测算方法论文篇（1）

1．1信息化教学———利用现代化教学手段推进信息技术与教学融合教育信息化十年发展规划（2011－2020年）提出倡导通过智能化教学环境、优质数字教育资源和软件工具等方式推进信息技术与教学融合。在《计算机测配色》教学中，利用计算机信息技术，打破传统直观教学与形象教学方法的束缚，创设信息化学习情境［11］，用音频、视频、动画及智能软件等展现知识，让学生直观地了解知识所对应的表象，加深对理论知识的感性认识，体会理论知识在实践中的应用。示例1：利用光学原理演示物体颜色与光的关系利用自然界的花草树木随着光线变化的彩色照片，将自然色彩现象与色彩原理结合；通过计算机软件操作，展现物体颜色随光线的变化，解释物体光谱特性的本质。通过多媒体技术，结合自然现象，将光与色变化规律形象化。示例2：智能化配色软件应用创设智能化教学情境。设计配色软件实现加法混色与减法混色的演示，通过人机对话训练学生配色能力，培养学生职业技能。

1．2技能训练法———培养学生职业能力技能训练法让学生掌握实践操作技能，提升其岗位能力。这种方法可以用在单一技能性较强的项目知识学习中，如自然色系统（NCS系统）、PANTONE颜色系统的学习。示例3：NCS系统应用在NCS系统教学中，对学生进行NCS颜色操作训练，学生可以熟练应用NCS系统对任意样本颜色做出描述，掌握生产实践中使用NCS的技能。示例4：PANTONE颜色系统应用PANTONE颜色系统是目前印染行业应用最多的表色系统，认识和熟练应用PANTONE色谱，对实际工作有很大帮助。通过对学生由浅入深的技能操作培训，学生掌握其表色方法，学会查找使用色谱，学会将PANTONE色谱输入计算机测配色系统，掌握在生产中使用PANTONE色谱的技能。这种教学方法能提高学生学习兴趣及成就感，并能加深对色彩表示方法的理解与运用。

1．3项目教学法———基于工作过程结合职业岗位能力的培养，选择任务驱动性教学单元“计算机配色”项目，按照工作逻辑制定可行动的教学方案，充分发挥学生学习兴趣和工作能力，培养学生综合职业能力。示例5：计算机配色按照实际生产过程设计操作流程：客户色样录入计算机配色打小样计算机修色打修色样合格中样或大样生产。学生以小组为单位，在老师指导下，按照印染企业生产过程进行项目设计，小组成员合作完成项目，撰写项目报告并交流展现成果。

1．4“翻转”课堂———行为导向选取实践操作性较强，通过视频自学就能基本掌握的“测色”教学项目进行“翻转”教学。参照行为导向教学，以学生为中心，以能力为根本设计教学活动，充分发挥学生自主性、合作性及创造力，让学生在合作学习过程中构建知识，实现知识的迁移和升华，以及职业能力的培养与提升［14］［15］［16］。示例6：测色教师设计制作教学资源、测色操作视频、微课、教学活动等；学生自主学习测色操作视频、测色微课，讨论测色方案；学生设计测色操作方案；学生测色操作以小组为单位分别进行人工测色和计算机测色操作，进行颜色描述、评价与比较；教师答疑，与学生讨论交流；学生对学习及实验操作进行交流、分析评价；教师引导学生对测色知识与操作进行总结提炼。

2结语

2．1高职教育中教学方法的有效运用，是提高教学效率的关键。教学方法的选用应该灵活多样，呈现立体的，多层次的教学体系，并在实践中不断发展完善。

2．2充分应用现代化手段，创设信息化教学情境，结合项目教学设计“微课”“、翻转”课堂等，实现教学信息化，创新教学模式。

测算方法论文篇（2）

中图分类号： TN915.08?34； TP309.5 文献标识码： A 文章编号： 1004?373X（2017）03?0085?04

Research and implementation of malicious program detection algorithm

LU Tao

（College of Information Engineering， Nanning University， Nanning 530200， China）

Abstract： Since the malicious program has simple invasion way， massive hidden ways and fast update speed， and the traditional detection algorithm dealing with the malicious program has high false alarm rate of the detection， poor update and tracking ability， a malware program detection algorithm based on probability theory and linear superposition was designed. The algorithm is composed of the behavior feature extraction module， behavior feature detection module and malicious program output module. The program behavior feature in the network under test are extracted by means of the behavior feature extraction module， and its concrete behavior and hidden behavior are dynamically detected via the behavior feature detection module. The malicious degree file of the program is given， and taken as the input of the malicious program output module. According to the designed linear superposition function and depth detection flow chart， the malicious program was detected and output. The experimental results show that the algorithm has low false alarm rate of the detection， and good capacity to track the updated malicious program.

Keywords： malicious program； detection algorithm； malicious degree file； false alarm rate of detection

0 引 言

2009年，源于某视频网站遭受的恶意程序非法入侵，致使网络服务器出现瘫痪，使电子信息厂商对恶意程序检测算法的研究与实现格外关注[1?3]。恶意程序的入侵方式较为简单、隐藏方式众多，且更新速度非常快，导致传统的恶意程序检测算法无法对其进行有效应对，检测误报率高且恶意程序更新追踪能力不佳。因而，设计了一种基于概率论和线性叠加的恶意程序检测算法[4?6]。

文献[7]对基于人脑解析的恶意程序检测算法进行设计，这种算法的设计人员意识到对恶意程序特征的准确提取是算法高水平检测的基础，而计算机往往无法对恶意程序特征进行深度挖掘，故利用构建人脑解析模型增强算法的恶意程序更新追踪能力。这种算法需要大量技术人员实时监管，实现较为不易。文献[8]对基于贝叶斯定理的恶意程序检测算法进行设计，其检测误报率较低，但这种算法需要在相对独立的环境中进行检测工作，这一点将恶意程序的更新隔绝在检测环境外，因此几乎不具备恶意程序更新追踪能力。文献[9]对基于机器学习的恶意程序检测算法进行设计，这种方法的恶意程序更新追踪能力较强，但机器学习只能针对以往出现过的恶意程序进行检测，因此算法的检测误报率较高。文献[10]对基于线性叠加的恶意程序检测算法进行设计，这种方法的z测误报率较低且拥有较强的恶意程序更新追踪能力。但线性叠加只考虑到了恶意程序的具体行为对网络造成的伤害，若想进一步提高该算法的检测水平，还需通过特定手段对恶意程序的隐含行为进行挖掘和双向检测。

通过对传统恶意程序检测算法进行分析，设计了基于概率论和线性叠加的恶意程序检测算法，利用概率论手段对恶意程序的行为进行深度分析，对恶意程度文件进行线性叠加检测，减少算法的检测误报率，增强算法的恶意程序更新追踪能力。

1 恶意程序检测算法设计

基于概率论和线性叠加的恶意程序检测算法由行为特征提取模块、行为特征检测模块和恶意程序输出模块组成。行为特征提取模块对被测网络中程序的行为特征进行提取，行为特征检测模块利用概率论手段对程序行为特征的恶意程度进行分析。恶意程序输出模块利用线性叠加函数检测恶意程序并输出。

1.1 行为特征提取模块设计

基于概率论和线性叠加的恶意程序检测算法的行为特征提取模块主要由控制芯片组、网络交互器和模拟器组成，其结构如图1所示。

由图1可知，控制芯片组决定着整个行为特征提取模块的工作水平，其负责对模块提取工作中产生的中断请求和直接内存访问进行控制，控制芯片组的接口电路图如图2所示。网络交互器可实现程序在被测网络和行为特征提取模块间进行数据交互。模拟器用于对被测网络进行虚拟化，并提供程序数据交互接口。网络交互器和模拟器均有两组，分别安放在网络入口和出口处。

由图2可知，基于概率论和线性叠加的恶意程序检测算法每进行一次检测工作，都要利用特征提取模块从被测网络提取程序的行为特征，这有助于增强算法的恶意程序更新追踪能力。为了提高行为特征提取模块的整体效率，需要在控制芯片组中写入PE文件。

PE文件是能够在网络中进行直接提取的文件的统称，这类文件是在设计基于概率论和线性叠加的恶意程序检测算法前经由多次实践获取到的。PE文件的内容主要是网络共通非恶意程序，这些程序的内部机制较为完善，永久不会被恶意行为特征入侵。因此，行为特征提取模块可以对PE文件进行忽略提取，以提高模块整体效率。同时，用户也可手动开启行为特征提取模块对PE文件进行提取。

