下载文档原格式
数学模型实验—实验报告3 学院： 河北大学工商学院 专 业： 电气七班 姓 名： 李青青学号： 98 实验时间： 2014/4/15 实验地点： B3-301一、实验项目：传染病模型求解二、实验目的和要求a. 求解微分方程的解析解b. 求解微分方程的数值解三、实验内容1.用Matlab 求解SI 和SIS 模型的解析解。
d (1)d (0)i i i ti i λ=-= SI 模型 程序中a=，y=i>> y=dsolve('Dy=a*(y-y^2)','y(0)=y0')y =1/(1-exp(-a*t)*(-1+y0)/y0)画图：SI 模型的i ——t 曲线设=1，i(0)=0.1>> y=dsolve('Dy=y-y^2','y(0)=0.1')y =1/(1+9*exp(-t))>> x=0:0.01:13; >> y=1./(1+9.*exp(-x));>> plot(x,y)>> title('SI 模型的i~t 曲线')>> xlabel('t');>> ylabel('i');>> axis([0 13 0 1.1]);当a=2，同理得图a 代表到达最大点的程度当y0=1时得由图知y 代表变化曲线d 1[(1)]d (0)i i i t i i λσ=---= SIS 模型程序中程序中a=，b 即μ，y=i(σ>1)得出λ=0.51,μ=0.6，i(0)=0.02 (σ<1)由上面两个图可知，σ>1与 σ<1的图形方向相反。
2. 用Matlab 求解SIR 模型的数值解。
00d d d d (0),(0)i si i ts si ti i s s λμλ=-=-== SIR 模型 程序中a=λ=1,b=μ=0.3，i(0)=0.02,s(0)=0.98.m 文件中命令行中：绘制健康者,病人和移出者的曲线：取定参数值,绘制健康者,病人和移出者的曲线以及健康者-病人的相轨线. 参考教材内容P140.。
收稿日期:2017-11-21 修回日期:2018-03-22 网络出版时间:2018-05-28基金项目:海南省自然科学基金项目(20166234);海南省高等学校科学研究项目(Hnky 2017-57);三亚市院地合作项目(2015YD 47)作者简介:李社蕾(1979-),女,硕士,副教授,研究方向为智能算法㊁数字图像处理㊂网络出版地址:http :// /kcms /detail /61.1450.TP.20180525.1603.048.html基于暗原色先验模型的水下图像增强算法李社蕾1,李海涛2,崔聪颖1(1.三亚学院信息与智能工程学院,海南三亚572022;2.92961部队,海南三亚572021)摘 要:针对在水下环境中,由于光的散射和衰减导致的图像对比度低㊁颜色失真等问题,提出了一种暗原色先验模型和基于统计方法的颜色校正算法相结合的图像增强新方法㊂该方法根据水下彩色图像成像模型,首先利用暗原色先验算法对水下彩色图像进行去模糊处理,并针对大水深情况下获取水下图像时因使用人工照明而造成的水下彩色图像亮度不均匀问题,对暗原色先验模型中背景光强度A 值的估计方法进行改进;然后利用统计方法对水下彩色图像的R ㊁G 和B 三个颜色通道分别进行颜色校正,从而实现了水下图像色彩的整体校正㊂实验结果表明,该方法有效增强了水下彩色图像的对比度和亮度,消除了由于光的散射而造成的图像模糊,使水下彩色图像具有更好的可视性㊂关键词:水下图像;颜色校正;图像增强;暗原色先验;图像处理中图分类号:TP 391.4 文献标识码:A 文章编号:1673-629X (2018)10-0070-04doi :10.3969/j.issn.1673-629X.2018.10.014Underwater Image Enhancement Algorithm Based on DarkChannel Prior ModelLI She -lei 1,LI Hai -tao 2,CUI Cong -ying 1(1.School of Information &Intelligence Engineering ,Sanya University ,Sanya 572022,China ;2.The 92961Unit of PLA ,Sanya 572021,China )Abstract :Aiming at the problem of low image contrast and color distortion in the underwater environment caused by scattering and atten⁃uation of light ,we propose a novel method of image enhancement based on the combination of a dark channel priori model and a color correction algorithm based on statistical method.According to the imaging model of underwater color image ,firstly the dark channel prior algorithm is used to de -blur the image ,and for the uneven brightness of underwater color image caused by artificial lighting in deep wa⁃ter ,the estimation method of the background light intensity A in the dark channel priori model is improved.Then the color correction of the three color channels ,namely R ,G and B ,are respectively carried out by statistical method ,thus realizing the overall correction of un⁃derwater image color.The experiment shows that the proposed method can effectively enhance the contrast and brightness of underwater color images and eliminate the image blurring caused by light scattering ,which makes the underwater color images have better visibility.Key words :underwater image ;color correction ;image enhancement ;dark channel prior ;image processing0 引 言神秘的水下世界包含丰富的资源,作为水下探测的重要手段,数字图像处理可以直观地反映水下场景[1-4]㊂由于水下成像过程中水体吸收和散射的影响以及不同波长的光的变化衰减导致水下图像的退化,使得水下图像出现画质模糊,对比度低㊁颜色失真等问题㊂因此水下图像增强和恢复的研究具有很重要的意义,单个水下图像的增强和恢复已成为研究热点㊂2009年,何凯明博士[5]提出了基于暗通道先验理论的图像去雾算法,取得了非常好的去雾效果;2014年,文献[1]利用基于暗通道先验理论的图像去雾算法对图像进行去模糊,然后引入白平衡的方法对水下图像颜色进行校正;2015年,Galdran 等[6]对暗通道先验模型进行变形,提出了自动红通道水下图像复原方法,并通过引入图像的饱和度信息来去除人造光源的影响,取得了一定的复原效果㊂2016年,文献[7]提出了G 和B 两个通道利用类似暗原色先验的方法进行去雾,然后对R 通道通过白平衡的方法进行颜色校正,取得了第28卷 第10期2018年10月 计算机技术与发展COMPUTER TECHNOLOGY AND DEVELOPMENT