redge=（1-1）

对给定的离散遥感影像，按（1-1）计算每一像素处的Robert梯度响应Redge，如大于事先给定的阈值，则认为该像素是边缘并加以标记。如果用不同的倒数计算规则，就自然得到Sobel、Prewitt等边缘检测算子。如果采用二阶导数的极小值检测边缘，并用差分代替导数，则得到第二类边缘检测的二阶差分算子：

Sedge=|fx（i，j+1）-fx（i，j）|+|fy（i+1，j）-fy（i，y）|

=|f（i，j+2）-f（i，j+1）-（f（i，j+1）-f（i，j））|

+|f（i+2，j）-f（i+1，j）-（f（i+1，j）-f（i，j））|

=|f（i，j+2）-2f（i，j+1）+f（i，j）|+|（f（i+2，j）-2f（i+1，j）+f（i，j）|（1-2）

在上述分析的指导下，按照离散数字遥感影像灰度值的一阶差分极大值点（或二阶差分的零交叉点），一阶差分的零交叉点（或二阶差分的极小值点）分别提取数字影像上的阶梯型和条状型边缘就是顺理成章、水到渠成之事。

这种分析问题解决实际问题的思路，可总结成“问题抽象建模―理论模型分析推导―结论指导实践”的三步模式。这样不仅告诉学生用什么方法检测边缘，还讲清楚了为什么用这种方法检测边缘。这种讲授方法就启发学生，在遇到问题时应先抽象建模、理论分析然后将分析结果用于解决问题。通过长期的这种潜移默化训练与培养，可以逐步锻炼提高学生分析问题解决问题的能力，激发学生的创新性思维。

三、Förstner点特征提算子设计原理

Förstner点特征提算子是斯图加特大学摄影测量研究所的WolfgunFörstner教授于1986年提出[7]，是摄影测量界著名的点特征提取算子。该算子提取点特征有2个指标：q和w，其中q代表圆度指标，w表示权值。对该算子的设计与理论分析，作者给出如下的解读，以帮助初学者的理解与应用。

该算子是在分析最小二乘影像匹配质量的基础上而提出的。在摄影测量中，影像匹配就是确定同名对象的左右视差与上下视差。假设有图2所示的立体像对，（a）（b）子图中的黑色象素点表示同名像点，假定左像上的目标点坐标为（x，y），则右像上的同名点可表示为（x+px，y+py），px、py表示视差。

在地面平坦和近似垂直摄影的理想条件下，对左右影像灰度函数gl（x，y）、gr（x，y）在局部格网窗口内应满足下述方程：

gl（x，y）=gr（x+px，y+py）

≈gr（x，y）+rx（x，y）・ry（x，y）・py（2-1）

其中rx、ryg的两个偏导数。此可得线性化误差方程：

Δg（x，y）+v（x，y）=（x，y）・px+（x，y）・py（2-2）

其中Δg（x，y）=g（x，y）-g（x，y）。对左右影像局部窗口内的所有像素均按（2-2）列出误差方程，按最小二乘原理求解，在等权情况下可得到视差最或然估计为：

，

=（A）AL（2-3）

其中，

A=，N=ATA=（2-4）

由方程（2-3），可得视差向量的估计精度：

cov=σ（AA）=σ=ΔσQ（2-5）

如果想要求在该点匹配效果好，那么方程（2-5）中的矩阵Q所决定的方差椭圆应该尽可能的小，并且方差椭圆尽可能接近圆。方差椭圆愈小，说明估计的视差精度愈高；方差椭圆愈圆，说明匹配估计的视差精度均匀。