随后，行为特征检测模块将对行为特征提取模块的提取结果进行分析。

1.2 行为特征检测模块设计

行为特征检测模块基于概率论和线性叠加的恶意程序检测算法，对特征提取模块提取结果的分析使用概率论手段，旨在获取恶意程序的具体行为和隐含行为。恶意程序行为包括具体行为和隐含行为，如图3所示。

由图3可知，具体行为是指恶意程序直接利用网络漏洞进行入侵的行为，这种行为比较容易被发现；隐含行为是指恶意程序设计者模仿非恶意程序行为进行设计，用于迷惑用户发出不正当指令的行为，包括行动指令行为和指令调用行为，这种行为具有一定的传播和侵蚀能力，而且分析较为困难。

行为特征检测模块对恶意程序行为的分析是一种动态检测方式。在具体行为下，恶意程序的恶意代码会直接体现在行为文件中，行为文件数据量很大，用户通常不会主动查阅，这就需要借助概率论构建概率论测试文件对行为文件中的具体行为进行定位和审查，得出程序恶意程度文件，再经由恶意程序输出模块进行深度检测。

在恶意程序的隐含行为下，指令行为和指令调用行为均会在恶意程序的行为文件中嵌入指令代码，这些指令代码可用概率论进行动态检测，如图4所示。

由图4可知，行为特征检测模块先进行恶意文件隐含行为的文件格式分析，利用概率论对文件格式进行模拟，建立概率论测试文件。行为特征检测模块可根据概率论测试文件获取虚拟程序和程序中的二进制代码，对二者同时进行动态检测可获取程序恶意程度文件。

将程序的具体行为和隐含行为的程序恶意程度文件组合起来，共同传至恶意程序输出模块进行深度检测。

2 恶意程序检测算法软件设计

基于概率论和线性叠加的恶意程序检测算法在软件中给出行为特征检测模块的概率论分析函数，以及恶意程序输出模块的线性叠加函数和深度检测流程。

2.1 概率论分析函数和线性叠加函数设计

概率论分析函数的作用是对程序行为特征的恶意程度进行挖掘。将行为特征提取模块的提取结果组成集合[K]，选取[K]中阈值的最大值[KMAX]和最小值[KMIN]（下角标代表二者的位置坐标值），则恶意程序与非恶意程序间阈值的概率差[M]可表示为：

式中[Lk]表示行为特征[k]的阈值。[Bk]值越大，程序行为特征的恶意程度就越高。

用[Ak]表示程序的被测点，[ak]表示被测点行为阈值，则线性叠加函数[T]可表示为：

2.2 恶意程序输出模块流程设计

基于概率论和线性叠加的恶意程序检测算法设计的恶意程序输出模块的深度检测流程，如图5所示。

由图5可知，恶意程序输出模块的检测实质是利用线性叠加函数将特征检测模块的程序恶意程度文件串联起来，给出线性叠加函数[T]值。基于概率论和线性叠加的恶意程序检测算法对误报率的要求在0.4%以下，故根据经验将恶意程序的预设值设为15，如果[T≥15]则判定被测程序为恶意程序。

恶意程序被检测出来后，恶意程序输出模块将构建恶意程序行为文件，作为日后检测工作的参考数据，并将该文件上传至云端，同时向用户发出警报。

3 实验验证

实验对本文算法、人脑解析算法和机器学习算法的检测误报率和恶意程序更新追踪能力进行对比验证。在被测网络中给出100个程序并产生2 000个程序行为，其中的恶意行为有300个，恶意程序有18个。

3.1 检测误报率验证

恶意程序检测算法的检测误报率分为恶意程序漏报率和非恶意程序误报率。记录下实验中检测到第15，30，45，60，85，100个程序时，算法的恶意程序漏报率和非阂獬绦蛭蟊率的各自合计值，如图6，图7所示。

测算方法论文篇（3）

中图分类号： TN92

文献标志码：A

0引言

目前，认知无线电（Cognitive Radio， CR）技术已被人们广泛认为是一种解决无线频谱资源稀缺与利用率低下之间矛盾的非常有效的解决方案[1]。CR通过动态频谱接入的方式，允许认知用户（或次用户）（Secondary User， SU）使用未被授权主用户（Primary User， PU）占用的频谱进行通信。为了能够接入授权频谱，SU必须连续不断地对分布较宽的频谱进行感知，以便获取空闲频谱供自己使用，同时保证不对PU的正常通信产生干扰。因此，宽带频谱感知是认知无线电网络 （Cognitive Radio Network， CRN）技术能否实现机会频谱接入的前提[2]，是CRN技术重要的组成部分和关键技术之一[3]。

根据传统的NyquistShannon采样定理可知，为了实现宽带频谱感知，要求模数转换器（AnalogtoDigital Converter，ADC）的采样速率至少是被采样信号带宽的两倍，甚至更高。然而，当前的ADC器件难以满足如此高速的采样要求。即使能实现，代价也十分高昂。因此，宽带频谱感知已成为制约CRN技术进一步发展的瓶颈。近些年来，国际学术界提出了压缩感知 （Compressed Sensing或Compressive Sampling， CS）理论[4-6]。CS理论大大减轻了数据获取端的压力，也降低了对传统ADC器件高速采样的技术要求。由CS理论可知：只要原信号在某个基上能稀疏表示，则我们就能以远低于Nyquist速率对数据进行压缩采样，并能从较少的数据中恢复原信号。在实际情形下，无线频谱的空闲率较高，使得无线电信号在频域具有天然的稀疏性。因此，CS理论为解决宽带频谱感知的技术瓶颈提供了理论依据。2007年，Tian等[7]首次提出了基于CS理论的宽带频谱感知算法；随后，文献[8]提出了一种基于CS理论的分布式宽带频谱感知算法；文献[9]提出了一种循环平稳特征的压缩宽带频谱感知算法。但是，以上算法的缺陷是均需要重构原信号后，才能实现频谱感知，这将大大增加算法的复杂度。文献[10]提出了直接利用压缩观测值进行非重构的压缩频谱感知方法。但是，这些方法仍然采用类似于能量检测（Energy Detection， ED）的频谱检测方案，当噪声出现波动和低信噪比的情况下，将会导致检测性能的急剧恶化。

针对上述问题，本文直接利用压缩采样数据，设计出了一种基于高阶统计量（HighOrder Statistics， HOS）的压缩宽带频谱盲检测算法（HOSCWSBD）。该算法直接利用压缩采样数据，无需信号重构也无需任何PU先验知识，就能实现宽带频谱检测。由于HOSCWSBD算法直接利用了压缩观测数据，使其采样数据量远少于Nyquist采样数据量，而且无需重构。因此，该算法比传统的基于各种重构方法的压缩宽带频谱感知算法的计算复杂度要低得多。此外，HOSCWSBD算法采用HOS作为频谱检测判决量，克服了类似ED频谱检测算法受高斯噪声波动的影响，从而提高了该算法在低信噪比情况下的检测性能。

1压缩感知理论及观测矩阵

假设任意实信号x∈RN可以在一组正交基{Φi}Ni=1（Φi为N维列向量）上线性表示，即：

x=∑Ni=1θiΦi=Φθ（1）

其中θ=[θ1，θ2，…，θN]T为N维系数列向量。在θ中，若只含有ρ个取值较大或非零的系数且满足ρN，则称信号x∈RN在N×N维正交基矩阵Φ=[Φ1，Φ2，…，ΦN]上是ρ稀疏的，即信号x在Φ域上可以稀疏表示。

将信号x∈RN通过一个M×N维矩阵Ψ（ρ

y′=Ψx=ΨΦθ（2）

其中Ψ为压缩观测矩阵。根据CS理论可知，为了能从M个压缩观测值y′中以较高概率重构出原信号x，则Ψ必须满足有限等距性质（Restricted Isometry Property， RIP）条件[11]。RIP的等价条件可描述为：Ψ的行向量与Φ的列向量不相干（incoherence），反之亦然[12]。

事实上，利用CS理论进行宽带频谱感知只需判决出我们所关心的频谱内是否存在PU信号即可，而无需重构出原信号。因此，本文采用CS理论中新的压缩信号处理（Compressive Signal Processing， CSP）方法，直接对压缩观测数据进行处理，设计出一种非重构的压缩频谱盲检测算法。该方法直接利用压缩采样数据实现宽带频谱检测。由于压缩采样速率远远低于Nyquist采样速率，因此，大大减轻了数据获取端的压力，降低了后续频谱感知算法的计算复杂度。为了使得压缩观测数据不丢失原信号中的信息，就必须选择恰当的观测矩阵Ψ，使之能较好地满足RIP条件。由文献[12]可知，当观测矩阵Ψ为一个随机矩阵时，Ψ就能以高概率满足RIP条件。为了不失一般性，本文采用如下方法构造随机观测矩阵Ψ：Ψ中的每个元素ψi， j满足方差为E（ψ2i， j）=1/M的独立同分布i.i.d （independent identically distributed）的subGaussian随机变量[10]。