Vol.28 No.10Oct. 2018一定的水下图像增强效果㊂2016年,文献[8]在暗原色先验模型的基础上,利用直方图的统计特性估计水体光强,并在求透射率时,对暗通道进行双边滤波,利用灰度值的线性拉伸进行了颜色校正㊂该方法取得了良好的效果,但是易出现颜色过于艳丽㊁失真等情况㊂在上述研究的基础上,文中提出了一种暗原色先验模型和基于统计方法的颜色校正算法相结合的图像增强新方法㊂根据水下彩色图像成像模型,首先利用暗原色先验算法对图像进行去模糊,针对下光照特点对背景光强度A的估计方法进行了改进;然后对分别对水下彩色图像的R㊁G和B三个通道利用统计的方法进行颜色校正㊂1 暗原色先验模型去雾的原理1.1 暗原色先验模型暗原色先验(dark channel prior)指在绝大部分非天空的局部区域里,某些像素总会有至少一个颜色通道具有很低的值,即该区域光强度的最小值是个很小的数㊂这是何凯明博士统计了5000多幅户外无雾图像特征得出的规律㊂暗通道一个数学定义表示为: J dark(x)=min y∈Ω(x)[min c∈(r,g,b)J c(y)](1)其中,J c表示输入彩色图像J的每个颜色通道;Ω(x)表示图像J中以像素x为中心的一个窗口;J dark 表示J的暗通道,且暗颜色先验的理论指出:J dark(x)→0 (2) 1.2 基于暗原色先验的去雾方法(1)大气散射理论模型㊂根据Mie氏散射理论,Nayar等[9-11]总结出了大气散射理论模型㊂在计算机视觉和计算机图形领域,大气散射理论常用来描述图像的雾㊁霾等悬浮颗粒的干扰,可以简化为:I(x)=J(x)t(x)+A[1-t(x)] (3)其中,I(x)为原始输入图像(即有雾图像);J(x)为物体的反射光(即无雾图像);A为全球大气光强度;t(x)为介质透射率㊂在简化后的模型中,已知条件I(x),图像去雾的目的是通过估计A和t(x),求解J(x),即得到去雾的清晰图像㊂式3可变形为:I c(x)A c=t(x)J c(x)A c+1-t(x)(4)其中,c∈(r,g,b),r,g,b为三个颜色通道㊂(2)透射率的估计㊂根据暗通道先验模型,假设在每个窗口内透射率t(x)为常数,将其定义为⎺t(x),并且A值已确定,然后对上式两边求两次最小值得到:min y∈Ω(x)[min c I c(y)A c]=⎺t(x)min y∈Ω(x)[min c J c(y)A c]+1-⎺t(x)(5)其中,J是待求的无雾图像,由暗原色先验理论可得:J dark(x)=min y∈Ω(x)[min c∈(r,g,b)J c(y)]=0(6)则有:min y∈Ω(x)[min c∈(r,g,b)J c(y)A c]=0(7)将上式带入式5,得到介质透射率⎺t(x)的预估值:⎺t(x)=1-min y∈Ω(x)[min c I c(y)A c](8)在现实生活中,即使天气晴朗,空气中也存在一些颗粒,一定程度雾的存在让人类感到景深的存在,在式8中引入一个因子ω∈[0,1],让图像保留一定程度的雾,则式8可修正为:⎺t(x)=1-ωmin y∈Ω(x)[min c I c(y)A c](9) (3)大气光强度值A的估计[5]㊂大气光强度值A的估计是借助于暗通道图像从原始有雾图像中获取,具体步骤如下:首先,从暗通道图中按照亮度的大小提取最亮的前0.1%像素,确定其所在位置;然后,在原始有雾图像I中寻找对应位置上具有最高亮度点的值,并将该值作为A的值㊂(4)图像去雾㊂根据式4㊁式9以及A的值,可以求解J(x):J(x)=I(x)-At(x)+A(10)其中,当t(x)很小时,则J值偏大,导致图像整体向白场过渡㊂这里设置一个阈值t0,当t(x)<t0时,令t=t0,式10可修正为:J(x)=I(x)-Amax[t(x),t0]+A (11) 2 改进的暗原色先验模型水下图像增强算法(1)水成像理论模型㊂2012年,Chiang等[12]构建了水下成像模型,该模型和大气成像模型具有相似性,其本质区别在于光在水下传播时,不同频率的颜色分量具有不同的衰减率㊂在改进方法中,在颜色校正阶段处理该问题,水下成像模型定义为:Ic(x)=J c(x)t c(x)+(1-t c(x))A c(12)其中,c∈(r,g,b),r,g,b为三个颜色通道; Ic(x)为原始输入图像(即水下采集图像);J c(x)为物体的反射光(即期待的水下清晰图像);A c为背景光强度;t c(x)为介质透射率㊂透射率的估计最终结果仍为:㊃17㊃ 第10期 李社蕾等:基于暗原色先验模型的水下图像增强算法⎺t(x)=1-ωmin y∈Ω(x)[min c I c(y)A c](13) (2)水体光值的估计㊂文献[5]借助于暗通道图像从原始有雾图像中获取背景光A,在水下由于没有自然光照射,获取水下图像大多需要使用人工照明,不能保证图片光照的均匀,就会造成图像亮度不均匀,在水下图片中靠近光源的部分要比远离光源的部分亮很多㊂假如使用原始暗原色方法中利用暗原色值中的最大值来作为背景光那么无疑这个数值要远大于整体的背景光数值,会造成估计的背景光过高,在复原图像时会造成强烈的过曝光现象,尤其是在浑浊区域这种曝光现象尤为严重[8,13]㊂针对这一现象,文献[8,14]采用物理模型的方法对背景光进行估计㊂由于在具体的水下环境中,很多时候物理参数获取困难,文中针对人工照明造成的图像亮度不均匀的现状,对文献[2]中的方法进行改进㊂对于图像中任一点,以该像素点为中心,选择一个窗口,WindowSize=2*n+1;在暗通道图像的窗口中按照亮度的大小提取最亮的前0.1%像素,确定其所在位置;然后在原始有雾图像I中寻找对应位置上具有最高亮度点的值,并将该值作为该像素点的A值㊂对图像中每一点求其A值,构成水下背景光矩阵A㊂(3)图像去雾㊂根据式12㊁式13以及A的值,可以求解J(x):J(x)=I(x)-Amax[t(x),t0]+A(14) (4)颜色校正㊂由于光在水下传播时,不同频率的颜色分量具有不同的衰减率,下面对于用暗原色先验方法去雾后的图像J进行颜色校正,方法如下[15]:①计算J图像各通道的的平均值J c mean和标准差J c var;②计算RGB个通道的最大值和最小值,计算方法表示为:J c max=J c mean+μJ c varJ c min=J c mean-μJ c{var(15)其中,c∈(r,g,b),r,g,b为三个颜色通道;μ为参数,对图像进行动态控制,后续实验中取值为2.5㊂③计算颜色校正后的图像,公式如下:J c CR=J c-J c minJ c max-J c min×255(16)其中,J c CR为最终的输出图像㊂3摇实验结果与分析选取了6幅水下对比度低,整体偏色严重的图像进行实验,实验结果如图1所示㊂图1 不同算法的图像增强效果比较 通过文中算法和其他针对水下图像对暗原色先验模型进行改进的算法的增强效果对比,可以看出四种方法对原始图像均有一定的增强效果㊂从直观上看,文中算法和文献[8]算法优于文献[1]和文献[7]算法的增强效果,但文献[8]算法对图像1㊁4㊁6颜色过于艳丽,存在一定的颜色失真情况,对于图像3㊁5局部亮㊃27㊃ 计算机技术与发展 第28卷度过高,不如文中算法的处理效果,但图像2的增强效果略优于文中算法㊂表1 增强后图像的性能指标比较图像算法平均梯度熵标准差图像1(b)8.45556.977555.4298(c)9.12696.974341.5065(d)12.93377.606580.9740(e)13.05197.554965.1202图像2(b)7.07737.134043.2056(c)6.10107.180242.3422(d)11.16907.836880.3645(e)12.52677.779762.9788图像3(b)5.35047.085675.5384(c)4.79597.403252.2739(d)5.41107.703482.4065(e)5.57777.835278.4557图像4(b)3.55156.586739.6957(c)2.30096.127831.3094(d)6.61627.822074.7065(e)8.07137.834775.3832图像5(b)4.32136.420030.0280(c)1.98256.053426.8344(d)9.02547.843574.7595(e)9.21217.867570.8719图像6(b)3.60615.360734.3136(c)4.06865.204032.6790(d)7.84897.556475.9361(e)8.82297.457170.1102 