由误差理论可知，设由矩阵Q决定的方差椭圆的长轴和短轴分别为E、F，则有：

E+F=σ（Q+Q）=σ・trQ（2-6）

q=1-=4（2-7）

由（2-6）可以看出，trQ愈小或w=1/trQ愈大，则方差椭圆愈小即视差估计的精度愈高。由（2-7）有，q愈接近于1，则方差椭圆愈圆即视差估计的精度愈均匀。所以可以得出这样的结论：Förstner准则下的特征点，实际上就是用最小二乘匹配时，配准点的精度较高并且精度较均匀的那些像素点。虽然方程（2-4）中的偏导数均是按照右像灰度函数计算的，但只要注意到在影像匹配中左右像的地位是对等的，所以上述偏导数计算完全可以在左影像上进行。这样，对给定的数字遥感影像，判断其上的某个像素是否为Förstner准则下的特征点，只要以该像素为中心开取一定大小的窗口，按（2-4）对窗口内的像素计算偏导数矩阵Q以及权值w、圆度q，只要w足够大（大于事先给定的阈值）q值接近于1，即可认为是特征点，否则不是。由上述分可以看出，Förstner点特征提取算子就是将最小二乘匹配中匹配精度较高并且均匀的点作为特征点筛选准则。

四、Zuniga-Haralic角点定位算子理论分析

Zuniga-Haralic角点定位的基本过程是，首先利用零交叉边缘检测器提取边缘，然后计算边缘上的点梯度角变化率k，以k的大小作为衡量角点的标准或角点响应函数，也称角点强度（cornerness），当k大于给定的阈值时，则认为该点为角点[1]。文献[1]只给出了该算子的计算步骤，并未分析其设计原理。该算子的设计依据可用图3中的图形作直观说明，在图3（a）中，当动点沿边缘方向变化时，拐角处点的梯度角（即垂直于边缘方向的直线与x轴正方向的夹角）从0度突变到π/2，梯度角变化率最大，所以认为该点是角点。图3（b）中的图形也有这种特性。由此分析启发，可得到“梯度角沿边缘方向变化率最大的点应该是角点”的设计依据。下述的推导结果也证明，按照这种思路进行严密的理论分析，正好得到Zuniga-Haralic角点定位算子。

对图像灰度函数g（x，y），灰度曲面上任一点（x，y，g（x，y））处的梯度为向量为

，

，梯度角θ=arctan/。依据梯度方向垂直于边缘方向，可以认为该点处的边缘方向为-

，

，单位化的边缘方向矢量为：α=（cosφ，sinφ）=-

/，

/。按方向导数公式并假定灰度函数的混合偏导数相等，即=，可得到灰度曲面上任一点处的梯度角θ沿边缘方向α的变化率k为：

k=・cosφ+・sinφ=（3-1）

这正是Zuniga-Haralic角点定位算子的角点响应函数。

注意到函数的二阶导数绝对值大小表示函数曲线的弯曲程度，曲线上二阶导数局部极大值点也应该是比较突出或明显的角点。通过这一基本原理分析，还可以直接从二阶导数得到Zuniga-Haralic角点算子。因为影像灰度函数曲面g（x，y）与边缘方向α的截痕即为空间曲线，该空间曲线沿方向α的二阶方向偏导数为：

（x，y）=cosα+2sinαcosα+sinα

=（3-2）

这与角点响应测度（3-1）仅相差一个因子k’（即梯度模的倒数）：

k'=1/（3-3）

实际上，（3-3）正是KitchenandRosenfeld提出的角点定位算子[8]。

针对角点响应函数（3-1），可事先给定阈值，如果某一点的k值大于阈值，则认为该点是角点。显然，按（3-1）检测到的角点只能是像素级的，如果将变化率k在其极大值附近沿边缘方向拟合二次曲线，然后通过求解二次曲线的极大值点作为角点，则可将角点定位精度提高到子像素级，这是需要进一步研究的内容。

五、总结

本文针对数字摄影测量研究和实践中常用的几种点线特征提取算子，分析了它们的设计原理和构造理论基础，使学生或工程技术人员不仅知道在计算机上如何实现这些算子，还使他们理解为什么这样来设计这些算子，做到既授之以鱼又授之以渔。如果在课堂教学中长期坚持这样的训练和学习，有助于建立学生分析问题和解决问题的正确思路，培养学生面对问题设计正确的解决方法，锻炼他们分析问题解决问题的能力，也有助于提高学生的创新能力。

参考文献：

[1]张祖勋，张剑清.数字摄影测量学[M].武汉：武汉测绘科技大学出版社，1996：121-126，134-137.