2系统模型

传统的频谱感知方法在进行宽带频谱感知时存在一个共性的问题，那就是只对整个宽带频谱中是否出现PU信号进行判决，而没有对整个宽带频谱中的各个单独频段是否空闲做出判决。事实上，在某一时间、空间内，PU仅仅占用某一些子信道或子频带而非整个宽带频谱范围。因此，为了提高频谱检测概率和利用率，将整个宽带频谱划分为若干个子信道或子频带是符合实际情况的。本文假设PU信号的频谱范围为[f0， fH]，将其划分为H个互不重叠的子频带： f0< f1< f2 < … < fH，其中fh（h=1，2，…， H）为每个子频带的上限频率，假设每个子频带（带宽为Bh=fh-fh-1）也是一个宽带频谱。本文提出的压缩宽带频谱感知方法HOSCWSBD是指SU对整个频带内的每个宽带子频带逐一进行本地压缩采样，并计算压缩采样后数据的3阶矩，然后将这些本地得到的3阶矩上传给融合中心（Fusion Center， FC），由FC根据系统预设的虚警概率计算出判决门限，并最终判决出每个子宽频带是否被PU占用，从而实现对整个宽带频谱进行检测。

假设认知用户节点数为K，它们对PU信号进行连续的压缩采样，则第k个认知用户SUk（k=1， 2， …， K）对某一子频带内的信号进行压缩采样，其结果存在以下两种假设：

yk=

Ψwk，H0

Ψ（hks+wk）=Ψ（xk+wk），H1 （3）

其中：yk=（yk（1），yk（2），…，yk（M））T为SUk观测到的压缩采样数据；s为PU信号，xk=（xk（1），xk（2），…，xk（N））T为SUk接收到的PU信号，wk=（wk（1），wk（2），…，wk（N））T～N（0，σ2IN）为i.i.d高斯噪声，hk表示PU与SUk之间的信道增益，H1、H0分别表示PU信号存在和不存在两种假设。假设信号xk与噪声wk统计独立，则压缩观测序列yk（m）（m=1，2，…，M）是subGaussian变量[10]。Ψ为已知M×N维随机观测矩阵，对于任意xk∈RN，Ψ将以至少1-2e-cMδ2的概率满足式（4）：

（1-δ）MN≤Φxk2xk2≤（1+δ）MN（4）

其中0

yk～

N（0，σ2wΦΦT）=N（0，σ2wIM），H0

N（0，h2kσ2sΦΛsΦT+σ2wIM），H1 （5）

其中σ2sΛs为信号s的协方差矩阵，IM为M维单位矩阵。

3非重构的HOSCWSBD算法

一般来讲，在分析大多数随机信号的统计特性及其信号处理的应用中，只需要考虑1阶、2阶统计量就足够了。但是，许多随机信号，特别是那些非线性信号或者是微弱信号，如果仅仅依赖二阶统计量，则无法正确处理原信号。此外，任何高斯过程的3阶矩及其奇数阶矩等于零，这一点使得高阶矩在理论上可以完全抑制高斯有色噪声的影响。

由式（5）可知，在式（4）成立的情况下，压缩采样数据服从高斯分布。因此，可以根据高阶矩表现出来的上述性质，设计出基于压缩观测数据高阶统计量的宽带频谱感知算法。本文HOSCWSBD算法正是基于以上理论分析，直接对压缩采样数据计算出高阶统计量，并利用高阶统计量对高斯有色噪声不敏感的特性，实现宽带频谱盲检测。同时，考虑到算法的复杂度和实际情况，本文仅采用3阶矩作为HOSCWSBD频谱感知算法的检测统计量。

HOSCWSBD频谱感知算法的原理框图如图1所示。图1中，yk（k=1，2，…，K）表示第k个SU对PU信号进行压缩感知得到的观测数据，m⌒3yk为第k个SU通过计算得到的3阶矩估计值。HOSCWSBD算法的工作原理为：各SU对PU信号进行压缩采样，计算出各自本地3阶矩的估计值m⌒3yk并上传给FC。FC将每个SU上传来的3阶矩进行统计平均得出统计判决量d，并依据压缩观测数据的统计特性及其系统预先给出的虚警概率，计算出判决门限λ。最后，FC根据判决规则，对我们感兴趣的子频带是否被PU占用做出判决。

图片

图1HOSCWSBD算法模型

对于随机变量y，其3阶矩定义为：

m3y=E（y3）（6）

其中E（・）表示数学期望运算。

因此，根据以上定义，对于认知用户SUk观测到的有限长压缩观测数据yk∈RM，其3阶矩的估计值为：

m⌒3yk=1M∑Mm=1y3k（m）（7

FC按下式对各个SU的3阶矩进行融合，得到判决统计量d：

d=m⌒3y=1K∑Kk=1m⌒3yk （8

将式（7）代入式（8），则式（8）可重写为：

d=1K1M∑Kk=1∑Mm=1y3k（m）（9

类似地，SU接收到的PU信号x和高斯噪声w对应的3阶矩估计值分别为：

m⌒3x=1K1M∑Kk=1∑Mm=1xk3（m）（10

m⌒3w=1K1M∑Kk=1∑Mm=1w3k（m）（11

因此，容易推导出

d～N（m3y，σ2（m⌒3y））（12）

其中：σ2（m⌒3y）表示随机变量m⌒3y的方差。当H0成立时，则PU信号不存在，只存在噪声。此时3阶矩m⌒3y的值为零且m⌒3y=m⌒3w。因此，可以得到判决统计量d满足：

d～

N（m3y，σ2（m⌒3y）），H1

N（0，σ2（m⌒3w）），H0 （13

由以上分析可得，可以将判决统计量d与0相比较：如果d≠0，则假设H1成立；如果d=0，则假设H0成立。然而，在实际情况下，考虑到观测的压缩数据是有限长度，而不是无限长的。我们重新确定判决门限为λ（λ>0）。因此，在实际情形下，HOSCWSBD算法的判决准则为：1） 如果d≤λ，判决H0成立；2） 如果d>λ，则判决H1成立。因此，虚警概率Pf和检测概率Pd可分别表示如下：

Pf=P（d>λH0）（14

Pd=P（d>λH1）（15

在实际情况下，判决门限λ通常是由预设的虚警概率Pf决定。由式（13）、式（14）可得，虚警概率Pf为：

Pf=P（d>λH0）=1-erfλ2σ（m⌒3w）（16

推导出：

λ=2σ（m⌒3w）・erf-1（1-Pf）（17

由式（17）可知，判决门限λ仅仅与虚警概率Pf和噪声三阶矩方差的估计值σ2（m⌒3w）有关。

4数值仿真

通过Matlab软件编程随机产生信号，并进行6000次MonteCarlo模拟仿真对本文提出的非重构的HOSCWSBD算法检测性能进行分析，将其检测性能与基于GOMP （Generalized Orthogonal Matching Pursuit）[13]重构方法的压缩宽带频谱感知算法（GOMPHOS）和基于传统Nyquist采样的非压缩宽带频谱感知算法（NyquistHOS）[14]的感知性能进行比较。为了不失一般性，参与对比的两种频谱感知算法均同样采用3阶矩作为判决统计量。本节中的信噪比定义为：SNR=10 lgE（s（n）2）E（w（n）2）。其他仿真参数设置如下：N=200，hk=0.5（k=1， 2，…， K），σ2s=σ2w=1；PU信号s的协方差矩阵σ2sΛs为：

σ2sΛs=Λs=

1β…βN-2βN-1

β1…βN-3βN-2

βN-2βN-3…1β

βN-1βN-2…β1（18）

式中，0

图2为HOSCWSBD算法、GOMPHOS算法以及NyquistHOS算法的接收机特性（Receiver Operating Characteristic， ROC）的仿真结果。其中，信噪比SNR=-20dB，K=15，M=80。从图1的仿真结果可以看出，在不存在噪声波动的情况下（α=0dB），HOSCWSBD算法的检测性能几乎与两外两种算法的检测性能一样；当噪声出现波动时（α=2dB），HOSCWSBD算法的检测性能与没有采用压缩采样的NyquistHOS算法的检测性能非常接近，而且其检测性能随噪声波动最小，稳定性最好；GOMPHOS算法的检测性能波动性最大，稳定性最差。这是因为存在噪声波动的情况下，GOMPHOS算法采用GOMP算法重构原信号时引起了较大误差所致。因此，在噪声存在波动的实际情况下，本文HOSCWSBD算法的稳定性最好，检测性能近似最优。