下面通过客观指标来分析图像的增强效果㊂选取平均梯度㊁信息熵和标准差作为评价指标㊂从表1的数据可以看出,文中算法增强后的图像的各项指标均优于文献[1]和文献[7]算法;与文献[8]算法相比,文中算法对图像3~6的平均梯度和熵值都高于文献[8]算法,标准差略低于文献[8]算法,对图像1㊁2的平均梯度高于文献[8]算法,但图像的熵值和标准差都低于文献[8]算法,说明文中算法在图像细节㊁信息量保留及清晰度方面优于文献[8]算法,增强后图像的对比度略低于文献[8]算法㊂从整体上来说,文中算法在去除图像模糊,平衡图像色彩方面有一定优势,使得处理后的图像看起来色彩明亮,清晰度高,光照均匀,更加符合人眼视觉特性㊂4摇结束语根据雾天图像成像和水下成像的相似性和差异,针对水下图像偏色退化和照明不均匀等问题,提出了一种结合暗原色先验模型和基于统计方法的颜色校正算法的图像增强新方法㊂实验结果表明,该方法在去除图像模糊㊁平衡图像色彩方面有一定优势,使得处理后的图像看起来更加符合人眼视觉特性,为水下图像预处理提供了借鉴和参考㊂参考文献:[1] 王子韬.基于暗原色方法的水下图像增强[D].青岛:中国海洋大学,2014.[2] 李 黎,王惠刚,刘 星.基于改进暗原色先验和颜色校正的水下图像增强[J].光学学报,2017,37(12):168-176. [3] 陆慧敏,胡学龙,李玉洁,等.基于引导图像滤波器的水下图像清晰化算法[J].扬州大学学报:自然科学版,2015,18(3):60-63.[4] 尹 芳,陈田田,吴 锐,等.一种结合暗通道先验和图像融合的水下图像复原算法[J].小型微型计算机系统, 2017,38(11):2591-2596.[5] HE Kaiming,SUN Jian,TANG Xiaoou.Single image hazeremoval using dark channel prior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12): 2341-2353.[6] GALDRAN A,PARDO D,PICON A,et al.Automatic red-channel underwater image restoration[J].Journal of Visual Communication and Image Representation,2015,26:132-145.[7] LI Chongyi,GUO Jichang,PANG Yanwei,et al.Single un⁃derwater image restoration by blue-green channels dehazing and red channel correction[C]//IEEE international confer⁃ence on acoustics.Shanghai,China:IEEE,2016:1731-1735.[8] 曹 美,盛惠兴,李庆武,等.基于暗原色先验模型的水下彩色图像增强算法[J].量子电子学报,2016,33(2):140-147.[9] NAYAR S K,NARASIMHAN S G.Vision in bad weather[C]//Proceedings of the seventh IEEE international confer⁃ence on computer vision.Korfu,Greece:IEEE,1999:820-827.[10]鞠铭烨,张登银.基于先验知识与大气散射模型的图像增强算法[J].电子学报,2017,45(5):1218-1225.[11]王永虎.基于大气散射模型的单幅图像去雾方法研究[D].长春:东北师范大学,2014.[12]CHIANG J Y,CHEN Y C.Underwater image enhancementby wavelength compensation and dehazing[J].IEEE Trans⁃actions on Image Processing,2012,21(4):1756-1769. [13]郭继昌,李重仪,郭春乐,等.水下图像增强和复原方法研究进展[J].中国图象图形学报,2017,22(3):273-287. [14]HE Kaiming,SUN Jian,TANG Xiaoou.Guided image filte⁃ring[C]//European conference on computer vision.Herak⁃lion,Crete,Greece:Springer-Verlag,2010:1-14. [15]FU Xueyang,ZHUANG Peixian,HUANG Yue,et al.A ret⁃inex-based enhancement approach for single underwater im⁃age[C]//Proceedings of IEEE international conference on image processing.Paris,France:IEEE,2014:4572-4576.㊃37㊃ 第10期 李社蕾等:基于暗原色先验模型的水下图像增强算法。
LMILMILMILMIL(x) L x L x L0(1)0 1 1 N NL0 , , , x1, , x NL L1 Nx[x1 , , ] R NxTN11L, , ) ( , , (X1 X n R X X n1 )L( ) R( ) X, ,1 Xn1LyapunovA T X XA0(2)XA1222 1x x1 22 X X 2x x2 3X x1 x x X2 3X1 0 0 1x1 x x2 30 0 1 01A 22 2 03 0 0x1 x x0(3)2 32 034 0 42 1 Lyapunov2 3 32 A n 3n(n1) 2LMI Lyapunov2 X 3HA X T XA X CTBNTCX I D N0BT DTIA X X T R n n RB C D NNA XT XA XCTBL(X, ) CX I DBT DTIX 1 1 L(X, ) L(X, )L(X, ) XL(X, ) B DXA, IA.2LMIN L(X, , X)N M R(X, , X)MT T1 K 1 KX1 , , N MXKL( ) R( )X0X00X1 2X, ,1XKlmisys lmisys LMIlmidem1 4 4 6G(s) C(s I A) 1 B(4)/ Dd10 0 00 d0 01D(5)0 0 d d2 30 0 d4 d 55 D sup DG( j)D 1 1 X R6 6 S D T D R4 4A T X XABTXC SCTXBS0(6)X0(7)S I(8)lmivar lmiterm 6 ~ 8 setlmis([])X=lmivar(1,[6 1])S=lmivar(1,[2 0;2 1])% 1st LMIlmiterm([1 1 1 X],1,A,’s’)lmiterm([1 1 1 S],C’,C)lmiterm([1 1 2 X],1,B)lmiterm([1 2 2 S],-1,1)% 2nd LMIlmiterm([-2 1 1 X],1,1)% 3rd LMIlmiterm([-3 1 1 S],1,1)lmiterm([3 1 1 0],1)lmisys=getlmislmivar X S lmitermgetlmis lmisys lmisyssetlmis getlmissetlmis getlmissetlmis([])lmisosetlmis(lmiso)lmisys=getlmislmisyslmivarlmivarX=lmivar(type,struct)XXtype XstructXType =1 D10 D 2DrDjstruct