[2]刘阳，邹峥嵘.摄影测量中几种特征点提取算法比较[J].测绘与空间地理信息，2012，35（8）：125-127.

[3]王启春，郭广礼，查剑锋，等.基于图像灰度点特征提取算子的比较研究及改进[J].大地测量与地球动力学，2012，（2）：148-150.

[4]王利勇，王慧，程，等.低空遥感数字影像的点特征提取算子的比较[J].测绘科学，2011，36（1）：121-124.

[5]胡小平，廖海洋.数字摄影测量征点的提取方法研究[J].光学精密工程，2005，13（增刊）：236-239.

[6]耿则勋，张保明，范大昭.数字摄影测量学[M].北京：测绘出版社，2010：66.

[7]WolfgunFörstner，Afeaturebasedcorrespondencealgorithmforimagematching[J].Int.Arch.ofPhotogrammetry，1986，26-3/3：1-13.

[8]RachildDERICHE，GerardGIRAUDONA，ComputationalApproachforCornerandVertexDetection[J].InternationalJournalofComputerVision，1993，10（2）：101-124.

量子力学特征范文

关键词:集成学习;特征提取;AdaboostM1;医学图像分类

中图分类号:TP311文献标识码:A文章编号:1009-3044(2009)33-9515-03

TheDesignofMedicalImageClassificationBasedonEnsembleLeaning

LINXiao-jia

(FacultyofLogisticandInformationManagement,FujianIneternationalBusinessandEconomicsCollege,Fujzhou350006,China)

Abstract:Thepaperproposesamedicalimageclassificationbasedonensembleleaning.Thesystemweproposingconsistsofapre-processingphase,afeatureextractionphaseandabuildingtheclassifierphase.Onthebasisresearchofsinglefeature,onenewmethodisproposedonekindofmedicineimageclassificationnewmethodthatsynthesizedthemulti-characteristicmergeandthedataminingtechnology.ThismethodisthroughtheintroductionofdataminingintheconceptofEnsembleLearning,utilizingtheEnsemblelearningmethodtoclassifytothesinglecharacteristictheweaksortertocarryontheiterativetraining.

Keywords:ensemblelearning;thecharacteristicextraction;adaboostM1;medicalimageclassification

随着计算机医学成像技术的发展,医学影像越来越多样化,医学影像的应用也越来越广泛,与此同时大量的医学设备的应用使得医学影像的数量也越来越多,大量的影像资料使医院迷失在信息的海洋。利用数据挖掘技术可以有效的对医学图像进行组织和管理,合理有效的对其进行分类,从而使其更好的辅助日常的医学诊断和医学研究。

该文提出的方法是使用SVM分类器将整个特征空间分成诸多子空间;采用集成学习方法Adaboost方法对样本进行多次抽样,将Adaboost算法中的分类精度作为特征选择的依据,选取出少量有利于分类的特征,同时将单特征训练得到的弱分类器通过集成学习增强为强分类器。

1系统的构成

整个系统的构成如图1所示。

该系统主要包括训练和分类两个阶段。在医学图像训练阶段,通过数据库建立训练集,对医学图像进行预处理,提取图像颜色和纹理特征,创建训练的弱分类器。对图像特征进行选择。分类阶段进行的是待分类图像的选择特征的提取,利用训练得到的强分类器进行分类,输出分类结果。

2图像预处理

由于实际的医学图像数据因为操作的原因,存在不完整性、噪声和不一致性性,不能直接在原始数据上进行数据提取,因此必须对医学图像进行预处理。数据清洗和数据的变换[1-2]都是经常用于图像数据预处理技术上的。