图3反映了在噪声存在波动的情况下（α=2dB），3种频谱感知算法的感知性能随认知用户数K变化的情况。仿真参数为：SNR=-20dB，Pf=0.05，M=80，α=2dB。由仿真结果可以看出，随着参与合作感知的认知用户数增加，3种算法的检测概率均得到提高。其中，NyquistHOS算法的检测性能最优，这是由于该方法没有采用CS理论进行压缩，原信号保真度较好；本文非重构的HOSCWSBD算法的检测性能次之；而基于重构的GOMPHOS算法最差。而且随着K的增加，HOSCWSBD算法检测性能几乎与NyquistHOS算法一致。

在噪声存在波动的情况下，3种频谱检测算法随信噪比SNR变化的仿真结果如图4所示。其中，仿真参数设置为：K=15，M=80，α=2dB，Pf=0.05。从仿真曲线可以看出，随着信噪比SNR的增加，3种算法的检测性能均迅速提高，并且HOSCWSBD算法的检测性能与未进行数据压缩处理的NyquistHOS算法的检测性能非常接近；而GOMPHOS算法的检测性能最差，原因是噪声的波动致使重构误差增加，从而导致检测性能下降。

图5反映了在噪声波动的情况下（α=2dB），压缩程度（压缩比）对3种频谱感知算法检测性能的影响。其中，压缩比定义为r=M/N，SNR=-20dB，K=15，Pf=0.1。由于NyquistHOS算法并未进行压缩，N=100个原始的Nyquist采样数据保持不变。因此，其检测性能不受压缩比变化的影响。此外，从仿真结果也能看出，压缩比对本文的HOSCWSBD算法和GOMPHOS算法的检测性能影响较大；并且随着压缩程度越高（压缩比的值越小），这两种算法的检测性能越差，并且HOSCWSBD算法要优于GOMPHOS算法。这是因为压缩程度越高，压缩观测数据中含有原信号的信息越少，误差越大，从而导致检测性能降低；此外，当噪声存在波动时，GOMP重构算法的重构误差增大，致使基于重构算法的GOMPHOS方法的检测性能下降。因此，在噪声波动性存在的情况下，本文非重构的HOSCWSBD算法检测性能要好于基于重构的GOMPHOS算法。在实际情形中，噪声的不确定性总是存在的，同时考虑到HOSCWSBD算法复杂度要远远低于另外两种算法。因此，在这3种频谱感知算法中，本文提出的HOSCWSBD算法是现实意义上的最优算法。

5结语

本文根据CS理论中的压缩信号处理理论，提出了一种基于高阶统计量的非重构压缩宽带频谱感知方法HOSCWSBD，并将HOSCWSBD算法与基于传统Nyquist采样的非压缩宽带频谱感知算法以及基于GOMP重构的压缩宽带频谱感知算法进行了比较。理论分析与仿真结果表明，相对于另外两种算法，本文提出的非重构的HOSCWSBD压缩频谱盲检测算法具有计算复杂度低、感知性能稳定等优点。此外，在这3种算法中，HOSCWSBD是现实意义上的最优算法。

参考文献：

[1]FRAGKIADAKIS A G， TRAGOS E Z， ASKOXYLAKIS I G. A survey on security threats and detection techniques in cognitive radio networks [J]. IEEE Communications Surveys and Tutorials， 2013， 15（1）： 428-445.

[2]HUANG X L， HU F， WU J， et al.Intelligent cooperative spectrum sensing via hierarchical Dirichlet process in cognitive radio networks [J]. IEEE Journal on Selected Areas in Communications， 2014， 33（5）： 771-787.

[3]AZMI M H， LEIB H. Coded collaborative spectrum sensing with joint channel decoding and decision fusion[J]. IEEE Transactions on Wireless Communications， 2015， 14（4）： 2017-2031.

[4]CANDES E J， ROMBERG J， TAO T. Nearoptimal signal recovery from random projections： universal encoding strategies？ [J]. IEEE Transactions on Information Theory， 2006， 52（2）： 489-509.

[5]DONOHO D L. Compressed sensing [J]. IEEE Transactions on Information Theory， 2006， 52（4）： 1289-1306.

测算方法论文篇（4）

中图分类号：P258 文献标识码：A 文章编号：1672-3791（2014）05（c）-0034-01

GPS数据预处理的内容包含很多方面，从GPS数据预处理的内容来看，数据传输和格式转换、数据格式的标准化、数据筛选、差分观测值形成、向量近似解的求解等内容无论是理论部分还是软件实现部分都是相当成熟的，因而此方面的研究甚少。在原始数据预处理软件方面，多数软件都实现了GPS数据预处理的大部分内容。

GPS数据预处理作为GPS数据处理的重要部分，载波相位观测值的周跳探测、修复及GPS数据的筛选，GPS观测数据降噪处理一直是广大科研工作者研究的热点，试图提高基线解算后数据的可靠性及精度。与此同时，由于小波分析法的强大分析能力，特别是在时频分析的强大优势，越来越受到人们的重视。

1 小波分析理论

国内外学者在基于小波分析的GPS数据预处理方面做了不少研究。运用小波分析对GPS观测数据消噪方面，目前的研究基本上是针对基线解算展开的。运用该理论提取双差观测值残差的低频信号改正GPS观测值，用于消除多路径效应的影响，或者对相对双差观测值时间序列进行小波分析。随着对高精度相对定位的需求不断增加，如何提高单基站的数据质量对基线解算质量有重要的研究意义，因此，小波分析法在单测站GPS数据处理中具有重要的现实意义。

2 小波分析理论的应用

无论是静态相对定位还是实时动态相对定位还是精密单点定位，要解算测量点的三维坐标及精度都必须进行数据预处理，数据预处理过程是非常关键的一个阶段。经过GPS数据预处理，得出最终用于基线或单点定位所必须的观测数据和信息。经过处理处理后的观测值不包含有周跳和较大偏差的观测值，它对基线解算或精密单点定位十分重要。

精密单点定位用一台GPS接收机便可以达到厘米级的定位精度，提高了高精度测量定位的灵活性，但是在实际应用中扔不可取代传统的相对定位模式。因此提高相对定位精度及可靠性仍有其研究的意义。

静态相对定位在理论和软件方面发展都相对成熟，如国外研制的GAMIT、BERNESE等，用于长基线静态相对定位基线解算，在精密长基线处理中取得良好的效果。实际应用中，受到多路径影响、强的电磁信号干扰、观测点上空存在不开阔等不利因素影响，GPS观测值的质量比较差，使基线处理难度增大，解算精度和可靠性也大大降低。如何处理极不理想条件下观测的数据，且能保证足够的精度，是目前正待解决的问题。有些国内外学者提出了基于小波分析方法的基线处理方法，例如，对相位双差观测值进行小波分析，试图提高数据的信噪比及基线解算的精度和可靠性；在初始平差的残差信号主要由非模型化、非空间相关性的多路径效应影响和观测噪声组成的基础上，采用小波分析方法提取残差文件中的多路径信号，并对观测数据进行修正，该方法可用于多路径效应比较大的情况。

3 GPS基线解算新方法探讨

基线是由相同观测时段的单测站构成的，尽管建立在多种误差的空间相关性基础之上的基线解算理论削除或消弱了强相关性误差，但单测站的质量对基线的解算的影响仍然存在，扔不能忽视构成独立基线两测站的数据质量。单测站质量对基线的影响应该包括基线解算的精度、可靠性、模糊度搜索域等多个方面。通过提高单测站的数据质量来提高基线解算的质量或可靠性有一定的可行性。为此，可通过大量实验分析基于单测站GPS原始数据预处理对基线解算的影响。对单测站质量对基线结算精度和可靠性进行客观评价分析，并采用不同数据预处理方法对构成基线的两测站数据进行处理，将处理前后的数据进行对比、分析、评价，发现其规律性，来得出结论。为此，可采用小波变换的理论方法对单测站GPS原始数据预处理，并进行深入研究，寻求基线解算最佳途径。