r 2i(m , n ) mDin 1 0 1 n 1Din 0Dn1DiiType =2 struct= (m , n )Type =3 X0 xnxnnstruct X0,X (i , j ) 0struct (i , j )n , X (i , j ) xnn ,X (i , j ) xn2 X 1 X2X3X3 3 1X 2 42X30 0 5 511 2I 20 0I2 22 2lmivarsetlmis([]) X1=lmivar(1,[3 1]) X2=lmivar(2,[2 4]) X3=lmivar(1,[5 1;1 0;2 0])lmiterm12 3 A T X C T SCPXQ X P Q3LMIlmitermA X T XAB XTC SCTXBSlmiterm([1 1 1 X],1,A,’s’)lmiterm([1 1 1 S],C’,C)lmiterm([1 1 2 X],1,B)lmiterm([1 2 2 S],-1,1)A T X XA C T SC XB S 11 m m-m m2 3 [1 1 2 1]1 2 2 30 k k X-k k 1X X T X 1 S 2k klmiterm 2 3 PXQ PX T Q4 's'12 lmiterm 's' lmitermA T X XA3 I1 3 S Ilmiterm([-3 1 1 S],1,1)lmiterm([3 1 1 0],1)lmivarnewlmi lmiterm1setlmis([])X=lmivar(1,[6 1])S=lmivar(1,[2 0;2 1])BRL=newlmilmiterm([BRL 1 1 X],1,A,’s’)lmiterm([BRL 1 1 S],C’,C)lmiterm([BRL 1 2 X],1,B)lmiterm([BRL 2 2 S],-1,1)Xpos=newlmilmiterm([-Xpos 1 1 X],1,1)Slmi=newlmilmiterm([-Slmi 1 1 S],1,1)lmiterm([Slmi 1 1 0],1)lmisys=getlmisX S X S BRL Xpos Slmi 1 2 3 -Xpos 2 -X Xlmieditlmieditlmiedit1S R Glmivar struct2 MATLABA X TB XT XA X BI[A’*X+X*A X*B;B’*X -1]<0X Xlmivar/lmiterm view commandsdescribe…lmivar/lmitermMATLABMATLAB saveloadlmivar/lmiterm readdescribe the matrix variables describe the LMIs …lmivar/lmiterm writecreateMATLAB mylmi MATLAB mylmi mylmilmiterm0 1 lmiedit lmiterm lmieditX(A*X+B)’*C+C’*(A*X+B)(A+B)’*X+X’*(A+B)lmiterm lmiterm 1newlmi lmivarA.1 lmiedit 1A.1 lmieditA.3LMI lmiinfo lminbr matnbrlmiinfolmiinfolmiinfolmiinfo(lmisys)lmisys getlmislminbr matnbrmatnbr(lmisys)A.4LMI xX, ,1 Xkx RNX, ,1XkA(x) B(x)feaspmin cTxxs.t. A(x) B(x)mincxminxs.t. C(x) D(x) (9)0 B(x) (10)A(x) B(x) (11) gevpfeaspfeasp[tmin,xfeas]=feasp(lmisys,options,target)feaspmin ts.t. A(x) B(x) t Ilmisystmin feasptmin<0 lmisys lmisys feaspxfeas dec2mat lmisysfeasp target tmin tmin<targettarget=0 feaspoptions 5options(1)options(2)100options(3) options(3)= R0Nx2 R2ii 1xfeas R R109xoptions(4)J J t1%10options(5) options(5)=1 options(5)=0options(i)3P I PA1 P PA012T1A2 P PA013T2A3 P PA14T31 20.8 1.5A 1A, A,23131.32.71.4 0.7 0.92.0feaspsetlmis([]) P=lmivar(1,[2 1]) lmiterm([1 1 1 P],1,A1,’s’) % LMI #1 lmiterm([2 1 1 P],1,A2,’s’) % LMI #2 lmiterm([3 1 1 P],1,A3,’s’) % LMI #3 lmiterm([-4 1 1 P],1,1) % LMI #4: P lmiterm([4 1 1 0],1) % LMI #4: Ilmis=getlmisfeasp[tmin,xfeas]=feasp(lmis)tmin 3.1363 lmis dec2matPP=dec2mat(lmis,xfeas,P)P270.8 126.4 126.4 155.1PFrobenius 10 tmin 1[tmin,xfeas]=feasp(lmis,[0,0,10,0,0],-1)tmin1.1745 P( ) maxP 9.6912mincxmincx[copt,xopt]=mincx(lmisys,c,options,xinit,target)lmisysc xdefcxcmincxc T x coptxoptdec2matxoptmincx lmisys c xinit xopt X, , X mat2dec1 kxinit xinittarget x c T x targetoptions 5options(1) copt 10 2options(2) 100options(3) feaspoptions(4) JJ c T x5options(5) options(5)=1 options(5)=0options(i)mincx4minTrace (X)Xs.t. A T X XA XBB T X Q0X1 2 1 1 1 1 0A 3 2 1 , B0 , Q 1 3 121 2 1 1 0 12 36SchurminTrace (X)XA X XA Q XBTs.t. 0B X ITTrace(X) Xmincxmincx1setlmis([])X=lmivar(1,[3 1]) % Xlmiterm([1 1 1 X],1,A,’s’)lmiterm([1 1 1 0],Q)lmiterm([1 2 2 0],-1)lmiterm([1 2 1 X],B’,1)LMIs=getlmis2 Trace(X) c T x x Xc X X Ic=mat2dec(LMIs,eye(3))defcx3 mincx xopt copt=c’*xoptoptions=[1e-5,0,0,0,0][copt,xopt]=mincx(LMIs,c,options)1e-5 coptmincxSolver for linear objective minimization under LMI constraintsIterations : Best objective value so far12 -8.5114763 -13.063640*** new lower bound: -34.0239784 -15.768450*** new lower bound: -25.0056045 -17.123012*** new lower bound: -21.3067816 -17.882558*** new lower bound: -19.8194717 -18.339853*** new lower bound: -19.1894178 -18.552558*** new lower bound: -18.9196689 -18.646811*** new lower bound: -18.80370810 -18.687324*** new lower bound: -18.75390311 -18.705715*** new lower bound: -18.73257412 -18.712175*** new lower bound: -18.72349113 -18.714880*** new lower bound: -18.71962414 -18.716094*** new lower bound: -18.71798615 -18.716509*** new lower bound: -18.71729716 -18.716695*** new lower bound: -18.716873Result: feasible solution of required accuracybest objective value: -18.716695guaranteed relative accuracy: 9.50e-006f-radius saturation: 0.000% of R = 1.00e+009c T xx 4 mincx xoptXopt=dec2mat(LMIs,xopt,X)6.3542 5.8895 2.20465.88956.2855 2.2201Xopt2.2046 2.2201 6.0771gevpgevp[lopt,xopt]=gevp(lmisys,nlfc,options,linit,xinit,target)gevploptxxopt dec2matlmisys 1 6 ~ 88nlfc( ,)linit=xxxinit=gevpx( ,)( ,)xtarget( , x ) target options5 options(1) lopt10 2options(2) 100options(3) feaspoptions(4)JJ5options(5) options(5)=1 options(5)=0options(i)gevpA (x )B (x )A (x )B (x )0 B (x )0 B (x )B (x )B (x ) 01B x , ( )1gevpYA (x )Y 0 0 0,YB 1(x ), B x( )A (x )B (x ), B (x ) 0gevp5 3x (t ) A (t ),i i x(1, 2, 3),A V (x ) x T Px, (i 1, 2, 3)3Lyapunov i d V (x ) 3d tmins.t.I P A PT 1PA 1 PA PT2PA2PA PT 3PA3Pgevpsetlmis([]); P=lmivar(1,[2 1]) lmiterm([1 1 1 0],1) % P>I: Ilmiterm([-1 1 1 P],1,1) % P>I: P lmiterm([2 1 1 P],1,A1,’s’) % LFC #1 (lhs) lmiterm([-2 1 1 P],1,1) % LFC #1 (rhs) lmiterm([3 1 1 P],1,A2,’s’) % LFC #2 (lhs) lmiterm([-3 1 1 P],1,1) % LFC #2 (rhs) lmiterm([4 1 1 P],1,A3,’s’) % LFC #3 (lhs) lmiterm([-4 1 1 P],1,1) % LFC #3 (rhs)lmis=getlmisgevp[alpha,popt]=gevp(lmis,3)alpha = -0.122 0.122P5.58 8.358.35 18.64x mat2dec dec2matX1 X X2 3X1 X2 X3 mat2decxdec=mat2dec(lmisys,X1,X2,X3)lmisys lmisysmincx gevpmat2dec xinit X1 X X2 3xdec dec2mat k2X2=dec2mat(lmisys,xdec,2)dec2mat 2lmivarmatnbr decnbr decinfoA.5LMIevallmi showlmi4 mincx xoptevlmi=evallmi(LMIs,xopt)[lhs,rhs]=showlmi(evlmi,1)xopt 1 eig(lhs-rhs)ans=-2.0387e-04-3.9333e-05-1.8917e-07-4.6680e+01lhs-rhs xopt 1A.6LMI dellmi delmvar setmvarDellmidellmi1 lmisys Xnewsys=dellmi(lmisys,2)2newsys1 2S I3 2newlmi 1 BRL Xpos Slmi Slminewsys=dellmi(lmisys,Xpos)2 S IdelmvardelmvarA T X XA BW W TB T I0X X R4 4 W R2 4Tsetlmis([])X=lmivar(1,[4 1]) % XW=lmivar(2,[2 4]) % Slmiterm([1 1 1 X],1,A,’s’)lmiterm([1 1 1 W],B,1,’s’)lmiterm([1 1 1 0],1)lmisys=getlmisWnewsys=delmvar(lmisys,W)newsys LyapunovA T X XA I0setmvarsetmvarsetmvar1 G 1 G 1D S D T D S IS2I Snewsys=setmvar(lmisys,S,2)2 S3 S 22I newsysA X T XAB XT2C CTXB2IX02I I newsys=dellmi(newsys,3)newsys =dellmi(newsys,Slmi)Slmi newlmi 3A.7lmivar 1 230 xn x n nX XX X n X p n xx, ,1 n pxn1, , x X lmivar n p[X,n,sX]=lmivar(type,struct)n sX Xx, , 1 xnlmivar6X X1X2X X1 X23 3 2 2X1 X1 X2setlmis([])[X1,n,sX1]=lmivar(2,[2 3]) [X2,n,sX2]=lmivar(2,[3 2])sX1 sX2 X1 X2>>sX1sX1=1 2 34 5 6>>sX2sX2=7 89 1011 12sX2(1, 1)=7 X(1, 1) 722 Type3 X X1 X2[X,n,sX]=lmivar(3,[sX1,zeros(2);zeros(3),sX2])X>>sXsX=1 2 3 0 04 5 6 0 00 0 0 7 80 0 0 9 100 0 0 11 127 3 3 X 3 3 Toeplizy 1 y2y3Y y2 y1y2y 3 y2y1Y 3 3 Y X Y n 1 n 2 n 3 n XXsetlmis([])[X,n]=lmivar(1,[3 1])[X, n] 2 n=6 YY=lmivar(3,n+[1 2 3;2 1 2;3 2 1])Y=lmivar(3,toeplitz(n+[1 2 3]))toeplitz MATLAB decinfo X Ylmis=getlmisdecinfo(lmis,X)ans=1 2 42 3 54 5 6decinfo(lmis,Y)ans=7 8 98 7 89 8 78X Y ZX xy, Yzt, Ztxx y z tX Y 1setlmis([])[X,n,sX]=lmivar(1,[1 0;1 0])[Y,n,sY]=lmivar(1,[1 0;1 0])lmivar 3 X Y(x, , , )1x x x2 3 4 (x, y, z, t)sX=1 00 2sY=3 00 4lmivar 3 Z[Z,n,sZ]=lmivar(3,[0 -sX(1,1);-sY(2,2) 0])sX(1, 1) x sY(2, 2)1x4Zx4x1txHermitian matrix L(x) L(x) 