图像预处理的第一步就是图像去噪。大部分的医学图像一般包含了大量有噪声的背景:有的医学图像太暗,有的医学图案太亮,还有来自影像设备中电子元器件的随即扰动。通过去噪处理后,可以去掉图像中的大多数的背景信息和噪声,增强图像的特征,提高图像的信噪比。针对医学图像来说,图像本身有边缘模糊的特性,通过去噪对医学图像进行复原,使之与原图像逼近是存在比较大的困难的。因此本系统主要采取的去噪方法为滤波技术,该技术可以在最大限度保持信号不受损失的基础上,尽可能过滤噪声,提高图像的可读性,将医学图像中感兴趣的特征(图像的轮廓和边缘等重要信息)有选择的突出。

图像预处理的第二步是图像归一化,基于图像特征分类主要是对图像特征进行匹配和区分的过程,但是通常情况下待检图像的图库中,图像的大小尺寸并不完全相同,用户所提供的分类例图大小也不完全一样的。在提取图像特征(特别是空间分布特征)时,就有可能存在本身同类的图像所计算出来的特征差别却很大,而不属于同一类的图像由于尺度不同却计算出了相似的特征,进而影响到分类的结果。为了防止这类情况的发生,本分类系统必须首先对图像的尺度进行归一化,即通过对图像的缩放使得图像具有同一尺度256×256,在同一尺度上提取图像特征,从而消除尺度影响,又能够保证图像的整体灰度不变性。通过对大尺度的图像进行尺度归一化之后,按比例进行了缩小,降低了图像特征提取时的计算量,提高了分类速度。

3基于集成学习方法的特征选择和分类

3.1集成学习方法

集成学习(EnsembleLearning)是一种新的用来组合的学习器的方法。其主要思想[3]是:通过某种组合方法把一些学习器组合起来,使得集成后的学习器能够表现出比单个学习器更好的性能。狭义的说,集成学习是指利用多个同质的学习器对同一个问题进行学习,这里的“同质”是指所使用的学习器属于同一种类型,例如所有的学习器都是决策树、都是神经网络等等。广义的来说,只要是使用多个学习器来解决问题,就是集成学习[4]。

集成学习从萌芽阶段发展到现在,很多研究者提出了不同的算法。其中研究最深入,最具影响力,应用最广泛的就要算Boosting算法了。在众多Boosting算法中,AdaBoost是Boosting家族中的基础算法,也是Boosting家族最具代表性的算法,之后出现的Boosting家族中的扩展算法都是在AdaBoost算法的基础上发展而来的,对AdaBoost的分析也适用于其它的Boosting方法。因此下面我们以AdaBoostM1算法为例,进行描述。

AdaBoostM1算法用于解决多类单标签问题。每个待分类样本只能属于多个类别中的单个类。AdaBoostM1的基本思想是:首先给定任意一个弱学习算法和训练集(x1,y1),(x2,y2),…,(xm,ym),yi在分类问题中是一个带类别标志的集合,yi∈Y={1,…,K}。初始化的时候,对每个训练例赋予的权重都相同为1/m。接着,调用弱学习算法对训练集进行T次的迭代训练,每次训练后,按照训练结果更新训练集上的分布,对于训练失败的训练示例赋予教大的权重,也就是在下一次迭代训练的时候,更加关注集中对这些失败的训练例进行训练。通过这样的T次迭代训练,得到一个预测函数序列h1,h2,…,ht,其中ht也有一个权重,预测效果好的预测函数的权重较大,预测效果差的预测函数的权重较小。经过T次迭带后的最终预测函数H采用有权重的投票方式产生。

3.2特征选择和分类

本系统利用训练样本的分类属性,采用AdaboostM1算法同时,对算法进行改进,使算法同时具有进行特征分类性能的评价(特征选择)和SVM分类器的增强的功能:对样本进行多次抽样,将分类精度作为特征对分类性能的判定依据,进行有效特征选择,选取出少量对分类作用较大的特征,同时将单特征训练得到的弱分类器增强为强分类器,使分类器具有较好的分类精度和泛化能力。具体算法思想如下:

1)在AdaboostM1算法每次迭带训练时候,赋予每个训练例的分配权重Dt(i)(t表示迭代次数,i表示训练例标号),同时也表明它被分类器选入新训练子集的概率。如果某个样本已经被准确的分类,那么在构造下一个训练集中,它所占的比重概率就会被降低;反之,如果某个样本没有被正确分类,那么它所占的比重就会得到提高。通过这样的方式,AdaboostM1算法就能更加重视那些较困难、更富信息的样本上。