既然单测站的GPS数据预处理具有极其重要的现实意义，有效的GPS数据预处理理论及其软件对于提高GPS解算的精度、缩短GPS观测时间、降低对GPS观测环境的要求和降低观测成本具有重要的现实意义，有利于促进GPS更广泛应用，同时对GNSS卫星导航系统以及北斗卫星导航系统的数据处理也有一定的参考价值。

4 小波分析法应用的局限性

国内外专家学者，如Collin F.&Warant R.、E.M. de Souza、朱习军、黄德武、何海波、刘旭春等，应用小波分析的相关理论方法预进行数据处理、基线解算，分析研究多路径效应等对数据质量影响，得到了有益结论，取得了良好效果。但是还存在一些问题和不足。当基线比较长时，两测站的相关性降低，单测站数据预处理的方法对长基线解算质量的影响程度仍不清楚，缺少相关的实验数据，研究仍不够深入；结合不同的小波分析策略，不同的预处理模式，对基线解算质量的影响程度仍不能确定，缺少实验依据。

因此，小波分析法在GPS数据处理中的应用仍然受到很大限制，不能完全发挥小波分析理论强大的分析优势，有待于科研工作者进一步实验研究，进一步探讨新的数据预处理算法。

5 结语

如何将小波分析理论灵活运用于GPS数据处理的应用中，克服现实中观测数据的不足，满足高精度相对定位的需求，使小波分析理论充分发挥其技术优势，将GPS技术得到更广泛的应用，是当前需要解决的技术问题，仍然具有继续研究的价值与意义。

参考文献

[1] Collin F.&Warant.Application of the wavelet transform for GPS cycle slip correction and comparison with Kalman filter[J].Manuscripta Geodaetica，1995，20：161-172.

[2] E.M. de Souza，Wavelet Shrinkage：High frequency multipath reduction from GPS relative positioning[J].GPS Solution，2004，8：152-159.

[3] 朱习军，胡建国，郭金运.第二代小波在减少多路径效应方面的应用研究[J].工程勘察，2006，9：71-74.

测算方法论文篇（5）

中图分类号：TN929.5 文献标识码：A 文章编号：1674-098X（2016）09（a）-0178-02

目前基站的电磁辐射计算都是基于电磁辐射体为点源的理论公式，而实际测量结果往往与理论计算结果相差很大。因此，该文基于数学分析方法对移动通信基站电磁辐射实际测量结果进行建模，通过模拟得出的经验公式帮助工程计算。

1 理论计算和实际测量

1.1 理论计算

根据《辐射环境保护管理导则――电磁辐射监测仪器和方法》（HJ/T10.2-1996），功率密度S按照

（1）

其中，S楣β拭芏龋W/m2；取单个项目的贡献管理限值0.08 W/m2。P为天线口功率，W；G为天线增益，倍数；d为离天线直线距离，m。

以某种型号的基站为例，其天线详细参数为：频段935～954 MHz，载频数为4，天线挂高40 m，0°俯角，增益15.5dBi，15W/载频。

根据公式（1），代入相关参数，得到A基站T型号天线的功率密度理论计算值，距离天线2 m、4 m、8 m、12 m、16m、20 m、24 m具体数值分别为（单位：×10-2 W/m2）：671.59、167.90、41.97、18.66、10.49、6.72、4.66。

1.2 实际测量

按照《辐射环境保护管理导则-电磁辐射监测仪器和方法》（HJ/T10.2-1996）、《移动通信基站电磁辐射环境监测方法》（试行）及仪器操作规程对A基站T型号天线进行实际测量。

测量时间：上午10：00～11：00；天气：晴好；测量仪器：NBM-550型综合场强仪，探头型号为EF0391，量程为100 kHz～3 GHz，在检定有效期内。距离天线2 m、4 m、8 m、12 m、16 m、20 m、24 m的具体测量结果分别为（单位：×10-2 W/m2）：420.85、123.98、31.84、17.91、13.29、6.88、4.53。

1.3 对比分析

通过对比，可以看出理论计算与实际测量值之间存在巨大差异。这是由于理论计算值是按照天线主瓣方向进行预测，而实际测量时，限于实际情况，测点位置往往不在主瓣范围之内，因此实际测量值与理论预测值相差很大。

随着距离的增大，因为电磁辐射和距离的平方成反比，电磁场能量迅速减弱，因此，距离天线越远，理论预测值与实际测量值越来越接近。

2 数值分析建模

由于工程实际需要，可以用数值分析的方法来模拟建立符合实际测量值的模型，从而解决未测量点的预测问题。

2.1 插值法

由于实际测量结果是趋于收敛的，因此，首先考虑使用插值多项式建模[1]。根据实测数据，采用Newton插值法[2]，利用距离天线2 m、4 m、8 m和12 m，4个点位数据作为节点数据，则根据Newton插值法计算差商，可得模拟多项式N（x）=420.85-148.435（x-2）+20.9（x-2）（x-4）-1.84559375（x-2）（x-4）（x-8）。代入x=20进行检验，则N（20）=-2610.1736，与实际测量值6.88明显不符。

原因分析：由于高次插值的Runge现象，即在零点附近逼近程度较好，在其他地方误差就很大，因此，Newton插值法不适用。

2.2 逼近法

根据实测值和预测值的曲线，采用最佳平方逼近的最小二乘法[3]进行拟合。

根据数据，初步判别可采用y=axb函数建模，其中功率密度为y，与天线的距离为x。将实际测量结果进行转换，y=lny、x=lnx。将由于y=axb两边取自然对数，则y=a0+a1X，因此，其正规方程组为。其中s0，s1Xi，s2Xi2，T0Yi，T1XiTi。

3 对比分析

将该基站的理论预测值、实际测量值和拟合函数算值进行对比，如图1所示。

通过对比，可以很明显地看出，拟合函数算值与实测结果两条曲线基本是重合的，因此，采用最小二乘法对实际测量结果进行建模是可行的。

4 结语

在实际工作中，可以只测量基站一条直线方向4个点位的电磁辐射数值，利用最小二乘法对其进行建模，从而达到掌握该方向上实际电磁辐射分布的目的，这不仅大大减少了工作量，也为进一步探究基站周围电磁场分布提供了一个新思路。

参考文献

测算方法论文篇（6）

中图分类号TN94 文献标识码A 文章编号 1674-6708（2013）108-0211-02

随着社会教育学家和相关研究专家们对现代教育体系和心理学健康教育体系的不断探索和研究，心理学理论思想和心理健康逐渐引起了人们的重视，尤其是现代社会，学习、工作生活压力大，不少人因为无法承受压力而产生一系列精神和心理问题。此时心理学健康知识则在这一方面起到了缓解的作用。而现代计算机信息技术的发展则有助于人们更加深入的探讨心理动态测验方法，同时也能研究出利用计算机技术，结合心理学和行为学知识形成较为成熟和科学的心理测评体系。这些方法和系统能够充分应用到现代高效教育行业中，能够充分用到现代心理医疗体系里，也可以用到各种打击违法犯罪的行动中等等等等，可以说，其应用前景非常广阔，因此，相关学者和研究专家们纷纷展开了对计算机心理动态测验方法和测评系统的讨论和研究。下面文章就对此进行分析，希望能够起到抛砖引玉之效。

1 计算机心理动态测验方法概述

所谓的心理测验就是对度量人员的心理特征进行描述的方法，心理测验最早起源于1884年，经过这么多年的发展，心理测验已经成为大家认可的人员心理诊断和选材的重要方法。心理动态测验则是反映目标一直处于变化过程中，而其目标反映的信息也是不断调整的。计算机技术和电子信息技术的发展促进了心理测验的发展，心理测验逐渐从传统的静态心理测验发展到现在的计算机心理动态测验，这一动态心理测验方法能够大大提高其测验的准确程度和测验的广泛度。

计算机心理动态测验方法主要是利用计算机设置相应的程序反应模式和高度的模仿性来模拟一些虚拟测验和任务，从而反映和记录目标人员的各种心理变化信息，有利于人们更好的捕捉当事人的各种情绪反应。计算机心理动态测验方法有很多，文章简要介绍广泛使用的两种基本方法，也就是计算机内田克莱佩林心理测验方法和JSD计算机心理测验方法。

计算机内田克莱佩林心理测验方法：选定目标人员，让他们进行连续30或者更高时间以上的连续加法的作业任务方法，然后在计算机上面进行操作，根据目标人员的上交作业的结果和相应的规律来分析目标人员的一种心理活动的方法。这种心理动态的测验方法能够充分反映目标人物的心理活动。此方法不受目标人的地区差异、文化差异和学历教育差异的影响，能够综合反映人心理活动的共同特征和规律。