0Re(L(x))Im(L(x))I m(L(x))Re(L(x))XX X1 j X2X1 X2AA A j1 A2A 1 A 2X1 X2X1 X2 X2X1XX1 j X2 A1A2A2A1A A1 j A2M H XM X, X X H IM1M2T X1X2M1M2X1X2 M2M1X2X1M2M1X2X1X1X2X2X1IM 1 j MM2X X1 j X2Mi XiM C55M1=real(M), M2=imag(M)bigM=[M1 M2;-M2 M1]setlmis([])% declare bigX=[X1 X2;-X2 X1] with X1=X1’ and X2+X2’=0:[X1,n1,sX1]=lmivar(1,[5 1])[X2,n2,sX2]=lmivar(3,skewdec(5,n1))bigX=lmivar(3,[sX1 sX2;-sX2 sX1])% describe the real counterpart of the complex LMI system:lmiterm([1 1 1 0],1)lmiterm([-1 1 1 bigX],1,1)lmiterm([2 1 1 bigX],bigM’,bigM)lmiterm([-2 1 1 bigX],1,1)lmis=getlmisbigX= X1X2X2X11 X sX11n1 X12 skewdec X skewdec(5,n1)2n1+1, n1+2, ... 5 53 3 X X sX1, sX2 bigX1 2mincx c T xmincx c T x xTrace(X) X u T Xu udefcx cTrace(X) x PxT0 0X P x lmisysX Pxx0=[1 1]setlmis([])X=lmivar(1,[3 0])P=lmivar(1,[2 1])::lmisys=getlmisc T x Trace(X) x Px cT0 0n=decnbr(lmisys)c=zeros(n,1)for j=1:n,[Xj,Pj]=defcx(lmisys,j,X,P)c(j)=trace(Xj)+x0’*Pj*x0end1 2 cfor1 x 1 x X P defcx defcxjlmisys j X PXj Pj2 X=Xj P=Pj c jc=3121n=decnbr(LMI system)c=zeros(n,1)for j=1:n,[matrix values]=defcx(LMI system,j,matrix identifiers)c(j)=objective(matrix values)endA.8 系统模型描述Ex(t) y(t) Ax(t)Cx(t)Bu(t)Du(t)(15)A, B, C, D, E E x(t), u(t), y(t)15E15 E15mx fx kx uy x151 0 0m(t)k1f(t)1u(t) y(t) 1 0 (t)(t) [x(t) x(t)]T15 MATLAB SYSTEMn A j(E I) B0C D00 InfnLMI ltisys ltiss SYSTEM SYSTEMsys=ltisys(-1,1,1,0)x x u, y xSYSTEM SYSTEM sys A, B, C, D [A,B,C,D]=ltiss(sys)ltitf SYSTEM G(s) n(s)d(s)sys=ltisys(‘tf’,n,d)G(s) n d n(s) d(s)sinfo(sys) SYSTEM sysspol(sys) ssubSYSTEM G G 12 3ssub(G,1,2:3)G G SYSTEM sinv G(s) H(s) G 1 (s)G(s) D sbalancA, B, CLMISYSTEMSYSTEMg1 g2 G1(s) G2 (s) SYSTEM saddG1 s( )( ) G2 s SYSTEM smult(g1,g2)SYSTEM 10 G( ) ( ) 2s G s1sdiag(g1,g2) G(s) diag{G1(s), G2 (s)} SYSTEMSr+yG1(s)G2(s)1sloop r y SYSTEMslft w1w2z1z2SYSTEMw1u G1(s) z1 yz2G2(s) w22u R2 , y R3slft(g1,g2,2,3)H。
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２４．０１．０１０引用格式：张正华，吴宇，金志琦．基于ＭＨＳＡ ＹＯＬＯｖ７的小麦赤霉病感染率检测［Ｊ］．无线电工程，２０２４，５４（１）：７１－７７．［ＺＨＡＮＧＺｈｅｎｇｈｕａ，ＷＵＹｕ，ＪＩＮＺｈｉｑｉ．ＤｅｔｅｃｔｉｏｎｏｆＧｉｂｂｅｒｅｌｌａＩｎｆｅｃｔｉｏｎＲａｔｅｉｎＷｈｅａｔＢａｓｅｄｏｎＭＨＳＡ ＹＯＬＯｖ７［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２３，５４（１）：７１－７７．］基于ＭＨＳＡ ＹＯＬＯｖ７的小麦赤霉病感染率检测张正华，吴 宇，金志琦（扬州大学信息工程学院（人工智能学院），江苏扬州２２５１２７）摘 要：在抗病育种中小麦赤霉病感染率是衡量籽粒抗性表型鉴定的重要衡量指标，针对目前小麦赤霉病感染率检测存在检测时间长、硬件成本高以及检测方式破坏植株等问题，设计了一种适用于麦穗籽粒此类小目标检测的深度学习网络模型———ＭＨＳＡ ＹＯＬＯｖ７。
通过在原ＹＯＬＯｖ７主干网络中融合多头自注意力（Ｍｕｔｉ ＨｅａｄＳｅｌｆ Ａｔｔｅｎｔｉｏｎ，ＭＨＳＡ）机制来提高模型对深层语义特征的提取能力，并使用加权双向特征金字塔网络（ＢｉｄｉｒｅｃｔｉｏｎａｌＦｅａｔｕｒｅＰｙｒａｍｉｄＮｅｔｗｏｒｋ，ＢｉＦＰＮ）实现模块间的跨层连接，使该模型能够提取和传递更丰富的特征信息。
实验结果表明，ＭＨＳＡ ＹＯＬＯｖ７在小麦单穗赤霉病数据集上达到了９０．７５％的检测精度，相较于原ＹＯＬＯｖ７模型，改进后的算法对于麦穗籽粒此类小目标物体具有更强的特征提取能力，检测精度、召回率、Ｆ１值、ｍＡＰ＠０．５以及ｍＡＰ＠０．５∶０．９５分别提高了０．３３％、１．８３％、０．０１１、１．１９％以及０．３８％，有效满足了小麦赤霉病感染率的精确检测，为实现小麦植株病害走势的长期观测以及小麦籽粒抗性的准确评估提供了技术支持。
关键词：多头自注意力；ＹＯＬＯｖ７；目标检测；小麦赤霉病中图分类号：ＴＰ３９１文献标志码：Ａ开放科学（资源服务）标志码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２４）０１－００７１－０７ＤｅｔｅｃｔｉｏｎｏｆＧｉｂｂｅｒｅｌｌａＩｎｆｅｃｔｉｏｎＲａｔｅｉｎＷｈｅａｔＢａｓｅｄｏｎＭＨＳＡ ＹＯＬＯｖ７ＺＨＡＮＧＺｈｅｎｇｈｕａ，ＷＵＹｕ，ＪＩＮＺｈｉｑｉ（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ（ＳｃｈｏｏｌｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ），ＹａｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｙａｎｇｚｈｏｕ２２５１２７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｄｉｓｅａｓｅｒｅｓｉｓｔａｎｃｅｂｒｅｅｄｉｎｇ，ｔｈｅｉｎｆｅｃｔｉｏｎｒａｔｅｏｆｇｉｂｂｅｒｅｌｌａｉｎｗｈｅａｔｉｓａｎｉｍｐｏｒｔａｎｔｉｎｄｉｃａｔｏｒｔｏｍｅａｓｕｒｅｔｈｅｐｈｅｎｏｔｙｐｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｇｒａｉｎｒｅｓｉｓｔａｎｃｅ．Ｉｎｖｉｅｗｏｆｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｎｇｄｅｔｅｃｔｉｏｎｔｉｍｅ，ｈｉｇｈｈａｒｄｗａｒｅｃｏｓｔａｎｄｄａｍａｇｅｔｏｐｌａｎｔｓｉｎｔｈｅｄｅｔｅｃｔｉｏｎｏｆｗｈｅａｔｇｉｂｂｅｒｅｌｌａｉｎｆｅｃｔｉｏｎ，ａｄｅｅｐｌｅａｒｎｉｎｇｎｅｔｗｏｒｋｍｏｄｅｌ，ｏｒＭＨＳＡ ＹＯＬＯｖ７ｓｕｉｔａｂｌｅｆｏｒｔｈｅｄｅｔｅｃｔｉｏｎｏｆｓｍａｌｌｏｂｊｅｃｔｓｓｕｃｈａｓｗｈｅａｔｅａｒｇｒａｉｎｉｓｄｅｓｉｇｎｅｄ．