2)针对AdaboostM1这个特点,我们在选入的训练集上,选择SVM作为弱学习机,针对每个特征维向量进行训练,产生弱分类器,并且计算分类精度,用来衡量该弱分类器对分类的作用程度,精度大的弱分类器表明该特征维向量的分类性能较好,有利于作为有效的分类特征,被选入作为分类特征,经过多次迭代可以得到大部分对分类作用较高的特征,最终增强得到一个强分类器。

改进的AdaboostM1进行特征选择以及SVM分类器增强的算法步骤如下:

输入:训练集(x1,y1),(x2,y2),…,(xm,ym),其中标签yi∈Y={1,…,k}

特征维向量集{S}

弱学习算法SVM

迭带训练的次数T

初始化:对于i=1,2,…,D1(i)=1/m,DoFort=1,2,…,T//其中T为迭代训练的次数,m为训练样本数。

步骤1弱分类器学习

根据选择权重Dt(i)进行采样,获得第t次迭代样本集,选取特征子集,学习重采样后的样本集得到弱分类器集合Hrt,其中Srt是特征子集集合,表示第t次迭代的每个特征维度;Srt是弱分类器集合,是根据Hrt单特征训练出的弱分类规则,r表示特征维度标签号,t表示迭代次数。

步骤2计算分类精度,选择特征

计算弱分类器在样本集上的误差在此作为特征子集Srt有效性的判据,误差越小则此特征子集作用越大,选取误差最小(εt=min{εrt})的对应的分类器为Ht与有效特征向量Srt计算本次迭代得到的分类器贡献权值βt=εt/(1-εt)。

步骤3更新权重

其中,βt为每次迭代的分类器贡献权值,值由βt=εt/(1-εt)来确定;Dt(i)为每个训练例的分配权重,Zt为标准化常量。

输出:有效特征子集Sr

增强分类器

通过改进的AdaboostM1算法可以得到所选择的特征子集Sr以及增强的分类器Hx。

分类时,只要将待分类医学图像根据有效特征子集Sr进行特征提取,输入增强的分类器集Hx中,就可得到分类的结果。

4实验结果及结论

本实验所采用的是医学图像中的CT、MRI和DDR图像,根据医学图像的功能和用途,我们将这些医学图像分为头部(包括中枢神经和头颈五官)、胸部(包括呼吸系统、循环系统)、腹部(包括消化系统)、骨盆(包括泌尿系统)和其他等五大类标签,每类标签60幅(由于CT应用比较广泛,所以选用CT图像40幅,MRI和DDR各20幅),共计300幅图像构成图像库。在测试集和训练集的选择上,采用10折交叉验证的方法。通过训练集最终选取了36维特征向量中的分类性能较高的12维(详细如表1所示)。

分类性能采用敏感度(sensitivity)、特异度(specificity)以及分类精度(precision)三个指标率来衡量:敏感度也称真正识别率,即正确识别该类元组的百分比;特异度是真负率,即正确拒绝不属于该类元组的百分比;而精度就来标记实际属于该类的元组在已分配到该类的元组总数的百分比,表2是本实验的分类结果。

从表2中可以看出,本实验医学图像分类器算法的敏感度、特异性和分类精度都较高,分类识别率和精度平均在83%左右。

分类系统的速度主要取决于特征的提取以及进行分类的运算量。如果将所有特征都运用于分类的话,由于有些特征向量维度对分类贡献不高,对分类效率没有明显的提高,并且也大大增加了特征提取阶段的时间负担。在本系统中仅仅选择了不到1/3的特征,去除了部分对分类效率贡献不高的特征,因此在特征提取阶段速度大大提高了,而且在分类阶段也因为只在有效特征中进行提取分类,速度也有较大提高,表3列出了在InterCoreDuoprocessorT24502.0GHz、1GDDR内存、VC++6.0环境下本分类系统与其他分类平均分类精度的比较。

本方法比最常见的综合特征分类法在特征提取分类阶段速度上有所提高,但是比起单个特征提取,速度还是比较慢的。但是从表3正确率相比,准确率还是蛮高的,相对的牺牲时间还是值得的。

参考文献:

[1]Maria-LuizaAntonie,OsmarR.ZaianeandAlexandruComan,ApplicationofDataMiningTechniquesforMedicalImage[C],ProceedingsofthesecondinternationalworkshoponMultimediaDataMining(MDM/KDD’2001),inconjunctionwithACMSIGKDDconference.