JSD计算机心理动态测验方法：选定相关测试人员后，在计算机上面会出现很多数字的界面，然后测试人员通过比较相邻两个数值的大小，设定大就敲键盘“1”，小就敲键盘“2”，然后连续进行一定的时间，这种通过逻辑判断和数值比大小的方法充分避开了教育和计算机熟练操作程度的影响。可以说，这种计算机心理测验方法的操作越简单，其反映的心理活动信息也就越接近真实。

计算机心理动态测验方法还有很多，但是综合来看，都能够最大程度上避开其他客观因素，如人为差误、教育文化等等差误，这种反应信息的自动化和科学化有利于现代心理学家们更好的研究人物心理，而其研究成果也能更好的应用到心理咨询和心理测试中。

2 心理测评体系的研究

所谓的心理测评体系就是根据心理学知识理论在计算机上设定相应的程序任务，然后对测试人员的操作进行量化计算，最后根据合适的测量比对表来反映信息的系统。心理测评体系主要包括测验目标（测验对象和测验用途）、测验性质（测验参照模式）、测验任务内容、测验指标、测验结果的标准处理、测验结果的技术分析和比对鉴定、测验结论等等内容。而其中心理测验目标就是要明确测验对象，如成年人、工人等等，而测验用途则要明确是用于心理咨询还是专业确定。心理测验性质有常规模式和标准参照模式，测验内容、指标则依照其用途和目的来选定。心理测验结果的技术分析和鉴定主要是评价其测验结果的可信度、有效度以及任务的难度和区分度。这些技术指标都有相关计算规律和公式。最后心理测量结果则要配备相应的测验实施的注意事项、测量标准答案、计量方式、常模和技术指标的相关资料、以及解释结果的原则方法等等。

以上这些就是心理测评系统中的基本内容，从现在的心理测评系统和模式来看，目前心理学界主要有几种模式系统：消除人类心理疾病的医学心理咨询测评系统模式、改善社会人士心理障碍的心理测评系统模式、解决某一层面专业心理问题的测评系统模式以及个别对象自我发展的心理辅导测评系统模式。目前我国应用比较广泛的是心理咨询和心理咨询辅导的系统模式。这种方法模式偏于解决现代社会人们的心理健康问题，偏向于被动解决问题，目前已经在心理健康方面发挥了重要的作用。相信随着现代信息技术的发展，以后的心理测评系统将会更为专业、更为精细和准确，其心理测评也会逐渐扩大其应用范围，也会慢慢向着预防模式方向发展，从而能更好的造福人类。

3结论

综上所述，不难看出现代电子信息技术和计算机技术能够微妙的反映出人们的心理动态，而通过使用合适的心理测评系统则能够让人们充分的抓获不同阶段和不懂媒介下人们的心理，相关专家和心理学家通过对这些测验数据的研究分析和比对，有利于心理学家以后准确的判定不同的心理变化，有利于心理咨询事业的远程化、电子化以及心理测试仪器等等设备的发展和进步。可以说，通过现在专家和研究学者们的不懈努力，未来的心理测验方法和系统的应用将会更为广泛而深入，而起发挥的作用也会不可估量。

参考文献

[1]王璇，裴丽鹊.基于数据挖掘的大学生心理测评系统设计与实现[J].兰州工业高等专科学校学报，2011（8）.

测算方法论文篇（7）

中图分类号：TN957.5 文献标识码：A 文章编号：1007-9416（2016）10-0134-01

在SAR技术中，其本身存在着检测、鉴别和分类三阶段的SAR数据处理程序，这也使得其在应用中能够拥有较好的精度与速度。在SAR技术应用的大场景高分辨率SAR图像的检测中，CFAR也就是恒虚警率算法是SAR图像检测的一种有效算法。笔者将在下文中提出一种CFAR 检测快速算法的基本框架，希望能够更好的实现CFAR检测算法在SAR图像中的应用。

1 快速算法研究现状

在对各种SAR图像CFAR检测的快速算法研究中，我们可以得知采用滑动窗口的自适应阈值CFAR算法计算，计算量将主要集中在大量背景杂波像素处与局部背景杂波自身的分布参数处。其中，在大量背景杂波像素处的研究中，该处的快速算法旨在避免每个像素点发生的复杂计算，加拿大海洋监视工作站所采用的系统检测算法，就通过对每一幅图像的分割，较好的实现了这一构思，而在这一系统中采用的全局阈值的CFAR检测算法，相较于传统的双参数CFAR算法，也具备着较强的运算速度优势，不过全局阈值的CFAR检测算法场景变化负责时失配严重的理论缺陷，所以只有两种算法共同使用才能够发挥较好的应用效果。而在对大量背景杂波像素处的研究中，潘卓等提出了一种基于聚类的SAR图像快速目标检测算法，这种算法我们可以将其看成是一种初始聚类，而由于其采用了经典的双参数CFAR算法对目标区域进行精细检测，这也使得其在运用中能够发挥较好的效果[1]。

而在对局部背景杂波自身的分布⑹处的快速算法研究中，主要需要解决减少滑窗内杂波数据统计量的计算量以及减少杂波模型参数估计的计算量两方面的问题，为此这一阶段的工作将主要集中在计算滑窗内杂波数据的统计量方面。由于传统CFAR算法存在的大量重复计算，而为了解决这一问题，我们就可以通过迭代计算相邻像素的杂波数据统计量，真正实现快速算法的要求。在相关研究中，Sun等人根据前人的构思，提出了一种OS-CFAR检测器的快速实现方法，这一实现方法相较于以往众人提出的构思与不完善的设想有着具体的操作流程，这就为局部背景杂波自身的分布参数处的快速算法研究提供了有利基础。

2 CFAR检测快速算法基本框架

经过上文的论述我们不难看出快速预筛选和迭代计算在SAR图像CFAR检测快速算法中所能够发挥的重要效用，笔者所提出的CFAR检测快速算法框架本身也是基于这两方面技术所实现的。在笔者所设计的CFAR检测快速算法的基本框架中，这一框架能够通过对预先判断前一个像素点是否为潜在目标点，大大提高SAR图像CFAR检测的运算效率，避免以往的检测算法中大量周围滑窗内背景杂波数据的重复运算出现[2]。

3 实验方法与结果

为了能够对这一CFAR检测快速算法的基本框架的可行性与有效性进行检验，笔者选择了经典的高斯分布函数的双参数CFAR检测，并在虚警概率为1.0×10-5的情况下，在47.27s的运行时间中得到了如图1（a）所示的检测结果，这里我们就可以设Pt=0.01，继续应用高斯分布函数的双参数CFAR检测方法，并仍然采用钢管使用的虚警概率数值，笔者在0.58s的时间内得到了图1（a）与（b），通过这一结果我们能够明显发现，笔者提出的CFAR检测快速算法的基本框架不仅检测出了全部目标，还大大提高了运算速度，我们可以在这里宣布这种CFAR检测快速算法的基本框架的可行性与有效性。

4 结语

经过这一系列研究，我们了解到了快速预筛选处理方法的多种多样以及通过对滑窗内背景杂波数据的处理能够有效提高迭代计算方法效率这两方面的结论，希望这一结论能够对我国SAR图像CFAR检测的快速算法研究带来一定帮助。

参考文献

[1]陈祥，孙俊，尹奎英，于俊朋.基于CFAR级联的SAR图像舰船目标检测算法[J].现代雷达，2012（9）：50-54+58.