ＢｙｉｎｔｅｇｒａｔｉｎｇｔｈｅＭｕｔｉ ＨｅａｄＳｅｌｆ Ａｔｔｅｎｔｉｏｎ（ＭＨＳＡ）ｍｅｃｈａｎｉｓｍｉｎｔｈｅｏｒｉｇｉｎａｌＹＯＬＯｖ７ｂａｃｋｂｏｎｅｎｅｔｗｏｒｋ，ｔｈｅｍｏｄｅｌｃａｎｅｘｔｒａｃｔｄｅｅｐｓｅｍａｎｔｉｃｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｗｅｉｇｈｔｅｄＢｉｄｉｒｅｃｔｉｏｎａｌＦｅａｔｕｒｅＰｙｒａｍｉｄＮｅｔｗｏｒｋ（ＢｉＦＰＮ）ｉｓｕｓｅｄｔｏｒｅａｌｉｚｅｔｈｅｃｒｏｓｓ ｌａｙｅｒｃｏｎｎｅｃｔｉｏｎｂｅｔｗｅｅｎｍｏｄｕｌｅｓ，ｓｏｔｈａｔｔｈｅｍｏｄｅｌｃａｎｅｘｔｒａｃｔａｎｄｔｒａｎｓｍｉｔｒｉｃｈｅｒｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＭＨＳＡ ＹＯＬＯｖ７ａｃｈｉｅｖｅｓａｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｏｆ９０．７５％ｏｎｔｈｅｗｈｅａｔｓｉｎｇｌｅｅａｒｇｉｂｂｅｒｅｌｌａｄａｔａｓｅｔ．ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅｏｒｉｇｉｎａｌＹＯＬＯｖ７ｍｏｄｅｌ，ｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｈａｓｓｔｒｏｎｇｅｒｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｂｉｌｉｔｙｆｏｒｓｍａｌｌｏｂｊｅｃｔｓｓｕｃｈａｓｗｈｅａｔｅａｒｇｒａｉｎ，ａｎｄｔｈｅｄｅｔｅｃｔｉｏｎＡｃｃｕｒａｃｙ，Ｒｅｃａｌｌ，Ｆ１ｓｃｏｒｅ，ｍＡＰ＠０．５ａｎｄｍＡＰ＠０．５：０．９５ａｒｅｉｍｐｒｏｖｅｄｂｙ０．３３％，１．８３％，０．０１１，１．１９％ａｎｄ０．３８％ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｅｆｆｅｃｔｉｖｅｌｙｓａｔｉｓｆｉｅｓｔｈｅａｃｃｕｒａｔｅｄｅｔｅｃｔｉｏｎｏｆｗｈｅａｔｇｉｂｂｅｒｅｌｌａｉｎｆｅｃｔｉｏｎｒａｔｅ，ａｎｄｐｒｏｖｉｄｅｓｔｅｃｈｎｉｃａｌｓｕｐｐｏｒｔｆｏｒｌｏｎｇ ｔｅｒｍｏｂｓｅｒｖａｔｉｏｎｏｆｗｈｅａｔｄｉｓｅａｓｅｔｒｅｎｄｓａｎｄａｃｃｕｒａｔｅａｓｓｅｓｓｍｅｎｔｏｆｗｈｅａｔｇｒａｉｎｒｅｓｉｓｔａｎｃｅ．Ｋｅｙｗｏｒｄｓ：ＭＨＳＡ；ＹＯＬＯｖ７；ｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ；ｗｈｅａｔｇｉｂｂｅｒｅｌｌａ收稿日期：２０２３－０５－１５基金项目：２０２２年江苏省研究生实践创新计划（ＳＪＣＸ２２＿１７０８）；２０２１年扬州市级计划－市校合作专项（ＹＺ２０２１１５９）；２０２１年扬州市产业前瞻与共性关键技术－产业前瞻研发（ＹＺ２０２１０１６）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：２０２２ＪｉａｎｇｓｕＰｒｏｖｉｎｃａｌＰｏｓｔｇｒａｄｕａｔｅＰｒａｃｔｉｃｅＩｎｎｏｖａｔｉｏｎＰｌａｎ（ＳＪＣＸ２２＿１７０８）；２０２１ＹａｎｇｚｈｏｕＭｕｎｉｃｉｐａｌＰｌａｎ Ｃｉｔｙ ＳｃｈｏｏｌＣｏｏｐｅｒａｔｉｏｎＰｒｏｊｅｃｔ（ＹＺ２０２１１５９）；２０２１ＹａｎｇｚｈｏｕＣｉｔｙ ｓＩｎｄｕｓｔｒｉａｌＦｏｒｅｓｉｇｈｔａｎｄＣｏｍｍｏｎＫｅｙＴｅｃｈｎｏｌｏｇｉｅｓ ＩｎｄｕｓｔｒｉａｌＰｒｏｓｐｅｃｔＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ（ＹＺ２０２１０１６）信号与信息处理０ 引言小麦作为亚洲、欧洲和北美等地区的主要作物，是仅次于玉米和大米的第三大消费谷物［１］。
收稿日期：２０２２－１０－０９基金项目：国防基础科研计划项目（ＪＣＫＹ２０１９４０７Ｃ００２）引用格式：江国乾，王景，张敬超，等．无人直升机尾桨轴承超声信号故障映射模型［Ｊ］．测控技术，２０２３，４２（５）：１１２－１１９．ＪＩＡＮＧＧＱ，ＷＡＮＧＪ，ＺＨＡＮＧＪＣ，ｅｔａｌ．ＦａｕｌｔＭａｐｐｉｎｇＭｏｄｅｌｏｆＵｎｍａｎｎｅｄＨｅｌｉｃｏｐｔｅｒＴａｉｌＲｏｔｏｒＢｅａｒｉｎｇＢａｓｅｄｏｎＵｌｔｒａｓｏｕｎｄＳｉｇｎａｌ［Ｊ］．Ｍｅａｓｕｒｅｍｅｎｔ＆ＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏｇｙ，２０２３，４２（５）：１１２－１１９．无人直升机尾桨轴承超声信号故障映射模型江国乾１，王 景１，张敬超２，张少群３，李小俚１，李英伟２（１．燕山大学电气工程学院，河北秦皇岛 ０６６００４；２．燕山大学信息科学与工程学院，河北秦皇岛 ０６６００４；３．中国兵器工业计算机应用技术研究所智能控制系统研发部，北京 １０００８９）摘要：无人直升机被广泛应用于军事民用领域中执行高危任务，对其进行健康维护具有重要意义。
尾桨轴承是无人直升机尾桨的关键零件，关系到无人直升机的平衡与航向控制。
传统基于振动信号的监测诊断方法易受环境噪音干扰，诊断算法也易受噪声混叠影响。
为解决以上问题，提出了一种基于超声信号的无人机尾桨轴承故障映射模型。
首先，采集轴承不同故障状态下的超声信号。
然后，利用自适应噪声完备集合经验模态分解（ＣＥＥＭＤＡＮ）算法将信号分解，对分解后的信号分量计算各类熵值并融合构造特征向量。
最后，将特征向量输送到基于粒子群优化算法的最小二乘支持向量机中建立特征向量与故障类型的映射模型，实现故障诊断。
该方法在超声信号下对尾桨轴承早期故障诊断具有有效性和敏感性。
关键词：故障诊断；自适应噪声完备集合经验模态分解；最小二乘支持向量机；无人直升机；尾桨轴承中图分类号：Ｖ２６７ 文献标志码：Ａ 文章编号：１０００－８８２９（２０２３）０５－０１１２－０８ｄｏｉ：１０．１９７０８／ｊ．ｃｋｊｓ．２０２３．０５．０１６ＦａｕｌｔＭａｐｐｉｎｇＭｏｄｅｌｏｆＵｎｍａｎｎｅｄＨｅｌｉｃｏｐｔｅｒＴａｉｌＲｏｔｏｒＢｅａｒｉｎｇＢａｓｅｄｏｎＵｌｔｒａｓｏｕｎｄＳｉｇｎａｌＪＩＡＮＧＧｕｏｑｉａｎ１牞ＷＡＮＧＪｉｎｇ１牞ＺＨＡＮＧＪｉｎｇｃｈａｏ２牞ＺＨＡＮＧＳｈａｏｑｕｎ３牞ＬＩＸｉａｏｌｉ１牞ＬＩＹｉｎｇｗｅｉ２牗１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ牞ＹａｎｓｈａｎＵｎｉｖｅｒｓｉｔｙ牞Ｑｉｎｈｕａｎｇｄａｏ０６６００４牞Ｃｈｉｎａ牷２．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ牞ＹａｎｓｈａｎＵｎｉｖｅｒｓｉｔｙ牞Ｑｉｎｈｕａｎｇｄａｏ０６６００４牞Ｃｈｉｎａ牷３．ＩｎｔｅｌｌｉｇｅｎｔＣｏｎｔｒｏｌＳｙｓｔｅｍＲ＆ＤＤｅｐａｒｔｍｅｎｔ牞ＩｎｓｔｉｔｕｔｅｏｆＣｏｍｐｕｔｅｒＡｐｐｌｉｅｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａＷｅａｐｏｎＩｎｄｕｓｔｒｙ牞Ｂｅｉｊｉｎｇ１０００８９牞Ｃｈｉｎａ牘Ａｂｓｔｒａｃｔ牶Ｕｎｍａｎｎｅｄｈｅｌｉｃｏｐｔｅｒｓ牗ＵＨ牘ａｒｅｗｉｄｅｌｙａｐｐｌｉｅｄｉｎｍｉｌｉｔａｒｙｄｏｍａｉｎａｎｄｃｉｖｉｌｄｏｍａｉｎｔｏｅｘｅｃｕｔｅｔｈｅｈｉｇｈｒｉｓｋｍｉｓｓｉｏｎ牞ｉｔｉｓｉｍｐｏｒｔａｎｔｔｏｍａｉｎｔａｉｎｔｈｅｈｅａｌｔｈｏｆＵＨ．ＴａｉｌｒｏｔｏｒｂｅａｒｉｎｇｉｓｔｈｅｋｅｙｃｏｍｐｏｎｅｎｔｓｏｆａＵＨａｎｄｉｔｓｈｅａｌｔｈｓｔａｔｕｓａｆｆｅｃｔｓｔｈｅｃｏｕｒｓｅｏｆｔｈｅｆｌｉｇｈｔａｎｄｋｅｅｐｔｈｅｂａｌａｎｃｅ．Ｔｈｅｔｒａｄｉｔｉｏｎａｌｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈ ｏｄｓｍａｉｎｌｙｒｅｌｙｏｎｖｉｂｒａｔｉｏｎ ｂａｓｅｄｓｉｇｎａｌａｎａｌｙｓｉｓ．