[2]OsmarR.Zaiane,Maria-LuizaAntonieandAlexandruComan,MammographyClassificationbyAssociationRule-basedClasifier[C],MDM/KDD2002:InternationalWorkshoponMultimediaDataMining(withACMSIGKDD2002).

[3]ZhouZ-H,WuJ-X,TangW,Chenbiningregressionestimators:GA-basedselectiveneuralnetworkensemble.InternationalJouralofComputationalIntelligenceandApplications,2001,1(4):341-356.

[4]ZhouZ-H,WuJ-X,TangW.Ensemblingneuralnetworks:manycouldbebetterthanall.ArtificialIntelligence,2002,137(1-2):239-263

[5]夏顺仁,莫伟荣,王小英,严勇.基于特征融合和相关反馈的医学图像检索技术[J].航天医学与医学工程,2004,17(231):429-433.

量子力学特征范文篇3

【关键词】光学无线通信；海水信道；特征

潜艇在海水中运行时，需要与传感器以及水面舰艇指挥中心等进行沟通联系，这就需要使用到在海水中通信这一技术，在海水中进行通信与在陆地上有很大区别。利用海水作为信息传输的通道进行数据传播的途径，就是海水信道。近年来，水下声学或光学数据传感采集探测技术发展迅速。相比水下声学通信来说，水下光学通信具有受周围环境影响小、传输数据量大、传输耗时少以及载波频率高等优点。由于光波的这些优点使得光学无线通信越来越广泛地应用于水下通信中，在光学无线通信中，影响通信功效的重要因素就是海水信道的光学特征。本文首先对水下光学无线通信中的海水信道特征概要进行简单描述，然后建立水下光学无线通信中的海水信道特征模型，最后对基于水下光学无线通信海水信道特征模型进行仿真修正分析。

1.水下光学无线通信中的海水信道特征概要

水下光学无线通信中的海水信道特征主要包括海水信道具有吸收光数据信号的特征以及海水信道具有散射光数据信号的特征。与光数据信号在空气中传播相比较，光数据信号在海水中的传播过程非常复杂，这主要是由于海水信道中存在很多影响光传输的不确定性因素。这些不确定因素导致海水信道呈现出吸收光以及散射光的特征，海水信道对光的吸收及散射导致光数据信号在海水中传播时出现衰减现象，从而影响光数据信号在海水信道中的传播。

海水信道具有吸收光的特征：海水信道之所以能够吸收光，是因为海水中所含有的物质成分能够吸收光。而海水中所包含的成分是非常复杂的，概括起来可以分为水分子、悬浮体、无机溶解质以及各种有机物等，但是不同海域其包含的成分各有不同，即使相同海域不同位置包含的物质成分也有所不同。海水是一种非常复杂的生物、物力以及化学等相结合的系统，而海水中含有的一些物质对光具有吸收性，例如营光合作用的藻类生物以及黄色物质等。

海水信道具有散射光的特征：由于海水中包含的物质成分的复杂性，也使得海水信道对光数据信号的散射性非常复杂。海水中能够对光进行散射的物质主要包括：水分子、悬浮粒子以及透明物质等。水分子对光的散射性符合瑞利散射特征，悬浮粒子对光的散射性符合米氏散射特征，米氏散射的大小取决于海水中悬浮粒子的浓度以及粒子的大小。而透明物质对光的散射性是由于透明物质能够折射光所引发的。