测算方法论文篇（8）

1.基于视频的车辆检测方法

车辆检测是交通图像监控系统的关键,而图像最基本的特征是边缘。所谓边缘是指其周围像素灰度有阶跃变化或屋顶状变化的那些像素的集合。边缘也可以定义为图像局部特性的不连续性。例如,灰度级的突变,纹理结构的突变等。边缘常常意味着一个区域的终结和另一个区域的开始。边缘信息对图像分析和人的视觉都是十分重要的。它是图像分割所依据的最重要的特征,也是纹理特征的重要信息源和形状特征的基础,而图像的纹理形状特征的提取又常常要依赖于图像分割。图像的边缘提取也是图像匹配的基础;因为它是位置的标志,对灰度的变化不敏感,它可作为图像匹配的特征点。

运动边缘的检测可通过计算图像在空间和时间上的差分获取。空间上的差分可用各种已有的边缘检测算法得到,这方面的算法研究已经很成熟, 可以应用现有的算法, 比如Sobel 、Roberts、Prewitt、Canny、拉普拉斯算子等,这些算子在算法复杂度以及效果上有很大的差别,一般的边缘检测方法是对原始车辆图像的每个像素考察它的某个邻域内灰度的变化,利用边缘邻近一阶或二阶方向导数变化规律检测边缘,例如基于微分的边缘检测算子,一阶微分算子有Roberts算子、Sobel算子、Prewitt算子、Canny算子等,二阶微分算子有拉普拉斯算子、Logo算子等。微分算子的一个明显缺点是对噪声较为敏感。由于原始图像往往含有各种噪声,所以用这类算子进行运动车辆边缘检测时常常会有困难,于是只能人为地根据实际情况选用合适的算子。

2.基于小波变换的边缘检测理论

从小波理论入手,构造适当的小波,从多尺度的角度,通过模极大值的方法提取其边缘这种方法可以取得较好的效果,但对选择小波有较为严格的要求。图像的二维小波变换可以分别在图像的行和列的方向上做一维小波变换来得到,在图像的二维小波变换中,为了便于计算,常用的是正交(或双正交),且具紧支撑和至少一阶消失矩的二进小波变换。

首先考虑连续小波变换,假设光滑函数 满足:

3.基于小波变换的边缘检测算法

下面在二进小波变换的基础上定义小波变换在每个尺度上的梯度方向和模:

由于小波变换的结果,通常使图像的能量集中在边缘附近,且在图像灰度值的突变点取得局部极大值,其小波模的极大值反映了边缘点的奇异性,所以通过小波变换可以检测出图像的边缘点。在不同尺度下作小波变换其实质就是用不同频率的带通滤波器对信号作滤波,因此把主要反映噪声频率的那些尺度的小波变换去掉,再把剩余各尺度的小波变换结合起来作反变换,就能得到较好地抑制了噪声的信号。对于图像的边缘检测,求模的局部极大值实质上就是求梯度向量模极大。求出该小波变换的模的局部极大值点,就可以找出图像的边缘点。

测算方法论文篇（9）

1.1投入产出指标体系

借鉴国外学术期刊知识交流效率测评文献及国内学术期刊评价领域权威学者苏新宁(2006，2008)［18－19］、邱均平(2010)［20］的研究经验，选取投入指标包括:期刊载文量［2－5，7－15］、平均引文量［4－5，12－15］、基金论文比［3－4］，期刊载文量反映学术期刊信息丰裕度和投入广度;篇均引文量衡量学术期刊科学交流程度和吸收外部信息能力，反映了学术期刊之间的交流密度。基金论文比衡量期刊载文学术质量。产出指标包括:总被引频次［5，7，11，15］、影响因子［3－4，9－10，12－15］、引用刊数［3－4，9－10，12－14］。总被引频次衡量学术期刊被使用和受重视的程度，影响因子衡量期刊学术影响力，引用刊数反映被评价期刊被引广度。鉴于随机前沿分析方法的单一产出特征，依据苏新宁(2006，2008)［19－20］、邱均平等(2010)［18］关于评价指标权重设置经验，本文将总被引频次、影响因子、引用刊数的权重系数分别设置为0.25、0.4、0.35，在归一化的基础上计算得到综合产出指数［20］，相关指标数据来源《中国科技期刊引证报告》。

1.2测度方法

超越对数生产函数(Trans－Log)考虑了投入要素二次项及交叉项之间相互影响，因此，本文采用超越对数生产函数的随机前沿模型［21］，如公式(1)、(2)所示:log(Yit=β0+β1ln(Pit)+β2ln(Rit)+β3ln(Fit)+0.5*β4ln(Pit)*ln(Pit)+0.5*β5ln(Rit)*ln(Rit)+0.5*β6ln(Fit)*ln(Fit)+β7ln(Pit)*ln(Rit)+β8ln(Pit)*ln(Fit)+β9ln(Rit)*ln(Fit)+vi－μi(1)Ei=exp(－μi)(2)Yit、Pit、Rit、Fit分别代表期刊i在第t年的总被引频次、期刊载文量、平均引文数、基金论文比，vi、μi分别代表随机误差、无效率。通过最大似然估计方法进行参数估计，利用参数γ=u2/(v2+u2)进行检验，γ的显著性程度来判断SFA方法的选取是否合理，γ的取值来反映随机前沿生产模型的设定形式是否理想。γ取值范围反映可控项管理因素与不可控项随机误差影响地位的变化，向1靠拢时说明管理因素逐步占主导影响地位，向0靠拢时说明随机误差逐步起主要作用。当γ=0时，表示不存在无效率项，此时无需使用SFA方法，直接使用最小二乘法进行参数估计［16］。Super－SBM模型由Tone［22］在2002年提出，该模型解决了多个为1的决策单元排序问题，也修正了未达到生产前沿面的决策单元松弛变量，可以避免角度和径向选择而引起的偏差。囿于篇幅，考虑到Super－SBM是较为成熟的模型，且SBM模型在学术期刊知识交流效率测度有见报道。因此，在此略去Super－SBM模型计算公式，具体计算步骤参照王惠(2017)［14］、储节旺(2015)［23］。

2知识交流效率测评

测算方法论文篇（10）

绪论：增强现实技术（Augmented Reality，以下简称 AR）是随着虚拟现实（Virtualreality，以下简称 VR）技术发展起来的一种新技术。碰撞检测算法作为虚拟现实（Virtual Reality，VR）领域中的一个重要组成部分，其主要作用是判断虚拟空间中的两个物体是否共享了部分空间。

通过对 VR 进行建模，构成虚拟景物，并融入真实场景或物体，从而呈现给用户一个虚拟对象与真实环境融为一体的增强现实环境，扩展了虚拟现实应用。虽然目前 AR 技术已应用到娱乐、训练、医疗和教育等各个方面，但目前 AR的进一步应用还是受到虚实交互相关的关键技术研究的限制。虚实交互技术指的是在 AR应用中，虚拟物体与真实场景、物体或交互工具间的交互技术。

碰撞检测算法作为虚拟现实（Virtual Reality，VR）领域中的一个重要组成部分，其主要作用是判断虚拟空间中的两个物体是否共享了部分空间。随着 VR 及其子领域增强现实（Augmented Reality，AR）的快速发展，人们对虚拟场景的真实感要求越来越高，能够满足实时性和精确性的快速碰撞检测算法成为了研究热点，其中基于包围盒的碰撞检测算法尤为受到关注。在 AR 中，由于虚拟场景混合在真实世界中，更需要实时的碰撞检测以保证逼真效果。本文对基于包围盒的碰撞检测算法做了深入研究，提出了一种改进的高效算法;基于本文提出的高效碰撞检测算法实现了若干具有交互性的增强现实应用。

（1）综合分析了各种包围盒的特点，特别是 Sphere 包围盒和 OBB 包围盒的构造过程;深入研究了 Sphere 和 OBB 结合形成的混合包围盒层次结构，以及基于这种混合结构的刚体间的碰撞检测算法。

（2）分析和研究了增强现实开发包 ARToolKit，利用本文提出的高效碰撞检测算法在 ARToolKit 中设计并实现了一种简单的交互功能;结合开源的物理引擎 ODE 和本文提出的碰撞检测算法，基于 ARtoolKit 开发包设计并实现了高尔夫球运动中的推杆过程的具有交互性效果的增强现实模拟应用，程序运行结果显示，增强现实效果明显，交互性比较强，这些应用显示了算法的稳定性和可用性，并展现了增强现实的应用前景和吸引力。

（3）提出利用 AIS 算法检测 AR 应用中是否有虚拟与实际物体在交互过程发生碰撞;提出了 AR 碰撞后虚拟物体响应变形的体素 CA 变形模型（VoxelDeformation Cellular Automata， 以下简称 VDCA）。AR 碰撞检测技术包括在 AR应用中检测虚实碰撞事件的发生并在碰撞发生后进行快速碰撞响应。无论是检测碰撞的发生还是对于碰撞的响应，都要求实时处理，对于碰撞响应，更要求有较快的实时渲染算法。由于 AIS 算法具有分类精确，对于原始数据维数与其它要求不敏感等特点，因此，本文对于碰撞检测中的快速高维数据处理的难题，创新地引入了启发式的算法 AIS，建立调整相关 AIS CD 的实时处理模型，很好地解决了AR 应用中虚拟与实际物体交互中的碰撞检测发生的检测问题，并进行了仿真分析。