Ｈｏｗｅｖｅｒ牞ｔｈｅｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓａｒｅｅａｓｉｌｙｃｏｎｔａｍｉｎａｔｅｄｂｙｅｎｖｉｒｏｎｍｅｎｔｎｏｉｓｅｓａｎｄｔｈｅｓｉｇｎａｌａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍｉｓａｌｓｏｅａｓｉｌｙｉｎｆｌｕｅｎｃｅｄｂｙｎｏｉｓｅｉｎｔｅｒｆｅｒｅｎｃｅ．Ｔｏｏｖｅｒ ｃｏｍｅｔｈｉｓｃｈａｌｌｅｎｇｅ牞ａｆａｕｌｔｍａｐｐｉｎｇｍｏｄｅｌｏｆＵＨｔａｉｌｒｏｔｏｒｂｅａｒｉｎｇｂａｓｅｄｏｎｕｌｔｒａｓｏｕｎｄｓｉｇｎａｌｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ牞ｔｈｅｕｌｔｒａｓｏｕｎｄｓｉｇｎａｌｉｓｍｅａｓｕｒｅｄａｎｄｓｔｏｒｅｄｗｉｔｈｔｈｅｄｉｆｆｅｒｅｎｔｈｅａｌｔｈｃｏｎｄｉｔｉｏｎ．Ｔｈｅｎ牞ｔｈｅｃｏｍｐｌｅｔｅｅｎ ｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｎｏｉｓｅ牗ＣＥＥＭＤＡＮ牘ｉｓｕｔｉｌｉｚｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅｕｌｔｒａ ｓｏｕｎｄａｓｔｈｅｓｅｖｅｒａｌｃｏｍｐｏｎｅｎｔｓｗｈｉｃｈｃｏｎｔａｉｎｓｔｈｅａｂｕｎｄａｎｔｉｎｆｏｒｍａｔｉｏｎ．Ａｎｄｔｈｅｓｅｓｉｇｎａｌｓａｒｅｃｏｍｐｕｔｅｄｔｈｅｅｎｔｒｏｐｙｖａｌｕｅｔｏｅｘｔｒａｃｔｔｈｅｆｅａｔｕｒｅｓ．Ｆｉｎａｌｌｙ牞ｔｈｅｅｘｔｒａｃｔｅｄｆｅａｔｕｒｅｓａｒｅｉｎｐｕｔｉｎｔｏｔｈｅｌｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ牗ＬＳＳＶＭ牘ｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ牗ＰＳＯ牘ｔｏｃｏｎｓｔｒｕｃｔｔｈｅｍａｐｐｉｎｇｍｏｄｅｌｔｏｒｅａｌｉｚｅｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓ．Ｅｘｐｅｒｉｍｅｎｔａｎａｌｙｓｉｓｖｅｒｉｆｉｅｓｔｈｅｆｅａｓｉｂｉｌｉｔｙａｎｄｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｐｒｏｐｏｓｅｄｆａｕｌｔｍａｐｐｉｎｇｍｏｄｅｌ．Ｋｅｙｗｏｒｄｓ牶ｆａｕｌｔｄｉａｇｎｏｓｉｓ牷ＣＥＥＭＤＡＮ牷ＬＳＳＶＭ牷ｕｎｍａｎｎｅｄｈｅｌｉｃｏｐｔｅｒ牷ｔａｉｌｒｏｔｏｒｂｅａｒｉｎｇ 尾桨轴承是无人直升机的关键部件之一，其运行状态直接影响着无人直升机的航向和平衡，会导致无人直升机飞行不稳定，甚至引发飞行事故［１］。
IBIS 模型簡介IBIS（Input/Output Buffer Information Specification）模型是一種基於V/I曲線的對I/O BUFFER快速準確建模的方法，是反映晶片驅動和接收電氣特性的一種國際標準，它提供一種標準的檔格式來記錄如驅動源輸出阻抗、上升/下降時間及輸入負載等參數，非常適合做振盪和串擾等高頻效應的計算與仿真。
IBIS規範最初由一個被稱為IBIS開放論壇的工業組織編寫，這個組織是由一些EDA廠商、電腦製造商、半導體廠商和大學組成的。
IBIS的版本發佈情況為：1993年4月第一次推出Version1.0版，同年6月經修改後發佈了Version1.1版，1994年6月在San Diego通過了Version2.0版，同年12月升級為Version2.1版，1995年12 月其Version2.1版成為ANSI/EIA-656標準，1997年6月發佈了Version3.0版，同年9月被接納為IEC 62012-1 標準，1998年升級為Version3.1版，1999年1月推出了當前最新的版本Version3.2版。
IBIS本身只是一種檔格式，它說明在一標準的IBIS檔中如何記錄一個晶片的驅動器和接收器的不同參數，但並不說明這些被記錄的參數如何使用，這些參數需要由使用IBIS模型的仿真工具來讀取。
欲使用IBIS進行實際的仿真，需要先完成以下四件工作：1.獲取有關晶片驅動器和接收器的原始資訊源；2.獲取一種將原始資料轉換為IBIS格式的方法；3.提供用於仿真的可被電腦識別的佈局佈線資訊；4.提供一種能夠讀取IBIS和佈局佈線格式並能夠進行分析計算的軟體工具。
IBIS是一種簡單直觀的檔格式，很適合用於類似於Spice（但不是Spice，因為IBIS檔格式不能直接被Spice工具讀取）的電路仿真工具。
它提供驅動器和接收器的行為描述，但不洩漏電路內部構造的知識產權細節。
摘要参考模型法校正是频率法校正中经常使用的一种校正方法。
它基于参考模型来修正固有特性从而求得校正装置。
因此作图简单，校正方便，没有繁杂的计算。
常用的参考模型按照系统阶数划分为二阶参考模型，四阶参考模型等。
本文基于Ⅰ型三阶系统的四阶参考模型法设计及仿真研究。
研究典型Ⅰ型3阶系统动静态性能特性并完成设计，以达到使该系统满足工程实际性能指标要求。
运用经典控制理论中频域理论方法，分析给定的典型系统基本特性，按照实际的工艺指标运用四阶参考模型设计满足要求的闭环系统方案，用MATLAB/SIMULINK对设计系统进行仿真验证。
【关键词】：Ⅰ型三阶系统四阶参考模型仿真。
AbstractReference correction is frequency model, a correction method is frequently used in the calibration. It is based on reference model to revise the inherent characteristics of calibration device is obtained. So drawing simple, easy to correction, no complex calculation. Commonly used reference model according to the system order is divided into two order reference model, fourth order reference model, etc. Based on the fourth-order Ⅰthird-order system reference model method of design and simulation research. Research on typical Ⅰtype 3 order system dynamic and static performance characteristics and complete the design, to make the system meet the requirements of practical engineering performance index. By using the theory of classical control theory of intermediate frequency domain method, analysis the basic features typical of a given system, according to the actual technical index using the fourth order reference model design meet the requirements of the closed loop system solutions, using MATLAB/SIMULINK for simulation design system.【Keyword】：Ⅰtype three order system Fourth order reference model The simulation。