2.水下光学无线通信中的海水信道特征模型

根据水下光学无线通信中的海水信道特征，可以建立一个关于海水信道特征的模型。我们已经知道光学无线通信的海水信道特征主要包括吸收光以及散射光，从而引发光在海水中传播时出现衰减现象。所以我们假设光在海水中的衰减参数为D，被吸收参数为A，被散射参数为S，光的波长为W，那么。这说明，光数据信号在海水中的衰减也受到光波长的影响，衰减参数、吸收参数以及散射参数都是光波长的函数。

下面我们将分别对光吸收函数、光散射函数以及经过衰减后接收光数据总能量进行分析。

光吸收函数：在海水中，能够吸收光数据信号的物质分子很多，在此，我们先将主要的吸收光的因素归结起来，然后再进行函数修正分析。

海水中吸收光的物质主要包括：营光合作用的藻类以及CDOM（有色可溶性有机物）等，而营光合作用的藻类中，主要是利用叶绿素来吸收光。此外，还海水中能够吸收光的因素还包括海水以及有机碎屑以及矿物颗粒等。所以我们假设水的吸收参数为WA，叶绿素的吸收参数为C，CDOM的吸收参数为CD，有机碎屑以及矿物颗粒的吸收参数为M。其中C（W）等于叶绿素总浓度的修正值除以浓度常数修正值乘以叶绿素光谱系数。

光散射函数：海水中的水分子、悬浮粒子以及透明物质等都可以对光进行散射作用。而散射规律主要包括米氏散射和瑞利散射。瑞利散射发生的条件是海水粒子的直径小于光波长，其特点是波长的四次方与散射强度成反比。米氏散射较为复杂，粒子直径与光波长的差距越大，散射分布越复杂。根据粒子直径，我们可以认为光散射函数是由水分子参数、叶绿素参数、小颗粒参数以及大颗粒参数组成。

经过衰减后接收光数据总能量：光数据信号从传输端发出后，经过海水信道，受到海水传播中光衰减的影响，并且也会受到传输端与接收端孔径引发的衰减效力，最后才传输到接收端。经过衰减后接收光数据总能量是发射功率、几何衰减、海水总衰减参数D（W）以及传输距离的函数。

3.基于水下光学无线通信海水信道特征模型仿真修正分析

任何一个模型在建立起来后，都需要进行仿真验证以及对函数进行修正等。基于水下光学无线通信海水信道特征模型仿真分析主要包括：在水下光学无线通信中海水信道特征函数仿真验证以及传播误码率分析。我们选取一个海域的相关数据以及光传播的相关数据，然后将这些数据代入模型函数中，看最后得出的结果与实际接收到的数据量的区别，然后根据这一区别进行传播误码率分析以及函数修正，修正后再选取另一个海域与光传播的数据，进行仿真验证，直到仿真实验后的结果与实际量的差距在误差允许范围之内后为止。

4.结论

本文首先海水信道特征概要进行简单描述，水下光学无线通信中的海水信道特征主要包括海水信道具有吸收光数据信号的特征以及海水信道具有散射光数据信号的特征，这些特征导致光在海水中传输时，出现衰减现象。然后根据这些特征建立了水下光学无线通信中的海水信道特征模型，包括一个衰减参数函数、光吸收函数、光散射函数以及经过衰减后接收光数据总能量。影响光吸收函数的因素主要包括：水的吸收参数、叶绿素的吸收参数、CDOM吸收参数以及有机碎屑矿物颗粒吸收参数等。影响光散射函数的因素主要包括：水分子参数、叶绿素参数、小颗粒参数以及大颗粒参数等。最后对基于水下光学无线通信海水信道特征模型进行仿真修正分析。基于水下光学无线通信海水信道特征模型仿真分析主要包括：在水下光学无线通信中海水信道特征函数仿真验证以及传播误码率分析。

【参考文献】

[1]魏巍，陈楠楠，张晓晖，饶炯辉，王文博.用于水下传感器网络的无线光通信研究概况[J].传感器世界，2011，3：6-10.

[2]隋美红，于新生，刘西锋，周章国.水下光学无线通信的海水信道特性研究[J].海洋科学，2009，33（6）.