二、碰撞检测及算法

碰撞检测是用于判断若干物体在某一时刻是否占有相同区域的技术，它在CAD/CAM、计算机图形学、3D 游戏、机器人、虚拟现实和计算机仿真等领域中都非常重要。譬如，在增强现实系统中，由于虚拟场景和真实世界混合在一起，为了避免用户产生视觉错乱，碰撞检测技术就必不可少。由于其重要性，在数十年的碰撞检测算法研究过程中，人们提出了非常多的方法。当前，研究最多、最优秀的显然是包围盒分层结构法。

在基于包围盒的碰撞检测算法中，RAPID非常重要，该算法的提出者创新地提出并优化了用于 OBB 相交测试的分离轴测试法，简化了 OBB 包围盒的简单性，从而可以利用 OBB 的紧密性构建出实用的 OBB 层次包围盒树和相应的碰撞检测算法，并吸引更多研究者加入基于 OBB 的碰撞检测算法研究当中，这其中包括 SAT lite 算法和 Dual算法的作者们。其中，Dual 算法的提出比较晚，其文献于 2010 年发表在 Computer-Aided Design 学报上，因此本章提出的改进算法主要与 RAPID 和 Dual算法做性能比较。

包围盒的主要类型有球包围盒（Sphere）、轴对齐包围盒（AABB）、方向包围盒（OBB）、离散方向多面体（k-dops）和固定方向凸包（FDH）。球包围盒和轴对齐包围盒的简单性好，与之相反，方向包围盒和固定方向凸包简单性差但紧密性好。离散方向多面比较特殊，它的这两个特性有一定的折衷。目前，开始有一些研究采用混合包围盒来同时获得好的紧密性和简单性，如 J.W. Chang 等人提出的 Dual 算法。

与 Dual 算法类似，本文算法基于 Sphere-OBB 混合结构并致力于降低 RAPID算法的 Cv，也就是改善 OBB 的简单性。但本文算法相比 Dual 算法，其 Nv增加（与RAPID 相比）的更少，Cv也降低了更多。本章算法的切入点是 Dual 算法失灵的地方，即 OBB 各个边长一样长以及长短差别不大的情形。在这种情况下，Dual 算法的 OBB相交测试的精确性下降较大甚至很低。而本文的算法根据两 OBB 的相对方向信息，在很大概率上推导出能分离 OBB 的分离轴，从而解决 Dual 算法的缺陷，特别是对于OBB 各边长度差别不大的情形。

尽管越来越多的文献在致力于各种更实用的碰撞检测算的研究，例如多核并行环境下的、基于 GPU的以及物体可变形的等等，但是研究刚体间的纯粹的碰撞检测算法仍有价值，因为很多其他各种形式的碰撞检测算法本质上仍基于这些基本的算法。

三、 基于包围盒的碰撞检测算法研究现状

层次包围盒树（Bounding Volume Hierarchy）技术的主要思想是利用一个简单的几3何体将比较复杂的虚拟物体包围住，并分层次从整体到局部建立包围盒的树状结构;当检测两个已建立层次包围盒树的物体是否碰撞时，首先检查两个物体的顶层包围盒是否相交，若不相交，则判定两个物体未碰撞，否则再对次级包围盒进行相交测试，直到叶子节点，即最底层的包围盒所包围的构成物体的基本几何元素。因为包围盒之间的相交测试相对比较简单，且不相交的包围盒，其较低层次的包围盒之间以及对应的基本几何元素之间肯定不相交，所以这种方法可以快速排除很多不需要检测的基本几何元素，从而大大加快碰撞检测的速度。基于层次包围盒结构的碰撞检测算法的时间复杂度可以由概括性的公式（1.1）来表示：

T= Nv × Cv + Np × Cp （1.1）

式中各个参数的含义如下：

T：算法执行的总时间，Nv：包围盒相交检测总对数，Cv：包围盒相交检测平均花费的时间，Np：组成虚拟物体的基本图元的相交检测总对数，Cp：图元对相交检测平均花费的时间。Nv 和 Np与包围盒的紧密性（tightness）相关，而 Cv与包围盒的简单性（simplicity）相关。因此，算法的时间复杂度与建立层次树所使用的包围盒的紧密性和简单性有很大关系。包围盒的主要类型有包围球（Sphere）、轴向包围盒（Aligned Axis Bounding Box，AABB）、方向包围盒（Oriented Bounding Box，OBB）、k-dops（Discrete OrientationPolytopes）包围盒和固定方向凸包（Fixed Direction Hull，FDH）等。

其中，Sphere和 AABB的简单性相对较好，但是紧密性比较差;与之相反，OBB和 FDH的简单性比较差但紧密性好。k-dops则比较特殊，它的这两个特性的好坏取决于 k 的取值，是有弹性变化的，一般来说 k 越大，紧密性越好，复杂性也越高，选择合适的k 值才能实现较好的综合性能。各种包围盒均有一定的优势和缺点，都不能适用于所有场合，因此有必要结合多种包围盒的优点来构建混合层次包围盒树，以进一步提高碰撞检测算法的速度。由于物体旋转时 Sphere 包围盒不需要更新，因此这也是它的一个优势之一;OBB 包围盒紧密性比较好，降低它的相交测试复杂性可以成为一个研究方向。

近年来出现了将 Sphere 和 OBB 相结合的做法，可以同时利用 Sphere 的简单性和 OBB 的紧密性以获得更好的综合性能，如：Jung-Woo Chang提出的 Dual 算法同时利用了 Sphere 和 OBB。本文的改进算法亦基于此，并致力于简化 OBB 相交测试。Gottschalk S最先在 RAPID 算法中提出了基于分离轴测试的 OBB 相交测算法，极大地增加了基于 OBB 的碰撞检测算法的适用范围。Van Den Bergen和 Jung-Woo Chang等人分别提出了针对分离轴测试的改进算法，其核心是相比 RAPID 算法，牺牲 OBB 相交测试结果的精确性，换取测试过程的简单性。

Van Den Bergen 提出的算法称为 SAT lite，其算法在进行 OBB 相交测试时仅仅在6 个方向向量上进行分离轴测试，其算法速度比 RAPID 算法有所提高。Jung-Woo Chang 提出的 Dual 算法利用了 Sphere-OBB 混合结构，在 OBB 相交测试中，只使用长度较短的 5 个轴进行分离轴测试。Dual 算法与 SAT lite 相比，其 Cv有所增加，而 Nv有所减少，总体性能高于 RAPID 和 SAT lite 算法。

静态碰撞检测是指某一时刻针对物体进行的一次碰撞检测，在一个动态虚拟环境中，一般隔一定的时间段进行一次静态碰撞检测，这称为离散碰撞检测算法。离散碰撞检测算法存在漏检和穿刺等问题，需要通过一些优化方法来消除或降低这些问题所产生的影响，如自适应步长法、回退法等。连续碰撞检测算法可以更好地解决这些问题，但是这类算法的计算速度比较慢，特别是在大规模虚拟场景中很难实现实时的碰撞检测;因此，虽然离散碰撞检测算法存在一些缺陷，但由于其速度较快，能够实现较好的实时性需求，目前仍是碰撞检测研究领域的热点。而离散碰撞检测算法是基于静态碰撞检测的，因此提高刚体间的静态碰撞检测速度仍非常有价值。

四、利用增强现实展现碰撞检测算法的测试过程

非一个增强现实应用，只是利用增强现实的与真实世界融为一体的特殊效果来展现碰撞检测算法性能的测试过程。传统的碰撞检测算法的测试，如第三章所叙述的，在测试过程中，只能看到很多数字，即便用图形系统渲染出来，也只能在屏幕上看到平面效果，而且无法随意地切换角度观察物体的距离和相互之间的方位。本节使用增强现实开发包 ARToolKit 将用于测试碰撞检测算法性能的两个虚拟物体注册到标识物上，而测试用的位姿数据则先于注册位姿矩阵 M 与虚拟物体作用，在 OpenGL 渲染系统中，即先将测试用位姿矩阵压入模型视图矩阵堆栈，再将注册位姿矩阵 M 压入模型视图矩阵堆栈。这涉及到 ARToolKit 与 Benchmark 程序的结合 过程：

首先Benchmark 程序从文件中获取物体的三角面片信息和测试用的位姿数据，并更新物体的状态;然后，ARToolKit 从 Benchmark 中获取物体的信息，并使用位姿信息进行渲染; Benchmark 将物体之间是否发生碰撞和使用被测试的碰撞检测算法测试当前状态的物体所花费的时间以及其他数据发送给 ARToolKit;最后：ARToolKit 将测试结果信息显示出来。

参考文献：